基于PCA-GRU-SVM模型的多參量煤礦瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警研究

秦 巖,盛 武

(安徽理工大學(xué)經(jīng)濟(jì)與管理學(xué)院,安徽 淮南 232001)

長(zhǎng)期以來(lái),煤礦瓦斯災(zāi)害防治一直是煤礦安全生產(chǎn)中備受關(guān)注的焦點(diǎn)之一。煤礦瓦斯災(zāi)害的發(fā)生對(duì)國(guó)家經(jīng)濟(jì)建設(shè)、人員的生命和財(cái)產(chǎn)安全帶來(lái)了巨大的損失[1-2]。因此,深度挖掘煤礦井下監(jiān)測(cè)數(shù)據(jù)的內(nèi)部規(guī)律,對(duì)礦井瓦斯?jié)舛染珳?zhǔn)預(yù)測(cè)并超前預(yù)警具有非常重大的意義。

由于井下瓦斯?jié)舛茸兓瘷C(jī)制的復(fù)雜性,涉及到多種影響因素,且這些因素與瓦斯?jié)舛茸兓g存在復(fù)雜的非線性關(guān)系,國(guó)內(nèi)外學(xué)者大多采用數(shù)學(xué)模型和統(tǒng)計(jì)學(xué)模型研究礦井瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警。常用的模型有自回歸模型、多元回歸模型等。張儉讓等[3]將ARIMA模型與GARCH模型相結(jié)合實(shí)現(xiàn)了對(duì)煤礦綜采工作面瓦斯?jié)舛阮A(yù)測(cè)并評(píng)價(jià)了預(yù)測(cè)效果;任曉東[4]通過(guò)對(duì)潞寧礦的瓦斯?jié)舛缺O(jiān)測(cè)數(shù)據(jù)進(jìn)行分析,建立ARMA模型對(duì)煤礦瓦斯?jié)舛冗M(jìn)行了預(yù)測(cè)試驗(yàn),并將預(yù)測(cè)結(jié)果劃分為4個(gè)預(yù)警等級(jí);牛嘉野軍[5]利用統(tǒng)計(jì)法對(duì)48組瓦斯監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析,并將正態(tài)分布作為劃分瓦斯災(zāi)害預(yù)警的重要指標(biāo)。近年來(lái),隨著人工智能的興起,機(jī)器學(xué)習(xí)為煤礦瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警提供了新的研究思路。如:程子均等[6]通過(guò)長(zhǎng)短期記憶與全連接神經(jīng)網(wǎng)絡(luò)組合模型,采集瓦斯監(jiān)測(cè)數(shù)據(jù)實(shí)現(xiàn)了煤礦瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警;王雨虹等[7]提出一種改進(jìn)的蝗蟲優(yōu)化算法優(yōu)化長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的多參數(shù)瓦斯?jié)舛阮A(yù)測(cè)模型,以此來(lái)提高模型尋優(yōu)能力與預(yù)測(cè)效果;Wu等[8]提出了一種集成小波變換和極限學(xué)習(xí)機(jī)的煤礦瓦斯?jié)舛然旌项A(yù)測(cè)模型,該模型有效分離了時(shí)間序列的特征信息,能夠提高煤礦瓦斯?jié)舛阮A(yù)測(cè)的高效性與精度;Wang等[9]對(duì)比分析了LSTM-LightGBM組合模型與單個(gè)模型在煤礦瓦斯?jié)舛阮A(yù)測(cè)中的泛化能力,為瓦斯事故預(yù)防提供了新的思路;Song等[10]基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)構(gòu)建了多參數(shù)融合的煤礦瓦斯?jié)舛阮A(yù)測(cè)模型,降低了預(yù)測(cè)誤差。由于RNN和LSTM網(wǎng)絡(luò)模型存在結(jié)構(gòu)復(fù)雜、訓(xùn)練周期長(zhǎng)且易出現(xiàn)梯度消失與爆炸等問(wèn)題,影響了模型預(yù)測(cè)效果的穩(wěn)定性。門控循環(huán)單元(GRU)模型是RNN、LSTM模型的優(yōu)秀變體,其結(jié)構(gòu)簡(jiǎn)單且訓(xùn)練參數(shù)較少,不但能夠解決梯度消失、過(guò)擬合等問(wèn)題,還能保留數(shù)據(jù)內(nèi)在關(guān)系的敏感度,可使得瓦斯?jié)舛阮A(yù)測(cè)在保證精度的前提下獲得更好的實(shí)用性。但是,目前進(jìn)行的研究主要側(cè)重于構(gòu)建瓦斯時(shí)間序列數(shù)據(jù)預(yù)測(cè),往往忽略了瓦斯監(jiān)測(cè)數(shù)據(jù)具有時(shí)空演化的特征,因此有必要研究多參量融合的瓦斯災(zāi)害特征。

鑒于此,本文擬選取某煤礦現(xiàn)場(chǎng)采集的瓦斯?jié)舛葘?shí)測(cè)數(shù)據(jù),融合瓦斯?jié)舛葧r(shí)空分布特征,通過(guò)鄰近均值法填充缺失數(shù)據(jù),利用小波降噪去除噪聲,將數(shù)據(jù)歸一化處理后,再采用PCA實(shí)現(xiàn)數(shù)據(jù)降維以減少GRU模型輸入維度,并引入LSTM、RF和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)比分析了預(yù)測(cè)結(jié)果的精準(zhǔn)度,最后通過(guò)構(gòu)建SVM瓦斯?jié)舛确旨?jí)預(yù)警模型,實(shí)現(xiàn)了瓦斯風(fēng)險(xiǎn)的高準(zhǔn)確率識(shí)別。建立基于PCA-GRU-SVM煤礦瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警模型,可為瓦斯安全態(tài)勢(shì)管理提供決策支撐。

1 PCA-GRU-SVM理論模型

1.1 PCA模型

主成分分析(principal component analysis,PCA)是統(tǒng)計(jì)學(xué)科領(lǐng)域的一種重要分析方法,該方法在保證信息受到最小損失的前提下,通過(guò)提取原始數(shù)據(jù)中的關(guān)鍵信息,采用少數(shù)新指標(biāo)代替原始指標(biāo)實(shí)現(xiàn)指標(biāo)降維,將復(fù)雜問(wèn)題簡(jiǎn)單化[11-12],同時(shí)消除特征變量間的相關(guān)性信息。其數(shù)學(xué)表達(dá)式如下:

(1)

式中:Zx1,Zx2,…,Zxj為樣本Z經(jīng)過(guò)標(biāo)準(zhǔn)化后的j項(xiàng)指標(biāo);A1i,A2i,…,Aji(i=1,2,…,m)為指標(biāo)X協(xié)方差矩陣特征值對(duì)應(yīng)的特征向量;Yi(i=1,2,…,m)為第i個(gè)主成分。

1.2 GRU模型

門控循環(huán)單元(gate recurrent unit,GRU)是LSTM的一種重要變體[13],包含兩個(gè)門函數(shù),即更新門和重置門,如圖1所示。

圖1 門控循環(huán)單元網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Gate recurrent unit network structure

GRU主要通過(guò)兩個(gè)門對(duì)瓦斯?jié)舛葦?shù)據(jù)信息進(jìn)行更新,計(jì)算公式如下:

zt=σ(Wz·[ht-1,lt]+bz)

(2)

rt=σ(Wr·[ht-1,lt]+br)

(3)

(4)

(5)

多層GRU模型能夠通過(guò)自身記憶機(jī)制學(xué)到更好的結(jié)果,但過(guò)多的層數(shù)也易出現(xiàn)過(guò)擬合和陷入局部最優(yōu)的情況。因此,本文選擇兩層GRU堆疊,通過(guò)建立全連接層實(shí)現(xiàn)多因素瓦斯?jié)舛葧r(shí)間序列數(shù)據(jù)預(yù)測(cè)。

1.3 SVM模型

(6)

s.t.fA-{[w,?(VA)]-b}≤∈+ξ

(7)

上式中:VA和fA分別為第A個(gè)瓦斯預(yù)警等級(jí)的輸入和輸出變量;ξ為松弛變量;C為懲罰因子,C>0;w和b為超平面參數(shù);ξA為第A個(gè)瓦斯預(yù)警等級(jí)的松弛變量;?(VA)為映射函數(shù);∈為決定間隔邊界寬度的超參數(shù)。

1.4 PCA-GRU-SVM組合模型建立流程

本文提出的基于PCA-GRU-SVM的多參量瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警模型建立流程如圖2所示。主要的步驟如下:

圖2 基于PCA-GRU-SVM建立的多參量煤礦瓦斯?jié)舛阮A(yù)測(cè)及預(yù)警模型流程圖Fig.2 Flow chart of multi-parameter coal mine gas concentration prediction and early warning model based on PCA-GRU-SVM model

步驟1:數(shù)據(jù)采集與處理。采集礦下多個(gè)傳感器的監(jiān)測(cè)數(shù)據(jù),瓦斯?jié)舛炔粌H受自身時(shí)間變化的影響,還受到井下溫度、風(fēng)速、礦壓等其他空間因素的影響。融合瓦斯時(shí)空的監(jiān)測(cè)數(shù)據(jù),并對(duì)數(shù)據(jù)進(jìn)行填缺、降噪及歸一化。

步驟2:降維處理。采用PCA算法對(duì)瓦斯?jié)舛鹊挠绊懸蛩剡M(jìn)行降維處理,減少GRU模型輸入節(jié)點(diǎn)的個(gè)數(shù),以提高預(yù)測(cè)精度的有效性。

步驟3:構(gòu)建多層GRU預(yù)測(cè)模型。設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),輸入變量利用訓(xùn)練樣本進(jìn)行訓(xùn)練,直至達(dá)到滿意結(jié)果后結(jié)束,并利用評(píng)價(jià)指標(biāo)判斷和對(duì)比預(yù)測(cè)精度。

步驟4:構(gòu)建SVM分級(jí)預(yù)警模型。依據(jù)閾值劃分預(yù)警等級(jí),將數(shù)據(jù)樣本輸入模型中,計(jì)算得出模型的準(zhǔn)確率以驗(yàn)證模型的可靠性。

1.5 模型評(píng)價(jià)

本文采用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)來(lái)評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確程度,其計(jì)算公式如下:

(8)

(9)

MAE和RMSE值越小,則表明模型預(yù)測(cè)誤差越小,預(yù)測(cè)性能越好。

2 工程實(shí)例分析

2.1 數(shù)據(jù)準(zhǔn)備

本文試驗(yàn)數(shù)據(jù)來(lái)源于安徽某煤礦171105工作面,數(shù)據(jù)采集時(shí)間為2022年5月20日上午8點(diǎn)至2022年5月22日上午8點(diǎn),每隔1 min采集一次,數(shù)據(jù)總量為17 286個(gè)。因煤礦井下環(huán)境復(fù)雜,瓦斯?jié)舛戎挡⒎鞘仟?dú)立變量,受巷道溫度、礦壓、風(fēng)速等各類因素的影響,瓦斯?jié)舛劝l(fā)生不斷變化[15],通過(guò)煤礦井下工作面多傳感器的實(shí)時(shí)在線監(jiān)控采集,獲得了瓦斯?jié)舛菵1、溫度D2、風(fēng)速D3、瓦斯預(yù)抽采D4、CO濃度D5、礦壓D6的監(jiān)測(cè)數(shù)據(jù),部分原始數(shù)據(jù)見表1。

表1 部分原始數(shù)據(jù)

2.1.1 數(shù)據(jù)缺失值填補(bǔ)處理

在煤礦安全監(jiān)測(cè)系統(tǒng)中,傳感器在數(shù)據(jù)采集過(guò)程中因自身故障或其他外部原因易造成在某些時(shí)間點(diǎn)上數(shù)據(jù)缺失[16],這會(huì)很大程度影響模型的預(yù)測(cè)精度。本文采用鄰近均值法對(duì)數(shù)據(jù)缺失值進(jìn)行填補(bǔ),從而獲得完整的數(shù)據(jù)集。

