基于正态检验的瓦斯涌出异常预警方法
发布时间：2021-11-22 14:12
为实现瓦斯灾害智能预警,从统计学角度分析瓦斯涌出时间序列概率分布特点,提出基于正态性检验的瓦斯涌出异常预警方法,利用Matlab对时间序列进行Ryan-Joiner与偏度—峰度联合正态检验。实验结果表明,当瓦斯涌出状态变化平稳没有大幅度波动时,瓦斯涌出序列服从正态分布;当瓦斯涌出状态出现大幅度波动且变化异常时,瓦斯涌出序列不服从正态分布。利用联合正态检验方法可实现瓦斯涌出异常提前预警,为辅助瓦斯灾害防治提供理论依据。
【文章来源】：软件导刊. 2020,19(03)
【文章页数】：5 页
【部分图文】：
瓦斯涌出异常预警方法流程是发出预警信号
结果检验结果图3Ryan—Joiner检验结果（a）第一次异常Ryan-Joiner正态（b）第二次异常Ryan-Joiner正态检验
?酝咚褂砍鍪奔湫蛄胁环?诱?态分布作为判断瓦斯涌出异常的依据，即当t时刻不满足R≥Rα及||g1?1.96sg1且||g2?1.96sg2时，认为t时刻瓦斯涌出序列不符合正态分布，此时瓦斯涌出进入异常状态，并发出预警信号以提醒需采取相应措施。利用Matlab对该工作面不同时刻生成的瓦斯涌出时间序列进行Ryan-Joiner与偏度—峰度联合正态检验，瓦斯涌出异常检验结果如图3、图4所示。（a）第一次异常Ryan-Joiner正态（b）第二次异常Ryan-Joiner正态检验结果检验结果图3Ryan—Joiner检验结果（a）第一次异常偏度—峰度正态（b）第二次异常偏度—峰度正态检验结果检验结果图4偏度—峰度检验结果对该工作面瓦斯涌出时间序列进行联合正态检验，挖掘该工作面瓦斯涌出时间序列分布特征，以此作为瓦斯涌出状态判断依据。由实验结果可看出，当时间序列不符合正态分布时，判定此时刻瓦斯涌出进入异常阶段，表明瓦斯涌出变化显著，发出预警信号。由图2（a）可知，第一次瓦斯涌出异常时间序列t=39min时，瓦斯浓度为0.49%，较之前时段瓦斯浓度有突然增大的趋势。由实验结果图3（a）、图4（a）可看出此时Ryan-Joiner检验统计量R开始位于检验分位数之下，序列偏度值与峰度值不满足||g1?1.96sg1且||g2?1.96sg2的正态判定条件，此时发出报警信号，随后瓦斯涌出量发生大幅度变化，工作面状况发生改变。由图3（b）、图4（b）实验结果分析可知，第二次瓦斯涌出异常共发出三次预警信号，分别为：在t=49min时，瓦斯浓度为0.80%，瓦斯浓度突然跃变增大；在t=92mi
【参考文献】：
期刊论文
[1]瓦斯灾害预警模型的Eclat算法[J]. 赵艳芹,张恒,童朝娣. 黑龙江科技大学学报. 2019(04)
[2]沈阳市降水量正态分布检验及其时空变化特征[J]. 吉曹翔,李崇,陈鹏心,班伟龙,白冰,宋晓巍,金宇,梁红. 干旱气象. 2018(06)
[3]煤与瓦斯突出预警方法探讨[J]. 赵旭生,宁小亮,张庆华,马国龙. 工矿自动化. 2018(01)
[4]基于Spark Streaming流回归的煤矿瓦斯浓度实时预测[J]. 吴海波,施式亮,念其锋. 中国安全生产科学技术. 2017(05)
[5]煤与瓦斯突出层次-可拓预警技术及应用[J]. 郭德勇,胡杰,王彦凯. 中国安全科学学报. 2017(01)
[6]基于灰色关联分析-GA-BP模型预测煤层瓦斯含量[J]. 郝天轩,李鹏飞. 中国矿业. 2016(11)
[7]基于数据挖掘技术的瓦斯灾害信息特征提取[J]. 刘翔,杨帆. 煤炭技术. 2016(08)
[8]基于Hadoop的神经网络算法在网络学习评价中的应用研究[J]. 陈志华. 计算机与数字工程. 2016(02)
[9]我国煤矿瓦斯防治技术的研究进展及发展方向[J]. 宁德义. 煤矿安全. 2016(02)
[10]基于PCA-GA-BP神经网络的瓦斯含量预测分析[J]. 曹博,白刚,李辉. 中国安全生产科学技术. 2015(05)
博士论文
