CN110598617B - 煤矿安全监控系统瓦斯异常数据辨识与重构方法 - Google Patents

煤矿安全监控系统瓦斯异常数据辨识与重构方法 Download PDF

Info

Publication number
CN110598617B
CN110598617B CN201910835378.6A CN201910835378A CN110598617B CN 110598617 B CN110598617 B CN 110598617B CN 201910835378 A CN201910835378 A CN 201910835378A CN 110598617 B CN110598617 B CN 110598617B
Authority
CN
China
Prior art keywords
signal
threshold
data
wavelet
monitoring system
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.)
Active
Application number
CN201910835378.6A
Other languages
English (en)
Other versions
CN110598617A (zh
Inventor
邢震
王海波
何敏
李娟�
屈世甲
王栋平
孙小进
张卫国
武晔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tiandi Changzhou Automation Co Ltd
Changzhou Research Institute of China Coal Technology and Engineering Group Corp
Original Assignee
Tiandi Changzhou Automation Co Ltd
Changzhou Research Institute of China Coal Technology and Engineering Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tiandi Changzhou Automation Co Ltd, Changzhou Research Institute of China Coal Technology and Engineering Group Corp filed Critical Tiandi Changzhou Automation Co Ltd
Priority to CN201910835378.6A priority Critical patent/CN110598617B/zh
Publication of CN110598617A publication Critical patent/CN110598617A/zh
Application granted granted Critical
Publication of CN110598617B publication Critical patent/CN110598617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Combustion & Propulsion (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Educational Administration (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种煤矿安全监控系统瓦斯异常数据辨识与重构方法，包括递推平均异常数据滤除、阈值异常数据滤除及去噪效果检测步骤。该煤矿安全监控系统瓦斯异常数据辨识与重构方法通过两种算法对瓦斯数据分析，将异常数据进行筛选并通过算法得到重构数据，对两种算法的结果分别与原始数据进行对比，采用信噪比和均方根误差来衡量去噪效果，小波软阈值去噪方法重构数据更趋近于监控系统瓦斯数据，适用于瓦斯异常数据识别及重构，从而大大提升了安全监控系统的报警准确率。

