CN113671862A - 一种应用于地下矿山有轨运输电机车掉道预测的系统及方法 - Google Patents

Abstract

本发明涉及一种应用于地下矿山有轨运输电机车掉道预测的系统及方法，属于地下矿山电机车掉道预测技术领域。数据采集模块从电机车控制器获取电流值信息，并将获取到的数据转发给部署在通信服务器上的数据存储模块；然后数据存储模块把数据存储到数据库服务器中；机器学习模块从数据库服务器中获取电流值信息数据及对应的是否掉道的结果进行机器学习，生成掉道预测模型；掉道预测模块加载电机车电流值信息通过机器学习模块生成的预测模型预测出当前电机车是否掉道，并把预测结果进行显示。本发明通过对电机车电流实时收集，采用机器学习实现对电机车掉道的预测，在生产过程中实时预报情况，达到对电机车运行的监控，避免掉道发生，提高了生产效率。

Description

一种应用于地下矿山有轨运输电机车掉道预测的系统及方法

技术领域

本发明属于地下矿山电机车掉道预测技术领域，具体涉及一种应用于地下矿山有轨运输电机车掉道预测的系统及方法。

背景技术

目前地下矿山的矿石主要采用人工驾驶有轨电机车从装矿溜井到卸矿溜井进行运输。近几年，地下矿山进行智慧矿山建设，各种技术在矿山中的应用也逐渐成熟，特别无人驾驶电机车技术在地下矿山中的应用。在地下矿山无人有轨运输过程中避免不了电机车出现掉道的情况，然而，由于电机车司机是在矿山地表操作电机车，只能看到电机车车头装有的摄像头可查看区域，并不能完整的看到整个电机车的情况，因此，从视频信息里面是获取不到电机车发生掉道的信息。一旦电机车发生掉道且未及时发现，将造成铁轨、车轮的损坏及影响矿山正常生产，导致运矿效率降低，出矿量满足不了生产。因此如何克服现有技术的不足是目前地下矿山电机车掉道预测技术领域亟需解决的问题。

发明内容

本发明的目的是一种应用于地下矿山有轨运输电机车掉道预测的系统及方法，该系统及方法能有效地解决掉道造成铁轨、车轮的损坏及影响矿山正常生产，导致运矿效率降低，出矿量满足不了生产等问题。本发明通过对电机车电流实时收集，采用机器学习实现对电机车掉道的预测，在生产过程中实时预报情况，达到对电机车运行的监控，避免掉道发生，提高了生产效率。

为实现上述目的，本发明采用的技术方案如下：

一种应用于地下矿山有轨运输电机车掉道预测的系统，包括：数据采集模块、数据存储模块、机器学习模块和掉道预测模块；

数据采集模块和数据存储模块均部署在通信服务器上；

数据采集模块从电机车控制器获取电流值信息，并将获取到的数据转发给部署在通信服务器上的数据存储模块；然后数据存储模块把数据存储到数据库服务器中；

机器学习模块和掉道预测模块均部署在管理服务器；

机器学习模块从数据库服务器中获取电流值信息数据及对应的是否掉道的结果进行机器学习，生成掉道预测模型；

掉道预测模块加载电机车电流值信息通过机器学习模块生成的预测模型预测出当前电机车是否掉道，并把预测结果显示到PC客户端上。

进一步，优选的是，数据采集模块每秒从电机车控制器获取电流值信息。

进一步，优选的是，数据存储模块通过表分区把数据存储到数据库服务器中。

进一步，优选的是，机器学习模块首选从获取电流值信息数据进行检测，检测所采用的是峰值法，之后以检测后的信息作为输入，以是否掉道的结果作为输出进行训练，得到掉道预测模型。

进一步，优选的是，所述的峰值法是设定200A为最小峰值阈值，只保留事件峰值大于等于200A的信号样本点。

本发明同时提供一种应用于地下矿山有轨运输电机车掉道预测方法，采用上述应用于地下矿山有轨运输电机车掉道预测的系统，包括如下步骤：

步骤（1），采集电机车电流值信息：每秒从电机车控制器中采集电流值信息；

步骤（2），存储电机车电流值信息：把采集到的电流值信息存储到数据库中，实现存储电流值信息；

步骤（3），加载掉道时电流数据，训练并生成预测模型：获取从步骤（2）中存储的电流值信息并通过机器学习框架加载掉道时电流数据，并进行掉道预测模型训练，生成掉道预测模型；

步骤（4），掉道预警：采用掉道预测模型，并根据实时电机车电流数据进行预测，实时做出电机车掉道判断，实现电机车掉道预警。

本发明与现有技术相比，其有益效果为：

本发明所述的应用于地下矿山有轨运输电机车掉道预测的系统及方法，通过对电机车电流值信息历史数据的存储及分析，利用机器学习生成电机车掉道预测模型，即峰值检测模型，峰值检测旨在识别与大部分时序数据值明显不同的突然但临时的突发。当电机车运行时，实时获取电机车电流值，通过预测模型实现地下矿山无人有轨运输电机车掉道的预测，解决了地下矿山无人有轨运输电机车发生掉道，造成铁轨、车轮的损坏及影响矿山正常生产，导致运矿效率降低，出矿量满足不了生产的情况，提高了生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明应用于地下矿山有轨运输电机车掉道预测的系统的结构示意图；其中，101、电机车控制器；102、通信服务器；103、数据库服务器；104、管理服务器；105、光纤；106、PC客户端；107、WIFI；108、数据采集模块；109、数据存储模块；110、机器学习模块；111、掉道预测模块；箭头方向为数据或信号走向；

图2为本发明应用于地下矿山有轨运输电机车掉道预测方法的流程图。

图3为本发明应用于地下矿山有轨运输电机车掉道预测方法的具体实例。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”到另一元件时，它可以直接连接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”可以包括无线连接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。术语“内”、“上”、“下”等指示的方位或状态关系为基于附图所示的方位或状态关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”、“设有”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，根据具体情况理解上述术语在本发明中的具体含义。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

如图1所示，一种应用于地下矿山有轨运输电机车掉道预测的系统，包括：数据采集模块108、数据存储模块109、机器学习模块110和掉道预测模块111；

数据采集模块108和数据存储模块109均部署在通信服务器102上；

数据采集模块108从电机车控制器101获取电流值信息，并将获取到的数据转发给部署在通信服务器102上的数据存储模块109；然后数据存储模块109把数据存储到数据库服务器103中；

机器学习模块110和掉道预测模块111均部署在管理服务器104；

机器学习模块110从数据库服务器103中获取电流值信息数据及对应的是否掉道的结果进行机器学习，生成掉道预测模型；

掉道预测模块111加载电机车电流值信息通过机器学习模块110生成的预测模型预测出当前电机车是否掉道，并把预测结果进行显示，优选显示到PC客户端106上。

优选，数据采集模块108每秒从电机车控制器101获取电流值信息。

优选，数据存储模块109通过表分区把数据存储到数据库服务器103中。

优选，机器学习模块110首选从获取电流值信息数据进行检测，检测所采用的是峰值法，之后以检测后的的信息作为输入，以是否掉道的结果作为输出进行训练，得到掉道预测模型。

优选，所述的峰值法是设定200A为最小峰值阈值，只保留事件峰值大于等于200A的信号样本点。

优选，系统包括数据采集模块108、数据存储模块109、机器学习模块110和掉道预测模块111；所述数据采集模块108和数据存储模块109部署在通信服务器102上，通信服务器102的上游通过WIFI 107与电机车控制器101连接，下游与数据库服务器103连接。管理服务器104放置于地表，上游通过光纤105与数据库服务器103相连，下游与PC客户端106相连，同时机器学习模块110和掉道预测模块111同时部署在管理服务器104中，机器学习模块110通过获取电流历史数据进行机器学习并生成模型，掉道预测模块111通过机器学习模块110生成的预测模型进行掉道预测。

如图2所示，一种应用于地下矿山有轨运输电机车掉道预测的方法是这样实现的，通过采集电机车电流值信息201，并存储电流值信息202，加载电流值数据203，通过峰值检测205的方法完成异常情况检测训练生成预测模型204。之后，实时获取存储电流值信息202，通过预测模型得出检测结果206，如检测结果206符合掉道结果则做出掉道预警207，最终实现预测地下矿山有轨无人运输电机车掉道预测的方法。

本发明应用于地下矿山有轨运输电机车掉道预测方法，具体包括下列步骤：

A．每秒从电机车控制器中采集电流值信息；

B．把A采集到的电流值信息存储到数据库中，实现存储电流值信息；

C．后台任务循环获取从B中存储的电流值信息并通过机器学习框架加载掉道时电流数据，并进行掉道预测模型训练；加载掉道时电流数据后进行峰值检测，之后以检测后的的信息作为输入，以是否掉道的结果作为输出进行训练，得到掉道预测模型；

D．通过C训练生成预测模型，供峰值检测使用；

E．峰值检测旨在识别与大部分时序数据值明显不同的突然但临时的突发。对电机车电流数据进行峰值检测；

F．根据E处理的检测，得出检测结果，实时做出电机车掉道判断，实现电机车掉道预警。

本发明实现原理是以电机车原始电流数据为依据，利用机器学习的异常情况检测方法训练实现峰值检测的预测模型。预测模型生成以后，实时获取存储的电机车电流值信息，通过预测模型判断电机车是否掉道，从而做出掉道预警。得到的掉道预测结构依赖于模型的准确度，而模型的准确度又依赖电机车的原始电流值数据，所以在整个发明中，有效、准确、快速的获得电机车电流数据是基础，机器学习是核心。

如图3所示，一种应用于地下矿山有轨运输电机车掉道预测的系统及方法的应用实例。在此实例中，数据库存储电机车实时电流值信息，除此外，还存储电流值对应时间及是否掉道信息，通过长时间积累电流值信息及现场掉道情况，通过机器学习（峰值检测方法）生成预测模型，并把实时存储电流值加载到预测模型中，判断电机车是否掉道，如果掉道，发出电机车掉道预警。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，包括：数据采集模块（108）、数据存储模块（109）、机器学习模块（110）和掉道预测模块（111）；

数据采集模块（108）和数据存储模块（109）均部署在通信服务器（102）上；

数据采集模块（108）从电机车控制器（101）获取电流值信息，并将获取到的数据转发给部署在通信服务器（102）上的数据存储模块（109）；然后数据存储模块（109）把数据存储到数据库服务器（103）中；

机器学习模块（110）和掉道预测模块（111）均部署在管理服务器（104）；

机器学习模块（110）从数据库服务器（103）中获取电流值信息数据及对应的是否掉道的结果进行机器学习，生成掉道预测模型；

掉道预测模块（111）加载电机车电流值信息通过机器学习模块（110）生成的预测模型预测出当前电机车是否掉道，并把预测结果进行显示；

到PC客户端（106）上。

2.根据权利要求1所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，数据采集模块（108）每秒从电机车控制器（101）获取电流值信息信息。

3.根据权利要求1所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，数据存储模块（109）通过表分区把数据存储到数据库服务器（103）中。

4.根据权利要求1所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，机器学习模块（110）首选从获取电流值信息数据进行检测，检测所采用的是峰值法，之后以检测后的的信息作为输入，以是否掉道的结果作为输出进行训练，得到掉道预测模型。

5.根据权利要求4所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，所述的峰值法是设定200A为最小峰值阈值，只保留事件峰值大于等于200A的信号样本点。

6.根据权利要求1所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，把预测结果显示到PC客户端（106）上。

7.一种应用于地下矿山有轨运输电机车掉道预测方法，采用权利要求1~6任意一项所述的应用于地下矿山有轨运输电机车掉道预测的系统，其特征在于，包括如下步骤：

步骤（1），采集电机车电流值信息：每秒从电机车控制器中采集电流值信息；

步骤（2），存储电机车电流值信息：把采集到的电流值信息存储到数据库中，实现存储电流值信息；

步骤（3），加载掉道时电流数据，训练并生成预测模型：获取从步骤（2）中存储的电流值信息并通过机器学习框架加载掉道时电流数据，并进行掉道预测模型训练，生成掉道预测模型；

步骤（4），掉道预警：采用掉道预测模型，并根据实时电机车电流数据进行预测，实时做出电机车掉道判断，实现电机车掉道预警。

Images