The invention discloses a warning method of gas outburst prediction based on big data platform, which comprises the following steps: A, the real-time monitoring data stored in HDFS distributed file system in the Hadoop platform; B, using linear exponential smoothing method for real-time monitoring data preprocessing; C, determine the real-time monitoring data and detection of anti cycle process D, the collection of data; real-time monitoring data of a detection period as a data monitoring data; feature parameter E, extracted from each data set; F, the initial velocity of gas emission Q
【技术实现步骤摘要】
一种基于大数据平台的瓦斯突出预测预警方法
本专利技术涉及矿井瓦斯突出预测
,尤其涉及一种基于大数据平台的瓦斯突出预测预警方法。
技术介绍
煤炭是我国能源的主体,当前我国煤矿安全生产形势相当严峻,瓦斯突出、煤尘爆炸等安全问题一直制约着我国的煤炭生产,严重威胁着煤矿的安全生产工作。在煤矿五大自然灾害中,煤与瓦斯突出具有极强的破坏性和突发性,它带来的是重大人员伤亡、财产损失、环境破坏等一系列严重后果。因此实现煤矿安全生产的关键之一在于有效的防止煤与瓦斯突出,而防突的关键又在于对有突出危险的煤体进行预测。虽然我国煤矿企业在规程的强制执行下普遍配备了安全监控系统,也有部分企业在配备安全监控系统的同时配备了安全辅助决策系统,然而现阶段对于煤与瓦斯突出的预测主要是根据监测数据进行区域性预测和日常预测,很少对实时监测数据做后续处理,且人工巡检的大量防突参数数据也未充分利用。同时,传统的煤矿瓦斯突出预测预警平台普遍存在研发成本高、数据的管理、计算容量受限,缺失应有的开放和共享功能等问题。
技术实现思路
本专利技术的目的在于提供一种基于大数据平台的瓦斯突出预测预警方法,能够将反映瓦斯浓度的实时监测数据和检测防突数据进行集成分析,运用到煤与瓦斯突出预警,提升煤矿对于瓦斯突出事故的预控能力。为实现上述目的,本专利技术采用的技术方案是:一种基于大数据平台的瓦斯突出预测预警方法,包括以下步骤:A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台的HDFS分布式文件系统,并分析实时监测数据是否存在零值数据或缺失数据,如果存在零值数据或缺失数据则进入步骤B,如果不存在零值数据 ...
【技术保护点】
一种基于大数据平台的瓦斯突出预测预警方法,其特征在于,包括以下步骤:A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台 的HDFS分布式文件系统,并分析实时监测数据是否存在零值数据或缺失数据,如果存在零值数据或缺失数据则进入步骤B,如果不存在零值数据或缺失数据则进入步骤C;B、利用线性指数平滑法对实时监测数据进行预处理,剔除或者替代零值数据,补齐缺失数据,然后进入步骤C;C、分析实时监测数据和检测防突数据的基本特点,分别确定实时监测数据的监测周期和检测防突数据的检测周期,然后进入步骤D;D、根据检测防突数据的检测周期,将属于一个检测周期内的实时监测数据作为一个数据集合,然后进入步骤E;E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数,并将各个监测数据特征参数存储在Hadoop平台 的HDFS分布式文件系统,然后进入步骤F;F、将一个检测周期内测定的钻孔瓦斯涌出初速度q
【技术特征摘要】
1.一种基于大数据平台的瓦斯突出预测预警方法,其特征在于,包括以下步骤:A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台的HDFS分布式文件系统,并分析实时监测数据是否存在零值数据或缺失数据,如果存在零值数据或缺失数据则进入步骤B,如果不存在零值数据或缺失数据则进入步骤C;B、利用线性指数平滑法对实时监测数据进行预处理,剔除或者替代零值数据,补齐缺失数据,然后进入步骤C;C、分析实时监测数据和检测防突数据的基本特点,分别确定实时监测数据的监测周期和检测防突数据的检测周期,然后进入步骤D;D、根据检测防突数据的检测周期,将属于一个检测周期内的实时监测数据作为一个数据集合,然后进入步骤E;E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数,并将各个监测数据特征参数存储在Hadoop平台的HDFS分布式文件系统,然后进入步骤F;F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合,形成瓦斯突出危险性样本,然后进入步骤G;G、根据瓦斯突出危险性样本,利用BP神经网络进行瓦斯突出预测,得到防突检测参数钻孔瓦斯...
【专利技术属性】
技术研发人员:郝天轩,杨战旗,王雪迎,李旭,
申请(专利权)人:河南理工大学,
类型:发明
国别省市:河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。