在煤矿事故中，瓦斯超限是影响矿井安全生产的主要因素之一。目前瓦斯超限预警方法存在不能充分考虑人为因素、管理因素的影响等问题，为保证煤矿综采面安全生产，实现煤矿瓦斯“零超限”目标，本文采用理论分析和实例验证相结合的研究手段，以陕西黄陵二号煤矿211综采工作面瓦斯为研究对象，基于危险源辨识、层次分析法、知识元模型和模糊专家系统等理论，对瓦斯超限指标及定性定量指标综合预警方法进行了完善与应用。

为了发挥人为因素、管理因素在瓦斯超限过程中产生的影响作用，本文将共性知识元模型思想应用到构建煤矿瓦斯超限预警指标体系方面，基于情景理论与知识元模型建立了瓦斯超限系统情景知识元模型。 通过三类危险源理论，分析211综采工作面瓦斯超限危险有害因素，结合知识元理论，建立了瓦斯超限知识元模型。利用层次分析法计算各知识元权重，得到211综采工作面对瓦斯超限影响较大的知识元，分别为安全管理制度执行水平、瓦斯含量、瓦斯超限应急预案执行水平、瓦斯涌出量、安全技术措施执行水平和安全管理制度完善程度等六类定性与定量知识元。

为了将瓦斯超限情景中定性、定量知识元进行综合预警，本文引入模糊专家系统，利用层次分析对影响度较大的6类知识元进行赋权，运用三角形隶属函数进行隶属度计算，形成瓦斯预警规则集，建立了15条211综采工作面瓦斯超限的分级预警规则。判断211综采工作面瓦斯数据与瓦斯超限预警规则的匹配度是否超过阈值，得到预警等级。为了验证基于情景知识元模型预警方法的正确性，本文利用传统BP神经网络预测方法与基于情景知识元模型的预警方法分别对211综采工作面瓦斯超限进行预警，得到的预警结果与实际预警结果进行对比验证。结果表明在10次瓦斯超限预警中，BP神经网络的预警结果存在8次与真实预警结果相同，其预警准确率为80%。而考虑定性因素的瓦斯超限情景知识元预警结果与真实预警结果均相同，在一定程度上瓦斯超限预警准确率为100%。因此考虑定性因素的瓦斯超限情景知识元的瓦斯超限预警方法优于传统BP神经网络的预警方法。

为了将该方法与煤矿智能化建设相匹配，本文设计搭建了基于情景知识元模型的瓦斯超限预警平台。基于MySQL数据库管理系统与Java计算机语言设计实现了瓦斯超限预警系统的知识元管理、规则管理与预警推理计算等重要功能。为测试基于情景知识元瓦斯超限预警平台的可靠性，本文将211综采工作面瓦斯数据导入平台系统，得到1次一级预警，8次二级预警与1次三级预警的预警结果。论文研究的预警方法将为瓦斯灾害防治和智能化预警提供方法指导，有助于进一步推动矿井智能化建设，间接提高煤矿综采工作面安全开采水平。

In coal mine accidents, gas overrun is one of the main factors affecting mine safety. In order to ensure the safe production of coal mines and to achieve the goal of "zero exceedance" of gas in coal mines, this paper adopts a combination of theoretical analysis and case verification to study the gas of 211 coal mines in Shaanxi Huangling No. 2 coal mine. Based on theories such as hazard identification, hierarchical analysis, knowledge meta-modelling and fuzzy expert systems, this paper refines a comprehensive early warning method for gas exceedance indicators and qualitative and quantitative indicators.

In order to bring into play the influence of human factors and management factors in the process of gas exceedance, this paper applies the idea of common knowledge meta-model to the coal mine gas exceedance warning index system, and establishes a situational knowledge meta-model for the gas exceedance system based on scenario theory and knowledge meta-model. Through the three types of hazard source theory, the hazardous and harmful factors of gas overrun at the 211 general mining working face are analysed, and the knowledge meta-model is established by combining the knowledge meta-theory. Using the hierarchical analysis method to calculate the weight of each knowledge element, the knowledge elements that have a greater impact on the gas overrun on the 211 comprehensive mining workface are six types of qualitative and quantitative knowledge elements, including the level of implementation of the safety management system, gas content, the level of implementation of the gas overrun emergency plan, the amount of gas gushing out, the level of implementation of safety technical measures and the degree of perfection of the safety management system.

