本发明涉及矿井瓦斯突出预测技术领域，尤其涉及一种基于大数据平台的瓦斯突出预测预警方法。
背景技术：
煤炭是我国能源的主体，当前我国煤矿安全生产形势相当严峻，瓦斯突出、煤尘爆炸等安全问题一直制约着我国的煤炭生产，严重威胁着煤矿的安全生产工作。在煤矿五大自然灾害中，煤与瓦斯突出具有极强的破坏性和突发性，它带来的是重大人员伤亡、财产损失、环境破坏等一系列严重后果。因此实现煤矿安全生产的关键之一在于有效的防止煤与瓦斯突出，而防突的关键又在于对有突出危险的煤体进行预测。
虽然我国煤矿企业在规程的强制执行下普遍配备了安全监控系统，也有部分企业在配备安全监控系统的同时配备了安全辅助决策系统，然而现阶段对于煤与瓦斯突出的预测主要是根据监测数据进行区域性预测和日常预测，很少对实时监测数据做后续处理，且人工巡检的大量防突参数数据也未充分利用。同时，传统的煤矿瓦斯突出预测预警平台普遍存在研发成本高、数据的管理、计算容量受限，缺失应有的开放和共享功能等问题。
技术实现要素：
本发明的目的在于提供一种基于大数据平台的瓦斯突出预测预警方法，能够将反映瓦斯浓度的实时监测数据和检测防突数据进行集成分析，运用到煤与瓦斯突出预警，提升煤矿对于瓦斯突出事故的预控能力。
为实现上述目的，本发明采用的技术方案是：
一种基于大数据平台的瓦斯突出预测预警方法，包括以下步骤：
A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台 的HDFS分布式文件系统，并分析实时监测数据是否存在零值数据或缺失数据，如果存在零值数据或缺失数据则进入步骤B，如果不存在零值数据或缺失数据则进入步骤C；
B、利用线性指数平滑法对实时监测数据进行预处理，剔除或者替代零值数据，补齐缺失数据，然后进入步骤C；
C、分析实时监测数据和检测防突数据的基本特点，分别确定实时监测数据的监测周期和检测防突数据的检测周期，然后进入步骤D；
D、根据检测防突数据的检测周期，将属于一个检测周期内的实时监测数据作为一个数据集合，然后进入步骤E；
E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数，并将各个监测数据特征参数存储在Hadoop平台 的HDFS分布式文件系统，然后进入步骤F；
F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合，形成瓦斯突出危险性样本，然后进入步骤G；
G、根据瓦斯突出危险性样本，利用BP神经网络进行瓦斯突出预测，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值，然后进入步骤H；
H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较，如果预测值大于等于临界值，则进行瓦斯突出预警，如果预测值小于临界值，则不预警。
所述的步骤B中，将线性指数平滑法编译成java语言，并在Hadoop平台的Map/reduce上运行，实现对实时监测数据的预处理。
所述的步骤E中，将提取每个数据集合中的最大值、均值和最大增长速率特征值的公式编译成java语言，并打包成jar包，在Hadoop平台的Map/reduce上运行，得到集成的监测数据特征参数，然后存储在Hadoop平台 的HDFS分布式文件系统。
所述的步骤G中，将BP神经网络编译成java语言，在Hadoop平台的Map/reduce上运行，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值。
本发明利用线性指数平滑法对实时监测数据进行预处理，提高了瓦斯浓度预测的精度；本发明通过提取反映瓦斯浓度的实时监测数据和检测防突数据进行集成，提高了瓦斯突出预测预警的有效性。
更进一步地，本发明利用Hadoop平台的Map/reduce并行计算，大大提高了BP神经网络在处理大量样本数据时的计算速度，缩短了网络训练时长，大大降低了瓦斯突出预测预警的成本和难度。
附图说明
图1为本发明的流程图。
具体实施方式
如图1所示，本发明公开了一种基于大数据平台的瓦斯突出预测预警方法，包括以下步骤：
A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台的HDFS分布式文件系统，并分析实时监测数据是否存在零值数据或缺失数据，如果存在零值数据或缺失数据则进入步骤B，如果不存在零值数据或缺失数据则进入步骤C。Hadoop平台是一个能够对大量数据进行分布式处理的软件框架，其核心架构包括为海量数据提供存储的分布式文件系统HDFS和对海量数据并行计算的MapReduce。
B、利用线性指数平滑法对实时监测数据进行预处理，即将线性指数平滑法编译成java语言，并在Hadoop平台的Map/reduce上运行，利用Map/reduce并行计算剔除或者替代零值数据，补齐缺失数据，然后进入步骤C。本发明通过对实时监测数据进行平滑处理，有利于提高瓦斯浓度预测的精准度。
C、分析实时监测数据和检测防突数据的基本特点，分别确定实时监测数据的监测周期和检测防突数据的检测周期，然后进入步骤D。在煤矿的安全检测系统中，实时监测数据监测的时间间隔一般为10-30s，反映短期瓦斯浓度变化趋势，而检测防突数据的时间间隔为8h或者24h，只反映中长期的瓦斯浓度变化趋势，通过两者的结合更能反映瓦斯浓度的实际变化趋势。
D、根据检测防突数据的检测周期，将属于一个检测周期内的实时监测数据作为一个数据集合，然后进入步骤E。由于检测防突数据和实时监测数据之间存在时间上的差异，在进行瓦斯浓度预测分析时，需要考虑两者之间的一致性，保证同一时间段内的实时监测数据和检测防突数据相互对应。
E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数，即将提取每个数据集合中的最大值、均值和最大增长速率特征值的公式编译成java语言，并打包成jar包，在Hadoop平台的Map/reduce上运行，通过Map/reduce并行计算得到集成的监测数据特征参数，将集成的监测数据特征参数存储在Hadoop平台的HDFS分布式文件系统，然后进入步骤F。
F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合，形成瓦斯突出危险性样本，然后进入步骤G。
G、根据瓦斯突出危险性样本，利用BP神经网络进行瓦斯突出预测，即将BP神经网络编译成java语言，在Hadoop平台的Map/reduce上运行，通过Map/reduce并行计算进行BP模型构建和训练，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值，然后进入步骤H。
H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较，如果预测值大于等于临界值，则进行瓦斯突出预警，如果预测值小于临界值，则不预警。