一种基于温度-气体耦合度与EARO-LightGBM的煤炭自燃温度智能预警方法

本发明涉及矿山安全工程、机器学习与人工智能交叉的，尤其涉及一种基于多源信息融合与智能优化算法的煤炭自燃温度智能预警方法。

背景技术：

1、煤炭自燃是煤矿安全生产的重大威胁，其早期精确预警至关重要。煤炭自燃是威胁地下矿井安全的重大灾害之一。准确预测煤自燃温度对于实现早期预警、保障智能矿山安全管理至关重要。煤自燃预测方法主要包括指标气体分析、温度监测、数值模拟和物理化学测试四大类，但均存在明显缺陷。舒义国等通过建立煤自燃气体指标体系，选取co、o2、δco/δo2、c2h4和c2h6等气体作为关键指标，实现煤层自燃危险性的分级预警。然而，该方法主要依赖气体释放特征，存在气体生成滞后以及通风条件干扰等问题，从而影响预警准确性。秦波涛等对煤自燃监测与预警技术进行了系统研究，指出当前煤自燃预测方法主要包括指标气体法、温度监测法以及示踪气体法等。这些方法虽然能够在一定程度上反映煤氧化过程，但仍存在监测范围有限、参数敏感性强以及现场适应性不足等问题。最新进展集中在多参数融合监测和智能传感网络的开发，量子点荧光测温和太赫兹波探测等新技术提供了更高精度的非接触监测方案。然而，这些方法仍面临成本高、环境适应性差等挑战。

2、随着机器学习的发展，支持向量机（svm）因其适用于小样本数据而被广泛应用。例如，zhang等人发表的文献[zhang y j. prediction of oxygen concentration andtemperature distribution in loose coal based on bp neural network[j]. miningscience and technology (china), 2009, 19(2): 216-219.]通过网格搜索来优化多煤种分类模型的svm参数。然而，这些研究并未从根本上解决svm的固有问题，即参数敏感性和弱泛化能力。神经网络模型具有强大的非线性拟合能力，但面临应用挑战。xiao等人[xiaoh, liu l, wang h. the application of modified bp neural network to predictmine coal layer spontaneous combustion[j]. mei t'an hsueh pao (journal ofchina coal society), 2001, 26.]通过改进bp神经网络加快了收敛速度，但引入了过拟合风险。wang等人[wang j, huang y. evaluation of mine water quality based onthe pca–pso–bp model[j]. journal of water and climate change, 2024, 15(2):593-606.]使用了基于粒子群优化的bp神经网络，但该模型仅进行定性判断，未能实现温度的定量预测，限制了其实际应用价值。随机森林（rf）尽管由于其集成学习特性而被广泛采用，但存在固有的局限性。xue等人[xuezhao z, menghan l i, yanni z, et al.research on the prediction model of coal spontaneous combustion temperaturebased on random forest algorithm[j]. journal of mine automation, 2021, 47(5):58-64.] 和lei等人 [lei c, deng j, cao k, et al. a comparison of random forestand support vector machine approaches to predict coal spontaneous combustionin gob[j]. fuel, 2019, 239: 297-311.]的研究表明，随机森林在处理多煤样时具有高准确性和极低的预测误差。然而，随机森林模型存在计算复杂性、对数据噪声的敏感性以及超参数优化困难等问题。为了克服这些缺陷，将深度学习与智能优化算法相结合的研究已被探索。guo等人[guo j, chen c, wen h, et al. prediction model of goaf coaltemperature based on pso-gru deep neural network[j]. case studies in thermalengineering, 2024, 53: 103813.]的pso-gru模型有效地降低了平均绝对误差；chen等人[chen q, qu h, liu c, et al. spontaneous coal combustion temperatureprediction based on an improved grey wolf optimizer-gated recurrent unitmodel[j]. energy, 2025, 314: 133980.]的igwo-gru 模型保持了较低的最大相对误差；wang等人 [wang k, li k, du f, et al. research on prediction model of coalspontaneous combustion temperature based on ssa-cnn[j]. energy, 2024, 290:130158.] 的ssa-cnn框架也实现了高性能的预测。然而，在提高性能的同时，这些混合模型显著增加了计算复杂性和成本，而可解释性和实用性仍然具有挑战性。然而，现有方法仍存在以下不足：（1）特征工程智能化不足：多数研究直接使用原始气体浓度或简单比值作为输入，未能深度挖掘气体释放与温度演化之间复杂的非线性、非平稳耦合关系，缺乏系统性的特征筛选与构造机制；（2）模型泛化能力与鲁棒性有限：现有模型（如svm、bp、rf）对超参数设置敏感，且在面对不同矿井、煤种或工况变化时，预测性能易出现波动，模型稳定性有待提高；（3）算法效率与部署便捷性的矛盾：部分深度学习模型虽精度较高，但计算成本大，不便于在资源受限的矿井边缘设备上实时部署应用。

