一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置制造方法及图纸

本发明专利技术属于计算机/煤矿安全领域，具体涉及一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置，方法包括：根据传感器的位置构有向稀疏邻接矩阵，通过神经网络学习更新矩阵中的权值，使得融合相关多个传感器的数据特征，得到当前传感器的空间位置特征；获取当前传感器的空间位置特征在各个时间粒度下的数据，通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；将获取的时空信息输入预测模块，得到各个时间粒度下的当前传感器的浓度预测值，将各个时间粒度下的预测值融合作为当前传感器的最终预测值；本发明专利技术提高对煤矿瓦斯浓度预测结果准确性。度预测结果准确性。度预测结果准确性。

【技术实现步骤摘要】
一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置


[0001]本专利技术属于计算机/煤矿安全领域，具体涉及一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置。

技术介绍

[0002]如今的煤炭产业开始智能化布局，利用科技化手段减少矿井瓦斯灾害。利用现有安全监控系统监测的瓦斯时序数据，进行对矿井瓦斯浓度预测，进而充分保障矿井安全。
[0003]在煤矿生产的信息化建设过程中，累积了大量的瓦斯监测数据，但是目前针对瓦斯预测的方法，主要分为两类。一类是基于统计学的方法，主要是从统计角度出发，发现数据中的规律，如ARIMA模型，但该类方法对数据要求较高，通用性以及精度较差。另一类则是基于机器学习的预测模型，利用网络的强大拟合能力去捕捉数据特征，如LSTM模型、GRU模型等。但是，当前瓦斯预测工作普遍在单粒度层面展开，且输入粒度与目标粒度一致，忽略了多时间粒度数据的异质性及其作用，导致瓦斯预测精度不高。
[0004]瓦斯数据具有动态变化性，存在多个变化模式，如一次工作面的开采、一小时工作面的开采、一天工作面的开采等。瓦斯预测研究问题的核心在于如何有效的利用历史数据信息，捕获多样的数据特征，即瓦斯数据中短时变化和长时周期时序特性。现有研究工作忽视了对瓦斯多时间粒度特征的探究且无法直接对瓦斯多时间粒度数据同时进行考虑，预测结果不够准确。因此，需要一种模型能够捕捉且融合瓦斯多时间粒度特征进行瓦斯预测。