Description

煤矿安全监控系统瓦斯异常数据辨识与重构方法
技术领域：
本发明涉及矿山安全技术领域，尤其涉及一种煤矿安全监控系统瓦斯异常数据辨识与重构方法。
背景技术：
煤矿安全监控系统作为煤矿行业必须建设的六大系统之一，在矿井的安全生产中发挥着不可替代的作用。然而由于煤矿井下的特殊环境，比如空间狭长受限、信号传输距离长、大型机电设备多，特别是广泛使用的变频机电设备，使得矿井电磁环境复杂，当前主流煤矿安全监测系统传感器特别是瓦斯传感器脉冲信号在传输过程中普遍存在“异常数据”误报警现象，“异常数据”是指监控系统监测到的信息明显不符合现场实际情况的数据。大量真伪信息同时传送给调试部门以及各级管理部门，不但大大增加技术人员辨别信息的工作量，造成误断电影响煤矿的正常生产，长期存在误报警现象会对技术人员的心理产生麻痹作用，一旦真正出现安全隐患将得不来及时有效的处理，使煤矿安全监管的不确定性增加，安全监控系统的稳定性和可靠性降低。因此有必要对煤矿安全监控系统的“伪报警”进行有效的辨别、判断，通过合理的方法准确剔除异常数据，使安全监控系统的报警准确率提升。
发明内容：
针对矿井瓦斯浓度异常数据来源进行分析。
以瓦斯传感器数据为例，通过调研分析现场瓦斯浓度数据发现，煤矿安全监控系统异常数据现象主要存在于模拟量传感器中，根据统计得到，瓦斯浓度异常数据主要来源于以下几个方面：
(1)传感器本身设计原因
①传感器抗干扰能力差，国家相关规定中未强制要求传感器抗干扰设计，传感器检测单元输出信号弱，经过放大电路后输出值产生较大变化，导致传感器出现“异常数据”；
②传感器整机功耗大，由于煤矿巷道狭长需要铺设的信号传输线缆长，传感器整机功耗大，导致传感器两端输入电压低等问题，造成传感器内部电路工作异常，从而产生“异常数据”。
(2)外界电磁干扰
①分站与传感器之间的频率信号经过外界电磁设备的干扰下发生异变，产生“异常数据”；
②地面监测主机和分站之间大多采用频率或RS485总线型传输方式，煤矿井下巷道狭长，现场布线过程中不可避免的会将信号传输电缆与动力电缆并行布置，开停大功率机电设备时产生的浪涌电流势必干扰传感器信号，从而产生异常数据。
(3)人为原因
①《煤矿安全规程》规定传感器要在固定期限内进行标校，此过程中亦会产生异常数据；
②现场施工过程中工程人员在移动过程中容易使传感器高空坠落、航空插头松动、冲洗巷道传感器进水等情况，也会使传感器产生异常数据。
煤矿安全监控系统中产生的异常数据属于随机性干扰信号，由于其频率和周期性是毫无规律的，因此对于原始信号有必要进行处理，以提高安全监控系统的数据准确率和可靠性，本发明设计了一种安全可靠的煤矿安全监控系统瓦斯异常数据辨识与重构算法，具体包括如下步骤：
一、递推平均异常数据滤除算法
在煤矿安全监控系统实际监测过程中，由于存在干扰信号以及外界其他因素等，测量过程中通过会包含异常数据，因此需要甄别并剔除这些瞬间大数，递推平均异常数据滤除算法是剔除异常数据比较成熟的方法，但是煤矿井下环境恶劣，敷设的信号传输线缆长、电磁干扰范围大等特点导致异常数据相应多，如果仅用常规的递推平均异常数据滤除算法滤除一个最大值和一个最小值并不能保证完全剔除大数，因此提出改进的算法，具体步骤为：
第一步、连续采集样本数目为N-1个点，A1，A2...AN-1；
第二步、引入新的采样数据，Ai(i≥N)；
第三步、对上述N个数据升序排列，B1，B2，...BN；
第四步、上述序列中滤除B1，B2...BM，共M个最小值，以及BN-M+1，BN-M+2...BN，共M个最大值；
第五步、对剩余N-2M个采样数据求平均值，如式(1)所示
Figure BDA0002192063190000031
第六步、判别采样是否完成，若未完成则转至第二步。
该算法剔除了M个最大、最小值，融合了中值滤波算法的优势，能有效的剔除异常数据，提高了测量数据的抗干扰能力。
二、阈值异常数据滤除算法
具体步骤如下：
第一步：分解小波
根据含噪信号的特点，选用合适的小波基；若含噪信号信噪比高，就采用光滑连续的小波基；若含噪信号信噪比低，由采用线性小波基；确定分解层数j，对含噪信号进行分析，计算分析参数。
三、第二步：阈值函数构造
