《Fire》：Research on Gas Concentration Prediction Method Based on Decoupling of Temporal Feature and Dynamic Relationship Reconstruction
编辑推荐：
准确的多通道瓦斯浓度预测对煤矿安全至关重要。然而，传感器网络的动态重构往往会干扰输入序列。现有模型面临一个关键权衡：通道独立模型对序列变化具有鲁棒性，但忽略了空间耦合；而通道依赖模型对固定序列过拟合，在重排列时导致性能崩溃。本文提出了一种基于通道置换不变交互（
准确的多通道瓦斯浓度预测对煤矿安全至关重要。然而，传感器网络的动态重构往往会干扰输入序列。现有模型面临一个关键权衡：通道独立模型对序列变化具有鲁棒性，但忽略了空间耦合；而通道依赖模型对固定序列过拟合，在重排列时导致性能崩溃。本文提出了一种基于通道置换不变交互（Channel Permutation-invariant Interaction, CPiRi）的瓦斯浓度预测框架，以协调这些局限性。CPiRi采用时空解耦架构，其中冻结的单变量预训练编码器独立提取时间特征以确保序列鲁棒性。随后，置换等变的空间模块利用自注意力（self-attention）基于数据内容而非位置索引来建模通道间瓦斯涌出关系。为实现真正的置换不变性，研究人员在训练期间引入通道混洗正则化，强制模型学习内容驱动的关联推理。在15个中国真实煤矿olygon煤矿数据集上的评估表明，CPiRi实现了极具竞争力的精度，并在预测精度和结构适应性方面始终优于主流基线方法。该研究为动态环境中的瓦斯监测提供了稳健的技术途径，显著提高了智能矿井安全系统的可靠性。
在高强度、连续的地下开采条件下，瓦斯涌出表现出显著的时间变异性和空间异质性。局部、瞬时的积聚可能轻易超过安全阈值并引发连锁灾害，构成了重大和灾难性煤矿事故的主要致因之一。与事后减灾相比，基于连续多点监测数据的主动式时间序列预测直接决定了预警的提前量和应急响应窗口的有效压缩，因此已成为智能矿井安全管理系统中的关键组成部分。随着地下监测基础设施的大规模升级，全矿井多传感器网络的密集部署得以实现，关键位置包括采煤工作面、回风巷道和关键节点均配备了稳定的多通道同步采集系统，形成了全面的多变量时间序列数据基础。这一工程进步为跨传感器耦合建模和高精度预测提供了实际数据支持，使得能够捕捉全局协同演化模式的瓦斯浓度预测方法得以在实际场景中实施。
然而，实际地下作业环境远非理想化的数据采集环境。受高湿、高尘和强电磁干扰等恶劣条件影响，瓦斯传感器需要定期离线维护校准，且硬件更换频繁。同时，矿井监测网络系统的日常维护和局部调整常伴随传感器更换、重新编号和通道重排序，导致输入数据索引的结构不一致性。在这些常规作业流程下，传感器标识系统不可避免地重置，而传输链路中的数据通道数量和排序持续变化，导致全局非平稳和结构不一致的输入数据。更关键的是，大多数现有时间序列预测模型隐式假设通道索引与物理测点之间的一一对应关系，训练时模型参数与固定通道位置紧密耦合，一旦实际发生通道重排序或局部更换，学习到的传感器间关系即遭破坏，引发系统性预测偏差甚至完全失效。这一问题严重制约了在线预警系统在动态作业环境中的持续可靠性。
从现有研究来看，多通道瓦斯时间序列预测方法主要沿两大技术范式演进，但均难以满足复杂井下条件的需求。第一类是通道独立建模范式，将每个测点视为独立的单变量时间序列分别建模。此类方法对通道置换具有天然不变性，在传感器更换或通道重构后仍能保持基本功能，但未能显式考虑相邻工作面及同一采区内瓦斯运移的空间耦合效应，无法捕捉传感器间交互模式，导致异常瓦斯波动时预测响应滞后、精度天花板受限。第二类是多通道联合建模，利用多变量输入提取时空协同特征，在稳定通道配置下实现更高预测精度，但训练时依赖固定通道排序和索引，模型参数产生强位置依赖性，即使输入结构的微小扰动也会导致显著性能退化，难以适应动态演化的地下环境。综上，现有方法在抗通道扰动鲁棒性与空间耦合建模能力之间仍存在根本分野，缺乏有效统一兼顾二者的框架。
针对上述工程痛点和方法局限，本文提出了一种面向井下动态感知场景的瓦斯浓度预测框架CPiRi，通过时间特征解耦与动态关系重构实现通道置换不变建模。首先，在模型前端建立时空解耦架构：单变量时间序列编码器在全矿历史数据上预训练，下游训练时冻结其参数，使各通道独立提取对应测点的长短期演化特征，从机制层面继承独立建模对通道置换的鲁棒性。其次，在特征交互阶段引入置换等变的空间感知模块，不依固定索引位置而按实时数据分布自适应学习测点间交互强度，通过轻量级注意力机制动态重构瓦斯涌出的空间依赖结构，使模型在通道顺序变化时仍能维持稳定的关系表征能力。此外，在训练过程中融入通道随机混洗策略，多次随机重排输入序列以显式打破位置先验，强制模型从数据内在统计规律中学习，从而获得对任意通道排列的泛化能力。
该框架的核心贡献集中于三个方面：第一，针对煤矿动态感知操作这一长期被忽视的真实复杂场景，将通道置换不变性的核心机制引入多通道井下瓦斯浓度时间序列预测领域，打破了鲁棒性与预测精度长期被视为互斥的工业困境；第二，在方法层面创新设计了轻量级置换等变空间交互耦合模块，并针对工业时间序列场景量身定制通道混洗正则化策略，实现跨传感器瓦斯空间关系的全数据驱动动态重构，有效降低对硬件标识符和固定通道位置等人为先验的依赖；第三，基于全国多个真实地下工作面采集的全尺度实测瓦斯数据集开展综合验证，结果表明所提方法兼具高精度、强鲁棒性和低部署成本，可直接集成至现有智能矿井监测系统实现快速工程化应用。
本研究的技术方法核心包括三个关键阶段。第一阶段为时间特征编码，独立提取各变量历史序列的时间动态特征，获得变量级时间表示。第二阶段为置换不变关系交互，通过关系建模模块学习变量间交互关系，同时确保模型对变量排序变化保持稳健。该模块采用自注意力机制，注意力权重仅取决于变量特征间的相似度而非绝对索引，使输入变量置换时注意力权重矩阵相应置换，从而保持整体关系结构不变。第三阶段为独立预测生成，基于更新后的变量表示生成未来序列预测。为实现真正的置换不变性，训练阶段引入随机变量置换策略，每次迭代随机采样排列对输入和目标序列同步重排，迫使模型基于变量内容而非固定索引学习关系结构。
研究所用数据源自研究团队与国内多家煤炭企业的长期合作，涵盖河南、安徽、贵州、黑龙江等主要产煤区的五个代表性矿井中15个具有强通道异质性的采煤工作面，统一选取2025年第三季度采矿活动稳定、通风系统正常运行期间的监测数据。核心实验数据集来自河南省平顶山市一座煤与瓦斯突出矿井的综采工作面，该工作面配备了研究团队联合开发的智能瓦斯监测预警系统，以30秒采样间隔同步采集包括瓦斯浓度、风速、温度和压力在内的多通道时间序列数据。经滑动窗口分割后，按7:2:1比例分割训练、验证和测试集，获得约120,000个有效样本。
消融实验结果提供了对CPiRi框架各组件功能角色的深刻洞察，同时明确验证了模型的use的稳定性。完整CPiRi模型在所有任务中保持最低标准差。配对t检验确认CPiRi相对于所有变体的性能优势具有统计显著性，所有精确p值均远低于0.05阈值。变体A（移除冻结编码器）与完整模型的比较表明，冻结预训练编码器可防止微调时对特定矿井数据分布的过拟合，保留大规模时间序列数据学习到的通用表征能力。变体B（移除通道混洗）在标准测试与置换测试之间的性能差距凸显了通道混洗策略的必要性：缺乏该正则化时，模型倾向于记忆固定通道顺序，导致输入顺序变化时严重性能退化与极端不稳定性，有时甚至劣于完全移除通道间交互的变体C。