煤矿地质复杂,矿井灾害频发,瓦斯爆炸、突水、粉尘等各种灾害隐藏在煤炭开采过程中。其中瓦斯爆炸的破坏力度大且结果不可逆,严重威胁煤矿安全运行,尤其是综采面上隅角,其地理位置、空间结构均特殊,容易积聚瓦斯因而出现爆炸。本课题在国家重点研发计划项目“矿山新型甲烷通风仪器安全防尘计量技术研究”(2017YFF0205500)和安徽光机所的资助和支持下,重点对矿井下上隅角处瓦斯浓度检测设备的设计与应用,以及对瓦斯浓度预测模型等方面进行研究。在瓦斯检测系统方面,对不同检测方法的研究和筛选,确定总设计方案并完成系统搭建。首先,完成了基于TDLAS技术实现便携式瓦斯浓度检测系统的硬件选型,设计并搭建硬件电路,包括用于浓度检测的激光模块,用于信号放大的调理模块,用于临时存储检测值的数据存储模块以及用于连接上位机的通信模块。其次,设计了上位机显示平台,包括检测数据显示与浓度预测界面以及数据存储界面等,实现了数据的显示、预测以及存储的功能。最后经试验验证,研制的便携式检测设备能够完成瓦斯浓度的检测,达到了预期目标。在瓦斯浓度预测方面,基于多种模型预测瓦斯浓度。考虑到影响瓦斯浓度值的多种因素,采用BP神经网络预测模型逼近实测中瓦斯浓度影响因素和瓦斯浓度之间的非线性关系,建立了更加完整的预测模型。使用循环程序确定隐层神经元数目,避免了层数过多导致的梯度稀疏和梯度扩散现象的出现,为了进一步解决模型存在的含有实际意义的特征难以提取的问题,利用ARMA模型提取数据集特征以改进BP神经网络的性能,使得特征提取更加精准从而提高预测结果精度,通过ARMA分析得出稳定项和波动项,参与调整BP神经网络权值和阈值的修正,由于基于ARMA和BP神经网络组合的预测模型仍会陷入局部最小值,出现无法得到最优解的情况。为了解决无法得到最优解的情况,将RBM模型应用到BP神经网络的训练中,使用RBM模型可以避免在特征选择中可能由于主观因素导致选择了一些无关特征、重复特征,以取到具有实际意义的特征标签,这不仅可以提高预测精度,也避免出现陷入局部最小值。最后,采用预测结果曲线、和方差、均方根误差、平均绝对误差以及标准差比较分析了多种预测算法的预测精度。与其他算法相比,基于RBM改进的BP神经网络具有明显的优势,将其应用在本文设计的便携式检测系统中,通过试验验证该算法具有可行性,预测精度较高。该论文有图64幅,表17个,参考文献78篇。