基于逻辑回归模型的瓦斯浓度异常值检测与预警

发布时间：2021-01-27 02:09

　　在煤层地质构造不确定性、开采强度变化、瓦斯抽采方案调整和人员作业管理等因素的影响下,瓦斯浓度监测数据通常会存在异常情况。仅依据瓦斯浓度阈值指标不能有效反映危险程度的演化过程,进行预警存在一定风险,为提升瓦斯浓度异常值检测的准确性,提出了一种基于逻辑回归模型的瓦斯浓度异常值检测与预警新方法。建立瓦斯数据检测逻辑回归模型后,得到了合理的回归系数并进行了检测试验。试验预测数据结果表明,利用建立的逻辑回归模型识别异常数据的正确率达85%以上,可以有效识别未达到阈值上限的瓦斯数据是否存在异常状态,为优化矿井瓦斯浓度的监测与预警提供了新方法。 

【文章来源】：陕西煤炭. 2020,39(04)

【文章页数】：7 页

【部分图文】：

传感器位置分布

数据处理的必要性:井下瓦斯浓度的情况仅依据国家和矿区的规章制度来判断是否报警还是断电是有弊端的，当采掘工作面没有开始工作处于检修状态时，采集到的瓦斯数据大部分在0.0%～0.2%之间，此时检测到异常数据若为0.6%未超过1.0%的报警上限，监测监控系统选择不报警是有可能带来风险的。因此，要对采集到的瓦斯浓度数据进行即时有效的分析，规避井下瓦斯突出等风险因素。图3 8 h工作面瓦斯浓度随时间变化散点图

8 h工作面瓦斯浓度随时间变化散点图

【参考文献】：
期刊论文
[1]瓦斯浓度流数据实时异常检测方法[J]. 吴海波,施式亮,念其锋.  计算机与数字工程. 2019(05)
[2]煤炭开采与岩层运动[J]. 钱鸣高,许家林.  煤炭学报. 2019(04)
[3]我国煤矿瓦斯事故的发生规律分析[J]. 李元超.  煤矿现代化. 2019(03)
[4]基于监测技术的采煤工作面瓦斯浓度预测预警[J]. 韩磊.  山西焦煤科技. 2017(Z1)
[5]煤矿安全监控系统现状及发展趋势[J]. 郭江涛.  煤矿机械. 2017(03)
[6]综采面采煤前后瓦斯分布规律研究[J]. 刘大伟.  陕西煤炭. 2015(01)
[7]基于孤立点检测的煤矿瓦斯浓度异常判定[J]. 敖培,杨百顺,李明,李延强.  生物技术世界. 2014(12)
[8]黄陵矿区一、二号煤矿瓦斯变化原因分析[J]. 任恩奇.  陕西煤炭. 2014(04)
[9]基于再生核RBF神经网络的瓦斯突出预测系统[J]. 彭泓,王聪,王斌.  计算机测量与控制. 2012(06)
[10]《煤矿安全监控系统及检测仪器使用管理规范》解读[J]. 郑厚发.  劳动保护. 2007(09)



本文编号：3002230