学位论文 > 优秀研究生学位论文题录展示

煤矿瓦斯监测数据发展趋势的智能预测方法研究

作　者: 王晓路
导　师: 刘健
学　校: 西安科技大学
专　业: 安全技术及工程
关键词: 瓦斯浓度瓦斯涌出量煤与瓦斯突出方差比检验小波变换抽样盲数虚拟状态变量预测
分类号: TD712
类　型: 博士论文
年　份: 2011年
下　载: 225次
引　用: 0次
阅　读: 论文下载

内容摘要

为了明确煤矿井下瓦斯浓度、瓦斯涌出量、煤与瓦斯突出等预测器的输入主因素、降低其样本的复杂度并简化样本空间，为了确定预测器输入变量的不确定性对预测结果的影响，以及在其相关影响因素作用程度发生改变的情形下还能够进行准确的预测，本文开展了下列工作：为了识别瓦斯浓度、瓦斯涌出量等预测器的输入主因素，提出一种与预测精度相关的预测器输入主因素的遴选算法。在一定显著水平下对增添或删除若干因素前后预测器的预测残差进行F检验，用以确定具有改进作用的增添或删除操作。遍历增添和删除的所有情形后，即可确定能获得预测器在该地质、环境等条件下的最佳输入主因素，即预测性能最大改进的主因素输入组合。针对煤矿井下瓦斯浓度、瓦斯涌出量等时间序列往往呈现出较强的随机性和复杂性的情形，提出一种基于小波变换的瓦斯浓度、瓦斯涌出量等时间序列的预测方法。通过小波分解降低时间序列的复杂度，将小波分解后各个分量转化为具有历史特征的新样本分别进行预测，所得到结果进行综合作为最终预测结果。用时间序列分解到小波函数空间（或尺度函数空间）上的能量作为尺度能量，依据尺度能量与满足预测精度的最大误差能量的比值关系提出了小波最佳分解级数的计算方法。基于粒子群优化算法计算得到了预测模型的优化参数。针对煤矿井下瓦斯分布具有模糊性和不确定性等特点，提出基于模糊C-均值聚类（FCM）的瓦斯浓度、瓦斯涌出量等预测方法，对样本数据进行FCM聚类分析，依据所得到的不同类别分别建立预测模型，并对样本空间的参数、预测器的参数和FCM的参数采用基于蚁群算法并以预测差残的F检验值作为适应值的方法进行了优化。为了确定瓦斯浓度、瓦斯涌出量等预测器输入变量的不确定性对于预测结果的影响，提出基于抽样盲数的估计方法，解决了相关因素任意概率分布特性的处理问题。提出相关因素的不确定性在预测过程中的传递算法、高阶抽样盲数降阶的计算方法以及输入因素不确定性下预测器输出结果的概率分布和置信区间的计算方法。为了在瓦斯浓度、瓦斯涌出量等的相关影响因素作用程度发生改变的情形下，还能够进行准确预测，提出了基于虚拟状态变量的、系统网络结构可以自适应的预测方法。用能够反映待预测对象的输入变量在模式识别网络输出空间上的特征响应作为虚拟状态变量。基于虚拟状态变量建立预测模型，对待预测对象进行预测。通过预测误差建立反馈机制，以此对模式识别网络的结构朝着符合待预测对象(如瓦斯涌出量)变化的方向进行调整，从而得到适合的虚拟状态变量，以适应相关影响因素作用程度的改变。基于本文的研究成果，将上述方法应用于一些实例，对煤矿井下瓦斯浓度、瓦斯涌出量和煤与瓦斯突出等进行预测，结果表明：预测性能改善显著，表明所建议的方法是可行的和有效的。

