ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究

范京道, 黄玉鑫, 闫振国, 李川, 王春林, 贺雁鹏

范京道,黄玉鑫,闫振国,等. ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究[J]. 工矿自动化,2022,48(9):134-139. DOI: 10.13272/j.issn.1671-251x.2022030024
引用本文: 范京道,黄玉鑫,闫振国,等. ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究[J]. 工矿自动化,2022,48(9):134-139. DOI: 10.13272/j.issn.1671-251x.2022030024
FAN Jingdao, HUANG Yuxin, YAN Zhenguo, et al. Research on gas concentration prediction driven by ARIMA-SVM combined model[J]. Journal of Mine Automation,2022,48(9):134-139. DOI: 10.13272/j.issn.1671-251x.2022030024
Citation: FAN Jingdao, HUANG Yuxin, YAN Zhenguo, et al. Research on gas concentration prediction driven by ARIMA-SVM combined model[J]. Journal of Mine Automation,2022,48(9):134-139. DOI: 10.13272/j.issn.1671-251x.2022030024

ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究

基金项目: 国家自然科学基金项目(52074214);陕西省自然科学基础研究计划资助项目(S2019-JC-LH-QY-SM-0065)。
详细信息
    作者简介:

    范京道(1965—),男,陕西蒲城人,高级工程师,博士研究生导师,博士,主要从事煤矿智能开采技术研究工作,E-mail:fanjd@126.com

    通讯作者:

    闫振国(1975—),男,山西交城人,讲师,博士,主要从事智能通风与安全技术方面的研究工作,E-mail:yanzg@xust.edu.cn

  • 中图分类号: TD712

Research on gas concentration prediction driven by ARIMA-SVM combined model

  • 摘要: 针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型(ARIMA)和支持向量机(SVM)模型的组合预测模型,并采用该模型对瓦斯浓度进行预测。首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果。其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA−SVM组合模型。利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果。实验结果表明:① ARIMA−SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型。② 相对于ARIMA模型、SVM模型,ARIMA−SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型。③ ARIMA−SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明ARIMA−SVM组合模型预测精度更高。
    Abstract: The single gas prediction model has weak capability in mining all characteristics of the mine gas concentration time sequence. In order to solve the problem, a combined prediction model based on autoregressive intergrated moving average (ARIMA) model and support vector machine (SVM) model is proposed. The model is used to predict gas concentration. Firstly, the prediction results of the two single models are obtained by using the ARIMA model and the SVM model to predict and analyze the experimental data respectively. Secondly, combining the autocorrelation function, partial autocorrelation function and Bayesian criterion, the optimal ARIMA model is obtained as ARIMA(1,1,2). According to the optimization of kernel function and other parameters, the optimal SVM model is established, and then the ARIMA-SVM combined model is established. The ARIMA model is used to process the historical data of the gas concentration time series and obtain the corresponding linear prediction result and the residual sequence. The SVM model is used to further analyze the nonlinear factors in the data residual sequence and obtain the unlinear prediction result. The prediction results of the two models are combined to obtain the final prediction result of the target gas concentration time series. The experimental results show the following results. ① The fitting degree of the prediction results of the ARIMA-SVM combined model is better than that of the ARIMA model and SVM single model. ② Compared with the ARIMA model and SVM model, the error of the ARIMA-SVM combined model is greatly reduced, and the prediction result is obviously better than that of the single model. ③ The mean absolute error, mean absolute percentage error and root mean square error of the ARIMA-SVM combined model are the smallest. This result indicates that the prediction precision of the ARIMA-SVM combined model is higher.
  • 大功率电液钻机(以下简称钻机)是应用于煤矿井下“以孔代巷”大直径定向钻孔高效施工的钻探设备,具有非接触控制特点。操控人员通过无线遥控器控制钻机[1-3],实现钻机自动取放钻杆、拧卸扣、提钻和钻进等动作,大大降低了作业人员劳动强度。但由于钻机的钻杆取放和钻杆拧卸(统称接钻杆)动作过程耗时长,导致钻机工作效率低。

