基于深度学习的井下瓦斯浓度预测系统设计与实现

发布时间：2020-10-29 11:44

　　 煤炭是我国的重要能源之一,占有很大的消费比重,随着需求量的不断增加,煤矿的采掘规模也在不断的扩增,与此同时生产安全也是我们必须关注的重大问题。瓦斯灾害在煤矿事故中经常发生,对于煤矿开采工作造成了很大的危害。随着通信技术、互联网技术以及大数据技术的快速发展,煤矿开采现场已经实现井下分布式传感器系统,该系统采集的瓦斯数据呈现着高非线性和高度复杂性的特点。就目前而言,对于采集的海量数据进行瓦斯浓度预测,在可靠性、准确性和实时性方面还存在严重的不足。因此,本文基于深度置信网络对采集的瓦斯数据进行处理和分析,可以很好的利用其强大的函数表达能力和特征提取功能以及处理非线性数据的优势;并设计了基于Spark的实时数据处理系统对瓦斯浓度进行准确实时的预测,作用于海量的数据分析,从后期的维护和扩展性等方面来说都是可行的,主要研究工作如下:首先,对传统的BP神经网络进行分析,并针对BP神经网络容易出现梯度扩散和陷入局部极小值等问题,提出了基于受限玻尔兹曼机的深度置信网络,构建瓦斯浓度预测模型。该模型是从人工神经网络发展而来,不但充分利用了人工神经网络的优点,而且也弥补了它的不足之处,和BP神经网络预测模型进行对比分析,进一步确定了其应用于瓦斯浓度预测的可行性以及准确性。然后,针对矿井下采集的瓦斯浓度数据特点以及数据量的快速增长等问题,建立Spark实时数据处理系统,结合深度置信网络算法,对瓦斯浓度进行准确实时的预测。同时,整个系统具备高可用、易扩展、通用性等特点,减轻了后期对于系统维护的负担,解决了海量数据处理的问题。在设计上采用了大数据生态圈中例如Flume、Kafka、Spark等优秀的技术框架,并且提出了一系列优化策略。最后,将采集到的大量数据集通过离线数据处理系统进行验证,最终结果显示:对三个月的数据进行预测分析,使用DBN网络预测模型对比于BP网络预测模型,工作面各节点平均均方根误差减少0.01378左右,实时计算每个批次任务处理时间约为4.5s,预测准确率较高,实时性较好,从而达到了良好的瓦斯浓度预测,减少瓦斯灾害的发生。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TD712.55
【部分图文】：

工程硕士专业学位论文第四章，介绍了“基于 Spark 实时数据处理系统”所涉及到的大数据相关技括分布式存储技术、日志收集技术、分布式消息队列技术和实时计算技术。第五章，分析系统的需求，设计系统架构。主要分为数据采集模块、实时计块和离线数据处理模块，并提出了一些系统优化方案。介绍了系统平台的软、环境部署和规划，最后对系统的功能进行展示。第六章，对本文内容进行总结和展望。主要内容如图 1-1 所示：

图 2-1 人工神经网络结构图Figure 2-1 Artificial neural network structure其中 f(x)为激活函数，是用来加入非线性因素，因为遇到非线性问题可能束手无策，而激活函数具有非线性的特点，线性模型不能解决此类问题时，就以使用该函数[75]。常用的激活函数有如下公式 2-2 至 2-5 所示：（1）Sigmoid 函数xex 11f ()(2-Sigmoid 函数可以把在较大范围变化的值控制在（0，1）的范围内，因此称为“挤压函数”，特别的，如果是非常大的负数，输出为 0，如果是非常大正数，那么输出为 1。（2）Tanh 函数（双曲正切函数）xxeex2211f() (2-它的输出是 0 均值的，输出区间为（-1，1）。（3）ReLu 函数（线性修正函数）

图 2-2 BP 神经网络结构图Figure 2-2 BP neural network structuren 为输入节点个数，q 和 m 分别为隐层和输出层节点个数，对于一个 BP 神网络训练过程可以分为如下步骤：（1）对原始数据预处理，其中预处理的过程包含数据清洗，归一化等过程，后把干净的数据集进行划分，分为训练样本和验证样本。设计神经网络中每个经元的权值和阈值，以及学习率等参数，进行网络训练。（2）训练集 Xi（i=1,2,3,...n），其中 i 表示第 i 个输入的节点，输入层和隐之间的权值为 Wij，设激励函数为 f(x)，隐层中阈值为θi，那么对于隐层中第 i神经元的输入：neti，如公式 2-7 所示： nj 1iijiinet wx (2-7)隐含层第 i 个神经元的输出值为：yi，如公式 2-8 所示：y=f(net)=f(wx)nj1iiijii (2-8)
【相似文献】

