CN115163195A - 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 - Google Patents
煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 Download PDFInfo
- Publication number
- CN115163195A CN115163195A CN202210795100.2A CN202210795100A CN115163195A CN 115163195 A CN115163195 A CN 115163195A CN 202210795100 A CN202210795100 A CN 202210795100A CN 115163195 A CN115163195 A CN 115163195A
- Authority
- CN
- China
- Prior art keywords
- gas sensor
- value
- day
- artificial
- interruption
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
Abstract
本申请提供一种煤矿采煤工作面瓦斯传感器数值失真识别方法及系统,该方法包括:实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;对采集的瓦斯传感器的天级测点值进行降噪处理;获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。本申请对同一采煤工作面内多个瓦斯传感器的监测数据进行联合分析,及时发现多种不同类型原因导致的采煤工作面瓦斯传感器数值失真,且普适性好。
Description
技术领域
本申请涉及煤矿风险监测设备技术领域,尤其涉及一种煤矿采煤工作面瓦斯传感器数值失真识别方法与系统。
背景技术
煤矿井下采煤工作面在采煤过程中会涌出瓦斯,为保证安全生产,建立了煤矿安全生产风险监测预警系统,通过实时采集煤矿井下安全监控系统数据,并上传至上一级监管监察部门。在采集的安全监控系统数据中,重点关注井下瓦斯和一氧化碳等监测数据,尤其重点关注煤矿采掘面位置的瓦斯监测数据。然而,一些高瓦斯矿井在瓦斯灾害治理方面工作不到位,在采煤时会造成工作面瓦斯超限报警,为了避免上级监管监察部门发现工作面瓦斯超限报警进行处罚,会采取遮挡包裹、中断或挪动采煤工作面瓦斯传感器的方式,使其数值处在正常的范围内,从而造成了工作面传感器瓦斯监测值失真。如何根据上传到国家矿山局的煤矿安全生产风险监测预警系统中各煤矿采煤工作面瓦斯监测实时、历史等数据,自动识别出存在工作面瓦斯监测值失真的煤矿,对煤矿监管监察部门的远程监管监察、精准执法具有重要意义。
目前,基于煤矿瓦斯监测数据进行风险预测的研究较多,但针对监管监察部门关注的煤矿企业上传的瓦斯监测数据真实性的研究,包含人为挪动瓦斯传感器(工作面各瓦斯传感器安装位置有严格的要求)、人为中断监测数据传输、人为遮挡包裹传感器等违规行为引起的监测数据失真的研究较少。
现有煤矿采煤工作面瓦斯传感器数值失真识别存在以下问题:
第一,研究方向单一。针对采煤工作面瓦斯传感器数值失真识别有部分研究,例如现有技术中对于煤矿采煤工作面瓦斯传感器位置是否被人为挪动而避免超限报警的识别,提出了通过对同一采煤工作面不同位置瓦斯传感器波峰波谷是否在一定的时间内,或通过计算上下游瓦斯传感器监测值在一定时间差后,相同长时段内监测值的相关系数是否符合阈值,来判断瓦斯传感器数值变化趋势是否一致。从而判断瓦斯传感器位置是否被人为挪动。然而,上述识别方法对采煤工作面瓦斯传感器被人为遮挡及监测值上传人为中断等违规行为无法识别,上述方法对瓦斯传感器的异常检测准确度较低,风险预警准确度较低。
第二,研究普适性相对较差。现有技术中对瓦斯传感器数值变化趋势一致性进行判断时,或依赖煤矿矿图获取通风类型,或依赖煤矿中瓦斯传感器的距离和风速计算风流平移时间。该方法适用范围较小。
目前,亟需提供一种普适性好,且能对多种不同类型原因导致的采煤工作面瓦斯传感器数值失真进行识别的方法。
发明内容
本申请的目的在于提供一种煤矿采煤工作面瓦斯传感器数值失真识别方法与系统,对同一采煤工作面内多个瓦斯传感器的监测数据进行联合分析,及时发现多种不同类型原因导致的采煤工作面瓦斯传感器数值失真,且普适性好。
为达到上述目的,本申请提供一种煤矿采煤工作面瓦斯传感器数值失真识别方法,该方法包括:
实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;
对采集的瓦斯传感器的天级测点值进行降噪处理;
获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;
将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
如上的,其中,将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型中后,人为挪动识别模型对瓦斯传感器进行异常识别;