3、因此，亟需一种能够精准刻画温度-气体内在关联、具有强泛化能力且兼顾计算效率的煤炭自燃温度预测方法。

技术实现思路

1、针对现有煤自然预测方法未能深度挖掘气体释放与温度演化之间关系，且泛化能力与鲁棒性有限的技术问题，本发明提出一种基于温度-气体耦合度与earo-lightgbm的煤炭自燃温度智能预警方法，提出了温度-气体耦合度指标，引入了动态模糊熵增强模块，结合earo多策略协同演化机制优化lightgbm模型，实现对煤自燃温度演变过程的精准建模与预测，且预测精度高、鲁棒性强、可解释性好，为煤矿安全生产提供有效的早期预警技术支撑。

2、为了达到上述目的，本发明的技术方案是这样实现的：一种基于温度-气体耦合度与earo-lightgbm的煤炭自燃温度智能预警方法，包括步骤：

3、步骤一、获取实际煤矿或煤自燃实验的多组温度和气体浓度的数据，基于气体浓度计算指标比值，确定多个气体指标并进行预处理，将预处理后的数据样本随机划分得到训练集和测试集；

4、步骤二、计算训练集中的气体指标与对应温度的耦合度，并对气体指标数据进行加权，得到耦合度加权特征矩阵；

5、步骤三、根据训练集中气体指标数据组成的序列计算动态模糊熵，将动态模糊熵与耦合度加权特征矩阵进行拼接，得到输入特征集；

6、步骤四、基于输入特征集，利用自适应能量因子衰减策略与多策略协同演化机制的earo算法优化lightgbm模型，得到最优超参数组合的预测模型；将测试集中的数据经过步骤二和步骤三处理后输入最优超参数组合的预测模型，进行验证；

7、步骤五、实时采集煤矿温度和气体浓度，计算指标比值，调用离线训练时保存的极值参数对气体指标进行归一化处理；经过步骤二和步骤三处理后得到实时输入特征向量，输入训练好的预测模型，得到未来演化时刻的煤炭温度预测值。

8、优选地，所述气体指标包括o2浓度、co浓度、c2h4浓度、co/δo2比值和c2h4/c2h6比值；其中，△o2为氧气浓度变化量。

9、优选地，所述耦合度的计算方法为：

10、第i个气体指标与温度的耦合度为：

11、；

12、其中，为最大信息系数，为第i个气体指标的数据组成的特征向量；为特征向量在自燃关键温度拐点处的变化斜率；为特征向量在全温度区间的方差；|s|表示所有选定气体指标在自燃关键温度拐点处变化斜率绝对值的集合，max表示求最大值，n表示气体指标总数；灵敏度增强系数和稳定性衰减系数均为调节超参数；

13、得到耦合度加权特征矩阵的方法为：

14、将耦合度作为权重系数，对气体指标对应的特征向量进行特征加权，得到耦合度加权特征矩阵：

15、；

16、其中，为特征向量经过鲁棒缩放标准化后的特征向量。

17、优选地，所述计算动态模糊熵的方法为：

18、通过滑动窗口选择第i个气体指标数据得到n个时序序列，；构造m维向量序列：；其中，是对时序序列进行局部求平均操作得到的基线偏移量，为嵌入维度；分别表示时序序列中从第+1个时刻到第+m-1个时刻的数据点；

19、通过模糊隶属函数计算第s个向量序列与第v个向量序列的相似度，其中，是决定隶属度函数梯度的参数，为相似度容限，距离为向量序列与向量序列对应元素差值的绝对值的最大值；

20、动态模糊熵为：；

21、其中，函数；

22、输入特征集为，其中，分别表示气体指标对应序列的动态模糊熵。

23、优选地，所述自适应能量因子衰减策略中的自适应能量因子；其中，和分别为初始能量基准值和最终能量基准值；是控制能量因子随时间指数衰减速率的系数；是调节非线性衰减曲率的幂律系数；t表示当前迭代次数，t表示算法设定的最大迭代总次数。

24、优选地，所述多策略协同演化机制的实现方法为：在种群更新中，以概率并行执行迂回觅食和随机隐藏策略，并对结果进行精英保留与自适应选择；

25、第q个个体的新位置为：

26、；

27、其中，和分别为通过迂回觅食和随机隐藏策略产生的新位置候选，为适应度函数；函数根据适应度f择优保留或进行加权融合；表示原人工兔优化算法中的基础位置更新规则；表示第个兔子个体在当前迭代中的原始位置向量；

