论文部分内容阅读
近几年,煤矿井下透水事件时有发生,安全排水问题已经成为关注的热点。能及时且尽量准确地掌握井下水仓的涌水情况,对指导安全生产起着重要的作用,在线监控井下水仓的情况显得重要而有意义。
针对煤矿井下环境恶劣,涌水量影响因素纵多,数学模型输入变量难以确定的问题,提出了平均影响值结合误差反向传播网络确定涌水量各影响因素相关程度的方法,实现涌水量影响因素变量的筛选。依据涌水量季节性变化的特点,提出了遗传算法优化灰色神经网络进行涌水量预测模型的建立,并通过实例数据验证、分析,证明该预测模型有较高的精确度,避免了灰色神经网络易陷入局部最优的缺点,预测适合度好,但运行耗时长、受涌水量影响因素制约,不适用于煤矿井下短时水位的预测。所以在短时水位预测模型建立前,分析煤矿井下水位每天短时的变化,虽然受三水位的影响,但仍然有它的规律性,依据小波中的时间聚合因子可以弥补人工神经网络中存在的输入同步瞬时限制的问题,提出了基于时间序列的小波神经网络短时预测模型,经过实例数据的分析、验证,证明该预测模型耗时短,精确度高。
为了将井下实时数据及数学预测模型结果进行在线实时显示,针对传统B/S结构实时监控系统在线运行期间存在网络负载大、服务器开销大、客户端与服务器之间的交互效率低,页面实时显示存在闪烁的弊端,提出了下位机选择性价比较高的三星公司的S3C2440A微控制器,对下位机进行数据采样,上位机用Ajax特有异步通讯的方式与CGI进行下位机通信、与SVG相结合进行矢量图形实时显示的方法来实现煤矿井下主水仓系统的网络化,实现实时监测,网页页面显示无刷新,曲线图可以自由放大缩小不失真。
本文是在查找了大量文献和收集了大量实测数据进行分析后,进行的煤矿井下主水仓涌水量的预测与监控系统的研究。