基于 VMD-CNN-BiLSTM 的瓦斯浓度预测模型

莘 宇, 陈 果, 宋 佳铃, 周 旭*
华北理工大学应急管理与安全工程学院

摘要

针对煤矿瓦斯浓度时间序列的非平稳特性及多因素耦合影响导致的预测精度不足问题，创新性地提出基于变分模
态分解 - 卷积神经网络 - 双向长短期记忆网络（VMD-CNN-BiLSTM）的混合瓦斯浓度预测模型。以内蒙古某煤矿的瓦
斯浓度数据为基础，采用 VMD 算法对瓦斯浓度时序数据进行多尺度分解，降低非平稳性干扰；运用卷积神经网络（CNN）
提取分解后模态分量的局部时序特征；最后结合 BiLSTM 捕捉序列的前后向依赖关系，利用 BiLSTM 的输出层进行预测，
得到未来短期内的瓦斯浓度值。实验结果表明，该模型在 MSE（4.69E-08）、RMSE（3.77E-05）、MAE（0.000545818）
和 R2（0.9976）等评价指标上表现优异，相较于传统方法，该模型在瓦斯浓度预测中显著提升了预测精度和稳定性，验证
了模型在特征提取、非线性映射和时序建模方面的协同优势，为煤矿安全监测提供了更可靠的智能预警方案。

关键词

瓦斯浓度预测；变分模态分解；卷积神经网络；双向长短期记忆网络

参考

[1] 孙林 , 杨世元 . 基于 LS-SVM 的回采工作面瓦斯涌出

量预测 [J]. 煤炭学报 ,2008,33(12):1377-1380.

[2] 温廷新 , 张波 , 邵良杉 . 煤与瓦斯突出预测的随机森

林模型 [J]. 计算机工程与应用 ,2014,50(10):233-237.

[3] 姚青华 , 邱本花 . 基于改进 BP 神经网络的矿井瓦斯

浓度预测算法 [J]. 煤炭技术 ,2017,36(5):82-184.

[4] 魏涛 .BP 神经网络在煤矿瓦斯安全事故预测中的应

用 [J]. 煤炭技术 ,2023,42(12):165-168.

[5] 刘超 , 雷晨 , 李树刚 , 薛俊华 , 张超 . 基于 CNN-GRU

的瓦斯浓度预测模型及应用 [J]. 中国安全生产科学技术 ,

2022,18(9):62-68.

[6] 秦 辉 辉 , 南 新 元 , 毛 同 一 . 融 合 改 进 的 鱼 鹰

算 法 和 ATT-CNN-LSTM 的 瓦 斯 浓 度 预 测 [J]. 煤 炭 技

术 ,2024,43(09):194-199

[7] 马莉 , 潘少波 , 代新冠 , 宋爽 , 石新莉 . 基于 PSO-

Adam-GRU 的煤矿瓦斯浓度预测模型 [J]. 西安科技大学学报 ,

2020,40(2):363-368.

[8] 兰 海 平 , 张 志 刚 , 徐 再 刚 , 田 祥 贵 , 张 少 超 . 基 于

LSTM 的瓦斯浓度预测与防突预警系统设计 [J]. 矿业安全与

环保 ,2023,50(2):64-70.

[9] 张若楠 , 徐平安 , 周小雨 , 等 . 基于堆 LSTM 的采煤

工作面瓦斯浓度预测方法 [J]. 陕西煤炭 ,2024,43(09):91-94.

[10]Wang Y, Liu F, Jiang Z, et al. Complex variational mode

decomposition for signal processing applications[J]. Mechanical

systems and signal processing, 2017, 86: 75-85.

[11]Lian J, Liu Z, Wang H, et al. Adaptive variational mode

decomposition method for signal processing based on mode

characteristic[J]. Mechanical Systems and Signal Processing,

2018, 107: 53-77