相关期刊论文 前10条

1 彭成东;;关联规则挖掘在矿井瓦斯浓度预警系统中的应用[J];安徽水利水电职业技术学院学报;2017年02期

2 尚彦军;张腾飞;谢峰震;魏思宇;张伟光;;12.8呼图壁地震煤矿瓦斯浓度和涌水突变现象探析[J];科学技术与工程;2017年27期

3 骆大勇;何荣军;陈雄;;基于瓦斯浓度监测异常数据预报煤与瓦斯突出[J];煤炭与化工;2013年11期

4 张宝燕;李茹;穆文瑜;;基于混沌时间序列的瓦斯浓度预测研究[J];计算机工程与应用;2011年10期

5 秦汝祥;张国枢;杨应迪;;瓦斯浓度序列的煤与瓦斯突出预报方法及应用[J];安徽理工大学学报(自然科学版);2008年01期

6 姜迂姬;王忠海;贺平;周庆溪;;MSLL-1微电脑瓦斯浓度流量监测仪[J];仪器仪表与分析监测;1987年02期

7 栾世忠;立井注浆封堵瓦斯的尝试[J];煤矿设计;1988年02期

8 杨其銮 ,王佑安;瓦斯球向流动的数学模拟[J];中国矿业学院学报;1988年03期

9 叶汝陵;矿井反风时风流与瓦斯的交换——矿井反风量是否一定需要大于正常风量的60%[J];煤炭工程师;1988年03期

10 侯贤文,张滋昌;我们是如何实施《掘进安全技术装备系列化标准》的[J];中州煤炭;1988年04期

相关博士学位论文 前10条

1 张强;基于阻抗测试法煤体中瓦斯水合物形成动力学研究[D];哈尔滨理工大学;2018年

2 卢卫永;含瓦斯煤层水力致裂的驱赶瓦斯规律研究[D];中国矿业大学;2018年

3 余照阳;高瓦斯易自燃采空区流场特征及遗煤氧化特性研究[D];中国矿业大学;2018年

4 黄凯峰;煤矿安全监测监控系统瓦斯浓度异常信号辨识方法研究[D];安徽理工大学;2016年

5 邓广福;基于可调谐激光光谱的矿井瓦斯气体传感系统的研究[D];吉林大学;2008年

6 王振锋;瓦斯抽采浓度控制机理及管路浓度自动调控预警系统研究[D];河南理工大学;2014年

7 陈祖云;煤与瓦斯突出前兆的非线性预测及支持向量机识别研究[D];中国矿业大学;2009年

8 李海臣;采煤工作面瓦斯浓度超限预警技术及装备研究[D];中国矿业大学（北京）;2011年

9 杨春丽;突出诱发瓦斯爆炸数值模拟及实证研究[D];中国矿业大学（北京）;2009年

10 张杰;基于云计算数据集成模式的矿井瓦斯预警研究[D];西安科技大学;2014年

相关硕士学位论文 前10条

1 马晟翔;突出煤层长距离定向钻孔瓦斯区域消突技术研究[D];贵州大学;2019年

2 侯宗斌;低透气性突出煤层顺层钻孔CO_2致裂强化预抽瓦斯技术研究[D];贵州大学;2019年

3 张波;电热高温场下预抽钻孔瓦斯渗流THM耦合数值模拟研究[D];贵州大学;2019年

4 李欢;基于时空序列的瓦斯浓度预测方法研究[D];中国矿业大学;2019年

5 王然鹏;基于瓦斯解吸的煤基质形状因子研究[D];中国矿业大学;2019年

6 张雨;基于深度学习的井下瓦斯浓度预测系统设计与实现[D];中国矿业大学;2019年

7 张永刚;鹤岗地区矿山地震监测与瓦斯预警研究[D];吉林大学;2018年

8 李阳;高压水射流作用下煤体瓦斯渗流特性研究[D];华北理工大学;2018年

9 李岩松;基于数据融合的瓦斯危险程度预测研究[D];西安科技大学;2018年

10 周俊;含水顶板条件下下向穿层钻孔抽采瓦斯运移规律研究[D];中国矿业大学;2018年

本文编号：2860852