CN104881711A - 基于矿工行为分析的井下预警机制 - Google Patents
基于矿工行为分析的井下预警机制 Download PDFInfo
- Publication number
- CN104881711A CN104881711A CN201510253936.XA CN201510253936A CN104881711A CN 104881711 A CN104881711 A CN 104881711A CN 201510253936 A CN201510253936 A CN 201510253936A CN 104881711 A CN104881711 A CN 104881711A
- Authority
- CN
- China
- Prior art keywords
- miner
- hole
- miners
- behavior
- underground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
一种基于矿工行为分析的井下预警机制,属于井下预警机制。井下预警机制:对矿工的历史活动轨迹进行统计;方法是对井下矿工的移动轨迹数据进行随机抽样,抽样轨迹数据的时间长度为1个月,采集矿工的移动轨迹;对抽样的数据进行观察,剔除其中存在安全隐患和异常行为多的矿工;之后按照隐马尔可夫模型对其地点与行为进行建模,获取其三个状态参数λ=(A,B,Π)。在井下,矿工的移动数据蕴涵了该矿工的行为特征,通过对矿工的行为进行分析,建立一套矿工行为的评价标准,使用该标准对矿工的行为进行评估,发现矿工的异常行为,起到预警的作用。优点:对矿工的不规范行为,通过其移动轨迹进行发现,建立一套预警机制,防范于未然,提高矿工的在井下工作的安全性。
Description
技术领域
本发明涉及一种井下预警机制,特别是一种基于矿工行为分析的井下预警机制。
背景技术
在如今,矿工井下的预警机制多数集中在井下对工作环境的监控,如对瓦斯浓度的监控,但是对矿工异常行为的监控,多数是录像监控,或者用安全规范约束矿工的异常行为,对矿工异常行为没有一套完整行为评价标准,因此无法评估矿工的行为是否为异常行为,更无法对矿工异常行为进行预警。
发明内容
本发明的目的是要提供一种基于矿工行为分析的井下预警机制,解决无法评估矿工的行为是否为异常行为,更无法对矿工异常行为进行预警的问题。
本发明的目的是这样实现的:井下预警机制:先要对矿工的历史活动轨迹进行统计;统计的方法是对井下矿工的移动轨迹数据进行随机抽样,抽样轨迹数据的时间长度为1个月,采集矿工的移动轨迹;对抽样的数据进行观察,剔除其中存在安全隐患和异常行为多的矿工;之后按照隐马尔可夫模型对其地点与行为进行建模,获取其三个状态参数λ=(A,B,Π);其中:
A:状态转移概率:
其中aij=p(qt+1=Sj|qt=Si),Si,
B:观测概率:
其中bj(m)≡p(Ot=vM|qt=Si),
Π:表示初始概率:
Π=[πi],其中πi≡p(q1=Si);
具体方法如下:
对矿工的移动行为进行停留点的发现,停留点的定义是在矿工在一段时间内,其滞留的区域;发现停留区域后,将停留区域参照井下地图发现其在井下的地点对其进行标注;
按照时段对矿工在井下的活动时间进行划分,划分的规则为,选取停留点的作为时间粒度,将矿工的井下活动时间进行均分;
将矿工在井下的移动轨迹按照时间划分产生一个矿工井下移动序列,该序列作为隐马尔可夫过程的观测序列;
调取这一个月内的井下视频监控,对矿工的行为按照时间划分进行发现,对其进行统计;将井下的矿工活动状态转移序列作为隐马尔可夫过程中的状态转移序列进行统计,计算出矿工的状态转移矩阵A,通过与之前矿工轨迹观测序列进行统计,计算获得发射概率B,这样便基于隐马尔可夫模型建立了矿工的在井下的移动模型;
通过对行为规范度高的矿工的行为进行建模,得到一个行为规范的矿工隐马尔可夫参数及X={λ1,λ2...λn}其中n为抽样中矿工的个数;
将该参数集评价机制,对矿工的井下工作轨迹进行评价。
评价的方法是:对该矿工进行停留点发现,并且按照时段,获得该矿工在井下移动轨迹观测序列,获得该观测序列后对其进行评估,评估的值为:
式中,O表示观测序列,λi表示在第i个模型,n代表模型的总数;
设定一个阈值,当评估值小于该阈值时,可以怀疑该矿工在井下的移动行为存在不规范;对其在井下的录像进行调查监控,发现其异常行为,起到预警的作用。
有益效果,由于采用了上述方案,在井下,矿工的移动数据蕴涵了该矿工的行为特征,通过对矿工的行为进行分析,建立一套矿工行为的评价标准,使用该标准对矿工的行为进行评估,发现矿工的异常行为,起到预警的作用。解决了无法评估矿工的行为是否为异常行为,更无法对矿工异常行为进行预警的问题,达到了本发明的目的。
优点:对矿工的不规范行为,通过其移动轨迹进行发现,建立一套预警机制,防范于未然,提高矿工的在井下工作的安全性。
附图说明:
图1是本发明的状态和矿工行为的关系图。
具体实施方式
实施例1:井下预警机制:先要对矿工的历史活动轨迹进行统计;统计的方法是对井下矿工的移动轨迹数据进行随机抽样,抽样轨迹数据的时间长度为1个月,采集矿工的移动轨迹;对抽样的数据进行观察,剔除其中存在安全隐患和异常行为多的矿工;之后按照隐马尔可夫模型对其地点与行为进行建模,获取其三个状态参数λ=(A,B,Π);其中:
A:状态转移概率:
其中aij=p(qt+1=Sj|qt=Si),Si,
B:观测概率:
其中bj(m)≡p(Ot=vM|qt=Si),
Π:表示初始概率:
Π=[πi],其中πi≡p(q1=Si);
具体方法如下:
对矿工的移动行为进行停留点的发现,停留点的定义是在矿工在一段时间内,其滞留的区域;发现停留区域后,将停留区域参照井下地图发现其在井下的地点对其进行标注;
按照时段对矿工在井下的活动时间进行划分,划分的规则为,选取停留点的作为时间粒度,将矿工的井下活动时间进行均分;
将矿工在井下的移动轨迹按照时间划分产生一个矿工井下移动序列,该序列作为隐马尔可夫过程的观测序列;
