本发明专利技术公开了一种煤矿瓦斯浓度测量方法,采用KPCA算法用于鉴别“大数”,首先构造两种混合核函数,利用矢量的方法构建核矩阵,并利用核主成分分析计算核矩阵的特征向量,该算法具有较高的识别率和较高的运算速度;该算法通过训练样本在特征空间所张成的子空间的一组标准正交基,将训练集上的KPCA过程,转化为所有核训练样本在该组基下的坐标为数据集的PCA过程,同时对训练样本特征提取,能有效捕捉训练数据的非线性特征,在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中,需要特征值分解一个M*M的核矩阵(M表示训练样本数),对样本特征提取时,只需计算该样本与构成这组基德样本间的核函数,实验结果验证该算法是有效的。
【技术实现步骤摘要】
本专利技术涉及一种检测方法,具体涉及一种煤矿瓦斯检测方法。
技术介绍
随着我国经济的迅速发展,对能源的需求更是日益增长。由于我国是一个“富煤贫油少气”国家,因此煤矿的开采对我国经济的发展起着极其重要的作用。经济的迅速发展自然就需要更多煤矿的开采。煤矿是安全事故多发的企业。近几年来,我国煤矿的重特大安全事故屡屡发生,每年死亡人数达到6000人,不但给国家和人民群众的生命财产造成重大损失,也给中国政府在国内外的形象造成了恶劣影响。从我国近来的煤矿事故可以看出瓦斯事故占有极大的比重,瓦斯是危害矿井安全生产的重要因素之一。瓦斯浓度的检测是煤矿安全生产的主要环节,瓦斯(主要成分是甲烷)浓度的准确测量与预报直接关系到井下人员与设备的安全。目前,我国有些煤矿中安装了瓦斯探测和报警系统,现在的瓦斯探测器都是通过电缆将模拟信号传输到一个集中点,再经过放大送到井上,由于井下环境恶劣,存在着各种干扰源,瓦斯传感器输出的微弱信号很容易受到污染,引起一些脉冲干扰信号,也称为“冒大数”,常常造成误报警。一旦报警,井下的电源就自动切断,生产被迫停止。由于报警系统技术落后,误报警高达百分之八九十,正常生产因为频繁的误报警而受到很大影响,给企业造成了很大的损失。
技术实现思路
针对现有技术的缺陷,本专利技术提供了一种煤矿瓦斯检测方法。一种瓦斯浓度检测方法,采用KPCA算法用于鉴别“大数”,包括以下步骤:S1:首先构造两种混合核函数,利用矢量的方法构建核矩阵,并利用核主成分分析计算核矩阵的特征向量,该算法具有较高的识别率和较高的运算速度;该算法通过训练样本在特征空间所张成的子空间的一组标准正交基,将训练集上的KPCA过程,转化为所有核训练样本在该组基下的坐标为数据集的PCA过程,同时对训练样本特征提取,能有效捕捉训练数据的非线性特征,在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中,需要特征值分解一个M*M的核矩阵(M表示训练样本数),对样本特征提取时,只需计算该样本与构成这组基德样本间的核函数,实验结果验证该算法是有效的;通过对原始样本的矩阵进行分解,选取前面M个最大特征值所对应的特征向量组成最优投影矩阵,通过将样本数据在最优投影矩阵上进行投影,达到数据分离脉冲干扰的目的;需要通过非线性映射将数据映射到线性可分的特征空间进行主成分析,由于其计算过程中使用核函数来完成高维特征空间中矢量的内积计算;设xi∈Rp(i=1,2,3…,N)为p维输入空间N个样本点,假设通过非线性变换φ将Rp映射到特征空间F(Rf),即φ:Rp→F(Rf),φ(xi),(i=1,2,3…,N),为空间F中对应的在高维特征空间进行主成分分析的方法可以通过求解特征空间中样本矩阵的特征值和特征向量实现,假设φ(xi),(i=1,2,3…,N)是已经经过中心化处理后的高维特征空间向量,特征空间的协方差矩阵为:求解Cφ特征值特征向量的关系式为:Cφv=λv (2)λ和v分别表示矩阵Cφ的特征值和对应的特征向量,由于蟹放在矩阵是对称的,因而可以找到r个标准正交特征向量,既式(2)存在r个非零解,但由于变换未知,矩阵Cφ无法获得,因而无法直接求解(2)的特征向量,依据再生核理论,特征向量v可由空间F中的样本张成,既可由φ(xj),(j=1,2,3…,N)的线性组合表示:考虑等式:φ(x)·Cφv=λ(φ(x)·v) (4)将式(1)、(3)代入式(4),令矩阵KN×N=(φ(xi)οφ(xj)),(i,j=1,2…N)可得Kα=nλα (5)矩阵K称为核矩阵,上式既可以求解矩阵K的特征值和特征向量的方程,因为求解式(3)系数的问题转化为求解核矩阵的特征向量的问题。