基于Android平台的智能瓦斯预警系统设计

瓦斯监测与预警是确保煤矿安全生产的重要途径。针对当前广泛使用的瓦斯监测与预警系统存在的问题,提出基于Android平台的智能瓦斯预警系统设计和开发。该系统主要解决瓦斯数据的传递、存储、显示和预警等问题。该系统可以在手持设备上实现瓦斯监测和预警,有效提高瓦斯监测和预警的实时性和有效性。     

基于C/S架构的光纤智能预警系统的软件设计

以C/S架构为基础，根据光纤预警系统的需求建立了系统的平台网络结构.系统依据总体架构可划分为服务端(Server)和客户端 (Client)2部分.服务端主要包括DSP通信模块、前后端交互模块、数据库模块和算法模块；客户端主要包括前后端交互模块、地图显示模块、历史报警查询模块和参数设置模块.设计了基于C/S架构的实时数据软件系统，完成了各功能模块在VS中的实现，并将其移植到系统服务器上进行了性能测试.测试结果表明，本系统能够有效完成数据报警信息的实时处理.     

煤与瓦斯突出missForest-EGWO-SVM预测模型

针对煤与瓦斯突出预测的数据不完整或缺失问题,提出一种基于miss Forest-EGWO-SVM的煤与瓦斯突出预测模型.以淮南地区的实测数据作为研究样本,采用missForest算法对样本数据进行缺失值填补;为解决SVM算法性能受参数影响大的问题,利用高效灰狼算法(EGWO)对SVM进行参数寻优;完善后的数据集作为EGWO-SVM模型的输入进行实验,与其他模型对比.研究结果表明:采用missForest填补缺失数据,提高了模型的突出事故预测率,EGWO-SVM模型能够有效避免GWO在后期搜索中陷入局部最优,进一步提高了SVM的预测精度.研究结论为缺失数据情况下煤与瓦斯突出预测提供了一种途径.     

基于极值统计理论的矿井瓦斯浓度预警模型

煤矿瓦斯爆炸风险评价与预警系统涉及的风险因素众多,而瓦斯浓度超限是导致事故发生的首要因素.基于极值统计理论,以靖远大水头煤矿瓦斯浓度监测研究为例,通过对相关图形的分析和监测参数的修正,建立瓦斯浓度预测的Frechet模型,确定该矿瓦斯浓度阈值u=1.2,并以此作为瓦斯爆炸预临界值,提出了基于远程监测的瓦斯浓度动态预警模型.结果表明,该模型具有相当的精度,可以实现煤矿瓦斯灾害的信息化管理,具有十分重要的现实意义.     

长距离输送管道超声内检测数据的在线压缩算法

根据超声内检测A扫描波形数据的形成原理,提出了基于阈值分割与峰值点提取相结合的A扫描波形数据压缩算法.1次数据压缩采用基于阈值分割的压缩算法,2次数据压缩采用基于峰值点提取的压缩算法,并分别采用传统的数据压缩指标和厚度计算结果来验证所提压缩算法的有效性.结果表明:在保证管壁厚度测量精度的条件下,压缩因子可达200~300;所提出的压缩算法简单、运算速度快,能够有效解决长距离输送管道超声内检测海量数据的实时压缩与存储问题.     

汽轮机组振动波形数据高效实时无损压缩算法

针对汽轮机组故障诊断系统中振动波形数据的形态特性,设计并实现了一套基于多次差分的压缩算法VWID.该算法先对原始波形进行多次差分以缩减其数据有效位,完成一次压缩.之后与通用压缩算法Zlib结合,对经过一次压缩后的数据流进行二次压缩,从而大大提高压缩比.针对汽轮机组等旋转机械振动波形数据的对比实验结果表明:以高压缩比著称的商用无损压缩软件Winrar压缩比为2.7～4.4, 而VWID压缩算法压缩比达3.9～5.2,VWID Zlib压缩算法压缩比可达5.3～6.4,同时具有无损压缩和实时高效的特点.     

基于改进深度学习算法的大数据交互式查询技术研究

传统大数据交互式查询技术忽略了对大数据融合步骤,导致该技术的交互查询效果不理想,且准确度偏低.为此,提出基于改进深度学习算法的大数据交互式查询技术.以教务系统为研究对象,构建教务系统交互大数据的粗糙量化特征分析模型,基于联合自相似性特征解析控制方法实现对教务系统交互大数据信息融合和特征匹配,从而提取教务系统交互大数据的...     

基于开源软件的Web GIS地震大数据综合平台

采用互联网行业流行的Elastic Search、OpenStreetMap、Leaflet、jQuery、ECharts等开源软件技术,提出了一种基于局域网Web GIS地图服务和分布式NoSQL数据库,实现Web客户端与服务端之间的大数据交互方案。不依赖于桌面GIS和MATLAB专业软件,实现低成本、跨平台的快速开发。为有效解决互联网时代海量空间信息相关的数据存储和可视化交互问题提供了一种新思路,在需要进行GIS大数据可视化交互的地震、气象等行业具有很高的实用价值。     

LSTM在煤矿瓦斯预测预警系统中的应用与设计

针对煤矿瓦斯浓度的预测的问题,以亭南煤矿正常生产期间302工作面的监测数据为研究背景,采用深度学习技术LSTM(Long Short Time Memory,长短时记忆网络)建立瓦斯预测模型,研究与设计了基于LSTM的煤矿瓦斯预测预警系统。LSTM网络针对时间序列数据具有较强的建模能力,能够实现信息的长期依赖,自动挖掘数据之间潜在的关联关系。采集煤矿正常生产期间的瓦斯监测数据作为训练数据,利用深度学习框架TensorFlow进行算法的仿真,并研究了不同时间步长、网络深度下的LSTM以及多信息融合对瓦斯预测模型性能的影响。实验结果在1 000条测试数据集上获得了3.61%平均相对偏差,LSTM瓦斯预测模型具有较高的准确度,泛化能力强。在系统研究与设计中,使用Spring,SpringMVC和Hibernate框架按照适应性、易用性、可扩展性等原则对系统进行了设计。系统部署阶段,将训练好的LSTM瓦斯预测模型部署在TensorFlow Serving服务器中,对外提供服务,实现了煤矿瓦斯预警系统,增强了煤矿瓦斯监控系统的预警能力,提高了煤炭企业安全生产管理水平,具有一定的实用价值。     

分布式实时运行数据驱动的液压支架群虚拟监测关键技术

针对多机装备可视化监测中存在的数据体量大以及单台主机模式下无法有效完成复杂任务的问题,提出了基于实时运行数据驱动的分布式液压支架群虚拟监测方法.该方法首先建立了基于实时运行数据的驱动模型;其次基于可识别数据交互器的数据传递方法,建立了C/S模式下的分布式局域网协同模型;然后基于一致性哈希算法的分配方法,建立了可根据主机负载状况动态分配任务的任务调度模型,最后以试验室液压支架群为例构建了分布式系统.试验结果表明:该方法建立的监测系统相比于单主机系统,提高了监测的稳定性,能够为透明综采工作面的建设提供核心技术支撑.