这说明在不当训练策略下，复杂空间模块反而可能成为模型脆弱性的来源。变体C（移除空间交互模块）的性能退化确认了通道间关系建模在瓦斯浓度预测中的不可或缺的地位。变体F（平均池化替代自注意力）和G（全连接网络替代自注意力）的统计劣效性进一步证明自注意力的优势：平均池化受限于无法建模非线性耦合关系，而全连接网络缺乏置换等变性。变体D（随机初始化编码器）的结果显示随机初始化编码器无法提供充分的时间先验，即使结合空间模块和混洗策略，预测精度仍显著恶化，凸显了预训练权重的根本重要性。总体而言，CPiRi的性能增益源于各组件的协同设计：冻结编码器确保稳定的时间特征提取，通道混洗策略强制基于内容的关系学习而非位置依赖，自注意力机制提供实现这一目标所需的置换等变结构。
预测结果分析显示，在瓦斯浓度剧烈波动的工作面，模型间性能差异尤为显著。以B工作面为例，该区域经历四次连续快速下降，CPiRi成功将两个峰值幅度的预测误差限制在5%以内。iTransformer和Crossformer虽能捕捉主要振荡趋势，但峰值附近预测值普遍低于实际值；PatchTST和DLinear则因缺乏通道间耦合建模，在突变区域响应显著滞后，峰值预测延迟约2-3个采样点，平均相对误差超10%。在浓度变化相对平稳的工作面，模型差异体现为对细微局部波动的拟合精度。综合15个工作面的单步预测结果，CPiRi在所有测试场景中均表现出最优的拟合效果，与真实值重叠度最高、突变特征捕捉最准、抗噪声干扰能力最强。
多步预测定量比较表明，CPiRi在五个代表性工作面上均取得最优MAE和RMSE。与通道依赖模型相比，CPiRi相对iTransformer的MAE改善稳定在4.3%-4.4%，RMSE改善幅度相近。与通道独立模型相比优势更为显著：相对PatchTST的MAE改善约10.0%-10.2%，相对DLinear达18.4%-18.6%。iTransformer和Crossformer虽通过显式通道关系建模获得优于通道独立模型的性能，但依赖固定通道索引的交互机制，其实际性能建立在训练数据通道顺序不变的假设之上。CPiRi通过时空解耦架构与通道混洗策略的协同设计，在保留通道关系建模能力的同时消除对固定序列的依赖。
讨论部分指出，CPiRi的核心贡献在于将通道置换不变性的理论概念转化为可实现框架，为传感器频繁重配置的动态采矿环境中的瓦斯浓度预测提供可靠技术途径。传统方法中，基于物理模型的分析方法虽具可解释性，但难以适应开采环境的动态变化；数据驱动深度学习方法中，通道依赖模型因过拟合固定通道顺序而在传感器重编号时性能崩溃，通道独立模型则因忽略跨通道耦合而精度受限。CPiRi的进步并非源于模型容量的简单提升，而是针对通道顺序不确定性这一核心问题的靶向设计。该研究代表了从"记忆序列"到"理解关系"的范式转变，更接近空间瓦斯涌出关联的底层物理本质。
同时，该研究审慎界定了当前模型的适用范围：CPiRi维持固定输入维度N，有效应对传感器重索引、更换和通道混洗场景，但尚未动态适应监测网络的维度缩放（传感器增减）以及物理数据损坏（缺失值lak値和传感器漂移）。
研究结论部分明确：通道顺序不确定性是现有瓦斯浓度预测方法在动态网络中性能退化的核心瓶颈；CPiRi通过时空解耦与通道混洗正则化的协同系统性化解了这一矛盾；多维实验验证了CPiRi的有效性、鲁棒性和实用性。完整模型在多个真实矿井数据集上取得最优MAE和RMSE，消融研究确认了预训练编码器、混洗策略和自注意力模块的相互强化作用。未来工作需继续完善域自适应微调、动态融合机制以及物理知识注入，以克服当前依赖性并进一步增强煤矿安全"感知-预测-预警-控制"技术链。
