本發(fā)明涉及一種檢測方法，具體涉及一種基于KPCA的煤礦瓦斯檢測方法。

背景技術(shù)：

隨著我國經(jīng)濟的迅速發(fā)展，對能源的需求更是日益增長。由于我國是一個“富煤貧油少氣”國家，因此煤礦的開采對我國經(jīng)濟的發(fā)展起著極其重要的作用。經(jīng)濟的迅速發(fā)展自然就需要更多煤礦的開采。煤礦是安全事故多發(fā)的企業(yè)。

瓦斯是危害礦井安全生產(chǎn)的重要因素之一。瓦斯?jié)舛鹊臋z測是煤礦安全生產(chǎn)的主要環(huán)節(jié)，瓦斯(主要成分是甲烷)濃度的準確測量與預報直接關(guān)系到井下人員與設備的安全。目前，我國有些煤礦中安裝了瓦斯探測和報警系統(tǒng)，現(xiàn)在的瓦斯探測器都是通過電纜將模擬信號傳輸?shù)揭粋€集中點，再經(jīng)過放大送到井上，由于井下環(huán)境惡劣，存在著各種干擾源，瓦斯傳感器輸出的微弱信號很容易受到污染，引起一些脈沖干擾信號，也稱為“冒大數(shù)”，常常造成誤報警。一旦報警，井下的電源就自動切斷，生產(chǎn)被迫停止。由于報警系統(tǒng)技術(shù)落后，誤報警高達百分之八九十，正常生產(chǎn)因為頻繁的誤報警而受到很大影響，給企業(yè)造成了很大的損失。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種煤礦瓦斯檢測方法。

一種瓦斯?jié)舛葯z測方法，采用KPCA算法用于鑒別“大數(shù)”，首先構(gòu)造兩種 混合核函數(shù)，利用矢量的方法構(gòu)建核矩陣，并利用核主成分分析計算核矩陣的特征向量，該算法具有較高的識別率和較高的運算速度；

該算法通過訓練樣本在特征空間所張成的子空間的一組標準正交基，將訓練集上的KPCA過程，轉(zhuǎn)化為所有核訓練樣本在該組基下的坐標為數(shù)據(jù)集的PCA過程，同時對訓練樣本特征提取，能有效捕捉訓練數(shù)據(jù)的非線性特征，在模式識別、回歸分析中受到廣泛重視和應用。在KPCA的求解過程中，需要特征值分解一個M*M的核矩陣(M表示訓練樣本數(shù))，對樣本特征提取時，只需計算該樣本與構(gòu)成這組基德樣本間的核函數(shù)，實驗結(jié)果驗證該算法是有效的；

通過對原始樣本的矩陣進行分解,選取前面M個最大特征值所對應的特征向量組成最優(yōu)投影矩陣,通過將樣本數(shù)據(jù)在最優(yōu)投影矩陣上進行投影,達到數(shù)據(jù)分離脈沖干擾的目的；

需要通過非線性映射將數(shù)據(jù)映射到線性可分的特征空間進行主成分析,由于其計算過程中使用核函數(shù)來完成高維特征空間中矢量的內(nèi)積計算；

設x_i∈R^p(i＝1,2,3…,N)為p維輸入空間N個樣本點，假設通過非線性變換φ將R^p映射到特征空間F(R^f)，即φ:R^p→F(R^f),φ(x_i),(i＝1,2,3…,N)，為空間F中對應的在高維特征空間進行主成分分析的方法可以通過求解特征空間中樣本矩陣的特征值和特征向量實現(xiàn)，假設φ(x_i),(i＝1,2,3…,N)是已經(jīng)經(jīng)過中心化處理后的高維特征空間向量，特征空間的協(xié)方差矩陣為：

求解C_φ特征值特征向量的關(guān)系式為：

C_φv＝λv (2)

λ和v分別表示矩陣C_φ的特征值和對應的特征向量，由于蟹放在矩陣是對稱的，因而可以找到r個標準正交特征向量，既式(2)存在r個非零解，但由于變換未知，矩陣C_φ無法獲得，因而無法直接求解(2)的特征向量，依據(jù)再生核理論，特征向量v可由空間F中的樣本張成，既可由φ(x_j),(j＝1,2,3…,N)的線性組合表示：

考慮等式：

φ(x)·C_φv＝λ(φ(x)·v) (4)

將式(1)、(3)代入式(4)，令矩陣K_N×N＝(φ(x_i)oφ(x_j)),(i,j＝1,2…N)

