平顶山某矿丁6-31030工作面瓦斯异常特征及诊断准则研究

发布时间：2021-08-18 04:41

　　煤矿井下瓦斯浓度是监测监控的重中之重,但是针对瓦斯监测数据异常的问题,目前主要依靠人工判断与决策,对数据特征的分析与利用不足,且存在滞后性,海量的瓦斯监测数据尚有极大的研究空间。本文就平顶山某矿丁6-31030工作面为例,对其瓦斯监测数据进行分析和挖掘,通过分析监测数据的稳定性,并对其进行预处理,发现其数据特征,研究瓦斯异常类型的识别方法,同时设计了基于时空相关性的辅助决策系统。通过三次平滑法、移动平均线法和AR模型法等对非正常监测数据进行与处理后,分析瓦斯监测数据的稳定性,确定了最佳稳定周期30d、最短稳定周期16d。通过分析瓦斯监测数据的特征确定了7种表现模式及其成立条件。在确定了7种易发生在回采工作面的瓦斯类型后,根据进一步的研究,发现每种异常对应的表现模式,并确定了每种异常的诊断准则。采用神经网络的方法对瓦斯监测数据进行异常识别,通过其较高的准确率验证了诊断准则的准确性。进而编程实现了瓦斯异常类型的实时诊断,准确率较高。通过寻找最大相关性的方法,确定了不同位置瓦斯监测数据的滞后时间,并将其运用到辅助决策,一方面提高了诊断准则的准确率;另一方面,对无法识别的瓦斯异常提供了辅助决策... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

PDS8825传感器校瓦斯校验数据预处理前后对比

2瓦斯数据稳定性与数据特征指标9数据，并运用小波软阈值法消噪，可以得到预处理后的数据，如图2-3。（a）预处理前瓦斯监测数据（b）预处理后瓦斯监测数据图2-3PDS6218传感器采煤速度过快瓦斯数据预处理前后对比Figure2-3Comparisonofgasdatabeforeandafterpre-processingbeforeandaftercoalminingspeedofpds6218sensoristoofast部分对应的瓦斯监测数据预处理前后如表2-1、2-2所示，可以发现预处理前的瓦斯监测数据存在较多的负值，这很明显不符合实际，而且处理前的监测数据监测时间间隔不同，导致了较多的监测数据特征不能很好地被发现。表2-2PDS8825传感器预处理前部分瓦斯监测数据Table2-2Partialgasmonitoringdatabeforepds8825sensorpretreatment时间浓度9:48:200.039:48:36-29:48:52-0.479:49:08-0.049:49:240.02表2-3PDS6218传感器预处理后部分瓦斯监测数据Table2-3Partialgasmonitoringdataafterpds6218sensorpretreatment时间浓度时间浓度时间浓度时间浓度3:29:000.473:29:460.283:30:320.383:31:180.383:29:020.433:29:480.333:30:340.413:31:200.423:29:040.473:29:500.383:30:360.383:31:220.453:29:060.513:29:520.423:30:380.343:31:240.493:29:080.483:29:540.453:30:400.373:31:260.443:29:100.453:29:560.423:30:420.413:31:280.413:29:120.423:29:580.393:30:440.443:31:300.353:29:140.393:30:000.353:30:460.383:31:320.33:29:160.363:30:020.353:30:480.353:31:340.33:29:180.393:30:040.393:30:500.353:31:360.333:29:200.343:30:060.423:30:520.33:31:380.363:29:220.383:30:080.393:30:540.273:31:400.413:29:240.423:30:100.333:30:560.33:31:420.353:29:260.453:30:120.373:30:580.343:3