调取这一个月内的井下视频监控,对矿工的行为按照时间划分进行发现,对其进行统计;将井下的矿工活动状态转移序列作为隐马尔可夫过程中的状态转移序列进行统计,计算出矿工的状态转移矩阵A,通过与之前矿工轨迹观测序列进行统计,计算获得发射概率B,这样便基于隐马尔可夫模型建立了矿工的在井下的移动模型;
通过对行为规范度高的矿工的行为进行建模,得到一个行为规范的矿工隐马尔可夫参数及X={λ1,λ2...λn}其中n为抽样中矿工的个数;
将该参数集评价机制,对矿工的井下工作轨迹进行评价。
评价的方法是:对该矿工进行停留点发现,并且按照时段,获得该矿工在井下移动轨迹观测序列,获得该观测序列后对其进行评估,评估的值为:
式中,O表示观测序列,λi表示在第i个模型,n代表模型的总数;
设定一个阈值,当评估值小于该阈值时,可以怀疑该矿工在井下的移动行为存在不规范;对其在井下的录像进行调查监控,发现其异常行为,起到预警的作用。
具体的:
在采用该预警机制时,先要对矿工的移动轨迹进行抽样,并从其中筛选出规范员工的移动数据,然后对其按照隐马尔可夫过程进行建模,获取参数集X。对矿井下的其他矿工按照该参数集进行评估。得到评估值,并对评估值设定阈值,高于该阈值的矿工为规范矿工,定于该阈值的为不规范员工,对其视频监控进行监控发现其异常状态,起到预警作用。
图1为状态和矿工行为的关系图,图中,S1、表示矿工的第一个状态;S2、表示矿工的第二个状态;S3、表示矿工的第三个状态;tra1、表示矿工的第一个地点;tra2、表示矿工的第二个地点;tra3、表示矿工的第三个地点;tra4、表示矿工的第四个地点;a、表示状态转移的概率;a12、表示状态1向状态2转移的概率;b、表示状态引发移动的发射概率,如b12,由状态1观测到矿工处于第二个地点的概率。
Claims (2)
1.一种基于矿工行为分析的井下预警机制,其特征是:井下预警机制:先要对矿工的历史活动轨迹进行统计;统计的方法是对井下矿工的移动轨迹数据进行随机抽样,抽样轨迹数据的时间长度为1个月,采集矿工的移动轨迹;对抽样的数据进行观察,剔除其中存在安全隐患和异常行为多的矿工;之后按照隐马尔可夫模型对其地点与行为进行建模,获取其三个状态参数λ=(A,B,Π);其中:
A:状态转移概率:
其中aij=p(qt+1=Sj|qt=Si),Si,
B:观测概率:
其中bj(m)≡p(Ot=vM|qt=Si),
Π:表示初始概率
Π=[πi],其中πi≡p(q1=Si);
具体方法如下:
对矿工的移动行为进行停留点的发现,停留点的定义是在矿工在一段时间内,其滞留的区域;发现停留区域后,将停留区域参照井下地图发现其在井下的地点对其进行标注;
按照时段对矿工在井下的活动时间进行划分,划分的规则为,选取停留点的作为时间粒度,将矿工的井下活动时间进行均分;
将矿工在井下的移动轨迹按照时间划分产生一个矿工井下移动序列,该序列作为隐马尔可夫过程的观测序列;
调取这一个月内的井下视频监控,对矿工的行为按照时间划分进行发现,对其进行统计;将井下的矿工活动状态转移序列作为隐马尔可夫过程中的状态转移序列进行统计,计算出矿工的状态转移矩阵A,通过与之前矿工轨迹观测序列进行统计,计算获得发射概率B,这样便基于隐马尔可夫模型建立了矿工的在井下的移动模型;
通过对行为规范度高的矿工的行为进行建模,得到一个行为规范的矿工隐马尔可夫参数及X={λ1,λ2...λn}其中n为抽样中矿工的个数;
将该参数集评价机制,对矿工的井下工作轨迹进行评价。
2.根据权利要求1所述的基于矿工行为分析的井下预警机制,其特征是:所述的评价的方法是:对该矿工进行停留点发现,并且按照时段,获得该矿工在井下移动轨迹观测序列,获得该观测序列后对其进行评估,评估的值为:
式中,O表示观测序列,λi表示在第i个模型,n代表模型的总数;
设定一个阈值,当评估值小于该阈值时,可以怀疑该矿工在井下的移动行为存在不规范;对其在井下的录像进行调查监控,发现其异常行为,起到预警的作用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510253936.XA CN104881711B (zh) | 2015-05-18 | 2015-05-18 | 基于矿工行为分析的井下预警机制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510253936.XA CN104881711B (zh) | 2015-05-18 | 2015-05-18 | 基于矿工行为分析的井下预警机制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881711A true CN104881711A (zh) | 2015-09-02 |
CN104881711B CN104881711B (zh) | 2018-08-07 |
Family
ID=53949198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510253936.XA Active CN104881711B (zh) | 2015-05-18 | 2015-05-18 | 基于矿工行为分析的井下预警机制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881711B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426553A (zh) * | 2016-01-15 | 2016-03-23 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN107609795A (zh) * | 2017-10-10 | 2018-01-19 | 清华大学 | 工地安全隐患管控马尔可夫网络分析系统 |
CN109902265A (zh) * | 2019-02-28 | 2019-06-18 | 西南石油大学 | 一种基于隐马尔可夫模型的井下预警方法 |
