[发明专利]矿井受限空间灾害气体浓度智能预测方法及装置

权利要求书

1.一种矿井受限空间灾害气体浓度智能预测方法，其特征在于，包括：

S1：对原始有毒有害气体的浓度监测时间序列中的异常数据进行处理，得到处理后的目标有毒有害气体浓度序列；

步骤S1包括：

通过历史数据判别法和格拉布斯准则判别法对原始有毒有害气体的浓度监测时间序列中的异常数据进行判别，选出目标异常数据，其中，历史数据判别法为：依据矿井受限空间灾害气体数据库，基于各类监测数据的规律和特点，首先确定监测点处没有出现突发事件的情况，再根据历史数据的特征，对原始有毒有害气体的浓度监测时间序列中异常数据进行判别；

格拉布斯准则判别法为：设某监测点的原始有毒有害气体的浓度监测时间序列为X＝{x(t),t＝1,2,…,n}，将x(t)按升序排列成顺序统计量x(1)≤x(2)≤…≤x(n)；计算下侧格拉布斯数和上侧格拉布斯数为原始有毒有害气体的浓度监测时间序列整体的算术平均值，σ为原始有毒有害气体的浓度监测时间序列整体的方差，n为原始有毒有害气体的浓度监测时间序列中数据个数；根据显著性水平α，计算格拉布斯准则数G(n,α)；若g(1)≥G(n,α)，则x(1)为异常值；若g(n)≥G(n,α)，则x(n)为异常值；重复上述格拉布斯准则判别法的步骤，直到判断出原始有毒有害气体的浓度监测时间序列中所有异常值为止；

采用移动平均线法对所述目标异常数据进行处理，以根据各所述目标异常数据预设范围内的数据的统计特征，得到各所述目标异常数据的估计值，并用相应的估计值替代目标异常数据，其中，移动平均线法为：原始有毒有害气体的浓度监测时间序列为X＝{x(t),t＝1,2,…,n}，设其中某时刻t＝i时出现异常值，则计算i时刻的移动平均线值x(i)来代替异常值，x(i)通过在t＝i时刻前n_x个数据点的均值计算得到，

S2：确定所述目标有毒有害气体浓度序列的重构嵌入维数，并将所述目标有毒有害气体浓度序列分解为高频分量、低频分量和趋势项；

S3：根据所述重构嵌入维数分别将所述高频分量、所述低频分量和所述趋势项进行相空间重构后，作为小波神经网络预测模型的输入量，分别得到所述高频分量的预测值、所述低频分量的预测值和所述趋势项的预测值；

S4：将所述高频分量的预测值、所述低频分量的预测值和所述趋势项的预测值相加得到所述有毒有害气体的浓度预测值。

2.根据权利要求1所述的方法，其特征在于，在步骤S2中，将所述目标有毒有害气体浓度序列分解为高频分量、低频分量和趋势项，包括：

通过小波神经网络法在所述目标有毒有害气体浓度序列的两端各增加一个特征波，得到延拓后的有毒有害气体浓度序列；

确定所述延拓后的有毒有害气体浓度序列中各信号的局部极值点，对各所述极值点进行三次样条插值处理后，求得各信号的上包络线、下包络线以及均值包络线；

根据各信号的上包络线、下包络线以及均值包络线，选出符合内禀模态函数的目标信号，并将所述目标信号分解成有限个内禀模态函数与一个残余量之和，以得到所述目标有毒有害气体浓度序列的高频分量、低频分量和趋势项。

3.根据权利要求1所述的方法，其特征在于，在步骤S3之前，所述方法还包括：所述小波神经网络预测模型的训练步骤：

对原始有毒有害气体的浓度监测时间序列中的异常数据进行处理，得到处理后的目标有毒有害气体浓度序列；

将所述目标有毒有害气体浓度序列分解为高频分量、低频分量和趋势项，并根据所述目标有毒有害气体浓度序列的重构嵌入维数分别将所述高频分量、所述低频分量和所述趋势项进行相空间重构；

将相空间重构后的样本进行分类，确定训练样本和测试样本，由所述训练样本训练小波神经网络预测模型，并根据预测输出结果与期望输出结果的误差，根据所述误差不断修正所述小波神经网络预测模型的参数，以使所述小波神经网络预测模型的预测输出结果不断逼近所述期望输出结果，得到训练好的小波神经网络预测模型；

将所述测试样本输入到所述训练好的小波神经网络预测模型，以判断所述训练好的小波神经网络预测模型的预测精度。