关于煤炭自燃温度预测结构优化深度集成模型的研究

Summary

本文介绍了一种利用SSA优化的CNN-LSTM-Attention框架预测煤炭自燃温度的协议，该框架自动优化网络结构和参数，从而提升了在异构数据集和不同采矿条件下的准确性、适应性和泛化性。

Abstract

在此，我们提出了一种基于麻雀搜索算法（SSA）优化的卷积神经网络（CNN）-长短期记忆（LSTM）-注意力框架的煤炭自燃温度预测协议。该协议解决了固定网络架构的局限性、有限的泛化性以及传统方法中常见的可转移性差的问题。该框架利用CNN提取空间特征，并捕捉LSTM网络的时间依赖性，而注意力机制则突出关键温度相位和显著特征。SSA共同优化网络深度和超参数，实现对不同采矿场地和实验条件不同数据复杂度的动态适应。该协议包括数据采集、特征预处理、模型构建、参数优化和验证步骤。实验结果表明，所提模型在同质数据集上实现了显著更高的预测准确率，并在异构数据集间保持了稳健的泛化性能，非常适合用于实时煤矿温度监测和预警系统。

Introduction

煤炭在中国能源结构中依然占据主导地位。然而，在储存、运输和采矿过程中，可能发生自燃，导致自燃。这常常引发矿山火灾，严重威胁矿山安全和工人生命 ^1,2,3,4。因此，准确预测煤矿火灾风险及其温度变化对于预警和灾害缓解至关重要。煤炭自燃温度的预测方法已从早期的经验公式演变为基于实际^{监测数据的}分析方法^5,6,7。早期研究主要依赖物理模型和化学动力学方程来模拟煤炭氧化的热释放机制。然而，由于模型参数复杂且适用性有限，这些模型在实际应用中面临显著限制 ^8,9,10。随着智能算法的发展，随机森林（RF）¹¹和人工神经网络（ANN）¹²等方法逐渐被引入，通过构建非线性映射来增强预测能力。近年来，深度学习的进步为预测煤炭自燃温度提供了新方法。Wang^{等人提出了}一种基于声温测量技术的检测方法，在不同条件下分析气体排放，以建立初步阈值和预警系统。它开发了一个精细的数学模型，用于测量松散煤的温度。图神经网络（GNN）和变换器架构也被引入。Pan等^{人提出了基于}图卷积网络（GCN）的煤炭自燃温度预测模型，结合气体指示器间的相互作用以实现更高的预测准确性。

然而，现有方法在超参数选择和模型泛化方面仍面临局限。为了提升性能，研究人员引入了智能优化算法，如麻雀搜索算法（SSA），用于调节学习率和批次大小等超参数。Wang 等^人提出了 SSA-CNN 模型，首次将群体智能算法与卷积神经网络结构集成。这种方法不仅提高了参数优化效率，还有效地捕捉了煤炭自燃数据中的空间结构特征。Long等人¹⁵和Zou等人分别提出了基于BO-Light梯度增强机（GBM）和颗粒群优化-XGBoost（PSO-XGB）的煤炭自燃预测模型。这两款模型通过优化搜索策略提升了收敛性和准确性，为煤炭自燃预测模型提供了优化的新方法。

尽管现有研究已推进了煤炭自燃温度的智能预测，但大多数努力仅限于优化模型参数，网络架构层面未能得到改进。因此，当前模型通常存在以下局限性：首先，大多数采用静态结构，网络架构（如卷积层数、LSTM层）和关键训练参数（如学习率、批量大小）在初始模型构建时手动设置或按比例衰减，且在训练和预测过程中保持不变，缺乏动态适应数据复杂性的能力。其次，模型通常缺乏适应机制，无法根据不同时间段、温度范围和气体浓度尺度等不同条件进行调整，难以满足多条件预测的需求。第三，它们的泛化性和可转移性仍然不足，导致不同区域数据集的预测不稳定且不准确。尽管参数层面已取得一些改进，但网络结构本身仍保持静态，缺乏结构和参数的联合动态优化，限制了整体性能提升。

