论文部分内容阅读
本文在煤矿安全监控系统产生的海量监控数据支撑之下,结合前辈研究的瓦斯浓度预测模型,将大数据技术应用到煤矿瓦斯浓度预测之中。论文主要包括以下研究成果:搭建了瓦斯浓度时间序列大数据存储系统。并通过分析煤矿安全监控系统网页结构以及瓦斯浓度数据结构,设计了用于采集瓦斯浓度时间序列大数据的网络爬虫,以及用于存储瓦斯浓度时间序列大数据的HBase表结构。并用之进行了瓦斯浓度大数据的采集与存储。在分析了采集到的瓦斯浓度时间序列大数据的特征之后,设计了使用大数据计算框架MapReduce进行瓦斯浓度短期预测的方案。MapReduce首先整理出每个监测点的瓦斯浓度时间序列,然后输出到reduce函数,并在其中使用时间序列预测模型ARIMA,进行瓦斯浓度预测。通过这种方式,可以得出每个监测点未来一天瓦斯浓度的最大值及变化趋势。以马尔科夫理论为基础,设计了使用MapReduce进行瓦斯浓度实时预测的方案。在以往关于瓦斯浓度预测的研究中,马尔科夫理论仅仅以辅助优化的角色存在。而本文将马尔科夫理论作为实时预测的主要预测模型。针对瓦斯浓度监测数据的有限状态取值空间,MapReduce计算瓦斯浓度数据的马尔科夫一步状态转移概率矩阵,通过概率比较的方式,实现瓦斯浓度的实时预测。最后,在一步概率矩阵的基础之上,计算出每个浓度值对应的k步超限概率,以此作为瓦斯浓度超限危险性的评价标准,对瓦斯浓度超限危险性进行K-Means聚类分析,将瓦斯浓度值分成了“非常危险”、“危险”以及“安全”三个等级,以此达到瓦斯预警的目的。通过危险性等级划分,管理人员可以为每个危险等级制定相应的安全管理措施,保证安全生产。