重构信号的连续性和精度取决于阈值函数的选择，不同的含噪信号要采用相对应的阈值函数，其构造影响小波滤波效果，如果选取得当，不仅可以保证在阈值处函数连续，从而使噪声滤除效果好，还能存留含噪信号的突变状态，更好的接近于原始信号，为后期数据分析提供准确的数据保证。阈值函数主要包含硬阈值和软阈值两种函数，其中硬阈值是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值则设置为零，反之保持不变。这种重构信号的方式必然导致其重构函数不连续，噪声过滤后产生振荡现象，信号出现失真情况。软阈值函数是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的函数设置为零，而大于阈值的信号设置为绝对值与阈值的差，这样信号就会趋向于零。软阈值函数的本质决定了其连续性优于硬阈值函数，然后由于其导数据不连续，估计小波系数与带噪小波系数有偏差，并且对阈值大的系数进行定值压缩，这与噪声随小波系数增加而减少是不一致的，所以软阈值函数尽管在去噪后信号相对平缓，但是信号也有可能出现失真的情况。综合硬阈值函数和软阈值函数的优点，煤矿安全监测系统瓦斯异常数据剔除常采用改进的阈值构造函数，可以避免硬阈值函数在重构中出现信号振荡现象，同时可以避免软阈值函数失真的现象，表达式如式(2)所示：
Figure BDA0002192063190000041
其中，λ为阈值；
Figure BDA0002192063190000042
为小波系数；wj,k为原始小波系数；
第三步：阈值的选取
小波阈值在滤波过程中起到关键作用，适当的阈值不仅能有效的去除噪声信号，而且不至于误除有效信号，若阈值太大，会使一部分有效信号丢失，进而使得重构信号失真，若阈值太小，由无法有效的去除噪声信号。由于煤矿井下瓦斯浓度波动性较大、规律性不强，经过分析选择统一阈值估计准则确定阈值，保证能在滤除绝大部分噪声信号的前提下保留最多的有效信号。
统一阈值计算式如式(3)所示
Figure BDA0002192063190000043
其中，σ为含噪信号标准差，其值估算方法如式(4)所示
Figure BDA0002192063190000044
其中，N为信号长度，ω＝0.6745。
第四：重构小波
重构小波就是通过上述方法，经过阈值函数处理后的小波系数经过逆变换得到的信号，煤矿安全监控系统中经过重构得到滤除噪声后的瓦斯浓度曲线。
三、去噪效果的检测方法
滤波效果是否有效需要科学合理的方法检验。合理的滤波方法一方面要尽可能多的去除噪声信号，一方面又要尽可能多的保留原始有用信号，通常采用信噪比和均方根误差两个指数来衡量噪声去除效果。信噪比指信号的有效功率或电压与噪声信号的有效功率或电压之比，噪声信号通常用原始信号与重构依赖的差值求得。具体表达式如式(5)所示
Figure BDA0002192063190000051
均方根误差可以用来衡量重构信号与原始信号之间的偏差，具体表达式如式(6)所示
Figure BDA0002192063190000052
其中，s(n)为原始信号，
Figure BDA0002192063190000053
为重构信号，N为序列长度。
本发明具有以下积极的效果：该煤矿安全监控系统瓦斯异常数据辨识与重构方法分析了煤矿安全监控系统异常数据来源，针对安全监控系统瓦斯数据特点，提出适合于瓦斯异常数据分析的递推滤波算法以及小波阈值滤波算法，并对算法的效果进行客观的衡量；通过两种算法对瓦斯数据分析，将异常数据进行筛选并通过算法得到重构数据，对两种算法的结果分别与原始数据进行对比，采用信噪比和均方根误差来衡量去噪效果，小波软阈值去噪方法重构数据更趋近于监控系统瓦斯数据，适用于瓦斯异常数据识别及重构，从而大大提升了安全监控系统的报警准确率。
附图说明：
图1为本发明的煤矿安全监控系统瓦斯异常数据辨识与重构方法的流程图；
图2为本发明的实施例中的原始信号与含噪信号的对比图；
图3为本发明的实施例中的原始信号与递推平均值去噪信号对比图；
图4为本发明的实施例中的原始信号与阈值去噪信号对比图。
具体实施方式：
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示，本发明的煤矿安全监控系统瓦斯异常数据辨识与重构方法包括如下步骤：
一、递推平均异常数据滤除：采集并引入样本数据，对样本数据进行排列，滤除最小值及最大值，并对剩余数据求平均值；
二、阈值异常数据滤除：分解小波阈值，构造阈值函数，选取阈值并重构小波；
三、去噪效果检测：采用信噪比和均方根误差两个指数来衡量噪声去除效果。
其中，步骤一中，递推平均异常数据滤除具体包括如下步骤：
第一步、连续采集样本数目为N-1个点，A1，A2...AN-1；
