CN116821835B - 基于数字孪生的煤矿数据智能化采集方法 - Google Patents

Abstract

本申请属于数据处理技术领域，提供了基于数字孪生的煤矿数据智能化采集方法，包括：分析煤矿采煤机工况参数的变化情况，计算获得工况参数的异常波动指数；以工况参数和异常波动指数，构建获取工况参数特征空间；对工况参数特征空间中不同工况参数分析计算，获取工况参数的变化熵；在工况参数特征空间中，根据变化熵计算得到工况参数特征空间中数据点i位置处的局部分布异常系数，进而得到局部异常因子；分析局部异常因子，获取工况参数特征空间的按中异常数据；根据按中异常数据，对聚类函数优化计算获取优化聚类算法。本申请提供的方法可以有效地提高获取工况参数中异常数据的准确性，确保煤矿采煤机数字孪生体构建的准确性和有效性。

Description

基于数字孪生的煤矿数据智能化采集方法

技术领域

本申请涉及数据处理技术领域，尤其涉及基于数字孪生的煤矿数据智能化采集方法。

背景技术

智能化已成为煤炭工业高质量发展的核心技术支撑，是煤炭工业发展的未来。

数字孪生（Digital Twin）是一种使用物联网大数据技术与数字可视化工业仿真技术相融合获取得到的一种现实实体的数字化“克隆体”的新型数字化技术。通过数字孪生技术可以获取得到与现实物理实体完全一致的数字化孪生模型，在该模型中可以有效地对现实场景中物理实体的状态进行实时监测分析服务。

鉴于数字孪生技术的实时性高、可扩展性强等多种特点的，可对煤矿开采过程中采煤机构建得到相应的数字化孪生实体模型。数据采集的精确性直接影响煤矿采煤机数字孪生体构建的准确性和有效性，相关技术中，煤矿采煤机数字信息采集过程中异常噪声数据信息和有效数据信息之间差异不明显，导致传统K-Medoids聚类算法处理过程中不能准取聚类获取煤矿采煤机异常噪声数据，煤矿采煤机数字孪生体构建的准确性和有效性不足。

发明内容

为了解决以上技术问题，本申请提供了涉及基于数字孪生的煤矿数据智能化采集方法，用以提高对煤矿采煤机工况参数中异常数据获取的准确性，进而确保煤矿采煤机数字孪生体构建的准确性和有效性。

本发明提供的一种基于数字孪生的煤矿数据智能化采集方法，所述方法包括：

采集获取煤矿采煤机实时运行工况参数；

分析所述工况参数随着运行时间发生的变化情况，计算获得所述工况参数的异常波动指数；

以所述工况参数为横轴、所述异常波动指数为纵轴，构建获取工况参数特征空间；

对所述工况参数特征空间中不同工况参数数值点进行分析计算，获取所述工况参数的变化熵；

在所述工况参数特征空间中，根据所述变化熵，计算得到所述工况参数特征空间中数据点i位置处的局部分布异常系数；

分析所述局部分布异常系数，计算获得以所述数据点i为中心的所述工况参数特征空间的局部异常因子；

分析所述局部异常因子，获取所述工况参数特征空间的按中异常数据；

根据所述按中异常数据对K-Medoids聚类算法中聚类函数进行优化计算，获取优化聚类算法。

在本发明的一些实施例中，获取优化聚类算法之后，所述方法还包括：

通过所述优化聚类算法将所述工况参数划分成两种不同的数据聚类；

两种不同的数据聚类中所述局部异常因子数值和较大的一类为噪声数据点，将所述工况参数特征空间中所述噪声数据点对应的所述工况参数数据点进行剔除处理，得到剔除空缺位置；

使用拉格朗日多项式插值，对剔除空缺位置进行插值。

在本发明的一些实施例中，得到剔除空缺位置之后，所述方法还包括：

统计剔除处理后的所述工况参数数据中连续空缺位置的数量；

判断连续空缺位置的数量最大值是否大于等于预设值，如果是则认为当前煤矿采煤机工况参数采集过程中异常噪声干扰较为严重，调整后进行重新采集；否则，保留所述工况参数，进行后续处理。

在本发明的一些实施例中，所述预设值取值5。

在本发明的一些实施例中，所述异常波动指数的计算方法为：

式中，表示煤矿采煤机在第/>个时刻对应位置处工况参数的异常波动指数；/>表示煤矿采煤机工况参数的局部数据切片中斜率数值大小；/>表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示采集获取得到的煤矿采煤机参数数据中的局部切片长度。

在本发明的一些实施例中，所述变化熵的计算方法为：

式中，表示以数据点/>为中心的局部邻域中煤矿采煤机工况参数的变化熵；/>表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>表示在第/>个煤矿采煤机的工况参数小区域中工况参数数据点的个数；/>为与/>的比值；/>表示以/>为底的对数函数。

在本发明的一些实施例中，所述局部分布异常系数的计算方法为：

式中，表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；/>表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处的煤矿采煤机工况参数数据点的变化熵；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处煤矿采煤机工况参数数据点坐标位置信息；/>表示两个不同位置处煤矿采煤机工况参数数据点坐标位置信息的距离差值大小。

在本发明的一些实施例中，所述局部异常因子计算方法为：

式中，表示以数据点/>为中心的煤矿采煤机工况参数特征空间的局部异常因子；/>表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；表示该局部工况参数特征空间中分布异常系数的最大数值大小。

在本发明的一些实施例中，所述按中异常数据计算方法为：

式中，表示煤矿采煤机工况参数特征空间的按中异常数据；/>表示在煤矿采煤机工况参数特征空间中划分的不同的数据点类数目；/>表示煤矿采煤机工况参数特征空间中第/>类类中心工况参数数据点；/>表示第/>类中的工况参数数据点的总个数；/>和/>分别表示在煤矿采煤机工况参数特征空间中第/>类中第/>个数据点位置处的局部异常因子的数值大小和煤矿采煤机工况参数特征空间中第/>类类中心的局部异常因子的数值大小。

由以上实施例可见，本申请实施例提供的基于数字孪生的煤矿数据智能化采集方法，具有的有益效果如下：

本发明实施例结合采集获取得到的煤矿采煤机工况参数数据的变化情况，可以计算得到煤矿采煤机工况参数的异常波动指数，对煤矿采煤机工况参数的异常变化特征进行凸显计算表征，并根据煤矿采煤机工况参数异常波动指数和原始工况参数数据构建获取工况参数特征空间；对工况参数特征空间中不同工况参数数值点进行分析计算，获取工况参数的变化熵，进一步的获取工况参数特征空间中数据点位置处的局部分布异常系数和以数据点为中心的工况参数特征空间的局部异常因子，通过局部异常因子对煤矿采煤机工况参数的异常数值特征进行进一步有效表征，并根据该局部异常因子对传统聚类算法进行优化，可以有效地提高对煤矿采煤机工况参数中异常数据获取的准确性效果，确保了煤矿采煤机数字孪生体构建的准确性和有效性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图；

图2为本申请实施例提供的另一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图；

图3为本申请实施例提供的再一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面将结合附图，对本实施例提供的一种基于数字孪生的煤矿数据智能化采集方法进行详细介绍。

图1为本申请实施例提供的一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图。如图1所示，该方法具体包括如下步骤：

S100：采集获取煤矿采煤机实时运行工况参数。

为了确保构建得到的煤矿采煤机数字化孪生模型的准确性，需要对煤矿采煤机运行状态数据进行采集获取，通过多种传感器采集当前煤矿采煤机实时运行工况参数，包括采煤机工作电流电压、电机温度、牵引变频机温度等多种运行工况参数数据。

S200：分析工况参数随着运行时间发生的变化情况，计算获得工况参数的异常波动指数。

煤矿采煤机运行工况参数随着运行时间发生相应的变化，通过对步骤S100获取得到的煤矿采煤机各种运行工况参数进行计算分析，获得工况参数的异常波动指数。异常波动指数的计算方法为：

式中，表示煤矿采煤机在第/>个时刻对应位置处工况参数的异常波动指数；/>表示煤矿采煤机工况参数的局部数据切片中斜率数值大小；/>表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示采集获取得到的煤矿采煤机参数数据中的局部切片长度，在本发明的实施例中，/>取经验值为5。另外，斜率的具体计算方法为公知技术，在此不再赘述。

通常情况下，处于正常运行状态下的煤矿采煤机工况参数平稳变化，因此相邻两个时刻之间获取得到的煤矿采煤机工况参数相差不大。传感器异常导致采集获取得到的煤矿采煤机工况参数在某一时刻的数据出现异常，会导致在数值上出现异常波动的特点。在长度为的局部数据切片中不同时刻下的数据上下起伏波动越明显，此时计算得到的/>时刻下的异常波动指数/>的数值越大。通过对时刻/>位置处的煤矿采煤机工况参数数据波动特点进行计算，可以有效地对数据点/>位置处的煤矿采煤机工况参数数据地异常波动情况进行有效计算表征。

S300：以工况参数为横轴、异常波动指数为纵轴，构建获取工况参数特征空间。

通过步骤S200中获得的异常波动指数计算公式可以对煤矿采煤机工况参数数值异常波动变化特征进行计算分析，从而可以获取得到每个时刻位置处的煤矿采煤机工况参数波动序列。为了对煤矿采煤机运行工况参数变化情况进行进一步分析计算，对于收集获取得到的煤矿采煤机工况参数数据，以原始工况参数数值为横轴、异常波动指数为纵轴，构建获取煤矿采煤机工况参数特征空间。对于每个不同时刻的煤矿采煤机工况参数按照原始数值和异常波动指数合并归入煤矿采煤机工况参数特征空间中，对煤矿采煤机工况参数特征空间中不同工况参数数值点进行进一步分析计算。

S400：对工况参数特征空间中不同参数数值点进行分析计算，获取工况参数的变化熵。

对于步骤S300构建得到的煤矿采煤机工况参数特征空间中第个位置处的工况参数数据点，在工况参数特征空间中以该工况参数数据点/>为中心，/>为半径可以划分得到煤矿采煤机工况参数局部邻域，其中/>可以取经验值为5。进一步的，在划分构建得到的煤矿采煤机工况参数特征空间中，以步长为1可以将煤矿采煤机工况参数特征空间划分成不同的煤矿采煤机工况参数小区域，共可以划分得到5个不同煤矿采煤机工况参数小区域。对划分构建得到的煤矿采煤机工况参数局部邻域中不同的位置处的工况参数数据点进一步计算，获取工况参数的变化熵。变化熵的计算方法为：

式中，表示以数据点/>为中心的局部邻域中煤矿采煤机工况参数的变化熵；/>表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>表示在第/>个煤矿采煤机的工况参数小区域中工况参数数据点的个数；/>为与/>的比值；/>表示以/>为底的对数函数。

通过上述变化熵的计算公式可以得到煤矿采煤机工况参数变化熵的数值大小，通常情况下，当煤矿采煤机传感器正常工作时，采集获取得到的煤矿采煤机工况参数数值差异变化情况应较小，数值整体波动较为稳定。此时在煤矿采煤机工况参数特征空间中数据点/>所在区域的工况参数变化熵/>的数值会相对较小。反之，若此时煤矿采煤机传感器受到环境影响，此时数据点/>所在区域中不同工况参数数据点的分布区间会出现较差异，计算得到的数据点/>处的工况参数变化熵/>的数值也会相应变大。

S500：在工况参数特征空间中，根据变化熵，计算得到工况参数特征空间中数据点i位置处的局部分布异常系数。

根据上述步骤S400计算分析煤矿采煤机工况参数均可以计算得到相应的工况参数数据点的变化熵的数值大小，在构建得到的工况参数特征空间中，根据变化熵数值变化情况，对煤矿采煤机工况参数异常情况进一步计算分析，计算得到工况参数特征空间中数据点i位置处的局部分布异常系数。局部分布异常系数的计算方法为：

式中，表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；/>表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处的煤矿采煤机工况参数数据点的变化熵；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处煤矿采煤机工况参数数据点坐标位置信息；/>表示两个不同位置处煤矿采煤机工况参数数据点坐标位置信息的距离差值大小，本发明实施例中使用欧式距离进行计算。

通过上述公式可以计算得到煤矿采煤机工况参数特征空间中数据点位置处的局部分布异常系数/>的数值大小。在以数据点/>为中心的局部区域中，假设存在/>个不同的数据点，对该局部区域中每个数据点均与区域中心位置处的数据点/>的煤矿采煤机工况参数变化熵的数值会存在一定的差异，当该数据点为异常噪声数据点时，在构建得到的煤矿采煤机工况参数特征空间局部区域中不同位置处的数据点的与中心数据点的分布距离也会相应变大，此时计算得到的数据点/>局部区域处的分布异常系数/>的数值也会相应变大。

S600：分析局部分布异常系数，计算获得以数据点i为中心的工况参数特征空间的局部异常因子。

分析局部分布异常系数，计算获得以数据点i为中心的工况参数特征空间的局部异常因子。局部异常因子计算方法为：

式中，表示以数据点/>为中心的煤矿采煤机工况参数特征空间的局部异常因子；/>表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；表示该局部工况参数特征空间中分布异常系数的最大数值大小。

在煤矿采煤机工况参数特征空间中的以数据点为中心的局部区域中可以计算获取得到每个不同数据点位置处的局部分布异常系数的数值大小，当数据点/>受噪声干扰影响较为严重时，此时计算得到数据点/>位置处的局部分布异常系数的数值会相对变大，同时数据点/>位置处计算得到的采煤机工况参数空间分布异常系数与局部区域最大值差距越大，计算得到以数据点/>为中心的采煤机工况参数空间的局部异常因子/>的数值也会相应变大。通过在煤矿采煤机工况参数特征空间中数据点的空间位置分布变化情况进行计算得到局部异常因子，对煤矿采煤机工况参数中异常变化数据凸显有效地表征，对煤矿采煤机工况参数中异常变化数值进行计算表征。

根据煤矿采煤机工况参数特征空间中计算得到的局部异常因子对煤矿采煤机工况参数中异常数值进行计算表征，在采集过程中受到异常噪声干扰较为严重的数据点通过上述步骤计算得到的局部异常因子的数值会相对较大，反之，受到异常噪声干扰影响较小的数据点计算得到的局部异常因子的数值相对较小。

S700：分析局部异常因子，获取工况参数特征空间的按中异常数据。

通过上述步骤S600分析，对于煤矿采煤机工况参数特征空间中不同位置处的数据点均可以计算得到相应的局部异常因子的数值大小，该数值反映了煤矿采煤机工况参数特征空间中数值异常变化情况，因此根据局部异常因子对该煤矿采煤机工况参数特征空间中数据点进一步计算获取得到煤矿采煤机工况参数特征空间的按中异常数据。按中异常数据计算方法为：

式中，表示煤矿采煤机工况参数特征空间的按中异常数据；/>表示在煤矿采煤机工况参数特征空间中划分的不同的数据点类数目；/>表示煤矿采煤机工况参数特征空间中第/>类类中心工况参数数据点；/>表示第/>类中的工况参数数据点的总个数；/>和/>分别表示在煤矿采煤机工况参数特征空间中第/>类中第/>个数据点位置处的局部异常因子的数值大小和煤矿采煤机工况参数特征空间中第/>类类中心的局部异常因子的数值大小。

S800：根据按中异常数据对K-Medoids聚类算法中聚类函数进行优化计算，获取优化聚类算法。

在煤矿采煤机工况参数特征空间中分别取最大和最小的局部异常因子数值对应的数据点作为初始类中心，根据上述按中异常数据计算公式对K-Medoids聚类算法中聚类函数进行优化计算，获取优化聚类算法。

图2为本申请实施例提供的另一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图，如图2所示，相较于以上实施例，获取优化聚类算法之后，智能化采集方法还包括步骤S900、步骤S1000和步骤S1100。

S900：通过优化聚类算法将工况参数划分成两种不同的数据聚类。

优化聚类算法是通过按中异常数据计算公式优化获得，而按中异常数据计算公式中表示在煤矿采煤机工况参数特征空间中划分的不同的数据点类数目，则/>表示在煤矿采煤机工况参数特征空间中划分成两个不同的数据点类。因此，对于传感器采集获取得到的各种煤矿采煤机原始工况参数数据，通过上述优化聚类算法可以将煤矿采煤机工况参数数据聚类划分成两种不同的参数数据类，也即两类不同的数据聚类。

S1000：两类中局部异常因子数值和较大的一类为噪声数据点，将工况参数特征空间中噪声数据点对应的工况参数数据点进行剔除处理，得到剔除空缺位置。

S1100：使用拉格朗日多项式插值，对剔除空缺位置进行插值。

图3为本申请实施例提供的再一种基于数字孪生的煤矿数据智能化采集方法基本流程示意图，如图3所示，相较于以上实施例，得到剔除空缺位置之后，智能化采集方法还包括步骤S1200和步骤S1300。

S1200：统计剔除处理后的工况参数数据中连续空缺位置的数量。

S1300：判断连续空缺位置的数量最大值是否大于等于预设值，如果是则认为当前煤矿采煤机工况参数采集过程中异常噪声干扰较为严重，调整后进行重新采集；否则，保留工况参数，进行后续处理。

在本发明的一些实施例中，连续空缺位置的数量预设值取值可以为5。在剔除处理后的煤矿采煤机工况参数数据中若存在连续大于等于5个时刻的数据空缺，则认为当前煤矿采煤机工况参数在采集过程中异常噪声干扰较为严重，需要重新调整后进行采集。在剔除处理后的煤矿采煤机工况参数数据中若不存在连续大于等于5个时刻的数据空缺，则认为当前煤矿采煤机工况参数在采集过程中异常噪声干扰不严重，保留工况参数，进行后续的对剔除空缺位置进行插值的处理。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

需要说明的是，除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (6)

1.一种基于数字孪生的煤矿数据智能化采集方法，其特征在于，所述方法包括：

采集获取煤矿采煤机实时运行工况参数；

分析所述工况参数随着运行时间发生的变化情况，计算获得所述工况参数的异常波动指数；

以所述工况参数为横轴、所述异常波动指数为纵轴，构建获取工况参数特征空间；

对所述工况参数特征空间中不同工况参数数值点进行分析计算，获取所述工况参数的变化熵；

在所述工况参数特征空间中，根据所述变化熵，计算得到所述工况参数特征空间中数据点i位置处的局部分布异常系数；

分析所述局部分布异常系数，计算获得以所述数据点i为中心的所述工况参数特征空间的局部异常因子；

分析所述局部异常因子，获取所述工况参数特征空间的按中异常数据；

根据所述按中异常数据对K-Medoids聚类算法中聚类函数进行优化计算，获取优化聚类算法；

所述异常波动指数的计算方法为：

式中，表示煤矿采煤机在第/>个时刻对应位置处工况参数的异常波动指数；/>表示煤矿采煤机工况参数的局部数据切片中斜率数值大小；/>表示了该局部数据切片中第/>个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示了该局部数据切片中第/>个时刻位置处的煤矿采煤机工况参数数据的大小；/>表示采集获取得到的煤矿采煤机参数数据中的局部切片长度；

所述按中异常数据计算方法为：

式中，表示煤矿采煤机工况参数特征空间的按中异常数据；/>表示在煤矿采煤机工况参数特征空间中划分的不同的数据点类数目；/>表示煤矿采煤机工况参数特征空间中第/>类类中心工况参数数据点；/>表示第/>类中的工况参数数据点的总个数；/>和/>分别表示在煤矿采煤机工况参数特征空间中第/>类中第/>个数据点位置处的局部异常因子的数值大小和煤矿采煤机工况参数特征空间中第/>类类中心的局部异常因子的数值大小。

2.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法，其特征在于，获取优化聚类算法之后，所述方法还包括：

通过所述优化聚类算法将所述工况参数划分成两种不同的数据聚类；

两种不同的数据聚类中所述局部异常因子数值和较大的一类为噪声数据点，将所述工况参数特征空间中所述噪声数据点对应的所述工况参数数据点进行剔除处理，得到剔除空缺位置；

使用拉格朗日多项式插值，对剔除空缺位置进行插值处理。

3.根据权利要求2所述的基于数字孪生的煤矿数据智能化采集方法，其特征在于，得到剔除空缺位置之后，所述方法还包括：

统计剔除处理后的所述工况参数数据中连续空缺位置的数量；

判断连续空缺位置的数量最大值是否大于等于预设值，如果是则认为当前煤矿采煤机工况参数采集过程中异常噪声干扰较为严重，调整后进行重新采集；否则，保留所述工况参数，进行后续处理。

4.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法，其特征在于，所述变化熵的计算方法为：

式中，表示以数据点/>为中心的局部邻域中煤矿采煤机工况参数的变化熵；/>表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>表示在第/>个煤矿采煤机的工况参数小区域中工况参数数据点的个数；/>为/>与的比值；/>表示以/>为底的对数函数。

5.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法，其特征在于，所述局部分布异常系数的计算方法为：

式中，表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；表示在煤矿采煤机工况参数特征空间中的以数据点/>为中心的局部邻域中工况参数数据点的总个数；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处的煤矿采煤机工况参数数据点的变化熵；/>和/>分别表示在以数据点/>为中心的局部区域中，两个不同位置处煤矿采煤机工况参数数据点坐标位置信息；/>表示两个不同位置处煤矿采煤机工况参数数据点坐标位置信息的距离差值大小。

6.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法，其特征在于，所述局部异常因子计算方法为：

式中，表示以数据点/>为中心的煤矿采煤机工况参数特征空间的局部异常因子；/>表示煤矿采煤机工况参数特征空间中数据点/>位置处的局部分布异常系数；/>表示该局部工况参数特征空间中分布异常系数的最大数值大小。