In order to integrate the qualitative and quantitative knowledge elements in the gas overrun scenario for early warning, this paper introduces a fuzzy expert system, uses hierarchical analysis to assign weights to the six types of knowledge elements with greater influence, uses the triangle affiliation function for affiliation calculation, forms a gas early warning rule set, and establishes 15 hierarchical early warning rules for the gas overrun on the 211 comprehensive mining working face. The matching degree between the gas data and the gas overrun warning rules of 211 header mining face was judged to be above the threshold value, and the warning level was obtained. In order to verify the correctness of the situational knowledge metamodel-based early warning method, this paper uses the traditional BP neural network prediction method and the situational knowledge metamodel-based early warning method to separately warn the gas overruns on the 211 header, and the obtained early warning results are compared with the actual early warning results to verify. The results show that among the 10 warnings of gas overrun, the BP neural network's warning results are the same as the real warning results in 8 times, and its warning accuracy rate is 80%. In contrast, the results of the knowledge element of the gas overrun scenario with qualitative factors were the same as the real warning results, and the accuracy of the gas overrun warning was 100% to a certain extent. Therefore, the knowledge element method of gas overload scenario considering qualitative factors is better than the traditional BP neural network method.

In order to match this method with the intelligent construction of coal mines, this paper designs and builds a gas overrun warning platform based on the situational knowledge element model. Based on the MySQL database management system and Java computer language, the knowledge element management, rule management and early warning inference calculation of the gas overrun warning system are designed and implemented. In order to test the usability of the scenario-based knowledge element gas overrun warning platform, the paper imported 211 general mining face gas data into the platform system and obtained one level 1 warning, eight level 2 warnings and one level 3 warning. The early warning method studied in this paper will provide methodological guidance for gas disaster prevention and intelligent warning, which will help to further promote the intelligent construction of mines and indirectly improve the safe mining level of coal mine comprehensive mining workings.

[1] 金智新, 曹孟涛, 王宏伟. “中等收入”与新“双控”背景下煤炭行业转型发展新机遇[J]. 煤炭科学技术:1-14.

[2] 柴沛, 杨明, 毛俊睿等. 基于数理统计的余吾煤矿瓦斯超限事故发生规律及对策研究[J]. 煤矿安全, 2021, 52(04):189-193+200.

[3] Chu C, Jain R, Muradian N, et al. Statistical analysis of coal mining safety in China with reference to the impact of technology[J]. Journal of the Southern African Institute of Mining and Metallurgy. 2016, 116(01): 73-78.

[4] 杜保平. 煤矿瓦斯超限事故树分析[J]. 煤矿现代化, 2016, 135(06):33-35.

[5] 王国法, 赵国瑞, 任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报, 2019, 44(01):34-41.

[6] 王国法, 王虹, 任怀伟等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报, 2018,43(02):295-305.

[7] 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(05):406-412.

[8] 魏国营, 裴蒙. 基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究[J]. 中国安全生产科学技术, 2019, 15(03):69-74.

[9] 秦玉金, 苏伟伟, 姜文忠等. 我国矿井瓦斯涌出量预测技术研究进展及发展方向[J]. 煤矿安全, 2020, 51(10):52-59.

[10] 刘莹, 杨超宇. 基于多因素的LSTM瓦斯浓度预测模型[J]. 中国安全生产科学技术, 2022, 18(01):108-113.

[11] 赵永芳, 张凌云. 基于集值统计-灰色模糊的煤与瓦斯突出安全评价[J]. 煤炭技术, 2018, 37(10):176-179.

[12] 赵丁, 邵敏, 勾智楠. 模糊综合评价法在瓦斯突出预警系统中的应用[J]. 煤炭技术, 2022, 41(06):147-150.

[13] Lehto MR, Papastavrou JD, Ranney TA, et al. An experimental comparison of conservative versus optimal collision avoidance warning system thresholds[J]. Safety Science, 2000, 36(3): 185-209.

[14] Lin XF, Chen XG, Du Y, Establishment of Accident Risk Early-Warning Macroscopic Model on Ventilation, Gas, Dust and Fire in Coal Mine[J]. Procedia Engineering, 2012, 45: 53-58.

[15] Wang J, Wang E, Yang W, et al. Rock burst monitoring and early warning under uncertainty based on multi-information fusion approach[J]. Measurement, 2022, 205: 112188.

[16] 范京道, 黄玉鑫, 闫振国等. ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究[J]. 工矿自动化, 2022, 48(09):134-139.

