看点导读
01 基于改进 TCN-TimeGAN 的矿井瓦斯浓度智能预测方法
扫码阅读原文
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。胡青松、郑硕、李世银等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征，基于时间卷积网络(Temproal Convolutional Network，TCN)扩大感受野以便读取长时间维度特征。利用 Wasserstein距离衡量瓦斯数据分布，改善了传统的损失函数面临的不对称性、梯度消失等难题；通过给鉴别网络损失函数添加自适应权重的梯度惩罚项，进一步提高了训练稳定性和预测质量。
瓦斯浓度数据分析
图1 瓦斯浓度变化
（以采自山西某矿15103工作面瓦斯数据为例）
数据采集的时间跨度为2020年9月16日至 2021年12月31日，每24小时采集记录一次，在整理数据时出现浓度过高的周期性的突出点，经与工作人员确认，是设备调校时的上线报警值或检查测试时的报警值看，属于人为增加值，对于这些点的浓度采用均值插补的方式进行处理，处理后的结果见图1。此外，某一时刻的瓦斯数据大小与其前一时刻甚至多个时刻紧密相关，呈现出时间依赖性的变化特征,很适合利用 TimeGAN 网络进行建模。
TCN-TimeGAN 基础网络
常规卷积在处理长时间序列时，会由于追溯的历史信息过于久远而线性堆叠隐藏层，从而让网络变得非常深，给时间数据的处理带来困难。TCN网络采用膨胀因果卷积解决了该问题，其在进行卷积计算的时候采用间隔采样而非逐一采样，减少了卷积层数，在不损失信息的条件下获得了更大的感 受野，从而可读取较长时间维度的特征。因此，兼具TCN间隔 采样与TimeGAN时间特性的TCN-TimeGAN 处理瓦斯瓦斯数据具有很大优势。
图2 TCN-TimeGAN 网络结构
TCN-TimeGAN 网络由嵌入网络 E、恢复网络R、生成网络G和鉴别网络D组成，见图 2。其中, 嵌入网络和恢复网络先将数据映射到低维空间，捕获关键特征后再变换回原始数据空间，实现时间序列数据的生成和重构。嵌入网络和恢复网络协同工作，构成编码-解码模型，使得生成网络在生成合成数据时能够更好地保持原始数据的模式和特征，降低模式坍塌的风险。
基于 TCN-TimeGAN 的瓦斯预测模型
图3 瓦斯浓度预测流程图
基于TCN-TimeGAN基础网络设计瓦斯生成预测模型，其预测流程如图 3 所示。首先对瓦斯时间序列进行归一化、数据缺失值处理，处理结果作为模型的输入序列 x={x1,...,xt,...,xT}，然后将其输入嵌入网络和恢复网络进行训练，目标是降低重构损失。其中，嵌入网络与恢复网络使用 TCN 网络。然后将输入序列输入监督网络进行训练，目标是减小监督损失。
瓦斯预测模型损失函数设计
TCN-TimeGAN 与 GAN 网络都具有梯度不稳定、模式崩溃和难以训练等缺陷，通过引入Wasserstein损失，对鉴别网络的损失函数进行改进，以改善上述缺陷，得到改进的鉴别网络损失函数公式如下：
实验与性能分析
首先，将真实数据与生成数据进行主成分分析(Principal Component Analysis,PCA)和 t 分布式随机邻近嵌入(t-distributed Stochastic Neighbor Embedding，t-SNE)可视化分析，对比真实数据和生成数据的分布。随后，使用数据增强方法对训练数据进行扩充，通过预测误差评估生成数据的有效性。图4给出了瓦斯预测的图形化结果，可以看出，对比模型生成的数据在前期能够保持较为稳定和准确的预测，但是随着训练过程的进行，除了本文模 型外，其他对比模型都有不同程度的偏差，无法在所有时间段都保持稳定的预测，这充分证明了本文模型所生成的数据在预测瓦斯方面的有效性。
图4 不同模型的预测结果
表1给出了不同模型生成的数据进行瓦斯预测时的量化指标值，可以看出使用本文模型所生成的数据进行预测得到的MSE、RMSE 和 MAE 值都远小于对比模型。
表 1 不同模型生成数据的预测结果
02 基于深度学习瓦斯浓度预测预警的相关论文推荐
期刊论文
学位论文
[1]刘莹，2023. 基于深度学习的多因素融合瓦斯浓度预测研究 (硕士). 安徽理工大学.
[2]宋爽，2020. 基于深度学习的采空区卸压瓦斯抽采智能评价方法研究 (博士). 西安科技大学.
[3]张玉财，2023. 基于深度学习的煤矿瓦斯涌出量预测与智能管控系统研究 (硕士). 太原理工大学.
[4]张雨，2019. 基于深度学习的井下瓦斯浓度预测系统设计与实现 (硕士). 中国矿业大学.
[5]李冰，2022. 基于深度学习和多源信息融合的煤与瓦斯突出预警方法研究 (博士). 中国矿业大学.
[6]王书芹，2019. 基于深度学习的瓦斯时间序列预测与异常检测 (博士). 中国矿业大学.
[7]王智鹏，2022. 基于深度学习的综采工作面瓦斯浓度预测预警研究 (硕士). 西安科技大学.
[8]王泓锦，2021. 基于深度学习的矿井瓦斯多因素预警系统的设计与实现 (硕士). 北京交通大学.
[9]王淑月,2023. 基于LSTM多参数的瓦斯浓度预测预警研究 (硕士). 辽宁工程技术大学.
[10]王翀，2024. 基于大数据技术的煤矿瓦斯风险智能感知判识方法研究与应用 (博士). 辽宁工程技术大学.
参考文献：
[1] 胡青松, 郑硕, 李世银, 等. 基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法[J]. 煤炭科学技术: 1-10.
[2] CHENG L, LI L, LI S, et al. Prediction of gas concentration evolution with evolutionary attention-based temporal graph convolutional network[J]. Expert Systems with Applications, 2022, 200: 116944.
[3] 付华, 赵俊程, 付昱, 等. 基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量[J]. 仪器仪表学报, 2021, 42(4): 160-168.
编辑丨湛金飞 重庆大学
审核丨刘苏雨 重庆大学
