CN116992246A - 一种矿井下风流参数智能感知方法及系统 - Google Patents
一种矿井下风流参数智能感知方法及系统 Download PDFInfo
- Publication number
- CN116992246A CN116992246A CN202311255730.1A CN202311255730A CN116992246A CN 116992246 A CN116992246 A CN 116992246A CN 202311255730 A CN202311255730 A CN 202311255730A CN 116992246 A CN116992246 A CN 116992246A
- Authority
- CN
- China
- Prior art keywords
- ventilation
- moment
- time
- data
- category
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009423 ventilation Methods 0.000 claims abstract description 309
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 230000001105 regulatory effect Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 230000001276 controlling effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ventilation (AREA)
Abstract
本发明涉及环境数据调控技术领域，具体涉及一种矿井下风流参数智能感知方法及系统，包括：采集历史时间段内不同时刻以及当前时刻矿井内的风流环境数据，获取历史时间段不同时刻的通风标签数据；获取不同通风等级类别，根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布得到通风稳定指数；根据每个时刻的隶属通风等级类别及其对应的通风稳定指数、风流环境数据的标准差异情况，得到通风类属指数；根据当前时刻与历史时间段内的风流环境数据之间的差异、通风类属指数，确定当前时刻的预测标签数据，对矿井下的风机工作功率进行调控。本发明利用预测标签数据对矿井下的风机工作功率进行调控的结果较为准确。
Description
技术领域
本发明涉及环境数据调控技术领域，具体涉及一种矿井下风流参数智能感知方法及系统。
背景技术
工人在矿井下工作时，需要良好的通风环境，进而就需要通风系统提供新鲜空气，及时排出有害气体和粉尘，以确保工人的工作环境的安全。风流参数智能感知系统可以通过监测矿井下的各种风流参数，及时发现环境异常情况，例如氧气浓度不足、通风不畅等情况，进而能够及时对通风系统中风机的工作功率进行调控，从而减少矿井下的危险系数，同时改善矿井内的空气环境，能够提高工人的工作效率。但是由于矿井内的环境复杂多变，为了使得调控的风机功率大小能够使得通风系统改善矿井下的空气环境，常采集多种矿井下的风流环境数据，而多种风流环境数据之间存在较为模糊的非线性关系，利用现有的预测调控方法，无法准确的根据多个维度下的风流环境数据，对矿井下通风系统中的风机功率进行调控。
发明内容
为了解决利用现有的预测调控方法，无法准确的根据多个维度下的风流环境数据，对矿井下通风系统中的风机功率进行调控的技术问题，本发明的目的在于提供一种矿井下风流参数智能感知方法，所采用的技术方案具体如下：
采集历史时间段内不同时刻以及当前时刻矿井内至少两种不同的风流环境数据，获取历史时间段不同时刻矿井内的风机工作的实际功率记为通风标签数据；
根据历史时间段内每个时刻的通风标签数据对所有时刻进行分类，得到不同通风等级类别；根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数；
根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重；根据所述隶属权重、每个时刻在时间邻域内每种风流环境数据的标准差异情况，得到每个时刻在每个通风等级类别下的通风类属指数；
根据当前时刻对应的风流环境数据与历史时间段内每个时刻的风流环境数据之间的差异、以及所述通风类属指数，确定当前时刻的预测标签数据，对矿井下的风机工作功率进行调控。
优选地，所述根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数，具体包括：
将任意一个通风等级类别内任意一个时刻记为目标时刻，获取通风等级类别内其他时刻与目标时刻之间的时间间隔，将所有其他时刻按照时间间隔从小到大的顺序进行排列，按照排列顺序获取第一预设数量个时刻作为目标时刻的局部近邻时刻；
