针对煤矿瓦斯浓度的预测的问题,以亭南煤矿正常生产期间302工作面的监测数据为研究背景,采用深度学习技术LSTM(Long Short Time Memory,长短时记忆网络)建立瓦斯预测模型,研究与设计了基于LSTM的煤矿瓦斯预测预警系统。LSTM网络针对时间序列数据具有较强的建模能力,能够实现信息的长期依赖,自动挖掘数据之间潜在的关联关系。采集煤矿正常生产期间的瓦斯监测数据作为训练数据,利用深度学习框架TensorFlow进行算法的仿真,并研究了不同时间步长、网络深度下的LSTM以及多信息融合

针对目前缺乏有效处理煤矿瓦斯监测数据的方法等问题,提出了数据挖掘技术在煤矿瓦斯监测系统中的研究,详细阐述了聚类分析数据挖掘技术的工作流程,并运用模糊K-均值算法择取从煤矿监测数据中获得的破坏瓦斯安全的关键指标为研究对象,实现模糊聚类分析,从而取得工作区目前所处的安全状态。

基于煤矿瓦斯监测系统在煤炭生产过程中的监测信息数据库,提出了采用基于DBSCAN算法的聚类分析方法挖掘瓦斯事故信息特征的方案;指出了DBSCAN算法在实际应用中的不足,提出了基于数据划分思想改进DBSCAN算法的方案,介绍了具体的改进方法;应用基于改进DBSCAN算法的聚类分析方法对瓦斯监测信息进行聚类分析、特征提取,结果表明该方法行之有效;最后指出了该方法进一步的研究方向。

我国大部分煤矿都装有监控系统用来检测矿井内部环境参数的变化,但由于检测技术的突破范围较小,因此能检测到环境变化的系统大概只占总数的60%,有将近一半的系统仍处于等待维修当中,在这将近一半的监测系统中还有一部分是达不到设计要求的,像这部分的系统不仅发挥不到应有的作用,还造成了资金浪费,急待维修的系统一直处于闲置当中,面对占据数量如此之大的系统闲置,可用系统的情况不容乐观。基于这种情况的发生,经研究在煤矿瓦斯挖掘中嵌入DBSCAN聚类算法,以提高煤矿的安全性能。