2.1.2 數(shù)據(jù)降噪處理

煤礦井下受傳感器噪聲干擾及復(fù)雜環(huán)境的影響,監(jiān)測(cè)數(shù)據(jù)可能會(huì)在極短的時(shí)間內(nèi)產(chǎn)生峰刺或跳變[17]。為了消除噪聲對(duì)預(yù)測(cè)效果的干擾,本文采用小波降噪方法對(duì)樣本數(shù)據(jù)進(jìn)行降噪處理,選取固定閾值對(duì)噪聲進(jìn)行剝離,具體計(jì)算公式如下:

(10)

(11)

式中:λ為閾值;N為數(shù)據(jù)長(zhǎng)度;Wj,k為小波系數(shù);σ為噪聲的標(biāo)準(zhǔn)差。

目前,常用的閾值函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)。硬閾值函數(shù)和軟閾值函數(shù)的定義分別如下:

(12)

(13)

與硬閾值函數(shù)相比,軟閾值函數(shù)的小波系數(shù)具有較好的連續(xù)性,增加了平滑處理[18]。為獲取連續(xù)性更好的瓦斯?jié)舛葮颖緮?shù)據(jù),本文采用了固定閾值和軟閾值函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行降噪處理。以工作面瓦斯?jié)舛葮颖緮?shù)據(jù)為例,進(jìn)行降噪前后對(duì)比如圖3所示。

由圖3可見,降噪后數(shù)據(jù)的曲線與原始數(shù)據(jù)相比,在各峰值、拐點(diǎn)的毛刺變小,曲線表現(xiàn)得較為光滑,變動(dòng)的幅度下降,且與原始數(shù)據(jù)近似程度相對(duì)較高,更能夠準(zhǔn)確描述出瓦斯?jié)舛鹊淖兓厔?shì)。

2.1.3 數(shù)據(jù)歸一化處理

由于數(shù)據(jù)中涉及多個(gè)影響瓦斯?jié)舛鹊闹笜?biāo)且指標(biāo)數(shù)值范圍各不相同,為統(tǒng)一指標(biāo)數(shù)值,將時(shí)間序列數(shù)據(jù)縮放到[0,1][19],本文采用min-max標(biāo)準(zhǔn)化方法對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理,處理后的相關(guān)數(shù)據(jù)如圖4所示,歸一化處理公式如下:

圖4 歸一化處理后的瓦斯?jié)舛鹊认嚓P(guān)指標(biāo)數(shù)據(jù)Fig.4 Normalized gas concentration and other related indicator data

(14)

式中:y′為該指標(biāo)無(wú)量綱化后的數(shù)據(jù);y為原始樣本數(shù)據(jù);max為最大樣本值;min為最小樣本值。

由歸一化處理后的數(shù)據(jù)具體分布小提琴圖(圖4)可知,數(shù)據(jù)分布較為集中,離群值較少。

2.2 PCA降維處理

采用PCA算法對(duì)數(shù)據(jù)進(jìn)行降維,并將處理后的數(shù)據(jù)進(jìn)行因子分析,經(jīng)過(guò)KMO檢驗(yàn)和Bartlett的球形度檢驗(yàn)得到KMO值為0.650(大于閾值0.5),顯著性系數(shù)為0.000(小于0.05),說(shuō)明因素間存在一定的相關(guān)性,可以進(jìn)行因子分析。分析得到的解釋總方差見表2,主成分因子荷載矩陣見表3。

表2 解釋總方差

表3 主成分因子荷載矩陣

當(dāng)主成分特征值大于1時(shí),提取數(shù)目為3,其累計(jì)方差百分比即貢獻(xiàn)率大于70%,可將該成分提出作為主成分。依據(jù)表3可構(gòu)建3個(gè)主成分表達(dá)式如下:

Y1=0.032X1-0.355X2+0.421X3-0.034X4+0.078X5+0.412X6

(15)

Y2=-0.025X1+0.037X2+0.119X3-0.654X4+0.686X5+0.005X6

(16)

Y3=0.896X1+0.288X2+0.154X3+0.033X4+0.012X5+0.089X6

(17)

由上述公式可得經(jīng)PCA降維后的數(shù)據(jù),部分?jǐn)?shù)據(jù)見表4。

表4 降維處理后的數(shù)據(jù)

2.3 GRU模型構(gòu)建與預(yù)測(cè)結(jié)果

將經(jīng)過(guò)PCA降維處理后的3個(gè)主成分作為GRU模型的輸入變量,瓦斯?jié)舛葦?shù)據(jù)作為輸出變量。試驗(yàn)采用兩層的隱藏層結(jié)構(gòu),通過(guò)設(shè)置參數(shù)return_sequences=Ture來(lái)完成層數(shù)的改變,并且加入Dropout層防止模型過(guò)擬合。GRU模型結(jié)構(gòu)與參數(shù)如表5所示。

表5 GRU模型結(jié)構(gòu)與參數(shù)

表5中,Optimizer為優(yōu)化器,本文采用Adam算法作為模型優(yōu)化算法;Loss為損失函數(shù),本文選取均方誤差(MSE)進(jìn)行計(jì)算;epochs為88;batch_size為72,將數(shù)據(jù)集按照9∶1的比列進(jìn)行分割,將其劃分為訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練與檢驗(yàn),測(cè)試集預(yù)測(cè)結(jié)果如圖5所示。

由圖5可知,多數(shù)預(yù)測(cè)值分布在理想直線附近,分散程度較小,說(shuō)明模型具有較高的預(yù)測(cè)精度,能夠準(zhǔn)確地描述預(yù)測(cè)值與真實(shí)值間的關(guān)系。經(jīng)計(jì)算可得,該預(yù)測(cè)模型在測(cè)試樣本的預(yù)測(cè)誤差為MAE=0.003 36,RMSE=0.009 36,誤差結(jié)果較小,證明基于GRU的瓦斯?jié)舛阮A(yù)測(cè)模型具有較強(qiáng)的泛化及學(xué)習(xí)能力。

2.4 模型對(duì)比

為了驗(yàn)證PCA-GRU模型性能的優(yōu)越性,將該模型預(yù)測(cè)結(jié)果與PCA-LSTM、PCA-RF、PCA-BP模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,不同預(yù)測(cè)模型預(yù)測(cè)結(jié)果與性能的對(duì)比如圖6和表6所示。

表6 不同預(yù)測(cè)模型預(yù)測(cè)性能對(duì)比

圖6 不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison prediction results of different prediction models

由圖6可以看出:基于PCA-GRU的預(yù)測(cè)模型得到的瓦斯?jié)舛阮A(yù)測(cè)值與實(shí)際值間整體擬合性更優(yōu),與其他預(yù)測(cè)模型相比其預(yù)測(cè)結(jié)果更接近瓦斯?jié)舛鹊恼鎸?shí)值。綜合評(píng)估指標(biāo)MAE和RMSE對(duì)預(yù)測(cè)模型的整體性能進(jìn)行對(duì)比結(jié)果(表6)表明:PCA-GRU預(yù)測(cè)模型運(yùn)行所消耗的時(shí)間最少為40.38 s, MAE和RMSE值均低于其他預(yù)測(cè)模型,與PCA-LSTM、PCA-RF、PCA-BP預(yù)測(cè)模型相比,其MAE值分別降低了18.45%、56.36%和87.3%,RMSE值分別降低了5.17%、9.04%和67.52%,說(shuō)明構(gòu)建的PCA-GRU預(yù)測(cè)模型具有較好的預(yù)測(cè)性能,雖在數(shù)值上存在些許誤差,但這些預(yù)測(cè)誤差是可接受的。

2.5 基于SVM模型的瓦斯?jié)舛确旨?jí)預(yù)警

根據(jù)前文圖1可知,設(shè)置瓦斯?jié)舛阮A(yù)警系統(tǒng)可為煤礦井下作業(yè)人員提供重要的警示幫助,瓦斯?jié)舛阮A(yù)警閾值的設(shè)置與瓦斯?jié)舛阮A(yù)警方法的有效性有著密切的關(guān)系?！睹旱V安全規(guī)程》中所規(guī)定的瓦斯?jié)舛壬舷拗递^大,在正常情況下通常達(dá)不到預(yù)警上限值水平的1%[20],故根據(jù)該煤礦實(shí)際生產(chǎn)情況將瓦斯?jié)舛乳撝挡捎脴?biāo)準(zhǔn)規(guī)定的瓦斯?jié)舛壬舷拗档?0%、15%、25%進(jìn)行設(shè)置,此閾值設(shè)定方法更加貼近正常生產(chǎn)階段瓦斯?jié)舛戎笜?biāo)水平。在設(shè)置不同預(yù)警等級(jí)時(shí),將瓦斯?jié)舛蕊L(fēng)險(xiǎn)預(yù)警等級(jí)劃分為4個(gè)等級(jí):預(yù)警Ⅰ級(jí)、預(yù)警Ⅱ級(jí)、預(yù)警Ⅲ級(jí)、預(yù)警Ⅳ級(jí),即風(fēng)險(xiǎn)預(yù)警閾值如表7所示。

表7 風(fēng)險(xiǎn)預(yù)警閾值表

其中,預(yù)警Ⅰ級(jí)為安全狀態(tài),正常穩(wěn)定生產(chǎn),預(yù)警等級(jí)為綠色;預(yù)警Ⅱ級(jí)表示瓦斯聚集風(fēng)險(xiǎn)存在,需要關(guān)注瓦斯?jié)舛茸兓厔?shì)并查明原因,預(yù)警等級(jí)為藍(lán)色;預(yù)警Ⅲ級(jí)為危險(xiǎn),需要特別關(guān)注,若觸發(fā)報(bào)警裝置,應(yīng)停止工作,預(yù)警等級(jí)為黃色;預(yù)警Ⅳ級(jí)為十分危險(xiǎn),應(yīng)設(shè)置警戒時(shí)間,切斷設(shè)備電源,撤出工作人員,并控制整改,預(yù)警等級(jí)為紅色。將瓦斯?jié)舛蕊L(fēng)險(xiǎn)預(yù)警等級(jí)采用二進(jìn)制進(jìn)行編碼,如(0,0,0,1)表示預(yù)警Ⅰ級(jí),(0,0,1,0)表示預(yù)警Ⅱ級(jí),(0,1,0,0)表示預(yù)警Ⅲ級(jí),(1,0,0,0)表示預(yù)警Ⅳ級(jí)。將各預(yù)警等級(jí)所對(duì)應(yīng)的十進(jìn)制數(shù)分別表示為1,2,4,8。將上文數(shù)據(jù)后288組樣本數(shù)據(jù)隨機(jī)劃分為188組訓(xùn)練數(shù)據(jù)和100組測(cè)試數(shù)據(jù),采用SVM分類器作為瓦斯?jié)舛阮A(yù)警模型,其中設(shè)置最優(yōu)懲罰因子為65、最優(yōu)核函數(shù)為0.93,得到基于SVM模型的瓦斯?jié)舛确旨?jí)預(yù)警結(jié)果,并將預(yù)測(cè)預(yù)警等級(jí)與真實(shí)預(yù)警等級(jí)進(jìn)行了對(duì)比,其結(jié)果如圖7所示。

圖7 預(yù)測(cè)預(yù)警等級(jí)與真實(shí)預(yù)警等級(jí)對(duì)比Fig.7 Comparison between forecast warning level and real warning level

