基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法

煤炭科学技术
网络首发时间：2023-12-12 10:45:07

作者

胡青松郑硕李世银孙彦景
单位

中国矿业大学地下空间智能控制教育部工程研究中心中国矿业大学信息与控制工程学院
摘要

瓦斯浓度预测对于保障矿井安全生产至关重要。瓦斯浓度数据具有样本量少、存在时间依赖性等特点，传统机器学习法等方法通常效果不佳。本文提出一种时间卷积改进时序生成对抗网络(TCN-TimeGAN)，基于生成对抗网络特性改善瓦斯数据小样本过拟合的问题，利用TimeGAN网络捕捉瓦斯序列的时间特征，基于TCN网络扩大感受野以便读取长时间维度特征。在损失函数设计中，利用Wasserstein距离衡量瓦斯数据分布，并给鉴别网络损失函数添加自适应权重的梯度惩罚项，以解决数据不对性、梯度消失等问题，提高训练稳定性和预测准确度。在进行模型训练时，首先对瓦斯时间序列进行归一化、数据缺失值处理等操作，处理结果作为模型的输入序列，将其输入到嵌入网络和恢复网络进行训练，以降低重构损失。随后，将输入序列输入监督网络中进行训练，以减小监督损失；最后进行联合训练，其总损失为生成网络损失和鉴别网络损失之和。实验表明，改进模型生成的数据能更全面地覆盖原始数据分布，利用改进模型生成的数据进行预测所得到预测结果的均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)等指标都远小于对比模型，在所有时间段都能保持稳定准确的预测。
关键词

瓦斯浓度预测 TimeGAN 深度学习人工智能煤矿智能化
文章目录

0引言
1瓦斯智能预测模型构建
1.1瓦斯浓度数据分析
1.2 TCN-TimeGAN基础网络
1.3 基于TCN-TimeGAN的瓦斯预测模型
2瓦斯预测模型损失函数设计
2.1基于Wasserstein距离的改进损失函数
2.2基于梯度惩罚项的改进损失函数
3实验与性能分析
3.1数据预处理
3.2模型实验结果对比分析
3.2.1 TCN网络有效性实验
3.2.2 改进损失函数有效性实验
3.2.3 瓦斯预测对比实验
4 结论
相关文章

[1]再论智能煤矿建设路线：人工智能3.0视角