基于VMD-LSTM的矿井粉尘浓度预测研究
李永中1
陈博2
王海山1
胡世奇1
王攀1
郑谐3
1.国能数智科技开发(北京)有限公司,北京 1000112.陕西德源府谷能源有限公司三道沟煤矿,陕西府谷 7194003.中煤科工集团重庆研究院有限公司,重庆 400039
摘要：针对煤矿井下粉尘浓度数据的非线性、非平稳及强噪声特性导致传统预测模型精度不足的问题,提出一种变分模态分解(VMD)与长短期记忆网络(LSTM)融合的矿井粉尘浓度预测方法.将原始粉尘时序浓度数据输入VMD,在设定模态数量K和约束因子α条件下,VMD将原始数据分解为K个具有不同频率特征的模态分量,每个分量分别对应不同频段的振幅信息.将分量数据输入LSTM,通过选择性遗忘/输入门控算法对输入的分量数据进行训练,输出分量预测结果.对分量预测结果进行叠加重构,输出最终预测结果.以三道沟煤矿某工作面粉尘浓度数据为研究对象,分析了约束因子α对VMD分解效果的影响及模态数量K对预测性能的影响,结果表明:在K=5时样本被VMD完全分解,每个模态分量包含了详细的频率信息,可以清楚直观地分析整体信号的成分;α=2 000时各模态分量轮廓完整且完全分离,过小的α会导致独立分量中包含较多冗余信息,随着α值的增大模态分量带宽不断降低且分辨率提高.基于VMD-LSTM的粉尘浓度预测实验结果表明:在K=5,α=2 000时,VMD-LSTM的预测结果与实测值的误差最小,MAE,MSE,RMSE和MRE均优于其他模型,说明VMD-LSTM 对复杂环境条件下非线性、非平稳及强噪声的粉尘浓度预测具有强泛化能力和鲁棒性.
关键词：矿井粉尘浓度预测变分模态分解长短期记忆网络模态数量约束因子VMD-LSTM
分类号：TD714.3(矿山安全与劳动保护)
资助基金：国家重点研发计划(2023YFC2509305)重庆市自然科学基金(CSTB2023NSCQ-MSX0736)
论文发表日期：2025-09-30
在线出版日期：2025-10-27（本平台首次上网日期，不代表文献的发表时间）
页数：9( 90-97,156 )
英文信息