计算目标时刻与每个局部近邻时刻的通风标签数据之间的欧氏距离记为每个局部近邻时刻的第一距离；计算目标时刻与每个局部近邻时刻的时间点之间的欧氏距离记为每个局部近邻时刻的第二距离；根据每个局部近邻时刻的第一距离和第二距离得到每个局部近邻时刻的稳定系数，所述第一距离和第二距离均与稳定系数呈负相关关系；
将目标时刻对应的所有局部近邻时刻的稳定系数的均值作为目标时刻的通风稳定指数。
优选地，所述根据所述隶属权重、每个时刻在时间邻域内每种风流环境数据的标准差异情况，得到每个时刻在每个通风等级类别下的通风类属指数，具体包括：
获取每种风流环境数据在每个通风等级类别对应的标准环境数据，对于历史时间段内任意一个时刻，将该时刻与其之前的设定时间长度内所有时刻构成参考时间集合；
根据参考时间集合内每个时刻每种风流环境数据与其对应的标准环境数据之间的差异、以及每个时刻在每个通风等级类别下的隶属权重，得到时刻在每个通风等级类别下的通风类属指数。
优选地，所述通风类属指数的计算公式具体为：
其中，/>表示历史时间段内第t个时刻在第k个通风等级类别的通风类属指数，/>表示历史时间段内第t个时刻在第k个通风等级类别下的隶属权重，/>表示第t个时刻的参考时间集合内第u个时刻的第a种风流环境数据，/>表示第a种风流环境数据在第k个通风等级类别对应的标准环境数据，/>表示风流环境数据的种类数量，/>表示第t个时刻的参考时间集合内包含的时刻数量。
优选地，所述根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重，具体包括：
将历史时间段内任意一个时刻记为选定时刻，将任意一个通风等级类别记为选定类别；
若选定时刻的所属类别为选定类别，则将选定时刻在选定类别下的通风稳定指数作为选定时刻在选定类别下的隶属权重；
若选定时刻的所属类别不是选定类别，则获取历史时间段内所有时刻对应的通风稳定指数的最小值与最大值的比值，计算该比值与选定类别内所有时刻对应的通风稳定指数的最小值之间的乘积，得到选定时刻在选定类别下的隶属权重。
优选地，所述根据当前时刻对应的风流环境数据与历史时间段内每个时刻的风流环境数据之间的差异、以及所述通风类属指数，确定当前时刻的预测标签数据，具体包括：
将每个时刻的所有种风流环境数据组合构成每个时刻的环境特征向量；
利用KNN算法基于当前时刻与历史时间段内每个时刻的环境特征向量、以及所述通风类属指数，获得当前时刻所属的通风等级类别；将当前时刻所属的通风等级类别内聚类中心时刻的通风标签数据作为当前时刻的预测标签数据。
优选地，所述利用KNN算法基于当前时刻与历史时间段内每个时刻的环境特征向量、以及所述通风类属指数，获得当前时刻所属的通风等级类别，具体包括：
计算当前时刻与历史时间段内每个时刻的环境特征向量之间的距离，获取历史时间段内距离最小的K个时刻，记为当前时刻的特征时刻；
对于任意一个通风等级类别，计算所有特征时刻在该通风等级类别下的通风类属指数的和值，得到该通风等级类别的特征指数；
将特征指数的最大值对应的通风等级类别作为当前时刻所属的通风等级类别。
优选地，所述风流环境数据包括：矿井内的风速数据、风压数据、风温数据、湿度数据和氧气浓度数据。
优选地，所述对矿井下的风机工作功率进行调控，具体包括：
将当前时刻的预测标签数据与当前时刻相邻的上一时刻的通风标签数据作为输入，利用模糊PID控制算法，对矿井下的风机工作功率进行调控。
本发明还提供了一种矿井下风流参数智能感知系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种矿井下风流参数智能感知方法的步骤。
本发明实施例至少具有如下有益效果：
本发明首先采集历史时间段内的时刻以及当前时刻的多个维度的风流环境数据，以及历史时刻的通风标签数据，以便后续的计算中考虑了多个维度下的风流环境数据，获得更加准确的预测调控结果。然后，基于通风标签数据对历史时间段内时刻进行初步分类，并对初步分类的结果中每个时刻在局部时间范围内的数据差异情况进行分析，获得通风稳定指数，反映类别内各时刻矿井内的通风情况是否稳定。由于矿井风流环境数据受调控的影响具有延时性的特点，进一步的，对每个时刻在每个通风等级类别下的隶属情况进行分析，先获得隶属权重，从通风稳定情况方面反应了每个时刻隶属于每个通风等级类别的权重情况，然后获得通风类属指数，即结合了隶属权重，以及每个时刻多个维度下的风流环境数据的标准差异情况，获得每个时刻最终隶属于每个通风等级类别的隶属程度，其更加准确的反映了历史时间段内每个时刻的隶属类别。最后，结合通风类属指数与风流环境数据差异情况两个方面的因素，能够获得当前时刻较为准确的预测标签数据。即历史时间段内时刻的分类结果较为准确，使得基于分类情况确定当前时刻的预测标签数据的精度较高，最终使得利用预测标签数据对矿井下的风机工作功率进行调控的结果也较为准确。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1是本发明的一种矿井下风流参数智能感知方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种矿井下风流参数智能感知方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种矿井下风流参数智能感知方法及系统的具体方案。
