一种基于深度学习的煤矿瓦斯预测方法技术

本发明专利技术公开了一种基于深度学习的煤矿瓦斯预测方法，根据现场采集回来的实际生产数据建立面向大数据分析的可观测数据集，进行高维瓦斯数据的数据准备，包括测度失准及缺失数据的预处理、时间序列预处理、样本数据的归一化和降维处理等，选择深度神经网络—DNN（Deep Neural Network）作为瓦斯数据感知模型，基于Keras，搭建分布式深度学习框架，并将众多机器学习算法集成，进而创建自动化机器学习引擎，训练模型并完成测试，应用此深度神经网络回归模型实现了煤矿瓦斯的智能预测。通过本发明专利技术，能够为煤矿的回采与掘进工艺提供更为精准的风险预判依据。

A method of coal mine gas prediction based on deep learning

【技术实现步骤摘要】
一种基于深度学习的煤矿瓦斯预测方法
本专利技术涉及煤矿通风安全信息
，具体是涉及一种基于深度学习的煤矿瓦斯预测方法。
技术介绍
煤矿瓦斯预测是实现瓦斯事故预防的先决条件，而煤矿瓦斯预测精度直接影响了预测结果的实际应用。传统的瓦斯预测方法受数据样本、信息处理技术、预测模型规模等的制约，其实用性、精确性都无法满足现场的实际需要。随着煤矿安全生产机械化、自动化和信息化的不断发展，与煤矿井下通风安全相关的信息逐渐累积，形成了海量的高维度信息集合。但由于历史和技术原因，这些海量数据被闲置或者仅做初步的检索分析，对于其背后所隐含着大量的有用信息和客观规律未做进一步的挖掘和发现。如果针对煤矿安全生产领域的大数据进行有效整合，把监控系统采集的多维度数据做深度关联分析和融合利用并建设更为精准、高效的预警系统，将实现安全生产领域海量数据资源的开放共享和大数据应用，为矿井安全生产提供更为便捷、高效的方法。
技术实现思路
本专利技术解决的技术问题是针对煤矿生产实际的知识感知模型的建立以及动态学习型的多层次趋势预测方法的关键技术问题，为煤矿的回本文档来自技高网...

【技术保护点】
1.一种基于深度学习的煤矿瓦斯预测方法，其特征在于，包括以下步骤：/n整合原始通风安全信息，从矿井数据特征的数据库中提取历史瓦斯特征数据，对历史瓦斯特征数据进行预处理，建立面向大数据分析的历史瓦斯特征数据的可观测数据集；/n将可观测数据集中的历史瓦斯特征值数据分成两份，分别作为训练集和测试集，通过训练集对对构建的深度神经网络模型DNN进行训练，并通过测试集对训练完成的深度神经网络模型DNN进行测试；/n向训练完成的深度神经网络模型DNN中输入实时的瓦斯特征数据，获取深度神经网络模型DNN的输出结果，作为煤矿瓦斯涌出值的预测值。/n

【技术特征摘要】
1.一种基于深度学习的煤矿瓦斯预测方法，其特征在于，包括以下步骤：
整合原始通风安全信息，从矿井数据特征的数据库中提取历史瓦斯特征数据，对历史瓦斯特征数据进行预处理，建立面向大数据分析的历史瓦斯特征数据的可观测数据集；
将可观测数据集中的历史瓦斯特征值数据分成两份，分别作为训练集和测试集，通过训练集对对构建的深度神经网络模型DNN进行训练，并通过测试集对训练完成的深度神经网络模型DNN进行测试；
向训练完成的深度神经网络模型DNN中输入实时的瓦斯特征数据，获取深度神经网络模型DNN的输出结果，作为煤矿瓦斯涌出值的预测值。


2.根据权利要求1所述的基于深度学习的煤矿瓦斯预测方法，其特征在于，所述整合原始通风安全信息包括：
利用UML工具，针对煤矿通风安全进行数据筛选、分析和整理，建立数据需求模型；
根据数据需求模型完成数据收集、补充和完善。


3.根据权利要求1所述的基于深度学习的煤矿瓦斯预测方法，其特征在于，历史瓦斯特征数据进行预处理的步骤包括：
采用粒子群优化的三次样条插值法对矿井瓦斯异常数据进行预处理；
瓦斯数据时间序列预处理；
瓦斯数据样本集的形成及归一化处理；
高维瓦斯序列数据进行PCA降维。


4.根据权利要求3所述的基于深度学习的煤矿瓦斯预测方法，其特征在于，瓦斯数据时间序列预处理的步骤中，采用样本直方图和经验分布函数方法，对总体进行非参数推断，推测瓦斯浓度总体数据的分布规律，同时用三次指数平滑处理法和平均值修正方法分别对原始时间序列的缺失值和异常值进行处理。<...

【专利技术属性】
技术研发人员：王毅，景毅，张林娟，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14