其中,人为挪动识别模型对瓦斯传感器进行异常识别的方法包括:
获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值;
根据瓦斯传感器的天级测点值,计算瓦斯传感器的评估指标数据,评估指标数据包括均值、标准差、均值差值和标准差差值;
根据获取的评估指标数据,判断评估指标数据是否满足预设人为挪动判定条件,若是,则判定瓦斯传感器存在人为挪动异常,否则,不存在人为挪动异常。
如上的,其中,预设人为挪动判定条件包括两个判定步骤:
第一判定步骤:若均值差值Davg>0.06,且标准差差值Ds>0.03,则判定采煤工作面瓦斯传感器存在人为挪动,否则,执行第二判定步骤;
第二判定步骤:若T0瓦斯传感器天级测点值的标准差ST0≥0.3,均值差值Davg>0.1,则判定采煤工作面瓦斯传感器存在人为挪动,否则,不存在人为挪动;其中,表示T0瓦斯传感器天级测点值的均值;表示T1瓦斯传感器天级测点值的均值;表示T2瓦斯传感器天级测点值的均值。
如上的,其中,均值差值的计算方法如下:
如上的,其中,标准差差值的计算方法为:
DS=max(ST0,ST1,ST2)-min(ST0,ST1,ST2);
其中,Ds表示标准差差值;max(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最大值;min(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最小值。
如上的,其中,将获取的瓦斯传感器的天级测点值输入到预先构建的人为中断或遮挡识别模型中后,人为中断或遮挡识别模型对瓦斯传感器进行异常识别;
人为中断或遮挡识别模型对瓦斯传感器进行异常识别的方法包括:
获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值;
判断瓦斯传感器的天级测点值是否符合人为遮挡条件或人为中断条件,若符合人为遮挡条件,则输出人为遮挡异常,若符合人为中断条件,则输出人为中断异常,否则,不输出异常。
如上的,其中,判断瓦斯传感器的天级测点值是否符合人为遮挡条件的方法包括:
第一遮挡判定方法:
根据一天内采集的瓦斯传感器的天级测点值,计算一天内预设时间段单个瓦斯传感器天级测点值的窗口时间段均值和窗口时间段标准差Swindow,以及其他时间段瓦斯传感器天级测点值的非窗口时段均值和非窗口时段标准差;
如上的,其中,第二遮挡判定方法:根据单个瓦斯传感器天级测点值,生成其随时间变化的曲线,根据该曲线和预设瓦斯传感器天级测点值阈值判断瓦斯传感器是否存在人为遮挡。
如上的,其中,判断瓦斯传感器的天级测点值是否符合人为中断条件的方法包括:对于单个瓦斯传感器,如果存在瓦斯传感器的监测值中断时间超过预设时间,且中断前数值大于中断阈值,中断后数值小于中断阈值,则判定该瓦斯传感器存在人为中断,否则,不存在人为中断。
本申请还提供一种煤矿采煤工作面瓦斯传感器数值失真识别系统,该系统包括:
数据采集模块,用于实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;
数据处理器,用于对采集的瓦斯传感器的天级测点值进行降噪处理;
数据获取模块,用于获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;
异常识别模型,用于将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
本申请实现的有益效果如下:
(1)本申请分析煤矿采煤工作面不同位置瓦斯传感器数值变化频率、幅度及趋势,同一采煤工作面内多个位置瓦斯传感器数值变化进行联合分析,可以及时发现煤矿采煤工作面瓦斯传感器因人为干预造成的失真,为支撑煤矿监管监察和精准执法提供了重要手段。
(2)本申请不仅可以对瓦斯传感器因人为挪动造成的数值失真进行识别,还可以对瓦斯传感器因人为中断或遮挡造成的数值失真进行识别,进而及时发现多种不同类型原因导致的采煤工作面瓦斯传感器数值失真,提高瓦斯传感器数值失真识别准确度。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例的判断采煤工作面的方法流程图。
图2为本申请实施例的U型采煤工作面。
图3为本申请实施例的U型采煤工作面瓦斯传感器数值失真识别方法的流程图。
图4为本申请实施例的判断瓦斯传感器存在挪动异常的方法流程图。
图5为本申请实施例的人为中断或遮挡识别模型对瓦斯传感器进行异常识别的方法流程图。
图6为本申请实施例的瓦斯传感器人为挪动的判断方法流程图。
图7为本申请实施例的瓦斯传感器人为中断和人为遮挡的判断方法流程图。
图8为本申请实施例的一种煤矿采煤工作面瓦斯传感器数值失真识别系统结构示意图。
图9为本申请实施例的瓦斯传感器天级测点值随时间变化的曲线示意图。
附图标记:10-数据采集模块,20-数据处理器;30-数据获取模块;40-异常识别模块;100-瓦斯传感器数值失真识别系统。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