一种矿井下风流参数智能感知方法实施例：
请参阅图1，其示出了本发明一个实施例提供的一种矿井下风流参数智能感知方法的方法流程图，该方法包括以下步骤：
步骤一，采集历史时间段内不同时刻以及当前时刻矿井内至少两种不同的风流环境数据，获取历史时间段不同时刻矿井内的风机工作的实际功率记为通风标签数据。
矿井内的空间较大，结构较为复杂，本发明的目的在于对工人在矿井下的工作环境数据进行感知和调控，在本实施例中，以矿井内工人的一个工作区域为例进行说明，采集历史时间段内不同时刻以及当前时刻矿井内至少两种不同的风流环境数据。其中，所述风流环境数据包括：矿井内的风速数据、风压数据、风温数据、湿度数据和氧气浓度数据。
具体地，利用风速传感器采集矿井下的风速，利用风压传感器采集矿井下的风压，利用风温传感器采集矿井下的风温，利用湿度传感器采集矿井下的湿度，利用氧气浓度传感器采集矿井下的氧气浓度。进一步的，为了避免分析计算中的量纲问题，分别对采集到的风速、风压、风温、湿度和氧气浓度进行归一化处理，得到风速数据、风压数据、风温数据、湿度数据和氧气浓度数据。
同时，获取历史时间段内每个时刻矿井内通风系数的风机在实际工作时的实际功率，为了避免分析计算中的量纲问题，也对采集到的功率数据进行归一化处理，将归一化处理后的实际功率作为通风标签数据。在本实施例中，均采用最大值最小值归一化的方法进行归一化处理，实施者可根据具体实施场景进行选择。
在本实施例中，将当前时刻之前20小时作为历史时间段，将历史时间段内相邻时刻之间的时间间隔设置为30秒，即历史时间段的时间长度为20小时，实施者可根据具体实施场景进行设置。
可以理解的是，在本实施例中，历史时间段内每个时刻对应了五种风流环境数据以及一个通风标签数据，当前时刻对应了五种风流环境数据。
步骤二，根据历史时间段内每个时刻的通风标签数据对所有时刻进行分类，得到不同通风等级类别；根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数。
在矿井内通风系统的风机工作功率与矿井环境内的风流环境数据呈正相关关系，也即通风系统的工作功率越大，对应的矿井内的空气环境越佳。基于此，可以通过对历史时间段内每个时刻的通风标签数据进行分析，判断历史数据中哪些时刻需要进行较高等级的通风操作，哪些时刻需要进行较低等级的通风操作。
根据历史时间段内每个时刻的通风标签数据对所有时刻进行分类，得到不同通风等级类别。具体地，利用K-means聚类算法对历史时间段内的所有时刻进行聚类，将不同时刻的通风标签数据之间的欧氏距离作为K-means聚类算法中的度量距离，在本实施例中，将聚类簇的数量设置为3，即将所有时刻的矿井环境需要进行通风的等级设置为三个等级，获得每个通风等级类别。
将通风等级类别按照类别中聚类中心的通风标签数据从大到小的顺序进行排列，按照排列顺序，三个通风等级类别依次为高通风等级类别、中通风等级类别和低通风等级类别。类别内的聚类中心的通风标签数据的取值越大，在其所在类别内的各个时刻的通风需求越大，即对应的类别属于高通风等级类别，即需要较大的风机功率对矿井环境进行调控，使得矿井环境具有良好的空气环境。
在历史数据中，风流参数智能感知系统通过感知矿井下的各种风流参数，采用不同的风机功率利用通风系统对矿井空气环境进行调控，调控的效果还与矿井内的通风情况的稳定程度息息相关。基于此根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数。
具体地，将任意一个通风等级类别内任意一个时刻记为目标时刻，获取通风等级类别内其他时刻与目标时刻之间的时间间隔，将所有其他时刻按照时间间隔从小到大的顺序进行排列，按照排列顺序获取第一预设数量个时刻作为目标时刻的局部近邻时刻。在本实施例中，第一预设数量的取值为10，即获取时间上距离目标时刻最近的10个时刻作为目标时刻的局部近邻时刻。
计算目标时刻与每个局部近邻时刻的通风标签数据之间的欧氏距离记为每个局部近邻时刻的第一距离；计算目标时刻与每个局部近邻时刻的时间点之间的欧氏距离记为每个局部近邻时刻的第二距离；根据每个局部近邻时刻的第一距离和第二距离得到每个局部近邻时刻的稳定系数，所述第一距离和第二距离均与稳定系数呈负相关关系；将目标时刻对应的所有局部近邻时刻的稳定系数的均值作为目标时刻的通风稳定指数。
在本实施例中，将第k个通风等级类别内第r个时刻作为目标时刻进行举例说明，则第k个通风等级类别内第r个时刻的通风稳定指数，即目标时刻的通风稳定指数的计算公式可以表示为：
