[發(fā)明專利]一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法及裝置

在審

• 申請?zhí)枺?/td>: 202310095933.2
• 申請日: 2023-02-10
• 公開（公告）號(hào): CN116341709A
• 公開（公告）日: 2023-06-27
• 發(fā)明（設(shè)計(jì)）人: 代勁;莊世鵬
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06F18/2136;G06F18/25;G06N3/0442;G06N3/0464;G06N3/049;E21F17/18
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 盧勝斌

1.一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法，其特征在于，具體包括以下步驟：

基于煤礦礦井下分布的各個(gè)瓦斯?jié)舛葌鞲衅鞯奈恢茫鶕?jù)巷道風(fēng)向及分布距離構(gòu)建有向稀疏鄰接矩陣，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更新矩陣中的權(quán)值，使得融合相關(guān)多個(gè)傳感器的數(shù)據(jù)特征，得到當(dāng)前傳感器的時(shí)空信息；

設(shè)置M個(gè)時(shí)間粒度，將當(dāng)前傳感器的空間位置特征基于設(shè)置的時(shí)間粒度劃分時(shí)間片段，對(duì)每個(gè)時(shí)間片段下的數(shù)據(jù)進(jìn)行聚合，得到每個(gè)時(shí)間粒度下的輸入數(shù)據(jù)；

將每個(gè)時(shí)間粒度下的輸入數(shù)據(jù)分別通過雙層LSTM網(wǎng)絡(luò)進(jìn)行編碼，得到各個(gè)時(shí)間粒度下輸入數(shù)據(jù)的特征；

通過多頭注意力機(jī)制獲取各個(gè)時(shí)間粒度下輸入數(shù)據(jù)的特征對(duì)應(yīng)的時(shí)空信息，并刪除該時(shí)空信息中重復(fù)的信息；

將獲取的時(shí)空信息輸入預(yù)測模塊，得到各個(gè)時(shí)間粒度下的當(dāng)前傳感器的濃度預(yù)測值，并將各個(gè)時(shí)間粒度下的預(yù)測值融合作為當(dāng)前傳感器的最終預(yù)測值。

2.根據(jù)權(quán)利要求1所述的一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法，其特征在于，當(dāng)前傳感器的空間位置特征的獲取過程包括以下步驟：

根據(jù)煤礦礦井巷道風(fēng)向及瓦斯傳感器之間的分布位置距離構(gòu)建有向稀疏鄰接權(quán)值矩陣M，M∈R^1×K，K代表傳感器個(gè)數(shù)；

將該矩陣權(quán)值歸一化作為網(wǎng)絡(luò)神經(jīng)元初始值，通過線性運(yùn)算計(jì)算當(dāng)前待預(yù)測傳感器與其他傳感器采集的數(shù)據(jù)特征，通過線性組合的方式得到各個(gè)傳感器的線性組合特征該過程表示為：

X′＝ωX+b

在訓(xùn)練過程中，根據(jù)煤礦瓦斯?jié)舛阮A(yù)測結(jié)果的誤差，通過神經(jīng)網(wǎng)絡(luò)的反向傳播機(jī)制，更新M中的權(quán)值ω，動(dòng)態(tài)調(diào)整多傳感器的線性組合特征；

針對(duì)當(dāng)前待預(yù)測的傳感器，采用拼接的方式，將當(dāng)前傳感器采集的數(shù)據(jù)與其對(duì)應(yīng)的相關(guān)性特征通過拼接的方式進(jìn)行融合；該過程表示為：

X¹＝Concat(X_cur；X′)

其中，X′為各個(gè)傳感器的線性組合特征，X為各個(gè)傳感器的時(shí)序特征，ω為有向稀疏鄰接矩陣M的權(quán)值，使用sigmoid函數(shù)作為激活函數(shù)；b表示線性組合過程中的偏置參數(shù)；X_cur為待預(yù)測瓦斯傳感器的歷史特征，X¹為拼接其他傳感器時(shí)序特征的待預(yù)測瓦斯傳感器的數(shù)據(jù)特征。

3.根據(jù)權(quán)利要求1所述的一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法，其特征在于，每個(gè)時(shí)間粒度下的輸入數(shù)據(jù)的獲取包括以下步驟：

構(gòu)建CNN網(wǎng)絡(luò)，通過設(shè)定CNN網(wǎng)絡(luò)中卷積層的卷積核大小獲取獲不同時(shí)間粒度下的數(shù)據(jù)，其中時(shí)間粒度越細(xì)則卷積核越小，得到M個(gè)時(shí)間粒度的數(shù)據(jù)，時(shí)間粒度為m的數(shù)據(jù)表示為：

X^m＝σ(CONV2D(X¹))；

其中，σ()表示ReLU激活函數(shù)；CONV2D()表示二維卷積函數(shù)；X¹表示拼接其他傳感器時(shí)序特征的待預(yù)測瓦斯傳感器的數(shù)據(jù)特征，且其為最細(xì)時(shí)間粒度的據(jù)特征；X^m表示經(jīng)過聚合學(xué)習(xí)得到當(dāng)前瓦斯傳感器時(shí)間粒度為m的時(shí)空數(shù)據(jù)特征。

4.根據(jù)權(quán)利要求1所述的一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法，其特征在于，將每個(gè)時(shí)間粒度下的輸入數(shù)據(jù)統(tǒng)一特征維度后分別輸入雙層LSTM網(wǎng)絡(luò)進(jìn)行編碼，雙層LSTM網(wǎng)絡(luò)由兩個(gè)級(jí)聯(lián)的LSTM網(wǎng)絡(luò)構(gòu)成。

5.根據(jù)權(quán)利要求4所述的一種基于多粒度瓦斯數(shù)據(jù)的煤礦瓦斯?jié)舛阮A(yù)測方法，其特征在于，通過多頭注意力機(jī)制獲取各個(gè)時(shí)間粒度下輸入數(shù)據(jù)的特征對(duì)應(yīng)的時(shí)空信息包括：

其中，MHAtt(Q^m,K^m,V^m)表示進(jìn)行多頭注意力機(jī)制特征提取；Q^m表示時(shí)間粒度為m的數(shù)據(jù)對(duì)應(yīng)的Query矩陣，K^m表示時(shí)間粒度為m的數(shù)據(jù)對(duì)應(yīng)的Key矩陣，V^m表示時(shí)間粒度為m的數(shù)據(jù)對(duì)應(yīng)的Value矩陣；分別為Q^m、K^m、V^m對(duì)應(yīng)的權(quán)值矩陣；為時(shí)間粒度為m的數(shù)據(jù)下第i頭注意力機(jī)制的輸出，N為多頭注意力機(jī)制頭的數(shù)量。