[发明专利]一种基于多模型预测瓦斯浓度的软测量方法及系统

权利要求书

1.一种基于多模型预测瓦斯浓度的软测量方法，包括：

获取多组矿井下不同时刻的瓦斯浓度数据，将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度历史数据库；

将所述瓦斯浓度历史数据库作为混沌时间序列，采用C-C方法计算所述混沌时间序列的延迟时间和嵌入维数；

根据所述延迟时间和嵌入维数，对所述混沌时间序列进行相空间重构，获得瓦斯浓度多模型预测软测量模型的学习样本集和理想输出，所述学习样本集包括训练数据和测试数据；

将所述训练数据作为输入量，结合理想输出，构建瓦斯浓度多模型预测软测量模型；

将所述测试数据作为输入量，根据所述瓦斯浓度多模型预测软测量模型，输出瓦斯浓度预测向量；

其特征在于，所述混沌时间序列是采用经验模态分解方法对所述瓦斯浓度历史数据库中的瓦斯浓度数据进行自适应去噪后的瓦斯浓度数据；

采用经验模态分解方法对所述瓦斯浓度历史数据库中的瓦斯浓度数据进行自适应去噪，具体包括：步骤1)找出信号的所有局部极小值点，用插值法形成信号的上包络线和下包络线，计算两包络线的平均值，重复上述过程，直至信号与该平均值的差量满足本征模函数IMF定义，将该差量作为从原始瓦斯浓度数据中分解出来的第一个IMF；步骤2)将信号与第一个IMF之差作为待分解数据，重复步骤1)的分解过程，当剩余量为常量或者为单调函数时停止，最后将信号分解成n个IMF和一个剩余分量；步骤3)选取前k个IMF去噪，采用自适应阈值Ti＝(Ti＝(i-1)2σi)/n2,1≤i≤k，其中σi为第i个本征模态函数的标准差；计算第i个信号相邻信号的标准差若则采用低通滤波器去噪；

所述瓦斯浓度多模型预测软测量模型包括P个子模型，每个所述子模型包括Ci个亚子模型；

所述构建瓦斯浓度多模型预测软测量模型，包括：

根据减法聚类方法将所述训练数据划分为P个聚类中心，得到P个子模型，根据模糊条件聚类方法将每个所述子模型划分为Ci个亚子模型；

根据所述训练数据与所述子模型的模糊隶属度关系，对划分后的P个子模型和Ci个亚子模型进行选择：根据所述训练数据与所述子模型的模糊隶属度关系，从每个划分后的子模型中选取一个亚子模型，根据相对距离测度测算方法，从选取的所有亚子模型中选择隶属度大于预设阈值的亚子模型；

将选中的子模型加权输出，得到所述瓦斯浓度多模型预测软测量模型。

2.根据权利要求1所述的基于多模型预测瓦斯浓度的软测量方法，其特征在于，所述获取多组矿井下不同时刻的瓦斯浓度数据，将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度历史数据库，包括：

采用瓦斯传感器获取多组矿井下不同时刻的瓦斯浓度数据；

移动基站接收所述多组矿井下不同时刻的瓦斯浓度数据，通过井下通信网络将所述多组矿井下不同时刻的瓦斯浓度数据传输至地面监控系统；

所述地面监控系统将所述多组矿井下不同时刻的瓦斯浓度数据存储至瓦斯浓度历史数据库。