首页 > 分享 > 基于LSTM的瓦斯浓度预测与防突预警系统设计

基于LSTM的瓦斯浓度预测与防突预警系统设计

花匠小妙招
2024-11-06 01:54

在贵州省能源结构中，煤炭具有举足轻重的地位[1-5]。盘江煤电集团作为贵州省重要的煤炭企业，瓦斯超限事故频繁发生[2-5]，多次因瓦斯问题被迫停产[6-8]，不仅对矿井安全生产造成了巨大威胁，还影响了煤矿矿井的单产单进水平，制约了企业的持续发展[9]。

瓦斯超限事故和煤与瓦斯突出事故防治仍然是盘江煤电集团安全生产工作的重点[10-13]，而建立合理的瓦斯浓度预测分析与防突预警系统是遏制突出事故发生的重要手段[14-17]。为此，笔者通过研究煤巷掘进过程中瓦斯浓度的变化规律，拟建立一套行之有效的基于LSTM记忆神经网络预测瓦斯浓度的指标及模型，为瓦斯超限和煤与瓦斯突出超前预警提供思路和方法。

重点研究基于LSTM记忆神经网络预测瓦斯浓度超限和突出预警方法，并构建基于计算机技术、信息技术和网络技术的三级瓦斯浓度预测预警软件系统，这是对掘进巷道瓦斯富集区域快速精准辨识和瓦斯涌出异常智能预警的关键所在及必要条件[18-20]。

1. 总体思路

基于LSTM记忆神经网络的瓦斯浓度预测分析和防突预警是以预警模型为基础建立三级预警指标和流程，然后对获取的预测结果进行分析和计算，并与预警准则进行对比，主动判识工作面瓦斯浓度异常区域和危险等级，并提示管理人员采取相应安全措施。首先，对瓦斯浓度的变化规律进行分析，利用LSTM记忆神经网络方法建立瓦斯预测模型，并以煤矿生产过程中的瓦斯浓度历史监测数据和实时数据，作为检验预测方法模型的输入，为瓦斯防突预警系统提供数据支持；然后，根据预测算法得到的瓦斯浓度数据，研究瓦斯预警的相关方法，对预警等级进行划分，根据划分的情况设置预警阈值，从而对瓦斯浓度异常情况进行提前预警；最后，基于瓦斯浓度预测和瓦斯浓度预警方法，设计瓦斯浓度防突预警系统软件，实现瓦斯防突预警。设计思路框架图如图 1所示。

2. 瓦斯浓度预测方法

2.1 预测原理

通过对目前用于瓦斯预测的算法进行对比分析，最终选择使用LSTM算法。该算法可以对收集到的大量瓦斯浓度数据进行训练，有效学习瓦斯浓度变化的非线性和快速收敛，缓解数据训练过程中的梯度消失和爆炸问题。LSTM算法的模型结构如图 2所示。

图 2中：

$$ begin{aligned} & f_t=sigma_gleft(W_f x_t+U_f h_{t-1}+b_fright) \ & i_t=sigma_gleft(W_i x_t+U_i h_{t-1}+b_iright) \ & o_t=sigma_gleft(W_o x_t+U_o h_{t-1}+b_oright) \ & c_t=f_t c_{t-1}+i_t sigma_cleft(W_c x_t+U_c h_{t-1}+b_cright) \ & h_t=o_t sigma_hleft(c_tright) \ & widetilde{c}_t=sigma_cleft(W_c x_t+U_c h_{t-1}+b_cright) end{aligned} $$

式中：ft为忘记门信号；it为输入门信号；ot为输出门信号；ct为Cell输出信号；ht为block输出信号；$widetilde{c}_t $为Cell输入信号；xt为第t个序列输入；ht-1为第t-1个序列输出；σg为sigmoid函数；σc为tanh函数；σh为tanh函数或线性函数。

鉴于训练比较耗时，采用单层LSTM学习采集的历史数据，进而支持全连接层的瓦斯浓度预测数据，最终实现通过历史瓦斯浓度数据来预测未来瓦斯浓度值。模型的输入为划分数据长度后的指定子样本时长数据，输出为不同子样本时长下直接多步(分钟)预测结果。LSTM算法模型对瓦斯浓度的历史数据进行学习，每次运算迭代之后，会对网络内部的连接权值进行更新，实现预测值与实际值之间的误差不断变小，直至最小化。

2.2 瓦斯特性分析

由于煤层赋存、煤层瓦斯含量、采掘进度、采掘工艺等因素都能引起瓦斯浓度的变化，单凭一种因素很难实现对瓦斯浓度的精确分析和预测，需考虑多种因素共同作用下的瓦斯浓度变化。然而，在采掘过程中，多种因素引起瓦斯浓度变化表现出瓦斯浓度动态非线性和时空相关性的变化特征，因此围绕这2个特征进行监测数据样本选取。

其中，瓦斯浓度(甲烷体积分数，下同)的动态非线性特征表现最为突出，是瓦斯浓度变化的本质特征，其主要表现为瓦斯的浓度值变化频率很快，并且数值具有一定的随机性，如图 3所示。同一个区域或监测点，在同一天的不同时刻，瓦斯的浓度值是不同的；不同的日期，相同的区域或监测点的浓度值也不相同。

瓦斯浓度的时空相关性的主要表现为，在一定时空内，在相同的时间间隔下，对相关空间瓦斯浓度值的数据进行采集，所采集的数据具有一定的相关关系。瓦斯浓度变化的时空相关性，是对瓦斯浓度具有时间、空间相关特性的抽象描述。

瓦斯浓度在多种影响因素的共同作用下，在时间维度上表现有显著的相关关系；在风流的影响下，相邻位置的瓦斯浓度数值变化也会有很强的空间相关性。

瓦斯浓度数据的变化虽具有时空相关性质，但不具有空间平稳性质。时空相关性质描述的是某一段时间内的某个空间状态，其影响着本身未来的状态的变化和其他相关空间单元状态的变化。时空平稳性质是描述数据的统计特征不会随着时间和空间位置的变化而改变。对瓦斯浓度数据做时空相关分析，能够比较准确、真实地反映出不同位置的瓦斯浓度变化状况。应用皮尔逊相关性系数公式进行计算，得出某一时间段内相邻位置的瓦斯浓度检测数据的变化情况，如图 4所示。其具有明显的时空相关性，考虑相关空间瓦斯浓度预测结果交叉验证。

2.3 数据预处理

将取用的瓦斯浓度监测数据作为样本空间数据，数据情况如图 5所示。数据样本总量为3 182个，数据收集间隔为1 min，将大约12/13的样本用于训练。经过预处理后，拟选用前1.0、1.5、2.0 h的瓦斯监测数据，预测掘进工作面接下来5、10、15、20 min的瓦斯浓度[5]。

在数据的采集过程中，由于受设备故障、人为干扰、环境变化等诸多不确定因素的影响，采集的瓦斯浓度数据中，可能会出现一些异常的瓦斯浓度数据。异常的瓦斯浓度数据会影响瓦斯浓度预测的准确性，因此在训练前需要对瓦斯浓度数据样本中的浓度数据异常值和缺失值及滤波进行处理。处理方法和步骤如下：

步骤一使用拉伊达准则对异常值的阈值进行确定。

步骤二当异常值被剔除时，时序中的部分数据会缺失，为了保证预测的准确性，应当对缺失的数据进行填补。拟使用Lagrange插值法进行空缺数据填补，实际应用过程中，系统数据是实时更新并增加的，每间隔5 min做一次计算和预测。

步骤三将步骤一和步骤二处理好的数据做归一化处理：

$$ x^{prime}=frac{x-min (x)}{max (x)-min (x)} $$ (1)

式中: x′表示归一化后的输入变量；max(x)为原始的瓦斯浓度数据的最大值；min(x)表示原始数据的瓦斯浓度数据的最小值。

2.4 瓦斯浓度预测模型

LSTM神经网络的瓦斯浓度预测模型如图 6所示。

具体流程如下：

1) 将经过预处理的瓦斯浓度数据作为训练集的输入数据，将其输入到LSTM中, 计算出预测值。将煤层赋存、煤层瓦斯含量、采掘进度，以及相邻点位瓦斯浓度数据作为交叉验证数据。

2) 根据预测值与真实的瓦斯浓度值计算损失函数。

3) 使用Adam算法更新LSTM的权重值，实现LSTM的监督学习。

4) 将训练好的LSTM神经网络，输入到测试数据集中，对未来的瓦斯浓度值的变化进行预测。

2.5 瓦斯浓度预测

在LSTM神经网络模型评估完成后，按照LSTM模型的评估结果，利用训练完成的LSTM模型分别预测未来5、10、15、20 min的瓦斯浓度数据的变化。预测结果如图 7~9所示，误差计算结果见表 1~3。

预测时长/min EMA/10-3 EMAP/% EMS/10-5 R2 5 3.728 0.982 1.51 0.96 10 6.064 1.740 5.24 0.15 15 6.988 2.030 6.53 0.13 20 15.480 4.460 32.32 0.17 预测时长/min EMA/10-3 EMAP/% EMS/10-5 R2 5 5.243 1.500 4.83 0.048 10 3.405 0.978 1.89 0.602 15 3.409 0.983 1.84 0.781 20 8.173 2.400 10.80 0.101 预测时长/min EMA/10-3 EMAP/% EMS/10-5 R2 5 11.333 3.28 13.20 0.021 10 6.032 1.76 5.54 0.386 15 6.017 1.75 4.92 0.432 20 3.154 0.93 1.45 0.881

由图 7~9和表 1~3可知：

当子样本的时间长度为1.0 h时，随着预测时间的增加，模型的瓦斯浓度预测结果准确度逐渐降低。预测未来5 min的瓦斯浓度时，精度最高，平均绝对百分比误差为0.982%；预测未来20 min时，平均绝对百分比误差达到了4.46%。其原因是输入模型的子样本的时间过短，在进行预测的时候导致模型欠拟合，致使误差增大。

当子样本的时间长度为1.5 h时，随着预测时间的变长，瓦斯浓度的预测精度呈现出先降低后升高的趋势。预测结果在中间的10 min和15 min处取得较好的预测效果，预测的平均绝对百分比误差分别为0.978%和0.983%。

当子样本的时间长度为2.0 h时，瓦斯浓度的预测精度会随着时间长度的变长而逐渐增高。当预测时间长度为20 min时，平均绝对百分比误差为0.93%。这是由于输入模型的子样本时间长度选取过长而预测时长较短时，出现了模型过拟合情况，致使误差增大。

如果以1%的平均绝对百分比误差为评判标准，综上分析可得：在子样本时间长度为1.0 h时，5 min的超前预测精度最高，符合1%的评判标准；子样本的时间长度为1.5 h时，超前预测10 min和15 min的精度最高且均符合评判标准；子样本时间长度是2.0 h时，需要超前预测20 min才符合标准。以上的瓦斯浓度预测结果，也进一步验证了LSTM对瓦斯浓度的预测是有效的。

3. 瓦斯浓度三级预警方法

3.1 三级预警方法概述

根据《煤矿安全规程》[21]及贵州盘江煤电集团下属煤矿的煤矿安全生产标准，建立三级预警机制，方便管理人员根据瓦斯预警程度采取治理措施。

提出的三级预警方法分别为Ⅰ级蓝色预警、Ⅱ级黄色预警和Ⅲ级红色预警，没有瓦斯浓度异常时用绿色表示。

Ⅰ级瓦斯浓度预警代表浓度偏高，需要注意瓦斯浓度的动态变化并查明具体原因；Ⅱ级瓦斯浓度预警表示瓦斯浓度较高，必须注意瓦斯浓度变化并采取处理措施；Ⅲ级瓦斯浓度预警表示瓦斯浓度非常接近规定的界限值，必须立即采取处理措施。瓦斯浓度预警等级和防控建议见表 4。

预警等级警示颜色防控建议 Ⅲ级红色必须立即采取处理措施，并设置警戒时间进行控制整改 Ⅱ级黄色必须注意瓦斯浓度变化并采取处理措施 Ⅰ级蓝色需要注意瓦斯浓度的动态变化并查明具体原因安全绿色正常生产 3.2 瓦斯浓度三级预警流程

瓦斯浓度的预警指标，拟使用瓦斯浓度的均值变化率δ*和瓦斯浓度上限值xT。瓦斯浓度上限值由各个矿的具体情况决定，具体可参考《煤矿安全规程》的规定；δ*则通过如下公式进行计算：

$$ delta_*=frac{sumlimits_{i=1}^n y_i}{sumlimits_{i=1}^n x_i}-1 $$ (2)