核矩阵K需要通过计算高维特征空间中矢量的内积形成,因而可采用支持向量机技术中的和函数来完成,核函数可以通过原属性空间的计算变换实现高维特征空间内积值得计算;选择合适的核函数,则可以求解核矩阵的特征值和特征向量,然后通过PCA的方法获取特征空间中的主成方向矢量,假设取前m个特征值对应的特征矢量组成主成方向矢量,则数据聚的主成方向矢量可以表示为v=λ1v1+λ2v2+…+λmvm (6)此处λ=(λ1,λ2,…,λm),表示归一化的特征值,归一化可保证主成方向矢量的单位性;S2:数据异常的度量通过在高维特征空间进行主成分析,可以认为正常情况下数据的主成方向矢量应该基本保持一致,因而可采用主成方向矢量的内积来衡量不同数据之间的差异,即:θ=|<v1,v2>| (7)此处仅采用第一个特征矢量作为数据的主成方向矢量,即取m=1,此时数据集1和2主成方向矢量的内积为:上式可以看出,主成方向矢量之间的内积计算同样可以通过核函数的方法实现,基于异常度量方法,在异常瓦斯数据检测过程中可将实际数据分为M段长度为N的数据子矩阵,每个子矩阵对应一个主成方向矢量,其平均主成方向矢量可以表示为:(β1,β2,β3…βr)=(φ(xb1),φ(xb2),φ(xb3),…,φ(xbr))C(10)上式中sum(vi)表示向量之间的各元素之和,参数c用于确保的单位性;S3:瓦斯浓度异常数据检测算法流程算法可以划分为两个阶段,训练阶段和检测阶段,训练阶段主要是通过历史数据获取数据分布的特征,估计分布模型参数;检测阶段主要是计算检测数据集的主成方向矢量的分布概率,根据概率的大小判断瓦斯浓度数据是否出现异常,其详细的步骤如下:训练阶段(1)将样本数据进行划分为M段长度为N的数据子矩阵Dj(j=1,2…M);(2)选取合适的核函数用于高维特征空间的矢量内积;(3)采用KPCA的方法获取各数据子矩阵映射到高维特征空间后的主成方向矢量vj;(4)通过M个vj计算整个训练数据子矩阵的平均方向矢量(5)采用VMF分布模型描述历史数据主成方向矢量的分布,并估计确定模型参数;检测阶段(1)求解数据子矩阵Dj+1的主成方向矢量vj+1;(2)求解主成方向单位矢量vj+1与平均单位方向矢量的内积η;(3)使用下式计算分布概率并与预定义的门限值进行比较,若,则认为瓦斯数据异常。本专利技术的有益效果:对煤矿安全监控系统中瓦斯浓度检测出现的脉冲干扰也称为“冒大数”问题,提出利用KPCA来对瓦斯浓度数据进行处理,将脉冲干扰信号滤除掉,防止出现误报警现象,但是保证防漏报警。附图说明图1是本专利技术检测系统的结构示意图;图2是检测方法的流程图;图3是瓦斯涌出预测流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂,下面结合附图对本专利技术的具体实施方式做详细的说明,使本专利技术的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按比例绘制附图,重点在于示出本专利技术的主旨。请参阅图1,首先介绍瓦斯浓度的测量系统,包括设置在矿井内、且能够由光驱动的透明气泵3和柔性光栅9;还包括设置在矿井外的光源发生单元及信号采集处理单元,光源发生单元发出的光通过光缆照射到透明气泵3和柔性光栅9,光源发生单元与信号采集处理单元交互,柔性光栅9通过光缆与信号采集处理单元相连;在透明气泵3的顶部设有单向阀12,透明气泵3底部为含偶氮苯发 光团的有机薄膜I13;柔性光栅9下端设有含偶氮苯发光团的有机薄膜II 15。所述光源发生本文档来自技高网...