其中，/>表示第k个通风等级类别内第r个时刻的通风稳定指数，即目标时刻的通风稳定指数，/>表示第k个通风等级类别内第r个时刻的局部近邻时刻的总数量，/>表示第k个通风等级类别内第r个时刻的通风标签数据与第i个局部近邻时刻的通风标签数据之间的欧氏距离，即第i个局部近邻时刻的第一距离；/>表示第k个通风等级类别内第r个时刻与第i个局部近邻时刻的时间点之间的欧氏距离，即第i个局部近邻时刻的第二距离。
需要说明的是，可以通过计算第r个时刻和第i个局部近邻时刻在历史时间段内对应的时刻序号之间的欧氏距离获得第二距离。在本实施例中，k的取值可以是1、2和3，的取值为10。
第i个局部近邻时刻的第一距离越大，说明第r个时刻与其最近邻的第i个局部近邻时刻对应的风机功率之间的差异越大，第i个局部近邻时刻的第二距离越大，说明第r个时刻与其最近邻的第i个局部近邻时刻之间的时间差异越大。第r个时刻的局部时间范围内所有局部近邻时刻的均衡情况取值越大，进而说明在第r个时刻的局部时间范围内通风系统的功率存在变化波动情况，表征在该时刻的局部时间范围内矿井内通风系统的供风较不稳定，对应的通风稳定指数的取值越小。
第r个时刻的局部时间范围内所有局部近邻时刻的均衡情况取值越小，进而说明在第r个时刻的局部时间范围内通风系统的功率不存在较大的波动情况，表征在该时刻的局部时间范围内矿井内通风系统的供风稳定，对应的通风稳定指数的取值越小。每个通风等级类别内每个时刻在局部时间范围内的通风稳定指数表征了每个时刻下矿井内通风系统的供风稳定程度。
步骤三，根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重；根据所述隶属权重、每个时刻在时间邻域内每种风流环境数据的标准差异情况，得到每个时刻在每个通风等级类别下的通风类属指数。
在矿井内，通风效果往往具有延时性，即当矿井内出现通风不畅的现象，急需通风系统供风时，通风系统需要风机工作一段时间后，才能够缓解当时矿井内通风不畅的现象，该现象主要存在于矿井内通风系统风机功率变化的时间段内。在步骤二中仅根据每个时刻的通风标签数据，即风机工作的实际功率进行时间分类，确定需要进行通风的等级类别，判断条件较为单一，可能使得某些处于调控阶段的时刻被误分为其他所属类别，故需要进一步的结合每个时刻的每种风流环境数据，对每个时刻隶属于每个通风等级类别的隶属度信息进行分析。
首先，根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重。即分别对每个时刻与每个通风等级类别之间的隶属情况进行分析。
具体地，将历史时间段内任意一个时刻记为选定时刻，将任意一个通风等级类别记为选定类别；若选定时刻的所属类别为选定类别，则将选定时刻在选定类别下的通风稳定指数作为选定时刻在选定类别下的隶属权重；若选定时刻的所属类别不是选定类别，则获取历史时间段内所有时刻对应的通风稳定指数的最小值与最大值的比值，计算该比值与选定类别内所有时刻对应的通风稳定指数的最小值之间的乘积，得到选定时刻在选定类别下的隶属权重。
在本实施例中，将历史时间段内第t个时刻作为选定时刻，将第k个通风等级类别作为选定类别进行说明，则第t个时刻在第k个通风等级类别下的隶属权重的计算公式可以表示为：
其中，/>表示历史时间段内第t个时刻在第k个通风等级类别下的隶属权重，/>表示历史时间段内第t个时刻的通风稳定指数，/>表示第k个通风等级类别所有时刻构成的集合，/>表示历史时间段内所有时刻的通风稳定指数的最小值，/>表示历史时间段内所有时刻的通风稳定指数的最大值，/>表示第k个通风等级类别内所有时刻的通风稳定指数的最小值，表示第k个通风等级类别内的通风稳定指数，min( )表示求最小值的函数，max( )表示求最大值的函数。
当第t个时刻属于第k个通风等级类别时，第t个时刻在其所属类别内能够计算获得对应的通风稳定指数，表征了该时刻局部时间范围内通风情况，故可以将其通风稳定指数作为该时刻的隶属度信息。而当第t个时刻不属于第k个通风等级类别时，说明在第t个时刻的通风系统的风机功率与第k个通风等级类别中的风机功率相差较大，则此时需要根据第k个通风等级类别中的通风情况获取该时刻的隶属度信息。
每个时刻在每个通风等级类别下的隶属权重，表征了时刻在对应通风等级类别的隶属度信息，进而结合每个时刻在时间邻域内每种风流环境数据的标准差异情况，获得每个时刻在每个通风等级类别下的通风类属指数。
具体地，获取每种风流环境数据在每个通风等级类别对应的标准环境数据，需要说明的是，矿井下的标准的风速数据、风压数据、风温数据、湿度数据和氧气浓度数据，可以由“矿井安全规程”获得，例如，对于高通风等级类别，说明该类别内时刻的通风环境较差，对应的氧气浓度较低，故该类别的标准氧气浓度数据为最低标准，根据经验获取矿井下最低氧气浓度标准的取值为20%。
对于历史时间段内任意一个时刻，将该时刻与其之前的设定时间长度内所有时刻构成参考时间集合。在本实施例中，将设定时间长度内的时刻数量设置为11个，即设定时间长度的取值为330秒，则构成的参考时间集合内共有12个时刻。特殊的，对于历史时间段内前11个时刻，在其之前的时间长度不足设定时间长度，故在进行时刻的隶属度分析时，不对其进行分析。每个时刻的参考时间集合反映了每个的时间邻域内的时刻分布集合。
根据参考时间集合内每个时刻每种风流环境数据与其对应的标准环境数据之间的差异、以及每个时刻在每个通风等级类别下的隶属权重，得到时刻在每个通风等级类别下的通风类属指数。在本实施例中，以历史时间段内的第t个时刻与第k个通风等级类别为例进行说明，则第t个时刻在第k个通风等级类别的通风类属指数的计算公式可以表示为：
其中，/>表示历史时间段内第t个时刻在第k个通风等级类别的通风类属指数，/>表示历史时间段内第t个时刻在第k个通风等级类别下的隶属权重，/>表示第t个时刻的参考时间集合内第u个时刻的第a种风流环境数据，/>表示第a种风流环境数据在第k个通风等级类别对应的标准环境数据，/>表示风流环境数据的种类数量，/>表示第t个时刻的参考时间集合内包含的时刻数量。
反映了第t个时刻在第k个通风等级类别下的隶属度信息，其取值越大，说明第t个时刻越应当属于第k个通风等级类别，对应的通风类属指数的取值越大。/>反映了在第k个通风等级类别下，时间邻域内第u个时刻的风流环境数据与对应类别的标准环境数据之间的差异情况，其取值越大，说明第u个时刻的风流环境数据与标准环境数据之间的差异越大，对应的第u个时刻所在参考时间集合对应的第t个时刻的聚类结果越不准确，进而说明第t个时刻越不属于第k个通风等级类别，对应的通风类属指数的取值越小。
第t个时刻在第k个通风等级类别的通风类属指数表征了第t个时刻隶属于第k个通风等级类别的隶属程度，其取值越大，说明第t个时刻越应当属于第k个通风等级类别，其取值越小，说明第t个时刻越不属于第k个通风等级类别。
步骤四，根据当前时刻对应的风流环境数据与历史时间段内每个时刻的风流环境数据之间的差异、以及所述通风类属指数，确定当前时刻的预测标签数据，对矿井下的风机工作功率进行调控。
每个时刻在每个通风等级类别下的通风类属指数反映了每个时刻在每个通风等级类别下的隶属程度，即表征了每个时刻的风流环境数据修正后的真实的通风类别状态，进而在对当前时刻的通风系统的风机功率进行调控时，可以结合风流环境数据之间的差异以及通风类属指数情况，确定当前时刻所属的通风等级类别。
具体地，将每个时刻的所有种风流环境数据组合构成每个时刻的环境特征向量，作为一个示例，历史时间段内第t个时刻的环境特征向量可以表示为，其中，/>为第t个时刻的风速数据，/>为第t个时刻的风压数据，/>为第t个时刻的风温数据，/>为第t个时刻的湿度数据，/>为第t个时刻的氧气浓度数据。按照同样的方法可以获得每个时刻的环境特征向量，其中包括历史时间段内的所有时刻以及当前时刻。
利用KNN算法基于当前时刻与历史时间段内每个时刻的环境特征向量、以及所述通风类属指数，获得当前时刻所属的通风等级类别。利用KNN算法可以获取新样本在历史分类样本中的所属类别。具体地，在传统的KNN算法中，首先需要计算当前时刻的环境特征向量与历史时间段内每个时刻的环境特征向量之间的欧式距离，作为度量距离，获取度量距离最小的K个历史时间段内的时刻，在K个时刻中，将最多时刻数量对应的通风等级类别作为当前时刻的所属通风等级类别。
但是，本实施例中，结合了每个时刻每种风流环境数据对历史时间段的时刻环境参数的分类结果进行修正，获得了每个时刻在每个通风等级类别下的通风类属指数，故在获得度量距离最小的K个历史时间段内的时刻后，需利用K个时刻对应的每个通风类属指数确定当前时刻的所属类别。
具体地，计算当前时刻与历史时间段内每个时刻的环境特征向量之间的距离，获取历史时间段内距离最小的K个时刻，记为当前时刻的特征时刻；对于任意一个通风等级类别，计算所有特征时刻在该通风等级类别下的通风类属指数的和值，得到该通风等级类别的特征指数；将特征指数的最大值对应的通风等级类别作为当前时刻所属的通风等级类别。
其中，K的取值即为KNN算法中的近邻数，K的取值可以通过网络搜索法获得，网络搜索法的输入为候选K值序列，在本实施例中，候选K值序列为{3,4,5,6,7,8,9,10}，实施者可根据具体实施场景进行设置。
当前时刻对应的K个特征时刻在每个通风等级类别下均存在对应的通风类属指数，通过计算K个最近邻时刻在每个通风等级类别下的总隶属程度，获得每个通风等级类别对应的特征指数，即特征指数表征了最近邻的时刻隶属于对应的通风等级类别的程度，特征指数越大，说明当前时刻越应当属于对应的通风等级类别。特征指数越小，说明当前时刻越不属于对应的通风等级类别。通过当前时刻的最近邻时刻隶属于每个通风等级类别的隶属程度，确定当前时刻所属的类别，并且考虑到了多个维度的环境数据的变化情况，使得获得的分类结果更加准确。