因此，本研究旨在开发一个灵活且高精度的煤炭自燃温度预测模型，以应对上述挑战。通过比较实验，选定了CNN-LSTM-Attention架构作为基础模型。为了适应不同煤层所需的网络深度，传统的静态结构被“结构优化”方法取代。在这种方法中，卷积层（CNN）和循环层（LSTM）的数量以及关键训练参数不是固定的，而是根据数据中空间和时间特征的强度动态调整。

Protocol

1. 煤炭自燃数据收集

1. 组装空气型煤炭程序加热氧化系统，包括燃气输送系统、温控装置和气体分析仪器。确保所有连接牢固，温度控制设置准确，气相色谱仪及其他分析设备均经过全面校准。
2. 称重1000克混合煤样品（保留原始块状），用四分法彻底均质样品，均匀地将煤块放入加热室。保持均匀的厚度和均匀分布，以确保加热均匀。
3. 启动空气泵，利用流量计调整流量，以保持100 mL/min的稳定气体流量进入加热室。确保流量稳定在± mL/min以内。
4. 按照预设的温度斜坡程序启动供暖系统，以1.0°C/min的速率逐步提高炉子温度至200°C。 使用控制软件实时监测温度变化，确保加热速率符合设计规格。
5. 使用安装在煤样附近的温度传感器，持续监测和记录温度变化，确保数据收集准确且不中断。
   注意：在编程加热实验期间，温度和气体浓度数据每10秒通过校准温度传感器和气体分析仪自动记录一次，直到实验结束。
6. 将加热反应中产生的气体通过气体输送系统传输到气相色谱仪中。
   1. 在预定的间隔（30秒）进行自动采样，测量氧气、一氧化碳和二氧化碳的浓度，并在每次实验前进行气相色谱基准。
   2. 保持转移管流量为100 mL/min（±2 mL/min），与腔体流出匹配，并由质量流量控制器调节，以确保在30秒自采样期间稳定输送到气相色谱仪。
7. 在模型训练之前，应用标准化的数据预处理流程以确保数据质量和一致性。
   1. 将所有特征归一化为零均值和单位方差，以消除尺度差异并促进模型收敛。
   2. 为了抑制传感器噪声并稳定时间趋势，应用窗口大小为5的移动平均滤波器来平滑时间序列数据。如果存在缺失值，则用邻近观测值的平均值来补值以保持数据集完整性。
   3. 此外，使用z分数阈值|z|来识别异常值。>3，并从后续分析中排除它们以提升模型的鲁棒性。
      注：该实验从83个煤炭样品收集数据，记录了氧气、一氧化碳、二氧化碳、甲烷、乙烷和乙烯等气体与煤温度的关系。空气型煤炭程序加热氧化系统的示意图见 图1。

2. 基于SSA结构优化构建CNN-LSTM注意力模型

1. CNN-LSTM-注意力模型的构建
   1. 构建卷积神经网络（CNN）模块，自动从输入的温度和气体浓度序列中提取空间特征。
      1. 堆叠2-4个一维卷积层（步幅=1，填充=“相同”，核大小3-7）。每层结束后，应用归一化（BatchNorm或LayerNorm）、ReLU或GELU激活，以及0.1-0.2的脱落。可选地在第一或两层使用 MaxPooling1D（池 = 2）进行去噪/下采样，避免在最后一层进行池化以保持时间分辨率。
      2. 使用1×1卷积将通道维度投影到下游LSTM的预期范围内。保持张量呈三维“时间×通道”形状（不要压扁），并直接输入LSTM，return_sequences=True;配置文件中的记录层数量、通道、内核大小、池化和退出，以实现SSA搜索和可重复性。
   2. 将最终的Conv1D输出视为时间顺序特征向量序列，保持时间轴而不展平，并直接输入LSTM。如果之前的池化已经缩短了序列，请使用缩短的长度;当信道维度与LSTM的预期不符时，应用1×1卷积或线性投影进行对齐。
   3. 将LSTM配置为64个隐藏单元，使用tanh激活和return_sequences=True，以保留每个时间步的表示。在模型构建模块中实现此转换，记录输入/输出张量形状及关键设置，以确保可重复性和可追溯性，从而保留每个时间步的表示。在模型构建模块中实现此转换，并记录输入/输出张量形状及关键设置，以确保可重复性和可追溯性。
   4. 在LSTM输出后立即插入一个时间注意力块：该块采用每时间步的隐藏表示，并使用单层隐藏投影生成注意力权重向量。
   5. 将权重向量维数设置为64，直接在注意层配置中指定。然后，用软最大值对时间轴上的权重进行归一化，得到每个时间步的相对重要性。利用归一化权重计算上下文向量（加权和），与序列表示融合并输入回归头。
   6. 用骨干链端到端训练注意力模块;如果存在填充，在 softmax 前应用遮罩以忽略无效步骤。
   7. 仅针对消融实验，按时间顺序将数据集分为训练组（80%）和测试集（20%），同时进行单独的五重交叉验证，以评估模型的整体稳定性和泛化性。
   8. 从项目根目录执行训练，所有相关路径都锚定在该根目录。应用早期停止，使得如果验证误差连续10个时代没有改善，训练暂停并将最佳权重保存到./checkpoints/best_model.h5。
   9. 为了记录过程，CSV记录器会将每纪元的训练/验证损失和关键指标写入training_log.csv（如历元、train_loss、节val_loss、指标、时间戳等列）。每当验证改进时更新最佳模型文件，确保可重复性并支持后续分析。
      注意：CNN通过本地连接性和权重共享自动从输入数据中提取空间特征。浅卷积核捕捉细微的局部变异。空间特征表现为不同气体（如氧气和一氧化碳）在同一时刻的浓度分布和分布模式，包括局部异常和浓度梯度。这些反映了煤自燃过程中气体的空间相关性，CNN能够有效识别¹⁷。CNN提取的特征序列被输入LSTM，LSTM通过其门控机制动态建模时间序列。温度逐渐上升、波动和气体浓度突然变化等时间特征及其顺序反映了煤炭自燃期间的累积温度和气体反应。LSTM有效捕捉这些模式，提高了预测准确性和模型稳定性¹⁸。在LSTM输出层引入了一种注意力机制，用于在每个时间步为特征分配权重。该方法聚焦于煤炭自燃温度的关键阶段，增强有价值的信息，抑制噪声，并提升预测性能¹⁹ （见图2）。
2. 基于SSA的模型结构优化方法设计
   注：本文提出的动态优化策略整合了模型结构设计与超参数优化，整体分为准备阶段、变形阶段和形式训练阶段。该方法实现结构参数和超参数的协同调整，使模型在提升性能和适应复杂作条件的同时，保持结构灵活性。
   1. 准备阶段
      1. 在基于SSA的搜索之前，将超参数/结构搜索空间定义为4元组：x_i= L_{cnn，L lstm，L} r，batch_size，L _cnn（CNN块数）和L_lstm（堆叠LSTM层数）分别取整数值，并均匀采样自{1,2,3,4}和{1,2,3}。
