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...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以及多信息融合对瓦斯预测模型性能的影响。实验结果在1 000条测试数据集上获得了3.61%平均相对偏差,LSTM瓦斯预测模型具有较高的准确度,泛化能力强。在系统研究与设计中,使用Spring,SpringMVC和Hibernate框架按照适应性、易用性、可扩展性等原则对系统进行了设计。系统部署阶段,将训练好的LSTM瓦斯预测模型部署在TensorFlow Serving服务器中,对外提供服务,实现了煤矿瓦斯预警系统,增强了煤矿瓦斯监控系统的预警能力,提高了煤炭企业安全生产管理水平,具有一定的实用价值。展开更多
文摘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以及多信息融合对瓦斯预测模型性能的影响。实验结果在1 000条测试数据集上获得了3.61%平均相对偏差,LSTM瓦斯预测模型具有较高的准确度,泛化能力强。在系统研究与设计中,使用Spring,SpringMVC和Hibernate框架按照适应性、易用性、可扩展性等原则对系统进行了设计。系统部署阶段,将训练好的LSTM瓦斯预测模型部署在TensorFlow Serving服务器中,对外提供服务,实现了煤矿瓦斯预警系统,增强了煤矿瓦斯监控系统的预警能力,提高了煤炭企业安全生产管理水平,具有一定的实用价值。