最后，根据当前时刻所属的通风等级类别内时刻的通风标签数据确定当前时刻的预测标签数据，对矿井下的风机工作功率进行调控。具体地，将当前时刻所属的通风等级类别内聚类中心时刻的通风标签数据作为当前时刻的预测标签数据，可以将当前时刻的预测标签数据作为当前时刻矿井下通风系统的风机工作的实际功率数据，实现对当前时刻的矿井下风流参数的智能感知，利用通风系统对当前时刻的通风环境进行实时的调控。使新鲜空气流入矿井中，提供矿工所需要的氧气，同时排出有害气体，如甲烷、一氧化碳等，且矿井内环境温度通常较高，良好的通风系统能够降低矿井内的温度，一方面能够提高矿工的工作效率，另一方面避免出现火灾等危险情况。
进一步的，为了获得更加准确的调控结果，实施者还可以将当前时刻的预测标签数据与当前时刻相邻的上一时刻的通风标签数据作为输入，利用模糊PID控制算法，对矿井下的风机工作功率进行调控，即利用历史时刻的通风标签数据以及当前时刻的预测标签数据作为模糊PID控制算法的输入，通过模糊PID控制算法可以进行更加准确的参数调控。需要说明的是，利用模糊PID控制算法对风机功率进行调控是本领域技术人员公知的技术，在此不再过多介绍。
一种矿井下风流参数智能感知系统实施例：
本实施例提供了一种矿井下风流参数智能感知系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种矿井下风流参数智能感知方法的步骤。由于已经对一种矿井下风流参数智能感知方法进行了详细的阐述，此处不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种矿井下风流参数智能感知方法，其特征在于，该方法包括以下步骤：
采集历史时间段内不同时刻以及当前时刻矿井内至少两种不同的风流环境数据，获取历史时间段不同时刻矿井内的风机工作的实际功率记为通风标签数据；
根据历史时间段内每个时刻的通风标签数据对所有时刻进行分类，得到不同通风等级类别；根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数；
根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重；根据所述隶属权重、每个时刻在时间邻域内每种风流环境数据的标准差异情况，得到每个时刻在每个通风等级类别下的通风类属指数；
根据当前时刻对应的风流环境数据与历史时间段内每个时刻的风流环境数据之间的差异、以及所述通风类属指数，确定当前时刻的预测标签数据，对矿井下的风机工作功率进行调控。
2.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述根据每个通风等级类别内每个时刻在局部时间范围内的通风标签数据的差异以及时间分布，得到每个通风等级类别内每个时刻的通风稳定指数，具体包括：
将任意一个通风等级类别内任意一个时刻记为目标时刻，获取通风等级类别内其他时刻与目标时刻之间的时间间隔，将所有其他时刻按照时间间隔从小到大的顺序进行排列，按照排列顺序获取第一预设数量个时刻作为目标时刻的局部近邻时刻；
计算目标时刻与每个局部近邻时刻的通风标签数据之间的欧氏距离记为每个局部近邻时刻的第一距离；计算目标时刻与每个局部近邻时刻的时间点之间的欧氏距离记为每个局部近邻时刻的第二距离；根据每个局部近邻时刻的第一距离和第二距离得到每个局部近邻时刻的稳定系数，所述第一距离和第二距离均与稳定系数呈负相关关系；
将目标时刻对应的所有局部近邻时刻的稳定系数的均值作为目标时刻的通风稳定指数。
3.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述根据所述隶属权重、每个时刻在时间邻域内每种风流环境数据的标准差异情况，得到每个时刻在每个通风等级类别下的通风类属指数，具体包括：
获取每种风流环境数据在每个通风等级类别对应的标准环境数据，对于历史时间段内任意一个时刻，将该时刻与其之前的设定时间长度内所有时刻构成参考时间集合；
根据参考时间集合内每个时刻每种风流环境数据与其对应的标准环境数据之间的差异、以及每个时刻在每个通风等级类别下的隶属权重，得到时刻在每个通风等级类别下的通风类属指数。
4.根据权利要求3所述的一种矿井下风流参数智能感知方法，其特征在于，所述通风类属指数的计算公式具体为：
其中，表示历史时间段内第t个时刻在第k个通风等级类别的通风类属指数，表示历史时间段内第t个时刻在第k个通风等级类别下的隶属权重，/>表示第t个时刻的参考时间集合内第u个时刻的第a种风流环境数据，/>表示第a种风流环境数据在第k个通风等级类别对应的标准环境数据，/>表示风流环境数据的种类数量，/>表示第t个时刻的参考时间集合内包含的时刻数量。
5.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述根据每个时刻的隶属通风等级类别及其对应的通风稳定指数，得到每个时刻在每个通风等级类别下的隶属权重，具体包括：
