CN112149300A - 一种矿井应急智能管理系统 - Google Patents
一种矿井应急智能管理系统 Download PDFInfo
- Publication number
- CN112149300A CN112149300A CN202011003097.3A CN202011003097A CN112149300A CN 112149300 A CN112149300 A CN 112149300A CN 202011003097 A CN202011003097 A CN 202011003097A CN 112149300 A CN112149300 A CN 112149300A
- Authority
- CN
- China
- Prior art keywords
- gis
- data
- accident
- mine
- information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种矿井应急智能管理系统利用工业互联网技术实现安全监测、人员定位、矿压监测、水文监测等监测数据集成和调度通讯系统的融合,并通过大数据、边缘计算等技术,研究煤矿事故预警模型,动态分析煤矿安全状况,自动进行事故预警,实现煤矿事故的智能预警和应急处置流程的一键启动;通过语音播放、短信等方式快速通知井下撤人;基于“一张图”技术,在避灾路线图上实时展示井下人员、安全监测、视频等井下监测数据和人员信息,根据事故地点自动生成避灾路线,通过动画模拟的方式显示救援路线;移动端网络模拟演练通过角色扮演的方式指引岗位人员参与各类应急事故演练达到事故应急演练的效果,把应急救援提升到数字化、流程化、自动化和可视化水平。
Description
技术领域
本发明涉及矿井安全生产技术领域,具体为一种矿井应急智能管理系统。
背景技术
地理信息系统(Geographic Information System,GIS)是一种特定的十分重要的空间信息系统。它是在计算机硬、软件系统支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。GIS技术把地图这种独特的视觉化效果和地理分析功能与一般的数据库操作(例如查询和统计分析等)集成在一起。
GIS被用在各个领域,其中在矿井安全生产技术领域的应用被广泛关注,但目前市场上的矿井应急管理系统对于场景的适用性、信号的抗干扰能力、救援指挥方案的合理性和用户的交互体验等方面还存在着诸多问题。
发明内容
本发明的目的在于提供一种适用于矿井应急智能管理系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:包括基于大数据的事故预警模型、矿井移动端GIS技术、地图服务技术。针对煤矿数据特点,具有大量专用的业务应用模型。首先,基于大数据的煤矿专业应用研究方向包括:
1.事故预警模型
(1)煤与瓦斯突出事故预警模型
研究表明,煤与瓦斯突出事故发生前,瓦斯涌出量、环境温度等会发生变化,并伴有声音、电磁辐射和红外辐射等。因此,通过大数据研究,研究瓦斯涌出量(根据瓦斯浓度、风量、落煤量等计算)、环境温度(监测环境温度、风速、地面进风温度、设备开停等,排除风量、地面进风温度、机电设备开停等影响)、微震、地音、电磁辐射、瓦斯含量、瓦斯压力、采掘位置、赋存条件、地质构造等与煤与瓦斯突出事故的关系,提出预警模型,进行煤与瓦斯突出预警。
(2)冲击地压事故预警模型
研究表明,冲击地压事故发生前,矿山压力等会发生变化,并伴有声音、电磁辐射和红外辐射等。因此,通过大数据研究,研究矿山压力、微震、地音、电磁辐射、环境温度(监测环境温度、风速、地面进风温度、设备开停等,排除风量、地面进风温度、机电设备开停等影响)、赋存条件、地质构造、采掘位置、采煤方法及工艺等与冲击地压事故的关系,提出预警模型,进行冲击地压预警。
(3)煤自然发火事故预警
研究表明,煤自然发火时,温度、C2H4浓度、C2H2浓度等会发生变化。因此,通过大数据研究,研究温度、湿度、气味、C2H4浓度、C2H2浓度、链烷比、烯烷比、氧气浓度、煤种、煤自燃倾向性和发火期、工作面推进速度、采煤方法及工艺、通风方式等与煤自然发火的关系,提出预警模型,进行煤自然发火预警。
(4)水害预警模型
研究表明,水害事故发生前,涌水量等会发生变化。因此,通过大数据研究,研究涌水量(监测流量、水仓水位、排水量等)、水压、水位、水温、水质、环境温度、环境湿度、声音、水文地质、气象条件等与水害事故的关系,提出预警模型,进行水害预警。
基于多时间序列的预警模型
对于煤矿井下重大危险源,一个变量不仅受自身滞后的影响,往往也受到其他变量的影响。这时,将具有相互联系的变量作为一个整体来进行建模,不仅能有效地表达系统内变量相互影响的动态机制,清晰地刻画变量间动态影响的过程,而且能提高变量预测的精度,这样建立的时间序列模型称为多变量时间序列模型(又称多维时间序列模型)。
基于关联规则挖掘的预判预警模型
通过关联规则挖掘、时间序列分析等数学模型,可以挖掘海量的历史安全隐患数据,揭示历史数据中发生发展的季节性、周期性、关联性、时空分布的规律、特征和模型,并利用规律、特征和模型对环境监测数据的发生发展进行预判、预警,降低事故发生的可能性,提高煤矿企业安全生产管理水平。
其次,数据来自在线监控系统的动态采集:
(1)关联规则挖掘模型
关联规则挖掘(Association rule mining)用来发现事情之间的联系,最早用于发现超市交易数据库中不同的商品之间的关联关系。
关联规则挖掘模型
关联规则挖掘的实施,需要首先定义项目和项集,然后将业务数据库中的数据转换为事务形式(事务化),建立事务数据库,最后利用关联规则挖掘算法从事务数据库中找出强关联规则,如图2所示。
一般的关联规则挖掘算法分两个阶段。第一阶段是从事务集中,根据最小支持度阈值找出所有长度为k的频繁项集,然后从k频繁项集中产生k+1频繁项集,直到无法再找到更长的频繁项集为止。第二阶段是产生关联规则,从频繁项集中找出支持度大于给定最小支持度阈值的关联规则,即强关联规则。
2.时间序列分析模型
在生产过程中,往往存在系统中某一变量的观测值按时间顺序(时间间隔相同)排列成一个数值序列,展示研究对象在一定时期内的变动过程,需要从中寻找和分析事物的变化特征、发展趋势和规律,获得事物随时间过程的演变特性与规律,进而预测事物的未来发展。
时间序列模型概述
时间序列分析的假设基础是惯性原则。即在一定条件下,被预测事物的过去变化趋势会延续到未来。暗示着历史数据存在着某些信息,利用它们可以解释与预测时间序列的现在和未来。
时间序列中的观测值数据,总是由各种不同的影响因素共同作用所致;换一句话说,时间序列中的数据,总是包含着不同的影响因素。我们可以将这些影响因素合并归类为几种不同的类型,并对各种类型因素的影响作用加以测定。对时间序列影响因素的归类,最常见的是归为3类,如图3所示:
长期趋势(Smoothed Trend-Cycle)。长期趋势是一种对事物的发展普遍和长期起作用的基本因素。
季节周期因子(Season Factors Component)。季节周期也称为季节变动,是一种现象以一定时期(如一年、一月、一周等)为一周期呈现较有规律的上升、下降交替运动的影响因素。
3)不规则变动因子(Irregular Component)。不规则变动是一种偶然性、随机性、突发性因素。
时间序列可以看成是长期趋势因素,季节周期因素以及不规则变动因素三个部分综合作用,复合叠加的结果。按对四种变动因素相互关系的不同假设,可将时间序列分为加法模型和乘法模型。
①加法模型:Yt=Tt+St+It。
其中:Yt表示时间序列在t时刻的观测数值;Tt是长期趋势,与Yt同单位;St、It表示季节周期变化和不规则变化围绕长期趋势所产生的波动偏差,或是正直,或是负值,他们的量纲与Tt相同,表示是在Tt的基础上变化了若干单位。
②乘法模型:Yt=Tt×St×It
这种模型的应用前提为三种因素之间是交错的影响关系,时间序列是各因素的乘积。其中:Yt、Tt均为绝对指标,St、It是指在Tt上下波动的数值,分别表示由于季节、周期以及不规则因素的影响,在序列t时刻的趋势值的基础上增加或减小百分比。
(2)季节周期变动分析模型
季节周期变动分析,在于掌握事物的变动周期、数量界限及其规律性。测定季节变动的最常用的方法是按月(季)平均法。它是通过计算季节比率来反映现象季节变动的周期性规律。季节比率可以按月计算,也可以按季计算。
利用按月(季)平均法测定季节变动,需要根据若干年(至少为三年)的分月(季)资料,计算出同月(季)平均数和所有月(季)的总平均数,然后,用各月(季)的平均数与所有月(季)的总平均数相对比,求得季节比率。其计算公式为:
季节比率大于或小于100%,都说明存在季节变动。
若大于100%的幅度比较大,则表示现象在该月(季)的发展处于高峰期或旺季,
若小于100%的幅度比较大,则表示现象处于低谷期或淡季。
等于100%说明没有季节变动。
按月(季)平均法计算季节比率简便易行,但这种方法没有考虑长期趋势的影响,将各年同月(季)的数值所起的作用同等看待。实际上,在存在长期趋势的序列中,后期各月(季)的数值所起的作用要比前期同月(季)的作用大。因此,如果时间序列中存在明显的长期趋势影响,则按月(季)平均法计算的季节比率是不准确的,应先剔除长期趋势的影响后,再计算季节比率。
(3)趋势分析模型
趋势分析,使用特定方法对时间序列进行平滑,使得平滑后的时间序列排除季节周期变动和无规则变动因素的影响,显示出现象变动的基本趋势,作为预测的依据。趋势分析方法,包括移动平均和趋势方程拟合两种。
1)移动平均法。移动平均法是对原有的时间序列,按照事先规定的移动时期长度来扩大时距,采用逐项向后递移的方法,计算一系列的序时平均数,形成由序时平均数组成的新的时间序列。这种移动平均数形成的时间序列,消除了短期的偶然因素的影响,使长期趋势更加明显。
2)趋势方程拟合法。即使用回归分析中的最小二乘法,以时间t或t的函数为自变量拟合出趋势方程。常用的趋势拟合方程包括:
(4)平稳序列分析模型
平稳时间序列分析,具有完善的数学理论基础,具有一系列预测模型和方法,包括通用ARMA模型(自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等。对于非平稳时间序列可以先将观测到的时间序列进行差分运算,剔除除趋势项和季节项,化为平稳时间序列,再用适当模型去拟合该差分序列,从而实现对原时间序列的分析预报。
1)线性自回归(AR)模型
2)滑动平均(MA)模型
3)自回归移动平均ARMA(p,q)模型
式中,p和q是模型的自回归阶数和移动平均阶数,Yt是平稳、正态、零均值的时间序列。ARMA模型使用两个多项式的比率近似一个较长的AR多项式,即其中p+q个数比AR(p)模型中阶数p小。
一个ARMA过程可能是AR与MA过程、几个AR过程、AR与ARMA过程的迭加,也可能是测度误差较大的AR过程。
4)自回归综合移动平均ARIMA(p,d,q)模型
ARIMA(Autoregressive Integrated Moving Average)模型,差分自回归滑动平均模型,又称综合自回归滑动平均模型。ARIMA(p,d,q)模型是ARMA(p,q)模型的扩展。ARIMA(p,d,q)模型可以表示为:
其中L是滞后算子(Lag operator),d是差分阶数。即d次差分处理后新序列符合ARMA(p,q)模型,原序列符合ARIMA(p,d,q)模型。
