[发明专利]低瓦斯矿井综采工作面瓦斯浓度智能控制方法

说明书

本发明公开了一种低瓦斯矿井综采工作面瓦斯浓度智能控制方法，系统由环境监测模块感知工作面通风状态及瓦斯浓度等环境参数，结合大数据预测瓦斯变化趋势，在预测区间瓦斯变化趋势即将超限时，首先增大工作面供风量，由分析决策模块优化调节模型确定通风设施调节位置及调节量，由智能调控模块向井下远程可控通风设施发出调控指令，完成调节后，工作面风量供应增加，瓦斯浓度下降；同时监测系统依据采空区火灾监测数据，合理控制工作面供风；当在此两项约束下，工作面风量不能再增加时，向综采设备发出调控指令，降低割煤速度或者暂停割煤，在工作面瓦斯趋势状态恢复到安全范围后再恢复割煤，降低了工作面瓦斯超限事故的风险，有利于安全生产。

技术领域

本发明涉及煤矿智能开采领域，尤其涉及一种低瓦斯矿井综采工作面瓦斯浓度智能控制方法。

背景技术

煤炭依然是全球最重要的基础能源之一，随着物联网技术的发展，健康绿色智能化开采成为了目前煤炭行业的主流趋势，煤矿智能开采技术的发展，使煤矿井下综采工作面将向少人甚至无人化发展，这不仅大大提高了煤矿企业的生产效率，而且大幅降低了安全事故的发生几率，不过，工作面瓦斯治理不及时，瓦斯超限事故频发等问题仍然制约着煤矿智能开采技术的发展。传统的工作面瓦斯治理模式，预测预报单靠井下传感器的阀值，不能做到提前预防，且发生报警后，系统没有直接关联井下通风系统、采煤系统，往往要经历井下传感器报警、技术人员分析决策、制定防治措施、实施防治方案等步骤，整个过程繁琐冗长，做不到及时有效。

发明内容

本发明的目的在于解决综采工作面瓦斯治理不及时，瓦斯超限事故。

为实现上述目的，本发明提供一种低瓦斯矿井综采工作面瓦斯浓度智能控制方法，包括：

获取历史的环境监测数据，汇总形成历史数据集，根据所述历史数据集，通过长短期记忆循环神经网络时间序列预测模型，得到瓦斯浓度时间序列预测模型；

获取实时的所述环境监测数据，通过所述瓦斯浓度时间序列预测模型分析实时的所述环境监测数据并预测瓦斯浓度变化，得到瓦斯浓度超限区间；

判断瓦斯浓度是否超过所述超限区间，若超过，则根据初始风量q₀计算综采工作面中的需求风量q₁；

判断所述综采工作面的风速是否超限以及是否超过供风能力，若是，则直接调节采煤机的割煤速度，维持瓦斯浓度不超过所述瓦斯浓度区间，若不是，则增大风速至所述需求风量q₁；

获取改变风速至所述需求风量q₁的一个调节周期后的采空区的火灾指标气体，判断所述采空区中的所述火灾指标气体是否超限以及是否连续增加，若不是，则继续监测所述火灾指标气体，若是，则改变风量至初始风量q₀并调节所述采煤机的割煤速度。

根据本发明的一个方面，所述环境监测数据包括：

所述综采工作面的瓦斯传感器数据、所述综采工作面的绝对静压传感器数据和所述采煤机的割煤速度。

根据本发明的一个方面，所述根据所述历史数据集得到瓦斯浓度时间序列预测模型方法为：

通过所述长短期记忆循环神经网络时间序列预测模型结合历史的所述环境监测数据得到所述瓦斯浓度时间序列预测模型，根据预测的时间步长，以当前时间为起点，向前切割所述历史数据集，从所述历史数据集中平均取出_N个数据样本并将其编号为x₁～x_N，将N个所述数据样本分M组数据，第一组为x₁～x_(M-1)，根据第一组信息预测x_M的信息，第二组为x₂～x_M，预测x_(M+1)的信息，依次预测信息，得到当前时间的下一个所述时间步长的所述瓦斯浓度时间序列预测模型。