[17] 许石青. 两种预测模型在煤层瓦斯抽采量预测中的对比分析[J]. 工业安全与环保, 2018,44(06):17-21.

[18] 侯殿坤, 张雪虎, 梁博帅. 矿井瓦斯涌出量的GM(1,1)新陈代谢模型预测[J]. 煤炭技术,2017, 36(02):137-139.

[19] Cai YD, Wu S, Zhou M. Early Warning of Gas Concentration in Coal Mines Production Based on Probability Density Machine[J]. Sensors, 2021, 21(17): 5730.

[20] 陈茜, 黄连兵. 基于LASSO-LARS的回采工作面瓦斯涌出量预测研究[J]. 煤炭科学技术, 2022, 50(07):171-176.

[21] 李树刚, 马莉, 潘少波等. 基于循环神经网络的煤矿工作面瓦斯浓度预测模型研究[J].煤炭科学技术, 2020, 48(01): 33-38.

[22] 李贤功, 宋学锋, 张明慧等. 矿山安全态势预测预警研究[J]. 工矿自动化, 2021, 47(05): 35-39+111.

[23] 展广涵, 王雨虹, 付华等. 基于变分模态分解与深度集成组合模型的瓦斯涌出量预测[J]. 控制工程:1-12.

[24] 李叙达. 改进灰狼算法优化的机器学习瓦斯浓度预测研究[D]. 辽宁工程技术大学,2022.

[25] 毛俊凯. 基于IWOA-GRU的综采工作面瓦斯浓度监测预警研究[D]. 西安科技大学, 2021.

[26] 林海飞, 刘时豪, 周捷等. 基于STL-EEMD-GA-SVR的采煤工作面瓦斯涌出量预测方法及应用[J]. 煤田地质与勘探, 2022, 50(12): 131-141.

[27] 温廷新, 苏焕博. 基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型[J]. 中国安全生产科学技术, 2022, 18(07):68-74.

[28] 梁运培, 郑梦浩, 李全贵等. 我国煤与瓦斯突出预测与预警研究综述[J]. 煤炭学报:1-24.

[29] Zhang J, Ai Z, Guo L. Research of Synergy Warning System for Gas Outburst Based on Entropy-Weight Bayesian[J]. International Journal of Computational Intelligence Systems, 2021, 14(1): 376-385.

[30] 杨宏伟, 钱志良. 矿井瓦斯超限实时预警技术研究[J]. 煤炭科学技术, 2019, 47(08): 158-163.

[31] 杨军, 宋学锋. 基于ANP方法的煤矿安全生产风险评价[J]. 统计与决策, 2013, 382(10):63-65.

[32] 曾明圣, 施式亮, 鲁义等. 基于免疫机理的瓦斯异常涌出预警[J]. 湖南科技大学学报(自然科学版), 2022, 37(03):14-19.

[33] 张天军, 宋爽, 杨守国等. 工作面煤与瓦斯突出预警系统设计及应用[J]. 煤炭技术,2015, 34(10):125-127.

[34] 杨宏伟, 李海贵, 徐光亮. 成庄矿瓦斯超限及突出预警系统[J]. 煤矿安全, 2016, 47(09):101-103.

[35] 廖巍. 蒋家河煤矿瓦斯灾害预警系统研发[J]. 煤炭技术, 2021, 40(11):128-131.

[36] 张巨峰, 施式亮, 邵淑珍等. 基于动态数据驱动的煤矿瓦斯异常涌出风险预警系统设计[J]. 中国安全生产科学技术, 2022, 18(02):100-105.

[37] You B, Li B, SHI SL, el at. The Research of Coal and Gas Outburst Warning Based on Logistic Regression and Geographic Information Systemp[J]. Shock and vibration, 2021, 5971483.

[38] 温有奎, 焦玉英. 知识元语义链接模型研究[J]. 图书情报工作, 2010, 54(12): 27-31.

[39] 姜永常. 知识融合转化集成多元认知的协同创新机制[J]. 科学学研究, 2018, 36(11):1946-1952+2029.

[40] 高继平,丁堃, 潘云涛等. 知识元研究述评[J]. 情报理论与实践, 2015, 38(07):134-138+133.

[41] 王山. 基于OAVU四元组的数值型知识元表示方法与实践[J]. 现代情报, 2022, 42(08):20-27.

[42] 王延章. 模型管理的知识及其表示方法[J]. 系统工程学报, 2011, 26(06):850-856.

[43] 翟劼, 裘江南. 基于规则的知识元属性抽取方法研究[J]. 情报科学,2016,34(04):43-47.

