1.一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：包括风能摩擦纳米发电装置和智能预警传感器，所述风能摩擦纳米发电装置包括风能发电装置和电能管理装置，所述风能发电装置包括封闭圆筒状的刚性外壳，所述刚性外壳的中心连接有转轴，所述转轴的一端伸出刚性外壳，且伸出刚性外壳的转轴端部固定有多个风勺，所述转轴位于刚性外壳内的部分连接有转子，所述转子外表面粘贴有动物毛，且转子与刚性外壳内壁之间留有孔隙，所述刚性外壳的内壁上等间隔粘贴有多个铜电极，所述铜电极内表面涂覆有绝缘薄膜；
所述刚性外壳的底部连接有电能管理装置，所述电能管理装置的底部固定有智能预警传感器的防爆壳体，所述风能发电装置的电能输出端通过导线将风能摩擦产生的交流电传输到电能管理装置，所述电能管理装置的电能输出端通过导线给智能预警传感器供电，所述智能预警传感器内部集成有智能预测预警算法，所述智能预测预警算法通过图卷积神经网络GCN+LSTM对矿井内的危险气体浓度进行预测。
2.根据权利要求1所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述智能预警传感器包括设置在防爆外壳内的微控制器单元、历史数据存储单元、通信单元、智能预警单元和设置在防爆外壳外部的传感器监测单元，所述微控制器单元通过导线分别与传感器监测单元、历史数据存储单元、通信单元、智能预警单元相连；
所述传感器监测单元用于采集矿井中的危险气体浓度、风速、风向信息并发送至微控制器单元和历史数据存储单元；
所述微控制器单元用于控制传感器监测单元的数据采集和实现对矿井中危险气体浓度的智能预测预警；
所述历史数据存储单元用于存储传感器监测单元采集的数据，为智能预测预警算法提供数据支撑；
所述通信单元用于接收巷道内不同的矿用传感器装置的实时数据以及将预警信息通过无线方式传输至集控室；
所述智能预警单元用于对超过阈值的危险气体浓度进行报警。
3.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述转子与铜电极按照1：2的比例设置数量。
4.根据权利要求3所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述转子由6个立体扇形叶片以转轴为轴心30°等间隔排列组成，每个立体扇形叶片的扇形面的圆心角为30°，所述铜电极对应设置有12片。
5.根据权利要求3所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述铜电极内表面的绝缘薄膜具体采用聚四氟乙烯薄膜。
6.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述传感器监测单元设置在智能预警传感器的防爆壳体底部，为圆筒状，圆筒状的四周间隔设置有多个通孔，圆筒状的中心设置有传感器探头。
7.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述电能管理装置包括整流器、超级电容、电压比较器和稳压转换模块，所述整流器的交流输入端通过导线与风能发电装置的交流输出端相连，将风能发电装置产生的周期性的交流电转换为直流电存储在超级电容中，所述超级电容的两端分别连接电压比较器的两个输入端，所述电压比较器的输出端连接稳压转换模块，所述稳压转换模块输出直流电给智能预警传感器供电。
8.一种基于风能摩擦纳米发电的矿用气体浓度监测方法，采用如权利要求2‑7任一项所述的基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：包括如下步骤：
步骤一：历史数据收集，通过传感器监测单元收集矿井内危险气体浓度、风速、风向历史时间序列数据，建立危险气体浓度监测数据库；
步骤二：数据预处理，以传感器监测单元为空间原点划分网格，每个网格代表了空间中的一个特定位置，基于风速风向的反距离加权插值法对所有网格内的危险气体浓度进行插值处理，得到空间离散化的危险气体浓度数据集；
步骤三：训练预测模型，采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型，采用步骤二的空间离散化的危险气体浓度数据集对危险气体浓度预测模型进行训练和验证，获取离线的危险气体浓度预测模型；
步骤四：将训练好的危险气体浓度预测模型移植至智能预警传感器的微控制器单元中，实现实时的危险气体浓度预测，输入插值后的危险气体浓度数据，预测未来一段时间内危险气体浓度的变化趋势，当危险气体浓度预测值超过设定阈值时，预警信息通过智能预警传感器的通信单元发送至集控室。
9.根据权利要求8所述的一种基于风能摩擦纳米发电的矿用气体浓度监测方法，其特征在于：所述步骤二中基于风速风向的反距离加权插值法，具体插值步骤如下：
步骤2.1：计算传感器监测单元i到待插值网格X的浓度扩散距离di：
di=(Q1(i)+Q2(i))LiX；
式中：Q1(i)为第i个传感器监测单元处风速对网格X的气体浓度扩散距离的影响程度，Q2(i)为第i个传感器监测单元处风向对网格X的气体浓度扩散距离的影响程度，LiX为第i个传感器监测单元与网格X中心的直线距离；
步骤2.2：计算第i个传感器监测单元风速与风向对气体浓度扩散距离的影响程度Qj(i)：
Qj(i)=  ；
式中，Fi为第i个传感器监测单元处的风速， 为第i个传感器监测单元风向与网格X方位角的夹角；Di为第i个传感器监测单元处风向的方位角；DiX为第i个传感器监测单元与网格X的方位角；j=1,2；
步骤2.3：通过反距离加权插值计算网格X的危险气体浓度VX：
；
式中，n为传感器监测单元数量，Vi为第i个传感器监测单元气体浓度， 为浓度扩散距离di的p次方。
10.根据权利要求9所述的一种基于风能摩擦纳米发电的矿用气体浓度监测方法，其特征在于：所述步骤三中采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型的步骤如下：
步骤3.1：构建图结构，将空间离散化的危险气体浓度数据集输入图卷积神经网络，其中每个网格作为图的节点，节点之间的边表示空间关系，对图进行卷积操作，以捕捉节点之间的空间依赖关系，从而产生空间上的危险气体浓度的节点表示；
步骤3.2：使用LSTM层处理时序数据，以捕捉危险气体浓度数据时序上的依赖关系，从而产生时序上的危险气体浓度的节点表示；
步骤3.3：整合危险气体浓度时间空间特征信息，利用全连接层将时空特征映射到更高维度的表示空间；
步骤3.4：全连接层预测，利用全连接层将高维表示映射到输出空间，生成最终的危险气体浓度的预测结果。