由圖7可見,基于SVM的礦井瓦斯?jié)舛阮A(yù)警模型得到的預(yù)測(cè)預(yù)警等級(jí)與真實(shí)預(yù)警等級(jí)基本吻合。通過(guò)預(yù)警模型得到瓦斯?jié)舛确旨?jí)預(yù)警準(zhǔn)確數(shù)據(jù)為271個(gè),準(zhǔn)確率為94.1%。由此可知,基于SVM模型對(duì)礦井瓦斯?jié)舛阮A(yù)警分類具有較好的預(yù)測(cè)精度,并能夠根據(jù)預(yù)警等級(jí)做出相應(yīng)的預(yù)警。其中,瓦斯?jié)舛阮A(yù)警等級(jí)Ⅰ級(jí)～Ⅳ級(jí)的預(yù)測(cè)準(zhǔn)確率結(jié)果如圖8所示。

圖8 瓦斯?jié)舛确旨?jí)預(yù)警模型的預(yù)警等級(jí)準(zhǔn)確率Fig.8 Accuracy of early warning level of gas concentration classification early warning model

由圖8可見,瓦斯?jié)舛蕊L(fēng)險(xiǎn)Ⅰ級(jí)預(yù)警的準(zhǔn)確率為75%,Ⅱ級(jí)預(yù)警的準(zhǔn)確率為99%、Ⅲ級(jí)預(yù)警的準(zhǔn)確率為74%、Ⅳ級(jí)預(yù)警的準(zhǔn)確率為77%?？傮w而言,預(yù)測(cè)模型的總體趨勢(shì)和預(yù)測(cè)預(yù)警方向正確,從而驗(yàn)證了本文構(gòu)建的瓦斯?jié)舛阮A(yù)測(cè)與預(yù)警模型的準(zhǔn)確性和實(shí)用性。

3 結(jié)論與建議

1) 本文融合礦井瓦斯時(shí)空變化的監(jiān)測(cè)數(shù)據(jù),利用鄰近均值法、小波降噪和歸一化處理對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行填補(bǔ)、降噪及歸一化處理清洗,保證了數(shù)據(jù)的完整性與可靠性。采用PCA對(duì)影響瓦斯?jié)舛鹊?個(gè)因素進(jìn)行降維,提取出3個(gè)主成分,減少了預(yù)測(cè)輸入集的維度,簡(jiǎn)化了GRU模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),提高了模型預(yù)測(cè)精度。

2) 將PCA引入GRU、LSTM、RF、BP預(yù)測(cè)模型中,本文構(gòu)建的PCA-GRU模型預(yù)測(cè)結(jié)果與試驗(yàn)數(shù)據(jù)基本一致,與其他3個(gè)預(yù)測(cè)模型相比,其平均絕對(duì)誤差和均方根誤差等評(píng)估指標(biāo)均小于其他模型,驗(yàn)證了本文構(gòu)建的組合模型具有較高的擬合優(yōu)度和預(yù)測(cè)性能,能滿足實(shí)際煤礦井下生產(chǎn)活動(dòng)的需求。

3) 依據(jù)瓦斯?jié)舛蕊L(fēng)險(xiǎn)預(yù)警閾值劃分為預(yù)警Ⅰ級(jí)、預(yù)警Ⅱ級(jí)、預(yù)警Ⅲ級(jí)、預(yù)警Ⅳ級(jí)4種等級(jí),利用PCA-GRU-SVM模型得到的瓦斯?jié)舛阮A(yù)測(cè)風(fēng)險(xiǎn)等級(jí)與真實(shí)預(yù)警等級(jí)基本吻合,并計(jì)算得出預(yù)警模型的預(yù)警等級(jí)準(zhǔn)確率為94.1%,表明該模型能夠?qū)崿F(xiàn)對(duì)礦井瓦斯?jié)舛瘸邦A(yù)警,提高煤礦瓦斯安全態(tài)勢(shì)的預(yù)判能力。

4) 后續(xù)研究中應(yīng)采集更全面的礦井瓦斯時(shí)空特征,實(shí)現(xiàn)大量的訓(xùn)練數(shù)據(jù)及模型優(yōu)化,這是下一步的研究重點(diǎn),將現(xiàn)場(chǎng)數(shù)據(jù)與機(jī)器技術(shù)相融合,進(jìn)而完善煤礦瓦斯安全預(yù)警機(jī)制。