CN116502055A (zh) * | 2023-01-10 | 2023-07-28 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255540A1 (en) * | 2003-02-18 | 2007-11-01 | Nec Corporation | Apparatus and method of detecting abnormal behavior |
CN102279410A (zh) * | 2011-06-21 | 2011-12-14 | 北京蓝尊科技有限公司 | 矿山地下开采活动实时监测系统及其方法 |
US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
CN102486851A (zh) * | 2010-12-05 | 2012-06-06 | 西软软件股份有限公司 | 基于人机环境多因素协同的安全生产综合管理系统 |
CN103248878A (zh) * | 2013-05-23 | 2013-08-14 | 南车株洲电力机车有限公司 | 一种综采工作面异常状况的模式识别方法、装置与系统 |
CN103268406A (zh) * | 2013-05-09 | 2013-08-28 | 湖南大学 | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 |
CN103617699A (zh) * | 2013-12-02 | 2014-03-05 | 国家电网公司 | 一种电力作业现场安全智能监护系统 |
CN103716324A (zh) * | 2013-12-31 | 2014-04-09 | 重庆邮电大学 | 一种基于多智能体虚拟矿井风险行为实现系统及方法 |
CN103886132A (zh) * | 2014-02-21 | 2014-06-25 | 江苏比特达信息技术有限公司 | 煤矿不安全行为警示仿真的方法 |
CN103957505A (zh) * | 2014-04-22 | 2014-07-30 | 北京航空航天大学 | 一种基于ap的行为轨迹检测分析与服务提供系统及方法 |
US20140277832A1 (en) * | 2013-03-14 | 2014-09-18 | National University Corporation Nara Institute | System for detecting abnormal driving behavior |
-
2015
- 2015-05-18 CN CN201510253936.XA patent/CN104881711B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255540A1 (en) * | 2003-02-18 | 2007-11-01 | Nec Corporation | Apparatus and method of detecting abnormal behavior |
US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
CN102486851A (zh) * | 2010-12-05 | 2012-06-06 | 西软软件股份有限公司 | 基于人机环境多因素协同的安全生产综合管理系统 |
CN102279410A (zh) * | 2011-06-21 | 2011-12-14 | 北京蓝尊科技有限公司 | 矿山地下开采活动实时监测系统及其方法 |
US20140277832A1 (en) * | 2013-03-14 | 2014-09-18 | National University Corporation Nara Institute | System for detecting abnormal driving behavior |
CN103268406A (zh) * | 2013-05-09 | 2013-08-28 | 湖南大学 | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 |
CN103248878A (zh) * | 2013-05-23 | 2013-08-14 | 南车株洲电力机车有限公司 | 一种综采工作面异常状况的模式识别方法、装置与系统 |
CN103617699A (zh) * | 2013-12-02 | 2014-03-05 | 国家电网公司 | 一种电力作业现场安全智能监护系统 |
CN103716324A (zh) * | 2013-12-31 | 2014-04-09 | 重庆邮电大学 | 一种基于多智能体虚拟矿井风险行为实现系统及方法 |
CN103886132A (zh) * | 2014-02-21 | 2014-06-25 | 江苏比特达信息技术有限公司 | 煤矿不安全行为警示仿真的方法 |
CN103957505A (zh) * | 2014-04-22 | 2014-07-30 | 北京航空航天大学 | 一种基于ap的行为轨迹检测分析与服务提供系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426553A (zh) * | 2016-01-15 | 2016-03-23 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN105426553B (zh) * | 2016-01-15 | 2018-09-11 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN107609795A (zh) * | 2017-10-10 | 2018-01-19 | 清华大学 | 工地安全隐患管控马尔可夫网络分析系统 |
CN109902265A (zh) * | 2019-02-28 | 2019-06-18 | 西南石油大学 | 一种基于隐马尔可夫模型的井下预警方法 |
