基于多传感器-深度长短时记忆网络融合的瓦斯浓度预测研究

• 作者: 付华 刘雨竹 徐楠 张俊男
• 来源期刊: 传感技术学报
• 关键词: 瓦斯浓度预测 LSTM网络 多传感器数据 多变量相空间重构 Pearson相关系数法
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 传感器信号处理|Signal Processing for Sensors
• 页码范围: 784-790
• 页数: 7页
• 分类号: TP391|TP212
• 语种: 中文
• DOI: 10.3969/j.issn.1004-1699.2021.06.011

摘要

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM(long short-term memory,长短时记忆)网络的多传感器瓦斯浓度预测模型,首先利用Pearson(皮尔逊)相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其进行多变量相空间重构,采用随机搜索算法对LSTM网络超参数进行自动寻优,建立参数最优的多传感器时间序列动态预测模型,通过算例研究表明,相较于常用的时序建模预测算法,所提方法能够更好的追踪瓦斯浓度变化趋势并在单步及多步滚动预测方面,依然具有较好的预测性能.