将历史时间段内任意一个时刻记为选定时刻，将任意一个通风等级类别记为选定类别；
若选定时刻的所属类别为选定类别，则将选定时刻在选定类别下的通风稳定指数作为选定时刻在选定类别下的隶属权重；
若选定时刻的所属类别不是选定类别，则获取历史时间段内所有时刻对应的通风稳定指数的最小值与最大值的比值，计算该比值与选定类别内所有时刻对应的通风稳定指数的最小值之间的乘积，得到选定时刻在选定类别下的隶属权重。
6.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述根据当前时刻对应的风流环境数据与历史时间段内每个时刻的风流环境数据之间的差异、以及所述通风类属指数，确定当前时刻的预测标签数据，具体包括：
将每个时刻的所有种风流环境数据组合构成每个时刻的环境特征向量；
利用KNN算法基于当前时刻与历史时间段内每个时刻的环境特征向量、以及所述通风类属指数，获得当前时刻所属的通风等级类别；将当前时刻所属的通风等级类别内聚类中心时刻的通风标签数据作为当前时刻的预测标签数据。
7.根据权利要求6所述的一种矿井下风流参数智能感知方法，其特征在于，所述利用KNN算法基于当前时刻与历史时间段内每个时刻的环境特征向量、以及所述通风类属指数，获得当前时刻所属的通风等级类别，具体包括：
计算当前时刻与历史时间段内每个时刻的环境特征向量之间的距离，获取历史时间段内距离最小的K个时刻，记为当前时刻的特征时刻；
对于任意一个通风等级类别，计算所有特征时刻在该通风等级类别下的通风类属指数的和值，得到该通风等级类别的特征指数；
将特征指数的最大值对应的通风等级类别作为当前时刻所属的通风等级类别。
8.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述风流环境数据包括：矿井内的风速数据、风压数据、风温数据、湿度数据和氧气浓度数据。
9.根据权利要求1所述的一种矿井下风流参数智能感知方法，其特征在于，所述对矿井下的风机工作功率进行调控，具体包括：
将当前时刻的预测标签数据与当前时刻相邻的上一时刻的通风标签数据作为输入，利用模糊PID控制算法，对矿井下的风机工作功率进行调控。
10.一种矿井下风流参数智能感知系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的一种矿井下风流参数智能感知方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311255730.1A CN116992246B (zh) | 2023-09-27 | 2023-09-27 | 一种矿井下风流参数智能感知方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311255730.1A CN116992246B (zh) | 2023-09-27 | 2023-09-27 | 一种矿井下风流参数智能感知方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992246A true CN116992246A (zh) | 2023-11-03 |
| CN116992246B CN116992246B (zh) | 2023-12-19 |
Family
ID=88523593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311255730.1A Active CN116992246B (zh) | 2023-09-27 | 2023-09-27 | 一种矿井下风流参数智能感知方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992246B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117536691A (zh) * | 2024-01-09 | 2024-02-09 | 枣庄矿业集团新安煤业有限公司 | 一种综采工作面设备参数监控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114117949A (zh) * | 2021-10-20 | 2022-03-01 | 中国计量大学 | 一种矿井风流参数的智能感知系统与方法 |
| CN115600932A (zh) * | 2022-12-12 | 2023-01-13 | 杭州原数科技有限公司（Cn） | 一种基于大数据的文物储藏环境异常评估方法 |
| CN116500295A (zh) * | 2023-04-26 | 2023-07-28 | 西安科技大学 | 一种矿井通风环境参数精准感知方法 |
| CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
