發(fā)布時(shí)間：2023-10-27 20:50

　　隨著智慧礦山建設(shè)的持續(xù)推進(jìn),煤礦企業(yè)積累了海量的監(jiān)測(cè)數(shù)據(jù),這些數(shù)據(jù)主要來源于礦井的采煤、掘進(jìn)、機(jī)電、運(yùn)輸、通風(fēng)等生產(chǎn)環(huán)節(jié)。礦井瓦斯監(jiān)測(cè)數(shù)據(jù)中存在大量異常數(shù)據(jù),目前礦井監(jiān)控系統(tǒng)并不能有效區(qū)分,僅依據(jù)預(yù)設(shè)的瓦斯?jié)舛乳y值指標(biāo)進(jìn)行臨災(zāi)預(yù)警,存在一定風(fēng)險(xiǎn)。對(duì)瓦斯異常值檢測(cè)與預(yù)警展開了深入研究,主要研究?jī)?nèi)容如下:(1)針對(duì)瓦斯大數(shù)據(jù)建模效率低下的問題,提出了基于數(shù)據(jù)抽樣優(yōu)化的邏輯回歸(Data Sampling Optimization Logistic Regression,DSO-LR)瓦斯異常值檢測(cè)方法。首先,應(yīng)用拉格朗日插補(bǔ)方法,對(duì)采集到的礦井瓦斯及其相關(guān)數(shù)據(jù)的缺失值進(jìn)行插補(bǔ),并標(biāo)定異常數(shù)據(jù)。其次,依據(jù)概率抽樣原理,通過比較不同抽樣概率和全數(shù)據(jù)情況下建立的邏輯回歸方程的歐式距離,確定最優(yōu)抽樣概率。最后,依據(jù)訓(xùn)練集建立回歸方程的決策邊界,并以該邊界進(jìn)行異常值檢測(cè)。實(shí)驗(yàn)結(jié)果表明,DSO-LR確定的最優(yōu)抽樣概率為20%,DSO-LR相較于LR方法計(jì)算效率提高了 5倍,異常值識(shí)別率85%。(2)針對(duì)K-Means算法對(duì)初始簇心比較敏感的問題,提出了基于初始簇心優(yōu)化的K-Means瓦斯異常值檢測(cè)方法...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 煤礦監(jiān)測(cè)數(shù)據(jù)分析與處理
        1.2.2 異常值檢測(cè)研究現(xiàn)狀
        1.2.3 礦井瓦斯災(zāi)害預(yù)警研究現(xiàn)狀
        1.2.4 研究現(xiàn)狀分析總結(jié)
    1.3 論文的研究?jī)?nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 基于DSO-LR的瓦斯異常值檢測(cè)
    2.1 相關(guān)基礎(chǔ)理論
    2.2 基于數(shù)據(jù)抽樣優(yōu)化的邏輯回歸算法
        2.2.1 算法思想
        2.2.2 算法描述
        2.2.3 算法實(shí)現(xiàn)
    2.3 實(shí)驗(yàn)驗(yàn)證
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)
        2.3.2 數(shù)據(jù)預(yù)處理
        2.3.3 實(shí)驗(yàn)步驟
        2.3.4 實(shí)驗(yàn)結(jié)果與分析
    2.4 小結(jié)
3 基于初始簇心優(yōu)化的K-Means瓦斯異常值檢測(cè)
    3.1 相關(guān)理論基礎(chǔ)
    3.2 初始簇心優(yōu)化的K-Means算法
        3.2.1 算法思想
        3.2.2 算法描述
        3.2.3 算法實(shí)現(xiàn)
    3.3 實(shí)驗(yàn)驗(yàn)證
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)結(jié)果與分析
    3.4 小結(jié)
4 基于WO-Apriori關(guān)聯(lián)規(guī)則的瓦斯險(xiǎn)情預(yù)警
    4.1 相關(guān)理論基礎(chǔ)
        4.1.1 瓦斯?jié)舛扔绊懸蛩胤治?br>        4.1.2 關(guān)聯(lián)規(guī)則的定義與挖掘過程
    4.2 煤礦數(shù)據(jù)關(guān)聯(lián)性分析
        4.2.1 煤礦采掘過程描述
        4.2.2 煤礦數(shù)據(jù)特征分析
    4.3 基于WO-Apriori瓦斯險(xiǎn)情預(yù)警模型
        4.3.1 算法思想
        4.3.2 算法步驟
    4.4 實(shí)驗(yàn)驗(yàn)證
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 數(shù)據(jù)預(yù)處理
        4.4.3 實(shí)驗(yàn)步驟
        4.4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3857250