煤矿综采工作面瓦斯浓度预测模型

李欢, 贾佳, 杨秀宇, 宋春儒

李欢，贾佳，杨秀宇，等.煤矿综采工作面瓦斯浓度预测模型［J］.工矿自动化，2018,44（12）：48-53.. DOI: 10.13272/j.issn.1671-251x.17364
引用本文: 李欢，贾佳，杨秀宇，等.煤矿综采工作面瓦斯浓度预测模型［J］.工矿自动化，2018,44（12）：48-53.. DOI: 10.13272/j.issn.1671-251x.17364
shu
LI Huan, JIA Jia, YANG Xiuyu, SONG Chunru. Gas concentration prediction model for fully mechanized coal mining face[J]. Journal of Mine Automation, 2018, 44(12): 48-53. DOI: 10.13272/j.issn.1671-251x.17364
Citation: LI Huan, JIA Jia, YANG Xiuyu, SONG Chunru. Gas concentration prediction model for fully mechanized coal mining face[J]. Journal of Mine Automation, 2018, 44(12): 48-53. DOI: 10.13272/j.issn.1671-251x.17364
shu

煤矿综采工作面瓦斯浓度预测模型

  • 1.

    中国矿业大学 信息与控制工程学院， 江苏 徐州221008

  • 2.

    山西中煤华晋能源有限责任公司 王家岭分公司， 山西 运城043000

  • 3.

    同煤国电同忻煤矿有限公司， 山西 大同037000

基金项目: 

国家重点研发计划项目（2016YFC0801808）

详细信息

  • 中图分类号: TD712

Gas concentration prediction model for fully mechanized coal mining face

  • 1.

    School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221008,China

  • 2.

    Wangjialing branch, Shanxi China Coal Huajin Energy Co., Ltd.,Yuncheng 043000, China

  • 3.

    Tongmei Guodian Tongxin Coal Mine, Datong 037000, China

HTML全文

    摘要
  • 摘要: 针对基于最小二乘支持向量机（LS-SVM）的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题，提出了一种基于改进蚁群算法-最小二乘支持向量机(ACO-LS-SVM)的瓦斯浓度预测模型。首先，对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析，以降低数据维数；然后，采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优，再代入LS-SVM模型中进行回归预测。仿真结果表明，当瓦斯体积分数绝对误差阈值分别为0.03%，0.04%，0.05%时，基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右，比SVM模型和LS-SVM模型表现更好。
    Abstract: In view of problems of gas concentration prediction method based on least squares support vector machine (LS-SVM) such as easy to fall into local optimal solution, low search efficiency and easy to occur premature convergence during parameter optimization process, a gas concentration prediction model based on ACO-LS-SVM was proposed. Firstly, k-means clustering analysis is performed on collected large amount of gas data on fully mechanized coal mining face to reduce dimension. Then, improved ant colony algorithm is used to optimize penalty parameters and kernel function parameters of LS-SVM, and the optimized parameters are substituted into the LS-SVM model for regression prediction. The simulation results show that when absolute error threshold of gas concentration is 0.03%, 0.04%, 0.05%, the prediction accuracy of the gas concentration prediction model based on ACO-LS-SVM is about 95%, which is better than SVM model and LS-SVM model.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(30)

  • 期刊类型引用(13)

    1. 盛武，樊斌斌. EMD-GRU组合模型在煤矿瓦斯体积分数预测中的应用. 安全与环境学报. 2025(04): 1339-1348 . 百度学术
    2. 兰永青，乔元栋，程虹铭，雷利兴，罗化峰. 基于SSA-LSTM的瓦斯浓度预测模型. 工矿自动化. 2024(02): 90-97 . 本站查看
    3. 胡青松，郑硕，李世银，孙彦景. 基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法. 煤炭科学技术. 2024(S2): 321-330 . 百度学术
    4. 张沛泓，李殿维，张喜乐. 基于变分模态分解的瓦斯浓度多尺度组合预测. 辽宁工程技术大学学报(自然科学版). 2023(01): 18-24 . 百度学术
    5. 王秋冬，雷美荣，张艳军，赵嘉兴. 井下皮带防灭火机器人的设计. 工业仪表与自动化装置. 2023(05): 60-63 . 百度学术
    6. 朱海军，李晨，刘彬. 矿用不间断电源风机变频器DC/DC设计与研究. 煤矿机械. 2022(10): 6-9 . 百度学术
    7. 梁运培，栗小雨，李全贵，毛树人，郑梦浩，李建波. 基于CS-LSTM的工作面瓦斯浓度智能预测研究. 矿业安全与环保. 2022(04): 80-86 . 百度学术
    8. 范京道，黄玉鑫，闫振国，李川，王春林，贺雁鹏. ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究. 工矿自动化. 2022(09): 134-139 . 本站查看
    9. 付华，刘雨竹，徐楠，张俊男. 基于多传感器-深度长短时记忆网络融合的瓦斯浓度预测研究. 传感技术学报. 2021(06): 784-790 . 百度学术
    10. 袁静泊，琚云鹏，杨龙月，吕承阳. 井下局部通风机储能型变流器控制策略研究. 工矿自动化. 2020(02): 65-72+93 . 本站查看
    11. 卫颖婕. 基于ZFM4/48型区域自动喷粉灭火装置的煤矿抑爆系统设计. 机械管理开发. 2020(10): 247-248+272 . 百度学术
    12. 常亮，张恒，杨雪欣. 一种GRU的瓦斯浓度预测改进模型. 黑龙江科技大学学报. 2020(05): 532-535+550 . 百度学术
    13. 王鹏，伍永平，王栓林，宋超，吴学明. 矿井瓦斯浓度Lagrange-ARIMA实时预测模型研究. 煤炭科学技术. 2019(04): 141-146 . 百度学术

    其他类型引用(17)

    • 资源附件(0)
计量
  • 文章访问数:  80
  • HTML全文浏览量:  9
  • PDF下载量:  18
  • 被引次数: 30
出版历程
  • 刊出日期:  2018-12-09

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献
    资源附件(0)

    /

    返回文章
    返回

    苏ICP备 05016349号-2

    本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1223655    百度统计