一种基于指标动态优选的瓦斯浓度组合预测方法与流程

1.本发明涉及瓦斯浓度预测技术领域，特别涉及一种基于指标动态优选的瓦斯浓度组合预测方法。


背景技术：

2.瓦斯灾害是煤矿采掘过程中最严重的灾害之一，瓦斯爆炸、煤与瓦斯突出等瓦斯灾害一旦发生，不仅会造成严重的生命财产损失，还会严重影响矿井安全生产。准确预测采掘工作面瓦斯浓度，提前发现瓦斯超限情况，以及时采取有效措施降低瓦斯浓度，是预防瓦斯灾害的关键所在。安全监控系统可对采掘工作面瓦斯浓度、风速、温度等指标进行实时监测。如果可以预测瓦斯超限，则可提前采取相关措施降低瓦斯浓度，降低因瓦斯超限采掘设备启停带来的生产损失。安全监控系统中的多元监测数据则为瓦斯超限预测提供了条件。而神经网络等深度学习技术的发展，则为瓦斯浓度的动态精准预测提供了可能。
3.但目前应用深度学习技术进行瓦斯浓度预测的方法中，其预测指标较为固定，瓦斯浓度预测准确率有待进一步提高。怎样将影响瓦斯浓度变化趋势因素间的关联特征进行有效提取，考虑各时刻相关因素与瓦斯浓度的相关性程度，建立最佳预测模型进而提高模型准确性及鲁棒性仍是一个亟待解决的问题。


技术实现要素：

4.本发明提供了一种基于指标动态优选的瓦斯浓度组合预测方法，以解决现有的瓦斯浓度预测技术预测准确率不高的技术问题。
5.为解决上述技术问题，本发明提供了如下技术方案：
6.一方面，本发明提供了一种基于指标动态优选的瓦斯浓度组合预测方法，所述基于指标动态优选的瓦斯浓度组合预测方法包括以下步骤：
7.获取影响未来瓦斯浓度的多元指标的历史监测数据；其中，所述指标包括瓦斯浓度；所述历史监测数据为自当前时刻起，往前预设时长内的监测数据；
8.基于获取的所述历史监测数据，分别计算各指标与瓦斯浓度指标的spearman等级相关系数，并根据计算出的各指标所对应的spearman等级相关系数对所述多元指标进行动态优选，得到优选指标；其中，所述优选指标包括瓦斯浓度，以及计算结果大于预设阈值的spearman等级相关系数所对应的指标；
9.计算每一优选指标的特征矩阵；
10.将各优选指标的特征矩阵逐一输入预设的单指标预测模型，分别得到每一优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值；
11.将各优选指标对应的预测值输入预设的组合预测模型，得到最终预测值。
12.进一步地，在根据计算出的各指标所对应的spearman等级相关系数对多元指标进行动态优选，得到优选指标时，若没有大于预设阈值的spearman等级相关系数，则选取spearman等级相关系数最大的前预设数量的指标作为优选指标。
13.进一步地，计算各指标与瓦斯浓度指标的spearman等级相关系数，包括：
14.以待计算spearman等级相关系数的指标作为当前指标；
15.基于所述历史监测数据，计算由瓦斯浓度的历史监测数据组成的瓦斯浓度指标的时间序列，以及由当前指标的历史监测数据组成的当前指标的时间序列；
16.计算当前指标的时间序列与瓦斯浓度指标的时间序列的spearman等级相关系数，将计算结果作为当前指标与瓦斯浓度指标的spearman等级相关系数。
17.进一步地，所述计算每一优选指标的特征矩阵，包括：
18.分别计算各优选指标对应的由指标自身的历史监测数据所组成的时间序列；
19.以待计算特征矩阵的优选指标作为当前指标；
20.计算得到当前指标的时间序列特征和空间拓扑特征；其中，当前指标的时间序列特征包括：当前指标在当前时刻的监测值以及一阶差分值，以及当前指标的时间序列的统计特征，其中，所述统计特征包括：时间序列的最大值、平均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度以及极差；当前指标的空间拓扑特征为：除当前指标之外的其余各指标的时间序列特征；
21.基于当前指标的时间序列特征和空间拓扑特征，得到其对应的特征矩阵。
22.进一步地，所述单指标预测模型为bi-lstm(bi-directional long short-term memory，双向长短期记忆)模型。
23.进一步地，所述将各优选指标的特征矩阵逐一输入预设的单指标预测模型，分别得到每一优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值，包括：
24.采用离差标准化的方法，将各优选指标的特征矩阵分别映射到[0,1]之间，得到标准化后的特征矩阵；
[0025]
将标准化后的各特征矩阵逐一输入所述单指标预测模型，之后将其输出结果输入3层densenet，通过特征在channel上的连接实现特征重用，在densenet层间采用激活函数relu去线性化；设置dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用密集连接与权值共享，滤除过程噪声和干扰信息，通过有监督方式学习不同特征输出预测值，最后通过反标准化得到相应优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值。
