一种基于深度学习的煤与瓦斯突出智能超前预警方法技术

本发明专利技术公开了一种基于深度学习的煤与瓦斯突出智能超前预警方法，属于煤岩动力灾害监测预警领域。首先采集突出矿井声电瓦斯监测数据，然后采用变分模态分解和指数加权滑动平均法对声电瓦斯信号进行预处理，之后建立基于循环神经网络的声电瓦斯信号预测模型，并提取声电瓦斯信号历史无故障数据和预测数据的时域特征和频域特征，最后基于蚁群聚类算法进行模式识别以判断是否存在突出危险。本发明专利技术可实现煤与瓦斯突出的智能超前预警，保证预警及时性，减少因预警不及时带来的灾害损失。减少因预警不及时带来的灾害损失。减少因预警不及时带来的灾害损失。

【技术实现步骤摘要】
一种基于深度学习的煤与瓦斯突出智能超前预警方法


[0001]本专利技术涉及煤岩动力灾害监测预警
，具体涉及一种基于深度学习的煤与瓦斯突出智能超前预警方法。

技术介绍

[0002]煤与瓦斯突出灾害发生时通常伴随着异常信号变化，比如瓦斯浓度增大，声发射信号急剧升高、电磁辐射强度增强等等。因此通过分析声电瓦斯监测数据可以识别突出风险隐患，实现煤与瓦斯突出预警。现有的煤与瓦斯突出预警技术是基于矿井实时声电瓦斯监测数据，利用深度学习方法挖掘历史数据前兆特征，通过分析实时监测数据特征并与突出前兆特征作对比，以此判断是否有突出风险，实现煤与瓦斯突出预警。然而，现有技术只能在突出发生当天，或在突出发生前一天作出预警，发出预警信号与突出发生的时间间隔不足以指导采取及时有效防控措施，预警及时性不足导致预警能力较差，一旦发生突出事故损失极大。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的煤与瓦斯突出智能超前预警方法，本方法基于实时矿井数据采用深度学习方法预测未来声电瓦斯信号的变化，提取声电瓦斯信号的特征值，基于蚁群聚类算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，包括以下步骤：步骤S1、采集煤与瓦斯突出矿井声发射强度、电磁辐射强度和瓦斯浓度监测数据；步骤S2、对所采集数据进行预处理；步骤S3、建立基于循环神经网络的声电瓦斯信号预测模型，预测未来一段时间的声电瓦斯信号；步骤S4、提取声电瓦斯信号历史无故障数据和预测数据的时频特征；步骤S5、建立基于蚁群聚类算法的模式识别模型，判断是否存在突出危险。2.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤2中，采用变分模态分解法处理原始声电信号，将原始声电信号f分解为K个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等；变分模态分解约束变分模型如下：最小，约束条件为所有模态之和与原始信号相等；变分模态分解约束变分模型如下：其中，u
k
＝{u1,u2,...,u
K
}为各模态函数，ω
k
＝{ω1,ω2,...,ω
K
}为各模态中心频率，δ(t)为狄拉克函数，*表示卷积，j2＝
‑
1，为修正指数。3.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S2中，采用指数加权滑动平均法处理原始瓦斯浓度信号，达到降噪滤波的效果；所述指数加权滑动平均法，计算公式如下：v
t
＝β
·
v
t
‑1+(1
‑
β)
·
θ
t
其中，瓦斯浓度v在t时刻记为v
t
，θ
t
为v在t时刻的取值，系数β是加权下降的速率。4.根据权利要求1所述的基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S3中，基于循环神经网络的声电瓦斯信号预测模型的建立过程如下：(1)选取训练样本集Z＝{X1,...,X
m
}，初始化模型参数，包括输入向量纬度，隐藏层神经元数、隐藏层的层数、偏置项和权重矩阵；(2)依次输入样本，采用下式计算t时刻隐藏层的值S
t
：S
t
＝f(U
·
X
t
+W
·
S
t
‑1+b)其中，X
t
是t时刻的输入，U是输入层到隐藏层的权重矩阵，W是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，b是隐藏层偏置项，f是隐藏层激活函数，采用tanh函数；(3)采用下式计算t时刻隐藏层的输出O
t
：O
t
＝V
·
S
t
+c其中，V是隐藏层到输出层的权重矩阵，c是输出层偏置项；(4)采用下式计算模型第t时刻的输出(4)采用下式计算模型第t时刻的输出其中，g是输出层激活函数，采用identity函数；(5)采用下式计算损失值L
t
和整...

【专利技术属性】
技术研发人员：夏方方，王恩元，卢祁彪，邱雨萁，李宛桐，赵胜磊，王金鑫，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：