基于非稳态特征耦合作用与结构感知损失的气体甲烷浓度预测方法研究

《Reliability Engineering & System Safety》：Research on Methane Concentration Prediction Method Based on Non-steady-state Feature Coupling Interaction and Structural Perception Loss

煤矿 methane 浓度动态预测方法创新研究通过耦合非稳态特征交互与结构感知损失，突破传统静态模型局限，实现多变量时序数据的高精度预测，提升煤矿安全预警能力。

　　

许宁珂|李双|刘乔|卢成|王旭明

中国矿业大学经济管理学院，徐州221116，中国

摘要

甲烷浓度的不可控时变特性是导致无法精确预防煤矿甲烷事故的核心因素。为了解决现有甲烷浓度预测方法因忽略非稳态特征提取而导致的预测精度瓶颈问题，以及突破传统损失函数忽略结构一致性损失的限制，本研究首次提出了一种结合非稳态特征耦合效应和结构感知损失的甲烷浓度预测方法。通过重新配置甲烷浓度特征的耦合基态，确保能够动态感知多变量耦合效应。该方法提出了一种基于“时间元素”的结构感知损失机制，解决了局部结构不一致性和预测偏差问题。在40个不同工作面的应用结果表明，本文提出的方法具有优异的预测精度，显著提高了预测结果的可解释性和定量评估动态风险的能力，为煤矿甲烷事故的预警提供了可靠的决策支持，促进了煤炭行业的可持续发展。

引言

能源是生产物质资源、促进持续经济增长和人类社会文明进步的先决条件[1]。根据能源研究所发布的统计数据，2024年全球煤炭产量达到了182艾焦的历史峰值，比2023年的峰值进一步增加。根据《2025年世界能源统计回顾》中的数据，2024年全球煤炭能源的总消费量及进出口量如图1所示。随着对煤炭需求的增加和浅层资源的逐渐枯竭，全球煤炭开采正在向更深、更复杂的地质条件推进[2]。深部开采环境不仅对矿山工程的稳定性提出了更大挑战，还系统性地增加了矿山灾害的风险维度[3]。根据国家统计局的数据，煤炭行业每年导致大量人员伤亡，安全形势依然严峻。特别值得注意的是，在各种煤矿事故中，由于气体事故的突发性、强破坏力和广泛影响，它们一直是造成大规模人员伤亡的主要原因。据统计，气体事故的平均死亡人数是煤矿事故平均死亡人数的2.1倍，气体事故的发生与气体浓度的动态波动直接相关。因此，实现气体浓度的精确预测已成为预防气体事故的关键技术支持，对于保障煤矿工人安全和促进煤炭行业的可持续发展具有重要的理论和实践价值。

近年来，深度学习方法开始成为气体浓度预测方法的核心[4]。尽管深度学习方法相比传统方法大大提高了预测性能，但现有模型通常采用静态特征融合架构，仅能模拟同一时间切片内多源数据的空间共现，无法表示多个变量对气体浓度影响的动态时变耦合机制[5]。因此，在动态且不稳定的地下环境中，基于静态相关性假设的深度学习模型存在根本性局限。

一方面，气体浓度预测的观测数据受到地质活动、通风系统和采矿作业等多种复杂动态物理过程的影响。从经典分析的角度来看，这项任务的固有物理特性带来了几个挑战：(a) 非平稳性。平均浓度和波动性随生产周期发生剧烈变化；(b) 时变耦合。传感器之间的相互关系会随着通风方向和气体流出源的位置实时变化；(c) 复杂的时间位移。气体在巷道网络中的扩散导致传感器信号之间存在动态滞后关系。现有研究通常单独处理其中一个方面。然而，我们发现正是这些因素的高强度共存和相互作用构成了气体预测中的独特而全面的动态障碍。因此，我们提出了“非稳态特征”的概念，用于具体描述甲烷浓度预测领域中这些各种经典动态特性的协同演变。这导致了预测模型所依赖的统计结构不断快速失稳的根本问题。另一方面，当前的气体浓度预测模型通常以最小化单一预测误差值为核心优化目标，但这往往导致“误差相同但趋势不同”的矛盾。这种现象的核心原因在于传统损失函数在时间序列的每个时间步独立计算和累积误差，没有考虑气体浓度数据作为典型时间序列信号的固有时间结构依赖性[7]。特别是在潜在预警信号突然出现或气体浓度周期性波动等关键场景中，难以准确恢复时间序列数据的复杂模式，从而影响了预测结果的实际应用价值[8]。

因此，本研究解决了甲烷浓度预测任务中的非稳态特征耦合提取和模型结构感知损失问题，提出了一种新的甲烷浓度预测方法。其创新主要体现在以下三个方面：

1.