【技术保护点】
一种煤矿瓦斯浓度测量方法,其特征在于,包括以下步骤:S1:采用KPCA算法用于鉴别“大数”,首先构造两种混合核函数,利用矢量的方法构建核矩阵,并利用核主成分分析计算核矩阵的特征向量,该算法具有较高的识别率和较高的运算速度;该算法通过训练样本在特征空间所张成的子空间的一组标准正交基,将训练集上的KPCA过程,转化为所有核训练样本在该组基下的坐标为数据集的PCA过程,同时对训练样本特征提取,能有效捕捉训练数据的非线性特征,在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中,需要特征值分解一个M*M的核矩阵(M表示训练样本数),对样本特征提取时,只需计算该样本与构成这组基德样本间的核函数,实验结果验证该算法是有效的;通过对原始样本的矩阵进行分解,选取前面M个最大特征值所对应的特征向量组成最优投影矩阵,通过将样本数据在最优投影矩阵上进行投影,达到数据分离脉冲干扰的目的;需要通过非线性映射将数据映射到线性可分的特征空间进行主成分析,由于其计算过程中使用核函数来完成高维特征空间中矢量的内积计算;设xi∈Rp(i=1,2,3…,N)为p维输入空间N个样本点,假设通过非线性变换φ将Rp映射到特征空间F(Rf),即φ:Rp→F(Rf),φ(xi),(i=1,2,3…,N),为空间F中对应的在高维特征空间进行主成分分析的方法可以通过求解特征空间中样本矩阵的特征值和特征向量实现,假设φ(xi),(i=1,2,3…,N)是已经经过中心化处理后的高维特征空间向量,特征空间的协方差矩阵为:求解Cφ特征值特征向量的关系式为:Cφv=λv (2)λ和v分别表示矩阵Cφ的特征值和对应的特征向量,由于蟹放在矩阵是对称的,因而可以找到r个标准正交特征向量,既式(2)存在r个非零解,但由于变换未 知,矩阵Cφ无法获得,因而无法直接求解(2)的特征向量,依据再生核理论,特征向量v可由空间F中的样本张成,既可由φ(xj),(j=1,2,3…,N)的线性组合表示:考虑等式:φ(x)·Cφv=λ(φ(x)·v) (4)将式(1)、(3)代入式(4),令矩阵KN×N=(φ(xi)οφ(xj)),(i,j=1,2…N)可得Kα=nλα (5)矩阵K称为核矩阵,上式既可以求解矩阵K的特征值和特征向量的方程,因为求解式(3)系数的问题转化为求解核矩阵的特征向量的问题。核矩阵K需要通过计算高维特征空间中矢量的内积形成,因而可采用支持向量机技术中的和函数来完成,核函数可以通过原属性空间的计算变换实现高维特征空间内积值得计算;选择合适的核函数,则可以求解核矩阵的特征值和特征向量,然后通过PCA的方法获取特征空间中的主成方向矢量,假设取前m个特征值对应的特征矢量组成主成方向矢量,则数据聚的主成方向矢量可以表示为v=λ1v1+λ2v2+…+λmvm (6)此处λ=(λ1,λ2,…,λm),表示归一化的特征值,归一化可保证主成方向矢量的单位性;S2:数据异常的度量通过在高维特征空间进行主成分析,可以认为正常情况下数据的主成方向矢量应该基本保持一致,因而可采用主成方向矢量的内积来衡量不同数据之间的差异,即:θ=|<v1,v2>| (7)此处仅采用第一个特征矢量作为数据的主成方向矢量,即取m=1,此时数 据集1和2主成方向矢量的内积为:上式可以看出,主成方向矢量之间的内积计算同样可以通过核函数的方法实现,基于异常度量方法,在异常瓦斯数据检测过程中可将实际数据分为M段长度为N的数据子矩阵,每个子矩阵对应一个主成方向矢量,其平均主成方向矢量可以表示为:(β1,β2,β3…βr)=(φ(xb1),φ(xb2),φ(xb3),…,φ(xbr))C (10)上式中sum(vi)表示向量之间的各元素之和,参数c用于确保的单位性;S3:瓦斯浓度异常数据检测算法流程算法可以划分为两个阶段,训练阶段和检测阶段,训练阶段主要是通过历史数据获取数据分布的特征,估计分布模型参数;检测阶段主要是计算检测数据集的主成方向矢量的分布概率,根据概率的大小判断瓦斯浓度数据是否出现异常,其详细的步骤如下:训练阶段(1)将样本数据进行划分为M段长度为N的数据子矩阵Dj(j=1,2…M);(2)选取合适的核函数用于高维特征空间的矢量内积;(3)采用KPCA的方法获取各数据子矩阵映射到高维特征空间后的主成方向矢量vj;(4)通过M个vj计算整个训练数据子矩阵的平均方向矢量(5)采用VMF分布模型描述历史数据主成方向矢量的分布,并估计确定 模型参数;检测阶段(1)求解数据子矩阵Dj+1的主成方向矢量vj+1;(2)求解主成方向单位矢量vj+1与平均单位方向矢量的内积η;(3)使用下式计算分布概率并与预定义的门限值进行比较,若,则认为瓦斯数据异常。根据检测的浓度评价爆炸风险包括以下步骤:包括以...
