瓦斯浓度的预测方法、计算机可读存储介质和电子设备技术

本申请提供了一种瓦斯浓度的预测方法、计算机可读存储介质和电子设备。包括：采用第一模型对第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据；采用更新后的第二模型对第二瓦斯浓度数据进行处理，得到第二瓦斯浓度数据对应的预测结果。该方案中，通过对瓦斯浓度数据进行降噪处理，可以得到更为精确的第一瓦斯浓度数据，采用CNN模型对第一瓦斯浓度数据进行特征提取，可以使得原序列增强，本方案还对Elman模型进行改进，更新后的Elman模型的预测结果更为精确，进而采用更新后的Elman模型对瓦斯浓度进行预测，得到第二瓦斯浓度数据对应的预测结果，进而提高了瓦斯浓度预测的结果的准确性。准确性。准确性。

【技术实现步骤摘要】
瓦斯浓度的预测方法、计算机可读存储介质和电子设备


[0001]本申请涉及煤矿检测
，具体而言，涉及一种瓦斯浓度的预测方法、装置、计算机可读存储介质和电子设备。

技术介绍

[0002]在煤矿综合监控系统中，监控系统作为一种有效的安全监测及控制手段，在煤矿日常安全管理中发挥着重大作用，对煤矿致灾因素的有效监测及灾变趋势的准确判断、预测及预警是煤矿事故预防与控制的关键。由于煤矿安全所涉及灾害形式及其相互关联的复杂性，以及瓦斯灾害本身致灾因素关联的复杂性，预测应用于瓦斯浓度变化的研究还较少，研究基于安全监控系统实测数据处理的瓦斯浓度预测方法的系统性应用更少。所以通过分析煤矿日常瓦斯监测数据的关联特征来提取有效信息，实现较准确、可靠的瓦斯浓度预测应用于瓦斯预警分析对于预防瓦斯灾害是具有重大意义的。
[0003]在原始的瓦斯监测数据预测研究中，统计模型占据着重要的地位，但是统计模型是基于数理统计衍生的方法，属于线性模型，在处理非线性极强的瓦斯监测数据时序时，往往很难准确拟合变化规律曲线。随着人工智能和大数据领域的发展，人工神经网络和机器学习逐渐替代了传统数据处理方法，但是，在实际应用中发现，现有的预测模型具有收敛速度慢、易陷入局部最优等缺点，进而导致瓦斯浓度预测的结果不准确。

