基于正態(tài)檢驗的瓦斯涌出異常預警方法
發(fā)布時間：2021-11-22 14:12
為實現(xiàn)瓦斯災害智能預警,從統(tǒng)計學角度分析瓦斯涌出時間序列概率分布特點,提出基于正態(tài)性檢驗的瓦斯涌出異常預警方法,利用Matlab對時間序列進行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗。實驗結果表明,當瓦斯涌出狀態(tài)變化平穩(wěn)沒有大幅度波動時,瓦斯涌出序列服從正態(tài)分布;當瓦斯涌出狀態(tài)出現(xiàn)大幅度波動且變化異常時,瓦斯涌出序列不服從正態(tài)分布。利用聯(lián)合正態(tài)檢驗方法可實現(xiàn)瓦斯涌出異常提前預警,為輔助瓦斯災害防治提供理論依據(jù)。
【文章來源】：軟件導刊. 2020,19(03)
【文章頁數(shù)】：5 頁
【部分圖文】：
瓦斯涌出異常預警方法流程是發(fā)出預警信號
結果檢驗結果圖3Ryan—Joiner檢驗結果（a）第一次異常Ryan-Joiner正態(tài)（b）第二次異常Ryan-Joiner正態(tài)檢驗
?醞咚褂砍鍪奔湫蛄脅環(huán)?誘?態(tài)分布作為判斷瓦斯涌出異常的依據(jù)，即當t時刻不滿足R≥Rα及||g1?1.96sg1且||g2?1.96sg2時，認為t時刻瓦斯涌出序列不符合正態(tài)分布，此時瓦斯涌出進入異常狀態(tài)，并發(fā)出預警信號以提醒需采取相應措施。利用Matlab對該工作面不同時刻生成的瓦斯涌出時間序列進行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗，瓦斯涌出異常檢驗結果如圖3、圖4所示。（a）第一次異常Ryan-Joiner正態(tài)（b）第二次異常Ryan-Joiner正態(tài)檢驗結果檢驗結果圖3Ryan—Joiner檢驗結果（a）第一次異常偏度—峰度正態(tài)（b）第二次異常偏度—峰度正態(tài)檢驗結果檢驗結果圖4偏度—峰度檢驗結果對該工作面瓦斯涌出時間序列進行聯(lián)合正態(tài)檢驗，挖掘該工作面瓦斯涌出時間序列分布特征，以此作為瓦斯涌出狀態(tài)判斷依據(jù)。由實驗結果可看出，當時間序列不符合正態(tài)分布時，判定此時刻瓦斯涌出進入異常階段，表明瓦斯涌出變化顯著，發(fā)出預警信號。由圖2（a）可知，第一次瓦斯涌出異常時間序列t=39min時，瓦斯?jié)舛葹?.49%，較之前時段瓦斯?jié)舛扔型蝗辉龃蟮内厔�。由實驗結果圖3（a）、圖4（a）可看出此時Ryan-Joiner檢驗統(tǒng)計量R開始位于檢驗分位數(shù)之下，序列偏度值與峰度值不滿足||g1?1.96sg1且||g2?1.96sg2的正態(tài)判定條件，此時發(fā)出報警信號，隨后瓦斯涌出量發(fā)生大幅度變化，工作面狀況發(fā)生改變。由圖3（b）、圖4（b）實驗結果分析可知，第二次瓦斯涌出異常共發(fā)出三次預警信號，分別為：在t=49min時，瓦斯?jié)舛葹?.80%，瓦斯?jié)舛韧蝗卉S變增大；在t=92mi
【參考文獻】：
期刊論文
[1]瓦斯災害預警模型的Eclat算法[J]. 趙艷芹,張恒,童朝娣. 黑龍江科技大學學報. 2019(04)
[2]沈陽市降水量正態(tài)分布檢驗及其時空變化特征[J]. 吉曹翔,李崇,陳鵬心,班偉龍,白冰,宋曉巍,金宇,梁紅. 干旱氣象. 2018(06)
[3]煤與瓦斯突出預警方法探討[J]. 趙旭生,寧小亮,張慶華,馬國龍. 工礦自動化. 2018(01)
[4]基于Spark Streaming流回歸的煤礦瓦斯?jié)舛葘崟r預測[J]. 吳海波,施式亮,念其鋒. 中國安全生產(chǎn)科學技術. 2017(05)
[5]煤與瓦斯突出層次-可拓預警技術及應用[J]. 郭德勇,胡杰,王彥凱. 中國安全科學學報. 2017(01)
[6]基于灰色關聯(lián)分析-GA-BP模型預測煤層瓦斯含量[J]. 郝天軒,李鵬飛. 中國礦業(yè). 2016(11)
[7]基于數(shù)據(jù)挖掘技術的瓦斯災害信息特征提取[J]. 劉翔,楊帆. 煤炭技術. 2016(08)
[8]基于Hadoop的神經(jīng)網(wǎng)絡算法在網(wǎng)絡學習評價中的應用研究[J]. 陳志華. 計算機與數(shù)字工程. 2016(02)
[9]我國煤礦瓦斯防治技術的研究進展及發(fā)展方向[J]. 寧德義. 煤礦安全. 2016(02)
[10]基于PCA-GA-BP神經(jīng)網(wǎng)絡的瓦斯含量預測分析[J]. 曹博,白剛,李輝. 中國安全生產(chǎn)科學技術. 2015(05)
博士論文