可得

Kα＝nλα (5)

矩陣K稱為核矩陣，上式既可以求解矩陣K的特征值和特征向量的方程，因為求解式(3)系數(shù)的問題轉(zhuǎn)化為求解核矩陣的特征向量的問題。核矩陣K需要通過計算高維特征空間中矢量的內(nèi)積形成，因而可采用支持向量機技術(shù)中的和函數(shù)來完成，核函數(shù)可以通過原屬性空間的計算變換實現(xiàn)高維特征空間內(nèi)積值得計算；

選擇合適的核函數(shù)，則可以求解核矩陣的特征值和特征向量，然后通過PCA的方法獲取特征空間中的主成方向矢量，假設取前m個特征值對應的特征矢量組成主成方向矢量，則數(shù)據(jù)聚的主成方向矢量可以表示為

v＝λ₁v₁+λ₂v₂+…+λ_mv_m (6)

此處λ＝(λ₁,λ₂,…,λ_m)，表示歸一化的特征值，歸一化可保證主成方向矢量的單位性；

2、數(shù)據(jù)異常的度量

通過在高維特征空間進行主成分析，可以認為正常情況下數(shù)據(jù)的主成方向矢量應該基本保持一致，因而可采用主成方向矢量的內(nèi)積來衡量不同數(shù)據(jù)之間的差異，即：

θ＝|＜v₁,v₂＞| (7)

此處僅采用第一個特征矢量作為數(shù)據(jù)的主成方向矢量，即取m＝1，此時數(shù)據(jù)集1和2主成方向矢量的內(nèi)積為：

上式可以看出，主成方向矢量之間的內(nèi)積計算同樣可以通過核函數(shù)的方法實現(xiàn)，基于異常度量方法，在異常瓦斯數(shù)據(jù)檢測過程中可將實際數(shù)據(jù)分為M段長度為N的數(shù)據(jù)子矩陣，每個子矩陣對應一個主成方向矢量，其平均主成方向矢量可以表示為：

(β₁，β₂，β₃…β_r)＝(φ(x_b1)，φ(x_b2)，φ(x_b3)，…，φ(x_br))C (10)

上式中sum(v_i)表示向量之間的各元素之和，參數(shù)c用于確保的單位性；

3、瓦斯?jié)舛犬惓?shù)據(jù)檢測算法流程

算法可以劃分為兩個階段，訓練階段和檢測階段，訓練階段主要是通過歷史數(shù)據(jù)獲取數(shù)據(jù)分布的特征，估計分布模型參數(shù)；檢測階段主要是計算檢測數(shù)據(jù)集的主成方向矢量的分布概率，根據(jù)概率的大小判斷瓦斯?jié)舛葦?shù)據(jù)是否出現(xiàn)異常，其詳細的步驟如下：

訓練階段

(1)將樣本數(shù)據(jù)進行劃分為M段長度為N的數(shù)據(jù)子矩陣D_j(j＝1,2…M)；

(2)選取合適的核函數(shù)用于高維特征空間的矢量內(nèi)積；

(3)采用KPCA的方法獲取各數(shù)據(jù)子矩陣映射到高維特征空間后的主成方向矢量v_j；

(4)通過M個v_j計算整個訓練數(shù)據(jù)子矩陣的平均方向矢量

(5)采用VMF分布模型描述歷史數(shù)據(jù)主成方向矢量的分布，并估計確定模型參數(shù)；

檢測階段

(1)求解數(shù)據(jù)子矩陣D_j+1的主成方向矢量v_j+1；

(2)求解主成方向單位矢量v_j+1與平均單位方向矢量的內(nèi)積η；

(3)使用下式計算分布概率并與預定義的門限值進行比較，若，則認為瓦斯數(shù)據(jù)異常。

本發(fā)明的有益效果：對煤礦安全監(jiān)控系統(tǒng)中瓦斯?jié)舛葯z測出現(xiàn)的脈沖干擾也稱為“冒大數(shù)”問題，提出利用KPCA來對瓦斯?jié)舛葦?shù)據(jù)進行處理，將脈沖干擾信號濾除掉，防止出現(xiàn)誤報警現(xiàn)象，但是保證防漏報警。

附圖說明

圖1是本發(fā)明檢測系統(tǒng)的結(jié)構(gòu)示意圖；

圖2是檢測方法的流程圖；

圖3是瓦斯涌出預測流程圖。

具體實施方式

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖對本發(fā)明的具體實施方式做詳細的說明，使本發(fā)明的上述及其它目的、特征和優(yōu)勢將更加清晰。在全部附圖中相同的附圖標記指示相同的部分。并未刻意按比例繪制附圖，重點在于示出本發(fā)明的主旨。

請參閱圖1，首先介紹瓦斯?jié)舛鹊臏y量系統(tǒng)，包括設置在礦井內(nèi)、且能夠由光驅(qū)動的透明氣泵3和柔性光柵9；還包括設置在礦井外的光源發(fā)生單元及信號采集處理單元，光源發(fā)生單元發(fā)出的光通過光纜照射到透明氣泵3和柔性光柵9，光源發(fā)生單元與信號采集處理單元交互，柔性光柵9通過光纜與信號采集處理單元相連；在透明氣泵3的頂部設有單向閥12，透明氣泵3底部為含偶氮苯發(fā)光團的有機薄膜I13；柔性光柵9下端設有含偶氮苯發(fā)光團的有機薄膜II15。所 述光源發(fā)生單元包括寬光譜紅外光源2、第一紫外光光源5、第一可見光光源6、第二紫外光光源7及第二可見光光源8；其中，寬光譜紅外光源2發(fā)出的光通過光纖照射透明氣泵3，第一紫外光光源5和第一可見光光源6發(fā)出的光通過光纖照射透明氣泵3底部的含偶氮苯發(fā)光團的有機薄膜I13；第二紫外光光源7和第二可見光光源8發(fā)出的光通過光纖照射柔性光柵9下端的含偶氮苯發(fā)光團的有機薄膜II15。所述信號采集處理單元包括計算機1、探測器10及信號調(diào)理電路11，柔性光柵9通過電纜與探測器10的輸入端相連，探測器10的輸出端與信號調(diào)理電路11的輸入端相連，信號調(diào)理電路11的輸出端與計算機1相連。計算機1與寬光譜紅外光源2相連，礦井外的寬光譜紅外光源2發(fā)出的光通過光纖照射礦井內(nèi)的透明氣泵3，計算機1與礦井外的第一紫外光光源5、第一可見光光源6相連，單向閥12與透明氣泵3相連，打開第一紫外光光源5，第一紫外光光源5發(fā)出的光通過光纖照射到礦井內(nèi)的透明氣泵3，含偶氮苯發(fā)光團的有機薄膜I 13發(fā)生變形，待測瓦斯氣體4通過單向閥12進入透明氣泵3，關(guān)閉第一紫外光光源5，打開第一可見光光源6，透明氣泵3恢復原來的形狀，采樣待測瓦斯氣體4。計算機1與礦井外的第二紫外光光源7、第二可見光光源8相連，打開第二紫外光光源7，第二紫外光光源8發(fā)出的光通過光纖照射到礦井內(nèi)的柔性光柵9，含偶氮苯發(fā)光團的有機薄膜II 15兩端使用固定件14固定，含偶氮苯發(fā)光團的有機薄膜II 15中偶氮苯份子的構(gòu)象轉(zhuǎn)變，有序的偶氮苯液晶基元變?yōu)闊o序，從而發(fā)生變形，柔性光柵9的柵距發(fā)生變化，關(guān)閉第二紫外光光源7，打開第二可見光光源8，含偶氮苯發(fā)光團的有機薄膜II 15中的順式偶氮苯恢復到反式構(gòu)象，柔性光柵9恢復原來的光柵周期，礦井內(nèi)的柔性光柵9輸出端與礦井外的探測器10輸入端相連，經(jīng)信號調(diào)理電路11與計算機1相連。，以寬光譜紅外光源作為光譜分析的光源，使用寬光譜紅外光源發(fā)出的光照射透明氣泵中的待測瓦斯氣體。然后，第一紫外光光源和第一可見光光源作為驅(qū)動光源，驅(qū)動透明氣泵，通過調(diào)節(jié)光源發(fā)出光的光照強度、時間，來控制光驅(qū)動柔性泵的變形。第二紫外光光源和第二可見光光源作為驅(qū)動光源，驅(qū)動柔性光柵，通 過調(diào)節(jié)“驅(qū)動光強”，實現(xiàn)柔性光柵柵距的連續(xù)改變和精確控制。最后，柔性光柵輸出的光譜信息通過探測器和信號調(diào)理電路送入計算機，從而計算出光譜數(shù)據(jù)，實現(xiàn)待測瓦斯氣體多種成份的光譜分析和實時監(jiān)測。

在獲得了瓦斯?jié)舛葦?shù)據(jù)后，需要剔除其中的“大數(shù)”，請參閱圖2，本發(fā)明為了準確快速識別瓦斯?jié)舛取懊}沖干擾”，提出基于一種基于混合核函數(shù)的快速核成分分析算法，即KPCA算法用于鑒別“大數(shù)”，并考慮瓦斯的放散速度。首先構(gòu)造兩種混合核函數(shù)，利用矢量的方法構(gòu)建核矩陣，并利用核主成分分析計算核矩陣的特征向量，該算法具有較高的識別率和較高的運算速度。

該算法通過訓練樣本在特征空間所張成的子空間的一組標準正交基，將訓練集上的KPCA過程，轉(zhuǎn)化為所有核訓練樣本在該組基下的坐標為數(shù)據(jù)集的PCA過程，同時對訓練樣本特征提取，能有效捕捉訓練數(shù)據(jù)的非線性特征，在模式識別、回歸分析中受到廣泛重視和應用。在KPCA的求解過程中，需要特征值分解一個M*M的核矩陣(M表示訓練樣本數(shù))，對樣本特征提取時，只需計算該樣本與構(gòu)成這組基德樣本間的核函數(shù)，實驗結(jié)果驗證該算法是有效的。

瓦斯放散速度測定方法，在瓦斯放散測定儀的控制系統(tǒng)中將煤樣揮發(fā)分根據(jù)其數(shù)值范圍進行分組，建立煤樣揮發(fā)分模塊，并根據(jù)煤樣揮發(fā)分模塊建立對應的脫氣充氣時間設置模塊；打開瓦斯放散速度測定儀控制系統(tǒng)，選擇要測試擴散速度或放散速度，輸入實驗煤樣的煤樣揮發(fā)分，向瓦斯放散測定儀輸入煤樣揮發(fā)分的具體數(shù)值，驗證該數(shù)值落入哪一個煤樣揮發(fā)分模塊的數(shù)值范圍內(nèi)，調(diào)用煤樣揮發(fā)分模塊對應的脫氣充氣時間設置模塊，并以該模塊的參數(shù)控制實驗的脫氣時間和充氣時間；同一揮發(fā)分值的脫氣充氣時間設置模塊中的脫氣時間和充氣時間相同；煤樣揮發(fā)分模塊的建立數(shù)值范圍為1)＜6％，2)6％-10％，3)＞10％、＜15％，4)≥15％；對應的脫氣充氣時間設置模塊為1)210min，2)180min，3)150min，4)90min。

利用瓦斯傳感器對井下瓦斯?jié)舛冗M行數(shù)據(jù)采集，通過CAN總線將傳感器輸出數(shù)據(jù)經(jīng)過CAN/RS485總線轉(zhuǎn)換器轉(zhuǎn)換成RS485信號，RS485信號適合遠距離傳輸， 傳輸至地面上的RS485/RJ45總線轉(zhuǎn)換器轉(zhuǎn)換成PC機能接受的RJ45網(wǎng)口信號，實現(xiàn)遠距離傳輸，最終上傳到上位機數(shù)據(jù)庫。

在MGCS監(jiān)控軟件中建立瓦斯預測畫面，創(chuàng)建報表組件，鏈接歷史數(shù)據(jù)庫，建立相應的通道鏈接。上位機MGCS監(jiān)控軟件首先把歷史數(shù)據(jù)中工作面瓦斯?jié)舛葘懭霐?shù)據(jù)報表中，再將數(shù)據(jù)通過OPC方式傳入瓦斯MATLAB應用程序中。瓦斯?jié)舛仍贙PCA算法程序中經(jīng)過處理后，再把去掉“脈沖干擾”的結(jié)果送回到MCGS畫面中，顯示出瓦斯?jié)舛取?/p>

通過對原始樣本的矩陣進行分解,選取前面M個最大特征值所對應的特征向量組成最優(yōu)投影矩陣,通過將樣本數(shù)據(jù)在最優(yōu)投影矩陣上進行投影,達到數(shù)據(jù)分離脈沖干擾的目的。

需要通過非線性映射將數(shù)據(jù)映射到線性可分的特征空間進行主成分析,由于其計算過程中使用核函數(shù)來完成高維特征空間中矢量的內(nèi)積計算。

設x_i∈R^p(i＝1,2,3…,N)為p維輸入空間N個樣本點，假設通過非線性變換φ將R^p映射到特征空間F(R^f)，即φ:R^p→F(R^f),φ(x_i),(i＝1,2,3…,N)，為空間F中對應的在高維特征空間進行主成分分析的方法可以通過求解特征空間中樣本矩陣的特征值和特征向量實現(xiàn)，假設φ(x_i),(i＝1,2,3…,N)是已經(jīng)經(jīng)過中心化處理后的高維特征空間向量，特征空間的協(xié)方差矩陣為：

求解C_φ特征值特征向量的關(guān)系式為：

C_φv＝λv (2)

λ和v分別表示矩陣C_φ的特征值和對應的特征向量，由于蟹放在矩陣是對稱的，因而可以找到r個標準正交特征向量，既式(2)存在r個非零解，但由于變換未知，矩陣C_φ無法獲得，因而無法直接求解(2)的特征向量，依據(jù)再生核理論，特征向量v可由空間F中的樣本張成，既可由φ(x_j),(j＝1,2,3…,N)的線性組合表示：

考慮等式：

φ(x)·C_φv＝λ(φ(x)·v) (4)

將式(1)、(3)代入式(4)，令矩陣K_N×N＝(φ(x_i)οφ(x_j)),(i,j＝1,2…N)

可得

Kα＝nλα (5)

矩陣K稱為核矩陣，上式既可以求解矩陣K的特征值和特征向量的方程，因為求解式(3)系數(shù)的問題轉(zhuǎn)化為求解核矩陣的特征向量的問題。核矩陣K需要通過計算高維特征空間中矢量的內(nèi)積形成，因而可采用支持向量機技術(shù)中的和函數(shù)來完成，核函數(shù)可以通過原屬性空間的計算變換實現(xiàn)高維特征空間內(nèi)積值得計算。

常用的核函數(shù)：

(1)多項式核函數(shù)：k(x,y)＝(xοy+1)^d；

(2)Sigmoid核函數(shù)：k(x,y)＝tanh[v(xοy)+c]；

(3)高斯徑向基核函數(shù)等：

通過選擇合適的核函數(shù)，則可以求解核矩陣的特征值和特征向量，然后通過PCA的方法獲取特征空間中的主成方向矢量，假設取前m個特征值對應的特征矢量組成主成方向矢量，則數(shù)據(jù)聚的主成方向矢量可以表示為

v＝λ₁v₁+λ₂v₂+…+λ_mv_m (6)

此處λ＝(λ₁,λ₂,…,λ_m)，表示歸一化的特征值，歸一化可保證主成方向矢量的單位性。

2、數(shù)據(jù)異常的度量

通過在高維特征空間進行主成分析，可以認為正常情況下數(shù)據(jù)的主成方向矢量應該基本保持一致，因而可采用主成方向矢量的內(nèi)積來衡量不同數(shù)據(jù)之間的差異，即：

θ＝|＜v₁,v₂＞| (7)

此處僅采用第一個特征矢量作為數(shù)據(jù)的主成方向矢量，即取m＝1，此時數(shù)據(jù)集1和2主成方向矢量的內(nèi)積為：

上式可以看出，主成方向矢量之間的內(nèi)積計算同樣可以通過核函數(shù)的方法實現(xiàn)，基于異常度量方法，在異常瓦斯數(shù)據(jù)檢測過程中可將實際數(shù)據(jù)分為M段長度為N的數(shù)據(jù)子矩陣，每個子矩陣對應一個主成方向矢量，其平均主成方向矢量可以表示為：

(β₁，β₂，β₃…β_γ)＝(φ(x_b1)，φ(x_b2)，φ(x_b3)，…，φ(x_br))C (10)

上式中sum(v_i)表示向量之間的各元素之和，參數(shù)c用于確保的單位性。

3、瓦斯?jié)舛犬惓?shù)據(jù)檢測算法流程

算法可以劃分為兩個階段，訓練階段和檢測階段，訓練階段主要是通過歷史數(shù)據(jù)獲取數(shù)據(jù)分布的特征，估計分布模型參數(shù)；檢測階段主要是計算檢測數(shù)據(jù)集的主成方向矢量的分布概率，根據(jù)概率的大小判斷瓦斯?jié)舛葦?shù)據(jù)是否出現(xiàn)異常，其詳細的步驟如下：

訓練階段

(6)將樣本數(shù)據(jù)進行劃分為M段長度為N的數(shù)據(jù)子矩陣D_j(j＝1,2…M)；

(7)選取合適的核函數(shù)用于高維特征空間的矢量內(nèi)積；

(8)采用KPCA的方法獲取各數(shù)據(jù)子矩陣映射到高維特征空間后的主成方向矢量v_j；

(9)通過M個v_j計算整個訓練數(shù)據(jù)子矩陣的平均方向矢量

(10)采用VMF分布模型描述歷史數(shù)據(jù)主成方向矢量的分布，并估計確定模型參數(shù)。

檢測階段

(4)求解數(shù)據(jù)子矩陣D_j+1的主成方向矢量v_j+1；

(5)求解主成方向單位矢量v_j+1與平均單位方向矢量的內(nèi)積η；

(6)使用下式計算分布概率并與預定義的門限值進行比較，若，則認為瓦斯數(shù)據(jù)異常。

根據(jù)檢測的濃度評價爆炸風險包括以下步驟：一種瓦斯爆炸災害風險評價方法，包括以下步驟：步驟1：從“人-機-環(huán)境-管理”4個方面考慮，確定瓦斯爆炸災害風險指標體系，對瓦斯爆炸災害風險劃分風險等級；步驟2：采用改進的AHP單準則排序方法確定所述指標體系中的各指標的權(quán)重向量；步驟3：根據(jù)所述各指標匹配的各風險等級的臨界值，將隸屬度函數(shù)分為成本型隸屬度函數(shù)或效益型隸屬度函數(shù)；依據(jù)各風險等級隸屬度函數(shù)的確定公式來確定所述成本型隸屬度函數(shù)或效益型隸屬度函數(shù)，并根據(jù)所述成本型隸屬度函數(shù)或效益型隸屬度函數(shù)得到相應的指標隸屬度矩陣μ；步驟4：根據(jù)非線性隸屬度轉(zhuǎn)換算法和所述指標體系中各指標的權(quán)重向量，將所述的指標隸屬度矩陣μ轉(zhuǎn)換為目標隸屬度向量；步驟5：根據(jù)置信度識別準則和所述目標隸屬度向量，判斷瓦斯爆炸災害的風險等級。

瓦斯的涌出會被“大數(shù)”剔除，由此會帶來嚴重的安全隱患，為此，請參閱圖3，本發(fā)明進一步的公開了一種瓦斯涌出預測方法，包括如下步驟：S001：考察計算工作面瓦斯預測基本數(shù)據(jù)，包括：圍巖瓦斯涌出系數(shù)K1、工作面丟煤瓦斯涌出系數(shù)K2、原始煤層瓦斯含量X0、殘存煤層瓦斯含量Xc、開采煤層的厚度m、與所述開采煤層相鄰的第i個鄰近煤層的厚度mi、所述開采煤層的開采厚度m0、與所述開采煤層相鄰的第i個鄰近煤層的瓦斯含量Xi、與所述開采煤 層相鄰的第i個鄰近煤層的殘存瓦斯含量Xic、與所述開采煤層相鄰的第i個鄰近煤層受采動影響的瓦斯排放率ζi、開采分層的高度M、所述開采煤層傾斜角度α、開采分層下部煤體采動影響深度h、開采煤層瓦斯含量梯度Xt、開采煤層瓦斯排放率梯度λt、開采分層下部煤體最大瓦斯排放率λmax；S002：計算出所述開采分層的瓦斯涌出量q1；S003：計算出回采工作面中與所述開采煤層相鄰的鄰近煤層的瓦斯涌出量q2；S004：計算出所述回采工作面的下部卸壓瓦斯涌出量q3；S005：計算出開采工作面的瓦斯涌出量q采，其中，q采＝q1+q2+q3。進一步地，所述開采分層的瓦斯涌出量q1通過如下公式計算得出：

所述鄰近煤層的瓦斯涌出量q2通過如下公式計算得出：

下部卸壓瓦斯涌出量q3通過如下公式計算得出：

在以上的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明。但是以上描述僅是本發(fā)明的較佳實施例而已，本發(fā)明能夠以很多不同于在此描述的其它方式來實施，因此本發(fā)明不受上面公開的具體實施的限制。同時任何熟悉本領域技術(shù)人員在不脫離本發(fā)明技術(shù)方案范圍情況下，都可利用上述揭示的方法和技術(shù)內(nèi)容對本發(fā)明技術(shù)方案做出許多可能的變動和修飾，或修改為等同變化的等效實施例。凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術(shù)方案保護的范圍內(nèi)。