基于相关性分析的瓦斯异常值检测与预警

发布时间：2023-10-27 20:50

　　随着智慧矿山建设的持续推进,煤矿企业积累了海量的监测数据,这些数据主要来源于矿井的采煤、掘进、机电、运输、通风等生产环节。矿井瓦斯监测数据中存在大量异常数据,目前矿井监控系统并不能有效区分,仅依据预设的瓦斯浓度阀值指标进行临灾预警,存在一定风险。对瓦斯异常值检测与预警展开了深入研究,主要研究内容如下:(1)针对瓦斯大数据建模效率低下的问题,提出了基于数据抽样优化的逻辑回归(Data Sampling Optimization Logistic Regression,DSO-LR)瓦斯异常值检测方法。首先,应用拉格朗日插补方法,对采集到的矿井瓦斯及其相关数据的缺失值进行插补,并标定异常数据。其次,依据概率抽样原理,通过比较不同抽样概率和全数据情况下建立的逻辑回归方程的欧式距离,确定最优抽样概率。最后,依据训练集建立回归方程的决策边界,并以该边界进行异常值检测。实验结果表明,DSO-LR确定的最优抽样概率为20%,DSO-LR相较于LR方法计算效率提高了 5倍,异常值识别率85%。(2)针对K-Means算法对初始簇心比较敏感的问题,提出了基于初始簇心优化的K-Means瓦斯异常值检测方法...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 煤矿监测数据分析与处理
        1.2.2 异常值检测研究现状
        1.2.3 矿井瓦斯灾害预警研究现状
        1.2.4 研究现状分析总结
    1.3 论文的研究内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 论文的组织结构
2 基于DSO-LR的瓦斯异常值检测
    2.1 相关基础理论
    2.2 基于数据抽样优化的逻辑回归算法
        2.2.1 算法思想
        2.2.2 算法描述
        2.2.3 算法实现
    2.3 实验验证
        2.3.1 实验数据
        2.3.2 数据预处理
        2.3.3 实验步骤
        2.3.4 实验结果与分析
    2.4 小结
3 基于初始簇心优化的K-Means瓦斯异常值检测
    3.1 相关理论基础
    3.2 初始簇心优化的K-Means算法
        3.2.1 算法思想
        3.2.2 算法描述
        3.2.3 算法实现
    3.3 实验验证
        3.3.1 实验数据
        3.3.2 实验结果与分析
    3.4 小结
4 基于WO-Apriori关联规则的瓦斯险情预警
    4.1 相关理论基础
        4.1.1 瓦斯浓度影响因素分析
        4.1.2 关联规则的定义与挖掘过程
    4.2 煤矿数据关联性分析
        4.2.1 煤矿采掘过程描述
        4.2.2 煤矿数据特征分析
    4.3 基于WO-Apriori瓦斯险情预警模型
        4.3.1 算法思想
        4.3.2 算法步骤
    4.4 实验验证
        4.4.1 实验数据
        4.4.2 数据预处理
        4.4.3 实验步骤
        4.4.4 实验结果与分析
    4.5 小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3857250