ARIMA(p,d,q)中,AR是"自回归",p为自回归项数;MA为"滑动平均",q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。当线性时间序列非平稳时,不能直接利用ARMA(p,q)模型,但可以利用有限阶差分使非平稳时间序列平稳化。
5)自回归条件异方差模型ARCH
自回归条件异方差模型(autoregressive conditional heteroscedasticity,ARCH),是发展较新的模型,反映了随机过程中方差随时间变换且具有丛集性和波动性的特征。ARCH模型表示为:
yt=βxt+εt
其中,Ωt-1表示t-1时刻所有可能得到的信息的集合,ht表示条件方差。可以通过极大似然估计对方程进行求解,稀疏表示波动影响大小,滞后阶数表明波动持续的时间。
GARCH模型,是ARCH模型的推广,即将方差用ARMA模型表示的ARCH模型。GARCH模型表示为:
yt=βxt+εt
6)时空自回归移动平均模型STARMA
STARMA通过时空延迟算子将空间属性与传统的ARMA模型相结合,在考虑预测值所在位置时间序列的同时,考虑到相邻位置的时间序列,是基于变量的时间相关性和空间相关性建立的时空序列模型。
通过引入空间权矩阵,模型利用预测变量的时间序列,同时利用与预测变量相邻变量的时间序列。假定Zi(t)表示时刻t、位置i的变量,zi(t)表示Zi(t)的观测值;t为时间参数(t=1,2,…,T);i为空间位置参数(i=1,2,…N);z(t)表示t时刻观测值的N维向量,z(t)=[z1(t),z2(t),…,zN(t)]T。
基于上述假设,STARMA模型表示为:
式中,l和k分别为空间滞后(空间延迟阶数)和时间滞后(时间延迟期数)。p和q分别为时间自回归阶数和时间移动平均阶数。λk为第k个时间自回归项的空间阶数,mk为第k个时间移动平均项的空间阶数;φkl和θkl分别为需要估计得时间空间滞后l、时间滞后k项的自回归系数和移动平均系数;ε(t)为随机正态分布的误差向量。
W为空间权矩阵,表示一个空间位置上变量值受邻近空间位置变量值影响的量化测度,其元素wij表示空间位置j的变量值对空间位置i的变量值的影响权重。
(5)时间序列分析建模方法
以序列的自相关函数和偏自相关函数的统计特性为依据,找出序列可能适应的模型,然后对模型进行估计。通常考虑ARMA、ARIMA、乘积型季节模型。
1)模型识别
对于一组长度为N的样本观测数据,首先要对数据进行预处理,预处理的目的是实现平稳化,处理的手段包括差分和季节差分等。经过预处理的新序列能较好满足平稳性条件。
模型的识别包括差分阶数d、季节差分阶数D、模型阶数p、q的识别。识别的工具是自相关函数和偏自相关函数。如果样本的自相关函数在s>q时显著为零,则序列适应的模型是MA(q)。如果样本的偏自相关函数当s>p时显著为零,则序列适应的模型是AR(p)。若样本的自相关函数和偏自相关函数均拖尾,并且按负指数衰减,则序列是ARMA序列,这时应该从高阶到低阶拟合模型,从中选择最佳的。
2)模型的估计
当模型的阶数确定之后,利用有效的拟合方法。如最小二乘估计,极大似然估计等方法,估计模型各部分的参数。
3)诊断性检验模型选择
检验所取得的模型是否能较好地拟合数据。它包括模型过拟合和欠拟合检验。通过检验的结果,修改模型。时间序列建模应该基于简约的原则,即用尽可能少的模型参数,对模型做出尽可能精确估计。所以在选择模型时应该反复试探,这是一个识别,建模,再识别,再建模的过程。
3、安全事故关联规则分析
(1)业务数据库
数据表:事故标题、事故发生时间(引用时间KEY)、事故发生单位(引用空间KEY)、事故分类代码(引用事故KEY)、死亡人数、直接经济损失。
事故维:事故KEY、行业类型、严重级别、事故性质、类型代码。
时间维:时间KEY、日期、月份、季度、年份。
空间维:空间KEY、坐标。
(2)关联规则项集
关联规则项集I=S1×S2×…×S6
其中,×是笛卡儿积运算,S1到S8分别是一系列取值域。定义如下,
S1={事故发生时间的取值集合},设定时间取值为日期(或月份)。
S2={事故发生单位的取值集合},设定地点坐标。
S3={事故行业类型的取值集合},包括煤矿。
S4={事故严重级别的取值集合}包括特别重大事故、重大事故、较大事故、一般事故。
S5={事故性质的取值集合},包括自然事故、技术事故、责任事故。
S6={事故类型代码的取值集合},包括物体打击、车辆伤害、机械伤害、起重伤害、触电、淹溺、灼烫、火灾、高处坠落、坍塌、冒顶片帮、透水、放炮、火药爆炸、瓦斯爆炸、锅炉爆炸、容器爆炸、其他爆炸、中毒和窒息。
(3)事务集
对业务数据库中的每一条事故数据,根据其事故发生时间、事故发生单位、行业类型、严重级别、事故性质、类型代码等信息,进行事务化处理,形成如下所示形式的事务记录:
事故发生时间=5月^事故发生单位=地点^事故行业类型=煤矿^事故严重级别=一般事故^事故性质=责任事故^事故类型代码=机械伤害。
如上述形式所示的事务记录,对应于业务数据库中每一条安全事故,所有事务记录的集合就形成安全事故的事务集或事务数据库。
(4)事故关联规则
通过对安全事故的事务集或事务数据库应用关联规则挖掘算法,会得到满足支持度和置信度阈值的强关联规则。例如,
事故发生时间=5月^事故发生单位=地点^事故行业类型=煤矿^事故严重级别=一般事故^事故性质=责任事故=>事故类型代码=机械伤害。
表示:鲁西煤矿某作业地点,7月份煤矿发生的一般责任事故,大多数是机械伤害事故。
4、在线监测模拟量报警分析预测
数据集:给定某煤矿企业三年来的安全监测数据,每十秒钟一次的传感器采样数据,包括瓦斯浓度、CO浓度、风速、风压、温度等模拟量数据。