[0026]
进一步地，所述组合预测模型为lstm(long short-term memory，长短期记忆)模型。
[0027]
进一步地，所述将各优选指标对应的预测值输入预设的组合预测模型，得到最终预测值，包括：
[0028]
对各优选指标对应的预测值进行标准化，得到标准化后的预测值；
[0029]
将标准化后的各预测值依次输入2层lstm，设置dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用densenet层密集连接与权值共享，最后通过反标准化得到当前时刻之后预设时间段内的瓦斯浓度最终预测值；
[0030]
若最终预测值大于设定的瓦斯浓度临界值，则表示在当前时刻之后的预设时长内，瓦斯浓度存在超限可能；否则，表示瓦斯浓度不存在超限可能。
[0031]
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器
中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0032]
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0033]
本发明提供的技术方案带来的有益效果至少包括：
[0034]
本发明首先获取煤矿安全监测系统中瓦斯浓度、风速、温度、湿度、气压等多元监测数据，得到监测指标。然后，计算当前时刻各个监测指标与待预测瓦斯浓度指标的spearman等级相关系数，根据spearman等级相关系数，进行指标动态优选。之后，计算每一优选指标的时间序列与空间拓扑特征，建立特征矩阵。将特征矩阵逐一输入bi-lstm单指标模型，得到各指标当前时刻后规定时间内的瓦斯浓度最大值的预测值。最后，将每一指标得到的预测值再次输入lstm组合模型，得到最终预测值y
predict
，进而根据预测值及临界值预测瓦斯超限情况。本发明能够实现煤矿采掘工作面瓦斯浓度及其异常情况的动态准确预测。本发明是基于安全监控系统中的实时监测数据进行的，考虑了其他指标与待预测瓦斯浓度相关性程度随时间变化，动态优选预测指标，不同时刻对应不同指标，真正实现了指标动态优选，保证预测时刻样本指标最优，提高了瓦斯浓度预测准确率。此外，可根据瓦斯浓度预测值及其临界值预测瓦斯超限情况，为安全监控人员提供决策依据，对提高煤矿安全生产效率具有一定意义。
附图说明
[0035]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1是本发明实施例提供的基于指标动态优选的瓦斯浓度组合预测方法的执行流程示意图；
[0037]
图2是本发明实施例提供的根据spearman等级相关系数(src)对指标进行动态优选的实现原理图；
[0038]
图3是本发明实施例提供的bi-lstm单指标预测模型网络结构图；
[0039]
图4是本发明实施例提供的lstm优选指标组合预测模型网络结构图；
[0040]
图5是本发明实施例提供的瓦斯浓度预测结果图；其中，(a)为传感器mm256对应的瓦斯浓度预测结果图，(b)为传感器mm263对应的瓦斯浓度预测结果图，(c)为传感器mm264对应的瓦斯浓度预测结果图；
[0041]
图6是本发明实施例提供的瓦斯超限情况预测结果图；其中，(a)为传感器mm256对应的瓦斯超限情况预测结果图，(b)为传感器mm263对应的瓦斯超限情况预测结果图，(c)为传感器mm264对应的瓦斯超限情况预测结果图。
具体实施方式
[0042]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0043]
第一实施例
[0044]
本实施例提供了一种基于指标动态优选的瓦斯浓度组合预测方法，基于多元监测数据，分析瓦斯浓度与其他指标spearman(斯皮尔曼)等级相关性，考虑其他指标与瓦斯浓度相关性程度随时间变化，动态优选指标；提取优选指标时间序列与空间拓扑特征输入bi-lstm单指标模型，将其输出结果再次输入lstm组合模型，建立基于指标动态优选和bi-lstms的瓦斯浓度组合预测模型。实现瓦斯浓度动态预测，以达到对瓦斯超限情况提前预测的目的。
[0045]
下面，从某矿综采工作面多元监测数据出发，对本实施例的瓦斯浓度组合预测方法的实施过程进行说明。其执行流程如图1所示，包括以下步骤：
[0046]
s1，获取影响未来瓦斯浓度的多元指标的历史监测数据；
[0047]
其中，多元指标的历史监测数据为：从煤矿安全监测系统中获取的，自当前时刻tc起，往前预设时间窗长度l内的监测数据；本实施例所获取的多元指标包括：瓦斯浓度、风速、温度、湿度、气压等，共28个监测指标。
[0048]
具体地，本实施例将mm263、mm264、mm256三个关键传感器布置于综采工作面上隅角附近，该地点易发生瓦斯积聚，三个传感器可实时监测该地点的瓦斯浓度变化情况，其中任何一个传感器监测到的瓦斯浓度达到警报水平(预警临界值均为1.0％)，割煤机都会自动关闭。分别以mm263、mm264、mm256三个关键传感器监测到的瓦斯浓度作为瓦斯浓度待预测指标。
[0049]
s2，基于获取的所述历史监测数据，分别计算各指标与瓦斯浓度指标的spearman等级相关系数，并根据计算出的各指标所对应的spearman等级相关系数对所述多元指标进行动态优选，得到优选指标；其中，所述优选指标包括瓦斯浓度，以及计算结果大于预设阈值的spearman等级相关系数所对应的指标；
[0050]
具体地，在本实施例中，如图2所示，上述s2包括：
[0051]
s21，在当前时刻tc，基于所述历史监测数据，计算由tc之前，时间窗长度l＝1d内的瓦斯浓度的监测数据组成的瓦斯浓度指标的时间序列c(t)＝{c1(t1),c2(t2),c3(t3),
…
,c
l
(t
l
)}；其中，ci(ti)表示ti时刻的瓦斯浓度的监测值，i＝1,2,3
…
l；以及由tc之前，时间窗长度l＝1d内的待计算spearman等级相关系数的当前指标的监测数据组成的当前指标的时间序列x(t)＝{x1(t1),x2(t2),x3(t3),
…
,x
l
(t
l
)}，其中，xi(ti)表示ti时刻的当前指标的监测值；
[0052]
s22，分别计算各指标的时间序列与瓦斯浓度的时间序列的spearman等级相关系数，将计算结果作为相应指标与瓦斯浓度指标的spearman等级相关系数(src)，得到spearman等级相关系数矩阵ρ＝(ρ1,ρ2,
…
,ρn)；其中，pj表示第j个指标与瓦斯浓度指标的spearman等级相关系数，j＝1,2,3
…
n，n表示指标总数。
[0053]
s23，按照ρ＝(ρ1,ρ2,
…
,ρn)中相关系数数值大小，优选出中等相关及以上的对应指标，即选取pj≥0.4的指标，得到ρ'＝(ρ'1,ρ'2,
…
,ρ'm)对应的m个指标作为优选指标集；其中，ρ'm表示第m个优选指标。若优选指标集中指标数量m少于2个，即除瓦斯浓度指标外，无其他指标与其的spearman等级相关系数高于0.4，此时，将从ρ＝(ρ1,ρ2,
…
,ρn)中选择出最大的5个pj对应的指标、瓦斯浓度、温度和湿度指标，共m个优选指标共同组成最终的优选指标集。
[0054]
s3，计算每一优选指标的特征矩阵；
[0055]
具体地，在本实施例中，上述s3包括：
[0056]
s31，对当前时刻tc动态优选出的m个指标，分别计算各优选指标对应的由指标自身的历史监测数据所组成的时间序列；
[0057]
s32，以待计算特征矩阵的指标作为当前指标(本实施例以瓦斯浓度为例)；
[0058]
s33，计算得到瓦斯浓度的时间序列特征和空间拓扑特征；
[0059]
其中，瓦斯浓度的时间序列特征包括：瓦斯浓度时间序列中时刻tc的瓦斯浓度监测值cc(tc)；时刻tc的瓦斯浓度一阶差分值dc(tc)，dc(tc)＝cc(tc)-c
c-1
(t
c-1
)；当前时刻tc前，时间窗长度l＝1d的瓦斯浓度时间序列c
l
(t)＝{c
c-l
(t
c-l
),
…
,c
c-2
(t
c-2
),c
c-1
(t
c-1
),cc(tc)}的统计特征，具体地，在本实施例中，所得的统计特征包括：c
l
(t)的最大值、平均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度、极差。本实施例对于瓦斯浓度指标在当前时刻tc计算共得到12个特征，将其作为瓦斯浓度指标的时间序列特征。
[0060]
瓦斯浓度的空间拓扑特征为：当前时刻tc动态优选出的m个指标中除了瓦斯浓度指标之外的另外m-1个优选指标时间序列时刻tc的时间序列特征本实施例将其作为瓦斯浓度指标的空间拓扑特征。
[0061]
其中，需要说明的是，在计算得到指标的时间序列特征和空间拓扑特征后，可通过二者的直接组合或加权组合等方式得到其特征矩阵，当然，也可以采用其他方式基于时间序列特征和空间拓扑特征得到特征矩阵，具体地，在本实施例，基于时间序列特征和空间拓扑特征得到特征矩阵的方式如下：
[0062]
s34，对当前时刻tc动态优选出的m个预测指标，分别计算每个指标滞后步长为h＝5、预测步长为p＝30min的特征矩阵即预测步长p＝30min，即每次预测时间间隔为30min。
[0063]
s4，将各优选指标的特征矩阵逐一输入预设的单指标预测模型，分别得到每一优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值；
[0064]
其中，在本实施例中，所使用的单指标预测模型为bi-lstm(bi-directional long short-term memory，双向长短期记忆)模型，其网络结构如图3所示。
[0065]
基于上述，上述s4的实现过程包括：
[0066]
s41，得到m个优选指标的特征矩阵集x＝[x1,x2,
…
,xm]；
[0067]
s42，采用离差标准化的方法，将x＝[x1,x2,
…
,xm]中的每一特征矩阵xi分别映射到[0,1]之间，得到标准化后的特征矩阵xn；
