文件大小：1.27M
摘要：针对目前工作面瓦斯浓度预测的研究样本在特征维度及数据体量方面偏小，难以从大规模时序数据中挖掘出瓦斯浓度长时间尺度上波动规律的问题，提出一种基于主成分分析法（PCA）-Transformer的工作面瓦斯浓度预测算法。首先，对瓦斯浓度相关的原始数据进行数据清洗，采用最小-最大特征缩放标准化公式对清洗后的数据进行归一化操作。然后，利用PCA对7种影响工作面瓦斯浓度的因素（上隅角甲烷浓度、回风流甲烷浓度、氧气浓度、一氧化碳浓度、温度、纯流量、风速）进行降维处理，有效剔除与工作面浓度相关性较低的影响因素。最后，将处理后的训练集输入到Transformer模型，通过编码器、解码器提取瓦斯浓度内在的变化规律和特征。以铜川某高瓦斯矿井224工作面监测数据为样本，利用PCA-Transformer预测模型与长短时记忆神经网络（LSTM）、PCA-LSTM及Transformer等预测模型进行对比分析，结果表明：① PCA-Transformer模型的平均绝对误差为0.020 3，均方误差为0.047 2，运行时间为86 s，能够满足煤矿生产对瓦斯浓度预测的精度与时效要求。② 相较于LSTM，PCA-LSTM，Transformer等预测模型，PCA-Transformer预测模型能够更好地拟合瓦斯浓度变化趋势，有效识别波峰、波谷序列特征，计算耗时最少，验证了PCA-Transformer预测模型的有效性。
文章目录
0 引言
1 工作面瓦斯浓度预测算法构建
1.1 瓦斯时序数据降维
1.2 Transformer模型自回归预测
2 实验结果及分析
2.1 数据分析与特征降维
2.2 模型评估
2.3 对比分析
3 结论