第二步、引入新的采样数据，Ai(i≥N)；
第三步、对上述N个数据升序排列，B1，B2，...BN；
第四步、上述序列中滤除B1，B2...BM，共M个最小值，以及BN-M+1，BN-M+2...BN，共M个最大值；
第五步、对剩余N-2M个采样数据求平均值，如式(1)所示
Figure BDA0002192063190000071
第六步、判别采样是否完成，若未完成则转至第二步。
步骤二中，阈值异常数据滤除具体包括如下步骤：
第一步、分解小波：根据含噪信号的特点，选用合适的小波基；若含噪信号信噪比高，就采用光滑连续的小波基；若含噪信号信噪比低，就采用线性小波基；确定分解层数j，对含噪信号进行分析，计算分析参数；
第二步、阈值函数构造：阈值函数包含硬阈值和软阈值两种函数；其中硬阈值函数是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值，则设置为零，反之保持不变；软阈值函数是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的信号设置为零，而大于阈值的信号设置为绝对值与阈值的差，信号趋向于零，如式(2)所示
Figure BDA0002192063190000072
其中，λ为阈值；
Figure BDA0002192063190000073
为小波系数；wj,k为原始小波系数；
第三步、阈值的选取：经过分析选择统一阈值，估计准则确定阈值，统一阈值计算式如式(3)所示
Figure BDA0002192063190000074
其中，σ为含噪信号标准差，其值估算方法如式(4)所示
Figure BDA0002192063190000075
其中，N为信号长度，ω＝0.6745。
第四步、重构小波：经过阈值函数处理后的小波系数经过逆变换得到的信号，在煤矿安全监控系统中经过重构得到滤除噪声后的瓦斯浓度曲线。
步骤三中，去噪效果检测中的信噪比采用原始信号与重构依赖的差值求得，具体表达式如式(5)所示
Figure BDA0002192063190000081
均方根误差的具体表达式如式(6)所示
Figure BDA0002192063190000082
其中，s(n)为原始信号，
Figure BDA0002192063190000083
为重构信号，N为序列长度。
下面进行仿真实验及实例分析。
采用仿真模拟信号采样周期为1200s，原始信号与含噪信号如图2所示，可以看出加噪后信号明显不平滑，并且在155s、345s、528s、781s四个采样点处瓦斯浓度分别出现超过1％的瞬间大值，最大值出现在528s处达到2.5％，又马上回归到正常区域范围内，属于标准的异常数据。
分别采用递推滤波算法及小波阈值滤波算法对加噪信号进行滤波计算，通过对比二者去噪曲线以及信噪比和均方根误差等参数客观精确的考察去噪效果。
采用递推滤波算法对加噪信号进行滤波处理，如图3所示，与原始信号进行对比可以看出采用递推数据滤除算法对含噪信号进行滤波后，数据相对比较平滑，基本保持了原始信号中瓦斯浓度的平均范围，但是与原始信号的吻合度不高，特别是原始信号有尖峰数据时，递推滤波算法重构的信号存在数据失真的情况。
采用小波阈值滤波算法对原始瓦斯监测数据信号进行滤波处理得到重构信号如图4所示。采用的小波是sym5，分解层数为4，可以得到重构后的瓦斯浓度/时间曲线与原始信号吻合度很高，相对原始信号数据曲线明显变光滑，大部分噪声已经被滤除，出现显著的时频特征。
通过直观曲线对比可以看出采用小波阈值滤波算法要明显优于递推滤波算法去噪效果。这是由于递推滤波算法在数据量较大时处理方法相对单一，而采用阈值去噪滤波算法系数处理更灵活。为了科学合理地对比递推滤波算法以及阈值滤波算法的优劣，采用信噪比和均方根误差来衡量去噪效果。实验后得到的SNR和RMSE如表1所示
Figure BDA0002192063190000091
表1不同去噪方法信噪比和均方根误差
上表可以得出，递推值去噪算法一定程度上可以减少噪音的比重，但是效果不明显，小滤软阈去噪方法与递推值算法相比，去噪效果显著提高。
分析了煤矿安全监控系统异常数据来源，电磁干扰是造成煤矿井下监控系统瓦斯数据出现异常的最主要来源，针对安全监控系统瓦斯数据特点，提出适合于瓦斯异常数据分析的递推滤波算法以及小波阈值滤波算法，并对算法的效果进行客观的衡量。