    钻杆取放控制方法包括点位控制法、行程控制法、临界控制法。点位控制法具有实现简单、严格按照顺序执行等特点,采用接近开关进行检测,点位之间属于开环控制[4-8],存在安全隐患,同时按照顺序执行耗时长。行程控制法采用位移传感器实现钻杆取放闭环控制,保证了运行安全[9-11],但按照顺序执行耗时长。临界控制法在接钻杆指令发出后,机械臂先运行至临界位置等候,等到动力头离开钻杆取放中部区域后,再执行后续动作,缩短了钻杆取放时间[12-15],但钻杆临界悬停等待,长时间反复会引起机械臂变形,从而影响精度,且只能通过机械限位撞击憋压判断动力头是否离开钻杆取放区域,有一定的等待时间。

    钻杆拧卸控制方法包括液压匹配法和速度匹配法。液压匹配法通过调节动力头移动和回转液压油供给量实现钻杆拧卸,具有控制简单的特点,但液压油黏度受温度影响大,且压力调节响应存在时差,导致钻杆丝扣严重磨损,且拧卸扣耗时长。速度匹配法通过调节动力头移动和回转速度实现钻杆拧卸,具有精度高的特点,但钻杆拧卸耗时长,且双扣(主动钻杆和中间钻杆丝扣、中间钻杆和孔口钻杆丝扣)接扣采用串式法,耗时较长。

    针对现有钻机接钻杆耗时长的问题,提出了一种快速接钻杆方法。将该方法应用在钻机闭环系统上,实现钻机机械部件精准运行,将钻杆取放和拧卸动作并行联动(包括下钻接钻杆和提钻接钻杆)。下钻接钻杆采用机械臂闭环联动和动力头同步上扣方法,保证钻杆空间移动轨迹始终在安全、距离最优状态下运行,缩短了下钻接钻杆时间;提钻接钻杆采用差值位移同步法,通过计算机械臂抓手径向缩回和机械臂横梁轴向位移差值,解决动力头与钻杆丝扣松开过程中机械臂抓放钻杆时间过长、干涉等问题。

    闭环系统硬件包括机械部件和控制部件,机械部件是控制的本体,负责实现接钻杆动作;控制部件是控制的载体,负责实现接钻杆方法。

    机械部件包括机械大臂、机械横梁、机械小臂、机械抓手、动力头、主夹持器、副夹持器和松扣油缸[16-18]图1图2)。钻杆取放通过机械臂动作实现,钻杆拧卸通过动力头和夹持器动作实现。主动钻杆和中间钻杆之间丝扣拧卸称为前扣拧卸,中间钻杆和孔口钻杆之间丝扣拧卸称为后扣拧卸(图3)。

    图  1  单边固定门式机械臂
    1—机械大臂;2—机械横梁;3—机械小臂;4—机械抓手。
    Figure  1.  Unilateral fixed portal manipulator
    图  2  钻杆上卸位置区域
    1—动力头; 2—主夹持器 ;3—松扣油缸; 4—副夹持器。
    Figure  2.  Drill pipe loading and unloading position area
    图  3  钻杆丝扣拧卸
    1—主动钻杆;2—中间钻杆;3—孔口钻杆。
    Figure  3.  Unscrewing of drill pipe screw

    控制部件由传感器、PLC和电磁阀组成,如图4所示。传感器负责数据采集,PLC负责数据处理,电磁阀负责数据执行。

    图  4  系统控制部件
    Figure  4.  System control parts

    闭环系统检测端传感器分为3类14种,其中第1类为压力传感器,包括用于检测主夹持器夹紧压力、主夹持器松开压力、副夹持器夹紧压力、副夹持器松开压力、松扣油缸伸出压力、松开油缸缩回压力、机械抓手张开压力、机械抓手闭合压力;第2类为接近开关,用于检测钻杆公扣端与主夹持器干涉、钻杆母扣端与动力头干涉;第3类为位移传感器,用于检测动力头移动位置、机械大臂移动位置、机械横梁移动位置和机械小臂移动位置。

    闭环系统核心控制器PLC型号为DX−L4530。其可靠性高,主板具有4路CAN2.0B,28路输入,20路输出,其中单路最大输出电流为4 A。系统输入包括1路CAN总线、2路开关量和4路模拟量,其中CAN总线输入为压力传感器信号,开关量输入为接近开关信号,模拟量输入为位移传感器信号。系统输出包括6路开关量和12路比例量,其中开关量输出包括主夹持器夹紧/松开、副夹持器夹紧/松开、松扣油缸伸出/缩回信号,比例量输出包括机械手张开/闭合、动力头正转/反转、动力头给进/起拔、机械大臂伸出/缩回、机械横梁伸出/缩回、机械小臂伸出/缩回信号。

    闭环系统执行端电磁阀包括开关量电磁阀和比例电磁阀,开关量电磁阀用于控制钻机主副夹持器和松扣油缸动作,比例电磁阀用于控制动力头和机械臂动作。

    闭环系统软件基于CoDeSys V3.5 Patch 6平台进行开发和应用。软件自带PID、端口滤波、模拟量监测等模块,使得程序开发周期短。编程采用ST语言,可以简化繁琐指令,实现复杂算法,使得程序结构更紧凑,可读性更强[19-21]

    为了实现快速下钻接钻杆,提出机械臂闭环联动和动力头同步上扣方法,如图5所示。接收到下钻接钻杆指令后,先进行机械臂复位(机械大臂、机械横梁、机械小臂缩回到位,机械抓手中有钻杆),复位结束机械大臂、机械横梁和动力头同时动作。为了防止钻杆移动过程中与动力头和主夹持器干涉(碰撞),通过接近开关识别安全距离(10 mm),当识别到干涉,机械横梁停止动作,动力头继续后退,远离主夹持器。当干涉解除,机械横梁继续移动直至到位后,机械大臂和机械小臂联动,将钻杆自上而下快速放入中部上卸区域,在主夹持器重夹钻杆的同时,机械臂复位。此处主夹持器采用重夹,目的是保证前扣中心线重合,顺利实现2个丝扣无啮合重叠。然后主夹持器变换轻夹,以保证中间钻杆可以轴向滑动且中心线重合,实现前后2个丝扣无啮合重叠。此时动力头再全速回转和给进,前后双扣同时开始啮合,正转压力达到预设值10 MPa时,钻杆丝扣啮合结束。与常规顺序上扣相比,同步上扣方法的中间钻杆轴向和径向处于浮动状态,有效避免了因动力头回转和给进带来的刚性冲击、匹配不佳导致丝扣损坏的情况,同时前后双扣同时啮合,大大缩短了钻杆丝扣啮合时间。

    图  5  下钻接钻杆流程
    Figure  5.  Drilling down and drill pipe connection process

    下钻接钻杆运行耗时轨迹如图6所示,其中序号1—6为常规运行耗时轨迹,直线代表机械臂顺序独立动作时的方向和耗时(t1~t6),实心圆点代表既是前一个独立动作的结束又是后一个独立动作的开始;序号7—9为本文方法运行耗时轨迹,直线代表机械臂复合动作时的方向和耗时(t7~t9),实心圆点代表既是前一个复合动作的结束又是后一个复合动作的开始。可看出本文方法运行轨迹采用既定点到目标点的最短距离方法,即序号7代替序号1和序号2,序号8代替序号3和序号4,序号9代替序号5和序号6,下钻接钻杆运行轨迹步骤只有常规方法的1/2,且耗时短。

