随着煤炭向更深层次开采,煤矿瓦斯灾害事故频繁发生,严重威胁着煤炭行业持续发展和煤矿工人的安全。瓦斯浓度是造成瓦斯灾害的一个重要因素,当瓦斯浓度不断上升到警限值时,遇到明火会产生瓦斯爆炸或引发瓦斯突出事故,造成人员伤亡和经济损失。因此,针对煤矿安全生产的需要,对煤矿采煤工作面瓦斯浓度进行准确预测和对矿井安全状态实时预警是非常重要的研究课题。对矿井瓦斯浓度的主要影响因素包含CO浓度、风速、温度进行分析。由于各影响因素之间具有复杂的非线性关系,如果采用单传感器进行瓦斯浓度预测,导致预测准确率较低,不能有效反应矿井真实环境状况。因此,通过多传感器融合技术对瓦斯浓度进行预测,提高瓦斯浓度预测的精度,构建多参数瓦斯浓度预测模型。该模型首先通过矿井各传感器对众影响因素进行采集原始数据。然后通过改进的小波阈值去噪方法对采集到瓦斯浓度时间序列进行滤噪。采用等距映射算法对瓦斯浓度影响因素进行维数约简,提取低维特征,然后将提取的低维特征通过LS-SVM进行数据融合。将自适应PSO算法与引入克隆、变异算子的自适应AIS算法进行有效结合,提出了并行双自适应AIS-PSO优化算法,并对LS-SVM的高斯核参数?和正则化参数?进行寻优。最后将上隅角瓦斯浓度作为预测模型的输出,进行瓦斯浓度预测,并与PSO-LSSVM、LS-SVM方法进行仿真对比试验。结果表明,本文提出的瓦斯浓度预测模型与另外两种方法相比,具有较高的精度。由于瓦斯浓度预测模型,只是对瓦斯浓度未来趋势进行评估,没有对矿井的安全状况进行判断。为了对矿井安全状态进行实时评价,建立了基于CS算法优化SVM的矿井瓦斯预警模型。根据矿井瓦斯浓度、CO浓度和风速等信息的预警范围,将煤矿安全状况分为安全、较安全、报警、危险,4个预警等级。将矿井各传感器的测量值作为SVM分类器输入,4个预警等级作为输出,并与PSO-SVM、SVM及BP方法进行对比试验,结果表明,CS-SVM相较于另外3种方法对预警等级分类准确率更高。该论文有图40幅,表8个,参考文献71篇。