[發明專利]一種基于多粒度瓦斯數據的煤礦瓦斯濃度預測方法及裝置

在審

• 申請號: 202310095933.2
• 申請日: 2023-02-10
• 公開（公告）號: CN116341709A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 代勁;莊世鵬
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06F18/2136;G06F18/25;G06N3/0442;G06N3/0464;G06N3/049;E21F17/18
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

本發明屬于計算機/煤礦安全領域，具體涉及一種基于多粒度瓦斯數據的煤礦瓦斯濃度預測方法及裝置，方法包括：根據傳感器的位置構有向稀疏鄰接矩陣，通過神經網絡學習更新矩陣中的權值，使得融合相關多個傳感器的數據特征，得到當前傳感器的空間位置特征；獲取當前傳感器的空間位置特征在各個時間粒度下的數據，通過多頭注意力機制獲取各個時間粒度下輸入數據的特征對應的時空信息，并刪除該時空信息中重復的信息；將獲取的時空信息輸入預測模塊，得到各個時間粒度下的當前傳感器的濃度預測值，將各個時間粒度下的預測值融合作為當前傳感器的最終預測值；本發明提高對煤礦瓦斯濃度預測結果準確性。

技術領域

本發明屬于計算機/煤礦安全領域，具體涉及一種基于多粒度瓦斯數據的煤礦瓦斯濃度預測方法及裝置。

背景技術

如今的煤炭產業開始智能化布局，利用科技化手段減少礦井瓦斯災害。利用現有安全監控系統監測的瓦斯時序數據，進行對礦井瓦斯濃度預測，進而充分保障礦井安全。

在煤礦生產的信息化建設過程中，累積了大量的瓦斯監測數據，但是目前針對瓦斯預測的方法，主要分為兩類。一類是基于統計學的方法，主要是從統計角度出發，發現數據中的規律，如ARIMA模型，但該類方法對數據要求較高，通用性以及精度較差。另一類則是基于機器學習的預測模型，利用網絡的強大擬合能力去捕捉數據特征，如LSTM模型、GRU模型等。但是，當前瓦斯預測工作普遍在單粒度層面展開，且輸入粒度與目標粒度一致，忽略了多時間粒度數據的異質性及其作用，導致瓦斯預測精度不高。

瓦斯數據具有動態變化性，存在多個變化模式，如一次工作面的開采、一小時工作面的開采、一天工作面的開采等。瓦斯預測研究問題的核心在于如何有效的利用歷史數據信息，捕獲多樣的數據特征，即瓦斯數據中短時變化和長時周期時序特性。現有研究工作忽視了對瓦斯多時間粒度特征的探究且無法直接對瓦斯多時間粒度數據同時進行考慮，預測結果不夠準確。因此，需要一種模型能夠捕捉且融合瓦斯多時間粒度特征進行瓦斯預測。

發明內容

為解決以上現有存在的問題，本發明提出一種基于多粒度瓦斯數據的煤礦瓦斯濃度預測方法及裝置，所述方法具體包括以下步驟：

基于煤礦礦井下分布的各個瓦斯濃度傳感器的位置，構建稀疏鄰接矩陣，通過稀疏鄰接矩陣中的空間信息加權融合并拼接多個傳感器的數據特征，得到當前傳感器的空間位置特征；

設置M個時間粒度，將當前傳感器的空間位置特征基于設置的時間粒度劃分時間片段，對每個時間片段下的數據進行聚合，得到每個時間粒度下的輸入數據；

將每個時間粒度下的輸入數據分別通過雙層LSTM網絡進行編碼，得到各個時間粒度下輸入數據的特征；

通過多頭注意力機制獲取各個時間粒度下輸入數據的特征對應的時空信息，并刪除該時空信息中重復的信息；

將獲取的時空信息輸入預測模塊，得到各個時間粒度下的當前傳感器的濃度預測值，并將各個時間粒度下的預測值融合作為當前傳感器的最終預測值。

進一步的，當前傳感器的空間位置特征的獲取過程包括以下步驟：

根據煤礦礦井巷道風向及瓦斯傳感器之間的分布位置距離構建有向稀疏鄰接權值矩陣M，M∈R^1×K，K代表傳感器個數；

將該矩陣權值歸一化作為網絡神經元初始值，通過線性運算計算當前待預測傳感器與其他傳感器采集的數據特征，通過線性組合的方式得到各個傳感器的線性組合特征該過程表示為：

X′＝ωX+b

在訓練過程中，根據煤礦瓦斯濃度預測結果的誤差，通過神經網絡的反向傳播機制，更新M中的權值ω，動態調整多傳感器的線性組合特征；

針對當前待預測的傳感器，采用拼接的方式，將當前傳感器采集的數據與其對應的相關性特征通過拼接的方式進行融合；該過程表示為：