基于支持向量机的煤矿瓦斯突出预测系统的研究

发布时间：2017-04-05 05:11

  本文关键词：基于支持向量机的煤矿瓦斯突出预测系统的研究，由笔耕文化传播整理发布。

【摘要】：瓦斯突出是引发煤矿重大恶性事故的隐患,在防突治理方面,如何提高瓦斯突出危险性预测的精度,使防突措施减少盲目性,增强针对性的研究工作是有实用意义的。瓦斯突出预测问题是一个受多种因素综合影响的复杂的、非线性的、高维问题,传统的方法往往难以奏效,寻求一种有效的煤与瓦斯突出预测方法一直是煤矿地质工作者积极探索的研究方向。本文在分析了煤与瓦斯突出机理和影响因素的基础上,把统计学习理论的最新方法一支持向量机,应用于瓦斯突出的预测中,为解决矿井瓦斯突出预测问题提供了一条新途径。 现阶段在瓦斯涌出量预测中最为常见的方法是利用BP神经网络,它将瓦斯预测技术基础理论与神经网络分析方法有机地结合起来,具有现代理论基础研究方法,能够进行一定程度上的瓦斯突出预测,但是在样本数据处理上还存在过学习现象等一些不足。针对这个问题本文采用小波分析及支持向量机的瓦斯数据预测算法,结合基于STM32煤矿监控数据采样的硬件部分,提高数据采样精度和瓦斯预测准确性,增强井下作业的安全性。在参阅大量文献的基础上,论文主要研究工作如下： 首先,本文引入瓦斯突出的机理、突出的一般规律,对影响煤与瓦斯突出的地质因素进行了分析。煤与瓦斯突出现象非常复杂,尤其是随着开采深度、强度、速度和规模的增加和扩大,影响煤与瓦斯突出的因素众多,各因素之间关系的复杂性,致使传统方法难以精确预测。 其次,本文提出了基于免疫支持向量机的煤矿瓦斯突出预测模型。由于瓦斯突出时所能搜集到的特征向量有限,这对于需要大量训练样本的BP网络来说,网络的训练具有一定的局限性,存在局部极小点和过学习等问题。因此,论文引入了基于小样本学习的支持向量机。为了进一步提高预测准确率,利用小波对采样的数据进行分析、重构、去噪,优化采样数据。运用免疫进化算法,通过抗体最大程度匹配抗原的原理寻求参数c和g的最优解,避免选取的盲目性充分优化模型。通过对比一般SVM模型的仿真结果,可知基于免疫支持向量机的瓦斯突出预测,提高了预测系统的推广能力,缩短了预测时间。 最后,由于目前的预测方法用到的参数众多,有些参数采集困难,使用十分不便。为解决这个问题,本文采用性价比好和稳定性能高的STM32作为核心处理器实现采集,通过与井下瓦斯、温度传感器无线射频通信,对安全监控数据进行实时高精度的采样,提高数据处理的可靠性。
【关键词】：瓦斯突出 免疫进化算法 支持向量机 STM32f103
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TD713;TP18
【目录】：