工程硕士专业学位论文10时间浓度时间浓度时间浓度时间浓度3:29:320.443:30:180.333:31:040.393:31:500.423:29:340.413:30:200.33:31:060.363:31:520.393:29:360.383:30:220.343:31:080.333:31:540.433:29:380.353:30:240.313:31:100.33:31:560.463:29:400.393:30:260.353:31:120.353:31:580.433:29:420.343:30:280.383:31:140.383:32:000.463:29:440.313:30:300.413:31:160.353:32:020.432.3瓦斯数据稳定性（Gasdatastability）在工作面回采活动中，赋予在煤中的瓦斯随着开采活动不断释放出来。根据收集到的大量瓦斯监测数据，可以发现回采活动正常进行时，瓦斯监测数据趋于稳定，波动较校如下图2-4所示，选取现场某个回采工作面未发生瓦斯数据异常的一天内瓦斯数据变化曲线，传感器监测的瓦斯浓度在0.2-0.4之间，而且在0.25上下浮动，当然不同矿井不同工作面的数据存在差异，但是都有着类似的规律。图2-4丁6-31030工作面传感器瓦斯监测数据图（天）Figure2-4Ding6-31030workingfacesensorgasmonitoringdatamap(days)表2-4丁6-31030工作面一天内瓦斯监测数据表Table2-4Ding6-31030WorkingFaceOne-dayNevasMonitoringDataSheet时间浓度时间浓度时间浓度时间浓度时间浓度0:030.254:530.259:430.2914:330.3519:230.260:080.254:580.259:480.3214:380.3219:280.260:130.255:030.259:530.2814:430.2819:330.290:180.255:080.259:580.3214:480.2519:380.260:230.255:130.2510:030.2914:530.2519:430.290:280.255:180.2510:080.2914:580.2819:480.260:330.255:230.2510:130.2615:030.3219:530.260:380.255:280.2510:180.2615:080.2919:580.260:430.255:330.2510:230.2315:130.3220:030.26

【参考文献】：
期刊论文
[1]矿井瓦斯监测数据趋势预测研究进展[J]. 魏连江,梁伟,高金晓,罗新荣,胡建坤.  煤矿安全. 2016(10)
[2]矿井通风网络特征参数关联性研究[J]. 魏连江,周福宝,梁伟,胡建坤,罗新荣.  煤炭学报. 2016(07)
[3]煤矿瓦斯浓度的CAPSO-ENN短期预测模型[J]. 付华,刘雨竹,李海霞,徐耀松,王雨虹.  传感技术学报. 2015(05)
[4]矿井监控预警诊断系统研究[J]. 赵丹,陈帅,潘竞涛.  中国安全科学学报. 2015(04)
[5]综放工作面瓦斯涌出量预测方法及工程实践[J]. 马建宏,陈懿博,庞泽明.  中国安全生产科学技术. 2014(10)
[6]地应力对瓦斯压力及突出灾害的控制作用研究[J]. 程远平,张晓磊,王亮.  采矿与安全工程学报. 2013(03)
[7]瓦斯动态涌出指标适用性研究[J]. 高建宁.  煤矿安全. 2013(02)
[8]平岗1202工作面割煤速度与瓦斯涌出关系研究[J]. 孙广义,于涛,张永彬.  煤炭技术. 2012(10)
[9]基于实时监测数据的综采工作面瓦斯涌出特征分析[J]. 张仕和,才庆祥,陈开岩.  采矿与安全工程学报. 2012(04)
[10]基于时间序列相似性度量的瓦斯报警信号辨识[J]. 朱世松,汪云甲,魏连江.  中国矿业大学学报. 2012(03)

博士论文
[1]煤矿复杂风网“瓦斯异常涌出—变频调风稀释”自动控制理论及方法研究[D]. 胡利明.中国矿业大学 2014
[2]煤矿瓦斯监测多传感器信息融合与知识发现研究[D]. 朱世松.中国矿业大学 2013
[3]基于支持向量机数据融合的矿井瓦斯预警技术研究[D]. 黄为勇.中国矿业大学 2009
[4]多传感器信息融合理论及在矿井瓦斯突出预警系统中的应用研究[D]. 缪燕子.中国矿业大学 2009
[5]瓦斯监测系统故障智能诊断技术研究[D]. 王其军.山东科技大学 2007
[6]煤矿瓦斯灾害特征提取与信息融合技术研究[D]. 付华.辽宁工程技术大学 2006

硕士论文
[1]豫西煤田地质构造特征及其对瓦斯赋存的控制[D]. 曹召丹.中国矿业大学 2014



本文编号：3349213