煤矿掘进工作面瓦斯浓度预测

陈鲜展 沈易成 洪飞扬 石绅

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

摘要：针对目前瓦斯浓度预测方法存在数据处理不确定性、特征提取局限性及受主观性因素影响产生预测偏差等问题，提出了一种用于煤矿掘进工作面的瓦斯浓度预测方法。首先，在煤矿掘进工作面回风巷内每隔1 m 布设激光瓦斯传感器，形成传感器网络，实时采集瓦斯浓度数据。然后，根据拉依达准则搜索并剔除瓦斯浓度数据中的异常值，并利用 Lagrange 插值多项式填补瓦斯浓度数据中的缺失值。最后，以剔除异常值及填补缺失值的瓦斯浓度数据为基础，采用经验模态分解算法将瓦斯浓度数据分解成本征模态函数和趋势项，再利用 Hilbert 变换对本征模态函数进行处理以获取数据的高频项和低频项，并将其输入最小二乘支持向量机中进行加权处理，输出瓦斯浓度预测结果。通过掘进工作面模拟装置进行瓦斯浓度预测模拟试验，并在某煤矿掘进工作面进行现场试验，结果表明：该方法预测的瓦斯浓度与实际测量值非常接近，均方误差小，表明预测结果准确率高；均方误差波动幅度小，表明适应性好，预测结果的稳定性强；预测用时短，表明预测效率高。

关键词：掘进工作面；瓦斯浓度预测；拉依达准则；Lagrange 插值；经验模态分解；最小二乘支持向量机

中图分类号：TD712  文献标志码：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

煤炭开采过程中会产生大量瓦斯气体。受巷道结构、岩层特性、通风不畅等因素影响，在煤矿掘进工作面瓦斯会在特定区域积聚[1]，造成瓦斯浓度升高，容易发生爆炸、中毒等事故[2]。因此，预测煤矿掘进工作面瓦斯浓度，有助于采取有效措施降低瓦斯濃度，保障矿工和设备的安全。

梁运培等[3]采用样条插值法填补缺失的瓦斯浓度数据，并对其进行无量纲化处理，通过布谷鸟搜索算法寻优长短期记忆网络中的超参数，建立最优瓦斯浓度预测模型；但由于插值法填补缺失数据时会引入不确定性和偏差，导致预测结果缺乏准确性。贾澎涛等[4]首先通过随机森林和 Hilbert-Huang 变换方法预处理瓦斯浓度数据，然后利用卷积神经网络提取数据特征，最后基于双向门控单元神经网络构建瓦斯浓度预测模型实现浓度预测；但该方法对于序列数据的时间特征提取存在一定的局限性，从而影响预测的准确性。刘莹等[5]对瓦斯浓度数据进行融合和缺失值处理，利用特征衍生得出交叉项及高频项特征，并确定隐藏层维度，通过长短期记忆网络模型训练完成瓦斯浓度预测；然而隐藏层维度选择错误会导致模型欠拟合或过拟合，限制预测性能的提升。 Wang Zhiming 等[6]在考虑时间滞后特性的情况下，提出了多变量灰色预测模型来预测矿井瓦斯浓度，并通过引入时间延迟参数来完善驱动项序列的分析；但在识别时间延迟参数和相关因素序列时，会存在主观性因素的影响，导致预测结果的偏差。

本文提出了一种煤矿掘进工作面瓦斯浓度预测方法。采用激光瓦斯传感器采集瓦斯浓度数据，并根据拉依达准则剔除异常数据，再通过插值方式填补数据缺失部分，确保数据的连续性和一致性；结合经验模态分解（Empirical Mode Decomposition，EMD）和最小二乘支持向量机（Least Squares Support Vector Machine， LSSVM），实现对瓦斯浓度的精准预测。

1数据采集与处理

1.1数据采集

在煤矿掘进工作面回风巷每隔1 m距离布设1个激光瓦斯传感器[7]，确保能够全面监测瓦斯浓度变化。布设的传感器可看成一个传感器网络，不同传感器之间能够实时传输数据，迅速获取巷道各处瓦斯浓度数据。采集的瓦斯浓度数据集合为

Q ={xi }l      （1）

式中：xi 为第 i（i=1，2，… ， m，m 为瓦斯浓度数据总数）个瓦斯浓度数据；l 为单位采样时间。

1.2数据处理

煤矿掘进工作面结构复杂，存在瓦斯分布不均匀、不稳定问题，导致传感器采集的瓦斯浓度数据出现异常或缺失，会直接影响瓦斯浓度预测结果的准确性。

1）根据拉依达准则搜索并剔除瓦斯浓度数据中的异常值[8-9]。拉依达准则是指先假设1组检测数据只含有随机误差，对其进行计算处理得到标准差，按一定概率确定一个区间，超过这个区间的误差，则不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。

标准差用来描述数据集合中数值的离散程度或分散程度，可评估瓦斯浓度数据的变异程度。瓦斯浓度时间序列标准差为

β=（‘（xi ??（x））2/m  （2）

式中?（x）为瓦斯浓度数据均值。

当瓦斯浓度时间序列标准差β小于瓦斯浓度时间序列残差绝对值的1/3时，判断为瓦斯浓度数据异常值。

β<|xi ??（x）|/3  （3）

2）通过 Lagrange 插值法填补瓦斯浓度数据缺失值。根据传感器采集到的瓦斯浓度数据推导出 Lagrange 插值多项式[10-11]，从而填充缺失值，获取完整的瓦斯浓度数据。构建 Lagrange 插值多项式：

式中 L（xi）为 Lagrange 基函数。

利用 Lagrange 插值多项式填补瓦斯浓度数据缺失值，插值填补后的瓦斯浓度数据集合为

2瓦斯浓度预测

煤矿掘进工作面环境不断受掘进、爆破等因素影响，导致瓦斯浓度数据呈现出非线性和非平稳特点，传统的线性回归方法往往无法很好地拟合这类数据，导致预测误差较大。因此，针对瓦斯浓度数据的特点，以剔除异常值并填补缺失值后的瓦斯浓度数据为基础，结合 EMD 和 LSSVM 算法进行瓦斯浓度预测。

利用 EMD 算法对处理后的瓦斯浓度数据进行多次迭代分解，获取本征模态函数（Intrinsic Mode Function，IMF）和趋势项[12-14]。

Q′= vh （xi ）+ th （xi ）Z（xi ） （6）

式中：vh （xi ）为第 i 个瓦斯浓度数据的第 h（h=1，2，… ， NIMF，NIMF 为 IMF 数量）个 IMF 分量；th （xi ）为第 i 个瓦斯浓度数据的第 h 个趋势项。

应用 Hilbert 变换[15]对每个 IMF 分量进行处理，获取瓦斯浓度数据的高频项和低频项[16-18]。其中，高频项反映了瓦斯浓度的快速波动，而低频项则反映了瓦斯浓度变化的长期趋势。通过将数据分解成这2个部分，可以更准确地识别瓦斯浓度变化趋势，进而提高预测精度。

式中：Hxi 和Lxi 分别为瓦斯浓度数据 xi 的高频项和低频项；N 为迭代总次数[19]。

LSSVM 能够处理具有非线性特点的瓦斯浓度数据，利用 LSSVM 对瓦斯浓度数据的高频项、低频项进行加权处理，实现瓦斯浓度预测[20-21]。LSSVM输出的瓦斯浓度预测结果为

f （xi ）=αpK（Hxi ; Lxi ）+ bp   （8）

式中：α为第p（ p=1，2，… ， ε ， ε为支持向量机数量）个支持向量机的正则化系数；K（·）为径向基函数；bp 为第p个支持向量机的偏置项。

3试验与分析

3.1模拟试验

为验证本文方法的有效性，利用掘进工作面模拟装置进行试验。该装置尺寸（長×宽×高）为10 m×2.5 m×2.5 m。为保证试验环境接近矿井掘进工作面现场实际情况，实验室设置通风系统并安装恒温恒湿设备，确保试验环境中的空气成分及温湿度与矿井实际相吻合，使用通风机实现负压通风。

设置局部通风机风速为0.6 m/s，巷道内空气初始温度为25℃， 相对湿度为80%，氧气含量为21%，初始瓦斯体积分数为0.5%，瓦斯排放速度为10 m3/min，排放时间为60 min，巷道围岩初始温度为20℃， 巷道围岩和瓦斯在与空气对流换热时的热导率、温度均是可变的。试验中开采煤层瓦斯压力为0.5 MPa，使用激光瓦斯传感器在不同时刻测定瓦斯浓度，同时记录温度、湿度等环境参数。利用流体动力学模拟软件 Fluent 进行数值模拟计算，模拟瓦斯的流动和扩散过程。

分别采用本文方法、文献[3]方法和文献[4]方法进行瓦斯浓度预测，结果如图1所示。可看出本文方法的预测值比文献[3]和文献[4]方法的预测值更接近瓦斯浓度实际值，瓦斯浓度预测效果最好。

3种方法的均方误差如图2所示。可看出文献[3]方法和文献[4]方法的均方误差波动幅度较大，而本文方法的均方误差波动幅度最小，表明本文方法的适应性好，预测结果稳定性强，且本文方法的均方误差最小，即瓦斯浓度预测结果准确率最高。

3种方法的瓦斯浓度预测时间见表1。可看出本文方法预测瓦斯浓度所用时间低于文献[3]和文献[4]方法预测时间，具有较高的预测效率。

3.2现场试验

根据某煤矿掘进工作面实际巷道尺寸和形状，

煤矿巷道环境温度保持在24℃ ， 相对湿度为82%。使用6台激光瓦斯传感器测定瓦斯浓度，每隔30 min 记录瓦斯浓度，每次记录连续10次的测量数据。采用本文方法得到的瓦斯浓度预测结果见表3，可看出本文方法预测的瓦斯浓度与实际测量值非常接近。

4结论

1）提出了一种煤矿掘进工作面瓦斯浓度预测方法。根据拉依达准则搜索并剔除瓦斯浓度数据中的异常值，并通过 Lagrange 插值法填补瓦斯浓度数据缺失值；采用 EMD 算法分解处理后的瓦斯浓度数据，有效提取高频项和低频项特征，并将其作为LSSVM 的输入，从而实现瓦斯浓度预测。

2）试验结果表明，该方法的预测值更接近瓦斯浓度实际值，预测结果准确率高；均方误差波动幅度小，预测结果稳定性强；预测用时短，预测效率高。

3）在未来研究中，考虑将瓦斯浓度数据与其他环境参数（如温度、湿度、气压等）融合分析，探索多源数据对瓦斯浓度预测的影响，进一步提高预测精度。

参考文献（References）：

[1]王德忠，朱国宏，王禹，等.基于 GA?LSTM 的综采面瓦斯浓度预测模型[J].煤炭技术，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]苏培东，张睿，杜宇本，等.基于 Kriging 估值法的非煤隧道瓦斯预测[J].地下空间与工程学报，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]梁运培，栗小雨，李全贵，等.基于 CS?LSTM 的工作面瓦斯浓度智能预测研究[J].矿业安全与环保，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]贾澎涛，张智远，梁荣，等.基于 PSO?CNN?aBiGRU 的瓦斯浓度预测方法[J].矿业研究与开发，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]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.

[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]程浩东，韩萌，张妮，等.基于滑动窗口模型的数据流闭合高效用项集挖掘[J].计算机研究与发展，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]刘丹丹.基于 EMD 的 GNSS 时间序列异常值探测算法[J].地球物理学进展，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]郑欣彤，边婷婷，张德强，等. ARIMA 和 LSTM 方法长时间温度观测数据缺失值插补的比较[J].计算机应用，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，黄蓉，田朝薇.时间分数阶 Black?Scholes 方程的重心 Lagrange 插值配点法[J].华侨大学学报（自然科学版），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]钟凯强，周建平，薛瑞雷，等.一种采用 Lagrange 插值的相贯线简化算法[J].热加工工艺，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]吴虎，孔勇，王振伟，等.基于 EMD 分解与1?D CNN 算法的光纤振动信号的识别[J].激光与红外，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]刘兵，郑承利.基于 EMD 特征提取的高频面板数据自适应聚类方法[J].统计与决策，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]韩丽，李梦洁，乔妍.基于低频波动挖掘和高频校正的风电超短期预测[J].电网技术，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]苏娟，方舒，邢广进，等.考虑需求价格弹性的 CS? SVM 短期负荷预测方法[J].江苏大学学报（自然科学版），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]付乐天，李鹏，高莲.考虑样本异常值的改进最小二乘支持向量机算法[J].仪器仪表学报，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，张萍，岳大为，等.基于支持向量机的风电机组故障预测[J].计算机仿真，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]张皓，李东升.复分析 Hilbert变换计算理论及非线性检测准则[J].振动工程学报，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，韩骞，等.基于 PCA?BO?XGBoost 的矿井回采工作面瓦斯涌出量预测[J].西安科技大学学报，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]赵伟，陈培红，曹阳.基于 ACSOA?BP 神经网络的瓦斯含量预测模型[J].煤矿安全，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.復杂地质条件下瓦斯含量精准预测研究与系统开发[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.