处理方法:建立STARMA模型,预测该传感器在未来多个采样周期的取值,如果超过给定阈值的可能性比较大,则给出报警提示。
此外,对于煤矿(冲击地压、矿压、束管等)、危险化学品企业、尾矿库等其他在线监测系统的模拟量传感器数据,亦可采用此方法进行报警预测。
矿井移动端GIS技术
移动GIS是以移动互联网为支撑,以智能手机、平板电脑等手持设备为终端的GIS系统。与传统桌面地图相比,移动地图具有两个突出的优势:第一,移动地图天生就具有便捷性和时效性,这使其使用频率更高;第二,移动智能设备本身都具备精确的定位功能,应用程序可以根据用户的位置做个性化的内容推荐,这使其应用范围更广。传统的移动地图应用,是由外业工作人员使用纸质地图将空间信息带到现场,先在纸质地图上进行记录和注释,返回办公室后再由专人将这些信息整理、录入到信息系统中。当空间数据的使用越来越广泛时,这种方式就暴露出一些缺陷:采集效率低,大量重复操作且数据的维护和更新难度大。
随着移动设备和通信技术的发展,移动GIS正逐步替代过去依赖纸张的操作模式,在测绘、资源调查,城管、消防、普查、巡检、野外生物研究等领域得到应用。在大众消费市场,电子地图、定位导航、查询位置等应用已成为人们日常不可或缺的服务,通过智能手机上的移动GIS应用(电子地图),用户可以方便地查找到诸如电影院、餐厅或加油站等场所,其导航功能还可引领用户顺利到达目的地。由此可见,移动GIS将是未来技术发展和应用的趋势。
移动GIS从体系构成上包括移动通信、地理信息系统、定位系统和移动终端四个部分,具有以下特性:
(1)延伸性
移动GIS系统的运行平台从传统的Internet延伸到无线网络,使得移动GIS系统的实现更为复杂。无线定位技术与传统GIS的结合也产生了全新的GIS应用模式,使得空间地理信息在移动GIS系统的核心地位更加突出,具有“轻量级端”的特点,可以作为服务GIS、云GIS平台、桌面GIS平台的访问入口,从而成为完整GIS应用体系的重要组成部分。
(2)移动性
运行于各种移动终端上,终端和服务端通过无线通信进行交互实时获取空间数据,可以随时随地进行空间信息服务,也可以脱离服务器与传输介质的约束独立运行,具有移动性。
(3)多样性
移动GIS的客户端是指轻便、可携带的终端设备,其拥有较广的选择,可以是拥有较强计算能力的平板电脑,也可以是屏幕较小、计算能力受限的移动设备,比如智能手机等,甚至可以是专用的GPS设备,这决定了移动GIS服务需要更加灵活的扩展能力,以及开放的体系结构。同时,由于移动用户需要的信息是多种多样的,请求获取信息的用户也是不断变化的,任何单一类型的数据源都不能满足所有的用户请求,这就需要系统支持多种传输方式。
(4)动态性
作为一种应用服务系统,应能及时地响应用户的请求,能处理用户环境中随时间变化因素的实时影响。移动GIS最大的特点就是能够在移动的环境中,实时采集信息并在处理后及时发送给用户。
(5)丰富性
移动终端用户与服务器交互的信息非常丰富,包括定位服务,视频、音频、语音、文本、图像、图形等,这意味着计算能力有限的移动终端需要处理更多类型的数据。
针对移动GIS的设计开发,需要意识到移动硬件平台CPU效率低、存储空间受限的特征,而空间信息数据往往体积庞大,要求充裕的内存空间,这对移动GIS软件设计来说,无疑是一个巨大的挑战。为了平衡庞大数据量与有限硬件资源的矛盾,并为用户提供稳定的应用,必须遵循以下设计原则进行移动GIS软件设计:
(1)减少空间信息数据冗余
空间信息数据用于描述地理信息的位置以及空间表达,数据量庞大且复杂,占用了移动GIS的大部分存储空间。在空间数据的存储过程中,用整形数足以表达的信息可以直接用整形数进行存储,节省用双精度数存储所浪费的空间。而且,用尽量精简的空间坐标表达空间数据,例如空间矩形可以使用对角坐标存储,而不是存储四个端点的坐标。这样合理有效地减少了空间信息数据的冗余,也减少存储空间的浪费,但是,减少空间数据的冗余必须建立在保证空间数据精确表达的基础上。
(2)高效的数据管理模式
针对地理信息数据的特点,并结合空间数据与属性数据的逻辑关系,建立高效的数据管理模式。对空间数据采用面向对象的管理模式,分别建立要素、图元、图层、地图等面向对象的存储单元,合理地管理每一个单元,对单元进行操作和访问,而不是单纯地对每个坐标进行读取。这种高效的面向对象的数据管理模式,简化了繁复的内存操作,为移动GIS系统的稳定提供了保障。
(3)合理的存储结构
传统的桌面GIS系统由于其内存空间不受限制,其空间数据的存储逻辑结构均为顺序存储,并且全部读入内存。然而移动GIS系统由于其内存空间有限,并不能将所有空间数据一次性读入,需要建立合理的存储结构,控制空间数据读入内存的总量。因此,在设计移动GIS软件时,需要针对空间数据的类型建立合适的空间索引结构。建立了合适的空间索引之后,空间数据的逻辑存储结构并不是简单的顺序存储,而是拥有合理空间结构顺序的存储逻辑,例如,对某一空间要素进行查找并不是全部读取再找出,而是通过索引逻辑,仅仅读取与该空间要素有关联的要素进行小范围排查,最终找到该要素。
地理信息数据不仅包含空间数据,也包含属性数据,必须对属性数据建立合理的存储结构来缓解移动系统存储空间的压力。由于属性数据的条目种类繁多,最合理的存储就是通过移动操作系统提供的数据库进行存储,针对属性数据建立表,并建立合理的索引。因此,分别针对空间数据和属性数据建立合适的存储结构,缓解移动GIS的存储压力。
(4)控制内存读入量
地图数据由空间数据构成,其数据量之大可想而知,若一次读入整幅地图数据与移动系统有限的内存产生矛盾,将出现地图数据浏览停滞、不流畅的现象。在移动GIS软件设计时,必须考虑分层分块地读入地图数据,控制内存的读入量,提供实时流畅的地图显示浏览功能。
煤矿移动GIS是传统煤矿地理信息系统平台的移动版,结合计算机网络技术、数据库技术、计算机图形学、GIS技术等,建设煤矿统一的手机端空间数据查询与分析平台,构建服务于生产技术人员的地测、通风、安全、生产技术、调度、机电运输、设备管理等专业手机应用系统平台,搭建面向矿井及公司管理决策层的网络服务决策平台,实现多部门多层次井上下数据共享、专业图件动态绘制、图件、文档和报表在移动终端上的展示及应用,从而进一步提高矿山安全生产管理能力和技术水平,为安全生产决策提供技术保障。
系统具备以下功能:
(1)移动GIS平台支持GIS、AutoCAD等多种格式数据的在线浏览及查询,可以随时随地查看、获取图形信息,支持放大、缩小、查询等操作。
(2)随时查看井下各类监测信息。如井下人员定位信息,随时通过手机展示的GIS图形查看井下各分站人员信息,查询人员井下经过分站的时间(需要对人员定位系统进行集成),如图4所示。
(3)选择角色、事故类型和事故地点,自动生成避灾路线并进行动画模拟,如图5所示。
地图服务技术
GIS软件开发模式经历了传统的一体化、面向组件、面向服务三个阶段。面向组件实现了对传统一体化软件的改革:首先使GIS功能可灵活组装,简化了GIS系统的开发流程,使GIS与业务功能更加紧密;其次解决了对具体开发语言的依赖。“服务式GIS”则进一步简化了GIS系统的开发流程,并使GIS系统适用于更多客户端。服务GIS平台将GIS功能的实现由客户端转移到了服务器端,以Web接口的形式提供GIS功能,使基于各种平台发布出来的GIS功能提供形式无差别,便于客户端开发使用。
服务式GIS不同于早期的WebGIS,WebGIS主要面向网络环境下地图的发布,而服务式GIS除了可以发布网络地图外,更多的是一个网络化的GIS软件平台,让用户能够通过网络创建,管理和分发GIS服务,并以服务的形式支撑桌面软件应用,移动终端应用和网络地图应用等各种应用模式。
服务GIS平台也是“GIS云”的核心,支持虚拟技术、分布式、高并发、跨平台、多终端等特性的服务GIS软件平台,构成了GIS云的平台基础。
将服务式GIS技术引入到煤矿行业,在原来桌面GIS产品的基础上,积极开展煤矿服务式GIS研究,不断将桌面煤矿GIS数据管理、空间分析、专业计算等功能,应用到计算能力更强大的服务器、计算云等设施上,将煤矿GIS产品的优势不断放大。
(1)服务GIS架构
服务GIS平台一般包括:Web服务层、GIS服务层、数据服务层三层架构。如图6所示。
这种三层结构首先实现具体的GIS功能实体,再次通过第二层次的模块将GIS功能实体封装为粗粒度的组件,在功能实体与第二层的GIS服务组件以及iServer服务与客户端之间都是通过接口层规定的标准接口进行交互。在每层中都相应提供一系列的模块,他们之间具有松耦合关系。在服务框架中通过服务管理模块将三个层次中具有对应关系的模块进行集成,构建一系列的GIS服务。
服务GIS产品可以通过服务的方式,面向网络客户端提供与专业GIS桌面产品相同功能的GIS服务;能够管理、发布和无缝聚合多源服务,包括REST服务、OGC W*S服务(WMS、WMTS、WFS、WCS)等。服务式GIS支持多种类型客户端访问,支持分布式环境下的数据管理、编辑和分析等GIS功能,能够提供从客户端到服务器端的多层次扩展的面向服务GIS的开发框架。
(2)服务GIS的开发
煤矿服务GIS平台的开发主要包括以下几个部分:
GIS内核开发及平台封装;
GIS(集群)服务器开发;
Web服务器开发;
客户端开发(PC、Web、移动等)
矿井图形的来源是煤矿空间数据,如地质、测量、水文、储量、采矿、通风、机电、安全、设计等生产环节的信息,各图形之间的数据虽然有很大不同,但也有许多共同的基础矿井数据,具有数据量大,更新快的特点。系统需要解决以地测生产技术空间数据为核心的海量煤矿空间数据的一体化管理问题,达到各系统之间的方便、快捷的信息共享目的,构建结构先进的专业煤矿GIS网络服务平台,实现矿井图形数据的在线浏览、编辑、修改及多方协同工作等。
附图说明
图1是发明的系统整体架构图;
图2是发明的关联规则挖掘的数学模型图;
图3是发明的时间序列的不同影响因素图;
图4是发明的移动GIS图形浏览及监测数据展示图;
图5是发明的基于移动GIS的避灾路线动态生成与避灾模拟图;
图6是发明的煤矿服务GIS平台体系架构图;
图7是发明的结果演示图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整地描述。因本实施例仅为一次实施所示结果,所以基于此发明所获得的其他实施例,都属于本发明保护的范围。
系统整体架构如图1所示,领域驱动设计是目前比较流行的一种开发理念,核心是维护一个反应领域概念的模型(领域模型是软件最核心的部分,反应了软件的业务本质),然后通过大量模式来指导模型设计与开发,优势在于能应对复杂性与快速变化。本发明所提供的技术实施方式:具体包括:
(1)建立统一数据库的空间数据存储平台
基于网络化、协同化的系统应用需要,需要开发实现多源数据集成的煤矿GIS空间数据引擎,建立统一数据库存储的空间数据存储、服务平台,支持多专业、多部门的数据访问、存储需要,并保证数据的完整性、一致性。
(2)建立面向服务架构的煤矿服务GIS平台
服务GIS平台是将GIS功能的实现由客户端转移到了服务器端,以Web接口的形式提供GIS功能,支持多客户端在线协同应用的新型GIS软件模式,是建立煤矿图形在线协同编辑、修改、管理应用的核心和后台基础。
煤矿服务GIS平台不同于早期的WebGIS,WebGIS主要面向网络环境下地图的发布,而服务GIS除了可以发布网络地图外,更多的是一个网络化的GIS软件平台,让用户能够通过网络创建,管理和分发GIS服务,包括数据浏览、查询、多人协同修改等高级需求,以服务的形式支撑煤矿生产技术桌面软件应用,网络图形应用等各种应用模式。
