文档介绍：致谢
论文在我的导师付华教授的悉心指导和耐心帮助下顺利完成,从论文的选题开始,付
老师就给予我很多的建议,让我能够开阔思路,再到论文的开题和整个撰写过程都倾注着
付老师的心血,特别是在论文的审阅中,付老师给予我诸多有益的指导,使我受益匪浅。
不仅如此,付老师对待科研工作严谨的态度和求真务实的精神令我敬佩,在研究生学习期
间,付老师不仅在专业领域给予我很多的帮助,而且我也从生活的点滴中学到了许多优秀
的品质,在此要深深的感谢我的导师付华教授!
感谢在平日里给予我许多指导的赵老师,您不仅在学术上给我很多的帮助,而且您平
易近人的态度令我深深感动!
感谢国家自然科学基金,辽宁省优秀人才基金对论文研究提供的资助!
感谢在论文研究过程中与我共同探讨问题的同学们!
感谢我的家人,你们的支持是我最大的动力!
感谢提出优秀思想的人和提供参考文献的人!
摘要
煤与瓦斯突出严重威胁着煤矿安全生产和矿工的生命安全,能够对突出发生的危险性
进行准确预测并及时采取预防措施显得尤为重要。煤与瓦斯突出会导致巷道中瓦斯浓度变
化出现异常,由于瓦斯浓度具有连续性,能够跟踪反映突出这一动态过程,因此可以利用
瓦斯浓度变化特征作为突出预测的指标。在装备有煤矿瓦斯监测监控系统的矿井中瓦斯浓
度是可测的,瓦斯监控系统中强大的数据库技术能够存储大量的瓦斯浓度历史数据,为研
究瓦斯浓度变化规律与突出发生危险性之间的关系提供了丰富的数据资源。但目前的煤矿
瓦斯监测系统缺乏对数据作进一步分析的功能,只能对瓦斯浓度超限进行报警,对于可能
发生的煤与瓦斯突出灾害不具备提前预报能力,造成大量数据资源的浪费。针对这一问题
提出了将广泛用于经济学领域的数据挖掘技术引入对瓦斯浓度数据的分析中,试图挖掘出
浓度变化异常与煤与瓦斯突出之间的关系,并建立相应的突出预测模型,使其能够根据一
定时间段内瓦斯浓度变化特征进行分类,实现对是否存在煤与瓦斯突出危险进行预测,为
矿井管理人员提供决策的指导。
通过建立数据挖掘过程模型确定各阶段要完成的工作。在数据准备阶段,从大量瓦斯
浓度历史数据中甄选出部分突出发生前 10 小时内瓦斯浓度时间序列和正常情况下 10 小时
内瓦斯浓度时间序列作为样本,利用 ARIMA 方法对样本序列进行建模,并提取模型系数
作为样本的特征向量。在数据挖掘阶段,采用支持向量机这种机器学习方法作为挖掘算法,
并利用样本特征向量对其进行训练,得到基于支持向量机的突出预测模型。最后对该模型
和基于 BP 神经网络的预测模型进行仿真比较,结果表明基于支持向量机的预测模型具有
较高的预测性能,因此利用数据挖掘技术建立的支持向量机预测模型能够对煤与瓦斯突出
的危险性进行预测。

关键词:煤与瓦斯突出;数据挖掘;ARIMA 方法;支持向量机;BP 神经网络

- I -
Abstract
Coal mine safe production and miners’ security are threatened by coal and gas outburst, and
accurate prediction of the danger of coal and gas outburst and taking preventive measures timely
are particularly important. The gas concentration is abnormity in the lane when the coal and gas
outburst happens, the dynamic process of the coal and gas outburst is reflected by the continuity
gas concentration, so characteristics of the gas concentration is used as the critical value of coal
and gas outburst prediction. The gas concentration is detectable in the coal mine where the coal
mine gas monitoring system is established, large amounts of the gas concentration data are stored
in the system by strongly database technology, wealthy dat