基于TFSA-Net的工作面瓦斯浓度预测模型

王晋峰; 贾澎涛; 李爱军; 王一名; 王润超; 杨鸿宇; 王伟峰

doi:10.12404/j.issn.1671-1815.2506555

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10342-10350 DOI: 10.12404/j.issn.1671-1815.2506555

矿冶工程

基于TFSA-Net的工作面瓦斯浓度预测模型

王晋峰 ¹ ,
贾澎涛 ²^,^* ,
李爱军 ¹ ,
王一名 ¹ ,
王润超 ³ ,
杨鸿宇 ² ,
王伟峰 ⁴

作者信息 +

Gas Concentration Prediction Model for Coal Mining Faces Based on the TFSA-Net Framework

Author information +

文章历史 +

摘要

针对现有瓦斯浓度预测模型在多尺度时频特征提取与长程依赖建模方面的不足,提出一种基于TFSA-Net(time-frequency and stabilized attention network),TFSA-Net的工作面瓦斯浓度预测模型。该模型首先通过小波变换卷积提取多尺度时频特征,增强对不同时间尺度信息的捕获能力;进而利用稳定化注意力门控循环单元(stabilized attentive gate recurrent unit,SA-GRU)学习序列的时间依赖关系,并通过层归一化与多头注意力机制提升训练稳定性和长程依赖信息的利用效率;最后引入自适应频谱模块,在频域中对特征进行快速傅里叶变换(fast Fourier transform,FFT),并借助自适应高频掩码增强关键频率分量,抑制噪声干扰。实验结果表明:TFSA-Net在平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)指标上优于Nlinear、LDlinear、长短期记忆网络(long short-term memory,LSTM)、双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)、门控循环单元网络(gate recurrent unit,GRU)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)、多头注意力机制(multi-head attention,MHA)-BiGRU、Crossformer和Informer等对比模型,降幅分别为6.09%~43.47%和5.42%~36.45%;相较于表现最优的对比模型MHA-BiGRU,其误差指标分别降低约0.6%和5.42%,且R²提高约0.54%。工程应用验证表明,TFSA-Net模型在预测精度与泛化性能方面均具有优势,可为瓦斯灾害智能预警提供可靠技术支撑。

Abstract

To overcome the limitations of existing gas concentration prediction models in capturing multi-scale time-frequency features and modeling long-range temporal dependencies, time-frequency and stabilized attention network (TFSA-Net), a novel deep learning framework for forecasting working-face gas concentrations was proposed. The architecture first leveraged wavelet transform-based convolution to extract multi-scale time-frequency features, thereby enhancing the model’s ability to represent dynamic patterns across diverse temporal scales. Next, a stabilized attention-enhanced gated recurrent unit (SA-GRU) was incorporated to capture sequential dependencies effectively, with layer normalization and multi-head attention mechanisms jointly improving training stability and enabling more efficient exploitation of long-range contextual relationships. Finally, an adaptive spectral module was introduced to transform features into the frequency domain via the fast Fourier transform (FFT), where an adaptive high-frequency masking strategy selectively strengthened salient frequency components while attenuating noise interference. The experimental results show that TFSA-Net consistently outperforms state-of-the-art models such as Nlinear, LDlinear, long short-term memory (LSTM), bidirectional long short-term memory (BiLSTM), gate recurrent unit (GRU), bidirectional gated recurrent unit (BiGRU), multi-head attention (MHA)-BiGRU, Crossformer, and Informer in terms of mean absolute error (MAE) and root mean square error (RMSE) metrics, with reductions ranging from 6.09% to 43.47% and 5.42% to 36.45%, respectively. Compared to the best-performing comparative model MHA-BiGRU, its error metrics are reduced by approximately 0.6% and 5.42%, while the R²score improves by about 0.54%. Real-world engineering validation demonstrates that TFSA-Net delivers superior prediction accuracy and generalization performance, providing reliable and robust technical support for intelligent early-warning systems in coal-mine gas hazard prevention.

Graphical abstract

关键词

瓦斯浓度预测 / 多尺度特征提取 / 注意力门控循环单元 / 频谱优化

Key words

gas concentration prediction / multi-scale feature extraction / attention gate recurrent unit / spectral optimization

引用本文

引用格式 ▾

王晋峰, 贾澎涛, 李爱军, 王一名, 王润超, 杨鸿宇, 王伟峰. 基于TFSA-Net的工作面瓦斯浓度预测模型[J]. 科学技术与工程, 2026, 26(24): 10342-10350 DOI:10.12404/j.issn.1671-1815.2506555

WANG Jin-feng, JIA Peng-tao, LI Ai-jun, WANG Yi-ming, WANG Run-chao, YANG Hong-yu, WANG Wei-feng. Gas Concentration Prediction Model for Coal Mining Faces Based on the TFSA-Net Framework[J]. Science Technology and Engineering, 2026, 26(24): 10342-10350 DOI:10.12404/j.issn.1671-1815.2506555

