顶板事故在所有煤矿事故中发生最为频繁,造成的损失最大,对顶板危险性进行预测与评价的研究刻不容缓。传统顶板危险性预测与评价方法无法满足煤炭工业的实际需求,而深度学习模型与方法能够弥补此短板。但在煤矿安全领域,尤其是在顶板危险性预测与评价的课题中,基于深度学习的研究工作还是一项空白。因此,亟需将深度学习引入煤矿安全领域,根据井下煤矿的实际情况,对监测数据进行非线性与混沌分析,研究基于深度学习的改进模型与算法,对煤矿井下巷道顶板的局部点与局部区域进行危险性预测,对巷道顶板整体危险性进行动态评价。论文在充分的文献与资料调研基础上,首先研究了煤矿顶板多源动态监测数据的混沌分析解耦方法,为后续危险性预测奠定了基础;其次研究了基于深度时序卷积生成网络的顶板危险性预测模型,从多元时间序列回归预测角度对煤矿井下巷道顶板的局部监测点进行危险性预测;之后研究了类别不平衡监测数据问题,从多元时间序列分类预测角度对煤矿巷道顶板局部区域进行危险性预测;最后研究了基于深度卷积模型特征融合的顶板危险性评价方法,从多源信息时空融合角度将各类监测变量融合,用于煤矿井下巷道顶板整体区域的危险性动态评价。论文的主要研究内容如下:(1)煤矿顶板动态监测变量的时序特性与混沌分析从煤矿安全监测数据的非线性时间序列特性出发,在混沌理论的框架下,通过对顶板动态监测数据进行多变量混沌相空间重构来恢复原始系统的动态特性,提出了一种用于多变量相空间重构参数计算的最大独立互相关算法。最大独立互相关算法能够同步地计算多变量相空间重构参数,能够有效地解决煤矿顶板多监测变量的高度耦合问题,并为后续基于监测变量的危险性预测研究奠定基础。(2)基于深度时序卷积生成网络的顶板局部点危险性预测在对顶板多监测变量混沌数据分析的基础上,对井下巷道顶板的局部点传感器监测时间序列进行回归预测。针对回归预测中存在的长期历史依赖性问题,引入深度学习方法,并以深度循环网络和深度卷积网络两种模型框架为基础进行研究。提出了一种基于扩张因果时序卷积网络(DCTCNN)和一种基于长短期记忆时序卷积网络(CNN-LSTM)的混合生成模型,解决了顶板局部点危险性预测的长期相关历史信息的记忆问题。在煤矿顶板实测数据上对提出的两种生成模型进行实验验证,结果表明DCTCNN和CNN-LSTM能够有效地预测煤矿顶板局部监测点的危险性。(3)面向类别不平衡监测数据的顶板局部区域危险性预测从分类预测角度出发对煤矿井下顶板的局部区域危险性预测问题进行研究,并进一步将问题抽象为多元时间序列的不平衡分类。提出了一种自适应损失敏感学习算法,用于深度时序卷积网络的训练,使其能够有效地进行多元时间序列不平衡分类。利用提出的优化算法将时序卷积网络(CNN)、时序全卷积网络(FCN)、时序残差网络(Res-Net)以及时序长短期记忆全卷积网络(LSTM-FCN)改进为损失敏感模型。实验结果表明,自适应损失敏感学习算法能够有效地提升深度时序卷积模型性能并且适用于大规模时间序列不平衡分类任务,能够有效地预测煤矿顶板局部区域的危险性。(4)基于深度卷积模型特征融合的顶板整体危险性评价。在对煤矿顶板局部点与局部区域危险性预测的研究基础上,探索井下巷道顶板整体区域的危险性动态等级评价。提出了一种基于深度卷积网络的顶板危险性等级评价模型,对多源顶板动态监测数据进行特征级信息融合,并将各类监测数据的空间与时间关系考虑在内。对监测数据进行三种不同时间尺度划分,用于模拟各类监测数据中存在的时间序列邻近性、周期性与趋势性特征。另外,将煤矿井下巷道顶板的整体空间位置作为深度卷积评价模型训练数据的标签。在某矿2017年的历史监测数据上对深度卷积评价模型进行实验验证,表明深度卷积评价模型能够完成更为细致的动态危险性评价工作,并且可以实现从顶板监测数据到顶板整体区域位置与安全等级的端到端学习。