全文目录

摘要  4-6
英文摘要  6-14
1 绪论  14-24
  1.1 选题的意义  14-15
  1.2 瓦斯浓度和瓦斯涌出量等预测方法研究现状分析  15-22
    1.2.1 基于人工神经网络的预测方法研究现状  15-17
    1.2.2 基于灰色理论的预测方法研究现状  17-18
    1.2.3 基于混沌和分形理论的预测方法研究现状  18-19
    1.2.4 基于模糊理论的预测方法研究现状  19-20
    1.2.5 其他预测方法研究研究现状  20-22
  1.3 本文的主要工作  22-24
2 基于方差比检验方法的预测器输入主因素识别方法  24-34
  2.1 检验变量的计算  24-25
  2.2 方差比检验判定  25-26
  2.3 方差比检验方法的运用  26
  2.4 煤与瓦斯突出预测器输入主因素识别——应用实例  26-32
  2.5 本章小结  32-34
3 基于小波变换和预测器参数优化的预测方法  34-50
  3.1 预测方法  34-44
    3.1.1 瓦斯涌出量等时间序列的小波分析  35-38
    3.1.2 最佳小波分解级数的确定  38-42
    3.1.3 预测器参数优化  42-44
  3.2 瓦斯浓度预测——应用实例  44-49
  3.3 本章小结  49-50
4 基于模糊聚类和参数优化的预测方法  50-63
  4.1 预测方法的基本原理  50-55
    4.1.1 样本的模糊C 均值聚类分析  51-52
    4.1.2 预测模型参数优化  52-55
  4.2 瓦斯浓度预测——应用实例  55-57
  4.3 基于模糊聚类的综合预测方法  57-62
    4.3.1 基于小波变换的模糊聚类预测方法  57-58
    4.3.2 基于预测器输入主因素的模糊聚类预测方法  58-62
  4.4 本章小结  62-63
5 基于抽样盲数的瓦斯浓度和瓦斯涌出量等不确定性预测方法  63-89
  5.1 盲数  63-66
  5.2 抽样盲数  66-68
  5.3 预测方法的基本原理  68-71
    5.3.1 预测器不确定性的传递  68-69
    5.3.2 抽样盲数的降阶计算  69-70
    5.3.3 预测结果的置信区间及其概率计算  70-71
  5.4 煤与瓦斯突出不确定性预测——应用实例  71-77
  5.5 基于抽样盲数的瓦斯涌出量等不确定性综合预测方法  77-88
    5.5.1 基于抽样盲数的小波变换的时间序列不确定性预测方法  77-78
    5.5.2 基于主因素和模糊聚类的抽样盲数的瓦斯涌出量等不确定性预测方法  78-88
  5.6 本章小结  88-89
6 基于自适应虚拟状态变量的预测方法  89-110
  6.1 虚拟状态变量的定义  89
  6.2 基本原理  89-90
  6.3 基于有导师模式识别网络构造线性空间上的虚拟状态变量的预测方法  90-96
    6.3.1 预测方法  90
    6.3.2 虚拟状态变量的构造  90-92
    6.3.3 卡尔曼滤波预测器的构成  92-93
    6.3.4 储量样本的确定  93-94
    6.3.5 瓦斯涌出量预测——应用实例  94-96
  6.4 基于无导师模式识别网络构造非线性空间上的虚拟状态变量的预测方法  96-104
    6.4.1 预测方法  96-97
    6.4.2 基于相空间重构的特征提取  97-99
    6.4.3 虚拟状变量的确定  99-101
    6.4.4 瓦斯浓度预测——应用实例  101-104
  6.5 基于虚拟状态变量的综合预测方法  104-109
    6.5.1 基于主因素的模糊聚类的自适应虚拟状态变量预测方法  105
    6.5.2 基于小波变换的自适应虚拟状态变量预测方法  105-109
  6.6 本章小结  109-110
7 结论  110-113
  7.1 结论  110-111
  7.2 主要创新  111-112
  7.3 展望  112-113
致谢  113-114
参考文献  114-127
附录  127

煤矿瓦斯监测数据发展趋势的智能预测方法研究

内容摘要

全文目录

相似论文