【技术实现步骤摘要】
本专利技术属于煤矿安全，具体涉及一种基于多源数据的工作面瓦斯浓度预测模型优选方法。
技术介绍
1、在煤矿生产过程中，瓦斯灾害的防控是确保安全生产的核心环节。随着煤矿开采环境的日益复杂化和动态化，对瓦斯灾害预警方法的信息获取全面性、及时性和预警结果准确性提出了前所未有的挑战。传统的瓦斯灾害预警方法，如阈值报警，虽然能在瓦斯浓度超过预设阈值时迅速触发警报，但其单点、单参数的阈值判断机制难以捕捉瓦斯涌出的渐变过程及潜在风险，预警效果有限。与此同时，基于瓦斯浓度数据的分析预警方法虽然在一定程度上能够通过时间序列分析预测瓦斯浓度异常，但现有方法大多局限于对单一数据源的浅层处理，未能充分挖掘和利用多元、异构的生产过程数据。这种局限性导致瓦斯浓度预警的预见性和准确性难以满足煤矿安全生产的需求，尤其是在面对矿井风流中瓦斯涌出的复杂多变情况时，更是显得力不从心。
2、综采工作面作为煤矿生产的重要区域，其瓦斯涌出受到多种因素的共同影响，包括工作面割煤、运输、支护等生产活动，以及风速、温度、采空区气体浓度等环境因素的动态变化。这些因素的相互作用使得瓦斯涌出的预测预报变得异常复杂。因此，传统的瓦斯浓度预警方法难以实时适应这些变化，导致预警效果大打折扣。
技术实现思路
1、本专利技术要解决的技术问题是：现有的工作面瓦斯浓度预测方法考虑的因素单一，瓦斯浓度预警效果较差
2、为此，本专利技术提供一种基于多源数据的工作面瓦斯浓度预测模型优选方法。
3、本专利技术解决其技术问题所
4、一种基于多源数据的工作面瓦斯浓度预测模型优选方法，包括以下步骤，
5、步骤一：采集相同时间段内工作面生产设备工作参数和工作面环境参数的历史数据；
6、步骤二：分别计算各参数历史数据的变异系数，剔除变异系数小于10％的参数，然后对剩余各参数的数据进行预处理；
7、步骤三：根据各参数数据产生的时间间隔，以时间间隔最大的参数为基准，按照相同时刻对其余各参数的数据进行筛选，获得相同数量的各参数数据；
8、步骤四：对筛选得到的数据进行标准化处理，得到数据样本集；
9、步骤五：将数据样本集划分训练集和验证集，使用线性回归算法、逻辑回归算法和支持向量机算法分别开展模型训练及验证工作；
10、步骤六：评价步骤五中各算法模型的准确率，取准确率较高者作为最终模型。
11、进一步地，在步骤一中，工作面生产设备工作参数包括工作面采煤机的牵引速度、刮板输送机的链条速度、转载机的电流、破碎机的转速、液压支架的立柱压力、工作面温度、采空区温度、工作面风速、采空区气体甲烷浓度、工作面甲烷浓度；工作面环境参数数据包括工作面温度、采空区温度、工作面风速、采空区气体浓度、工作面气体浓度。
12、进一步地，在步骤二中，各参数所有数据的预处理包括缺失值处理、异常值处理以及归一化处理。
13、进一步地，在步骤三中，若某参数无基准时刻数据，则以距基准时刻最近的数据替代。
14、进一步地，在所述步骤四中，标准化处理的过程为：首先计算每个参数归一化处理后的数据的平均值a，然后计算每个参数归一化处理后的数据的标准差b，对于每个参数归一化处理后的数据x*，使用公式c＝(x*-a)/b，将每个参数归一化处理后的数据x*转换为每个参数的新数据集c。
15、进一步地，在步骤五中，训练集和验证集的比例为n：10-n。
16、进一步地，在步骤五中，线性回归算法模型为y＝β0+β1x1+β2x2+…+βixi，其中，β0是截距项，i为剔除变异系数小于10％后的剩余参数的数量，β1，β2，...，βi为步骤二中剔除变异系数小于10％后的剩余参数的系数。
17、进一步地，在步骤五中，逻辑回归算法模型为y是预测的工作面甲烷浓度，p(y＝1)表示属于正类的概率。
18、进一步地，支持向量机算法模型为f(x)＝sign(β0+β1x1+β2x2+…+βixi)，f(x)是预测的工作面甲烷浓度。
19、根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤六中，比较线性回归算法模型、逻辑回归算法模型和支持向量机算法模型的f1分数，选择f1分数较大的算法模型作为工作面瓦斯浓度预测模型，若线性回归算法模型、逻辑回归算法模型和支持向量机算法模型的准确率相同，则改变训练集和验证集的划分比例为(n-1)：(10-n-1)，重复步骤五～步骤六。
20、本专利技术的有益效果是，本申请过综合考虑多种因素，将采煤机、刮板输送机、液压支架等设备的工作参数，以及风速、温度、采空区气体浓度等环境变量纳入工作面瓦斯涌出预测预报指标体系，实现多源数据的融合处理。通过构建高效的数据处理和分析模型，该方法能够更准确地捕捉瓦斯涌出的变化趋势和潜在风险，为煤矿安全生产提供有力的技术支持。
21、具体的，本申请通过采集工作面生产设备工作参数和工作面环境参数的历史数据，综合考虑了多种因素尤其是设备工作参数对瓦斯浓度的影响，提高了预测的准确性和全面性。从多个角度分析和预测瓦斯浓度的变化，比单一数据源的预测方法更具有优势，提供了更全面的数据分析基础。。
22、在数据预处理阶段，通过计算变异系数剔除影响较小的参数，并对剩余参数进行缺失值、异常值和归一化处理，提高了数据质量和模型的稳定性。通过以时间间隔最大的参数为基准进行数据筛选，解决了不同参数数据时间对齐的问题，提高了模型训练数据的代表性，从而有效避免数据中的噪声和异常值对预测结果的影响，比简单的数据直接使用更科学，解决了缺乏综合分析的问题，增强了模型的预测能力。
23、通过使用f1分数和准确率作为模型性能度量指标，并在f1分数最高的模型中选择准确率较高的模型，这种优选机制比单一指标评估更全面，能够平衡模型的精确度和泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤二中，各参数所有数据的预处理包括缺失值处理、异常值处理以及归一化处理。
3.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤三中，若某参数无基准时刻数据，则以距基准时刻最近的数据替代。
4.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在所述步骤四中，标准化处理的过程为：首先计算每个参数归一化处理后的数据的平均值a，然后计算每个参数归一化处理后的数据的标准差b，对于每个参数归一化处理后的数据x*，使用公式c＝(x*-a)/b，将每个参数归一化处理后的数据x*转换为每个参数的新数据集c。
5.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤五中，训练集和验证集的比例为N：10-N。
6.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其
7.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤五中，逻辑回归算法模型为y是预测的工作面甲烷浓度，P(y＝1)表示属于正类的概率。
8.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，支持向量机算法模型为f(x)＝sign(β0+β1x1+β2x2+…+βixi)，f(x)是预测的工作面甲烷浓度。
9.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤六中，比较线性回归算法模型、逻辑回归算法模型和支持向量机算法模型的F1分数，选择F1分数较大的算法模型作为工作面瓦斯浓度预测模型，若线性回归算法模型、逻辑回归算法模型和支持向量机算法模型的准确率相同，则改变训练集和验证集的划分比例为(N-1)：(10-N-1)，重复步骤五～步骤六。
...【技术特征摘要】
1.一种基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤二中，各参数所有数据的预处理包括缺失值处理、异常值处理以及归一化处理。
3.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤三中，若某参数无基准时刻数据，则以距基准时刻最近的数据替代。
4.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在所述步骤四中，标准化处理的过程为：首先计算每个参数归一化处理后的数据的平均值a，然后计算每个参数归一化处理后的数据的标准差b，对于每个参数归一化处理后的数据x*，使用公式c＝(x*-a)/b，将每个参数归一化处理后的数据x*转换为每个参数的新数据集c。
5.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在于，在步骤五中，训练集和验证集的比例为n：10-n。
6.根据权利要求1所述的基于多源数据的工作面瓦斯浓度预测模型优选方法，其特征在...
【专利技术属性】
技术研发人员：赵乾坤，屈世甲，葛彬彬，杨欢，陈小林，王健，张羽，王超，
申请(专利权)人：天地常州自动化股份有限公司，
类型：发明
国别省市：
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。