煤矿瓦斯浓度是煤矿安全监测的重要指标之一,对煤矿井下瓦斯浓度进行精确测量和实时监测控制是防止煤矿瓦斯爆炸的重要措施。目前我国用于煤矿井下监控瓦斯浓度的设备,主要是采用基于光干涉、热催化和电化学等原理的瓦斯传感器。但在使用一段时间后,这些传感器的电气特性都会发生变化,比如零点漂移、灵敏度下降和精度变差等,而且现在使用的煤矿安全监测系统一般都不具备预测与预报的能力。因此,对关键测点的瓦斯传感器输出的瓦斯浓度进行预测,对确保矿井生产安全显得尤为重要。瓦斯浓度随时间动态发展是一个复杂的非线性过程,采用传统方法分析其影响因素来预测是不易实现的。目前,大多数对基于神经网络的瓦斯浓度预测的研究和建模,都是人为地选择输入端和训练样本个数,存在一定的主观性,缺乏理论依据。根据神经网络理论,神经网络的输入端个数和训练样本数对神经网络的建模精度有很大影响。另外,在实际建模过程中,瓦斯浓度的变化受多种因素共同影响,经常出现无法获得一部分变量的情况。针对以上问题,将混沌时间序列理论引入瓦斯预测中,为瓦斯浓度预测模型的建立提供理论依据。本文首先介绍了瓦斯预测研究的现状和存在的问题,以及本文研究的主要内容和意义,然后介绍了混沌时间序列的基本理论及BP和RBF神经网络的结构、特性和训练算法。最后,通过C-C方法可以解出该时间序列的嵌入维数m和延迟时间τ;根据Takens原理对原一维时间序列重构相空间,继而使用wolf方法计算Lyapunov指数判断该相空间为混沌相空间。以嵌入维数m和延迟时间τ这两个参数为参考建立瓦斯浓度预测的神经网络模型,通过输入已知瓦斯浓度信号对神经网络进行训练,得出瓦斯变化规律。