28、所述适应度函数为lightgbm模型在当前输入特征集上的平均绝对误差或均方根误差。

29、优选地，所述得到最优超参数组合的方法为：在earo算法的每一次迭代中，根据指数衰减公式动态计算自适应能量因子作为探索率；根据自适应能量因子的大小并结合多策略协同演化机制，自适应地指导兔群个体执行迂回觅食或随机隐藏策略，在解空间中生成超参数的新位置；若生成的新位置超出了预设的超参数物理边界，则触发边界约束处理，通过边界截断法则强制拉回至最近的有效区间内；将约束后的新超参数组合传入lightgbm基学习器，在输入特征集上进行k折交叉验证拟合，将验证折上输出的平均绝对误差作为个体的适应度评分，若新位置的平均绝对误差小于原位置，则更新个体的位置坐标与评分，并实时比对更新全局最小平均绝对误差及对应的全局最优解；当达到设定的最大迭代次数后停止寻优，进入后处理阶段：提取全局最优超参数组合，并使用输入特征集对lightgbm模型进行充分拟合以固化模型权重，得到预测模型。

30、优选地，进行验证的方法为：将完全隔离的测试集经步骤二和步骤三同等特征处理输入构建好的预测模型中进行前向推理，得出预测温度，并通过预测温度与采集的真实温度比对计算决定系数、均方根误差、平均绝对误差，验证预测模型的预测精度与泛化能力。

31、优选地，所述超参数包括：学习率、最大树深度、树的数量、特征采样比例、叶子节点最小数据量；优化目标为：最小化输入特征集在k折交叉验证下验证折上的平均绝对误差；

32、在earo算法的每次迭代中，lightgbm基学习器被初始化并接收当前个体位置代表的超参数值；模型的特征选择通过lightgbm模型内置的特征采样超参数实现：在构建每棵决策树时随机抽取部分特征进行节点分裂；

33、在k折交叉验证中，lightgbm模型在训练折上拟合数据并构建梯度提升树，并在验证折上进行预测，将验证折上输出的平均绝对误差作为个体的适应度值；在每次迭代结束后比较所有个体的适应度值，若新位置的平均绝对误差更小则更新个体状态，并同步更新全局最小平均绝对误差及其对应位置；当earo算法达到设定的最大迭代次数停止搜索时，所记录的全局最优位置坐标为lightgbm模型的最优超参数组合。

34、优选地，所述预处理包括：对采集的温度和气体浓度的原始数据进行数据清洗，剔除含有缺失值和因传感器故障产生的异常值的样本，保留特征完整的有效样本集；采用数据归一化方法将不同量纲的气体指标统一映射到[0, 1]的无量纲范围内；

35、采用随机抽样方法，按照比例将归一化后的有效样本数据随机划分为训练集和测试集；

36、实时采集的煤矿温度和气体浓度，计算实时的co/δo2比值和c2h4/c2h6比值；调用离线训练时保存的极值参数，对这气体指标的数据进行归一化处理；利用预设的滑动窗口，提取过去n个时间步的数据计算各气体指标的动态模糊熵；将标准化的气体指标乘以计算的耦合度，形成耦合度加权特征；将耦合度加权特征与动态模糊熵的特征向量横向拼接，构成实时输入特征向量，输入到已训练固化好的预测模型中，进行前向推理计算，在极短时间内直接输出未来演化时刻的煤炭温度预测值。

37、本发明的有益效果：首先，基于煤自燃机理与工程实践，先验选定o2、co、c2h4、co/δo2、c2h4/c2h6五个关键气体指标；其次，利用最大信息系数（mic）分析各气体指标与温度的温度-气体耦合度（temperature-gas coupling degree, tgcd），并构建耦合度加权特征矩阵（cw-fm）；然后，创新性地引入动态模糊熵（dynamic fuzzy entropy, dfe）用于量化序列复杂度，以增强模型对非线性、非平稳过程的感知。为解决模型超参数敏感性问题，提出了增强型人工兔优化算法（enhanced artificial rabbit optimization, earo），其核心创新在于引入了自适应能量因子衰减策略（adaptive energy factor decay, aefd）与多策略协同演化机制（multi-strategy synergistic evolution, mse），以优化lightgbm模型。最后，通过融合tgcd-cw-fm特征工程模块、动态模糊熵增强模块和earo-lightgbm预测模块，实现对煤炭自燃温度的精确预测与预警。研究表明，本发明方法相较于传统bp、svr、rf等模型，在预测精度、鲁棒性和泛化能力上均有显著提升。