[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

说明书

本发明公开了一种矿井受限空间灾害气体浓度智能预测方法及装置，属于矿井安全领域，该方法包括：矿井受限空间灾害气体浓度监测数据预处理；将处理后的数据进行改进的经验模式分解；将处理后的数据基于IEMD‑WNN预测模型预测矿井受限空间灾害气体浓度。本发明采用改进的经验模式分解法能有效的弥补传统经验模式分解法在求包络线时存在特殊的端点效益，克服传统算法存在的严重误差，本发明对灾害气体浓度未来一段时间内的变化趋势进行合理预测，在弱化随机、不确定性信息干扰的同时，提高了预测精度，是一种可行的矿井受限空间灾害气体浓度智能预测方法，具有较高的实际应用价值。

技术领域

本发明属于矿井安全领域，更具体地，涉及一种矿井受限空间灾害气体浓度智能预测，特别是一种改进的经验模态分解法与小波神经网络预测模型结合的智能预测方法及装置。

背景技术

金属矿山地下开采是在有限的井巷空间中进行的，受井巷尺寸狭小的限制，加上与地表连通的井巷较少，导致井巷内外的空气很难形成对流，使得在采矿过程中形成的各种污染物以及矿岩自身氧化产生的有毒有害物质不易被快速扩散，从而造成工作人员急性或慢性中毒，甚至危及生命，给企业安全生产带来严重威胁，因此，根据有毒有害气体浓度的历史监测数据(即时间序列)，对未来一段时间内监测点处有毒有害气体浓度值做出较准确的预测显得尤为重要。

目前时间序列预测方法主要有基于线性统计理论的传统预测方法和智能预测方法，传统预测方法对于非线性时间序列的预测存在一定的局限性，智能预测方法如神经网络预测法(Neural Network，NN)，存在过拟合和易陷入局部最优等缺点，使得其泛化能力比较低，而且存在初始权值和阈值选取的主观性问题，导致其应用受到一定的限制，灰色模型预测法(Grey Model，GM)，适合原始数据符合指数分布规律且波动不激烈的情况，支持向量回归机预测法(Support Vector Regression，SVR)，主要缺点是模型参数的确定没有统一的标准，对预测结果的精度影响较大。

金属矿井有毒有害气体浓度时间序列记录的是连续时间有毒有害气体浓度的变化值，不能反映出由于各种影响因素共同作用而导致的有毒有害气体浓度变化过程，如设备故障、风速与风压变化以及其他人为因素引起的有毒有害气体浓度变化等。由于受这些因素的共同作用，矿井有毒有害气体浓度变化具有随机性、不确定性以及高度非线性等特点。经验模态分解是一种按频率的差异把复杂的非线性、非平稳信号分解为有限个内禀模态函数之和的信号分解方法，传统的算法在求包络线是容易产生严重的误差，存在特殊的端点效益，并且随着误差逐步向数据内部传递，造成分解结果的错误。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种矿井受限空间灾害气体浓度智能预测方法及装置，由此解决现有矿井受限空间灾害气体浓度预测精度存在一定局限性的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种矿井受限空间灾害气体浓度智能预测方法，包括：

(1)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；

(2)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；

(3)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；

(4)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。

优选地，步骤(1)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；