[1]基于云计算的神经网络并行实现及其学习方法研究[D]. 张海军.华南理工大学 2015
[2]基于安全监控系统实测数据的瓦斯浓度预测预警研究[D]. 董丁稳.西安科技大学 2012
本文编号：3511858
【文章来源】：软件导刊. 2020,19(03)
【文章页数】：5 页
【部分图文】：
瓦斯涌出异常预警方法流程是发出预警信号
结果检验结果图3Ryan—Joiner检验结果（a）第一次异常Ryan-Joiner正态（b）第二次异常Ryan-Joiner正态检验
?酝咚褂砍鍪奔湫蛄胁环?诱?态分布作为判断瓦斯涌出异常的依据，即当t时刻不满足R≥Rα及||g1?1.96sg1且||g2?1.96sg2时，认为t时刻瓦斯涌出序列不符合正态分布，此时瓦斯涌出进入异常状态，并发出预警信号以提醒需采取相应措施。利用Matlab对该工作面不同时刻生成的瓦斯涌出时间序列进行Ryan-Joiner与偏度—峰度联合正态检验，瓦斯涌出异常检验结果如图3、图4所示。（a）第一次异常Ryan-Joiner正态（b）第二次异常Ryan-Joiner正态检验结果检验结果图3Ryan—Joiner检验结果（a）第一次异常偏度—峰度正态（b）第二次异常偏度—峰度正态检验结果检验结果图4偏度—峰度检验结果对该工作面瓦斯涌出时间序列进行联合正态检验，挖掘该工作面瓦斯涌出时间序列分布特征，以此作为瓦斯涌出状态判断依据。由实验结果可看出，当时间序列不符合正态分布时，判定此时刻瓦斯涌出进入异常阶段，表明瓦斯涌出变化显著，发出预警信号。由图2（a）可知，第一次瓦斯涌出异常时间序列t=39min时，瓦斯浓度为0.49%，较之前时段瓦斯浓度有突然增大的趋势。由实验结果图3（a）、图4（a）可看出此时Ryan-Joiner检验统计量R开始位于检验分位数之下，序列偏度值与峰度值不满足||g1?1.96sg1且||g2?1.96sg2的正态判定条件，此时发出报警信号，随后瓦斯涌出量发生大幅度变化，工作面状况发生改变。由图3（b）、图4（b）实验结果分析可知，第二次瓦斯涌出异常共发出三次预警信号，分别为：在t=49min时，瓦斯浓度为0.80%，瓦斯浓度突然跃变增大；在t=92mi
【参考文献】：
期刊论文
[1]瓦斯灾害预警模型的Eclat算法[J]. 赵艳芹,张恒,童朝娣. 黑龙江科技大学学报. 2019(04)
[2]沈阳市降水量正态分布检验及其时空变化特征[J]. 吉曹翔,李崇,陈鹏心,班伟龙,白冰,宋晓巍,金宇,梁红. 干旱气象. 2018(06)
[3]煤与瓦斯突出预警方法探讨[J]. 赵旭生,宁小亮,张庆华,马国龙. 工矿自动化. 2018(01)
[4]基于Spark Streaming流回归的煤矿瓦斯浓度实时预测[J]. 吴海波,施式亮,念其锋. 中国安全生产科学技术. 2017(05)
[5]煤与瓦斯突出层次-可拓预警技术及应用[J]. 郭德勇,胡杰,王彦凯. 中国安全科学学报. 2017(01)
[6]基于灰色关联分析-GA-BP模型预测煤层瓦斯含量[J]. 郝天轩,李鹏飞. 中国矿业. 2016(11)
[7]基于数据挖掘技术的瓦斯灾害信息特征提取[J]. 刘翔,杨帆. 煤炭技术. 2016(08)
[8]基于Hadoop的神经网络算法在网络学习评价中的应用研究[J]. 陈志华. 计算机与数字工程. 2016(02)
[9]我国煤矿瓦斯防治技术的研究进展及发展方向[J]. 宁德义. 煤矿安全. 2016(02)
[10]基于PCA-GA-BP神经网络的瓦斯含量预测分析[J]. 曹博,白刚,李辉. 中国安全生产科学技术. 2015(05)
博士论文
[1]基于云计算的神经网络并行实现及其学习方法研究[D]. 张海军.华南理工大学 2015
[2]基于安全监控系统实测数据的瓦斯浓度预测预警研究[D]. 董丁稳.西安科技大学 2012
本文编号：3511858
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3511858.html
