(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211291304.9 (22)申请日 2022.10.19 (71)申请人 中国矿业大 学 地址 221116 江苏省徐州市铜山区大 学路1 号 (72)发明人 李爽　许锟　薛广哲　刘娇　鹿乘　 贺超　许正权　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 陈月菊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种煤矿瓦斯爆炸风险预测方法 (57)摘要 本发明公开了一种煤矿瓦斯爆炸风险预测 方法， 包括： S1、 采集目标范围内全部煤矿基本信 息数据； S2、 基于煤矿基本信息数据筛选需进行 风险预测的对象； S3、 根据煤矿基本信息数据进 行煤矿瓦斯爆炸风险等级初步评估， 根据风险初 步评估结果确定风险预测频率； S4、 初步建立瓦 斯爆炸致灾指标体系； S5、 清洗致灾指标， 建立 关 键致灾指标体系； S6、 基于关键致灾指标数据训 练机器学习风险预测模型； S7、 评估风险预测模 型性能， 确定采用的预测模型； S8、 采用高性能预 测模型对风险预测目标矿井进行瓦斯爆炸风险 预测。 本发明能够对煤矿瓦斯爆炸的风险预测， 实现高实用性、 低成本、 高效率， 提高了瓦斯煤矿 生产过程的安全性。 权利要求书3页 说明书11页 附图2页 CN 115526422 A 2022.12.27 CN 115526422 A 1.一种煤矿瓦斯爆炸风险预测方法， 其特 征在于， 所述预测方法包括以下步骤： S1、 采集目标范围内全部煤矿的基本信息数据， 基本信 息数据包括瓦斯涌出量、 瓦斯体 积分数、 煤层自然发火期、 煤尘爆炸指数、 机电设备故障率； S2、 基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选， 选出需要进 行风险预测的煤矿 矿井， 作为预测目标矿井； S3、 根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估， 根 据风险初步评估结果确定每 个预测目标矿井的风险预测频率； S4、 根据规范 标准资料、 文献调研及专 家咨询初步建立瓦斯爆炸致 灾指标体系； S5、 采用决策实验室分析法清洗致灾指标， 以该方法分析计算出的指标中心度为标准， 从初步建立的瓦斯爆 炸致灾指标体系中将指标中心度小于中心度阈值的指标删除， 采用剩 余致灾指标建立关键致 灾指标体系； S6、 采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据， 基于所建立的关 键致灾指标体系， 分别训练BP神经网络模 型、 支持向量机模型、 K最近邻算法模型、 随机森林 模型， 输出多类型的煤矿瓦斯爆炸风险预测模型； S7、 对基于BP神经网络模型、 支持 向量机模型、 K最近邻算法模型、 随机森林模型训练输 出的煤矿瓦斯爆炸风险预测模型 的预测性能进行评价， 筛选出预测性能最优的模型， 将其 确定为最终采用的预测模型； S8、 按照相应的风险预测频率， 定期确定每个预测目标矿井的关键致灾指标数据值， 将 关键致灾指标数据值输入预测模型， 对预测目标矿井的瓦斯爆炸风险进行 预测。 2.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S1中， 所述基 本信息数据还 包括瓦斯抽采合格率、 监测装置覆盖率、 通 风系统稳定性、 采掘机 械化水平。 3.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S2中， 按照预 设筛选周期， 对目标范围内全部煤矿矿井进行筛选， 筛选得到当前筛选周期的预测目标矿 井。 4.