【技术特征摘要】
1.一种煤矿瓦斯浓度测量方法,其特征在于,包括以下步骤:S1:采用KPCA算法用于鉴别“大数”,首先构造两种混合核函数,利用矢量的方法构建核矩阵,并利用核主成分分析计算核矩阵的特征向量,该算法具有较高的识别率和较高的运算速度;该算法通过训练样本在特征空间所张成的子空间的一组标准正交基,将训练集上的KPCA过程,转化为所有核训练样本在该组基下的坐标为数据集的PCA过程,同时对训练样本特征提取,能有效捕捉训练数据的非线性特征,在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中,需要特征值分解一个M*M的核矩阵(M表示训练样本数),对样本特征提取时,只需计算该样本与构成这组基德样本间的核函数,实验结果验证该算法是有效的;通过对原始样本的矩阵进行分解,选取前面M个最大特征值所对应的特征向量组成最优投影矩阵,通过将样本数据在最优投影矩阵上进行投影,达到数据分离脉冲干扰的目的;需要通过非线性映射将数据映射到线性可分的特征空间进行主成分析,由于其计算过程中使用核函数来完成高维特征空间中矢量的内积计算;设xi∈Rp(i=1,2,3…,N)为p维输入空间N个样本点,假设通过非线性变换φ将Rp映射到特征空间F(Rf),即φ:Rp→F(Rf),φ(xi),(i=1,2,3…,N),为空间F中对应的在高维特征空间进行主成分分析的方法可以通过求解特征空间中样本矩阵的特征值和特征向量实现,假设φ(xi),(i=1,2,3…,N)是已经经过中心化处理后的高维特征空间向量,特征空间的协方差矩阵为:求解Cφ特征值特征向量的关系式为:Cφv=λv (2)λ和v分别表示矩阵Cφ的特征值和对应的特征向量,由于蟹放在矩阵是对称的,因而可以找到r个标准正交特征向量,既式(2)存在r个非零解,但由于变换未 知,矩阵Cφ无法获得,因而无法直接求解(2)的特征向量,依据再生核理论,特征向量v可由空间F中的样本张成,既可由φ(xj),(j=1,2,3…,N)的线性组合表示:考虑等式:φ(x)·Cφv=λ(φ(x)·v) (4)将式(1)、(3)代入式(4),令矩阵KN×N=(φ(xi)οφ(xj)),(i,j=1,2…N)可得Kα=nλα (5)矩阵K称为核矩阵,上式既可以求解矩阵K的特征值和特征向量的方程,因为求解式(3)系数的问题转化为求解核矩阵的特征向量的问题。核矩阵K需要通过计算高维特征空间中矢量的内积形成,因而可采用支持向量机技术中的和函数来完成,核函数可以通过原属性空间的计算变换实现高维特征空间内积值得计算;选择合适的核函数,则可以求解核矩阵的特征值和特征向量,然后通过PCA的方法获取特征空间中的主成方向矢量,假设取前m个特征值对应的特征矢量组成主成方向矢量,则数据聚的主成方向矢量可以表示为...
【专利技术属性】
技术研发人员:丁旭秋,
申请(专利权)人:丁旭秋,
类型:发明
国别省市:河北;13
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。