[44] 陈雪龙, 肖文辉. 面向非常规突发事件演化分析的知识元网络模型及其应用[J]. 大连理工大学学报, 2013, 53(04):615-624..

[45] 陈雪龙, 董恩超, 王延章等. 非常规突发事件应急管理的知识元模型[J]. 情报杂志,2011, 30(12):22-26+17.

[46] 仲秋雁, 郭艳敏, 王宁等. 基于知识元的非常规突发事件情景模型研究[J]. 情报科学, 2012, 30(01):115-120.

[47] 李怀明, 刘娇, 叶鑫. 基于情景的非常规突发事件决策流程生成方法[J]. 系统管理学报, 2015, 24(06):795-805.

[48] 王宁, 郭玮, 黄红雨等. 基于知识元的应急管理案例情景化表示及存储模式研究[J]. 系统工程理论与实践, 2015, 35(11):2939-2949.

[49] 张煜东, 吴乐南, 王水花. 专家系统发展综述[J].计算机工程与应用,2010,46(19):43-47.

[50] Sarabi S, Han Q, DE VRIES B, et al. The Nature-Based Solutions Case-Based System: A hybrid expert system[J]. Journal of Environmental Management, 2022, 324: 116413.

[51] Koravand I, Lotfi MR, Shayannia SA. Providing an Expert System to Manage Energy Consumption in Small- and Medium-Sized Industries Using Soft Computing[J]. Complexity, 2022, 2022: 1-14.

[52] Brzychczy E, Kęsek M, Napieraj A, et al. An expert system for underground coal mine planning[J]. Gospodarka Surowcami Mineralnymi, 2017, 33(2): 113-127.

[53] 卢瑞翔, 苏贺涛, 康宁等. 基于专家决策支持的煤自燃火灾防控系统设计[J]. 武汉理工大学学报(信息与管理工程版), 2020, 42(05):403-408.

[54] 陈鹏, 李凌薇. 神经网络专家系统在采煤机截煤系统故障诊断中的应用[J]. 煤炭技术,2016,35(05):287-289.

[55] Zadeh L A. A note on prototype theory and fuzzy sets[J]. Cognition, 1982, 12(3): 291-297.

[56] Wang LX, Mendel JM. Fuzzy basis functions, universal approximation, and orthogonal least-squares learning[J]. IEEE Transactions on Neural Networks, 1992, 3(5): 807-814.

[57] 刘向杰, 周孝信, 柴天佑. 模糊控制研究的现状与新发展[J]. 信息与控制, 1999(04):283-292.

[58] 翁国庆, 朱双双, 闫翠萍等. 基于模糊专家系统的电能质量治理决策支持系统[J]. 浙江工业大学学报, 2019, 47(02):210-218.

[59] 章壮新, 吴桂义. 煤与瓦斯突出预测模糊专家系统[J]. 贵州工业大学学报(自然科学版), 2001, (03):21-24.

[60] 赵宏展, 徐向东. 危险源的概念辨析[J]. 中国安全科学学报, 2006, (01):65-70.

[61] 吴宗之, 高进东. 重大危险源普查与建立重大事故预防控制体系[J]. 安全与环境学报,2003, (05):59-62.

[62] 田水承, 李红霞, 王莉. 3类危险源与煤矿事故防治[J].煤炭学报, 2006, (06):706-710.

[63] Liu RL, Cheng WM, Yu YB, el at. An impacting factors analysis of miners' unsafe acts based on HFACS-CM and SEM[J]. Process Safety and Environmental Protection, 2019,122: (221-231).

[64] 孙斌, 田水承, 常心坦. 事故风险评价与风险管理模式研究[J]. 中国矿业, 2003, (01):73-75.

[65] 王学琛, 李墨潇, 郭昕耀. 基于组合赋权的煤矿安全生产风险评价分析[J]. 武汉理工大学学报(信息与管理工程版), 2016, 38(05):538-542.

[66] 成连华, 周瑞雪, 严瑾等. 煤矿应急救援能力成熟度评价模型构建及应用[J]. 中国安全科学学报, 2021, 31(07):180-186.

[67] 白彦龙, 李海立, 陈昱等. 基于HFACS的煤矿一般事故人因分析[J]. 煤矿安全, 2021, 52(05):250-255.

[68] 王克, 薛嗣圣, 李贤功. 矿井通风系统失效可能性评价的群决策方法[J]. 矿业研究与开发, 2017, 37(03):98-103.

