论文部分内容阅读
火灾是影响煤矿生产安全的重大事故之一,而煤炭自燃是形成煤矿火灾的主要原因。如果煤炭自燃能够被准确地预报,不仅能够减少煤矿的经济损失也能保障工人的生命安全,对煤矿的发展具有重大意义。煤炭自燃预报的方法有很多,本文采用气体分析法来判断煤炭是否具有自燃隐患。煤炭在氧化升温的过程中会释放多种气体,而这些气体的浓度与煤温之间存在非常复杂的非线性关系,很难用一个具体的映射来描述。而且有些气体并不能反映煤炭的自燃特征。为了解决这个问题,本文提出了一种基于粗糙集(Rough Set,简记为RS)-支持向量机(Support Vector Machine,简记为SVM)的煤炭自燃预测模型,通过对煤矿中现有的气样分析决策表进行属性约简,删除冗余信息,确定可以反映煤炭自燃特征的指标气体,并用约简后的决策表进行支持向量机的参数优选；接着通过具体的煤炭升温实验,确认了反映煤炭自燃特征的指标气体,并用实验数据对RS-SVM模型进行训练和测试。实验结果表明,该模型与未经属性约简的SVM与BP神经网络相比,有更高的准确率,能够为煤炭自燃提供决策依据。本文的主要研究内容如下：1.分别采用网格搜索法((Grid Searching)、粒子群算法(Particle Swarm Optimization,简称PSO)和遗传算法(Generation Algorithm,简称GA)进行参数寻优,优化了支持向量机的参数,提高了分类性能；2.采用安徽理工大学煤炭自燃倾向性测定实验室的仪器进行了煤炭自热模拟实验,采集并分析了相关数据,确定了能够反映煤炭自燃的指标气体,这个结果与属性约简的结果一致；并用实验数据对RS-SVM模型进行训练和测试；3.采用不同的煤炭自燃预测算法,比对预测的正确率,为RS-SVM模型的可靠性提供了事实依据。