一种基于GPR-ISSA-CNN的煤自燃温度预测方法

本发明涉及煤矿火灾预测，具体涉及一种基于gpr-issa-cnn的煤自燃温度预测方法。

背景技术：

1、煤自燃是影响煤矿安全有序生产的主要灾害之一，不仅造成煤炭资源与人力物力方面的浪费，而且为诱发瓦斯爆炸与煤尘爆炸埋下隐患，进而造成不可估量的人员伤亡与财产损失。目前，煤自燃温度预测方法主要有测温法、同位素测氡法、气体分析法预测等。由于煤岩体的传热性能比较差，热量很难由煤自燃的高温区域传递到周围煤岩体中，测温法在实际运用中所测得的温点区域比较有限。同位素测氡法通常使用测氡仪进行检测，该仪器受环境温度、湿度影响较大，大种类仪器不便携带，小种类仪器防震性差，现场使用条件严苛。气体分析法的规律性强，灵敏度高且易于实现。而单一指标气体难以支撑预测，多个指标气体间的关系为非线性，需要深度学习结合智能算法挖掘指标气体间的联系与气体和煤自燃温度之间的关系，从而做到精确预测。

2、gpr作为一种非参数回归方法，不需要对模型进行明确的参数设定即能灵活地处理煤自燃温度数据，此外，高灵活性的核函数可以捕捉到输入数据中的复杂模式和结构。自适应权重因子与柯西变异扰动优化的issa进一步提高了ssa的全局优化能力，参数在搜索的过程中自动调整，提高了算法的适应性与鲁棒性；搜索多样性进一步增加，避免算法陷入局部最优。cnn通过卷积层有效地捕捉输入数据中的关键特征，利用权重共享的思想减少了需要训练的参数数量，其平移不变性能够提高模型的泛化性。基于此，以煤自燃程序升温实验数据为研究对象，提出了一种基于gpr-issa-cnn的煤自燃温度预测方法。

技术实现思路

1、本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、因此，本发明的目的是针对上述现有技术的不足，提供一种基于gpr-issa-cnn的煤自燃温度预测方法，本发明的模型表达能力强，适应性强且样本效率高，能够快速准确地对煤自燃温度进行预测。

3、为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

4、一种基于gpr-issa-cnn的煤自燃温度预测方法，包括如下步骤：

5、s1，收集煤自燃程序升温过程影响指标数据，运用高斯过程回归gpr对数据进行平滑处理，主要步骤为：

6、s101，读取数据；

7、s102，建立单变量gpr模型，确定核函数、初始噪声水平与优化方法；

8、s103，分别对每个影响指标进行平滑处理，得到平滑后的数据；

9、s104，绘制平滑曲线和数据点的散点图，将平滑处理后的数据可视化，比较平滑结果与原始数据；

10、s2：搭建cnn初始框架，主要步骤为：

11、s201，数据归一化；

12、s202，将数据集划分为训练集与测试集；

13、s203，运用训练集训练模型，确定激活函数、优化器与损失函数；

14、s3：引入自适应权重因子与柯西变异扰动对麻雀搜索算法ssa进行改进，提高其局部与全局搜索能力，得到issa；

15、s4：运用issa优选模型超参数，主要步骤为：

16、s401，确定需要优化的模型参数有9个，分别为：学习率learning rate；迭代次数iterations；批量大小batch size；正则化参数regularization parameters；dropout率；第一层卷积核大小kernel size1；第一层卷积核数量kernel num1；第二层卷积核大小kernel size2；第二层卷积核数量kernel num2；

17、s402，确定麻雀种群规模为50，最大迭代次数为1000；

18、s403，运用训练集对模型进行训练，得到9个参数的最优值；

19、s5：运用训练集训练模型，建立基于gpr-issa-cnn的煤自燃温度预测模型。

20、s6：运用测试集对gpr-issa-cnn模型进行测试，验证模型精确度。

21、进一步的，所述s102中，核函数使用matérn核函数，初始噪声水平为煤自燃温度数据的标准差，优化方法使用fitrgp函数。

22、进一步的，所述s201中，数据集选用z-score normalization归一化处理方法，其公式如下：

23、

24、其中，xnormalized为标准化处理后的数据集，x为标准化处理前的数据集，μ为均值，σ为标准差。

25、进一步的，所述s202中，数据集划分为训练集与测试集，划分比例为9:1。

26、进一步的，所述s203中，激活函数选用prelu，优化器选用nadam，损失函数选用rmse。

27、进一步的，所述的matérn核函数的公式如下：

28、

29、其中，ν是一个正数超参数，l是长度尺度，γ(ν)是伽玛函数，kν是修正的贝塞尔函数。

30、由于采用上述的技术方案，本发明专利的有益效果是：

31、提出gpr优选核函数对数据进行非参数回归处理，得到利于数据分析的平滑数据。运用自适应权重因子与柯西变异扰动优化ssa得到issa，进一步提高其全局优化能力，并提高算法的适应性与多样性，使算法能够跳出局部最优解。cnn的权重共享与局部链接特点能够在层级学习的过程中有效提取输入数据中的空间和时间特征，同时卷积操作的平移不变性对模型的泛化性有一定的提高。因此，以煤自燃程序升温实验数据为研究对象，提出了基于gpr-issa-cnn的煤自燃温度预测方法。

技术特征：

1.一种基于gpr-issa-cnn的煤自燃温度预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于gpr-issa-cnn的煤自燃温度预测方法，其特征在于，s102中，核函数使用matérn核函数，初始噪声水平为煤自燃温度数据的标准差，优化方法使用fitrgp函数。

3.根据权利要求1所述的一种基于gpr-issa-cnn的煤自燃温度预测方法，其特征在于，s201中，数据集选用z-score normalization归一化处理方法，其公式如下：

4.根据权利要求1所述的一种基于gpr-issa-cnn的煤自燃温度预测方法，其特征在于，s202中，数据集划分为训练集与测试集，划分比例为9:1。

5.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，s203中，激活函数选用prelu，优化器选用nadam，损失函数选用rmse。

6.根据权利要求2所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，matérn核函数公式如下：

技术总结
本发明涉及煤矿火灾预测技术领域，具体为一种基于GPR‑ISSA‑CNN的煤自燃温度预测方法。首先，收集煤自燃程序升温过程影响指标数据，运用高斯过程回归GPR对数据进行平滑处理，有效去噪并提高数据趋势分析与模式识别能力；然后，搭建CNN初始框架，引入自适应权重因子与柯西变异扰动对麻雀搜索算法SSA进行改进，提高其局部与全局搜索能力，得到ISSA；接着，运用ISSA优化模型的超参数，训练模型并输出结果，将能够提高全局优化能力与适应性的ISSA与拥有优秀特征提取能力、泛化性与鲁棒性的CNN相结合，建立基于GPR‑ISSA‑CNN的煤自燃温度预测模型；最后，将模型在测试集上进行预测，观察性能评价指标，确定模型的预测精度。本发明的预测模型具有较高的预测精度和稳定性，可为煤自燃温度预测提供参考。

技术研发人员：王凯,李康楠,张翔,杨通,左小欢,杜锋,徐敏
受保护的技术使用者：中国矿业大学（北京）
技术研发日：
技术公布日：2024/2/1