(3)构建网络化的在线图形浏览、查询、多人协同修改应用系统
基于强大的煤矿服务GIS后台支撑,开发基于Web应用的图形网络浏览、查询,以及多方在线修改功能。对于多方协同修改可能引起的数据冲突、不一致等问题,建立服务端权限控制、版本管理机制,使图形数据最终可以合并成统一的最新版本供各方使用。
面向服务架构的图形协同管理系统涉及GIS技术、网络技术、数据库技术、图形技术等,其中需要重点研究开发的包括多源空间数据引擎、空间查询、空间索引、图形版本管理与控制、协同管理服务器开发等。综合展示集中展示生产信息和环境监测信息,如图7所示。当环境监测发生报警时,自动进行语音播报提示,当出现事故预警时自动切换到接警页面,等待调度员确认事故情况。
矿井应急智能管理系统建设目的是实现对应急管理业务的智能管理,主要体现为:
一是应急管理业务流程的优化;
二是实现基于监测数据的语音和文字信息预警;
三是实现发送事故时的及时消息通知和井下撤人通知;
四是应急处置流程的自动执行;
五是基于角色扮演的网络模拟演练日常化;
六是基于机器学习的事故案例推送和应急处置流程优化;
七是安全生产资料的共享。
通过应急智能管理系统的应用,实现了矿井安全监测系统预警信息及时自动语音播报、撤人应急广播、短信集中发送等多种方式进行应急信息传递,通过调度大屏自动显示救援处置流程、GIS图形、合理的避灾路线、井下安全监测信息、井上下调度视频以及救援过程中人员变化情况等信息,优化应急处置流程,指引指挥人员正确应急处置,提高应急救援效率,为事故应急处置提高安全保障。同时,系统具有机器学习、深度学习功能,随着事故救援样本的不断增加,也可以通过不断搜索外部事故案例,从而不断自我学习,从开始不能指挥,到最终独立指挥。
Claims (8)
1.一种矿井应急智能管理系统,用于矿井安全生产、紧急逃生的一款系统,其特征在于,包括安全监测、人员定位、矿压监测、水文监测等监测数据集成和调度通讯系统的融合;并通过大数据、边缘计算等技术,研究煤矿事故预警模型,动态分析煤矿安全状况,自动进行事故预警,实现煤矿事故的智能预警和应急处置流程的一键启动;通过语音播放、短信等方式快速通知井下撤人;可在避灾路线图上实时展示井下人员、安全监测、视频等方式进行井下监测数据和人员信息,根据事故地点自动生成避灾路线,并通过动画模拟的方式显示救援路线;同时,系统具有机器学习、深度学习功能,随着事故救援样本的不断增加,也可以通过不断搜索外部事故案例,从而不断自我学习,从开始不能指挥,到最终独立指挥。
2.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,所述智能管理系统:采用集中部署的方式,用于支撑办公系统、业务管理系统的相关应用;平台要统一解决其中的全局基础信息统一管理的问题、界面统一问题、应用子系统集成问题、安全问题、局域网数据传输与管理问题、操作统一管理问题、应用开发规范管理等诸多问题。
3.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,系统平台数据中心包括信息处理、信息挖掘和信息融合等,形成智能应急平台的数据仓库,为系统基础平台和各业务应用子系统提供完善的数据支持;采用信息开放等级划分、权限许可和角色认证的方法,建立系统安全机制,建立基于PKI/CA基础安全服务机制,提供基于安全XML技术的PKI基础安全服务和PKI/PMI证书服务的统一调用接口。
4.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,数据采集,主要包括现场各种分布式数据采集传感器、视频终端;地理信息数据不仅包含空间数据,也包含属性数据;属性数据的存储就是通过移动操作系统提供的数据库进行存储,针对属性数据建立表,并建立合理的索引;分别针对空间数据和属性数据建立合适的存储结构,缓解移动GIS的存储压力。
5.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,系统在设计上采用领域驱动设计(DDD)的设计思想,B/S结构,技术上采用采用基于.net的分布式计算技术进行系统架构设计和系统开发;利用JSON、XML作为系统接口的数据交换标准,进行信息资源整合。
6.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,本系统移动GIS从体系构成上包括移动通信、地理信息系统、定位系统和移动终端四个部分。
7.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,系统具备以下功能:
(1)移动GIS平台支持GIS、AutoCAD等多种格式数据的在线浏览及查询,可以随时随地查看、获取图形信息,支持放大、缩小、查询等操作;
(2)随时查看井下各类监测信息;如井下人员定位信息,随时通过手机展示的GIS图形查看井下各分站人员信息,查询人员井下经过分站的时间(需要对人员定位系统进行集成);
(3)选择角色、事故类型和事故地点,自动生成避灾路线并进行动画模拟。
8.根据权利要求1所述的一种矿井应急智能管理系统,其特征在于,GIS软件开发模式经历了传统的一体化、面向组件、面向服务三个阶段;服务GIS产品可以通过服务的方式,面向网络客户端提供与专业GIS桌面产品相同功能的GIS服务;能够管理、发布和无缝聚合多源服务,包括REST服务、OGC W*S服务(WMS、WMTS、WFS、WCS)等;服务GIS平台是将GIS功能的实现由客户端转移到了服务器端,以Web接口的形式提供GIS功能,支持多客户端在线协同应用的新型GIS软件模式,是建立煤矿图形在线协同编辑、修改、管理应用的核心和后台基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003097.3A CN112149300A (zh) | 2020-09-22 | 2020-09-22 | 一种矿井应急智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003097.3A CN112149300A (zh) | 2020-09-22 | 2020-09-22 | 一种矿井应急智能管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149300A true CN112149300A (zh) | 2020-12-29 |
Family
ID=73896219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011003097.3A Pending CN112149300A (zh) | 2020-09-22 | 2020-09-22 | 一种矿井应急智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149300A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159605A (zh) * | 2021-04-30 | 2021-07-23 | 浙江省天正设计工程有限公司 | 基于逻辑回归的化工装置智能化报警方法及系统 |
CN116796916A (zh) * | 2023-08-24 | 2023-09-22 | 华夏天信物联科技有限公司 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682341A (zh) * | 2012-04-30 | 2012-09-19 | 山西潞安环保能源开发股份有限公司常村煤矿 | 煤矿应急救援指挥信息管理系统及其方法 |
CN103268109A (zh) * | 2013-05-24 | 2013-08-28 | 常州大学 | 基于gis的化工园区风险管理信息系统 |
WO2016019748A1 (zh) * | 2014-08-07 | 2016-02-11 | 中兴通讯股份有限公司 | 一种基于地理信息系统的矿山安全管理方法及装置 |
CN108009738A (zh) * | 2017-12-14 | 2018-05-08 | 北京龙软科技股份有限公司 | 一种“一张图”模式的煤矿管理系统 |
CN108705358A (zh) * | 2018-07-11 | 2018-10-26 | 吉林大学 | 一种圆盘式刀库机械手位置偏差监测装置及故障预警方法 |
CN109653789A (zh) * | 2019-02-20 | 2019-04-19 | 北京大学 | 一种便携式矿井智能逃生引导装置 |
CN109840853A (zh) * | 2017-11-28 | 2019-06-04 | 沈阳知源科技有限公司 | 一种煤矿应急指挥信息的动态管理系统 |
CN110247830A (zh) * | 2019-07-01 | 2019-09-17 | 北京迪为双兴通讯技术有限公司 | 一种基于一网两端技术的智能调度系统 |
CN111353687A (zh) * | 2020-01-16 | 2020-06-30 | 黑龙江科技大学 | 煤矿应急救援指挥信息管理系统及其方法 |
-
2020
- 2020-09-22 CN CN202011003097.3A patent/CN112149300A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682341A (zh) * | 2012-04-30 | 2012-09-19 | 山西潞安环保能源开发股份有限公司常村煤矿 | 煤矿应急救援指挥信息管理系统及其方法 |
CN103268109A (zh) * | 2013-05-24 | 2013-08-28 | 常州大学 | 基于gis的化工园区风险管理信息系统 |
WO2016019748A1 (zh) * | 2014-08-07 | 2016-02-11 | 中兴通讯股份有限公司 | 一种基于地理信息系统的矿山安全管理方法及装置 |
CN109840853A (zh) * | 2017-11-28 | 2019-06-04 | 沈阳知源科技有限公司 | 一种煤矿应急指挥信息的动态管理系统 |
CN108009738A (zh) * | 2017-12-14 | 2018-05-08 | 北京龙软科技股份有限公司 | 一种“一张图”模式的煤矿管理系统 |
CN108705358A (zh) * | 2018-07-11 | 2018-10-26 | 吉林大学 | 一种圆盘式刀库机械手位置偏差监测装置及故障预警方法 |
CN109653789A (zh) * | 2019-02-20 | 2019-04-19 | 北京大学 | 一种便携式矿井智能逃生引导装置 |
CN110247830A (zh) * | 2019-07-01 | 2019-09-17 | 北京迪为双兴通讯技术有限公司 | 一种基于一网两端技术的智能调度系统 |
CN111353687A (zh) * | 2020-01-16 | 2020-06-30 | 黑龙江科技大学 | 煤矿应急救援指挥信息管理系统及其方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159605A (zh) * | 2021-04-30 | 2021-07-23 | 浙江省天正设计工程有限公司 | 基于逻辑回归的化工装置智能化报警方法及系统 |
CN113159605B (zh) * | 2021-04-30 | 2022-08-05 | 浙江省天正设计工程有限公司 | 基于逻辑回归的化工装置智能化报警方法及系统 |
CN116796916A (zh) * | 2023-08-24 | 2023-09-22 | 华夏天信物联科技有限公司 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
CN116796916B (zh) * | 2023-08-24 | 2023-11-03 | 华夏天信物联科技有限公司 | 一种基于煤矿特征分析的避险路线规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689705A (zh) | 矿山地质环境管理综合应用系统 | |
Goetz et al. | OpenStreetMap in 3D–detailed insights on the current situation in Germany | |
CN104933829A (zh) | 一种地质灾害预测预警系统的构建方法 | |
CN112149300A (zh) | 一种矿井应急智能管理系统 | |
CN105843862A (zh) | 一种构建作物病虫害遥感测报系统的方法及遥感测报系统 | |
Chaturvedi et al. | Solar potential analysis and integration of the time-dependent simulation results for semantic 3D city models using dynamizers | |
CN101000670A (zh) | 工作流管理系统 | |
CN114022306A (zh) | 一种地下水信息应用服务系统 | |
Feng et al. | A survey of visual analytics in urban area | |
CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
Viazilov et al. | On the Development of a Pipeline for Processing Hydrometeorological Data. | |
Huang et al. | Multistage system planning for hydrogen production and distribution | |
Yamashkin et al. | Geoinformation Methods and Technologies in the Study of Natural-Social-Production Systems | |
Wang | [Retracted] Application of Cloud Computing and GIS Based on Internet of Things in Oil and Gas Storage and Transportation Production Management and Safety Monitoring and Early Warning System | |
Gao et al. | An attention-based spatio-temporal model for methane concentration forecasting in coal mine | |
Maojing | River water quality monitoring and simulation based on WebGIS—Anhui Yinghe River as an Example | |
RU140925U1 (ru) | Система геоинформационной базы данных | |
Sair et al. | Prediction in OLAP cube | |
CN112102431A (zh) | 一种基于gis的受灾处理应急指挥调度方法及装置 | |
Geng et al. | Promoting geospatial service from information to knowledge with spatiotemporal semantics | |
CN117931978B (zh) | 流域人居数据分析方法及系统、计算机设备 | |
Nagy et al. | Review of predictive analytics vendors for transport management systems | |
Chen et al. | Evolution and computing challenges of distributed GIS | |
Hua et al. | Investigating the Working Efficiency of Typical Work in High‐Altitude Alpine Metal Mining Areas Based on a SeqGAN‐GABP Mixed Algorithm | |
CN108170720A (zh) | 规划显示系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201229 |
|
WD01 | Invention patent application deemed withdrawn after publication |