    图  6  下钻接钻杆运行耗时轨迹
    1—机械大臂伸出阶段;2—机械横梁伸出阶段;3—机械大臂缩回阶段;4—机械小臂伸出阶段;5—前扣拧紧阶段;6—后扣拧紧阶段;7—机械大臂、机械横梁复合动作阶段;8—机械大臂、机械小臂复合动作阶段;9—双扣拧紧复合阶段。
    Figure  6.  Time consumption track of drilling down and drill pipe connection

    提钻接钻杆属于连续循环动作,为了解决常规方法中动力头与钻杆丝扣松开过程中,机械臂抓放钻杆时间过长、干涉等问题,提出差值位移同步法。差值位移目的是解决机械抓手与上卸钻杆的干涉问题,同步指机械大臂、机械小臂、机械横梁、后扣卸松、前扣卸松动作同时进行,目的是缩短提钻接钻杆时间。提钻接钻杆流程如图7所示。下发提钻指令后,机械臂和动力头同时动作,动力头依次卸后扣和前扣,所以机械小臂抓放钻杆机械臂复位默认机械抓手中有钻杆。在机械大臂、机械小臂、机械横梁同时动作阶段,由于机械抓手中无钻杆,不存在钻杆与动力头和主夹持器干涉,反而是机械抓手与中间钻杆干涉。中间钻杆属于钻具,不可安装接近开关,因此,通过机械臂动作位移差值来防止机械抓手与中间钻杆干涉。经测试计算,当机械抓手径向升高300 mm时,与机械横梁轴向位移差值越大越安全,在动力头松开前扣完成后,机械臂开始复位,控制结束。

    提钻接钻杆运行耗时轨迹如图8所示,其中序号1—6为常规运行耗时轨迹,直线代表机械臂顺序独立动作时的方向和耗时(t10~t15),实心圆点代表既是前一个独立动作的结束又是后一个独立动作的开始;序号7为本文方法运行耗时轨迹,直线代表机械臂复合动作时的方向和耗时(t16~t19),实心圆点代表既是前一个复合动作的结束又是后一个复合动作的开始。可看出本文方法运行轨迹采用序号7代替序号1—6,提钻接钻杆运行轨迹步骤只有常规方法的1/6,且耗时短。

    图  7  提钻接钻杆流程
    Figure  7.  Lifting and drill pipe connection process
    图  8  提钻接钻杆运行耗时轨迹
    1—后扣卸松阶段;2—前扣卸松阶段;3—机械大臂伸出阶段;4—机械横梁伸出阶段;5—机械大臂缩回阶段;6—机械小臂伸出阶段;7—机械大臂、机械小臂、机械横梁、后扣卸松、前扣卸松复合动作阶段。
    Figure  8.  Time consumption track of lifting and drill pipe connection

    将快速接钻杆方法应用于160 kW定向钻机上,钻杆长度为1 500 mm,直径为128 mm。在鄂尔多斯唐家会煤矿6号煤南回风大巷与2号联巷交汇处向61103工作面采空区方向施工顶板钻孔,如图9所示。施工钻孔累计进尺为1 600 m,接钻杆次数累计2 000余次。

    图  9  现场施工画面
    Figure  9.  Site construction picture

    常规方法和本文方法接钻杆耗时统计如图10所示。可看出本文方法接钻杆整体耗时比常规方法短。

    图  10  不同方法接钻杆耗时统计
    Figure  10.  Time consumption statistics of drill pipe connection by different methods

    常规方法和本文方法下钻接钻杆、提钻接钻杆试验结果分别见表1表2。由表1 可看出,常规方法利用严格单步顺序执行,下钻接钻杆平均用时为226 s,整体接钻杆成功率为75.2%;本文方法利用机械臂闭环联动和动力头同步上扣方法,下钻接钻杆平均用时47 s,整体接钻杆成功率为97.5%。由表2可看出,常规方法提钻接钻杆平均用时78 s,整体接钻杆成功率为77.7%;本文方法提钻接钻杆平均用时37 s,整体接钻杆成功率为96.8%。本文方法下钻接钻杆、提钻接钻杆用时分别较常规方法节省179,41 s,整体下钻接钻杆、提钻接钻杆成功率分别提高22.3%,19.1%。

    表  1  不同方法下钻接钻杆实验结果
    Table  1.  Test results of drilling and drill pipe connection by use of different methods
    指标机械抓手机械小臂机械大臂机械横梁前扣后扣
    常规接钻杆
    方法用时/s
    最大值410131313067
    最小值2691112463
    平均值38111212765
    快速接钻杆
    方法用时/s
    最大值2230
    最小值1626
    平均值1928
    常规接钻杆
    方法成功率/%
    单独967075658560
    整体75.2
    快速接钻杆
    方法成功率/%
    单独9897
    整体97.5
    下载: 导出CSV 
    | 显示表格
    表  2  不同方法提钻接钻杆试验结果
    Table  2.  Test result of lifting and drill pipe connection by use of different methods
    名称机械抓手机械小臂机械大臂机械横梁前扣后扣
    常规接钻杆
    方法用时/s
    最大值41013132523
    最小值269112119
    平均值3811122321
    快速接钻杆
    方法用时/s
    最大值40
    最小值34
    平均值37
    常规接钻杆
    方法成功率/%
    单独967075658080
    整体77.7
    快速接钻杆
    方法成功率/%
    整体96.8
    下载: 导出CSV 
    | 显示表格

    1) 在快速下钻接钻杆过程中,钻杆取放过程采用机械臂闭环联动方法,优化了钻杆运行轨迹,钻杆拧卸过程采用动力头同步上扣方法,有效避免了动力头因回转和前进复合动作带来的刚性冲击、匹配不佳造成的丝扣损坏情况。

    2) 在快速提钻接钻杆过程中,考虑提钻接钻杆是一个连续循环动作,采用差值位移同步法,解决常规方法动力头与钻杆丝扣松开过程中,机械臂抓放钻杆时间过长、干涉等问题。

    3) 提出的快速接钻杆方法大大缩短了接钻杆时间,快速接钻杆方法下钻接钻杆、提钻接钻杆用时较常规方法节省179,41 s,整体成功率分别提高22.3%,19.1%。

  • 图  1   原始瓦斯浓度时间序列

    Figure  1.   Original time sequence of gas concentration

    图  2   非平稳瓦斯浓度时间序列的一阶差分结果

    Figure  2.   Result of first-order difference for time series of nonstationary gas concentrations

    图  3   非平稳瓦斯浓度时间序列的二阶差分结果

    Figure  3.   Results of second-order difference for time series of nonstationary gas concentrations

    图  4   自相关与偏自相关函数

    Figure  4.   Autocorrelation and partial autocorrelation functions

    图  5   BIC图

    Figure  5.   BIC diagram

    图  6   ARIMA模型的瓦斯浓度预测结果

    Figure  6.   Gas concentration prediction results by ARIMA model

    图  7   SVM模型的瓦斯浓度预测结果

    Figure  7.   Gas concentration prediction results by SVM model

    图  8   ARIMA−SVM组合模型的瓦斯浓度预测结果

    Figure  8.   Gas concentration prediction results by ARIMA-SVM combined model

    图  9   瓦斯浓度预测结果

    Figure  9.   Prediction results of gas concentration

    表  1   9月1日采集的部分瓦斯浓度数据

    Table  1   Part of the gas concentration data collected on September 1

    时间瓦斯体积分数/%时间瓦斯体积分数/%时间瓦斯体积分数/%时间瓦斯体积分数/%时间瓦斯体积分数/%时间瓦斯体积分数/%
    00:000.1501:000.2102:000.1503:000.1104:000.1505:000.20
    00:050.1501:050.1902:050.1303:050.1304:050.1705:050.18
    00:100.1301:100.1702:100.1303:100.0904:100.1705:100.22
    00:150.1701:150.1702:150.1303:150.1504:150.1705:150.18
    00:200.2101:200.1902:200.1103:200.1904:200.1905:200.20
    00:250.1901:250.2102:250.1303:250.1504:250.1705:250.22
    00:300.1701:300.1902:300.1103:300.1304:300.1105:300.2
    00:350.1501:350.1902:350.1303:350.1504:350.1305:350.2
    00:400.1701:400.1702:400.1103:400.1504:400.1105:400.22
    00:450.1101:450.1502:450.1303:450.1104:450.0905:450.18
    00:500.1501:500.1502:500.1303:500.1904:500.1605:500.20
    00:550.1701:550.1502:550.1103:550.1904:550.1805:550.20
    下载: 导出CSV

    表  2   ADF检验结果

    Table  2   Result of ADF test

    临界值PT
    1%置信度5%置信度10%置信度
    −3.43−2.86−2.570.5−6.22
    下载: 导出CSV

    表  3   Ljung−Box检验表

    Table  3   Ljung-Box inspection table

    lag滞后阶数自相关系数P
    10.0040.877
    20.0070.944
    3−0.0220.839
    4−0.0400.363
    5−0.0500.397
    6−0.0530.156
    7−0.0400.112
    80.0410.078
    90.0210.096
    100.0410.068
    下载: 导出CSV

    表  4   各模型预测结果分析

    Table  4   Prediction results analysis of each model

    模型MAEMAPERMSE
    ARIMA0.028 40.047 60.075 4
    SVR0.025 10.032 50.056 3
    ARIMA−SVM0.015 80.019 30.010 3
    下载: 导出CSV
  • [1] 齐黎明,卢云婷,关联合,等. 煤与瓦斯突出预测敏感指标确定方法探索及应用[J]. 矿业安全与环保,2021,48(3):85-89.

    QI Liming,LU Yunting,GUAN Lianhe,et al. Exploration and application of determination method of sensitive index for prediction of coal and gas outburst[J]. Mining Safety & Environmental Protection,2021,48(3):85-89.

    [2] 林海飞,周捷,高帆,等. 基于特征选择和机器学习融合的煤层瓦斯含量预测[J]. 煤炭科学技术,2021,49(5):44-51.

    LIN Haifei,ZHOU Jie,GAO Fan,et al. Coal seam gas content prediction based on fusion of feature selection and machine learning[J]. Coal Science and Technology,2021,49(5):44-51.

    [3] 邵阳,康宇. 基于多元线性回归预测采煤工作面瓦斯涌出量[J]. 煤炭技术,2021,40(4):118-121.

    SHAO Yang,KANG Yu. Prediction of coal face gas emission based on multiple linear regression[J]. Coal Technology,2021,40(4):118-121.

    [4] 郑晓亮,来文豪,薛生. MI和SVM算法在煤与瓦斯突出预测中的应用[J]. 中国安全科学学报,2021,31(1):75-80.

    ZHENG Xiaoliang,LAI Wenhao,XUE Sheng. Application of MI and SVM in coal and gas outburst prediction[J]. China Safety Science Journal,2021,31(1):75-80.

    [5] 王彦彬. 基于PCA−PSO−ELM的瓦斯涌出量预测[J]. 湖南科技大学学报(自然科学版),2020,35(4):1-9.

    WANG Yanbin. Prediction of gas emission based on PCA-PSO-ELM[J]. Journal of Hunan University of Science & Technology (Natural Science Edition),2020,35(4):1-9.

    [6] 刘莹,杨超宇. 基于多因素的LSTM瓦斯浓度预测模型[J]. 中国安全生产科学技术,2022,18(1):108-113.

    LIU Ying,YANG Chaoyu. LSTM gas concentration prediction model based on multiple factors[J]. Journal of Safety Science and Technology,2022,18(1):108-113.

    [7] 吴奉亮,霍源,高佳南. 基于随机森林回归的煤矿瓦斯涌出量预测方法[J]. 工矿自动化,2021,47(8):102-107.

    WU Fengliang,HUO Yuan,GAO Jianan. Coal mine gas emission prediction method based on random forest regression[J]. Industry and Mine Automation,2021,47(8):102-107.

    [8] 张震,朱权洁,李青松,等. 基于Keras长短时记忆网络的矿井瓦斯浓度预测研究[J]. 安全与环境工程,2021,28(1):61-67,78.

    ZHANG Zhen,ZHU Quanjie,LI Qingsong,et al. Prediction of mine gas concentration in heading face based on Keras long short time memory network[J]. Safety and Environmental Engineering,2021,28(1):61-67,78.

    [9] 周松元,罗渭,马伟东,等. 基于TreeNet算法的煤与瓦斯突出预测模型构建研究[J]. 矿业研究与开发,2022,42(5):190-196. DOI: 10.13827/j.cnki.kyyk.2022.05.002

    ZHOU Songyuan,LUO Wei,MA Weidong,et al. Research on coal and gas outburst prediction model construction based on TreeNet algorithm[J]. Mining Research and Development,2022,42(5):190-196. DOI: 10.13827/j.cnki.kyyk.2022.05.002

    [10] 林海飞,高帆,严敏,等. 煤层瓦斯含量PSO−BP神经网络预测模型及其应用[J]. 中国安全科学学报,2020,30(9):80-87.

    LIN Haifei,GAO Fan,YAN Min,et al. Study on PSO-BP neural network prediction method of coal seam gas content and its application[J]. China Safety Science Journal,2020,30(9):80-87.

    [11] 郭一鹏,郭晓丽,郭晓红,等. 利用时间序列分析法预测工作面瓦斯涌出规律[J]. 矿业安全与环保,2012,39(1):33-35,39. DOI: 10.3969/j.issn.1008-4495.2012.01.011

    GUO Yipeng,GUO Xiaoli,GUO Xiaohong,et al. Using time series analysis method to predict the law of gas emission from working face[J]. Mining Safety & Environmental Protection,2012,39(1):33-35,39. DOI: 10.3969/j.issn.1008-4495.2012.01.011

    [12] 汤进. 基于瓦斯浓度时间序列的大数据预测[D]. 徐州: 中国矿业大学, 2018.

    TANG Jin. Big data prediction based on methane concentration time series[D]. Xuzhou: China University of Mining and Technology, 2018.

    [13] 邵良杉,詹小凡. 煤与瓦斯突出missForest− EGWO−SVM预测模型[J]. 辽宁工程技术大学学报(自然科学版),2020,39(3):214-218.

    SHAO Liangshan,ZHAN Xiaofan. MissForest-EGWO-SVM prediction model for coal and gas outburst[J]. Journal of Liaoning Technical University (Natural Science),2020,39(3):214-218.

    [14] 吴雅琴,李惠君,徐丹妮. 基于IPSO−Powell优化SVM的煤与瓦斯突出预测算法[J]. 工矿自动化,2020,46(4):46-53. DOI: 10.13272/j.issn.1671-251x.2019110018

    WU Yaqin,LI Huijun,XU Danni. Prediction algorithm of coal and gas outburst based on IPSO-Powell optimized SVM[J]. Industry and Mine Automation,2020,46(4):46-53. DOI: 10.13272/j.issn.1671-251x.2019110018

    [15] 李欢,贾佳,杨秀宇,等. 煤矿综采工作面瓦斯浓度预测模型[J]. 工矿自动化,2018,44(12):48-53. DOI: 10.13272/j.issn.1671-251x.17364

    LI Huan,JIA Jia,YANG Xiuyu,et al. Gas concentration prediction model for fully mechanized coal mining face[J]. Industry and Mine Automation,2018,44(12):48-53. DOI: 10.13272/j.issn.1671-251x.17364

图(9)  /  表(4)
计量
  • 文章访问数:  411
  • HTML全文浏览量:  59
  • PDF下载量:  55
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-07
  • 修回日期:  2022-08-23
  • 网络出版日期:  2022-05-18
  • 刊出日期:  2022-09-25

目录

/

返回文章
返回