August 25, 2025Open Access

Forschung zur Anomalieerkennung der Gaskonzentration im Kohlebergbau basierend auf SGDBO-Transformer-LSSVM

MLMingyang LiuTianjin University of Commerce LZLongcheng Zhang ZYZhenguo YanXi'an University of Science and Technology

Key Points

Dieses Modell verbessert erheblich die Klassifikationsgenauigkeit von Gaskonzentrationsanomalien während des Kohleabbaus und erhöht die Sicherheit.
Experimente zeigten, dass das vorgeschlagene SGDBO-Transformer-LSSVM-Modell traditionelle Erkennungsmethoden in dynamischen Umgebungen übertraf und robuste Ergebnisse erzielte.
Die Analyse verwendete eine einzigartige Dual-Path-Feature-Fusion-Architektur, die interpolierte Zeitreihen mit statistischen Merkmalen integriert, um eine bessere Charakterisierung zu ermöglichen.
Der SGDBO-Algorithmus optimierte die Hyperparameter des Modells und adressierte die Einschränkungen konventioneller Parameteroptimierungstechniken in komplexen Umgebungen.

Abstract

Methan-Konzentrationsanomalien während des Kohleabbaus werden als wichtige Faktoren identifiziert, die schwerwiegende Sicherheitsunfälle auslösen. Ziel dieser Studie war es, die wesentlichen Probleme der unzureichenden Anpassungsfähigkeit bestehender Erkennungsmethoden in dynamischen und komplexen unterirdischen Umgebungen sowie der begrenzten Charakterisierungsfähigkeiten für nicht uniforme Stichprobendaten zu adressieren. Genauer gesagt wurde ein intelligentes Diagnosetool vorgeschlagen, indem der verbesserte Dungkäfer-Optimierungsalgorithmus (SGDBO) mit Transformer-SVM integriert wurde. Eine neuartige Dual-Path-Feature-Fusion-Architektur wurde konstruiert. Zuerst wurde die ursprüngliche Sequenzlänge der Proben durch Interpolationsalgorithmen vereinheitlicht, um sich an die Eingaben des Deep-Learning-Modells anzupassen. Gleichzeitig wurden statistische Merkmale der Proben (wie Wölbung und differentielle Standardabweichung) extrahiert, um lokale Mutationsmerkmale tiefgreifend zu charakterisieren. Anschließend wurde das Transformer-Netzwerk verwendet, um automatisch die zeitlichen Abhängigkeiten der Konzentrations-Zeitreihen zu erfassen. Darüber hinaus wurden die Ausgangsmerkmale mit manuellen statistischen Merkmalen verknüpft und in den LSSVM-Klassifikator eingegeben, um einen komplementären Verstärkungsdiagnosemechanismus zu bilden. Sinuschaotische Mapping-Initialisierung und ein goldenes Sinussuchverfahren wurden in DBO integriert. Anschließend wurde der SGDBO-Algorithmus verwendet, um die Hyperparameter des Transformer-LSSVM-Hybridmodells zu optimieren, wodurch das Flaschenhalsproblem traditioneller Parameteroptimierung, das in lokale Optima fällt, überwunden wurde. Experimente zeigen, dass dieses Modell die Klassifikationsgenauigkeit und Robustheit der Anomaliekurvendiskriminierung erheblich verbessern kann. Darüber hinaus kann eine zentrale technische Unterstützung zur Konstruktion von Sicherheitsüberwachungssystemen im Kohlebergbau bereitgestellt werden, was einen entscheidenden praktischen Wert für die Gewährleistung der nationalen Energiesicherheit hat.

KI fragen

Bookmark

View Full Paper