摘要: 矿井作业过程中，气体泄漏始终是影响安全生产的重要风险。一氧化碳、甲烷和氢气在井下环境中出现频率高，且危害方式不同。一氧化碳容易造成人员中毒，而甲烷和氢气在一定条件下会引发爆炸。因此，如何在混合气体环境中快速、准确地区分这些气体，是矿井安全监测中的关键问题。目前广泛使用的催化燃烧气体传感器，虽然结构简单、成本较低，但在多气体同时存在时容易出现交叉响应。这种现象会削弱传感器对目标气体的区分能力，也会影响后续识别算法的稳定性。基于这一现实问题，本文从提出了一种新的矿井多组分危险气体快速识别方案，构建了一种结合一维卷积神经网络和双向长短期记忆网络的混合模型。一维卷积网络用于提取传感器响应中的局部变化信息，而双向长短期记忆网络用于刻画气体响应过程中的时间相关性。该模型可以直接对原始时序数据进行学习，避免了人工特征提取带来的不确定性。为了进一步提升模型性能，本文引入红鹿优化算法（Red Deer Algorithm, RDA)对网络的关键超参数进行调整。实验结果表明，该系统能够区分三种单一气体、三种二元混合气体以及一种三元混合气体。在只使用气体注入后前 10 秒响应数据的情况下，模型仍能保持较高的识别准确率。这一结果说明，该方法在保证气体识别精度的同时，也满足矿井环境对快速预警的实际需求。