CN116357396A - 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 - Google Patents
一种瓦斯曲线关联波动异常识别方法、装置及相关组件 Download PDFInfo
- Publication number
- CN116357396A CN116357396A CN202310249745.0A CN202310249745A CN116357396A CN 116357396 A CN116357396 A CN 116357396A CN 202310249745 A CN202310249745 A CN 202310249745A CN 116357396 A CN116357396 A CN 116357396A
- Authority
- CN
- China
- Prior art keywords
- concentration data
- methane concentration
- methane
- abnormal
- curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 466
- 230000002159 abnormal effect Effects 0.000 claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 9
- 239000003245 coal Substances 0.000 description 7
- 238000010606 normalization Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK 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
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种瓦斯曲线关联波动异常识别方法、装置及相关组件,涉及甲烷传感器检测领域,该方法包括基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;利用DTW算法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。该方法可以解决无法有效的监控甲烷传感器是否正确安装的问题。
Description
技术领域
本发明涉及甲烷传感器检测领域,尤其涉及一种瓦斯曲线关联波动异常识别方法、装置及相关组件。
背景技术
目前,煤炭行业是国家能源的主要来源之一,也是国家经济的重要支柱之一。而煤炭开采过程中煤炭瓦斯爆炸事故频繁发生,对人们的生命安全和经济财产造成了巨大损失。
采煤工作面是采掘煤炭的第一作业现场,是矿井事故尤其瓦斯爆炸事故多发的地点,国家法律规定,在同一个工作面需要间隔一定位置安装多个甲烷传感器,从而及时收集瓦斯信息,对事故进行有效预防。甲烷是导致瓦斯爆炸发生的主要成分,正确安装甲烷传感器,能有效降低安全事故风险,而目前,对甲烷传感器是否正确安装,尚无有效的监控方法。
发明内容
本发明的目的是提供一种瓦斯曲线关联波动异常识别方法、装置及相关组件,旨在解决无法有效的监控甲烷传感器是否正确安装的问题。
为解决上述技术问题,本发明的目的是通过以下技术方案实现的:提供一种瓦斯曲线关联波动异常识别方法,其包括:
基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
利用DTW动态时间规整法计算各所述目标甲烷浓度数据曲线之间的最短路径距离值;
将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
另外,本发明要解决的技术问题是还在于提供一种瓦斯曲线关联波动异常识别装置,其包括:
采样单元,用于基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
预处理单元,用于对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
计算单元,用于利用DTW动态时间规整法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;
预警单元,用于将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
另外,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的瓦斯曲线关联波动异常识别方法。
另外,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的瓦斯曲线关联波动异常识别方法。
本发明公开了一种瓦斯曲线关联波动异常识别方法、装置及相关组件,方法包括:基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;利用DTW动态时间规整法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。该方法可以有效解决无法监控甲烷传感器是否安装正常的问题。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的瓦斯曲线关联波动异常识别方法的流程示意图;
图2为本发明实施例提供的工作面甲烷传感器位置示意图;
图3为本发明实施例提供的正常生产状态下甲烷浓度数据示意图;
图4为本发明实施例提供的DTW最佳路径示意图;
图5为本发明实施例提供的欧氏距离与DTW距离对比示意图;
图6为本发明实施例提供的正常和异常DTW分布示意图;
图7为本发明实施例提供的甲烷传感器T0、T1、T2的DTW运算示意图;
图8为本发明实施例提供的瓦斯曲线关联波动异常识别装置的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
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,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的瓦斯曲线关联波动异常识别方法的流程示意图;
如图1所示,该方法包括步骤S101~S104。
S101、基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
在本实施例中,如图2所示,本申请的其中一个工作面有3个甲烷传感器,安装位置为T0、T1、T2,甲烷气体的流动方向自甲烷传感器T0经过甲烷传感器T1后,流过甲烷传感器T2,甲烷气体在流动过程中,3个甲烷传感器会对甲烷气体的浓度数据进行采集,得到原始甲烷浓度数据,在本实施例中,可以按照五分钟的频率进行数据采集,即,将同一工作面上的所有甲烷传感器采集到的原始甲烷浓度数据进行接收,应当说明的是,也可以按照其他的采样时间段进行数据采集,本申请不做具体限定。
在具体一实施例中,所述步骤S101包括:
S10、基于所述原始甲烷浓度数据,获取对应的调校信息;
S11、基于所述调校信息,判断当前工作面是否处于调校状态,若当前工作面处于调校状态,则剔除当前工作面上所有甲烷传感器发送的原始甲烷浓度数据。
结合图2可知,当工作面甲烷气体涌出时,甲烷气体依次经过T0、T1、T2三个甲烷传感器,由此可以得到如图3所示的曲线波动图,其中,3个曲线自上而下依次为T0、T1、T2三个甲烷传感器对应的浓度曲线,曲线横坐标为时间,纵坐标为甲烷浓度,由此可知:3个甲烷气体浓度曲线的波动趋势相似,强度有一定的衰减,所以在本实施例中,首先,获取T0、T1、T2三个甲烷传感器发送的原始甲烷浓度数据,从而得到T0、T1、T2三个甲烷传感器对应的调校信息,具体的:
按下式获取对应的调校信息Tad:
其中,V表示原始甲烷浓度数据,S表示当前甲烷传感器的状态信息,α表示浓度阈值。
在本实施例中,由于原始甲烷浓度数据是由一个采样时间段内采集的连续数据组成,由此可以得到一个时间段的甲烷浓度曲线,根据4个浓度阈值的判断或者甲烷传感器的状态信息,可以得到当前甲烷传感器对应的调校信息,例如,α1、α2、α3、α4通过已有的大量历史调校状态以及《煤炭安全监控系统及检测仪器使用规范》分别可以设置为如下:α1=1.45、α2=1.55、α3=1.95、α4=2.05,当原始甲烷浓度数据V位于浓度阈值α1、α2之间,则标记调校信息为1,同理可知,当原始甲烷浓度数据V位于浓度阈值α3、α4之间,则标记调校信息为1,同时,当甲烷传感器处于维修状态时,维修人员会对该甲烷传感器设置当前状态信息,即,将当前甲烷传感器的状态信息设置为“4”,则此时调校信息被标记为1。
当判断出原始甲烷浓度数据中的调校信息为1,则对当前工作面上所有甲烷传感器发送的原始甲烷浓度数据进行剔除,即,不再判断当前工作面的甲烷传感器是否异常,通过上述方式,可以筛选出一部分无效数据,降低运算成本,提高数据处理效率。
S102、对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
在本实施例中,由于原始甲烷浓度数据传输过于频繁,导致输送的数据量较大,所以本申请设置原始甲烷浓度数据的存储方式为变值存储,即,只有原始甲烷浓度数据发生变化才会有对应的记录点。
由于变值存储方式的存在,使得同一工作面上的不同甲烷传感器之间传输的原始甲烷浓度数据的长度不一,即,各个甲烷浓度曲线缺乏可比性。因此原始甲烷浓度数据未被记录的点使用上一采样时间段的甲烷传感器原始甲烷浓度数据进行补齐,原始甲烷浓度数据补齐后,使得原始甲烷浓度数据被转化为可对比的等长的目标甲烷浓度数据。将得到的目标甲烷浓度数据进行标准化,得到目标甲烷浓度数据曲线,使得波动范围不同的原始甲烷浓度数据值之间可以进行对比,即,距离计算的单位可以统一。其中,标准化使用正态标准化方案,计算每个甲烷传感器的均值与标准差,具体的:
按下式计算标准正态标准化:
其中,Z表示该标准正态分布下的变量,V表示原始甲烷浓度数据,μ表示原始甲烷浓度数据的均值,σ表示标准差。
S103、利用DTW动态时间规整法计算各所述目标甲烷浓度数据曲线之间的最短路径距离值;
如图5所示,应当说明的是,通常采用传统欧式距离算法计算2个目标甲烷浓度数据曲线的距离值,但由于2个目标甲烷浓度数据曲线存在时间延迟的情况,所以会导致计算出来的欧式距离值偏大,导致出现各甲烷传感器间关联异常判断不准确的情况,所以本申请瓦斯曲线关联波动异常识别方法利用DTW动态时间规整法,本申请主要应用于衡量同为时间序列的目标甲烷浓度数据曲线的相似程度。采用最短路径距离值(即DTW动态时间规整法算出的DTW距离值)衡量目标甲烷浓度数据曲线之间的相似程度而非欧式距离值的原因是,相比传统的欧式距离值,DTW距离值可以有效的减少时间延迟造成的误差,从而减少各甲烷传感器间关联异常不准确的情况发生。
在具体一实施例中,获取对齐标准化后的目标甲烷浓度数据曲线L1、L2,为了方便两条目标甲烷浓度数据曲线横向对比相似度,由此,我们可以形成一个n×n的网格如图4所示。结合图4,目标甲烷浓度数据曲线L1、L2基于DTW动态时间规整法在该网格中找到一条由(0,0)到(n,n)的路径,使得该条路径上两条目标甲烷浓度数据曲线上数据点的距离最短,该路径记为,其中xi,yi均为介于0到n之间的整数,满足/>,而限定窗口区间w,应同时满足/>。其中,限定窗口区间w为了将对齐路径限制在对角线附近,那么由该路径计算的DTW距离值为:
其中,L1(xk),L2(yk)表示L1、L2上对应的第xk个点和第yk个点,d(L1(xk),L2(yk))表示第xk个点和第yk个点的欧式距离。
由以上公式计算得到的DTW距离值,可以有效衡量两条有一定时间延迟的时间序列中目标甲烷浓度数据曲线的相似度,相比传统的欧式距离算法,本申请可以有效的减少时间延迟造成的误差。
S104、将所有的所述最短路径距离值(即DTW距离值)与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
在具体一实施例中,所述步骤S104包括以下步骤:
S20、获取历史甲烷浓度数据集合,并自所述历史甲烷浓度数据集合中获取目标正常甲烷浓度数据组和目标异常甲烷浓度数据组;
S21、基于所述目标正常甲烷浓度数据组,利用DTW动态时间规整法计算对应的DTW距离值并获取对应的正常DTW距离值正态分布曲线;
S22、基于所述目标异常甲烷浓度数据组,利用DTW动态时间规整法计算对应的DTW距离值并获取对应的异常DTW距离值正态分布曲线;
S23、基于所述正常DTW距离值正态分布曲线和异常DTW距离值正态分布曲线的交点,并将所述交点作为所述异常距离阈值。
具体的,前期使用曲线特征化方法,提取了曲线极值、曲线波动范围、曲线波动程度等特征,分析了同一工作面不同甲烷传感器甲烷浓度数据曲线间的相似度,并生成预警推送到煤矿端,这批历史数据经由煤矿和专家的判断及反馈,分为关联正常波动、关联异常波动两大类数据。
在实际运用场景下,可以分别从关联正常波动,关联异常波动两大类数据中选出在同一工作面且同一采样时间段的正常甲烷浓度数据曲线组和异常甲烷浓度数据曲线组,分别通过DTW动态时间规整法计算出一系列正常的DTW距离值和异常的DTW距离值,假设正常的DTW距离值和异常的DTW距离值服从均值与方差不同的正态分布,则可以分别计算得到正常DTW距离值分布曲线和异常DTW距离值分布曲线,对应的曲线分布图如图6所示,具体的,左侧的分布曲线为正常DTW距离值分布曲线,右侧的分布曲线则为异常DTW距离值分布曲线,两条DTW距离值分布曲线具有交集点,穿过该交集点作一条垂直于横轴的辅助线,则该条辅助线所示数值即为异常阈值,后续分析中使用异常阈值作为DTW距离的判断标准,大于异常阈值则判断为甲烷传感器出现安装异常问题。
在具体一实施例中,关于甲烷传感器的预警机制,所述步骤S104还包括:
S30、若某一甲烷传感器的DTW距离值存在大于异常阈值的情况,判断获取的所述原始甲烷浓度数据的组数,若所述原始甲烷浓度数据的组数为2,则执行步骤S31,若所述原始甲烷浓度数据的组数为n,其中,n>2,则执行步骤S32;
S31、执行预设的第一异常判断步骤;
S32、执行预设的第二异常判断步骤。
具体一实施例中,所述步骤S31,包括:
S40、分别计算并比较两个所述原始甲烷浓度数据的标准差,得到标准差最小的异常甲烷浓度数据;
S41、基于所述异常甲烷浓度数据,获取对应的异常甲烷传感器信息。
具体的,在本实施例中,一个工作面上安装有2个甲烷传感器,在当前采样时间段接收到2个甲烷传感器发送的原始甲烷浓度数据后,计算2个原始甲烷浓度数据的标准差,由于正常状态的甲烷传感器的原始甲烷浓度数据的波动较大,所以取两者间标准差较小的一个甲烷传感器作为异常甲烷传感器,即瓦斯浓度波动较小的甲烷传感器安装产生了异常。
具体一实施例中,所述步骤S32,包括:
S50、遍历所有所述甲烷浓度数据,按下式计算当前所述原始甲烷浓度数据对应的DTW距离值之和ts:
其中,ta表示甲烷传感器对应的DTW距离值;n表示甲烷浓度数据的组数。
需要说明的是,因为原始甲烷浓度数据的组数为n>2,即一个工作面上安装有至少3个甲烷传感器,所以一个甲烷传感器对应的DTW距离值会有n-1个。
S51、在得到所有的所述原始甲烷浓度数据对应的DTW距离值之和后,获取数值最大的DTW距离值之和作为异常甲烷浓度数据;
S52、基于所述异常甲烷浓度数据,获取对应的异常甲烷传感器信息。
若同一工作面上的甲烷传感器大于2个,假设为n个甲烷传感器,分别计算两两间的DTW距离,并依据历史分析异常阈值判断,筛选出大于异常阈值的异常DTW距离。采用下述逻辑确定安装出现问题的甲烷传感器:
(1) 初始化最大距离和maxs为0;
(2) 遍历甲烷传感器组中的每一个甲烷传感器t;
(3) 计算每一个甲烷传感器t对应的DTW距离值之和ts;
(4) 若甲烷传感器t对应的DTW距离值之和ts大于最大距离maxs,则更新最大距离和maxs为异常DTW距离值和ts,并记录甲烷传感器t的信息;
(5) 遍历结束后,获取最大距离和maxs对应的甲烷传感器t信息,作为安装异常的甲烷传感器。
具体的,结合图7,若同一工作面有三个甲烷传感器T0、T1、T2,分别计算甲烷传感器T0和甲烷传感器T1、甲烷传感器T1和甲烷传感器T2、甲烷传感器T0和甲烷传感器T2之间的DTW距离值,设置甲烷传感器T0和甲烷传感器T1的DTW距离值为a,甲烷传感器T1和甲烷传感器T2的DTW距离值为b,甲烷传感器T0和甲烷传感器T2的DTW距离值为c,如果甲烷传感器T0出现安装异常问题,则a和c都会大于异常阈值,而b低于异常阈值,将三个甲烷传感器T0、T1、T2对应的DTW距离值相加,由此可得,甲烷传感器T0对应的a+c高于甲烷传感器T1对应的a+b,同理可得,甲烷传感器T0对应的a+c高于甲烷传感器T2对应的a+b,由此可以判断出甲烷传感器T0对应的DTW距离值之和最高。
在本实施例中,经过DTW距离值之和的比较可以精准定位到甲烷传感器T0发生安装问题,与此同时,终端会记录甲烷传感器T0的信息,并在显示屏上作高亮显示提醒。
至此,获取了同一工作面对应甲烷传感器组中产生异常的甲烷传感器数据信息,给出该甲烷传感器安装异常的预警结论。
本发明实施例还提供一种瓦斯曲线关联波动异常识别装置,该瓦斯曲线关联波动异常识别装置用于执行前述瓦斯曲线关联波动异常识别方法的任一实施例。具体地,请参阅图8,图8是本发明实施例提供的瓦斯曲线关联波动异常识别方法装置的示意性框图。
如图9所示,瓦斯曲线关联波动异常识别装置500,包括:
采样单元501,用于基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
预处理单元502,用于对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
计算单元503,用于利用DTW算法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;
预警单元504,用于将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
该装置可以对同一工作面甲烷传感器曲线的关联情况进行分析,实现对安装异常的甲烷传感器进行识别并预警,对事故进行有效预防,帮助提高生产安全性。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述瓦斯曲线关联波动异常识别装置可以实现为计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备1100是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备1100包括通过系统总线1101连接的处理器1102、存储器和网络接口1105,其中,存储器可以包括非易失性存储介质1103和内存储器1104。
该非易失性存储介质1103可存储操作系统11031和计算机程序11032。该计算机程序11032被执行时,可使得处理器1102执行瓦斯曲线关联波动异常识别方法。
该处理器1102用于提供计算和控制能力,支撑整个计算机设备1100的运行。
该内存储器1104为非易失性存储介质1103中的计算机程序11032的运行提供环境,该计算机程序11032被处理器1102执行时,可使得处理器1102执行瓦斯曲线关联波动异常识别方法。
该网络接口1105用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备1100的限定,具体的计算机设备1100可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域技术人员可以理解,图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图9所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器1102可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器1102还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例的瓦斯曲线关联波动异常识别方法。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种瓦斯曲线关联波动异常识别方法,其特征在于,包括:
基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
利用DTW算法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;
将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
2.根据权利要求1所述的瓦斯曲线关联波动异常识别方法,其特征在于,所述基于预设的采样规则,获取由同个工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据之后,包括:
基于所述原始甲烷浓度数据,获取对应的调校信息;
基于所述调校信息,判断当前工作面是否处于调校状态;
若当前工作面处于调校状态,则剔除当前工作面上所有甲烷传感器发送的原始甲烷浓度数据。
4.根据权利要求1所述的瓦斯曲线关联波动异常识别方法,其特征在于,所述将所有的所述最短路径距离值与预设的异常距离阈值进行对比之前,包括:
获取历史甲烷浓度数据集合,并自所述历史甲烷浓度数据集合中获取目标正常甲烷浓度数据组和目标异常甲烷浓度数据组;
基于所述目标正常甲烷浓度数据组,利用DTW算法计算对应的最短路径距离值并获取对应的正常正态分布曲线;
基于所述目标异常甲烷浓度数据组,利用DTW算法计算对应的最短路径距离值并获取对应的异常正态分布曲线;
基于所述正常正态分布曲线和异常正态分布曲线的交点,并将所述交点作为所述异常距离阈值。
5.根据权利要求2所述的瓦斯曲线关联波动异常识别方法,其特征在于,所述若当前所述最短路径距离值超过所述异常距离阈值之后,发出异常预警信号之前,包括:
判断获取的所述原始甲烷浓度数据的组数,若所述原始甲烷浓度数据的组数为2,则执行预设的第一异常判断步骤;若所述原始甲烷浓度数据的组数为n,则执行预设的第二异常判断步骤,其中,n>2。
6.根据权利要求5所述的瓦斯曲线关联波动异常识别方法,其特征在于,所述第一异常判断步骤,包括:
分别计算并比较两个所述原始甲烷浓度数据的标准差,得到标准差最小的异常甲烷浓度数据;
基于所述异常甲烷浓度数据,获取对应的异常甲烷传感器数据。
8.一种瓦斯曲线关联波动异常识别方法装置,其特征在于,包括:
采样单元,用于基于预设的采样规则,获取由同工作面上不同位置上的甲烷传感器发送的原始甲烷浓度数据;
预处理单元,用于对所有的所述原始甲烷浓度数据进行预处理,使各所述原始甲烷浓度数据对齐和标准化,得到目标甲烷浓度数据曲线;
计算单元,用于利用DTW算法计算与处理后的各所述目标甲烷浓度数据曲线之间的最短路径距离值;
预警单元,用于将所有的所述最短路径距离值与预设的异常距离阈值进行比对,若当前所述最短路径距离值超过所述异常距离阈值,则发出异常预警信号。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的瓦斯曲线关联波动异常识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的瓦斯曲线关联波动异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249745.0A CN116357396A (zh) | 2023-06-06 | 2023-06-06 | 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249745.0A CN116357396A (zh) | 2023-06-06 | 2023-06-06 | 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116357396A true CN116357396A (zh) | 2023-06-30 |
Family
ID=86906172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310249745.0A Pending CN116357396A (zh) | 2023-06-06 | 2023-06-06 | 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116357396A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738151A (zh) * | 2023-08-09 | 2023-09-12 | 广东电网有限责任公司广州供电局 | 基于大数据的企业能耗碳排放监测核算方法及系统 |
CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及系统 |
-
2023
- 2023-06-06 CN CN202310249745.0A patent/CN116357396A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738151A (zh) * | 2023-08-09 | 2023-09-12 | 广东电网有限责任公司广州供电局 | 基于大数据的企业能耗碳排放监测核算方法及系统 |
CN116738151B (zh) * | 2023-08-09 | 2023-11-17 | 广东电网有限责任公司广州供电局 | 基于大数据的企业能耗碳排放监测核算方法及系统 |
CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及系统 |
CN116821713B (zh) * | 2023-08-31 | 2023-11-24 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116357396A (zh) | 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 | |
WO2021179572A1 (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN110427996B (zh) | 基于模糊匹配的时间序列异常模式识别方法及装置 | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
CN113255783B (zh) | 基于无监督学习的传感器故障检测方法和装置 | |
CN117556714B (zh) | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 | |
CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控系统 | |
CN117312997A (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
CN115018315A (zh) | 一种供热异常的检测方法、装置、电子设备及存储介质 | |
CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN116821836B (zh) | 基于多传感器的轮轴瓦异常状态监测方法及系统 | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
CN116229438B (zh) | 一种纺纱质量视觉识别系统 | |
KR101615345B1 (ko) | 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법 | |
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 | |
CN117889945B (zh) | 一种公路桥梁施工振动测试方法 | |
CN117556364B (zh) | 一种矿用矿压安全智能监测系统 | |
CN117312635B (zh) | 在线检测数据分析处理方法、系统、电子设备及存储介质 |
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 |