lstm预测模型_基于LSTM和ED的气体预测模型

一、论文简介

这是2020年北大团队发表于Process Safety and Environmental Protection的一篇文章

  论文名：LSTM Based Encoder-Decoder for Short-Term Predictions of Gas        Concentration using Multi-Sensor Fusion

论文链接：https://doi.org/10.1016/j.psep.2020.02.021

二、论文理解

1.1 摘要 

 煤气是煤矿中煤的最危险的副产品之一。在气体事故发生前，可以观察到气体浓度异常增加。因此，预测矿井瓦斯浓度对预防瓦斯事故，保障矿井安全生产具有重要意义。本文通过计算不同传感器瓦斯浓度的皮尔逊相关系数，验证了各掘进工作面监测瓦斯浓度的空间相关性，然后通过实验给出了基于ARMA模型、CHAOS模型和Encoder-Decoder model (single-sensor andmulti-sensor)的气体浓度时间序列的多步预测结果，并对这些结果进行了比较。

1.2 创新点 

• Deep learning is applied to gas concentration prediction.

•  Fusion of multi-sensor data at different locations.

• High accuracy gas concentration prediction on multiple time scales.

1.3 相关工作

采煤工作面是矿山的主要生产区域。在瓦斯丰富的煤矿开采过程中，煤中释放出大量气体进入气流。为了准确判断瓦斯浓度，有效预防瓦斯事故的发生，研究者们进行了深入研究，并取得了许多有价值的结果。

• 排放规律    通过对瓦斯涌出规律的研究，建立了不同气源的瓦斯涌出本构方程。(大量参数需要确定)

• 数值模拟    甲烷在煤内的运移满足达西定律和扩散定律。为了确定采煤工作面瓦斯运移规律，建立了采煤工作面瓦斯流动方程和瓦斯扩散与运移方程，通过建立工作面模型，进行了大量数值模拟。(模拟建立在了理想条件假设之上)

• 统计方法/机器学习方法     CHAOS模型, ARMA(短期), 支持向量机 (小样本) 。此类方法依赖于特征工程，而且缺乏传感器之间的数据融合。

• 深度学习方法    提取数据时空特征，实时分析

2.1 Gas Sources in the Mining Face

 瓦斯煤矿工作面在生产过程中产生大量瓦斯涌出。瓦斯的来源主要有落煤、煤壁、采空区和邻近地层，不同的气源遵循不同的气体排放规律。

3. 1 Temporal Feature

提取当前读数，一阶差分值，周期读数，周期一阶差分值，窗口统计量和残差量作为时间特征。

3.2 Spatial Topological Characteristics

不同区域的传感器峰值之间存在一定延迟。

下图为煤矿工作面的示意图：

通过皮尔逊相关系数计算，得到四个传感器之间的方向如fig.3(d)所示：

同时根据工作面示意图得到空气流动的方向图，结合两图得到最后的方向图。

因此，在预测某测点气体浓度时，提取与测点有关的其他数据作为空间拓扑特征输入模型。该模型避免了将所有的测量数据作为输入，在考虑空间关系的同时，同时降低了训练成本和模型的复杂性。

4.1 Long-Short Term Memory(LSTM)

4.2 LSTM Encoder-Decoder Architecture

4.3 Spatiotemporal memory flow

在多步预测过程中，对于之前的一些时间步长p实际气体浓度数据可能不存在，因此需要使用预测值来填充这些缺失值。

LOSS函数为：

b is the batch size, n is the prediction step, t is the current time, y is the real gas concentration value, and yˆ is the predicated gas concentration value

5.1 Data

为了训练稳定，防止模型权重偏差过大，使用一阶差分值进行训练。

5.2 Data Sampling

单样本随机抽样：随机选择一个时间，根据时间t进行 (t - p、t + n)的顺序采样。

批抽样:使用单一样本抽样方法,没有回放的抽样b次

Epoch采样:不断进行批量采样(不含回放采样)。当采样的时间点集合覆盖预定义的有效时间点集合时，采样就完成了。

5.3 Prediction Experiment

单传感器预测：在气体浓度的多时间步长预测方面，ED模型优于ARMA模型和CHAOS模型。虽然三种模型的预测误差都随着时间步长的增加而增加，但ED模型的预测误差的增加明显小于ARMA模型和CHAOS模型。

多传感器预测：多传感器信息融合可以有效提高ED模型的预测精度。

三、论文思考

1. 瓦斯预测具有重要应用意义。

   生产：当瓦斯浓度超限时，开采作业就会出现中断，制约了生产效率。因此，实时预测瓦斯浓度，提前采取降低采煤机转速、增加风量等措施，可以有效保证工作面的连续生产。

   异常检测：通过对瓦斯浓度的精确预测，和真实数据对比，可以发现异常点或者异常序列。

   相关数据研究：瓦斯数据和煤炭开采量具有一定关联性，是否可以通过融合诸如煤炭产量，人数等数据，进行一些煤炭开采管理方面的研究。

2. 本文通过皮尔逊相关系数，对瓦斯预测具有空间依赖性进行了证明，但是在空间信息的融合上缺乏具体的说明，对所得的空间拓扑结构应用缺乏进一步解释。本文采用基于LSTM的ED模型对气体浓度进行预测，充分应用了NLP领域成功的模型，其他模型是否也具有应用性？本文虽然采用了深度学习方法，但是过程中依旧依赖人为特征的选择(空间特征的提取)，因此在处理具有时空特性的多传感器数据时，ConLSTM,ST-CNN,ST-GNN等时空深度学习模型是否可以更好的完成这个任务。