CN116502055A (zh) * | 2023-01-10 | 2023-07-28 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
CN116502055B (zh) * | 2023-01-10 | 2024-05-03 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Also Published As
Publication number | Publication date |
---|---|
CN104881711B (zh) | 2018-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pu et al. | Machine learning methods for rockburst prediction-state-of-the-art review | |
CN104881711A (zh) | 基于矿工行为分析的井下预警机制 | |
Hudyma et al. | An engineering approach to seismic risk management in hardrock mines | |
CN112647965B (zh) | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 | |
CN103291364B (zh) | 一种冲击矿压的微震多维信息综合时序预警方法 | |
Razani et al. | A novel fuzzy inference system for predicting roof fall rate in underground coal mines | |
Guo et al. | Assessment of rockburst risk using multivariate adaptive regression splines and deep forest model | |
CN107605536A (zh) | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 | |
CN117152893B (zh) | 一种森林防灾方法及系统 | |
Bakhtavar et al. | Air pollution risk assessment using a hybrid fuzzy intelligent probability-based approach: mine blasting dust impacts | |
Holloran et al. | Winter habitat use of greater sage‐grouse relative to activity levels at natural gas well pads | |
Zhou et al. | Human dynamics in near-miss accidents resulting from unsafe behavior of construction workers | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 | |
CN114417697A (zh) | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 | |
Wu et al. | A dynamic decision approach for risk analysis in complex projects | |
Tinoco et al. | Predictive and prescriptive analytics in transportation geotechnics: Three case studies | |
Hosseini et al. | A reliability-based rock engineering system for clean blasting: risk analysis and dust emissions forecasting | |
Khushaba et al. | A machine learning approach for material type logging and chemical assaying from autonomous measure-while-drilling (MWD) data | |
CN115688956A (zh) | 一种基于移动滑窗智能学习的随钻阻卡预警方法及系统 | |
CN106092575A (zh) | 一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法 | |
Sarna et al. | Predicting Upcoming Collapse Incidents During Tunneling in Rocks with Continuation Length Based on Influence Zone | |
CN112288243B (zh) | 一种煤中伴生金属资源评价方法及装置 | |
Bahrami et al. | Application of machine learning to determine underground hazard location | |
JP2021131738A (ja) | 工程判別システム、及び工程判別方法 | |
Mishra et al. | Real-Time Risk Assessment and Ground Support Optimisation in Underground Mines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |