瓦斯爆炸事故是煤矿井下主要重大灾害之一。为了预防瓦斯爆炸事故，各煤矿企业采取了种种措施，其中之一就是煤矿安全监控系统。其原理就是井下各个工作面设置瓦斯传感器，通过电缆传输到地面，再通过地面中心站计算机进行数据采集处理，显示到各个终端显示器上，生产调度人员根据这些实时数据监控瓦斯变化情况。目前，中国将瓦斯监测系统发展到了集计算机、通讯、传感技术于一身的多参数多功能的监控系统，这类系统具有瓦斯浓度检测和浓度超标报警功能，从技术手段上很好地避免了瓦斯超限作业，消除了由此产生的隐患。但是此类监控系统只能起到现场报警和断电作用，不能对系统的状态进行分析，获知系统未来的发展趋势，提前提供预警信息。如果在瓦斯实时监测的基础上，对瓦斯浓度进行预测，从而预先调节系统的状态、对事故的隐患实行超前控制，就可以大大减少瓦斯爆炸事故的发生，防止瓦斯爆炸灾害事故扩大。因此，研究井下工作环境中瓦斯浓度及其变化规律是十分有意义的。 本文在分析瓦斯预警面临的难题和比较各种瓦斯浓度预测方法的基础上，提出了利用 BP 神经网络进行瓦斯浓度分析和预测建模的方法。瓦斯浓度是一个复杂的非线性动力学系统，除了与地层瓦斯含量有关外，还和煤岩性质、开采技术条件、瓦斯压力、地质条件、通风系统的形式、设备设施的工况、人员管理水平及相关子系统等因素有关。由于这些因素的瞬时性、随机性及相互间关系的复杂性，工作空间风流中的瓦斯浓度的变化十分复杂，而神经网络具有很强的非线性逼近能力、抗干扰能力和自学习、自适应等特性，在时间序列预测中颇受关注。神经网络通过对以往历史数据的学习，找出瓦斯浓度变化的内在规律，并将其存储在网络具体的权值和阈值中，用以预测未来的数据。 本文分析了采用神经网络进行瓦斯浓度预测的原理，利用三层前馈神经网络对瓦斯浓度建立预测模型，根据预测数据判定矿井的安全状态并提供预警。详细探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取、初始参数的确定等问题。为了避免网络陷入局部最小点和提高网络的收敛速度，在实验中对标准 BP 算法和几种改进后的 BP 算法的性能做了比较，算法采用改进后的学习率可变的加动量因子BP 算法。最后以某矿瓦斯浓度实测数据为例对所建的预测模型进行训练，并用训练好的网络预测瓦斯浓度数据。理论分析和实验结果表明，BP 神经网络用于瓦斯浓度的预警是可行、有效的。