胥 良， 宗 铭

(黑龙江科技大学 电气与控制工程学院，哈尔滨150022)

0 引 言

近年，我国由于瓦斯浓度超标引起的重大爆炸事故占总事故的80%左右［1］。煤矿井下环境十分恶劣，随着采掘煤层的深入，瓦斯涌出量加大，造成煤与瓦斯突出，危及煤矿的安全生产。为此，在煤矿开采的过程中，提前对产生的瓦斯浓度进行准确预测，可以有效防止瓦斯爆炸事故的发生，对煤矿的安全生产具有重大的实际意义。

影响煤矿瓦斯浓度的因素主要有开采煤层的深度、厚度、采煤工作面日开采量、煤层瓦斯含量、风速和温度等［2］。目前。神经网络因具有快速的并行处理、非线性映射及自学习能力，在瓦斯浓度预测中得到广泛应用［3］。但煤矿在生产过程中，生产环境随时变化，无法提供某一个地点大量的监测数据，来训练神经网络模型、优化权值，难以达到预期效果。因此，文中利用灰色预测理论小数据建模和神经网络非线性映射能力强的特点［4］，并引入遗传算法，以期实现瓦斯浓度的准确预测。

1 灰色神经网络模型建立

1.1 预测灰色模型

灰色模型可在原始数据处理后，判断具有一般性规律的预测趋势。离散数据通过累加处理，得到较光滑预测曲线，分析各影响因素间的差别和关联［5］。灰色模型是利用现有的少量数据做叠加生成变化量，构建出相关的微分方程，进而分析判断瓦斯浓度预测值。预测灰色模型(prediction grey model，PGM)分为静态和动态模型两种，文中选取的动态PGM 为一个随时间变化而累积产生的单变化量的线性模型。……