本文選題：煤礦火災預測 + 模糊C均值聚類　； 參考：《遼寧工程技術大學》2017年碩士論文

【摘要】：煤礦火災是煤炭行業(yè)發(fā)展的攔路石,對煤礦火災預測的研究有重大的意義。依照傳統(tǒng)預測方法對單一的火災因素的檢測已經不能滿足復雜的井下狀況,本文對各種因素與火災的聯(lián)系進行分析,并分析了火災的幾種燃燒階段的特點,提出了火災預測的特征。文中分析了井下火災預測的控制技術,通過使用井下救災自動風門技術,在礦井火災災變時期可以實現(xiàn)對風門遠程控制從而杜絕大量有毒有害氣體向其他工作地點侵入和蔓延。文中首先采用模糊C均值聚類算法(FCM)對井下火災數(shù)據(jù)進行處理,并將結果與樣本進行對比,得出了FCM聚類的正確率,并且對FCM聚類算法應用于井下火災預測的優(yōu)缺點進行分析。針對模糊C均值算法的缺點,采用人工魚群算法(AFSA)對其進行優(yōu)化,對火災樣本進行預測,得出預測結果和目標函數(shù)的收斂過程,并與FCM聚類算法和應用較廣的bp神經網(wǎng)絡分類算法進行對比,預測準確性較未優(yōu)化的FCM算法更好,而且不會像bp神經網(wǎng)絡一樣在小樣本數(shù)量的情況下,準確率受到過大的影響。從對比中可以看出,AFSA-FCM算法在火災預測上更有優(yōu)勢,
[Abstract]:Coal mine fire is the block stone for the development of coal industry, it is of great significance to the study of coal mine fire prediction. According to the traditional prediction method, the detection of a single fire factor can not meet the complicated underground conditions. This paper analyses the relationship between various factors and fire, and analyses the characteristics of several combustion stages of the fire, and puts forward the characteristics of the fire. This paper analyzes the characteristics of the fire prediction. In this paper, the control technology of the underground fire prediction is analyzed. By using the automatic ventilation door technology in the downhole disaster relief, the remote control of the air door can be realized in the time of the mine fire disaster to eliminate the intrusion and spread of a large number of poisonous and harmful gases to other working places. To deal with the downhole fire data and compare the results with the sample, the correct rate of FCM clustering is obtained, and the advantages and disadvantages of the FCM clustering algorithm applied to the downhole fire prediction are analyzed. In view of the shortcomings of the fuzzy C mean algorithm, the artificial fish swarm algorithm (AFSA) is used to optimize it, predict the fire samples, and get the prediction. The convergence process of the result and the target function is compared with the FCM clustering algorithm and the widely used BP neural network classification algorithm. The accuracy of the prediction is better than that of the FCM algorithm which is not optimized, and the accuracy rate is not greatly influenced by the small sample size of the BP neural network. The AFSA-FCM algorithm can be seen from the comparison. More advantageous in fire prediction.

【學位授予單位】：遼寧工程技術大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP311.13;TP18;TD752

【參考文獻】

相關期刊論文 前10條

1 張鵬;;2014年我國煤炭工業(yè)發(fā)展回顧與展望[J];煤炭經濟研究;2015年06期

2 王旭昭;侯磊;蘇龍;;2011-2014年全國煤礦重特大事故統(tǒng)計分析與啟示[J];中國公共安全(學術版);2015年02期

3 張有生;肖新建;李際;;2014年能源供需形勢及2015年展望[J];宏觀經濟管理;2015年03期

4 孫艷麗;;“監(jiān)測監(jiān)控”系統(tǒng)在煤礦安全生產中的作用[J];科技與企業(yè);2014年16期

5 崔兆華;李洪軍;李文娜;高立群;;基于自適應結構張量的FCM改進算法[J];東北大學學報(自然科學版);2013年05期

6 王凱;蔣曙光;張衛(wèi)青;吳征艷;邵昊;;礦井火災應急救援系統(tǒng)的數(shù)值模擬及應用研究[J];煤炭學報;2012年05期

7 苗雙濤;蔣曙光;邵昊;;基于PLC的煤礦救災自動風門監(jiān)控系統(tǒng)設計[J];煤礦安全;2011年05期

8 劉源駿;袁梅;馬科偉;;煤礦安全監(jiān)測監(jiān)控系統(tǒng)探討[J];礦業(yè)工程;2010年02期

9 吳海衛(wèi);張宜明;吳征艷;蔣曙光;王蘭云;王杰;;礦用自動風門技術的發(fā)展及其分析比較[J];工礦自動化;2010年01期

10 夏太武;劉金祥;彭京華;;基于加權支持向量回歸的火災智能探測系統(tǒng)[J];計算機工程與應用;2008年15期

相關碩士學位論文 前2條

1 于相洋;基于多傳感信息融合的火災預警技術研究[D];杭州電子科技大學;2012年

2 張圣柱;礦井膠帶巷火災預警與風流控制技術研究[D];山東科技大學;2009年

，

本文編號：1895727