本发明专利技术提供一种基于多模型预测瓦斯浓度的软测量方法及系统，所述方法包括：通过获取多组矿井下不同时刻的瓦斯浓度数据，将其存储至瓦斯浓度历史数据库，将所述瓦斯浓度历史数据库作为混沌时间序列，采用C-C方法计算所述混沌时间序列的延迟时间和嵌入维数，进而采用相空间重构获得瓦斯浓度多模型预测软测量模型的学习样本集和理想输出，将所述训练数据作为输入量，结合理想输出，构建瓦斯浓度多模型预测软测量模型，将所述测试数据作为输入量，根据所述瓦斯浓度多模型预测软测量模型，输出瓦斯浓度预测向量，由此，克服了单模型预测方法学习时间长、学习精度和外推能力差的缺陷，提高预测模型的预测精度。
【技术实现步骤摘要】
： 本专利技术涉及瓦斯浓度预测领域，尤其涉及一种基于多模型预测瓦斯浓度的软测量 方法及系统。
技术介绍
： 我国的煤炭绝大多数以井工开采，井工产量占煤炭产量的95%以上，约占世界井 工总采煤量的40%。由于我国地质条件的特殊性，所有矿井均为含瓦斯矿井，并且一半以上 的矿井处于高瓦斯区或瓦斯突出区，因此，煤矿瓦斯灾害时威胁煤矿安全生产的重大灾害 之一，据统计，我国煤炭产业每年事故死亡人数近万人，直接经济损失超过40亿元。瓦斯灾 害直接妨碍煤矿的正常生产，阻碍了煤矿工业的持续、稳定、健康发展，所以，加强瓦斯灾害 防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发展的重要保障。 现有技术的矿井瓦斯浓度预测方法大致可分为两类，一种是传统的预测方法，根 据含瓦斯煤体性质及其赋存条件的某些量化指标，如煤层性质指标、瓦斯指标、地应力指标 或综合指标，来预测其中的单个或多个指标是否超过临界值。由于瓦斯突出是由地应力、高 瓦斯、煤的结构性能、地质构造、煤层厚度变化、煤体结构及围岩特性等诸多因素决定的，而 这些因素大多数都处于复杂的非线性状态，因此采用传统的预测技术的预测精度往往难以 达到煤矿安全生产的眼球。另一种是现代预测方法，主要是基于数学和物理的预测技术，即 利用神经网络、混沌及非线性理论、模糊理论、灰色理论、专家系统、流变与突变理论等通过 预测矿井瓦斯涌出量来判断瓦斯突出，这些方法属于非接触性预测方法，是矿井瓦斯浓度 预测方法研宄的重要方向，目前常采用单神经网络模型的预测方法，经常会导致预测模型 学习时间过长、精度和外推能力差等缺陷，另外单模型也存在健忘问题，使得其自适应能力 差，鲁棒性不强。
技术实现思路
： 针对现有技术的缺陷，本专利技术提供一种基于多模型预测瓦斯浓度的软测量方法及 系统，克服了单模型预测方法学习时间长、学习精度和外推能力差的缺陷，提高预测模型的 预测精度。 一方面，本专利技术提供一种基于多模型预测瓦斯浓度的软测量方法，包括： 获取多组矿井下不同时刻的瓦斯浓度数据，将所述多组矿井下不同时刻的瓦斯浓 度数据存储至瓦斯浓度历史数据库； 将所述瓦斯浓度历史数据库作为混沌时间序列，采用C-C方法计算所述混沌时间 序列的延迟时间和嵌入维数； 根据所述延迟时间和嵌入维数，对所述混沌时间序列进行相空间重构，获得瓦斯 浓度多模型预测软测量模型的学习样本集和理想输出，所述学习样本集包括训练数据和测 试数据； 将所述训练数据作为输入量，结合理想输出，构建瓦斯浓度多模型预测软测量模 型； 将所述测试数据作为输入量，根据所述瓦斯浓度多模型预测软测量模型，输出瓦 斯浓度预测向量。 可选地，所述获取多组瓦斯浓度数据，将所述多组瓦斯浓度数据存储至瓦斯浓度 历史数据库，包括： 采用瓦斯传感器获取多组矿井下不同时刻的瓦斯浓度数据； 移动基站接收所述多组矿井下不同时刻的瓦斯浓度数据，通过井下通信网络将所 述多组矿井下不同时刻的瓦斯浓度数据传输至地面监控系统； 所述地面监控系统将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度 历史数据库。 可选地，采用经验模态分解方法对所述瓦斯浓度历史数据库中的瓦斯浓度数据进 行自适应去噪，将去噪后的瓦斯浓度数据作为混沌时间序列，采用C-C方法计算所述混沌 时间序列的延迟时间和嵌入维数。 可选地，采用C-C方法计算所述混沌时间序列的延迟时间和嵌入维数，具体为， 所述混沌时间序列的延迟时间T为A马在满足0彡t彡200时第一个极小值对 应的t值，所述歹的为检验统计量之间的平均值，通过下式计算，【主权项】1. 一种基于多模型预测瓦斯浓度的软测量方法，其特征在于，包括： 获取多组矿井下不同时刻的瓦斯浓度数据，将所述多组矿井下不同时刻的瓦斯浓度数 据存储至瓦斯浓度历史数据库； 将所述瓦斯浓度历史数据库作为混浊时间序列，采用C-C方法计算所述混浊时间序列 的延迟时间和嵌入维数； 根据所述延迟时间和嵌入维数，对所述混浊时间序列进行相空间重构，获得瓦斯浓度 多模型预测软测量模型的学习样本集和理想输出，所述学习样本集包括训练数据和测试数 据； 将所述训练数据作为输入量，结合理想输出，构建瓦斯浓度多模型预测软测量模型； 将所述测试数据作为输入量，根据所述瓦斯浓度多模型预测软测量模型，输出瓦斯浓 度预测向量。