登录浏览全文

4963

注册一个新账户忘记密码

矿井瓦斯是煤矿重大事故的主要因素之一,其浓度累积到一定阈值可能引发爆炸,严重威胁矿山安全与人员生命,因此对瓦斯浓度进行监测与预测至关重要^[1]。早期预测方法主要基于传统统计模型^[2-3],这类模型虽具有一定短期预测能力,但难以处理瓦斯浓度的动态非线性特征,且在数据规模增大时预测精度显著下降。

随着机器学习技术的不断发展,其在瓦斯浓度预测领域的应用日益深入。文献[4 -6]构建了基于随机森林(random forest,RF)的预测模型。文献[7-8]提出了基于支持向量机(support vector machine,SVM)的方法。王琳等^[9]设计了基于集成学习的预测框架。罗志强等^[10]采用极限梯度提升(extreme gradient Boosting,XGBoost)模型。上述方法在一定程度上突破了传统统计模型的局限,提升了预测的有效性,但在预测精度与模型泛化能力方面仍有待提升。

鉴于深度学习在瓦斯浓度预测中的性能优势,相关研究逐渐增多。吕建立^[11]、刘海东等^[12]较早将循环神经网络(recurrent neural network,RNN)引入瓦斯浓度预测,利用其循环结构捕捉时间依赖性,但RNN存在梯度消失或梯度爆炸的固有缺陷。为缓解这一问题,兰永清等^[13]、杨俊辉等^[14]采用长短期记忆网络(long short-term memory,LSTM)进行瓦斯浓度预测,其门控机制有效提升了梯度稳定性与预测精度,但模型结构复杂、计算成本较高。为此,王向前等^[15]、秦嘉欣等^[16]、盛武等^[17]采用更简洁的门控循环单元网络(gate recurrent unit,GRU),在降低计算负担的同时保持了较好的预测性能,但其对高度复杂时序模式的刻画能力仍有局限。为进一步增强特征提取能力,解恒星等^[18]、荣统瑞等^[19]引入双向长短期记忆网络(bidirectional long short-term memory,BiLSTM),通过融合前向与后向时序信息,提高特征提取能力,但其网络结构更为庞大,训练成本增加。李玉鹏等^[20]提出了基于双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的模型则在计算效率与特征捕获之间取得了更好的平衡,但对非平稳、突变型瓦斯浓度序列的适应性有待加强。胡青松等^[21]、温廷新等^[22]探索了时序卷积网络(temporal convolutional networks,TCN)的应用,其卷积结构在高效提取时序局部特征同时可避免梯度消失,但在捕获长期依赖方面仍存在不足。

综上可知,现有深度学习模型虽然在矿井瓦斯浓度预测与预警中取得了重要进展,但在处理实际矿井中复杂的瓦斯浓度时序信号时,仍普遍面临多尺度特征提取不足、时频信息利用不充分、长程依赖捕获能力有限以及缺乏频域特征增强机制等问题,这制约了预测精度和稳定性的进一步提升。鉴于此,提出一种融合时频特征提取、稳定注意力增强与频域自适应优化的瓦斯浓度预测模型TFSA-Net(time-frequency and stabilized attention network),以提升预测精度与鲁棒性。TFSA-Net的创新主要体现在以下三个方面:一是采用小波变换卷积模块(wavelet transform convolution,WTConv),将卷积与时频变换结合,提取局部模式和多尺度特征,同时削弱原始信号中的噪声,以更好地捕获平稳趋势与短时波动;二是设计稳定化注意力门控循环单元(stabilized attentive GRU,SA-GRU),在标准GRU的基础上引入层归一化和Dropout提升训练稳定性,并通过多头注意力机制(multi-head attention,MHA)自适应聚合长序列中的关键信息,从而增强长程依赖于关键时刻的表征能力;三是设计自适应频谱模块(adaptive spectral block,ASB),将序列特征映射至频域,并结合可学习权重与自适应高频掩码实现频谱强化。以期为瓦斯灾害智能预警提供可靠技术支撑。

1 模型构建

1.1 TSFA-Net总体结构

TFSA-Net模型采用“时频特征提取-序列依赖学习-频域增强优化”的三阶段架构,如图1所示。WTConv模块结合卷积与小波变换,提取多尺度时频特征并减少噪声干扰;SA-GRU模块在标准GRU的基础上融合层归一化与Dropout,以提升训练稳定性,并通过多头注意力机制自适应地聚合长序列中的关键信息;最后,ASB模块通过快速傅里叶变换对序列特征进行频域处理,并结合可学习权重与自适应高频掩码实现频谱增强。三部分依次衔接,组成时频特征提取、时序依赖增强与频域优化的整体架构,从而实现瓦斯浓度预测的高精度与鲁棒性。

1.2 WTConv模块

针对传统卷积模块固定感受野限制其捕捉多尺度时序特征的能力问题,采用WTConv模块^[23]以替代传统卷积层。该模块通过小波变换将输入数据分解为不同频率分量,从而扩展时序感受野,能够在多尺度频率空间中捕捉长短期依赖和多频率信息的交互。WTConv模块的结构如图2所示。

在WTConv模块中,采用Haar小波变换作为基础滤波器组,以实现高效而简洁的多频率分解处理。假定瓦斯浓度序列为

$X=\{{x}_{1},{x}_{2},\dots,{x}_{t}\},$

使用以下4组滤波器进行深度卷积(步距为2),4组滤波器的计算公式分别为

(1)

${f}_{LL}=\frac{1}{2}\left[\begin{array}{ll}1& 1\\ 1& 1\end{array}\right]$

(2)

${f}_{LH}=\frac{1}{2}\left[\begin{array}{ll}1& -1\\ 1& -1\end{array}\right]$

(3)

${f}_{HL}=\frac{1}{2}\left[\begin{array}{ll}1& 1\\ -1& -1\end{array}\right]$

(4)

${f}_{HH}=\frac{1}{2}\left[\begin{array}{ll}1& -1\\ -1& -1\end{array}\right]$

式中:f_LL为低通滤波器;f_LH、f_HL、f_HH为高通滤波器。

对于每个输入通道,卷积的输出的计算公式为

(5)[X_LL,X_LH,X_HL,X_HH]=Conv([f_LL,f_LH,f_HL,f_HH],X)

式(5)中:输出具有4个通道,每个通道在每个时间维度上的分辨率为X的1/2;X_LL为X的低频分量;X_LH、X_HL、X_HH分别为其不同频率的高频分量。

由于式(1)中形成了一个标准正交基,则逆小波变换(inverse wavelet transform,IWT)可以通过转置卷积实现,其计算公式为

(6)

$\begin{array}{l}X=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}-\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}\left(\right[{f}_{LL},{f}_{LH},{f}_{HL},{f}_{HH}],\\ [{X}_{LL},{X}_{LH},{X}_{HL},{X}_{HH}])\end{array}$

式(6)中:Conv-trans为转置卷积操作。

在完成一次小波分解后,获得了数据中的低频分量(X_LL)以及若干高频分量(X_LH,X_HL,X_HH),可对低频分量递归应用相同的分解过程,从而形成多层级的小波分解,其计算公式为

(7)

${X}_{LL}^{\left(\mathrm{i}\right)},{X}_{LH}^{\left(\mathrm{i}\right)},{X}_{HL}^{\left(\mathrm{i}\right)},{X}_{HH}^{\left(\mathrm{i}\right)}=\mathrm{W}\mathrm{T}\left[{X}_{LL}^{(\mathrm{i}-1)}\right]$

式(7)中:

${X}_{LL}^{\left(0\right)}$

为最初始(第0级)的低频分量,即对原始数据执行小波分解后得到的初始低频分量;当i>0时,

${X}_{LL}^{\left(\mathrm{i}\right)}$

为在第i-1级分解得到的低频分量基础上再次分解而产生的新一层级的低频分量。

1.3 SA-GRU模块

针对GRU在瓦斯浓度预测中稳定性和表达能力不足的问题,设计改进的SA-GRU模块。SA-GRU在结构中引入层归一化和Dropout层,以缓解梯度不稳定并抑制过拟合,从而提升了模型收敛速度与泛化能力。此外,SA-GRU在顶层融合MHA机制,通过可学习的全局查询向量,聚合关键信息和并行建模不同子空间,进一步增强了长程依赖和局部动态特征的捕捉能力。GRU与SA-GRU模块结构分别如图3、图4所示。

假设经WTConv模块处理的瓦斯浓度数据为

$X\text{'}=\{x\text{'}{}_{1},x\text{'}{}_{2},\dots,x\text{'}{}_{t}\},$

在每一层GRU中,输入序列与前一层的隐藏状态共同作用,计算当前时刻的隐藏状态,计算公式为

(8)

${z}_{t}=\sigma ({W}_{z}{x}_{t}+{U}_{z}{h}_{\mathrm{t}-1}+{b}_{z})$

(9)

${u}_{t}=\sigma ({W}_{r}{x}_{t}+{U}_{r}{h}_{\mathrm{t}-1}+{b}_{r})$

(10)

${\hat{h}}_{t}=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}[{W}_{h}{x}_{t}+{U}_{h}({u}_{t}☉{h}_{t-1})+{b}_{h}]$

(11)

${h}_{t}=(1-{z}_{t})☉{h}_{\mathrm{t}-1}+{z}_{t}☉{\hat{h}}_{t}$

式中:x_t为当前时刻的输入;h_t为当前时刻的隐藏状态;z_t为更新门;u_t为重置门;

${\hat{h}}_{t}$

为候选隐藏状态;σ为激活函数;☉为逐元素乘法;W_z、W_r、W_h为输入权重矩阵;U_z、U_r、U_h为隐藏状态权重矩阵;b_z、b_r、b_h为偏置项。

通过多层堆叠,最后一层的隐藏状态

${h}_{t}^{\left(\mathrm{L}\right)}$

就是对当前时刻瓦斯浓度数据的表示。在每一层GRU输出之后,应用层归一化和Dropout层,计算公式为

(12)${\hat{h}}_{t}^{\left(l\right)}$=LN[${h}_{t}^{\left(l\right)}$]=$\frac{{h}_{t}^{\left(l\right)}-{\mu }^{\left(l\right)}}{{\sigma }^{\left(l\right)}}$☉γ⁽^l⁾+β⁽^l⁾

式(12)中:

${\hat{h}}_{t}^{\left(l\right)}$

为归一化后的隐藏状态;LN为归一化操作;μ^(l)、σ^(l)分别为第l层的均值和标准差;γ^(l)、β^(l)分别为可学习的缩放和偏置参数;☉为逐元素乘法。

为了从整个时序序列中提取全局信息,在SA-GRU模块的最后引入多头注意力机制。通过一个可学习的全局查询向量

$q\in {\mathrm{R}}^{{H}_{\mathrm{L}}}$

和由GRU模块输出的键值对

$K,V\in {\mathrm{R}}^{T\times {d}_{\mathrm{h}}}$

进行注意力计算(T为时间步长度),其计算公式为

(13)

${Q}^{\left(m\right)}=q{W}_{Q}^{\left(m\right)}\in {\mathrm{R}}^{1\times {d}_{\mathrm{h}}}$

(14)

${K}^{\left(m\right)}=\hat{H}{W}_{K}^{\left(m\right)}\in {\mathrm{R}}^{T\times {d}_{\mathrm{h}}}$

(15)

${V}^{\left(m\right)}=\hat{H}{W}_{V}^{\left(m\right)}\in {\mathrm{R}}^{T\times {d}_{\mathrm{h}}}$

式中:

$q\in {\mathrm{R}}^{{H}_{\mathrm{L}}}$

为全局查询向量,每个头使用相同的查询;

${W}_{Q}^{\left(m\right)}、{W}_{K}^{\left(m\right)}、{W}_{V}^{\left(m\right)}$

分别为查询、键和值的投影矩阵;d_h为每个头的维度;H_L为隐藏状态维度;m为注意力头的数量;

$\hat{H}$

为SA-GRU模块输出的隐藏状态序列。

接下来计算注意力得分,其计算公式为

(16)

${A}^{\left(m\right)}=\frac{{Q}^{\left(m\right)}{K}^{\left(m\right)\mathrm{T}}}{\sqrt{{d}_{\mathrm{h}}}}$

式(16)中:A^(m)为注意力得分矩阵,表示查询Q、K的相似度;K^(m)T为键矩阵的转置。

然后计算注意力权重,其计算公式为

(17)

${\alpha }^{\left(m\right)}=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left[{A}^{\left(m\right)}\right]$

式(17)中:α^(m)为注意力权重,通过对注意力得分A^(m)进行softmax操作得到。

最终加权及多头注意力的表达式分别为

(18)

${c}^{\left(m\right)}={\alpha }^{\left(m\right)}{V}^{\left(m\right)}$

(19)

$c=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}[{c}^{\left(1\right)},{c}^{\left(2\right)},\dots,{c}^{\left(m\right)}]{W}_{O}\in {\mathrm{R}}^{1\times {H}_{\mathrm{L}}}$

式中:c^(m)为加权后的上下文表示,通过注意力权重α^(m)对值向量V^(m)进行加权得到;c⁽¹⁾,c⁽²⁾,…,c⁽^m⁾为每个注意力头的加权表示;Concat为将所有注意力头的输出拼接;W_O为输出投影矩阵,将拼接后的表示映射到最终的隐藏维度H_L。

最终将多头注意力的输出映射到全连接层,并传递到下一个模块,其计算公式为

(20)

$y=cW+b$

式(20)中:W为输出层的权重矩阵;b为偏置项。

SA-GRU模块在保持GRU结构简洁性的同时,有效弥补了其在训练稳定性和全局信息捕捉方面的不足,为复杂非平稳序列的预测提供了更稳健且更具解释性的单元。

1.4 ASB模块

针对现有模型通常依赖时域特征,难以有效捕捉长短期依赖关系且对噪声敏感,从而影响预测准确性和鲁棒性,采用ASB模块^[24]。ASB模块结构如图5所示。

首先使用快速傅里叶变换(fast Fourier transform,FFT)将GRU模块输出的瓦斯浓度序列数据从时域映射到频域,对SA-GRU模块的输出

$X″=\{x″{}_{1},x″{}_{2},\dots,x″{}_{t}\}$

进行一维FFT运算,可得到其在频域中的表示F,其计算公式为

(21)

$F=\mathrm{F}\mathrm{F}\mathrm{T}[X″]\in {\mathrm{C}}^{C\times L\text{'}}$

式(21)中:FFT[·]为一维FFT运算,是频域中的变换序列长度;C^C×L'表示F属于复数域;C为特征通道数;L'为变换后的频域序列长度或频点数。

然后计算F的功率谱

$P={\left|F\right|}^{2},$

用于识别数据中的主要频率成分。同时引入一个可学习的阈值θ,通过自适应阈值化来过滤掉高频噪声成分,得到滤波后的频域表示。F_filtered这种自适应阈值化可以根据不同数据集的特点调整滤波强度,提高模型的泛化能力,其计算公式为

(22)

${F}_{\mathrm{f}\mathrm{i}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{e}\mathrm{d}}=F☉(P>\theta )$

式(22)中:☉为逐元素乘法,且(P>θ)是二进制掩码。

在自适应频谱块(ASB)中,针对输入数据的频域表示形式同时引入两组可学习的频域滤波器W_G和W_L,以实现多层次的频率特征增强与整合。其中,W_G作为全局滤波器,作用于整个频谱范围,其计算公式为

(23)

${F}_{\mathrm{G}}={W}_{\mathrm{G}}☉F$

式(23)中:W_G为全局滤波器;F为在频域中的表示;☉为逐元素乘法。

而W_L则为局部滤波器,侧重对特定频段进行精细化加权处理,其计算公式为

(24)

${F}_{\mathrm{L}}={W}_{\mathrm{L}}☉{F}_{\mathrm{f}\mathrm{i}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{e}\mathrm{d}}$

式(24)中:W_L为可学习的局部滤波器;☉为逐元素乘法;F_filtered为阈值滤波后的谱。

然后,利用式(26)将两组滤波结果相加,即可得到最终增强的频域特征F_integrated。

(25)

${F}_{\mathrm{i}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{g}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}={F}_{\mathrm{G}}+{F}_{\mathrm{L}}$

式(25)中:F_G和F_L分别为全局增强谱和局部增强频谱。

最后,通过逆快速傅里叶变换(inverse fast Fourier transform,IFFT)将增强后的频域特征F_integrated映射回时域,得到强化后的瓦斯序列表示X‴,其计算公式为

(26)

$X‴=\mathrm{F}\mathrm{F}{\mathrm{T}}^{-1}\left[{F}_{\mathrm{i}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{g}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}\right]\in {\mathrm{R}}^{C\times p\text{'}}$

式(26)中:FFT^-1[·]为逆快速傅里叶变换;p'为经IFFT变换后得到的时域序列长度。

此时,X‴已蕴含了多重频域优化和融合的信息,为后续的线性层提供了更精确且鲁棒的特征输入,从而提升瓦斯浓度预测结果的准确性和稳定性。

2 实验数据与实验设计

2.1 数据集构建

为验证模型预测结果的可靠性,选取山西某矿JW1315综采工作面的瓦斯浓度监测数据作为实验数据。该矿采煤层为3#煤层,稳定性良好,无夹矸,煤层厚度为4.50~5.10 m,平均厚度为4.80 m;倾角范围为0°~10°,平均为4°~5°。煤层呈黑色,条痕灰黑色,具明显层状和块状结构,煤质为光亮型煤。JW1315综采工作面瓦斯原始含量为8.07~12.00 m³/t,瓦斯压力为0.57~0.61MPa,涌出量为2.0 m³/min,二氧化碳涌出量为0.35 m³/min,未检测到硫化氢等有毒气体,且无煤与瓦斯突出危险。

采集该工作面2025年4月19日00:00—4月25日09:21共计13 045条瓦斯浓度关联数据,采样周期为20 s,数据无缺失或异常值。监测点共设7个,分别为:工作面瓦斯(X₁)、抽采泵站栅栏外瓦斯(X₂)、切眼5500-1#钻机下风侧瓦斯(X₃)、上隅角瓦斯(X₄)、回风联络巷3#水仓瓦斯(X₅)、切眼5500-2#钻机下风侧瓦斯(X₆)。

将6个监测点的瓦斯浓度序列共同作为模型输入,记为X={X₁,X₂,X₃,X₄}。其中,工作面监测点X₁在预警中更具安全监测意义,因此将其作为预测目标,模型输出为预测时刻的瓦斯浓度X'₁。

然后,对采集到的瓦斯数据采用Min-Max标准化方法进行统一量纲。Min-Max标准化公式为

(27)

${X}_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}=\frac{X-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(27)中:X为原始数据;X_min为该原始数据的最小数据值;X_max为该原始数据的最大数据值;X_norm为归一化后的数据值。

2.2 实验对比模型及评价指标

选择基于Linear、Dlinear、LSTM、BiLSTM、GRU、BiGRU、iTransformer、Informer、MHA-BiGRU模型共9种预测方法作为实验对比方法。

为验证预测方法的有效性,采用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)和决定系数(R²)三项指标,其计算公式分别为

(28)

$\mathrm{M}\mathrm{A}\mathrm{E}=\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left|\frac{{\widehat{y}}_{i}-{y}_{i}}{\widehat{{\dot{y}}_{i}}}\right|$

(29)

$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\widehat{y}}_{i}{)}^{2}}$

(30)

${R}^{2}=1-\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\widehat{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\stackrel{-}{y}}_{i}{)}^{2}}$

式中:n为瓦斯浓度总数量;y_i为第i个瓦斯浓度数据的真实值;

${\widehat{y}}_{i}$

为第i个瓦斯浓度数据的预测值;

${\stackrel{-}{y}}_{i}$

为瓦斯真实数据的平均值。

2.3 实验超参数设置

通过多次实验,表1列出了训练效果最佳的超参数值。

3 实验验证

3.1 对比实验

TFSA-Net模型与对比模型的实验结果如表2所示。

由表2可知,线性模型LDlinear表现最差,MAE为0.011 691,RMSE为0.018 155,R²为0.893 5。虽然Nlinear模型表现较为平衡,但仍不及多数循环神经网络模型,表明线性模型在捕捉数据中的复杂非线性特征方面存在显著不足。

相比之下,LSTM和GRU等循环神经网络模型在一定程度上提高了预测精度。基于Transformer架构的模型的Crossformer和Informer在本次实验中表现各异。Informer的MAE为0.007 789,RMSE为0.015 161,R²为0.925 7,而Crossformer则取得了更优的性能,MAE为0.007 037,RMSE为0.012 897,R²达到0.946 3。这表明Transformer类模型在处理时序数据时具有较强的捕捉能力,能够有效提升预测精度。

在所有对比模型中,TFSA-Net模型表现最佳,MAE仅为0.006 608,RMSE为0.011 541,R²高达0.957 0。相较于基线GRU模型,TFSA-Net模型在MAE上降低了约37.34%,在RMSE上减少了约32.35%,同时R²也提升了约5.62%。这表明TFSA-Net模型在捕捉时间序列中的潜在模式和非线性特征方面具有更高的敏感性和准确性。

为更直观地展现本文模型的预测精度,选取具有代表性的Crossformer、Nlinear、MHA-BiGRU作为对比模型进行预测曲线对比,如图6所示。

综合来看,TFSA-Net模型不仅在误差指标上优于对比模型,还在解释变量与目标变量之间的方差解释能力上表现出色,验证了其在处理复杂时序数据中的有效性和稳定性。这些结果充分证明了所提模型在时序预测任务中的优越性,并验证了模型结构设计的有效性。

3.2 消融实验

在3.1节的实验中,通过与已有的瓦斯预测模型对比,验证了TFSA-Net模型的有效性。为进一步分析方法中各模块的贡献,进行消融实验。通过逐步移除或替换模型中的特定模块,评估不同模块对模型整体性能的影响,实验结果如表3所示。

从表3所示的消融实验可以看出,WTConv和ASB等关键模块在基于SA-GRU的框架上对模型性能提升具有决定性作用。在仅使用SA-GRU时,模型已具备一定的时序依赖学习能力;当引入WTConv模块后,MAE和RMSE显著降低,R²明显提升,表明多尺度特征提取对于捕捉瓦斯浓度的时序特征至关重要;进一步加入ASB模块后,模型精度达到最优,说明ASB在频域特征优化方面发挥了关键作用。相反,当用CTRGC模块替代WTConv或移除WTConv模块时,模型预测性能显著下滑;同样,将ASB模块替换为DAB模块或移除ASB模块也导致预测精度下降。结果表明,WTConv、SA-GRU与ASB的协同作用及其不可或缺性,充分验证了本文模型结构设计在瓦斯浓度预测任务中的有效性与先进性。

3.3 工程验证

为验证模型在实际应用场景中的有效性,开展了工程实证研究。还以山西某煤矿一盘区JW1315综采工作面为测试地点,试验时间为2025年6月28日12:49—6月30日23:59,采样周期20 s。在此期间,共验证了5 207条监测数据,验证结果如表4所示。

从表4展示的工程验证结果可以明显看出,相较于NLinear等对比模型,所提出的TFSA-Net模型在实际工作面的瓦斯浓度预测任务中表现出了明显的性能优势,其MAE、RMSE仅分别为0.001 357、0.002 279,且R²为0.96,在对比模型中最优。

以上结果表明,TFSA-Net模型不仅在理论实验中具备优秀性能,也能够在复杂、真实的工程环境中具有较好的预测准确性和稳健性,具备显著的实际工程应用价值。

4 结论

针对现有瓦斯浓度预测模型在处理复杂时序信号时仍存在多尺度特征提取不足、时频信息利用不充分、对长程依赖及关键时刻的捕获能力有限,同时频域特征增强机制缺乏等问题,提出了基于TFSA-Net的工作面瓦斯浓度预测模型。通过设计多组实验,对所提模型进行了系统验证,得出如下主要结论。

(1)TFSA-Net瓦斯浓度预测模型结合了WTConv模块的多尺度时频特征提取、SA-GRU模块的长程依赖表征与注意力增强,以及ASB模块的频域特征提升与噪声抑制优势,在复杂生产环境中保持高精度,满足煤矿生产的实时性与可靠性需求。

(2)在实际煤矿数据上的实验结果表明,TFSA-Net瓦斯浓度预测模型相较NLinear等9种模型精度更高。与9种对比模型相比,MAE降低幅度在6.09%~43.47%,RMSE降低幅度在5.42%~36.45%,R²提升幅度在5.09%~5.6%。与基准模型GRU相比,MAE降低约37.34%,RMSE降低约32.35%,R²提升约5.62%。

(3)TFSA-Net模型在实际工程项目中也取得了较好的效果,后续研究将进一步验证不同场景下的工程实际需求。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	李国富, 李超, 张碧川, 等. 我国煤矿瓦斯抽采与利用发展历程、技术进展及展望[J]. 煤田地质与勘探, 2025, 53(1): 77-91.

[2]	Li Guofu, Li Chao, Zhang Bichuan, et al. Gas drainage and utilization in coal mines in China: history, technological advances, and prospects[J]. Coal Geology & Exploration, 2025, 53(1): 77-91.

[3]	张建国, 王文唱, 魏风清, 等. 基于频谱声学方法的深部掘进工作面瓦斯浓度预测研究[J]. 矿业科学学报, 2025, 10(5): 821-833.

[4]	Zhang Jianguo, Wang Wenchang, Wei Fengqing, et al. Prediction of gas concentration in deep heading face based on the frequency spectrum acoustic method[J]. Journal of Mining Science and Technology, 2025, 10(5): 821-833.

[5]	付华, 付昱, 赵俊程, 等. 基于KPCA-ARIMA算法的瓦斯涌出量预测[J]. 辽宁工程技术大学学报(自然科学版), 2022, 41(5): 406-412.

[6]	Fu Hua, Fu Yu, Zhao Juncheng, et al. Prediction of gas emission based on KPCA-ARIMA algorithm[J]. Journal of Liaoning Technical University (Natural Science), 2022, 41(5): 406-412.

[7]	王建辉, 王福军, 陈文, 等. 基于特征衍生和机器学习的煤层瓦斯含量影响因素[J]. 科学技术与工程, 2025, 25(23): 9748-9758.

[8]	Wang Jianhui, Wang Fujun, Chen Wen, et al. Research on influencing factors of coal seam gas content based on feature derivation and machine learning[J]. Science Technology and Engineering, 2025, 25(23): 9748-9758.

[9]	乔威豪, 安葳鹏, 赵雪菡, 等. 非均衡样本下基于GRA-BSMOTE-RF的瓦斯突出预测[J]. 煤炭技术, 2024, 43(2): 121-125.

[10]	Qiao Weihao, An Weipeng, Zhao Xuehan, et al. Gas Prominence prediction based on GRA-BSMOTE-RF under unbalanced samples[J]. Coal Technology, 2024, 43(2): 121-125.

[11]	周旭, 杨佳鹏, 俎毓伟, 等. 基于NMF-HGS-RF的瓦斯涌出量预测研究[J]. 矿业安全与环保, 2023, 50(3): 117-123.

[12]	Zhou Xu, Yang Jiapeng, Zu Yuwei, et al. Gas emission prediction based on NMF-HGS-RF[J]. Mining Safety & Environmental Protection, 2023, 50(3): 117-123.

[13]	杨宝琳, 刘杰, 娄来宗. 基于粒子群算法优化BP神经网络及SVM的瓦斯超限预测预警方法[J]. 科学技术与工程, 2025, 25(26): 11098-11106.

[14]	Yang Baolin, Liu Jie, Lou Laizong. A prediction and early warning method for gas overrun based on PSO optimized BP neural network and SVM[J]. Science Technology and Engineering, 2025, 25(26): 11098-11106

[15]	秦岩, 盛武. 基于PCA-GRU-SVM模型的多参量煤矿瓦斯浓度预测及预警研究[J]. 安全与环境工程, 2023, 30(6): 81-88.

[16]	Qin Yan, Sheng Wu. Research on multi-parameter coal mine gas concentration prediction and early warning based on PCA-GRU-SVM model[J]. Safety and Environmental Engineering, 2023, 30(6): 81-88.

[17]	王琳, 周捷, 林海飞, 等. 基于Stacking集成模型的煤层瓦斯含量预测研究[J]. 煤炭工程, 2024, 56(4): 125-132.

[18]	Wang Lin, Zhou Jie, Lin Haifei, et al. Coal seam gas content prediction based on Stacking integrated model[J]. Coal Engineering, 2024, 56(4): 125-132.

[19]	罗志强, 翟昊, 佟佳俊. 基于多特征和XGBoost算法的煤矿瓦斯浓度预测[J]. 中国矿业, 2024, 33(S1): 359-363, 370.

[20]	Luo Zhiqiang, Zhai Hao, Tong Jiajun. Incorporating multi-featuresand XGBoost algorithm for gas concentration prediction[J]. China Mining Magazine, 2024, 33(S1): 359-363, 370.

[21]	吕建立. 基于RNN算法的煤矿井下瓦斯浓度预测研究[J]. 能源与环保, 2023, 45(9): 84-87.

[22]	Lü Jianli. Study on prediction of gas concentration in coal mine underground based on RNN algorithm[J]. China Energy and Environmental Protection, 2023, 45(9): 84-87.

[23]	刘海东, 李星诚, 张文豪. 改进Adam优化器在瓦斯涌出量预测中的应用研究[J]. 工矿自动化, 2023, 49(12): 25-32.

[24]	Liu Haidong, Li Xingcheng, Zhang Wenhao. Research on the application of improved Adam training optimizer ingas emission prediction[J]. Journal of Mine Automation, 2023, 49(12): 25-32.

[25]	兰永青, 乔元栋, 程虹铭, 等. 基于SSA-LSTM的瓦斯浓度预测模型[J]. 工矿自动化, 2024, 50(2): 90-97.

[26]	Lan Yongqing, Qiao Yuandong, Cheng Hongming, et al. Gas concentration prediction model based on SSA-LSTM[J]. Journal of Mine Automation, 2024, 50(2): 90-97.

[27]	杨俊辉, 苗常盛, 张继达, 等. 基于低浓度瓦斯直流氧化系统主管瓦斯浓度自适应预测[J]. 科学技术与工程, 2025, 25(24): 10182-10192.

[28]	Yang Junhui, Miao Changsheng, Zhang Jida, et al. Adaptive prediction of main gas concentration based on low-concentration gas direct current oxidation system[J]. Science Technology and Engineering, 2025, 25(24): 10182-10192.

[29]	王向前, 王琴, 徐宁可. 基于GRU与非参数核密度估计的煤矿工作面瓦斯浓度区间预测模型[J]. 矿业安全与环保, 2025, 52(5): 8-15.

[30]	Wang Xiangqian, Wang Qin, Xu Ningke. Prediction model of coal mine face gas concentration interval based on GRU and non-parametric kernel density estimation[J]. Mining Safety & Environmental Protection, 2025, 52(5): 8-15.

[31]	秦嘉欣, 葛淑伟, 龙凤琪, 等. 基于GCN-GRU的瓦斯浓度时空分布预测[J]. 工矿自动化, 2023, 49(5): 82-89, 111.

[32]	Qin Jiaxin, Ge Shuwei, Long Fengqi, et al. Spatiotemporal distribution prediction of gas concentration based on GCN-GRU[J]. Journal of Mine Automation, 2023, 49(5): 82-89, 111.

[33]	盛武, 樊斌斌. EMD-GRU组合模型在煤矿瓦斯体积分数预测中的应用[J]. 安全与环境学报, 2025, 25(4): 1339-1348.

[34]	Sheng Wu, Fan Binbin. Application of the EMD GRU combined model for predicting gas volume fraction in coal mines[J]. Journal of Safety and Environment, 2025, 25(4): 1339-1348.

[35]	解恒星, 张雄, 董锦洋, 等. 基于CNN-BiLSTM的矿井瓦斯涌出量预测模型[J]. 中国安全生产科学技术, 2024, 20(11): 53-59.

[36]	Xie Hengxing, Zhang Xiong, Dong Jinyang, et al. Prediction model of mine gas emission based on CNN-BiLSTM[J]. Journal of Safety Science and Technology, 2024, 20(11): 53-59.

[37]	荣统瑞, 侯恩科, 夏冰冰. 基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究[J]. 煤矿安全, 2024, 55(5): 83-92.

[38]	Rong Tongrui, Hou Enke, Xia Bingbing. Research on prediction method of coal mining face gas outflow based on quadratic decomposition and BO-BiLSTM combination model[J]. Safety in Coal Mines, 2024, 55(5): 83-92.

[39]	李玉鹏, 贾澎涛, 刘平, 等. 基于MHA-BiGRU的工作面瓦斯浓度预测模型[J]. 中国矿业, 2024, 33(12): 180-188.

[40]	Li Yupeng, Jia Pengtao, Liu Ping, et al. A gas concentration prediction model for working faces based on MHA-BiGRU[J]. China Mining Magazine, 2024, 33(12): 180-188.

[41]	胡青松, 郑硕, 李世银, 等. 基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法[J]. 煤炭科学技术, 2024, 52(S2): 321-330.

[42]	Hu Qingsong, Zheng Shuo, Li Shiyin. An intelligent prediction method of gas concentration in coal mines based onimproved TCN TimeGAN[J]. Coal Science and Technology, 2024, 52(S2): 321-330.

[43]	温廷新, 陈思宇. 基于IAPSO-Holt-TCN的时序瓦斯浓度预测模型[J]. 中国安全生产科学技术, 2023, 19(7): 57-62.

[44]	Wen Tingxin, Chen Siyu. Prediction model of time series gas concentration based on IAPSO-Holt-TCN[J]. Journal of Safety Science and Technology, 2023, 19(7): 57-62.

[45]	Shahaf E F, Roy A, Eran T, et al. Wavelet convolutions for large receptive fields[C]// European Conference on Computer Vision. Cham: Springer. 2025: 363-380.

[46]	Emadeldeen E, Mohamed R, Chen Z H, et al. TSLANet: rethinking transformers for time series representation learning[C]// Proceedings of the 41st International Conference on Machine Learning. Cambridge, MA: PMLR, 2024: 12409-12428.