煤自燃预测技术对于煤自燃的防治有重要意义。煤自燃倾向性和自然发火期的实验研究是自燃预测的基础。采用煤自然发火实验能准确测定自然发火期,但该实验一般需要1个月以上的实验时间和1吨以上的实验煤样。本文采用改进的程序升温氧化实验,准确测定煤自燃在不同温度下的耗氧速率及气体产生率,认为煤在不同温度下的耗氧速率,CO、CO2产生率,与煤的自燃倾向性和自然发火期之间存在对应关系。针对这种对应关系,本文分别建立了模糊聚类和模糊模式识别煤自然发火期预测法、最小二乘法预测法、人工神经网络预测法三种模型,,对煤自燃性进行预测。运用模糊聚类和模糊模式识别法,首先根据已有的煤自然发火实验数据用模糊聚类的方法确定类别,然后根据升温氧化实验数据采用模糊模式识别的方式对研究煤样的自燃倾向性进行归类。由于这种方法是根据分类结果进行预测,所以预测的结果只能是大的类别,而无法得到精确的自然发火期天数。根据理论分析,建立了煤自然倾向性与煤在不同温度下耗氧速率、CO产生率及CO2产生率之间关系的理论模型,应用最小二乘法确定该模型的参数。从而可以根据实验结果预测煤的自然发火期,分析煤的自然倾向性。该模型建立在一定的理论基础上,结果的精确度也比较高,但计算过程相对繁琐。建立了煤在不同温度下的耗氧速率,CO、CO2产生率,与煤的自然发火期之间对应关系的人工神经网络模型。用已有的煤自然发火实验数据对该神经网络进行训练,得到了神经元间的联结强度。将煤样程序升温氧化实验数据及煤质分析数据代入该人工神经网络,可计算出煤样实验自然发火期。该方法计算方便,还可以估算预测的精度,但需要大量样本对网络进行训练。在实际的工作中,可以根据已知数据量和需要,选用不同的数学模型对煤自燃性进行预测。