瓦斯多因素耦合关系分析及预警模型构建方法技术

本发明专利技术公开了瓦斯多因素耦合关系分析及预警模型构建方法，主要分为两个部分，一部分是基于簇心初始值选取优化的k

【技术实现步骤摘要】
瓦斯多因素耦合关系分析及预警模型构建方法


[0001]本专利技术涉及煤矿安全
，具体为瓦斯多因素耦合关系分析及预警模型构建方法。

技术介绍

[0002]在煤矿信息化、智能化建设的过程中，“数据海量，信息缺乏”是普遍存在的问题。对矿井监测数据进行分析研究，依据分析结果指导生产，对煤矿企业实现新时期煤炭工业及相关产业的高质量发展有着重要的意义。瓦斯监测数据是关乎煤矿生产安全的一类重要数据，而瓦斯监测数据中往往存在大量的异常数据，虽然煤矿井下瓦斯监测系统已逐渐较为完善，但对系统所采集数据的分析与处理还存在不足。大多仅对瓦斯数据进行了基于时间序列的预测分析及规律提取，缺乏对瓦斯异常值数据进行不同影响因素维度间关联规则的挖掘分析，较难满足煤矿安全生产的需求。
[0003]瓦斯监测数据是关乎煤矿生产安全的一类重要数据，但瓦斯监测数据中往往存在大量的异常数据，这些异常数据有可能是噪声引起，也有可能是危险发生的前兆，但目前矿井监控系统并不能有效区分，仅依据预设的瓦斯浓度阀值指标进行临灾预警，存在一定风险。而井下瓦斯异常成因多种多样，且瓦斯异常所导致的危险程度也有不同，因此亟需构建针对在不同危险程度下对瓦斯险情的分级预警机制，不仅可以提前预警瓦斯险情的存在，还可以提前设置预案应对不同级别的瓦斯险情。
[0004]现有技术多数是对井下固定某一监测点监测数据的分析与规律提取，对瓦斯突出、瓦斯超限建立预警模型，已有一定的研究成绩但仍存在一些不足：
[0005](1)目前对瓦斯监测数据的规律分析和预测大多数情况下在数据处理过程中舍弃了瓦斯传感器所上传的异常值数据，未对该部分异常值进行充分利用和挖掘，发现其潜在的特征与规律，缺乏对该部分数据的二次利用。
[0006](2)在瓦斯预警方面现有的技术仅考虑工作面瓦斯突出与涌出量等因素，在单维数据内进行考量和评估瓦斯风险，未考虑其它因素对工作面瓦斯浓度的影响，比如上隅角瓦斯浓度、本煤层瓦斯浓度以及由于采空区域的形成会造成底板压力波动，煤层的地质结构也会随之变化，从而使得工作面液压支架所承受的压力发生波动，影响煤层瓦斯的释放率，进一步影响工作面瓦斯浓度。