本申请提供一种煤矿采煤工作面瓦斯传感器数值失真识别方法,该方法包括如下步骤:
如图1所示,对采煤工作面的通风类型进行判断:
步骤S1,获取煤矿信息及其瓦斯传感器信息。
其中,煤矿信息包括矿井状况(正常生产或非正常生产)及正常建设的煤矿编码。瓦斯传感器信息包括瓦斯传感器编码及其位置信息。
步骤S2,根据煤矿信息及其瓦斯传感器信息,获取正常生产的煤矿中瓦斯传感器的位置信息。
其中,瓦斯传感器的位置信息包含T0、T1或T2,且将不含掘进信息(通过黑名单过滤)的瓦斯传感器保留。
步骤S3,根据煤矿信息中的煤矿编码或瓦斯传感器的位置信息标识采煤工作面。
具体的,同一煤矿的瓦斯传感器,获取该瓦斯传感器的工作面编号并组合煤矿编码唯一标识煤矿的一个采煤工作面。根据瓦斯传感器的位置信息与工作面的对应关系,正则获取已知位置信息的瓦斯传感器的工作面编号。若获取不到工作面编号的用瓦斯传感器位置信息前两个字来代替标识瓦斯传感器的采煤工作面。
步骤S4,获取同一采煤工作面包含的所有瓦斯传感器。
步骤S5,根据同一采煤工作面包含的瓦斯传感器的数量,并根据瓦斯传感器的数量和预设判定条件判断该采煤工作面的通风类型。
具体的,若同一采煤工作面包含且只包含一个T0瓦斯传感器、一个T1瓦斯传感器和一个T2瓦斯传感器(U型通风采煤工作面的判定条件),则判定该采煤工作面为一个U型通风采煤工作面。
如图2所示为U型通风采煤工作面,不含掘进信息的一个T0瓦斯传感器、一个T1瓦斯传感器和一个T2瓦斯传感器位于同一采煤工作面。
U型通风为煤矿采煤工作面最常用的通风方式。当针对其他通风类型采煤工作面进行判断时,更改工作面瓦斯传感器名称和数量的判定条件即可,本申请不仅可识别U型通风类型的采煤工作面,还可识别U型通风类型外的其他采煤工作面,适用范围较广,普适性好。判断完成采煤工作面的通风类型后,保存采煤工作面的通风类型信息和瓦斯传感器编号。
根据采煤工作面的通风类型,执行相应的瓦斯传感器数值失真识别步骤。
如图3所示,若采煤工作面的通风类型为U型,则执行瓦斯传感器数值失真识别的方法包括如下步骤:
步骤T1,实时采集同一采煤工作面上多个瓦斯传感器的天级测点值。
其中,天级测点值是指24小时瓦斯传感器测点值的集合。优选的,在一天24小时内,每间隔30秒获取每一瓦斯传感器的一条监测值数据,将获取的所有监测值数据构成天级测点值。
其中,U型通风类型的一个采煤工作面包括三个瓦斯传感器,分别为第一瓦斯传感器(T0瓦斯传感器)、第二瓦斯传感器(T1瓦斯传感器)和第三瓦斯传感器(T2瓦斯传感器),其中,第一瓦斯传感器位于上隅角,正常情况下,瓦斯先在上隅角T0瓦斯传感器处积聚,然后向T1瓦斯传感器、T2瓦斯传感器逐渐扩散,T0瓦斯传感器、T1瓦斯传感器、T2瓦斯传感器的变化趋势一致,且T0瓦斯传感器处浓度先达到最高,然后扩散到T1瓦斯传感器、T2瓦斯传感器处浓度逐渐下降。具体的,瓦斯传感器的天级测点值为瓦斯传感器检测的瓦斯浓度数据。
步骤T2,对采集的瓦斯传感器的天级测点值进行降噪处理。
其中,降噪处理的方法包括:去负值,对数值(瓦斯传感器的天级测点值)排序后去除头部和尾部各5%的数据。
具体的,对每一个瓦斯传感器一天内的监测值(测点值)进行去负值处理,然后由小到大排序,并去除排序后头部和尾部各5%的数据。
步骤T3,获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值。
例如,预设阈值为50,判断降噪处理后瓦斯传感器的天级测点值的数据量是否大于50条,若是,则将获取该瓦斯传感器的天级测点值。
步骤T4,将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
具体的,将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型中后,人为挪动识别模型对瓦斯传感器进行异常识别。
如图4和图6所示,人为挪动识别模型对瓦斯传感器进行异常识别的方法包括:
步骤T410,获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值。
步骤T420,根据瓦斯传感器的天级测点值,计算瓦斯传感器的评估指标数据。评估指标数据包括均值、标准差、均值差值和标准差差值。
具体的,均值指的是各个瓦斯传感器天级测点值的均值;标准差指的是各个瓦斯传感器天级测点值的标准差;均值差值指的是所有瓦斯传感器的均值差值;标准差差值指的是所有瓦斯传感器的标准差差值。
其中,均值的计算方法是:在一组数据中所有数据之和再除以这组数据的个数,具体的,一个瓦斯传感器天级测点值的均值计算方法为:
其中,一个瓦斯传感器天级测点值的标准差的计算方法为:
其中,S表示瓦斯传感器天级测点值的标准差;表示均值,n表示瓦斯传感器经过降噪处理后的测点值的总个数;xi表示瓦斯传感器经过降噪处理后的第i个测点值。标准差能反映一个数据集的离散程度,在概率统计中最常使用作为统计分布程度上的测量依据。平均数(均值)相同的两组数据,标准差未必相同。
其中,均值差值的计算方法如下:
其中,标准差差值的计算方法为:
DS=max(ST0,ST1,ST2)-min(ST0,ST1,ST2);
其中,Ds表示标准差差值;max(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最大值;min(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最小值;ST0表示T0瓦斯传感器天级测点值的标准差;ST1表示T1瓦斯传感器天级测点值的标准差;ST2表示T2瓦斯传感器天级测点值的标准差。
步骤T430,根据获取的评估指标数据,判断评估指标数据是否满足预设人为挪动判定条件,若是,则判定瓦斯传感器存在人为挪动异常,否则,不存在人为挪动异常。
如图6所示,预设人为挪动判定条件包括两个判定步骤:
第一判定步骤:若均值差值Davg>0.06,且标准差差值Ds>0.03,则认为采煤工作面测点变化趋势不一致,判定结果为采煤工作面瓦斯传感器存在人为挪动,否则,执行第二判定步骤。
第二判定步骤:若T0瓦斯传感器天级测点值的标准差ST0≥0.3,均值差值Davg>0.1且或者T0均值<T1均值或T0均值<T2均值;则认为采煤工作面瓦斯传感器监测值(天级测点值)不符合正确安装位置应有的数据变化,判定采煤工作面瓦斯传感器位置存在人为挪动,否则,不存在人为挪动;其中,表示T0瓦斯传感器天级测点值的均值;表示T1瓦斯传感器天级测点值的均值;表示T2瓦斯传感器天级测点值的均值。
作为本发明的具体实施例,判断瓦斯传感器是否存在人为挪动异常后,对瓦斯传感器是否存在人为中断或遮挡的异常情况进行识别。
如图5和图7所示,人为中断或遮挡识别模型对瓦斯传感器进行异常识别的方法包括:
步骤T510,获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值。
步骤T520,判断瓦斯传感器的天级测点值是否符合人为遮挡条件和/或人为中断条件,若符合人为遮挡条件,则输出人为遮挡异常,若符合人为中断条件,则输出人为中断异常,否则,不输出异常。
其中,判断瓦斯传感器的天级测点值是否符合人为遮挡条件的方法包括:
第一遮挡判定方法:
步骤T521,根据一天内采集的瓦斯传感器的天级测点值,计算一天内预设时间段(窗口时间段,例如8点-11点)单个瓦斯传感器天级测点值的窗口时间段均值和窗口时间段标准差Swindow,以及其他时间段瓦斯传感器天级测点值的非窗口时段均值和非窗口时段标准差。窗口时间段均值和窗口时间段标准差的计算方法与前面所述的均值和标准差的计算方法相同。
步骤T522,若单个瓦斯传感器的窗口时间段均值且且窗口时间段标准差Swindow<0.02;*表示乘法;则判定瓦斯传感器存在人为遮挡,否则,执行第二遮挡判定方法。其中,判定参数:0.05、0.02和0.2可以根据经验调整。
第二遮挡判定方法:
步骤T523,根据单个瓦斯传感器天级测点值,生成其随时间变化的曲线,根据该曲线和预设瓦斯传感器天级测点值阈值判断该瓦斯传感器是否存在人为遮挡。
如图9所示,为瓦斯传感器天级测点值随时间变化的曲线,横坐标为时间,纵坐标为瓦斯传感器的天级测点值R。
具体的,预设瓦斯传感器天级测点值阈值包括上极限值R2和下极限值R1,若单个瓦斯传感器存在天级测点值从上极限值以上测点值G1波动下降到下极限值以下测点值G2,一段时间后继续上升至下极限值以上测点值G3,且下极限值以下时段(T3-T5)的测点值标准差<0.02,且(下极限值上升后时段均值-下极限值以下时段段均值)>0.1,则判定该瓦斯传感器存在人为遮挡。其中,标准差和方差的计算方法为采用现有的计算方法。
作为本发明的其他具体实施例,通过分析数据突升后突降,且过一段时间后又回升到正常范围,判断是否存在人为中断。
其中,判断瓦斯传感器的天级测点值是否符合人为中断条件的方法包括:
步骤T524,对于单个瓦斯传感器,如果存在瓦斯传感器的监测值中断时间超过预设时间,且中断前数值大于中断阈值,中断后数值小于中断阈值,则判定该瓦斯传感器存在人为中断,否则,不存在人为中断。
具体的,对于单个瓦斯传感器,如果存在监测值中断时间超过预设时间(例如:10分钟),且中断前数值大于中断阈值,中断后数值小于中断阈值(即中断前数值较高,中断后数值较低),则判定该瓦斯传感器存在人为中断。
作为本发明的一个具体实施例,若瓦斯传感器的监测值(天级测点值)从0.5以上,突然发生数据中断,且数值中断时间间隔大于10分钟,中断前监测值在0.5以上,中断后测得的监测值小于0.5,则判定该瓦斯传感器存在人为中断。可以理解的是,人为在中断时间内对瓦斯传感器处理后,使得中断前数值大于中断阈值,数据恢复后测得的中断后数值小于中断阈值。
作为本发明的具体实施例,人为中断或遮挡识别模型的阈值(例如:瓦斯传感器天级测点值的上极限值R2和下极限值R1)或各个用于条件判定的参数预先确定,应用于其他通风类型采煤工作面时,适当的进行相应调整。
将异常结果存入数据库后,为各级监管监察部门远程监察精准执法提供数据支撑。
实施例二
如图8所示,本申请还提供一种煤矿采煤工作面瓦斯传感器数值失真识别系统100,该系统包括:
数据采集模块10,用于实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;
数据处理器20,用于对采集的瓦斯传感器的天级测点值进行降噪处理;
数据获取模块30,用于获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;
异常识别模型40,用于将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
本申请实现的有益效果如下:
(1)本申请分析煤矿采煤工作面不同位置瓦斯传感器数值变化频率、幅度及趋势,同一采煤工作面内多个位置瓦斯传感器数值变化进行联合分析,可以及时发现煤矿采煤工作面瓦斯传感器因人为干预造成的失真,为支撑煤矿监管监察和精准执法提供了重要手段。
(2)本申请不仅可以对瓦斯传感器因人为挪动造成的数值失真进行识别,还可以对瓦斯传感器因人为中断或遮挡造成的数值失真进行识别,进而及时发现多种不同类型原因导致的采煤工作面瓦斯传感器数值失真,提高瓦斯传感器数值失真识别准确度。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理内所做的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (10)
1.一种煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,该方法包括:
实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;
对采集的瓦斯传感器的天级测点值进行降噪处理;
获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;
将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
2.根据权利要求1所述的煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型中后,人为挪动识别模型对瓦斯传感器进行异常识别;
其中,人为挪动识别模型对瓦斯传感器进行异常识别的方法包括:
获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值;
根据瓦斯传感器的天级测点值,计算瓦斯传感器的评估指标数据,评估指标数据包括均值、标准差、均值差值和标准差差值;
根据获取的评估指标数据,判断评估指标数据是否满足预设人为挪动判定条件,若是,则判定瓦斯传感器存在人为挪动异常,否则,不存在人为挪动异常。
5.根据权利要求3所述的煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,标准差差值的计算方法为:
DS=max(ST0,ST1,ST2)-min(ST0,ST1,ST2);
其中,Ds表示标准差差值;max(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最大值;min(ST0,ST1,ST2)表示取ST0、ST1和ST2中的最小值;其中,ST0表示T0瓦斯传感器天级测点值的标准差;ST1表示T1瓦斯传感器天级测点值的标准差;ST2表示T2瓦斯传感器天级测点值的标准差。
6.根据权利要求1所述的煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,将获取的瓦斯传感器的天级测点值输入到预先构建的人为中断或遮挡识别模型中后,人为中断或遮挡识别模型对瓦斯传感器进行异常识别;
人为中断或遮挡识别模型对瓦斯传感器进行异常识别的方法包括:
获取同一采煤工作面内降噪处理后的瓦斯传感器的天级测点值;
判断瓦斯传感器的天级测点值是否符合人为遮挡条件和/或人为中断条件,若符合人为遮挡条件,则输出人为遮挡异常,若符合人为中断条件,则输出人为中断异常,否则,不输出异常。
8.根据根据权利要求7所述的煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,
第二遮挡判定方法:根据单个瓦斯传感器天级测点值,生成其随时间变化的曲线,根据该曲线和预设瓦斯传感器天级测点值阈值判断瓦斯传感器是否存在人为遮挡。
9.根据根据权利要求7所述的煤矿采煤工作面瓦斯传感器数值失真识别方法,其特征在于,判断瓦斯传感器的天级测点值是否符合人为中断条件的方法包括:对于单个瓦斯传感器,如果存在瓦斯传感器的监测值中断时间超过预设时间,且中断前数值大于中断阈值,中断后数值小于中断阈值,则判定该瓦斯传感器存在人为中断,否则,不存在人为中断。
10.一种煤矿采煤工作面瓦斯传感器数值失真识别系统,其特征在于,该系统包括:
数据采集模块,用于实时采集同一采煤工作面上多个瓦斯传感器的天级测点值;
数据处理器,用于对采集的瓦斯传感器的天级测点值进行降噪处理;
数据获取模块,用于获取降噪处理后数据量大于预设阈值的瓦斯传感器的天级测点值;
异常识别模型,用于将获取的瓦斯传感器的天级测点值输入到预先构建的人为挪动识别模型,以及人为中断或遮挡识别模型中进行异常识别,获取瓦斯传感器异常识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795100.2A CN115163195A (zh) | 2022-07-07 | 2022-07-07 | 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795100.2A CN115163195A (zh) | 2022-07-07 | 2022-07-07 | 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115163195A true CN115163195A (zh) | 2022-10-11 |
Family
ID=83490490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210795100.2A Pending CN115163195A (zh) | 2022-07-07 | 2022-07-07 | 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115163195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146282A (zh) * | 2023-04-18 | 2023-05-23 | 枣庄矿业(集团)济宁七五煤业有限公司 | 一种防冲隐蔽工程施工的智能监管系统 |
-
2022
- 2022-07-07 CN CN202210795100.2A patent/CN115163195A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146282A (zh) * | 2023-04-18 | 2023-05-23 | 枣庄矿业(集团)济宁七五煤业有限公司 | 一种防冲隐蔽工程施工的智能监管系统 |
CN116146282B (zh) * | 2023-04-18 | 2023-06-30 | 枣庄矿业(集团)济宁七五煤业有限公司 | 一种防冲隐蔽工程施工的智能监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112161648B (zh) | 异常传感器的识别方法、装置、可读存储介质及电子设备 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN112378445A (zh) | 一种基于大数据分析的建筑施工环境智能实时监测系统 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN109783903B (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
CN115163195A (zh) | 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 | |
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 | |
CN115077627B (zh) | 一种多融合环境数据监管方法及监管系统 | |
CN116992393A (zh) | 一种基于工业物联网的安全生产监测方法 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN116308415A (zh) | 一种污水排放数据真伪风险评估方法 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN116105802A (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
CN113655189A (zh) | 污染源自动监控数据分析判断系统 | |
CN115063014A (zh) | 一种基于5g网络的工业废水监管系统及方法 | |
CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN112037106A (zh) | 一种基于特征互相关性和概率密度的数据异常分析方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN115041544A (zh) | 冲压件的异常检测方法、装置及存储介质 | |
CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
CN115171362A (zh) | 一种面向重点区域防控的预警方法及系统 | |
CN115295016A (zh) | 一种设备运行状态监控方法、装置、设备及存储介质 |
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 |