首次确认了多维数据中非稳态特征在甲烷浓度预测任务中的客观存在，并分析了忽略非平稳特征对甲烷浓度预测精度的影响。

2.

针对非稳态特征耦合效应问题，提出了一种基于Mamba的新模型。通过重构变量和时间感知的耦合基态，该模型能够动态适应每个变量的不同时间特性，从而增强捕捉多变量时间序列数据复杂动态特性的能力，有效提高非稳态特征耦合效应的表现。

3.

本研究提出了一种基于时间元素的结构感知损失方法。该方法通过时间元素级别的层次比较和局部统计特征，捕捉细微的结构差异，从而提高预测结果与真实序列结构之间的一致性，显著增强模型表示时间序列动态模式的能力。

本研究基于非稳态特征耦合效应和结构感知损失构建的甲烷浓度预测方法颠覆了传统的甲烷浓度预测范式，具有明显的创新性。在中国40个不同煤矿的应用验证表明，该方法具有更高的预测精度和更科学的预测结果，为能源应用领域构建非稳态动态过程建模提供了新的方法论框架。这一突破不仅提高了煤矿安全预警的实时响应速度和决策可靠性，还为煤炭行业的智能化转型提供了关键技术支持，为能源行业实现复杂动态环境中关键参数的精确预测提供了技术范例，有助于提升能源行业的整体安全控制能力和智能化生产水平。

文献综述

地下煤矿中气体灾害的预防和控制是确保煤矿作业安全的关键部分。其中，气体浓度的预测是灾害预警的关键前提，直接影响矿工的生命安全和矿山的稳定运行。早期的经验统计方法可以根据现有数据的积累，进行相对简单的统计分析，快速建立相关性

甲烷浓度数据的非稳态特征

煤矿中的甲烷浓度监测数据表现出明显的非平稳性。这意味着数据的统计模式会随时间发生剧烈且不规则的变化，而这些变化的根源在于煤炭开采本身是一个高度动态的系统。首先，持续的煤炭开采活动不断改变煤层内的应力状态和断裂结构，导致气体浓度的变化

数据来源与数据处理

本研究旨在验证甲烷浓度监测数据中非稳态特征的客观存在，并基于这一不可消除的特征构建相应的浓度预测模型。为了全面测试所提模型在预测精度和鲁棒性方面的性能，采用了多区域案例对比分析方法。根据中国煤炭资源的空间分布特征，遵循

讨论

本研究首次明确了甲烷浓度时间序列中表现出的非稳态特征，并证明了这一特征在真实监测环境中的客观存在及其对预测精度的显著影响。尽管通过多源数据融合提高甲烷浓度预测精度已成为行业共识，但现有方法通常只是简单地对齐和合并来自不同传感器的监测数据

结论

本研究开发了一种将非稳态特征与结构感知损失和耦合相结合的甲烷浓度预测模型，实现了复杂地下环境中甲烷气体浓度的动态和高精度预测。该方法的创新之处在于首次明确指出了甲烷浓度非稳态特征对传统甲烷浓度预测模型的影响，并构建了C-Mamba模型

未引用的参考文献

[6,30]

CRediT作者贡献声明

许宁珂：撰写——初稿、方法论、形式分析、数据管理、概念化。李双：撰写——审阅与编辑、监督、资源获取、调查、资金筹措。刘乔：可视化、监督、项目管理、调查、资金筹措。卢成：撰写——初稿、可视化、验证、监督。王旭明：撰写——审阅与编辑、监督、软件开发、项目管理。