技术实现思路

[0005]为解决以上现有存在的问题，本专利技术提出一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置，所述方法具体包括以下步骤：
[0006]基于煤矿矿井下分布的各个瓦斯浓度传感器的位置，构建稀疏邻接矩阵，通过稀疏邻接矩阵中的空间信息加权融合并拼接多个传感器的数据特征，得到当前传感器的空间位置特征；
[0007]设置M个时间粒度，将当前传感器的空间位置特征基于设置的时间粒度划分时间片段，对每个时间片段下的数据进行聚合，得到每个时间粒度下的输入数据；
[0008]将每个时间粒度下的输入数据分别通过双层LSTM网络进行编码，得到各个时间粒度下输入数据的特征；
[0009]通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；
[0010]将获取的时空信息输入预测模块，得到各个时间粒度下的当前传感器的浓度预测值，并将各个时间粒度下的预测值融合作为当前传感器的最终预测值。
[0011]进一步的，当前传感器的空间位置特征的获取过程包括以下步骤：
[0012]根据煤矿矿井巷道风向及瓦斯传感器之间的分布位置距离构建有向稀疏邻接权值矩阵M，M∈R1×
K
，K代表传感器个数；
[0013]将该矩阵权值归一化作为网络神经元初始值，通过线性运算计算当前待预测传感器与其他传感器采集的数据特征，通过线性组合的方式得到各个传感器的线性组合特征该过程表示为：
[0014]X
′
＝ωX+b
[0015]在训练过程中，根据煤矿瓦斯浓度预测结果的误差，通过神经网络的反向传播机制，更新M中的权值ω，动态调整多传感器的线性组合特征；
[0016]针对当前待预测的传感器，采用拼接的方式，将当前传感器采集的数据与其对应的相关性特征通过拼接的方式进行融合；该过程表示为：
[0017]X1＝Concat(X
cur
；X
′
)
[0018]其中，X
′
为各个传感器的线性组合特征，X为各个传感器的时序特征，ω为有向稀疏邻接矩阵M的权值，使用sigmoid函数作为激活函数；X
cur
为待预测瓦斯传感器的历史特征，X1为拼接其他传感器时序特征的待预测瓦斯传感器的数据特征。
[0019]进一步的，每个时间粒度下的输入数据的获取包括以下步骤：
[0020]构建CNN网络，通过设定CNN网络中卷积层的卷积核大小获取获不同时间粒度下的数据，其中时间粒度越细则卷积核越小，得到M个时间粒度的数据，时间粒度为m的数据表示为：
[0021]X
m
＝σ(CONV2D(X1))；
[0022]其中，σ(
·
)表示ReLU激活函数；CONV2D(
·
)表示二维卷积函数；X1表示拼接其他传感器时序特征的待预测瓦斯传感器的数据特征，且其为最细时间粒度的据特征；X
m
表示经过聚合学习得到当前瓦斯传感器时间粒度为m的时空数据特征。
[0023]进一步的，将每个时间粒度下的输入数据统一特征维度后分别输入双层LSTM网络进行编码，双层LSTM网络由两个级联的LSTM网络构成。
[0024]进一步的，通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息包括：
[0025][0026][0027]其中，MHAtt(Q
m
,K
m
,V
m
)表示进行多头注意力机制特征提取；Q
m
表示时间粒度为m的数据对应的Query矩阵，K
m
表示时间粒度为m的数据对应的Key矩阵，V
m
表示时间粒度为m的数据对应的Value矩阵；分别为Q
m
、K
m
、V
m
对应的权值矩阵；为时间粒度为m的数据下第i头注意力机制的输出，N为多头注意力机制头的数量。
[0028]进一步的，删除时空信息中重复的信息，即计算每个时间粒度下与最细时间粒度下的各个信息块的时空信息的余弦相似度，若余弦相似度小于设定阈值则将该时间粒度下对应信息块的值置为0，并对剩余信息块进行线性变换作为输入预测模块的特征，该过程表示为：
[0029][0030][0031]P
m
＝Linear(O'
m
)
[0032]其中，Matrix
m
表示特征相似度度量矩阵；Similarity(O1,O
m
)表示对O1和O
m
进行相似度计算；a
ij
表示最细时间粒度中对应的多头注意力机制中第i个头的输出与时间粒度为m的数据中对应的多头注意力机制中第j个头的输出的相似度；θ表示余弦相似度的阈值；表示时间粒度为m的数据中第j个头的输出值；O'
m
表示进行过滤后时间粒度为m的数据中第j个头的输出值；Linear(
·
)表示线性变换操作，P
m
表示输入预测模块的特征。
[0033]进一步的，当前传感器的最终预测值的获取过程包括以下步骤：
[0034]Y
m
＝DNN3(DNN2(DNN1(P
m
)))；
[0035]Y＝Y1+Y2...+Y
M
；
[0036]其中，Y
m
表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，具体包括以下步骤：基于煤矿矿井下分布的各个瓦斯浓度传感器的位置，根据巷道风向及分布距离构建有向稀疏邻接矩阵，通过神经网络学习更新矩阵中的权值，使得融合相关多个传感器的数据特征，得到当前传感器的时空信息；设置M个时间粒度，将当前传感器的空间位置特征基于设置的时间粒度划分时间片段，对每个时间片段下的数据进行聚合，得到每个时间粒度下的输入数据；将每个时间粒度下的输入数据分别通过双层LSTM网络进行编码，得到各个时间粒度下输入数据的特征；通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；将获取的时空信息输入预测模块，得到各个时间粒度下的当前传感器的浓度预测值，并将各个时间粒度下的预测值融合作为当前传感器的最终预测值。2.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，当前传感器的空间位置特征的获取过程包括以下步骤：根据煤矿矿井巷道风向及瓦斯传感器之间的分布位置距离构建有向稀疏邻接权值矩阵M，M∈R1×
K
，K代表传感器个数；将该矩阵权值归一化作为网络神经元初始值，通过线性运算计算当前待预测传感器与其他传感器采集的数据特征，通过线性组合的方式得到各个传感器的线性组合特征该过程表示为：X
′
＝ωX+b在训练过程中，根据煤矿瓦斯浓度预测结果的误差，通过神经网络的反向传播机制，更新M中的权值ω，动态调整多传感器的线性组合特征；针对当前待预测的传感器，采用拼接的方式，将当前传感器采集的数据与其对应的相关性特征通过拼接的方式进行融合；该过程表示为：X1＝Concat(X
cur
；X
′
)其中，X
′
为各个传感器的线性组合特征，X为各个传感器的时序特征，ω为有向稀疏邻接矩阵M的权值，使用sigmoid函数作为激活函数；b表示线性组合过程中的偏置参数；X
cur
为待预测瓦斯传感器的历史特征，X1为拼接其他传感器时序特征的待预测瓦斯传感器的数据特征。3.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，每个时间粒度下的输入数据的获取包括以下步骤：构建CNN网络，通过设定CNN网络中卷积层的卷积核大小获取获不同时间粒度下的数据，其中时间粒度越细则卷积核越小，得到M个时间粒度的数据，时间粒度为m的数据表示为：X
m
＝σ(CONV2D(X1))；其中，σ()表示ReLU激活函数；CONV2D()表示二维卷积函数；X1表示拼接其他传感器时序特征的待预测瓦斯传感器的数据特征，且其为最细时间粒度的据特征；X
m
表示经过聚合学习得到当前瓦斯传感器时间粒度为m的时空数据特征。
4.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，将每个时间粒度下的输入数据统一特征维度后分别输入双层LSTM网络进行编码，双层LSTM网络由两个级联的LSTM网络构成。5.根据权利要求4所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息包括：在于，通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息包括：其中，MHAtt(Q
m
,K
m
,V
m
)表示进行多头注意力机制特征提取；Q
m
表示时间粒度为m的数据对应的Query矩阵，K
m
表示时间粒度为m的数据对应的Key矩阵，V
m
表示时间粒度为m的数据对应的Value矩...

【专利技术属性】
技术研发人员：代劲，庄世鹏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：