• 摘要5-7
• Abstract7-15
• 1 绪论15-21
• 1.1 煤矿瓦斯突出的研究背景及意义15-16
• 1.2 煤矿瓦斯突出预测的国内外研究现状及发展方向16-18
• 1.3 本论文的主要研究内容18-21
• 2 井下瓦斯浓度影响因素分析21-27
• 2.1 瓦斯突出机理21-22
• 2.2 瓦斯突出类型22
• 2.3 瓦斯突出一般规律22-23
• 2.4 影响瓦斯突出的因素23-26
• 2.4.1 围岩条件24
• 2.4.2 煤层煤质特征24
• 2.4.3 地质构造条件24-25
• 2.4.4 煤体结构25
• 2.4.5 煤层埋藏深度25
• 2.4.6 其他因素25-26
• 2.5 本章小结26-27
• 3. 井下瓦斯数据的采集及预处理27-47
• 3.1 瓦斯传感器在井下煤矿的数据采集27-29
• 3.1.1 瓦斯传感器的工作原理27-28
• 3.1.2 瓦斯传感器的硬件铺设28
• 3.1.3 瓦斯传感器的信号传输28-29
• 3.2. 温度传感器在井下煤矿的数据采集29-30
• 3.2.1 数字温度传感器29
• 3.2.2 温度传感器的硬件架构29-30
• 3.3 煤矿井下瓦斯数据预处理30-46
• 3.3.1 小波分析滤波原理31-33
• 3.3.2 小波包分析33-36
• 3.3.3 小波小波分析的信号消噪处理36-46
• 3.4 本章小结46-47
• 4 支持向量机理论47-65
• 4.1 支持向量机理论47-54
• 4.1.1 统计学理论简介47-49
• 4.1.2 分类支持向量机理论49-53
• 4.1.3 分类支持向量机学习算法53-54
• 4.1.4 支持向量机与人工神经网络相比较54
• 4.2 构造支持向量机多分类预测模型54-59
• 4.2.1 支持向量机多类分类方法的基本原理55-57
• 4.2.2 支持向量机多分类方法性能比较57-58
• 4.2.3 构造一对多分类方法58-59
• 4.3 核函数的选取59-61
• 4.3.1 可分性60-61
• 4.3.2 局部性61
• 4.4 核函数参数的影响和选取61-64
• 4.5 本章小结64-65
• 5. 基于免疫支持向量机的瓦斯突出预测65-81
• 5.1 免疫进化算法理论65-68
• 5.1.1 免疫算法的生物学机理65-66
• 5.1.2 免疫进化算法的思想66-67
• 5.1.3 免疫进化算法表达式67-68
• 5.2 免疫进化算法的收敛性68-70
• 5.3 免疫进化算法的优点70-71
• 5.4 免疫支持向量机算法模型的设计71-76
• 5.4.1 模型样本训练集和测试集的选定71-72
• 5.4.2 数据归一化72-73
• 5.4.3 免疫进化算法选择最佳参数c和g73-76
• 5.5 瓦斯突出预测模型的仿真与测试76-79
• 5.6 本章小结79-81
• 6. 煤矿瓦斯突出预测系统硬件设计81-95
• 6.1 单片机最小系统设计81-89
• 6.1.1 Cortex-M3内核介绍81-83
• 6.1.2 STM32F103系列单片机83-87
• 6.1.3 STM32单片机最小系统87-89
• 6.2 数据采集模块设计89-90
• 6.2.1 模拟量数据采集89
• 6.2.2 开关量数据采集89-90
• 6.3 数据存储与显示模块设计90-91
• 6.4 RS485通信模块设计91-92
• 6.5 EEPROM模块设计92-93
• 6.6 时钟电路模块设计93-94
• 6.7 本章小结94-95
• 7 结论95-97
• 参考文献97-99
• 致谢99-101
• 作者简介及读研期间主要科研成果101

【参考文献】

中国期刊全文数据库 前10条

1 王斌国;陈玉娥;;KJ2000煤矿综合监控系统中的表格组态[J];福建电脑;2006年06期

2 米建国,李继培;依靠科技 遏制瓦斯矿难[J];中国发展观察;2005年09期

3 张小云,刘允才;高斯核支撑向量机的性能分析[J];计算机工程;2003年08期

4 齐志泉,田英杰,徐志洁;支持向量机中的核参数选择问题[J];控制工程;2005年04期

5 刘英学;淮南谢李深井开采矿井瓦斯涌出量预测研究[J];煤矿安全;1994年10期

6 赵延明;;基于改进BP神经网络的瓦斯含量预测模型[J];工矿自动化;2009年04期

7 马永军,李孝忠,王希雷;基于模糊支持向量机和核方法的目标检测方法研究[J];天津科技大学学报;2005年03期

8 徐义田,王来生,张好治,孙宝山;基于SVM的分类算法与聚类分析[J];烟台大学学报(自然科学与工程版);2004年01期

9 杨胜远;李金林;杨东朋;;ARMA模型在瓦斯浓度预测中的应用[J];中国煤炭;2008年06期

10 梁运培,罗小林;回采工作面瓦斯涌出规律及涌出量预测方法的研究[J];中州煤炭;1999年06期

  本文关键词：基于支持向量机的煤矿瓦斯突出预测系统的研究，由笔耕文化传播整理发布。

，

本文编号：286519