[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

说明书

本发明提供一种基于多模型预测瓦斯浓度的软测量方法及系统，所述方法包括：通过获取多组矿井下不同时刻的瓦斯浓度数据，将其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，进而采用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，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，由此，克服了单模型预测方法学习时间长、学习精度和外推能力差的缺陷，提高预测模型的预测精度。

技术领域：

本发明涉及瓦斯浓度预测领域，尤其涉及一种基于多模型预测瓦斯浓度的软测量方法及系统。

背景技术：

我国的煤炭绝大多数以井工开采，井工产量占煤炭产量的95％以上，约占世界井工总采煤量的40％。由于我国地质条件的特殊性，所有矿井均为含瓦斯矿井，并且一半以上的矿井处于高瓦斯区或瓦斯突出区，因此，煤矿瓦斯灾害时威胁煤矿安全生产的重大灾害之一，据统计，我国煤炭产业每年事故死亡人数近万人，直接经济损失超过40亿元。瓦斯灾害直接妨碍煤矿的正常生产，阻碍了煤矿工业的持续、稳定、健康发展，所以，加强瓦斯灾害防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发展的重要保障。

现有技术的矿井瓦斯浓度预测方法大致可分为两类，一种是传统的预测方法，根据含瓦斯煤体性质及其赋存条件的某些量化指标，如煤层性质指标、瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值。由于瓦斯突出是由地应力、高瓦斯、煤的结构性能、地质构造、煤层厚度变化、煤体结构及围岩特性等诸多因素决定的，而这些因素大多数都处于复杂的非线性状态，因此采用传统的预测技术的预测精度往往难以达到煤矿安全生产的眼球。另一种是现代预测方法，主要是基于数学和物理的预测技术，即利用神经网络、混沌及非线性理论、模糊理论、灰色理论、专家系统、流变与突变理论等通过预测矿井瓦斯涌出量来判断瓦斯突出，这些方法属于非接触性预测方法，是矿井瓦斯浓度预测方法研究的重要方向，目前常采用单神经网络模型的预测方法，经常会导致预测模型学习时间过长、精度和外推能力差等缺陷，另外单模型也存在健忘问题，使得其自适应能力差，鲁棒性不强。

发明内容：

针对现有技术的缺陷，本发明提供一种基于多模型预测瓦斯浓度的软测量方法及系统，克服了单模型预测方法学习时间长、学习精度和外推能力差的缺陷，提高预测模型的预测精度。

一方面，本发明提供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。

可选地，所述获取多组瓦斯浓度数据，将所述多组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。