[0068]
s43，将xn输入bi-lstm，之后将其输出结果输入3层densenet，通过特征在channel上的连接实现特征重用，在densenet层间采用激活函数relu去线性化；设置dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用密集连接与权值共享，滤除过程噪声和干扰信息，通过有监督方式学习不同特征输出预测值，最后通过反标准化得到相应优选指标所对应的时刻tc之后t时间内的瓦斯浓度最大值y，t定义为预测长度，t＝30min。
进而得到各优选指标对应的瓦斯浓度最大值的预测值集合y＝[y1,y2,
…
,ym]。
[0069]
s5，将各优选指标对应的预测值输入预设的组合预测模型，得到最终预测值；
[0070]
其中，在本实施例中，所使用的组合预测模型为lstm(long short-termmemory，长短期记忆)模型，其网络结构如图4所示。
[0071]
基于上述，上述s5具体实现过程包括：
[0072]
s51，将y＝[y1,y2,
…
,ym]标准化后得到yn；
[0073]
s52，将yn依次输入2层lstm，同样设置dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用densenet层密集连接与权值共享，最后通过反标准化得到时刻tc之后t时间内的瓦斯浓度最终预测值y
predict
；
[0074]
s53，将y
predict
与设定的瓦斯浓度临界值进行比较，若y
predict
大于设定的瓦斯浓度临界值，则表示在时刻tc后，t＝30min时间内，瓦斯浓度存在超限可能，需及时采取对应解危措施；否则，表示安全，可正常生产。
[0075]
综上，本实施例基于安全监控系统中的多元监测数据，计算了待预测瓦斯浓度指标与其他指标的spearman等级相关系数(src)，考虑相关性程度随时间的变化，进行指标动态优选。提取每一指标的时间序列特征与空间拓扑特征，建立特征矩阵，将m个预测指标的特征矩阵逐一输入bi-lstm单指标模型，得到各指标当前时刻tc之后t时间内的瓦斯浓度最大值的预测值。将各指标得到的预测值再次输入lstm组合模型，得到最终预测值y
predict
，进而可以根据最终得到的预测值及预先设定的临界值，预测瓦斯超限情况。预测结果如图5所示。
[0076]
进一步地，为验证本实施例所提供的瓦斯浓度组合预测方法的有效性，下面结合瓦斯浓度预测值和设置的临界值(1％)对预测结果进行分析评价。应用决定系数(r2)评价瓦斯浓度预测效果；应用预报效能(r)评价瓦斯超限情况预测效果。其中，决定系数(r2)和预报效能(r)定义如下：
[0077][0078][0079]
式中，n为样本总数；yi为瓦斯浓度真实值；为瓦斯浓度预测值。tp为预测值超限，且真实值超限的样本数，即超限报准的样本数；fn为预测值未超限，但真实值超限的样本数，即漏报的样本数；fp为预测值超限，但真实值未超限的样本数，即虚报的样本数；tn为预测值未超限，且真实值未超限的样本数，即未超限报准的样本数。
[0080]
具体地，本实施例中的参数设置为：时间窗长度l＝1d，滞后步长h＝5，预测长度t＝30min，预测步长p＝30min，即根据当前时刻前1d的多元监测数据，计算优选指标长度为5的特征矩阵，应用优选指标对当前时刻后30min内的瓦斯浓度超限情况进行预测，每30min预测1次。对于mm256、mm263、mm264三个关键传感器，在325组测试集数据样本中，瓦斯浓度预测的决定系数(r2)分别为0.980，0.974，0.940；瓦斯超限情况的预测结果如图6所示，由此可知，三个关键传感器瓦斯超限情况的预报效能(r)分别为77.3％，75.0％，87.5％。由此证明了本发明所提供的技术方案对瓦斯浓度及其超限情况预测的有效性。
[0081]
第二实施例
[0082]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0083]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0084]
第三实施例
[0085]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0086]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0087]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0088]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0089]
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0090]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。