论文部分内容阅读
煤矿通风系统和瓦斯防治一直是煤矿安全领域研究的重点。良好的通风系统是保障煤矿安全的关键之一,而瓦斯事故是煤矿井下所有的灾害事故中影响最大、人身伤亡最严重,同时发生频率最高的。故提升通风和瓦斯数据的精准度,对提升煤矿井下人员和设备安全具有更积极的现实意义。本文着重于研究通风网络解算和瓦斯涌出预测进而提升通风和瓦斯数据的准确性。本文基于现有的矿山物联网数据监测系统采集通风及瓦斯基础数据,并针对煤矿井下环境复杂、数据传输易受到干扰的情况,使用多传感器数据融合技术作数据分析,提升采集数据的准确性和可用性。基于多传感器数据融合技术处理的采集数据,对使用ScottHinsley算法的回路风量法改进从而建立通风网络模型得到精度更高的全局风量数据。针对瓦斯涌出这一复杂、非线性的动力学系统,建立瓦斯涌出预测指标,提出一种基于PCA-MLR-RBF瓦斯涌出预测模型。研究结果表明:(1)基于现有矿山物联网数据监测系统,分析研究其系统及拓扑结构。使用多传感器数据融合对采集数据做数据分析,提升数据的准确性和可靠性。相比于传统煤矿井下的单个节点数据采集,提升了数据精度,降低了数据采集的错报和漏报,加强了通风系统的联动性和可靠性。(2)基于煤矿通风网络图理论对煤矿通风系统进行研究,在构图处理和简化的原则下,生成煤矿局部通风网络图;针对现有通风网络解算方法对复杂通风网络圈划回路时存在巨大损耗,且无法保证网络的收敛性等问题,本文对Scott-Hinsley回路风量法进行改进,减少生成回路中的分支数,从而降低了回路迭代造成的积累误差。以生成的局部通风网络图为实例验证求解的风量数据具有更高精度。(3)按照瓦斯涌出预测指标选定原则,选定瓦斯涌出影响因素作为预测指标;利用主成分分析高效的消除多变量共线性、多元线性回归分析良好的处理线性数据特性和RBF神经网络优秀的非线性逼近能力,提出一个基于PCA-MLR-RBF瓦斯涌出预测模型。实验结果表明:基于PCA-MLR-RBF的瓦斯涌出预测模型相比于现有的预测方法,预测结果精度有较大提高。