来源：期刊VIP网 时间：
作者：李永中;陈博;王海山;胡世奇;王攀;郑谐;
单位：国能数智科技开发(北京)有限公司;陕西德源府谷能源有限公司三道沟煤矿;中煤科工集团重庆研究院有限公司;
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VMDLSTM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
基金资助：国家重点研发计划项目(2023YFC2509305);; 重庆市自然科学基金项目(CSTB2023NSCQ-MSX0736)
