煤礦掘進工作面瓦斯濃度預測

陳鮮展 沈易成 洪飛揚 石紳

文章編號：1671?251X（2024）04?0128?05 ?DOI：10.13272/j.issn.1671-251x.18122

摘要：針對目前瓦斯濃度預測方法存在數據處理不確定性、特征提取局限性及受主觀性因素影響產生預測偏差等問題，提出了一種用于煤礦掘進工作面的瓦斯濃度預測方法。首先，在煤礦掘進工作面回風巷內每隔1 m 布設激光瓦斯傳感器，形成傳感器網絡，實時采集瓦斯濃度數據。然后，根據拉依達準則搜索并剔除瓦斯濃度數據中的異常值，并利用 Lagrange 插值多項式填補瓦斯濃度數據中的缺失值。最后，以剔除異常值及填補缺失值的瓦斯濃度數據為基礎，采用經驗模態分解算法將瓦斯濃度數據分解成本征模態函數和趨勢項，再利用 Hilbert 變換對本征模態函數進行處理以獲取數據的高頻項和低頻項，并將其輸入最小二乘支持向量機中進行加權處理，輸出瓦斯濃度預測結果。通過掘進工作面模擬裝置進行瓦斯濃度預測模擬試驗，并在某煤礦掘進工作面進行現場試驗，結果表明：該方法預測的瓦斯濃度與實際測量值非常接近，均方誤差小，表明預測結果準確率高；均方誤差波動幅度小，表明適應性好，預測結果的穩定性強；預測用時短，表明預測效率高。

關鍵詞：掘進工作面；瓦斯濃度預測；拉依達準則；Lagrange 插值；經驗模態分解；最小二乘支持向量機

中圖分類號：TD712 ?文獻標志碼：A

Prediction of gas concentration in coal mine excavation working face

CHEN Xianzhan， SHEN Yicheng， HONG Feiyang， SHI Shen

（College of Civil Engineering， Anhui Jianzhu University， Hefei 230011， China）

Abstract： In current gas concentration prediction methods， there are problems of data processing uncertainty， feature extraction limitations， and prediction bias caused by subjective factors. In order to solve the above problems， a gas concentration prediction method for coal mine excavation working face is proposed. Firstly， laser gas sensors are installed every 1 meter in the return airway of the coal mine excavation working face， forming a sensor network to collect real-time gas concentration data. Secondly， the method searches and removes outliers in the gas concentration data according to the Laida criterion， and uses the Lagrange interpolation polynomial to fill in the missing values in the gas concentration data. Finally， based on removing outliers and filling in missing values in the gas concentration data， the empirical mode decomposition algorithm is used to decompose the gas concentration data into intrinsic mode functions and trend terms. The Hilbert transform is then used to process the intrinsic mode functions to obtain the high-frequency and low-frequency terms of the data， which are then input into the least squares support vector machine for weighted processing to output the gas concentration prediction results. The gas concentration prediction simulation experiment is conducted using a simulation device for the excavation working face， and an on-site test is conducted on a certain coal mine excavation working face. The results show that the predicted gas concentration by this method is very close to the actual measurement value， with a small mean square error， indicating a high accuracy of the prediction results. The small fluctuation of mean square error indicates good adaptability and strong stability of prediction results. Short prediction time indicateshigh prediction efficiency.

Key words： excavation working face; gas concentration prediction; Laida criteria; Lagrange interpolation; empirical mode decomposition; least squares support vector machine

0引言

煤炭開采過程中會產生大量瓦斯氣體。受巷道結構、巖層特性、通風不暢等因素影響，在煤礦掘進工作面瓦斯會在特定區域積聚[1]，造成瓦斯濃度升高，容易發生爆炸、中毒等事故[2]。因此，預測煤礦掘進工作面瓦斯濃度，有助于采取有效措施降低瓦斯濃度，保障礦工和設備的安全。

梁運培等[3]采用樣條插值法填補缺失的瓦斯濃度數據，并對其進行無量綱化處理，通過布谷鳥搜索算法尋優長短期記憶網絡中的超參數，建立最優瓦斯濃度預測模型；但由于插值法填補缺失數據時會引入不確定性和偏差，導致預測結果缺乏準確性。賈澎濤等[4]首先通過隨機森林和 Hilbert-Huang 變換方法預處理瓦斯濃度數據，然后利用卷積神經網絡提取數據特征，最后基于雙向門控單元神經網絡構建瓦斯濃度預測模型實現濃度預測；但該方法對于序列數據的時間特征提取存在一定的局限性，從而影響預測的準確性。劉瑩等[5]對瓦斯濃度數據進行融合和缺失值處理，利用特征衍生得出交叉項及高頻項特征，并確定隱藏層維度，通過長短期記憶網絡模型訓練完成瓦斯濃度預測；然而隱藏層維度選擇錯誤會導致模型欠擬合或過擬合，限制預測性能的提升。 Wang Zhiming 等[6]在考慮時間滯后特性的情況下，提出了多變量灰色預測模型來預測礦井瓦斯濃度，并通過引入時間延遲參數來完善驅動項序列的分析；但在識別時間延遲參數和相關因素序列時，會存在主觀性因素的影響，導致預測結果的偏差。

本文提出了一種煤礦掘進工作面瓦斯濃度預測方法。采用激光瓦斯傳感器采集瓦斯濃度數據，并根據拉依達準則剔除異常數據，再通過插值方式填補數據缺失部分，確保數據的連續性和一致性；結合經驗模態分解（Empirical Mode Decomposition，EMD）和最小二乘支持向量機（Least Squares Support Vector Machine， LSSVM），實現對瓦斯濃度的精準預測。

1數據采集與處理

1.1數據采集

在煤礦掘進工作面回風巷每隔1 m距離布設1個激光瓦斯傳感器[7]，確保能夠全面監測瓦斯濃度變化。布設的傳感器可看成一個傳感器網絡，不同傳感器之間能夠實時傳輸數據，迅速獲取巷道各處瓦斯濃度數據。采集的瓦斯濃度數據集合為

Q ={xi }l ?????（1）

式中：xi 為第 i（i=1，2，… ， m，m 為瓦斯濃度數據總數）個瓦斯濃度數據；l 為單位采樣時間。

1.2數據處理

煤礦掘進工作面結構復雜，存在瓦斯分布不均勻、不穩定問題，導致傳感器采集的瓦斯濃度數據出現異常或缺失，會直接影響瓦斯濃度預測結果的準確性。

1）根據拉依達準則搜索并剔除瓦斯濃度數據中的異常值[8-9]。拉依達準則是指先假設1組檢測數據只含有隨機誤差，對其進行計算處理得到標準差，按一定概率確定一個區間，超過這個區間的誤差，則不屬于隨機誤差而是粗大誤差，含有該誤差的數據應予以剔除。

標準差用來描述數據集合中數值的離散程度或分散程度，可評估瓦斯濃度數據的變異程度。瓦斯濃度時間序列標準差為

β=（‘（xi ??（x））2/m ?（2）

式中?（x）為瓦斯濃度數據均值。

當瓦斯濃度時間序列標準差β小于瓦斯濃度時間序列殘差絕對值的1/3時，判斷為瓦斯濃度數據異常值。

β<|xi ??（x）|/3 ?（3）

2）通過 Lagrange 插值法填補瓦斯濃度數據缺失值。根據傳感器采集到的瓦斯濃度數據推導出 Lagrange 插值多項式[10-11]，從而填充缺失值，獲取完整的瓦斯濃度數據。構建 Lagrange 插值多項式：

式中 L（xi）為 Lagrange 基函數。

利用 Lagrange 插值多項式填補瓦斯濃度數據缺失值，插值填補后的瓦斯濃度數據集合為

2瓦斯濃度預測

煤礦掘進工作面環境不斷受掘進、爆破等因素影響，導致瓦斯濃度數據呈現出非線性和非平穩特點，傳統的線性回歸方法往往無法很好地擬合這類數據，導致預測誤差較大。因此，針對瓦斯濃度數據的特點，以剔除異常值并填補缺失值后的瓦斯濃度數據為基礎，結合 EMD 和 LSSVM 算法進行瓦斯濃度預測。

利用 EMD 算法對處理后的瓦斯濃度數據進行多次迭代分解，獲取本征模態函數（Intrinsic Mode Function，IMF）和趨勢項[12-14]。

Q′= vh （xi ）+ th （xi ）Z（xi ） （6）

式中：vh （xi ）為第 i 個瓦斯濃度數據的第 h（h=1，2，… ， NIMF，NIMF 為 IMF 數量）個 IMF 分量；th （xi ）為第 i 個瓦斯濃度數據的第 h 個趨勢項。

應用 Hilbert 變換[15]對每個 IMF 分量進行處理，獲取瓦斯濃度數據的高頻項和低頻項[16-18]。其中，高頻項反映了瓦斯濃度的快速波動，而低頻項則反映了瓦斯濃度變化的長期趨勢。通過將數據分解成這2個部分，可以更準確地識別瓦斯濃度變化趨勢，進而提高預測精度。

式中：Hxi 和Lxi 分別為瓦斯濃度數據 xi 的高頻項和低頻項；N 為迭代總次數[19]。

LSSVM 能夠處理具有非線性特點的瓦斯濃度數據，利用 LSSVM 對瓦斯濃度數據的高頻項、低頻項進行加權處理，實現瓦斯濃度預測[20-21]。LSSVM輸出的瓦斯濃度預測結果為

f （xi ）=αpK（Hxi ; Lxi ）+ bp ??（8）

式中：α為第p（ p=1，2，… ， ε ， ε為支持向量機數量）個支持向量機的正則化系數；K（·）為徑向基函數；bp 為第p個支持向量機的偏置項。

3試驗與分析

3.1模擬試驗

為驗證本文方法的有效性，利用掘進工作面模擬裝置進行試驗。該裝置尺寸（長×寬×高）為10 m×2.5 m×2.5 m。為保證試驗環境接近礦井掘進工作面現場實際情況，實驗室設置通風系統并安裝恒溫恒濕設備，確保試驗環境中的空氣成分及溫濕度與礦井實際相吻合，使用通風機實現負壓通風。

設置局部通風機風速為0.6 m/s，巷道內空氣初始溫度為25℃， 相對濕度為80%，氧氣含量為21%，初始瓦斯體積分數為0.5%，瓦斯排放速度為10 m3/min，排放時間為60 min，巷道圍巖初始溫度為20℃， 巷道圍巖和瓦斯在與空氣對流換熱時的熱導率、溫度均是可變的。試驗中開采煤層瓦斯壓力為0.5 MPa，使用激光瓦斯傳感器在不同時刻測定瓦斯濃度，同時記錄溫度、濕度等環境參數。利用流體動力學模擬軟件 Fluent 進行數值模擬計算，模擬瓦斯的流動和擴散過程。

分別采用本文方法、文獻[3]方法和文獻[4]方法進行瓦斯濃度預測，結果如圖1所示。可看出本文方法的預測值比文獻[3]和文獻[4]方法的預測值更接近瓦斯濃度實際值，瓦斯濃度預測效果最好。

3種方法的均方誤差如圖2所示。可看出文獻[3]方法和文獻[4]方法的均方誤差波動幅度較大，而本文方法的均方誤差波動幅度最小，表明本文方法的適應性好，預測結果穩定性強，且本文方法的均方誤差最小，即瓦斯濃度預測結果準確率最高。

3種方法的瓦斯濃度預測時間見表1。可看出本文方法預測瓦斯濃度所用時間低于文獻[3]和文獻[4]方法預測時間，具有較高的預測效率。

3.2現場試驗

根據某煤礦掘進工作面實際巷道尺寸和形狀，

煤礦巷道環境溫度保持在24℃ ， 相對濕度為82%。使用6臺激光瓦斯傳感器測定瓦斯濃度，每隔30 min 記錄瓦斯濃度，每次記錄連續10次的測量數據。采用本文方法得到的瓦斯濃度預測結果見表3，可看出本文方法預測的瓦斯濃度與實際測量值非常接近。

4結論

1）提出了一種煤礦掘進工作面瓦斯濃度預測方法。根據拉依達準則搜索并剔除瓦斯濃度數據中的異常值，并通過 Lagrange 插值法填補瓦斯濃度數據缺失值；采用 EMD 算法分解處理后的瓦斯濃度數據，有效提取高頻項和低頻項特征，并將其作為LSSVM 的輸入，從而實現瓦斯濃度預測。

2）試驗結果表明，該方法的預測值更接近瓦斯濃度實際值，預測結果準確率高；均方誤差波動幅度小，預測結果穩定性強；預測用時短，預測效率高。

3）在未來研究中，考慮將瓦斯濃度數據與其他環境參數（如溫度、濕度、氣壓等）融合分析，探索多源數據對瓦斯濃度預測的影響，進一步提高預測精度。

參考文獻（References）：

[1]王德忠，朱國宏，王禹，等.基于?GA?LSTM 的綜采面瓦斯濃度預測模型[J].煤炭技術，2023，42（1）：219-221.

WANG Dezhong，ZHU Guohong，WANG Yu，et al. Prediction model of gas concentration in fully mechanized mining face based on GA-LSTM[J]. Coal Technology，2023，42（1）：219-221.

[2]蘇培東，張睿，杜宇本，等.基于 Kriging 估值法的非煤隧道瓦斯預測[J].地下空間與工程學報，2021，17（3）：953-960.

SU Peidong，ZHANG Rui，DU Yuben，et al. Prediction of gas spatial distribution in non-coal strata tunnel by Kriging method[J]. Chinese Journal of Underground Space and Engineering，2021，17（3）：953-960.

[3]梁運培，栗小雨，李全貴，等.基于?CS?LSTM 的工作面瓦斯濃度智能預測研究[J].礦業安全與環保，2022，49（4）：80-86.

LIANG Yunpei，LI Xiaoyu，LI Quangui，et al. Research on intelligent prediction of gas concentration in working face based on CS-LSTM[J]. Mining Safety & Environmental Protection，2022，49（4）：80-86.

[4]賈澎濤，張智遠，梁榮，等.基于?PSO?CNN?aBiGRU 的瓦斯濃度預測方法[J].礦業研究與開發，2021，41（12）：76-81.

JIA Pengtao，ZHANG Zhiyuan，LIANG Rong，et al. Gas concentration prediction method based on PSO- CNN-aBiGRU[J]. Mining Research and Development，2021，41（12）：76-81.

[5]劉瑩，楊超宇.基于多因素的 LSTM 瓦斯濃度預測模型[J].中國安全生產科學技術，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.

[6] WANG Zhiming，MIAO Yanzi，LI Shoujun，et al. Prediction of mine gas concentration based on multi- variable time-delayed DOGM（1，N） model[J]. The Journal of Grey System，2022，34（1）：70-83.

[7]程浩東，韓萌，張妮，等.基于滑動窗口模型的數據流閉合高效用項集挖掘[J].計算機研究與發展，2021，58（11）：2500-2514.

CHENG Haodong，HAN Meng，ZHANG Ni，et al. Closed high utility itemsets mining over data stream based on sliding window model[J]. Journal of Computer Research and Development，2021，58（11）：2500-2514.

[8]劉丹丹.基于 EMD 的 GNSS 時間序列異常值探測算法[J].地球物理學進展，2021，36（5）：1865-1873.

LIU Dandan. New method of outlier detection for GNSS coordinate time series based on EMD approach[J]. Progress in Geophysics，2021，36（5）：1865-1873.

[9]鄭欣彤，邊婷婷，張德強，等. ARIMA 和 LSTM 方法長時間溫度觀測數據缺失值插補的比較[J].計算機應用，2022，42（增刊1）：130-135.

ZHENG Xintong，BIAN Tingting，ZHANG Deqiang，et al. Comparison of ARIMA and LSTM methods for interpolation of missing values of long-time temperature observations[J]. Journal of Computer Applications，2022，42（S1）：130-135.

[10]吳哲，黃蓉，田朝薇.時間分數階?Black?Scholes 方程的重心?Lagrange 插值配點法[J].華僑大學學報（自然科學版），2023，44（2）：269-276.

WU Zhe，HUANG Rong，TIAN Zhaowei. Barycentric Lagrange interpolation collocation method for time- fractional Black-Scholes ?equation[J]. Journal of Huaqiao University（Natural Science），2023，44（2）：269-276.

[11]鐘凱強，周建平，薛瑞雷，等.一種采用 Lagrange 插值的相貫線簡化算法[J].熱加工工藝，2021，50（15）：131-135，140.

ZHONG Kaiqiang，ZHOU Jianping，XUE Ruilei，et al. A intersecting line simplification algorithm using Lagrange interpolation[J]. Hot Working Technology，2021，50（15）：131-135，140.

[12]吳虎，孔勇，王振偉，等.基于?EMD 分解與1?D CNN 算法的光纖振動信號的識別[J].激光與紅外，2021，51（8）：1043-1049.

WU Hu， KONG Yong， WANG Zhenwei， et al. Recognition of optical fiber vibration signals based on VMD_CNN algorithm[J]. Laser & Infrared，2021，51（8）：1043-1049.

[13]劉兵，鄭承利.基于 EMD 特征提取的高頻面板數據自適應聚類方法[J].統計與決策，2022，38（10）：16-20.

LIU Bing，ZHENG Chengli. Adaptive clustering method for high frequency panel data based on EMD feature extraction[J]. Statistics & Decision，2022，38（10）：16-20.

[14]韓麗，李夢潔，喬妍.基于低頻波動挖掘和高頻校正的風電超短期預測[J].電網技術，2022，46（7）：2750-2758.

HAN Li，LI Mengjie，QIAO Yan. Ultra-short-termprediction of wind power based on low-frequency fluctuation mining and high-frequency correction[J]. Power System Technology，2022，46（7）：2750-2758.

[15]蘇娟，方舒，邢廣進，等.考慮需求價格彈性的?CS? SVM 短期負荷預測方法[J].江蘇大學學報（自然科學版），2022，43（3）：319-324.

SU Juan，FANG Shu，XING Guangjin，et al. Short-term load forecasting method based on cuckoo search algorithm and support vector machine considering demand price ?elasticity[J]. Journal of Jiangsu University（Natural Science Edition），2022，43（3）：319-324.

[16]付樂天，李鵬，高蓮.考慮樣本異常值的改進最小二乘支持向量機算法[J].儀器儀表學報，2021，42（6）：179-190.

FU Letian，LI Peng，GAO Lian. Improved LSSVM algorithm considering sample outliers[J]. Chinese Journal of Scientific Instrument，2021，42（6）：179-190.

[17]李森娟，張萍，岳大為，等.基于支持向量機的風電機組故障預測[J].計算機仿真，2022，39（5）：84-88，180.

LI Senjuan，ZHANG Ping，YUE Dawei，et al. Fault prediction of wind turbine based on support vector machine[J]. Computer Simulation，2022，39（5）：84-88，180.

[18]張皓，李東升.復分析 Hilbert變換計算理論及非線性檢測準則[J].振動工程學報，2022，35（6）：1336-1345.

ZHANG Hao， LI Dongsheng. Hilbert transform calculated by complex analysis theory and its nonlinear detection ?criterion[J]. Journal ?of ?Vibration Engineering，2022，35（6）：1336-1345.

[19]王媛彬，李媛媛，韓騫，等.基于?PCA?BO?XGBoost 的礦井回采工作面瓦斯涌出量預測[J].西安科技大學學報，2022，42（2）：371-379.

WANG Yuanbin，LI Yuanyuan，HAN Qian，et al. Gas emission prediction of the stope in coal mine based on PCA-BO-XGBoost[J]. Journal of Xi'an University of Science and Technology，2022，42（2）：371-379.

[20]趙偉，陳培紅，曹陽.基于?ACSOA?BP 神經網絡的瓦斯含量預測模型[J].煤礦安全，2022，53（1）：174-180.

ZHAO Wei，CHEN Peihong，CAO Yang. Prediction model of coal seam gas content based on ACSOA optimized BP neural network[J]. Safety in Coal Mines，2022，53（1）：174-180.

[21]廖巍.復雜地質條件下瓦斯含量精準預測研究與系統開發[J].煤炭工程，2022，54（5）：142-145.

LIAO Wei. Accurate prediction of gas content and system ?development ?under ?complex ?geological conditions[J]. Coal Engineering，2022，54（5）：142-145.