技术实现思路

[0004]本申请的主要目的在于提供一种瓦斯浓度的预测方法、装置、计算机可读存储介质和电子设备，以解决现有技术中瓦斯浓度预测的结果不准确的问题。
[0005]根据本专利技术实施例的一个方面，提供了一种瓦斯浓度的预测方法，包括：获取煤矿井下的瓦斯浓度数据，并对所述瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据；采用第一模型对所述第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据，所述第一模型为CNN模型；获取第二模型，并对所述第二模型进行更新，得到更新后的第二模型，所述第二模型为Elman模型；采用更新后的第二模型对所述第二瓦斯浓度数据进行处理，得到所述第二瓦斯浓度数据对应的预测结果，所述预测结果是指采用所述第二瓦斯浓度数据预测未来时间段内的瓦斯浓度数据。
[0006]可选地，获取第二模型，并对所述第二模型进行更新，得到更新后的第二模型，包括：获取所述第二模型，所述第二模型中包括输入层、隐含层和输出层；对蝴蝶优化算法进行更新，得到更新后的蝴蝶优化算法；采用更新后的蝴蝶优化算法，对所述第二模型的所述输入层的输出结果对应的权值进行更新，得到更新后的第二模型。
[0007]可选地，所述蝴蝶优化算法包括初始化阶段、迭代阶段和结束阶段，其中，所述初始化阶段：分别确定种群数量、迭代次数和初始位置；所述迭代阶段：计算所有蝴蝶个体的适应度以及香味强度并进行排序，存储最佳适应度以及对应的蝴蝶的位置信息；所述结束阶段：在种群中进行全局搜索或者局部搜索，更新蝴蝶的位置信息。
[0008]可选地，对蝴蝶优化算法进行更新，得到更新后的蝴蝶优化算法，包括：获取目标系数，所述目标系数为κ(t)＝κ
max
‑
η2(κ
max
‑
κ
min
)+η3(κ(t
‑
1)
‑
(κ
max
+κ
min
)/2)，其中，κ表示所述目标系数，κ(t)表示第t次迭代的κ系数值，κ
max
表示κ系数值的最大值，κ
min
表示κ系数值的最小值，η2表示预定范围内的随机数，η3表示所述预定范围内的随机数，κ(t
‑
1)表示第t
‑
1次迭代的κ系数值；采用所述目标系数以及DE算法，对所述蝴蝶优化算法中的种群进行筛选，删除不符合预定条件的种群，得到更新后的蝴蝶优化算法。
[0009]可选地，对所述瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据，包括：采用小波去噪算法对所述瓦斯浓度数据进行分解，将大于或者等于浓度阈值的所述瓦斯浓度数据作为第一类型浓度数据，将小于所述浓度阈值的所述瓦斯浓度数据作为第二类型浓度数据；删除所述第一类型浓度数据，保留所述第二类型浓度数据；采用小波去噪算法对所述第二类型浓度数据进行重构，得到所述第一瓦斯浓度数据。
[0010]可选地，采用第一模型对所述第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据，包括：采用所述第一模型，对所述第一瓦斯浓度数据进行特征提取，其中，所述第一模型包括输入层、卷积层、池化层和输出层，所述输入层用于接收输入数据，所述卷积层用于对所述输入数据进行卷积运算，得到初始特征数据，所述池化层用于对所述初始特征数据进行池化操作，得到所述第二瓦斯浓度数据，所述输出层用于输出所述第二瓦斯浓度数据，所述输入数据为所述瓦斯浓度数据。
[0011]可选地，采用更新后的第二模型对所述第二瓦斯浓度数据进行处理，得到所述第二瓦斯浓度数据对应的预测结果，包括：采用更新后的第二模型对历史的所述第二瓦斯浓度数据进行预测，得到所述预测结果，其中，更新后的第二模型为使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史第二瓦斯浓度数据以及所述历史第二瓦斯浓度数据对应的历史检测结果。
[0012]根据本专利技术实施例的另一方面，还提供了一种瓦斯浓度的预测装置，包括：第一获取单元，用于获取煤矿井下的瓦斯浓度数据，并对所述瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据，所述瓦斯浓度数据是采用目标传感器检测得到的；提取单元，用于采用第一模型对所述第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据，所述第一模型为CNN模型；第二获取单元，用于获取第二模型，并对所述第二模型进行更新，得到更新后的第二模型，所述第二模型为Elman模型；预测单元，用于采用更新后的第二模型对所述第二瓦斯浓度数据进行处理，得到所述第二瓦斯浓度数据对应的预测结果，所述预测结果是指采用所述第二瓦斯浓度数据预测未来时间段内的瓦斯浓度数据。
[0013]根据本专利技术实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。
[0014]根据本专利技术实施例的再一方面，还提供了一种电子设备，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
[0015]在本专利技术实施例中，首先获取煤矿井下的瓦斯浓度数据，并对瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据，之后采用第一模型对第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据，之后获取第二模型，并对第二模型进行更新，得到更新后的第二模
型，最后采用更新后的第二模型对第二瓦斯浓度数据进行处理，得到第二瓦斯浓度数据对应的预测结果。该方案中，通过对瓦斯浓度数据进行降噪处理，可以得到更为精确的第一瓦斯浓度数据，采用CNN模型对第一瓦斯浓度数据进行特征提取，可以使得原序列增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瓦斯浓度的预测方法，其特征在于，包括：获取煤矿井下的瓦斯浓度数据，并对所述瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据；采用第一模型对所述第一瓦斯浓度数据进行特征提取，得到第二瓦斯浓度数据，所述第一模型为CNN模型；获取第二模型，并对所述第二模型进行更新，得到更新后的第二模型，所述第二模型为Elman模型；采用更新后的第二模型对所述第二瓦斯浓度数据进行处理，得到所述第二瓦斯浓度数据对应的预测结果，所述预测结果是指采用所述第二瓦斯浓度数据预测未来时间段内的瓦斯浓度数据。2.根据权利要求1所述的方法，其特征在于，获取第二模型，并对所述第二模型进行更新，得到更新后的第二模型，包括：获取所述第二模型，所述第二模型中包括输入层、隐含层和输出层；对蝴蝶优化算法进行更新，得到更新后的蝴蝶优化算法；采用更新后的蝴蝶优化算法，对所述第二模型的所述输入层的输出结果对应的权值进行更新，得到更新后的第二模型。3.根据权利要求2所述的方法，其特征在于，所述蝴蝶优化算法包括初始化阶段、迭代阶段和结束阶段，其中，所述初始化阶段：分别确定种群数量、迭代次数和初始位置；所述迭代阶段：计算所有蝴蝶个体的适应度以及香味强度并进行排序，存储最佳适应度以及对应的蝴蝶的位置信息；所述结束阶段：在种群中进行全局搜索或者局部搜索，更新蝴蝶的位置信息。4.根据权利要求2所述的方法，其特征在于，对蝴蝶优化算法进行更新，得到更新后的蝴蝶优化算法，包括：获取目标系数，所述目标系数为：κ(t)＝κ
max
‑
η2(κ
max
‑
κ
min
)+η3(κ(t
‑
1)
‑
(κ
max
+κ
min
)/2)，其中，κ表示所述目标系数，κ(t)表示第t次迭代的κ系数值，κ
max
表示κ系数值的最大值，κ
min
表示κ系数值的最小值，η2表示预定范围内的随机数，η3表示所述预定范围内的随机数，κ(t
‑
1)表示第t
‑
1次迭代的κ系数值；采用所述目标系数以及DE算法，对所述蝴蝶优化算法中的种群进行筛选，删除不符合预定条件的种群，得到更新后的蝴蝶优化算法。5.根据权利要求1所述的方法，其特征在于，对所述瓦斯浓度数据进行降噪处理，得到第一瓦斯浓度数据，包...

【专利技术属性】
技术研发人员：王恒晓，任文华，石银斌，许金，陈运启，张辰宇，薛艳龙，满兴中，吴克介，越强，马杰，杨希培，李鑫亮，
申请(专利权)人：国家能源集团乌海能源有限责任公司中煤科工集团重庆研究院有限公司，
类型：发明
国别省市：