      2. 由于优化器提出实值向量，非整数建议用 Python 的 round（） 规则（ties-to-even）映射到最近的整数，然后裁剪到 [1,4] 或 [1,3]。绘制学习率 lr是从区间 [1 x ^10-2， 1 x ^10-1] 对数均匀分布。将超出范围的提案剪辑到最近的边界。batch_size是{32， 64， 96， 128}中的离散选择。
      3. 除非另有说明，否则在此准备步骤中不应施加交叉参数约束。为了可重复性，向 Python、NumPy、深度学习框架和环境变量 PYTHONHASHSEED 应用一个通用的随机种子（42）。
      4. 将SSA搜索初始化为30个，并运行80次迭代。
         注意：这些设置，加上上述四舍五入/裁剪规则，共同决定了所有后续实验所用搜索空间的准备。
   2. 变形阶段
      1. 随机生成一个初始参数集，记作C_{1，L 1，I 1，b 1}。在训练网络之前，将整数维数四舍五入到最近的整数，并将所有值裁剪到其边界。
      2. 使用单次训练/验证运行计算均方误差（MSE）作为适应度;记录并存储当前结果。
      3. 更新位置以生成新的参数组合C_{2，L 2，I 2，b 2}。运行一次训练迭代，将其适应度与存储值进行比较。
      4. 如果新组合表现优于之前，替换原始结果，并将当前位置设为C_{2，L 2，I 2，b 2}。如果表现更差，设定一个标记，以避免在保留现有者的情况下反复选择无效组合。
      5. 重复步骤 2.2.2.2-2.2.4，多次迭代，直到无进一步改进，从而得到最优组合 C_{n，L n，I n，b n}。
      6. 保存 C_{N，L N，I N，B N} 作为最终结构参数，并开始正式培训。
   3. 训练阶段
      注意：选择适应度最佳的CNN和LSTM层计数作为测试集完整训练和评估的最终网络配置（见图3）。
      1. 设置模型结构和超参数的搜索范围，包括2-6层CNN层、1-4层LSTM、学习率范围×^10-5到1×^10-2，批次大小为32、64或128，最大训练纪元为100个。在SSA迭代过程中共同优化这些参数。
      2. 通过将麻雀搜索算法（SSA）种群初始化，将种群规模设为30，最大迭代次数为100。确保每个个体代表候选模型配置，包括CNN深度、LSTM深度、学习率和批次大小。
      3. 在每次迭代中，将SSA人口分为发现者（20%）、追随者（70%）和哨兵（10%）。根据SSA位置更新规则，发现者进行全局探索，跟随者进行局部利用，哨兵则防止算法被困在局部最优状态。每次迭代后更新所有个体的位置向量。
      4. 使用验证集的均方误差（MSE）作为适应度函数，评估每个候选模型的预测性能。根据适应度值动态调整搜索方向，使SSA逐步收敛至最优结构和超参数配置。
      5. 完成SSA迭代后，输出最优CNN深度、LSTM深度、学习率和批次大小。用这些最优参数在完整训练集上重新训练模型，并将最终训练好的模型权重保存为final_model.h5“。
         注：优化算法广泛应用于工业领域^20、21，常用于生产排程²²、质量控制²³、设备维护²⁴、资源分配²⁵和工艺参数优化²⁶等领域。本研究采用的麻雀搜索算法（SSA）是一种智能优化算法，模拟麻雀种群的觅食行为。它通过发现者、跟随者和哨兵的协作机制实现了高效的优化²⁷。算法指定种群中最优秀的个体作为全局探索的发现者，其余个体则作为跟随者进行局部开发，哨兵则设置为避免局部最优解²⁸。SSA采用自适应策略平衡探索与利用能力，具备快速收敛速度和简易参数设置²⁹。在本文提出的煤炭自燃温度预测模型中，SSA作为“结构优化”概念的核心方法，自动优化CNN-LSTM-注意力模型架构和关键超参数，以提升异构数据集的预测准确性和泛化性。

3. 模型验证与可转移性评估

1. 模型有效性验证
   1. 设计一个利用煤炭自燃实验数据的烧蚀实验，以验证CNN、LSTM和Attention模块的具体贡献。将数据集随机分为训练（80%）和测试集（20%），使用固定的随机种子42个，以确保可重复性。
      注意：使用配备NVIDIA RTX 4090 GPU的工作站，并使用Python 3.8和TensorFlow 2.6进行所有实验（开发IDE信息详见 材料表）。
   2. 将目标函数设为均方误差（MSE），并应用改进的麻雀搜索算法（SSA），共同优化CNN-LSTM-Attention架构的关键超参数，包括网络深度、学习率和批处理大小。为确保公平性，使用相同的训练纪元、学习率和批次大小，在同一数据集上训练所有基线模型，并在同一测试集中进行评估。
   3. 基于固定的CNN-LSTM-注意力模型结构，采用五种经典参数优化方法——遗传算法（GA）、灰狼优化（GWO）、粒子群优化（PSO）、鲸鱼优化算法（WOA）和麻雀搜索算法（SSA）——对模型进行优化，随后进行综合评估并整合结构优化。
   4. 计算测试集中每个模型的性能指标，并用对比图表可视化结果。
      1. 报告消融研究（见表1）、七个模型的预测性能（见表2）以及优化算法的比较表现（见表3）。
      2. 对于图示，将预测与观测数据进行建模，并将图例标签设置为“预测”和“测量”。确保所有图形的字体、配色方案和轴单位保持一致。表格方面，保持字体、列序、单位和小数位一致。
2. 模型可转移性验证
   1. 构建传输验证数据集
      1. 使用来自六个采矿点的83个煤炭样本的转移验证数据集，共计12,450条温度-气体特征记录。每个地点将数据分为训练组（80%）和测试组（20%），并保持在不同地质条件下的平衡代表性。
         注：为评估“结构优化”对模型泛化性能的影响，本研究构建了一个涵盖多个采矿点和多样地质条件的综合煤炭自燃温度特征数据集。该数据集整合了青龙矿（近水平煤层）、小吉汉矿（厚煤层）、张家茅矿（浅埋煤层）等代表性矿井的现场监测数据，以及I-II类自燃易燃煤层在多种地质条件下的实验数据，包括4号煤层（高挥发性）、元点2号煤层72煤层（复合顶层）。 以及红清良矿（易氧化特性）。
   2. 跨矿数据集异质性分析
      1. CO、_CO2、_{CH 4}、C₂H₆、C₂H₄ 和煤温的矿井总计记录;保留我的ID和时间戳。
      2. 协调单位（ppm或%）并对齐时间戳;按照步骤2.1的规定处理缺失值。
      3. 计算矿×每个变量的最小值、Q1、中位数、Q3、最大值和IQR;用1.5×IQR规则标记异常值。
      4. 通过计算Q3和最大值的折叠差来量化跨矿山的异质性;突出病例≈两个数量级（尤其是CO/_{CO 2}）。
      5. 按矿区绘制框状图（每个变量一个面板;每个变量共用y轴;将离群值标注为点;标记四分位数）。
      6. 导出为 图4。
      7. 在实验室数据集中选择四个表现良好的模型——XGBoost、BP、TCN和Transformer进行比较，以验证模型的可迁移性。

Results

通过四个独立数据集验证模型稳定性，证明了在不同地质条件下的预测表现一致。本节介绍了煤炭自燃实验及提出的SSA-CNN-LSTM-Attention模型的代表性结果和性能评估。首先，分析程序化加热氧化实验中收集的多种气体指示器的变化，揭示不同温度阶段气体浓度的动态模式。结果分为四个部分：（1）消融实验，用于评估CNN、LSTM、注意力和SSA成分对模型表现的贡献;（2）模型比较实验，将拟议方法与BP、XGBoost、Transformer、GCN和TCN-GCN进行比较，以分析在一致训练条件下的拟合准确性和误差分布;（3）优化算法比较实验，评估GA、GWO、PSO、WOA和SSA在参数和结构优化策略下的表现;以及（4）可转移性验证，测试模型在不同煤矿收集的数据集上的预测准确性和稳定性。所有结果均基于协议中描述的实验程序和数据处理方法，评估指标包括均方误差（MSE）、均方根误差（RMSE）、均值绝对误差（MAE）、判定系数（R²）和平均绝对百分比误差（MAPE）。

Discussion

使用完好的煤块;采样后仅进行表面清洁，并立即双重密封以避免长时间暴露。通过恒流控制（MFC）保持燃气管线的泄漏密封，严格按照协议规定执行编程加热，并根据认证标准校准气相气相色谱。在固定间隔内获取温度和气体信号并同步时间戳（参见协议）。从计算角度看，修复并记录环境（作系统、Python、深度学习框架、CUDA等），设置随机种子和确定性选项，锁定依赖关系。使用按矿区分层固定的分层分层;仅将预处理套入训练集，并不更改地应用于测试集;遵循统一的培训和评估流程。遵守这些点可以保留分级的_O2/CO/CO₂/CH₄特征，并提高结果的可重复性和可转移性。

在实验中，通过泄漏测试和净化管线来_解决氧气 基线漂移或室温CO_/CO2 升高;然后重新运行空白机，并用认证标准重新校准。通过使用带有独立检查的MFC和运行固定PID斜坡来稳定流量和温度。保持热电偶布置和块体样品周围环空间隙在各次运行中保持一致。通过微调柱温或分流比，并更换...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
6孔、2档气体采样阀，配备通用执行器	VICI Valco	EUDA-2C6UWT	1/16英寸配件;0.75毫米开口;RS-232;2英寸对峙
氧化铝样品船	MTI公司	EQ-CA-L50W40H20	>99.5% Al2O3;50多次;40次以上;20毫米
色谱软件	安捷伦科技	OpenLab CDS	数据采集/处理
煤炭样本（现场采集）	内部/现场采集	无	来源详见方法集
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x;匹配的cuDNN
DAQ大型主机	瞄准器	DAQ970A	6½-数字万分管理;USB/局域网
干燥剂（指示）	W.A. 哈蒙德·德里尔特	23001	硫酸钙;8 网;1磅
隔膜空气泵	KNF	https://www.knf.com	持续供气;流量可调
FR实验服	堡垒	KEL2（系列）	符合NFPA 2112标准
气相色谱仪	安捷伦科技	G3540A（8890 GC系统）	GC系统;EPC;最多2个进气口/4个探测器
耐热手套	安塞尔	43-113	间歇性最高可达~350 & deg;C
高纯度空气	液化空气 / 气	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥纯度99.99%
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/;https://code.visualstudio.com/download	PyCharm / VS Code
内联滤波器	斯瓦格洛克	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	烧结不锈钢元件0.5和ndash;15 和微距;m
K型热电偶	欧米茄	https://www.omega.com	K型（NiCr–NiSi）
质量流量控制器（0–200 sccm）	阿利卡特科学	MC-200SCCM-D	MC系列;±（0.8% RDG + 0.2% FS）
多组分校准气体	梅瑟	https://specialtygases.messergroup.com/standard-gas-mixtures	定制专注;证书
操作系统	Microsoft	https://www.microsoft.com/en-us/software-download/windows11	Windows 11
操作系统	正典	https://ubuntu.com/download/desktop	Ubuntu LTS（22.04/24.04）
PTFE/PFA管材	斯瓦格洛克	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	耐化学性;1/16–1/4英寸外径
蟒蛇	Python 软件基础	https://www.python.org/downloads/	3.8版本
石英样品船	MTI公司	EQ-QB-1017（示例尺寸）	~1200 & deg;工作温度
安全护目镜	3岁月	93506P1-DC（示例）	化学飞溅;防雾选项
不锈钢无缝管	斯瓦格洛克	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316升;1/16–1/4英寸外径
不锈钢管件及套筒	斯瓦格洛克	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316升;双套
温度控制器	欧热	3216	单环PID;可编程坡道/报警
张量流	谷歌	https://www.tensorflow.org	版本 2.6
USB热电偶模块	NI（国家仪器）	781314-01（USB-TC01）	K/J/T;记录软件
可变面积流量计（Visi-Float）	德怀尔仪器	VFA-2-EC-SS（0.2–2 SCFH 航空）	低流量范围;直接阅读
工作站显卡	NVIDIA	900-1G136-2530-000（创始人版）	GeForce RTX 4090,24GB GDDR6X（FE）