Moduł czyszczenia i agregacji danych jako składnik systemu predykcji stężenia gazów w kopalniach węgla kamiennego

• Autorzy: Sikora M. , Krzystanek Z. , Bojko B. , Śpiechowicz K.

Warianty tytułu

EN

Data cleaning and aggregation module as a component of a prediction system for concentration of gases in hard coal mines

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono opracowywany w Centrum EMAG hybrydowy system predykcji stężenia gazów w kopalniach węgla kamiennego, który może być wykorzystany w systemie monitorowania parametrów środowiska w wyrobiskach kopalnianych. Funkcją systemu jest wypracowywanie krótkoterminowych prognoz zmian stężenia metanu na podstawie analizowanych on-line danych metanometrycznych i w razie potrzeby generowanie ostrzeżeń w celu uniknięcia przymusowych, spowodowanych automatycznym wyłączeniem energii, postojów zabezpieczanych przez system metanometryczny obiektów (ścian, przodków). Projektowany system wykorzystuje liniowe i nieliniowe metody prognozy, a w szczególności algorytm M5 zaproponowany przez R. Quinlan.a oraz algorytm predykcji liniowej. Niezbędne do zastosowania tych metod modele matematyczne są opracowywane na podstawie danych historycznych archiwizowanych w bazie danych systemu SMP-NT/A. Omówiono problemy związane z przygotowaniem danych dla procedur tworzących modele predykcyjne oraz przetestowane sposoby ich rozwiązania (eliminacja danych niewiarygodnych, wygładzanie, agregacja). Podano przykłady wyznaczania prognoz z wykorzystaniem metody ex-post.

EN

A hybrid system for prediction of concentration of gases in hard coal mines has been presented at the stage of development at the EMAG Centre. The system may be used in a monitoring system of environmental parameters in mine workings. A function of the system is to work out short-term forecasts of changes in methane concentration on the basis of the methane-metrical data being analysed on-line. If necessary the warnings are generated to avoid forced standstills caused by automatic safety shut-down of the objects protected by the methane monitoring system (longwall faces). In the system to be designed there have been applied the linear and non-linear methods of forecasting and in particular the M5 algorithm proposed by R. Quinlan, and the linear forecast algorithm. The mathematical models which are necessary to apply such methods are developed on the basis of historical data archived in the data base of the SMP-NT/A system. There have been discussed the issues related to preparation of the data for procedures creating prediction models. The methods of solution of those problems have been tested (elimination of incredible data, smoothing the data, aggregation). There have been given examples of forecast determination by using the ex-post method.

Słowa kluczowe

PL

kopalnia węgla kamiennego; system predykcji stężenia gazów; zagrożenia metanowe

EN

hard coal mine; methane hazards; system for prediction of concentration of gases

• Wydawca: Instytut Technik Innowacyjnych EMAG
• Czasopismo: Mechanizacja i Automatyzacja Górnictwa
• Rocznik: 2009
• Tom: R. 47, nr 9
• Strony: 31--38
• Opis fizyczny: Wz., tab., rys.,Bibliogr. 14 poz.,

Twórcy

autor

Sikora M.

autor

Krzystanek Z.

autor

Bojko B.

autor

Śpiechowicz K.

• Centrum Elektryfikacji i Automatyzacji Górnictwa EMAG

Bibliografia

• 1. Box G.E., Jenkins G.M.: Time series analysis: forecasting and control, Prentice Hall, New Jersey, 1994.
• 2. Breiman L., Friedman J.H., Olshen R.A.: C. Stone, Classification and Regresion Trees, Wadsworth, Belmont CA, 1994.
• 3. Czogała E., Łęski J.: Fuzzy and Neuro-Fuzzy Intelligent Systems, Springer-Verlag, Heidelberg, 2000.
• 4. Gralewski K., Krzystanek Z.: Nowe możliwości systemu SMP/NT. Mechanizacja i Automatyzacja Górnictwa, 2004, nr 9, s. 12-19.
• 5. Hayes M.H.: Statistical Digital Signal Processing and Modeling, J.Wiley & Sons, New York, 1996.
• 6. Oh S.K., Park H.S., Pedrycz W.: Rules based multi-FNN identitication with the aid of evolutionary fuzzy granulation. Knowledge-Based Systems, No. 17, 2004, s. 1-13.
• 7. Quinlan R.: Learning with continuous classes. In Proc. of the International Conference on Artiticial Intelligence (AI-92), World Scientific, Singapore, 1992.
• 8. Quinlan R.: Combining instance-based learning and model-based learning. In Proc. of the Tenth International Conference on Machine Learning (ML-93), 1993.
• 9. Salvador S., Chan P.: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, No. 11(5), 2007, s. 561-580.
• 10. Sikora M., Sikora B.: Application of machine learning for prediction a methane concentration in a coal-mine. Archives of Mining, No. 51(4), 2006, s. 475-492.
• 11. Sikora M., Kozielski M.: Hybrid data exploration methods to prediction tasks solving. Archives of Theoretical and Applied Informatics, No. 18(1), 2006, s. 57-73.
• 12. Zadeh L.A.: Fuzzy sets. Information and Control, No. 8, 1965.
• 13. Yager R.R., Filev D.P.: Essential of Fuzzy Modeling and Control, J.Wiley & Sons, New York, 1994.
• 14. Widrow B., Hoff M. E.: Adaptive switching circuits. In IRE WESCON Convention Record, Vol. 4, 1960, s. 96-104.