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S3中， 根据下 述公式计算得到 煤矿瓦斯爆炸风险等级评估值X： X＝x1α1+x2α2+x3α3+x4α4+x5α5 其中， x1、 x2、 x3、 x4、 x5分别为瓦斯涌出量、 瓦斯体积分数、 煤层自然发火期、 煤尘爆炸指 数、 机电设备故障率的值； 瓦斯涌出量的值为目标矿井单位时间内 自煤层中涌出的瓦斯量， 瓦斯体积分数的值为赋予相应矿井瓦斯气 体体积分数的值， 煤层自然发火期的值为赋予相 应矿井煤层自然发火期的值， 煤尘爆炸指数 的值为相 应的煤尘爆炸指数， 机电设备故障率 的值为相应矿井机电设备故障率的值； α1、 α2、 α3、 α4、 α5分别为瓦斯涌出量、 瓦斯体积分数、 煤 层自然发火期、 煤尘爆炸指数、 机电设备故障率的权 重； α1+α2+α3+α4+α5＝1。 5.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S5中， 致灾指 标包括瓦斯涌出量、 瓦斯体积分数、 煤层自然发火期、 煤 尘爆炸指数、 机电设备故障率、 瓦斯 抽采合格率、 监测装置覆盖率、 通 风系统稳定性、 采掘机 械化水平。 6.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S5中， 采用 DEMATEL分析法清洗致 灾指标的过程包括以下步骤： S51， 邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较， 判权　利　要　求　书 1/3 页 2 CN 115526422 A 2断指标之 间的相互影响关系； 专家评价的语义表达规定为 五个， 分别为影响程度极弱、 影响 程度较弱、 影响程度一般、 影响程度较强及影响程度很强， 所对应的评估分值分别为 1、 2、 3、 4、 5； S52， 根据专家的评价分值数据构建直接影响矩阵C， 其中 表示第m位专家针对指标i 对指标j影响程度的评价分值： S53， 将直接影响矩阵进行规范化计算， 构建综合影响矩阵X， 其 中， i＝1， 2， 3， …， n， j＝ 1， 2， 3，…， n， n为指标个数： X＝G(I‑G)‑1； S54， 根据综合影响矩阵计算指标的影响度di及被影响度ri， 并计算指标中心度fi： fi＝di+ri； S55， 根据指标中心度数值， 剔除中心度较小的指标， 形成关键致 灾指标体系。 7.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法， 其特征在于， 步骤S6中， 基于所 建立的关键致灾指标体系， 分别训练BP神经网络模 型、 支持向量机模型、 K最近邻算法模 型、 随机森林模型， 输出多类型的煤矿瓦斯爆炸风险预测模型的过程包括以下步骤： 从预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取相应的信息 数据， 以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平， 概率值越高， 风险水平越高； 如果煤矿瓦斯爆 炸事故必 然发生， 其瓦斯爆 炸概率值为 1， 如果煤矿瓦斯爆 炸事故不可能发 生， 其瓦斯爆 炸概率值为0； 将 每个历史指标数据和对应的煤矿瓦斯爆炸概率值作为一组样 本数据， 生成样本数据集； 对样本数据集中的样本数据进行清洗， 去除其中包 含的噪声、 缺失值、 离群点、 漂移点； 对于清洗后的样本数据集中的每个历史指标数据， 获取关键致灾指标所对应的值作为 模型的输入， 相应的煤矿瓦斯爆 炸概率值作为模 型的输出， 分别对BP神经网络模 型、 支持向 量机模型、 K最近邻算法模型、 随机森林模型进行训练。 8.根据权利要求1所述的煤矿瓦斯爆炸风 险预测方法， 其特征在于， 步骤S6中， 对BP神 经网络模型进行训练的过程包括： 构建BP神经网络， BP神经网络包括输入层、 隐含层和输出层三层结构； 将采集到的预测 目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆 炸事故数据， 对其进 行归一化处理后作 为输入层， 输出层的节点输出煤矿瓦斯爆炸概率， 范围在(0， 1)； 对神经网络中的权值和阈 值进行初始赋值， 通过样本数据进行训练， 训练样本的期望输出值为根据历史数据和经验 值得到的煤矿瓦斯爆炸概率， 通过输出值与期望值的偏差迭代优化权值和阈值， 使输出值权　利　要　求　书 2/3 页 3 CN 115526422 A 3