通过两种算法对瓦斯数据分析，将异常数据进行筛选并通过算法得到重构数据，对两种算法的结果分别与原始数据进行对比，采用信噪比和均方根误差来衡量去噪效果，小波软阈值去噪方法重构数据更趋近于监控系统瓦斯数据，适用于瓦斯异常数据识别及重构。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种煤矿安全监控系统瓦斯异常数据辨识与重构方法，其特征在于，包括如下步骤：
一、递推平均异常数据滤除：采集并引入样本数据，对样本数据进行排列，滤除最小值及最大值，并对剩余数据求平均值；
二、阈值异常数据滤除：分解小波阈值，构造阈值函数，选取阈值并重构小波；
所述阈值异常数据滤除包括如下步骤：
第一步、分解小波：根据含噪信号的特点，选用合适的小波基；若含噪信号信噪比高，就采用光滑连续的小波基；若含噪信号信噪比低，就采用线性小波基；确定分解层数j，对含噪信号进行分析，计算分析参数；
第二步、阈值函数构造：阈值函数包含硬阈值和软阈值两种函数；其中硬阈值函数是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值，则设置为零，反之保持不变；软阈值函数是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的信号设置为零，而大于阈值的信号设置为绝对值与阈值的差，信号趋向于零，如式(2)所示
Figure FDA0003290944930000011
其中，λ为阈值，λ1为阈值下限，λ2为阈值上限；
Figure FDA0003290944930000012
为小波系数；wj,k为原始小波系数，sgn(x)为符号函数，x>0，sgn( x) ＝1，x＝0，sgn( x) ＝0；
第三步、阈值的选取：经过分析选择统一阈值，估计准则确定阈值，统一阈值计算式如式(3)所示
Figure FDA0003290944930000013
其中，σ为含噪信号标准差，其值估算方法如式(4)所示
Figure FDA0003290944930000021
其中，N为信号长度，ω＝0.6745，
Figure FDA0003290944930000022
为初始含噪信号小波系数，
Figure FDA0003290944930000023
为第N个含噪信号小波系数；
第四步、重构小波：经过阈值函数处理后的小波系数经过逆变换得到的信号，在煤矿安全监控系统中经过重构得到滤除噪声后的瓦斯浓度曲线；
三、去噪效果检测：采用信噪比和均方根误差两个指数来衡量噪声去除效果。
2.根据权利要求1所述的煤矿安全监控系统瓦斯异常数据辨识与重构方法，其特征在于，所述递推平均异常数据滤除包括如下步骤：
第一步、连续采集样本数目为N-1个点，A1，A2...AN-1；
第二步、引入新的采样数据，Ai(i≥N)；
第三步、对上述N个数据升序排列，B1，B2，...BN；
第四步、上述序列中滤除B1，B2...BM，共M个最小值，以及BN-M+1，BN-M+2...BN，共M个最大值；
第五步、对剩余N-2M个采样数据求平均值，如式(1)所示
Figure FDA0003290944930000024
第六步、判别采样是否完成，若未完成则转至第二步。
3.根据权利要求1所述的煤矿安全监控系统瓦斯异常数据辨识与重构方法，其特征在于，所述去噪效果检测中的信噪比采用原始信号与重构依赖的差值求得，具体表达式如式(5)所示
Figure FDA0003290944930000025
均方根误差的具体表达式如式(6)所示
Figure FDA0003290944930000031
其中，s(n)为原始信号，
Figure FDA0003290944930000032
为重构信号，N为序列长度。
CN201910835378.6A 2019-09-05 2019-09-05 煤矿安全监控系统瓦斯异常数据辨识与重构方法 Active CN110598617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910835378.6A CN110598617B (zh) 2019-09-05 2019-09-05 煤矿安全监控系统瓦斯异常数据辨识与重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910835378.6A CN110598617B (zh) 2019-09-05 2019-09-05 煤矿安全监控系统瓦斯异常数据辨识与重构方法

