易燃气体浓度监测和预警的方法专利检索-受限玻尔兹曼机玻尔兹曼机人工神经网络机器学习人工智能专利检索查询-专利查询网

易燃气体浓度监测和预警的方法

阅读：998发布：2020-08-31

专利汇可以提供易燃气体浓度监测和预警的方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种易燃气体浓度监测和预警的方法，主要解决现有技术中安全性较差的问题。本发明通过采用一种易燃气体浓度监测和预警的方法，将易燃气体浓度数据存入数据库，并且将该数据作为时间序列进行处理得到易燃气体浓度时间序列数据，然后通过神经网络输出，预先设定了浓度边界值，达到该边界值，系统进行自动报警的技术方案较好地解决了上述问题，可用于易燃气体浓度监测和预警中。，下面是易燃气体浓度监测和预警的方法专利的具体信息内容。

权利要求

1.一种易燃气体浓度监测和预警的方法，包括如下步骤：
1)获取多点的易燃气体浓度数据，存入数据库；
2)将数据库中的数据作为时间序列进行处理得到易燃气体时间序列数据，其中，时间为采集到易燃气体浓度数据的实时时间，易燃气体浓度作为时间的因变量；
3)构建BP神经网络预测模型和学习方法模型、训练预测模型、检验及预报输出；
4)设定易燃气体浓度边界值，实现预警。
2.如权利要求1所述一种易燃气体浓度监测和预警的方法，其特征在于：构建BP神经网络预测模型的步骤为：设计深度受限玻尔兹曼机模型，对采集到的时间和易燃气体浓度数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；将得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对易燃气体浓度状况进行监测。
3.如权利要求2所述一种易燃气体浓度监测和预警的方法，其特征在于：四层深度卷积神经网络模型包括输入层、隐含层和输出层；输入层所输入的信号为时间和瓦斯浓度，输出层所输出的信号为瓦斯浓度监测情况，每个隐藏层均由卷积和下采样函数组成。
4.如权利要求2所述一种易燃气体浓度监测和预警的方法，其特征在于：采用递推最小二乘法算法对四层深度卷积神经网络模型进行训练，将输出层和对应的输入层进行对比，直到网络训练的均方误差达到要求，确定各层的权值和阈值。

说明书全文

易燃气体浓度监测和预警的方法

技术领域

[0001] 本发明涉及一种易燃气体浓度监测和预警的方法。

背景技术

[0002] 随着社会的不断发展,生活质量的提高,人类对自身安全提出更高的要求。加油站、煤矿、化工厂等危险工作场所中的有害气体一直威胁着生命的安全,这将直接影响生活的质量。

[0003] 目前,井下发生瓦斯超限报警主要是利用甲烷传感器的声光报警装置进行声光报警。由于甲烷传感器的声光报警装置报警声级强度较小，声响信号声级约80dB(A)，光信号仅能在20m远处可见，当井下某个地点发生瓦斯事故时，只有甲烷传感器附近地点作业人员能够感知报警信息，而位于该巷道内距甲烷传感器较远的地点及井下其它巷道内的人员却不能及时获取瓦斯灾害预警信息，造成大部分井下人员避灾行动延迟。

[0004] 基于上述情况,进行煤矿瓦斯灾害报警系统的探索研究就显得尤为必要。由于煤矿安全监控系统对井下各地点瓦斯浓度的变化进行持续监控,构建基于煤矿安全监控系统的瓦斯灾害预警系统具有可行性。

