论文部分内容阅读
近年来,煤与瓦斯突出事故频发,尤其是在一些自动化程度相当高的矿井甚至是低瓦斯矿井也开始出现突出事故,突出事故已然成为煤炭行业可持续发展的制约因素。如何更加精确地对煤与瓦斯突出进行预测预警成为亟需解决的重要问题。论文以国家自然科学基金为依托,以煤矿具体项目为实际研究背景,对煤与瓦斯突出的预测预警进行了深入研究。本文的研究工作主要包括以下四个方面:(1)综合了煤与瓦斯突出事故的预警预测理论模型。对比分析了国内外煤与瓦斯突出机理的各类假说和煤与瓦斯突出预测技术的研究现状,基于智能信息处理对煤与瓦斯突出预测预警进行了深入研究。(2)建立了粒子群优化神经网络的煤与瓦斯突出危险性区域预测模型。针对基于BP神经网络的煤与瓦斯突出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合了粒子群优化算法极强的全局搜索能力和BP算法快速的局部搜索能力,提出了结合粒子群优化算法与BP神经网络算法的煤与瓦斯突出危险性区域预测模型。实验表明,该预测模型与基于BP神经网络的预测相比,在收敛速度和泛化能力上均有很大提高。(3)建立了基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测模型,对瓦斯浓度时间序列进行了e -SVR回归预测研究,基于PSO对SVM瓦斯浓度模型进行了优化,利用软阈值小波去噪法对煤矿监测监控系统中的工作面瓦斯浓度时间序列进行了去噪分析。通过调整支持向量机不敏感损失参数e对瓦斯浓度时间序列进行预测建模,分析比较了SVM参数变化对预测精度的影响,最后对预测误差进行了分析。(4)建立了瓦斯浓度突出的DFNN预警模型,通过模糊RBF神经网络对模糊控制器的隶属度函数值进行训练,DFNN模型即可表达定性知识,又能表达定量知识,具有强大的自学习能力,实现了对瓦斯突出的提前预警目的,灵活性好,综合性强,准确性高,具有较好的应用前景。最后通过Matlab仿真实验验证了模型的可行性。