[69] 张文豪, 贺志宏, 孔婧毓等. 煤层钻孔瓦斯抽采效果影响因素分析[J]. 中国矿业, 2023,32(03):98-102.

[70] 陈静, 曹庆贵, 刘音. 煤矿事故人失误模型及系统动力学分析[J]. 煤矿安全, 2011, 42(05):167-169.

[71] 马瑞. 矿井通风安全的影响因素及事故隐患分析[J]. 中国科技信息, 2020, 632(14):102-103.

[72] 张立志, 施式亮. 基于生物免疫系统的瓦斯异常涌出风险防控体系研究[J]. 煤矿安全,2021, 52(12):251-255.

[73] 周效志, 桑树勋, 谷德忠等. 煤矿井下CO来源辨识与浓度超限原因研究——以内蒙古串草圪旦煤矿为例[J]. 煤炭科学技术, 2021, 49(02):138-144.

[74] 夏润, 王素云, 符飞. 掘进面环境因素与事故数的关联度分析[J]. 陕西煤炭, 2022, 41(01):134-136+140.

[75] 祖丽皮努·木台力甫, 邓慧君, 林昕等. 心理资本、情绪智力对煤矿工人职业倦怠的影响[J]. 职业与健康, 2021, 37(19):2610-2614.

[76] 高培升. 关于煤矿综采工作面上隅角有害气体的治理研究[J]. 科技风, 2015, 259(01):123.

[77] 李建刚, 郝俊信. 应急资本在煤矿事故管理中的应用[J]. 内蒙古煤炭经济, 2020, 297(04):88-89.

[78] 田学刚. 关于煤矿安全管理现状的思考[J]. 内蒙古煤炭经济, 2020, 313(20):115-116.

[79] 段锐. 煤矿安全管理存在的问题及对策分析[J]. 能源与节能, 2021, 191(08):191-192.

[80] 崔雅文, 郭奎超, 李洪宝等. 开展精细化管理落实“三项制度”是实现煤矿安全生产的有效措施[J]. 煤矿安全, 2009, 40(03):114-116.

[81] 孙光裕, 杨付领, 乞朝欣等.贵州省煤矿事故分析及对策研究[J]. 六盘水师范学院学报,2021, 33(02):90-96.

[82] 金炜凯. 煤矿安全态势综合评价研究[D]. 南京财经大学,2021.

[83] 陈卓琳, 罗年学. 基于知识元网络的海上溢油事故情景构建与推演[J]. 测绘与空间地理信息, 2022, 45(09):22-25.

[84] Dong GZ, Zhang WZ, Tan HW, et al. EOM-NPOSESs: Emergency Ontology Model Based on Network Public Opinion Spread Elements[J]. Security and Communication Networks,2021,2021: 9954957.

[85] 姜卉, 黄钧. 罕见重大突发事件应急实时决策中的情景演变[J]. 华中科技大学学报(社会科学版), 2009, 23(01):104-108.

[86] 顾加, 马哲, 朱兴飞等. 基于公共安全三角形理论的某建筑灰空间案例安全分析[J]. 消防科学与技术, 2020, 39(10):1397-1400.

[87] 张承伟, 李建伟, 陈雪龙. 基于知识元的突发事件情景建模[J]. 情报杂志, 2012, 31(07):11-15+43.

[88] 贾楠, 陈永强, 郭旦怀等. 社区风险防范的三角形模型构建及应用[J]. 系统工程理论与实践, 2019, 39(11):2855-2864.

[89] 陈卓琳, 罗年学. 基于知识元网络的海上溢油事故情景构建与推演[J]. 测绘与空间地理信息, 2022, 45(09):22-25.

[90] 郭金玉, 张忠彬, 孙庆云. 层次分析法的研究与应用[J]. 中国安全科学学报,2008, (05):148-153.

[91] 张志强. 基于层次分析法煤矿安全评价体系的建立及应用[J]. 能源与节能, 2022, 196(01):209-210.

[92] 王荣杰, 胡清. 基于知识的故障诊断方法的发展现状与展望[J]. 微计算机信息, 2006(07):218-220.

[93] 刘曙光, 王志宏, 费佩燕等. 模糊控制的发展与展望[J]. 机电工程, 2000(01):9-12.

[94] 戴冠中, 潘泉, 张山鹰等. 证据推理的进展及存在问题[J]. 控制理论与应用, 1999(04):465-469.