技术实现思路

[0007]在以往研究工作面瓦斯特征的过程中大多是基于瓦斯浓度预测，瓦斯赋存规律等，对于所监测的瓦斯数据中的异常值的深度分析及通过分析建立瓦斯险情的分级预警机制方面较少。本专利技术的目的在于构建工作面瓦斯多因素耦合关系分析及分级预警模型，通过提取并分析瓦斯监测过程中的异常值，构建关联规则学习集，设计分级预警机制，解决对工作面瓦斯险情进行分级预警的技术问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：瓦斯多因素耦合关系分析及预警模
型构建方法，具体包括以下步骤：
[0009]步骤一，采集工作面、上隅角、本煤层瓦斯浓度数据以及工作面液压支架压力数据；
[0010]步骤二，对四个维度数据进行基于簇新初始值选取优化的k
‑
均值算法异常值检测；
[0011]步骤三，提取异常值作为关联规则挖掘的原始数据；
[0012]步骤四，对原始数据进行降维处理，转换为0
‑
1布尔矩阵；
[0013]步骤五，采用基于支持度权值优化的apriori算法对矩阵进行关联规则挖掘；
[0014]步骤六，最终确定四个瓦斯影响因素之间的耦合关系，探索其关联规则，并确定瓦斯预警等级。
[0015]优选的，所述Apriori算法采用逐层搜索迭代方法，用k项集搜索(k+1)项集，找出所有频繁项集，由频繁集产生强关联规则。
[0016]优选的，设Φ＝{I1，I2，
…
，I
m
}是项的集合，设任务相关的数据D是数据库事务的集合，其中每个事务T是一个非空项集，使得每个事务都有一个标识符，称为TID；
[0017]设A是一个项集，事务T包含A，当且仅当关联规则是形如的蕴涵式，其中并且
[0018]规则在事务集中成立，具有支持度s，其中s是D中事务包含A∪B的百分比，为概率P(A∪B)；
[0019]规则在事务集D中具有置信度c，其中c是D中包含A的事务的同时也包含B的事务的百分比。这是条件概率P(B|A)。即：
[0020][0020][0021][0022][0023]其中，support_count(A∪B)是包含项集A∪B的事务数，而support_count(A)是包含项集A的事务数。同时满足最小支持度阈值(min_sup)和最小置信度阈值(min_conf)的规则为强规则。
[0024]优选的，传统的Apriori算法在挖掘频繁项集过程中会将低于最小支持度阈值标准的项集在剪枝过程中被删除，若存在对工作面瓦斯险情影响较大但却检测出的瓦斯异常数值较少无法达到所设定的支持度阈值大小的部分数据时，此时，算法便会将其删除，从而缺失该部分的险情规则。鉴于此，对算法支持度进行优化，将在支持度计算过程中加入一个权重参数，使其出现频率不高的瓦斯异常数值得以加入频繁项集。设计支持度阈值函数为：
[0025][0026]其中support(X)为所给定项集的支持度，λ
X
为权重参数，D为事务集。对于任意一个x＝{x1,x2,
…
,x
r
}，其中x
i
∈I(i＝1,2,
…
,r)，若x为单项，其权重系数在项集产生后赋值，否则，需从包含的各项中获得权重参数，即：
[0027]λ
x
＝F(λ
x1
,λ
x2
,
…
,λ
xr
)＝min(λ
x1
,λ
x2
,
…
,λ
xr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]表示权重参数计算函数为权重参数中的最小值。
[0029]优选的，瓦斯数据中的异常值可视为聚类过程中的离群点，因此对于异常值的提取可基于聚类的方法通过考察对象与簇之间的关系检测离群点，使用k
‑
均值聚类，对于每个对象o，都可以根据该对象与最近簇中心的距离，赋予该对象一个离群点得分。
[0030]优选的，假设到o的最近中心为c
o
，则o与c
o
之间的距离为dist(o,c
o
)，c
o
与指派到c
o
的对象之间的平均距离为
[0031]比率度量dist(o,c
o
)与平均值的差异程度，将远离对应中心的点被怀疑为离群点；
[0032]k
‑
均值算法目的是将n个m维数据X＝{x1,x2,...,x
n
}，x
i
∈R
m
(1≤i≤n)，聚类到k个集合。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.瓦斯多因素耦合关系分析及预警模型构建方法，其特征在于，具体包括以下步骤：步骤一，采集工作面、上隅角、本煤层瓦斯浓度数据以及工作面液压支架压力数据；步骤二，对四个维度数据进行基于簇新初始值选取优化的k
‑
均值算法异常值检测；步骤三，提取异常值作为关联规则挖掘的原始数据；步骤四，对原始数据进行降维处理，转换为0
‑
1布尔矩阵；步骤五，采用基于支持度权值优化的Apriori算法对矩阵进行关联规则挖掘；步骤六，最终确定四个不同维度瓦斯影响因素之间的耦合关系，探索其关联规则，并确定瓦斯预警等级。2.根据权利要求1所述的瓦斯多因素耦合关系分析及预警模型构建方法，其特征在于，所述Apriori算法采用逐层搜索迭代方法，用k项集搜索(k+1)项集，找出所有频繁项集，由频繁集产生强关联规则。3.根据权利要求2所述的瓦斯多因素耦合关系分析及预警模型构建方法，其特征在于，设Φ＝{I1，I2，
…
，I
m
}是项的集合，设任务相关的数据D是数据库事务的集合，其中每个事务T是一个非空项集，使得每个事务都有一个标识符，称为TID；设A是一个项集，事务T包含A，当且仅当关联规则是形如的蕴涵式，其中并且规则在事务集中成立，具有支持度s，其中s是D中事务包含A∪B的百分比，为概率P(A∪B)；规则在事务集D中具有置信度c，其中c是D中包含A的事务的同时也包含B的事务的百分比。这是条件概率P(B|A)。即：即：其中，support_count(A∪B)是包含项集A∪B的事务数，而support_count(A)是包含项集A的事务数。同时满足最小支持度阈值(min_sup)和最小置信度阈值(min_conf)的规则为强规则。4.根据权利要求3所述的瓦斯多因素耦合关系分析及预警模型构建方法，其特征在于，对Apriori算法支持度进行优化，将在支持度计算过程中加入一个权重参数，使其出现频率不高的瓦斯异常数值得以加入频繁项集。设计支持度阈值函数为：其中support(X)为所给定项集的支持度，λ
X
为权重参数，D为事务集。对于任意一个x＝{x1,x2,
…
,x
r
}，其中x
i
∈I(i＝1,2,
…
,r)，若x为单项，其权重系数在项集产生后赋值，否则，需从包含的各项中获得权重参数，即：λ
x
＝F(λ
x1
,λ
x2
,
…
,λ
xr
)＝min(λ
x1
,λ
x2
,
...

【专利技术属性】
技术研发人员：黄玉鑫，范京道，闫振国，王延平，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：