发明内容

[0005] 本发明所要解决的技术问题是现有技术中报警器无法实现全方位预警的问题，提供一种新的易燃气体浓度监测和预警的方法。

[0006] 为解决上述问题，本发明采用的技术方案如下：一种易燃气体浓度监测和预警的方法，包括如下步骤：

[0007] 1)获取多点的易燃气体浓度数据，存入数据库；

[0008] 2)将数据库中的数据作为时间序列进行处理得到易燃气体时间序列数据，其中，时间为采集到易燃气体浓度数据的实时时间，易燃气体浓度作为时间的因变量；

[0009] 3)构建BP神经网络预测模型和学习方法模型、训练预测模型、检验及预报输出；

[0010] 4)设定易燃气体浓度边界值，实现预警。

[0011] 构建BP神经网络预测模型的步骤为：设计深度受限玻尔兹曼机模型，对采集到的时间和易燃气体浓度数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；将得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对易燃气体浓度状况进行监测。

[0012] 上述技术方案中，优选地，四层深度卷积神经网络模型包括输入层、隐含层和输出层；输入层所输入的信号为时间和瓦斯浓度，输出层所输出的信号为瓦斯浓度监测情况，每个隐藏层均由卷积和下采样函数组成。

[0013] 上述技术方案中，优选地，采用递推最小二乘法算法对四层深度卷积神经网络模型进行训练，将输出层和对应的输入层进行对比，直到网络训练的均方误差达到要求，确定各层的权值和阈值。

[0014] 本发明将易燃气体浓度数据存入数据库，并且将该数据作为时间序列进行处理得到易燃气体浓度时间序列数据，然后通过神经网络输出，预先设定了浓度边界值，达到该边界值，系统进行自动报警，能实现系统实时检测和发出预警，取得了较好的技术效果。

[0015] 本发明利用现代的空间数据挖掘技术从这些易燃气体监测数据中自动、快速、准确地提取与易燃气体灾害事故发生相关的空间信息，揭示易燃气体灾害的演化规律，建立瓦斯灾害预测预报模型。

[0016] 下面通过实施例对本发明作进一步的阐述，但不仅限于本实施例。

具体实施方式

[0017] 【实施例1】

[0018] 一种瓦斯监测和预警的方法，其包括如下步骤：

[0019] 1)获取多点的瓦斯浓度数据，存入数据库；

[0020] 2)将数据库中的数据作为时间序列进行处理得到瓦斯浓度时间序列数据，其中，时间为采集到瓦斯数据的实时时间，瓦斯浓度作为时间的因变量；

[0021] 3)设计深度受限玻尔兹曼机模型，对采集到的时间和瓦斯浓度数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；将得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对瓦斯浓度状况进行监测；四层深度卷积神经网络模型括输入层、隐含层和输出层；输入层所输入的信号为时间和瓦斯浓度，输出层所输出的信号为瓦斯浓度监测情况，每个隐藏层均由卷积和下采样函数组成；采用递推最小二乘法算法对BP神经网络进行训练，将输出层和对应的输入层进行对比，直到网络训练的均方误差达到要求，确定各层的权值和阈值

[0022] 4)设定瓦斯浓度边界值，实现预警。

[0023] 本发明将瓦斯浓度数据存入数据库，并且将该数据作为时间序列进行处理得到瓦斯浓度时间序列数据，然后通过神经网络输出，预先设定了浓度边界值，达到该边界值，系统进行自动报警，能实现系统实时检测和发出预警，安全性较好。

标题	发布/更新时间	阅读量
多变量时间序列深度信念网络的低压铸造模温预测方法	2020-05-11	277
电器功能的预测方法及装置	2020-05-13	795
一种基于动力电池SOC和SOH联合估计的算法	2020-05-14	57
一种基于有限元和深度信念网络的均压环优化设计方法	2020-05-17	138
基于深度学习的激光扫描三维点云树木自动分类方法	2020-05-08	196
一种页岩压裂自支撑裂缝缝网渗透率计算方法	2020-05-19	626
一种强化递阶学习驱动的时空交通流预测方法	2020-05-19	459
一种基于广义需求侧资源的DBN电网负荷预测方法及装置	2020-05-13	831
基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法	2020-05-16	765
一种基于深度置信网络的光伏发电功率预测方法	2020-05-18	134

易燃气体浓度监测和预警的方法

易燃气体浓度监测和预警的方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：