为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。

提出了一种基于小波分析与BP神经网络的矿井工作面瓦斯浓度预测算法,综合利用了小波分析算法的信号去噪作用以及BP神经网络可以拟合任何非线性系统的能力,并采用Matlab软件实现了该算法在瓦斯浓度预测上的应用。试验结果证明,对于短期内的工作面瓦斯浓度预测,该算法具有较好的预测效果。

该传感器以AT87C552单片机为核心，实现对瓦斯的检测、报警和控制，安全可靠，经久耐用，适合各类煤矿瓦斯的监控，可以大大降低煤矿事故的发生，降低企业成本，提高煤炭开采率，为我国煤炭事业做出贡献。

煤矿瓦斯浓度的精准预测是矿井瓦斯防治的关键。为了准确可靠地预测工作面瓦斯浓度，提出了一种基于门控循环单元方法的工作面瓦斯浓度预测模型。采用邻近均值法对数据缺失值和异常值进行补全，采用MinMaxScaler方法对实验数据进行归一化处理，为了提高模型精度和稳定性，采用粒子群算法和Adam算法对GRU超参数进行优化，从而构建了基于PSO-Adam-GRU的工作面瓦斯浓度预测模型。以崔家沟煤矿生产监测数据为样本数据进行模型训练，采用平均绝对误差、均方根误差、运行时间3种评价指标对预测模型性能进行评估，并将预测结果与BPNN和LSTM进行对比。结果表明：PSO-Adam-GRU较BPNN和LSTM具有更高的精度和稳定性，在预测过程中MAE可降低到0.058，RMSE可降低到0.005.结果表明，基于PSO-Adam-GRU的瓦斯浓度预测模型和参数优选方法可有效预测出瓦斯浓度，该模型在瓦斯浓度时间序列预测方面具有更高的准确性和鲁棒性，可为矿井瓦斯治理提供一定指导意见。

基于PIC单片机的煤矿井下瓦斯浓度远程监测系统的设计，王璐，韩忠，本文设计了一种基于PIC单片机的煤矿井下瓦斯浓度监测系统。该系统以智能传感器为基础，采用PIC单片机16F877A作为核心处理器，完成对��

为了实时自动监测矿井中瓦斯浓度,保障煤矿安全生产和员工生命安全,设计了一种基于PIC单片机的智能化瓦斯浓度监测报警仪。设备采用LXK-3传感器检测矿井瓦斯浓度,将采集到的数据以电压形式传送给单片机;利用单片机直接驱动方式动态显示瓦斯浓度,瓦斯浓度超限时,及时发出声光报警信号;通过使用n RF2401实现上、下位机间通讯数据的无线传输。

在分析影响煤矿瓦斯浓度的各种因素具有非线性特征的基础之上,采用BP算法构建煤矿瓦斯浓度预测模型,实现对各种因素进行非线性映射,进而达到对煤矿瓦斯浓度进行预测的目的。MATLAB仿真结果表明,该模型具有预测精度较高、预测速度快、预测效果好等优点。