Publications (2)

Publication Number Publication Date
CN110598617A CN110598617A (zh) 2019-12-20
CN110598617B true CN110598617B (zh) 2022-02-11

Family

ID=68857553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910835378.6A Active CN110598617B (zh) 2019-09-05 2019-09-05 煤矿安全监控系统瓦斯异常数据辨识与重构方法

Country Status (1)

Country Link
CN (1) CN110598617B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384874B (zh) * 2021-12-16 2024-10-18 江苏核电有限公司 一种判定核电厂仪控信号电磁敏感性的数据处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
CN102944252A (zh) * 2012-11-28 2013-02-27 重庆邮电大学 一种基于平移不变量小波的fbg信号处理方法
CN106798554A (zh) * 2017-01-12 2017-06-06 安徽大学 一种含噪imf分量及心电信号的去噪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7412103B2 (en) * 2003-10-20 2008-08-12 Lawrence Livermore National Security, Llc 3D wavelet-based filter and method
WO2016018432A1 (en) * 2014-08-01 2016-02-04 Edwards Lifesciences Corporation Measurement of a patient analyte using wavelet transform analysis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
CN102944252A (zh) * 2012-11-28 2013-02-27 重庆邮电大学 一种基于平移不变量小波的fbg信号处理方法
CN106798554A (zh) * 2017-01-12 2017-06-06 安徽大学 一种含噪imf分量及心电信号的去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
二代小波变换在地震信号降噪技术中的应用;段玉波 等;《大庆师范学院学报》;20111130;第31卷(第6期);第1-6页 *
基于多小波噪声方差阈值的信号滤波方法;谢荣生 等;《哈尔滨工程大学学报》;20020430;第23卷(第2期);第51-54页 *

Also Published As

Publication number Publication date
CN110598617A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
Brown et al. Characterizing and quantifying noise in PMU data
KR100387457B1 (ko) 스펙트럼 신호들의 감시 시스템
US5410492A (en) Processing data base information having nonwhite noise
CN110501631B (zh) 一种在线间歇故障检测与诊断方法
CN106382981B (zh) 一种单站次声波信号识别提取方法
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及系统
CN103018629A (zh) 一种基于马拉算法的电力系统故障录波数据分析方法
CN110287827B (zh) 一种基于数据关联性的桥梁应变数据异常值识别方法
CN110598617B (zh) 煤矿安全监控系统瓦斯异常数据辨识与重构方法
CN113592308A (zh) 一种基于常态模型的监测数据告警阈值提取方法
CN117540235A (zh) 一种临时用电异常数据实时监测方法
CN114372344B (zh) 一种次同步振荡阻尼特性影响因素的量化辨识方法
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN114200232B (zh) 一种输电线路故障行波波头检测方法及系统
JP4106253B2 (ja) 部分放電検出装置
CN114518511A (zh) 一种特征辅助的局部放电点定位方法
CN113408383A (zh) 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法
CN113672658A (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
Winkelmann et al. Machine learning based evaluation of dynamic events in medium voltage grid components
CN117454095B (zh) 一种桥梁动挠度数据降噪方法
Zhen Discrimination and Processing Method of Gas Abnormal Data in Safety Monitoring System
CN118312906B (zh) 一种矿用光纤测温方法及装置
CN118091489B (zh) 一种输电线路玻璃绝缘子状态的检测方法
Vasilkov et al. Short-term reliability prediction for highly noisy radio engineering systems
CN110503813B (zh) 一种埋地管道防开挖监测预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant