CN116911571A - 一种矿山运行与维护监控系统 - Google Patents
一种矿山运行与维护监控系统 Download PDFInfo
- Publication number
- CN116911571A CN116911571A CN202311093463.2A CN202311093463A CN116911571A CN 116911571 A CN116911571 A CN 116911571A CN 202311093463 A CN202311093463 A CN 202311093463A CN 116911571 A CN116911571 A CN 116911571A
- Authority
- CN
- China
- Prior art keywords
- mine
- data
- equipment
- maintenance
- training
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 104
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 238000005065 mining Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 97
- 231100000279 safety data Toxicity 0.000 claims description 38
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 235000002198 Annona diversifolia Nutrition 0.000 claims description 12
- 241000282842 Lama glama Species 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 241000282836 Camelus dromedarius Species 0.000 claims description 3
- 238000011958 production data acquisition Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 241000282840 Vicugna vicugna Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000037408 Device failure Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Computer Security & Cryptography (AREA)
Abstract
本发明提供了一种矿山运行与维护监控系统，属于矿山运行技术领域，该矿山运行与维护监控系统包括如下软件模块：矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；矿山结构监测模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；矿山环境监控模块，用于获取矿山内多点设置的气体传感器、温度传感器以及湿度等各类传感器的数据并展示；设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。通过软件模块的组合，可以实现矿山生产进度的跟踪和管理、矿山结构的监测和安全性评估、矿山环境的监测和健康评估，以及设备维护的优化和预防，从而提高矿山的生产效率、安全性和可靠性。
Description
技术领域
本发明属于矿山运行技术领域，具体而言，涉及一种矿山运行与维护监控系统。
背景技术
目前我国已经成为世界上最大的矿产品生产、消费和贸易国。过去几十年，我国虽然取得了经济高速发展的成绩，但同时也造成了资源浪费、环境污染等一些负面效应。矿山企业逐渐由单纯重视经济收益向更为重视绿色化发展转型，减少对环境的污染成为未来矿业企业努力的方向。另外，我国矿山规模结构长期存在不合理的现象，大矿少、小矿多的整体没有实质性的改善，2001年到2015年，矿山数量减少了40％左右，大中型矿山增加了12倍，但小矿山仍占87％左右，规模化效益不高，集约化发展能力不足。
随着浅部资源的不断消耗，国内越来越多的矿山进入深部开采。由于地下矿山的资源禀赋条件、开采工艺、生产流程、生产装备的差异，以及资源的不确定性和动态性、工作场所的离散型、生产力要素的移动性、生产环境的高危险性等特点，形成了诸多难题，致使矿山企业生产效率低下，事故频发。同时，矿山进入地下深部开采阶段，具有开采难度加大，成本攀升的问题。
发明内容
有鉴于此，本发明提供一种矿山运行与维护监控系统，能够解决矿山深部开采阶段的开采难度加大的问题，降低开采成本，提高矿山的生产效率、安全性和可靠性。
本发明是这样实现的：
本发明提供一种矿山运行与维护监控系统，其中，包括如下软件模块：
矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；
矿山结构监测模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；
矿山环境监测模块，用于获取矿山内多点设置的传感器的数据并展示，包括气体传感器、温度传感器、湿度传感器以及其他类型的传感器；
设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。
本发明提供的一种矿山运行与维护监控系统的技术效果如下：通过软件模块的组合，可以实现矿山生产进度的跟踪和管理、矿山结构的监测和安全性评估、矿山环境的监测和健康评估，以及设备维护的优化和预测，从而提高矿山的生产效率、安全性和可靠性。
在上述技术方案的基础上，本发明的一种矿山运行与维护监控系统还可以做如下改进：
其中，所述矿山运行管理模块执行的具体步骤包括：
设定生产计划、获取管理人员预设的生产计划，包括预计的生产进度、人员配置、预估产量；
生产数据采集、通过各生产系统传感器、摄像头实时采集矿山的各环节生产数据，包括采掘系统生产进度数据、生产物料量辅助生产系统生产数据、主要设备运行状态；
生产数据分析、对采集的生产数据进行实时分析，比较实际生产进度与设定的生产计划，如果发现实际生产进度落后于设定的生产计划，发出生产计划进度滞后预警；
生产数据展示、将生产数据分析的结果以图表或者文字的形式展示，供管理人员查看。
采用上述改进方案的有益效果为：矿山运行管理模块：通过对矿山生产过程的进度跟踪，可以实时监测矿山的生产状态，包括采掘系统进度、辅助生产系统运行情况、各环节工作效率等。这有助于管理人员了解矿山的运行情况，及时发现和解决生产中的问题，提高生产效率和利润。
其中，所述矿山结构监测模块执行的具体步骤包括：
S101、获取矿山安全数据，包括矿山表面震动数据集、矿山内支护结构位移数据集、矿山内支护结构外壁压力数据集以及矿山内微波震动数据集，其中，所述矿山表面震动数据集为设置在矿山表面的多个震动探测装置获取的指定时间间隔的震动数据；所述矿山内支护结构位移数据集为设置在矿山内每个支护结构中心点位置的位移传感器采集的位移数据；所述矿山内支护结构外壁压力数据集为设置在矿山内每个支护结构外壁中心点处的压力传感器采集的压力数据；所述矿山内微波震动数据集为设置在矿山内部的多个震动探测装置获取的指定时间间隔的震动数据；所述矿山安全数据为每隔指定时间间隔进行采集；
S102、利用预先训练好的矿山结构监测模型对所述矿山安全数据进行计算，得到矿山结构安全指数，其中所述矿山结构安全指数为一个向量，表示不同坐标位置的安全指数，每个坐标位置的安全指数为一个百分比数值；
S103、对得到的矿山结构安全指数在矿山三维图像中进行展示。
一般的，所述时间间隔为1～5秒，优选1秒。
矿山结构监测模块采集矿山内设置的传感器数据，例如压力传感器、震动传感器、位移传感器等，对数据进行汇总、分析和展示。通过监测矿山结构的变化和异常情况，可以实时了解矿山的稳定性和安全性，预防地质灾害和事故的发生，确保矿山的正常运行和人员的安全。
进一步的，所述矿山结构监测模型的建立和训练步骤，具体包括：
建立训练样本，包括多组连续的矿山安全数据，并对所述多组连续的矿山安全数据进行人工解释，获得人工解释标签；
建立训练模型并训练，采用卷积神经网络建立矿山结构监测模型，并利用训练样本对矿山结构监测模型进行训练，其中训练的输入为多组连续的矿山安全数据，训练的输出为多组连续的矿山安全数据对应的人工解释标签。
采用上述改进方案的有益效果为：通过利用训练样本对矿山结构监测模型进行训练，可以提高模型的泛化能力和稳定性。
通过对多组连续的矿山安全数据进行人工解释，可以更好地理解和分析矿山结构监测模型的输出结果，从而更好地指导实际操作。总之，建立训练样本、建立训练模型、利用训练样本对矿山结构监测模型进行训练和人工解释标签是一种有效的方法，可以提高模型的准确性和鲁棒性，并为实际操作提供更好的支持。
进一步的，所述对所述多组连续的矿山安全数据进行人工解释，具体是专家根据矿山安全数据，判断矿山结构安全指数。
进一步的，所述利用训练样本对矿山结构监测模型进行训练的步骤具体是：
步骤一：获取所述训练样本；
步骤二：对所述训练样本的数据进行预处理，包括数据清洗、去噪、归一化操作；
步骤三：通过卷积神经网络训练得到矿山结构监测模型，具体包括前向传播网络训练和反向传播网络训练两个阶段，
所述前向传播网络训练是，将所述多组连续的矿山安全数据通过卷积和池化的处理后提取特征图像，并将得到的特征图像转化为一维向量，输入全连接层，由分类器得出识别结果，即输出向量，所述输出向量的每个值表示输入数据块分别为矿山表面震动、矿山内支护结构位移、矿山内支护结构外壁压力和矿山内微波震动的安全指数；
所述反向传播网络训练是：当反向传播网络训练的输出结果与期望输出不符时，采用随机梯度下降优化算法进行反向传播网络训练，更新卷积层的参数。
通过将所述多组连续的矿山安全数据通过卷积和池化的操作转化为一维向量，输入全连接层，由分类器得出识别结果，即输出向量，提取特征图像，并将得到的特征图像转化为一维向量，输入全连接层，由反向传播网络训练得到训练样本的参数。这一步骤的作用是提高训练效果，使模型能够更好地适应数据集，提高模型的泛化能力。
进一步的，所述矿山结构监测模型中卷积神经网络的结构是：包括输入层、卷积层、池化层、全连接层以及输出层。
采用上述改进方案的有益效果为：通过输入层接收原始数据作为输入，通常是图像或其他形式的网格状数据。卷积层是CNN的核心组成部分。它的目的是通过应用一组可学习的卷积核(过滤器)来提取输入数据的特征。池化层用于减小特征映射的空间维度，并减少模型参数的数量，从而降低计算复杂度。
其中，所述设备维护模块执行的具体步骤包括：
S201、获取设备状态数据，包括设备中控系统输出的第一状态数据，以及设备操作人员通过AR眼镜获取的设备图像；
S202、利用预先微调好的设备维护大语言模型，对所述第一状态数据和所述设备图像进行分析，得到维护方案。
通过设备维护模块采集矿山设备的状态数据，并根据设备状态生成相应的维护方案，输出给维护人员。通过监测设备的运行状态、故障情况以及维护要求，可以实现设备的及时维护和保养，避免设备故障导致的生产中断和损失。这有助于提高设备的可靠性和寿命，降低维修成本，同时提高生产效率和安全性。
进一步的，所述设备维护大语言模型微调的步骤，具体包括：
获取微调数据集，包括多组状态数据及其对应的设备操作人员通过AR眼镜获取的设备图像；
对所述微调数据集进行预处理，具体是利用预先训练好的设备状态模型，对所述设备图像进行分析，得到设备故障文本；
建立微调训练样本，包括微调数据集中的多组状态数据及其对应的设备故障文本，以及设备状态数据和对应的设备故障文本需要的维护方案文本，所述维护方案文本由运维人员根据设备状态数据和对应的设备故障文本提供；
微调训练，利用微调训练样本对大语言模型进行微调训练，得到微调Lora模型；
模型组合，将Lora模型和大语言模型融合，作为微调后的设备维护大语言模型。
采用上述改进方案的有益效果为：通过AR眼镜获取的设备图像可以提供更直观的信息用于设备故障诊断和维护。通过预处理微调数据集，这样可以将图像信息转化为语义信息，方便后续的模型训练和推断。将微调数据集中的状态数据和设备故障文本，以及运维人员提供的维护方案文本结合，构建微调训练样本。微调的目的是通过有标注的数据进一步优化模型的性能，使其能够更好地理解和生成与设备维护相关的语言信息。
进一步的，所述设备状态模型的建立和训练步骤，具体包括：
获取所述预处理后的微调数据集，得到所述设备故障文本；
利用小羊驼模型，使用卷积神经网络模型进行图像特征提取，得到设备图像的高层次表示；
对每个所述设备状态数据和对应设备图像进行人工解释，获得相应的设备故障文本标签；
将所述设备状态数据与相应设备故障文本标签结合，创建微调训练样本；
使用所述微调数据集和建立的所述微调训练样本，对小羊驼模型进行训练；
使用测试数据集对训练好的小羊驼模型进行评估，检查其在设备状态和故障预测方面的性能。
在建立设备状态模型时，可以基于CNN设计模型架构。常见的CNN的层包括卷积层、池化层和全连接层。卷积层通过卷积操作提取图像特征，池化层则用于降低特征图的空间大小。全连接层在卷积和池化之后使用，用于将提取的特征映射到具体的设备状态类别。
与现有技术相比较，本发明提供的一种矿山运行与维护监控系统的有益效果是：通过软件模块的组合，可以实现矿山生产进度的跟踪和管理、矿山结构的监测和安全性评估、矿山环境的监测和健康评估，以及设备维护的优化和预防，从而提高矿山的生产效率、安全性和可靠性；其中，软件模块包括：
矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；
矿山结构监测模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；
矿山环境监控模块，用于获取矿山内多点设置的传感器的数据并展示，包括气体传感器、温度传感器、湿度传感器以及其他类型的传感器；
设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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为一种矿山运行与维护监控系统矿山结构监控模块流程图；
图2为一种矿山运行与维护监控系统设备维护模块流程图；
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1，图2所示，是本发明提供的一种矿山运行与维护监控系统的第一实施例，在本实施例中，包括如下软件模块：
矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；
矿山结构监控模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；
矿山环境监控模块，用于获取矿山内多点设置的传感器的数据并展示，包括气体传感器、温度传感器、湿度传感器以及其他类型的传感器；
设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。
使用矿山运行与维护监控系统时，通常包括以下几个软件模块，使用步骤为：
配置和部署：首先，需要配置软件模块，并将其部署在矿山运行与维护监控系统中。这包括安装和设置相应的软件和硬件设备，例如传感器、数据采集设备。
数据采集和传输：软件模块开始采集矿山内各种传感器的数据，例如生产进度、结构监测数据、环境参数。采集到的数据将通过通信设备传输至后台系统。
数据处理和分析：后台系统接收到采集的数据后，进行数据处理和分析。这包括对数据进行汇总、计算、统计和建模等操作，以获取有价值的信息和指标。
数据展示和监控：处理和分析完成后，数据可以通过图表、报表、仪表盘等形式进行展示和监控。这使得管理人员能够实时了解矿山运行情况、结构状态、环境状况和设备状态信息。
维护方案生成和反馈：设备维护模块根据设备状态数据生成维护方案，并将其输出给维护人员。维护人员可以根据维护方案执行相应的维护操作，同时将维护反馈信息更新到系统中。
其中，在上述技术方案中，矿山运行管理模块执行的具体步骤包括：
设定生产计划、获取管理人员预设的生产计划，包括预计的生产进度、生产物料量；
生产数据采集、通过传感器、摄像头实时采集矿山的生产数据，包括生产进度、生产物料量、设备运行状态；
生产数据分析、对采集的生产数据进行实时分析，比较实际生产进度与设定的生产计划，如果发现实际生产进度落后于设定的生产计划，发出生产计划进度预警；
生产数据展示、将生产数据分析的结果以图表或者文字的形式展示，供管理人员查看。
其中，在上述技术方案中，矿山结构监测模块执行的具体步骤包括：
S101、获取矿山安全数据，包括矿山表面震动数据集、矿山内支护结构位移数据集、矿山内支护结构外壁压力数据集以及矿山内微波震动数据集，其中，矿山表面震动数据集为设置在矿山表面的多个震动探测装置获取的指定时间间隔的震动数据；矿山内支护结构位移数据集为设置在矿山内每个支护结构中心点位置的位移传感器采集的位移数据；矿山内支护结构外壁压力数据集为设置在矿山内每个支护结构外壁中心点处的压力传感器采集的压力数据；矿山内微波震动数据集为设置在矿山内部的多个震动探测装置获取的指定时间间隔的震动数据；矿山安全数据为每隔指定时间间隔进行采集；
S102、利用预先训练好的矿山结构监控模型对矿山安全数据进行计算，得到矿山结构安全指数，其中矿山结构安全指数为一个向量，表示不同坐标位置的安全指数，每个坐标位置的安全指数为一个百分比数值；
S103、对得到的矿山结构安全指数在矿山三维图像中进行展示。
在S101步骤中，我们需要获取矿山安全数据，包括矿山表面震动数据集、矿山内支护结构位移数据集、矿山内支护结构外壁压力数据集以及矿山内微波震动数据集。这些数据集是通过在矿山表面和内部设置的各种传感器设备采集的。
首先是矿山表面震动数据的采集。在矿山表面设置多个震动探测装置，这些装置可以是加速度计或陀螺仪，能够实时采集矿山表面的震动数据。采集的数据可以通过公式计算得到：
Vs＝∫csdt；
其中，Vs代表矿山表面的震动速度，cs代表矿山表面的加速度，dt代表采集数据的时间间隔。
其次是矿山内支护结构位移数据的采集。我们在矿山内每个支护结构中心点位置设置位移传感器，这些传感器可以是激光位移传感器或电磁位移传感器，能够实时采集支护结构的位移数据。采集的数据可以直接读取，或通过公式
dg＝d0+vgt；
计算得到，其中dg代表支护结构的位移，d0代表初始位移，vg代表位移速度，t代表采集数据的时间。
然后是矿山内支护结构外壁压力数据的采集。我们在矿山内每个支护结构外壁中心点处设置压力传感器，这些传感器可以是压电式压力传感器或电阻应变式压力传感器，能够实时采集支护结构外壁的压力数据。采集的数据可以直接读取，或通过公式
计算得到，其中Pg代表支护结构外壁的压力，Fg代表作用在支护结构上的力，Ag代表支护结构的面积。
最后是矿山内微波震动数据的采集。我们在矿山内部设置多个震动探测装置，这些装置可以是微波雷达，能够实时采集矿山内部的震动数据。
采集的数据可以通过公式
计算得到，其中Vg代表矿山内部的震动速度，λ代表微波的波长，fg代表微波的频率。
在S102步骤中，我们需要利用预先训练好的矿山结构监测模型对矿山安全数据进行计算，得到矿山结构安全指数。这个模型可以是基于机器学习的监督学习模型，如支持向量机(SVM)、决策树、随机森林、神经网络等。
我们可以通过以下公式计算矿山结构安全指数：
其中，Ki代表第i个坐标位置的安全指数，uj代表模型的权重参数，xij代表第i个坐标位置的第j个特征值，n代表特征值的数量。
在具体实施中，我们首先需要对矿山安全数据进行预处理，包括数据清洗、数据标准化等，然后将预处理后的数据输入到模型中进行计算，得到矿山结构安全指数。
在计算过程中，我们可以使用梯度下降法来优化模型的参数，即通过不断迭代更新模型的参数，使得模型的预测结果与实际结果的误差最小。具体的更新公式为：
其中，J(u)代表损失函数，α代表学习率。
最后，我们需要对得到的矿山结构安全指数进行后处理，如归一化处理，使得安全指数在0到1之间，这样可以更直观地表示矿山结构的安全程度。具体的归一化公式为：
其中，Ki′代表归一化后的安全指数，min(K)和max(K)分别代表安全指数的最小值和最大值。
进一步的，在上述技术方案中，矿山结构监测模型的建立和训练步骤，具体包括：
建立训练样本，包括多组连续的矿山安全数据，并对多组连续的矿山安全数据进行人工解释，获得人工解释标签；
建立训练模型并训练，采用卷积神经网络建立矿山结构监控模型，并利用训练样本对矿山结构监控模型进行训练，其中训练的输入为多组连续的矿山安全数据，训练的输出为多组连续的矿山安全数据对应的人工解释标签。
使用时，在图像处理中，卷积操作是一种常用的特征提取方法，它通过对图像中的每个像素进行一次操作，从而提取出图像中的特征信息。在卷积操作中，池化操作是一种常用的特征提取方法，它通过对卷积输出进行池化操作，将高斯模糊后的图像压缩成一定大小的图像，从而减少模型参数和计算量。梯度下降是一种优化算法，用于寻找最小化损失函数的参数值。它通过计算损失函数对参数值的梯度，并沿着梯度方向更新参数值来实现。
进一步的，在上述技术方案中，对多组连续的矿山安全数据进行人工解释，具体是专家根据矿山安全数据，判断矿山结构安全指数。
进一步的，在上述技术方案中，利用训练样本对矿山结构监控模型进行训练的步骤具体是：
步骤一：获取训练样本；
步骤二：对训练样本的数据进行预处理，包括数据清洗、去噪、归一化操作；
步骤三：通过卷积神经网络训练得到矿山结构监控模型，具体包括前向传播网络训练和反向传播网络训练两个阶段，
前向传播网络训练是，将多组连续的矿山安全数据通过卷积和池化的处理后提取特征图像，并将得到的特征图像转化为一维向量，输入全连接层，由分类器得出识别结果，即输出向量，输出向量的每个值表示输入数据块分别为矿山表面震动、矿山内支护结构位移、矿山内支护结构外壁压力和矿山内微波震动的安全指数；
反向传播网络训练是：当前向传播网络训练的输出结果与期望输出不符时，采用随机梯度下降优化算法进行反向传播网络训练，更新卷积层的参数。
使用时，在卷积神经网络的训练过程中，主要使用了反向传播算法和梯度下降法来更新模型参数。在梯度下降法中，使用了以下两个基本的算法公式：前向传播和参数更新。
前向传播：在前向传播过程中，我们通过输入数据和当前模型的参数，计算出网络的输出结果。对于卷积神经网络(CNN)，前向传播的计算过程主要包括卷积操作、非线性激活函数和池化操作。
卷积操作：假设我们有一个输入图像或特征图X，卷积层的权重为W，偏置为b。卷积操作可以使用卷积核对输入进行滑动窗口计算，并生成特征图。具体计算公式如下：
Z＝X×W+b；
非线性激活函数：通常，在卷积操作之后，我们会应用非线性激活函数来引入非线性。激活函数的计算公式如下：
A＝activation(Z)；
池化操作：池化操作有助于减小特征图的尺寸，同时保留重要的特征。常用的池化操作包括最大池化和平均池化。对于最大池化，其计算公式如下：
P＝max_pooling(A)；
其中，Z是卷积输出结果，A是激活函数输出结果，P是池化操作后的特征图。
具体的参数更新公式为：
参数＝参数-学习率×梯度；
其中，参数是模型的参数(如卷积核权重和偏置)，学习率是超参数，用于控制参数更新的步幅，梯度是指损失函数关于参数的偏导数。
进一步的，在上述技术方案中，矿山结构监测模型中卷积神经网络的结构是：包括输入层、卷积层、池化层、全连接层以及输出层。
使用时，对于图像数据，每个像素可以是输入层中的一个节点。每个卷积核在输入数据上滑动执行卷积操作，计算得到特征映射。常用的池化操作包括最大池化和平均池化；全连接层对特征进行分类或回归，输出最终的预测结果。全连接层的节点与上一层的所有节点相连。
其中，在上述技术方案中，设备维护模块执行的具体步骤包括：
S201、获取设备状态数据，包括设备中控系统输出的第一状态数据，以及设备操作人员通过AR眼镜获取的设备图像；
S202、利用预先微调好的设备维护大语言模型，对第一状态数据和设备图像进行分析，得到维护方案。
其中，构建所述设备维护大语言模型还包括对齐，具体步骤为：
对所述设备维护大语言模型的参数进行初始化，包括预训练初始化；
根据所述设备维护大语言模型选择对齐算法，包括基于特征的图像对齐、基于规则的对齐、基于词语相似度的对齐、基于句子级的对齐；
运行所述对齐算法，将待对齐文本及图像进行匹配和对应；
对对齐结果进行评估，包括精准率、召回率和F1值。
对对齐结果进行评估，其中F1值的计算公式为：
其中，D表示精准率，R表示召回率。
进一步的，在上述技术方案中，设备维护大语言模型微调的步骤，具体包括：
获取微调数据集，包括多组状态数据及其对应的设备操作人员通过AR眼镜获取的设备图像；
对微调数据集进行预处理，具体是利用预先训练好的设备状态模型，对设备图像进行分析，得到设备故障文本；
建立微调训练样本，包括微调数据集中的多组状态数据及其对应的设备故障文本，以及设备状态数据和对应的设备故障文本需要的维护方案文本，维护方案文本由运维人员根据设备状态数据和对应的设备故障文本提供；
微调训练，利用微调训练样本对大语言模型进行微调训练，得到微调Lora模型；
模型组合，将Lora模型和大语言模型融合，作为微调后的设备维护大语言模型。
使用时，利用预先训练好的设备状态模型，对设备图像进行分析，将图像转换为设备故障文本；通过有标注的数据进一步优化模型的性能，使其能够更好地理解和生成与设备维护相关的语言信息；将微调得到的Lora模型和大语言模型进行融合；
交叉熵损失函数的公式为：
L＝-∑(ti×log(qi))；
其中，i表示类别的索引，∑表示对所有类别求和，log表示自然对数。
加权融合的公式为：
Finalprediction＝(e1×y1)+(e2×y2)+…+(eM×yM)；
其中，每个权重e表示每个模型对最终结果的相对重要性。
进一步的，在上述技术方案中，设备状态模型的建立和训练步骤，具体包括：
获取所述预处理后的微调数据集，得到所述设备故障文本；
利用小羊驼模型，使用卷积神经网络模型进行图像特征提取，得到设备图像的高层次表示；
对每个所述设备状态数据和对应设备图像进行人工解释，获得相应的设备故障文本标签；
将所述设备状态数据与相应设备故障文本标签结合，创建微调训练样本；
使用所述微调数据集和建立的所述微调训练样本，对小羊驼模型进行训练；
使用测试数据集对训练好的小羊驼模型进行评估，检查其在设备状态和故障预测方面的性能。
其中，小羊驼模型是一个全新的模型——Vicuna，是由来自加州大学伯克利分校、卡内基梅隆大学、斯坦福大学、加州大学圣迭戈分校的研究者们合作推出的，Vicuna使用从ShareGPT收集的用户共享数据对LLaMA(直译为大羊驼)系列模型进行微调。通过多轮对话调整训练损失，并仅根据聊天机器人的输出计算微调损失。
具体的，本发明的原理是：通过软件模块的组合，可以实现矿山生产进度的跟踪和管理、矿山结构的监测和安全性评估、矿山环境的监测和健康评估，以及设备维护的优化和预防，从而提高矿山的生产效率、安全性和可靠性；软件模块包括：
矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；
矿山结构监测模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；
矿山环境监测模块，用于获取矿山内多点设置的传感器的数据并展示，包括气体传感器、温度传感器、湿度传感器以及其他类型的传感器；
设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。
配置和部署：首先配置软件模块，并将其部署在矿山管理系统中。
数据采集和传输：软件模块开始采集矿山内各种传感器的数据，采集到的数据将通过通信设备传输至后台系统。
数据处理和分析：后台系统接收到采集的数据后，进行数据处理和分析。
数据展示和监控：处理和分析完成后，数据可以通过图表、报表、仪表盘等形式进行展示和监控。
维护方案生成和反馈：设备维护模块根据设备状态数据生成维护方案，并将其输出给维护人员。维护人员可以根据维护方案执行相应的维护操作，同时将维护反馈信息更新到系统中。
Claims (10)
1.一种矿山运行与维护监控系统，其特征在于，包括如下软件模块：
矿山运行管理模块，用于对矿山的生产过程进行进度跟踪；
矿山结构监测模块，用于采集设置在矿山内传感器采集数据进行汇总、分析以及展示；
矿山环境监控模块，用于获取矿山内多点设置的传感器的数据并展示，包括气体传感器、温度传感器、湿度传感器以及其他类型的传感器；
设备维护模块，用于采集矿山设备的状态，并根据矿山设备的状态生成维护方案，输出给维护人员。
2.根据权利要求1所述的一种矿山运行与维护监控系统，其特征在于，所述矿山运行管理模块执行的具体步骤包括：
设定生产计划、获取管理人员预设的生产计划，包括预计的生产进度、人员配置、预估产量；
生产数据采集、通过各生产系统传感器、摄像头实时采集矿山的各环节生产数据，包括采掘系统生产数据、辅助生产系统生产数据、主要设备运行状态；
生产数据分析、对采集的生产数据进行实时分析，比较实际生产进度与设定的生产计划，如果发现实际生产进度落后于设定的生产计划，发出生产计划进度滞后预警；
生产数据展示、将生产数据分析的结果以图表或者文字的形式展示，供管理人员查看。
3.根据权利要求1所述的一种矿山运行与维护监控系统，其特征在于，所述矿山结构监测模块执行的具体步骤包括：
S101、获取矿山安全数据，包括矿山表面震动数据集、矿山内支护结构位移数据集、矿山内支护结构外壁压力数据集以及矿山内微波震动数据集，其中，所述矿山表面震动数据集为设置在矿山表面的多个震动探测装置获取的指定时间间隔的震动数据；所述矿山内支护结构位移数据集为设置在矿山内每个支护结构中心点位置的位移传感器采集的位移数据；所述矿山内支护结构外壁压力数据集为设置在矿山内每个支护结构外壁中心点处的压力传感器采集的压力数据；所述矿山内微波震动数据集为设置在矿山内部的多个震动探测装置获取的指定时间间隔的震动数据；所述矿山安全数据为每隔指定时间间隔进行采集；
S102、利用预先训练好的矿山结构监测模型对所述矿山安全数据进行计算，得到矿山结构安全指数，其中所述矿山结构安全指数为一个向量，表示不同坐标位置的安全指数，每个坐标位置的安全指数为一个百分比数值；
S103、对得到的矿山结构安全指数在矿山三维图像中进行展示。
4.根据权利要求3所述的一种矿山运行与维护监控系统，其特征在于，所述矿山结构监控模型的建立和训练步骤，具体包括：
建立训练样本，包括多组连续的矿山安全数据，并对所述多组连续的矿山安全数据进行人工解释，获得人工解释标签；
建立训练模型并训练，采用卷积神经网络建立矿山结构监测模型，并利用训练样本对矿山结构监测模型进行训练，其中训练的输入为多组连续的矿山安全数据，训练的输出为多组连续的矿山安全数据对应的人工解释标签。
5.根据权利要求4所述的一种矿山运行与维护监控系统，其特征在于，所述对所述多组连续的矿山安全数据进行人工解释，具体是专家根据矿山安全数据，判断矿山安全指数。
6.根据权利要求4所述的一种矿山运行与维护监控系统，其特征在于，所述利用训练样本对矿山结构监测模型进行训练的步骤具体是：
步骤一：获取所述训练样本；
步骤二：对所述训练样本的数据进行预处理，包括数据清洗、去噪、归一化操作；
步骤三：通过卷积神经网络训练得到矿山结构监控模型，具体包括前向传播网络训练和反向传播网络训练两个阶段，
所述前向传播网络训练是，将所述多组连续的矿山安全数据通过卷积和池化的处理后提取特征图像，并将得到的特征图像转化为一维向量，输入全连接层，由分类器得出识别结果，即输出向量，所述输出向量的每个值表示输入数据块分别为矿山表面震动、矿山内支护结构位移、矿山内支护结构外壁压力和矿山内微波震动的安全指数；
所述反向传播网络训练是：当反向传播网络训练的输出结果与期望输出不符时，采用随机梯度下降优化算法进行反向传播网络训练，更新卷积层的参数。
7.根据权利要求4所述的一种矿山运行与维护监控系统，其特征在于，所述矿山结构监控模型中卷积神经网络的结构是：包括输入层、卷积层、池化层、全连接层以及输出层。
8.根据权利要求1所述的一种矿山运行与维护监控系统，其特征在于，所述设备维护模块执行的具体步骤包括：
S201、获取设备状态数据，包括设备中控系统输出的第一状态数据，以及设备操作人员通过AR眼镜获取的设备图像；
S202、利用预先微调好的设备维护大语言模型，对所述第一状态数据和所述设备图像进行分析，得到维护方案。
9.根据权利要求8所述的一种矿山运行与维护监控系统，其特征在于，所述设备维护大语言模型微调的步骤，具体包括：
获取微调数据集，包括多组状态数据及其对应的设备操作人员通过AR眼镜获取的设备图像；
对所述微调数据集进行预处理，具体是利用预先训练好的设备状态模型，对所述设备图像进行分析，得到设备故障文本；
建立微调训练样本，包括微调数据集中的多组状态数据及其对应的设备故障文本，以及设备状态数据和对应的设备故障文本需要的维护方案文本，所述维护方案文本由运维人员根据设备状态数据和对应的设备故障文本提供；
微调训练，利用微调训练样本对大语言模型进行微调训练，得到微调Lora模型；
模型组合，将Lora模型和大语言模型融合，作为微调后的设备维护大语言模型。
10.根据权利要求9所述的一种矿山运行与维护监控系统，其特征在于，所述设备状态模型的建立和训练步骤，具体包括：
获取所述预处理后的微调数据集，得到所述设备故障文本；
利用小羊驼模型，使用卷积神经网络模型进行图像特征提取，得到设备图像的高层次表示；
对每个所述设备状态数据和对应设备图像进行人工解释，获得相应的设备故障文本标签；
将所述设备状态数据与相应设备故障文本标签结合，创建微调训练样本；
使用所述微调数据集和建立的所述微调训练样本，对小羊驼模型进行训练；
使用测试数据集对训练好的小羊驼模型进行评估，检查其在设备状态和故障预测方面的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093463.2A CN116911571A (zh) | 2023-08-29 | 2023-08-29 | 一种矿山运行与维护监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093463.2A CN116911571A (zh) | 2023-08-29 | 2023-08-29 | 一种矿山运行与维护监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911571A true CN116911571A (zh) | 2023-10-20 |
Family
ID=88366914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093463.2A Pending CN116911571A (zh) | 2023-08-29 | 2023-08-29 | 一种矿山运行与维护监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911571A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130943A (zh) * | 2023-10-26 | 2023-11-28 | 北京一平方科技有限公司 | 基于大语言模型的测试用例生成和运维数据分析方法 |
| CN117495595A (zh) * | 2024-01-02 | 2024-02-02 | 北京中矿大地地球探测工程技术有限公司 | 一种矿山地质环境智能监测预警方法及系统 |
-
2023
- 2023-08-29 CN CN202311093463.2A patent/CN116911571A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130943A (zh) * | 2023-10-26 | 2023-11-28 | 北京一平方科技有限公司 | 基于大语言模型的测试用例生成和运维数据分析方法 |
| CN117130943B (zh) * | 2023-10-26 | 2024-02-20 | 北京一平方科技有限公司 | 基于大语言模型的测试用例生成和运维数据分析方法 |
| CN117495595A (zh) * | 2024-01-02 | 2024-02-02 | 北京中矿大地地球探测工程技术有限公司 | 一种矿山地质环境智能监测预警方法及系统 |
| CN117495595B (zh) * | 2024-01-02 | 2024-03-15 | 北京中矿大地地球探测工程技术有限公司 | 一种矿山地质环境智能监测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| Li et al. | The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study | |
| CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| US20230094389A1 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| CN116911571A (zh) | 一种矿山运行与维护监控系统 | |
| US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
| CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
| US20050197992A1 (en) | System, method, and computer program product for combination of cognitive causal models with reasoning and text processing for knowledge driven decision support | |
| Liu et al. | Information fusion for national airspace system prognostics: A NASA ULI project | |
| Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
| CN109993281A (zh) | 一种基于深度学习的因果关系挖掘方法 | |
| US20220092433A1 (en) | Training method and device for generative adversarial network model, equipment, program and storage medium | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
| CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
| Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
| Wang et al. | A spatiotemporal feature learning-based RUL estimation method for predictive maintenance | |
| CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
| Du Nguyen et al. | Enabling smart manufacturing with artificial intelligence and big data: a survey and perspective | |
| US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Vaddadi et al. | AI based Recommendation System for smart investment decisions to maximize Fuzzy ROI | |
| CN116450704A (zh) | 一种流程模型的自动化生成方法及生成装置 | |
| CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 |
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 |