[95] 吴晓春. 大数据技术在煤矿安全生产运营管理中的应用[J]. 煤矿安全, 2018, 49(12):239-241

[96] 杨兴, 朱大奇, 桑庆兵. 专家系统研究现状与展望[J]. 计算机应用研究, 2007, 187(05):4-9.

[97] 聂兴信, 高赵祥, 刘哲伟等. 基于组合赋权法-云模型的采矿工作面热湿度风险等级评定[J]. 安全与环境学报, 2022, 22(04):1957-1969.

[98] 邵良杉, 杨金辉. 基于事故表征和案例推理的煤矿瓦斯爆炸预测研究[J]. 安全与环境学报:1-10.

[99] 许雪燕. 模糊综合评价模型的研究及应用[D].西南石油大学,2011.

[100] 邢媛媛, 王恩元, 陈燕文. 基于可变模糊识别理论的煤矿掘进工作面环境评价的研究[J]. 矿业安全与环保, 2019, 46(05):109-113.

[101] 周铭轩, 张渝, 胡社荣. 基于模糊数学的煤矿安全管理评价[J].矿业安全与环保,2017,44(06):116-119+124.

[102] API 581, Risk-based inspection technology[S]. 2016.

[103] 黄亮亮, 姚安林, 鲜涛, 祁云清, 魏沁汝. 考虑脆弱性的油气管道风险评估方法研究[J].中国安全科学学报, 2014, 24(07):93-99.

[104] 景国勋, 陈纪宏. 基于SPA-VFS耦合模型的瓦斯爆炸风险评价[J]. 安全与环境学报:1-11.

[105] Diaz J, Agioutantis Z, Hristopulos DT, et al. Forecasting of methane gas in underground coal mines: univariate versus multivariate time series modeling[J]. Stochastic Environmental Research and Risk Assessment,2023.

[106] 杨宏伟, 钱志良. 矿井瓦斯超限实时预警技术研究[J]. 煤炭科学技术, 2019, 47(08):158-163.

[107] 张磊, 王延章, 陈雪龙. 基于知识元的非常规突发事件情景模糊推演方法[J].系统工程学报, 2016, 31(06):729-738.

[108] 雷丽婷, 蒋常升, 陈振棠等. 模糊贴近度算法在煤矿安全监测WSN系统中的应用[J].时代汽车, 2023, (02):22-25.

[109] 王艳晖, 李国勇, 王炳萱. MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用[J]. 矿业安全与环保, 2016, 43(02):54-58.

[110] He SQ, Song DZ, Mitri H, et al. Integrated rockburst early warning model based on fuzzy comprehensive evaluation method[J]. International Journal of Rock Mechanics and Mining Sciences. 2021,142,104767.

[111] 董洁, 陈海红. 基于云计算的瓦斯浓度安全监测与预警系统设计[J].煤炭技术,2022,41(09):135-137.

[112] 王恩元, 李忠辉, 李保林等. 煤矿瓦斯灾害风险隐患大数据监测预警云平台与应用[J].煤炭科学技术, 2022, 50(01):142-150.

[113] 王雨虹, 王志中, 付华等. 多策略改进麻雀算法与BiLSTM的变压器故障诊断研究[J].仪器仪表学报, 2022, 43(03):87-97.

[114] Wen H, Yan L, Jin YF, et al. Coalbed methane concentration prediction and early-warning in fully mechanized mining face based on deep learning [J]. Energy, 2023, 264: 126208.

[115] 刘锋. 煤矿瓦斯风险态势预测预警研究[D].中国矿业大学,2021.

[116] 肖军, 刘洲洲, 王琳等. 基于NB-IoT和云平台的瓦斯浓度监测与预警系统的研究[J].机床与液压, 2021, 49(06):60-63.

[117] 罗新荣, 杨飞, 康与涛等. 延时煤与瓦斯突出的实时预警理论与应用研究[J]. 中国矿业大学学报, 2008, 161(02):163-166.

[118] Huang YX, Fan YD, Yan ZG, et al. Research on Early Warning for Gas Risks at a Working Face Based on Association Rule Mining[J]. Energies, 2021, 14(21): 6889.

[119] 张瑞庭. 煤矿智能视频预警系统架构及应用场景研究[J].煤炭工程, 2022, 54(10):166-170.

[120] Zhao YF, Tian SC. Hazard identification and early warning system based on stochastic forest algorithm in underground coal mine[J]. Journal of Intelligent & Fuzzy Systems, 2021, 41(01):1193-1202.