式中：yi表示瓦斯浓度的预测值；xi表示真实的基础瓦斯浓度值。

三级预警的瓦斯浓度阈值线，采用瓦斯浓度上限值xT的45%、55%、65%进行设置，这些百分比由煤矿根据自身情况进行灵活设定。

瓦斯浓度三级预警的大致流程如图 10所示。

将预测得到的瓦斯浓度数据，输入到三级预警系统中。第一步判断是不是90%以上的数据都超过了上限值xT的65%，并且没有明显降低的趋势；或者实际的瓦斯浓度数据与预测所得到的瓦斯浓度数据的均值变化率δ*≥50%。满足以上2个条件的任何一个，定为Ⅲ级，发出红色预警。否则进行下一步判断。

第二步判断是不是90%以上的数据都超过了上限值xT的55%，并且没有明显降低的趋势；或者实际的瓦斯浓度数据与预测所得到的瓦斯浓度数据的均值变化率δ*≥40%。满足以上2个条件的任何一个，定为Ⅱ级，发出黄色预警。否则进入下一步判断。

第三步判断是不是90%以上的数据都超过了上限值xT的45%，并且没有明显降低的趋势；或者实际的瓦斯浓度数据与预测所得到的瓦斯浓度数据的均值变化率δ*≥30%。满足以上2个条件的任何一个，定为Ⅰ级，发出蓝色预警；否则提示为瓦斯浓度正常，显示绿色信号。实验数据结果为瓦斯浓度预测值正常。

4. 瓦斯浓度预测预警系统设计

4.1 瓦斯浓度预测预警系统架构和工作流程

瓦斯浓度预测预警系统整体架构如图 11所示。首先通过井下各种传感器采集瓦斯浓度数据，然后通过井下传感器分站由工业以太网上传到服务器进行存储分析，最后将分析结果通过管理系统显示和应用。

瓦斯浓度预测预警系统工作流程如图 12所示。瓦斯浓度数据采集完成并且进行存储分析后，判断瓦斯浓度是否异常，如果异常就发出报警提示, 随后通知井下工作人员采取相应的瓦斯预防措施。如果经过处理后瓦斯监测值还是异常，就需要检查系统自身是否有故障。如数据库故障检查，如果是则采取相应的数据库维护措施。如果不是系统自身问题，就需要通过专家系统，由专业人员进行远程诊断分析，查询原因并制订解决方案。

4.2 瓦斯浓度预测预警系统管理系统功能设计

为实现数字瓦斯治理并实现系统管理，利用Java语言、springBoot、VUE等Web软件技术开发瓦斯防突预警系统。功能上主要有权限管理、瓦斯数据处理与管理、存储管理、信息查询、系统显示等。瓦斯浓度预测预警系统管理系统功能设计的具体结构如图 13所示。

5. 结论

1) 首先对瓦斯特性进行分析，得出了瓦斯浓度变化主要具有动态非线性和时空相关性2个特征。瓦斯浓度的动态非线性特征表现最为突出，是瓦斯浓度变化的本质特征。瓦斯浓度在风流等多种影响因素的共同作用下，在时间维度上呈现明显的相关关系，相邻的监测点也有较强的空间相关性。

2) 基于瓦斯浓度的动态非线性特征，选择使用LSTM算法进行瓦斯浓度变化情况的预测。预测结果表明：在子样本时间长度为1.0 h时，5 min的超前预测精度最高，符合1%的评判标准；子样本时间长度为1.5 h时，超前预测10 min和15 min的精度最高且符合评判标准；子样本时间长度为2.0 h时，需要超前预测20 min才符合标准。

3) 将预测得到的瓦斯浓度数据，输入到三级预警系统中，就可以对瓦斯浓度进行提前预警。为了更好地进行瓦斯防突预警，需要进行井下瓦斯浓度预警系统功能设计。当瓦斯浓度出现异常时，安全员或管理员可以在系统上查找到异常区域和其他异常详细信息，根据相关信息采取相应措施；当不知道采取何种措施时，可以通过专家系统求援，得到解决办法。