2. 根据权利要求1所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，所述 获取多组瓦斯浓度数据，将所述多组瓦斯浓度数据存储至瓦斯浓度历史数据库，包括： 采用瓦斯传感器获取多组矿井下不同时刻的瓦斯浓度数据； 移动基站接收所述多组矿井下不同时刻的瓦斯浓度数据，通过井下通信网络将所述多 组矿井下不同时刻的瓦斯浓度数据传输至地面监控系统； 所述地面监控系统将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度历史 数据库。3. 根据权利要求1所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，采用 经验模态分解方法对所述瓦斯浓度历史数据库中的瓦斯浓度数据进行自适应去噪，将去噪 后的瓦斯浓度数据作为混浊时间序列，采用C-C方法计算所述混浊时间序列的延迟时间和 嵌入维数。4. 根据权利要求1所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，采用 C-C方法计算所述混浊时间序列的延迟时间和嵌入维数，具体为， 所述混浊时间序列的延迟时间T为A巧在满足0《t《200时第一个极小值对应的t值，所述巧为检验统计量之间的平均值，通过下式计算，其中，S(m，rk，t)为检验统计量，通过下式计算，其中，rk为半径，C,(m，rk，t)为瓦斯浓度序列的关联积分，通过下式计算，其中，5(X)为脉冲函数，Xi、Xj.分别为输入向量； 所述混浊时间序列的嵌入维度m为m= 1+TyT; 其中，T，为时间窗口，为St"(t)在满足0《200时全局最小值对应的t值，所述Se"(t)为定义的指标量，通过下式计算，其中，的为检验统计量差量的平均值，通过下式计算，其中，AS(m，t)为选择最大的检验统计量和最小两个半径的检验统计量之间的差量， 通过下式计算， AS(m,t) =max怯（m,Tj,t)}-min怯（m,Tj,t)}。5. 根据权利要求1所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，所述 瓦斯浓度多模型预测软测量模型包括P个子模型，每个所述子模型包括。个亚子模型。6. 根据权利要求5所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，所述 构建瓦斯浓度多模型预测软测量模型，包括： 根据减法聚类方法将所述训练数据划分为P个聚类中屯、，得到P个子模型，根据模糊条 件聚类方法将每个所述子模型划分为。个亚子模型； 根据所述训练数据与所述子模型的模糊隶属度关系，对划分后的P个子模型和。个亚 子模型进行选择； 将选中的子模型加权输出，得到所述瓦斯浓度多模型预测软测量模型。7. 根据权利要求6所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，所述 对划分后的P个子模型和。个亚子模型进行选择，具体为： 根据所述训练数据与所述子模型的模糊隶属度关系，从每个划分后的子模型中选取一 个亚子模型，根据相对距离测度测算方法，从选取的所有亚子模型中选择隶属度大于预设 阔值的亚子模型。8. -种基于多模型本文档来自技高网...
【技术保护点】
一种基于多模型预测瓦斯浓度的软测量方法，其特征在于，包括：获取多组矿井下不同时刻的瓦斯浓度数据，将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度历史数据库；将所述瓦斯浓度历史数据库作为混沌时间序列，采用C‑C方法计算所述混沌时间序列的延迟时间和嵌入维数；根据所述延迟时间和嵌入维数，对所述混沌时间序列进行相空间重构，获得瓦斯浓度多模型预测软测量模型的学习样本集和理想输出，所述学习样本集包括训练数据和测试数据；将所述训练数据作为输入量，结合理想输出，构建瓦斯浓度多模型预测软测量模型；将所述测试数据作为输入量，根据所述瓦斯浓度多模型预测软测量模型，输出瓦斯浓度预测向量。
【技术特征摘要】
【专利技术属性】
技术研发人员：张昭昭，郭伟，何晓军，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21
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。