[1]基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D]. 張海軍.華南理工大學 2015
[2]基于安全監(jiān)控系統(tǒng)實測數(shù)據(jù)的瓦斯?jié)舛阮A測預警研究[D]. 董丁穩(wěn).西安科技大學 2012
本文編號：3511858
【文章來源】：軟件導刊. 2020,19(03)
【文章頁數(shù)】：5 頁
【部分圖文】：
瓦斯涌出異常預警方法流程是發(fā)出預警信號
結果檢驗結果圖3Ryan—Joiner檢驗結果（a）第一次異常Ryan-Joiner正態(tài)（b）第二次異常Ryan-Joiner正態(tài)檢驗
?醞咚褂砍鍪奔湫蛄脅環(huán)?誘?態(tài)分布作為判斷瓦斯涌出異常的依據(jù)，即當t時刻不滿足R≥Rα及||g1?1.96sg1且||g2?1.96sg2時，認為t時刻瓦斯涌出序列不符合正態(tài)分布，此時瓦斯涌出進入異常狀態(tài)，并發(fā)出預警信號以提醒需采取相應措施。利用Matlab對該工作面不同時刻生成的瓦斯涌出時間序列進行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗，瓦斯涌出異常檢驗結果如圖3、圖4所示。（a）第一次異常Ryan-Joiner正態(tài)（b）第二次異常Ryan-Joiner正態(tài)檢驗結果檢驗結果圖3Ryan—Joiner檢驗結果（a）第一次異常偏度—峰度正態(tài)（b）第二次異常偏度—峰度正態(tài)檢驗結果檢驗結果圖4偏度—峰度檢驗結果對該工作面瓦斯涌出時間序列進行聯(lián)合正態(tài)檢驗，挖掘該工作面瓦斯涌出時間序列分布特征，以此作為瓦斯涌出狀態(tài)判斷依據(jù)。由實驗結果可看出，當時間序列不符合正態(tài)分布時，判定此時刻瓦斯涌出進入異常階段，表明瓦斯涌出變化顯著，發(fā)出預警信號。由圖2（a）可知，第一次瓦斯涌出異常時間序列t=39min時，瓦斯?jié)舛葹?.49%，較之前時段瓦斯?jié)舛扔型蝗辉龃蟮内厔�。由實驗結果圖3（a）、圖4（a）可看出此時Ryan-Joiner檢驗統(tǒng)計量R開始位于檢驗分位數(shù)之下，序列偏度值與峰度值不滿足||g1?1.96sg1且||g2?1.96sg2的正態(tài)判定條件，此時發(fā)出報警信號，隨后瓦斯涌出量發(fā)生大幅度變化，工作面狀況發(fā)生改變。由圖3（b）、圖4（b）實驗結果分析可知，第二次瓦斯涌出異常共發(fā)出三次預警信號，分別為：在t=49min時，瓦斯?jié)舛葹?.80%，瓦斯?jié)舛韧蝗卉S變增大；在t=92mi
【參考文獻】：
期刊論文
[1]瓦斯災害預警模型的Eclat算法[J]. 趙艷芹,張恒,童朝娣. 黑龍江科技大學學報. 2019(04)
[2]沈陽市降水量正態(tài)分布檢驗及其時空變化特征[J]. 吉曹翔,李崇,陳鵬心,班偉龍,白冰,宋曉巍,金宇,梁紅. 干旱氣象. 2018(06)
[3]煤與瓦斯突出預警方法探討[J]. 趙旭生,寧小亮,張慶華,馬國龍. 工礦自動化. 2018(01)
[4]基于Spark Streaming流回歸的煤礦瓦斯?jié)舛葘崟r預測[J]. 吳海波,施式亮,念其鋒. 中國安全生產(chǎn)科學技術. 2017(05)
[5]煤與瓦斯突出層次-可拓預警技術及應用[J]. 郭德勇,胡杰,王彥凱. 中國安全科學學報. 2017(01)
[6]基于灰色關聯(lián)分析-GA-BP模型預測煤層瓦斯含量[J]. 郝天軒,李鵬飛. 中國礦業(yè). 2016(11)
[7]基于數(shù)據(jù)挖掘技術的瓦斯災害信息特征提取[J]. 劉翔,楊帆. 煤炭技術. 2016(08)
[8]基于Hadoop的神經(jīng)網(wǎng)絡算法在網(wǎng)絡學習評價中的應用研究[J]. 陳志華. 計算機與數(shù)字工程. 2016(02)
[9]我國煤礦瓦斯防治技術的研究進展及發(fā)展方向[J]. 寧德義. 煤礦安全. 2016(02)
[10]基于PCA-GA-BP神經(jīng)網(wǎng)絡的瓦斯含量預測分析[J]. 曹博,白剛,李輝. 中國安全生產(chǎn)科學技術. 2015(05)
博士論文
[1]基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D]. 張海軍.華南理工大學 2015
[2]基于安全監(jiān)控系統(tǒng)實測數(shù)據(jù)的瓦斯?jié)舛阮A測預警研究[D]. 董丁穩(wěn).西安科技大學 2012
本文編號：3511858
本文鏈接：http://www.sikaile.net/kejilunwen/anquangongcheng/3511858.html