| CN116677570A (zh) * | 2023-07-19 | 2023-09-01 | 中国船舶重工集团海装风电股份有限公司 | 基于海上风电机组机舱温度监测的故障预警方法及系统 |
-
2023
- 2023-09-27 CN CN202311255730.1A patent/CN116992246B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114117949A (zh) * | 2021-10-20 | 2022-03-01 | 中国计量大学 | 一种矿井风流参数的智能感知系统与方法 |
| CN115600932A (zh) * | 2022-12-12 | 2023-01-13 | 杭州原数科技有限公司（Cn） | 一种基于大数据的文物储藏环境异常评估方法 |
| CN116500295A (zh) * | 2023-04-26 | 2023-07-28 | 西安科技大学 | 一种矿井通风环境参数精准感知方法 |
| CN116677570A (zh) * | 2023-07-19 | 2023-09-01 | 中国船舶重工集团海装风电股份有限公司 | 基于海上风电机组机舱温度监测的故障预警方法及系统 |
| CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117536691A (zh) * | 2024-01-09 | 2024-02-09 | 枣庄矿业集团新安煤业有限公司 | 一种综采工作面设备参数监控方法及系统 |
| CN117536691B (zh) * | 2024-01-09 | 2024-04-05 | 枣庄矿业集团新安煤业有限公司 | 一种综采工作面设备参数监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992246B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116992246B (zh) | 一种矿井下风流参数智能感知方法及系统 | |
| CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
| KR102215690B1 (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
| CN112381181B (zh) | 一种建筑能耗异常的动态检测方法 | |
| CN112066355B (zh) | 基于数据驱动的余热锅炉阀门自适应调节方法 | |
| CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
| CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
| CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
| CN117354986B (zh) | 一种多功能led灯珠的智能控制方法及系统 | |
| CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN117458544A (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
| CN113504765A (zh) | 一种电厂循环流化床锅炉操作优化方法 | |
| CN116489978B (zh) | 一种基于人工智能的机房节能优化控制系统 | |
| CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
| CN116365519A (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN116085290A (zh) | 一种基于滑窗热成像的风机热故障检测方法及系统 | |
| CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
| CN115438749A (zh) | 基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法 | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
| CN115132298A (zh) | 弹簧钢脱碳分析预测方法 | |
| Zhu et al. | Morphological clustering algorithm of daily output curve of wind farm based on multi-scale and entropy weight method | |
| CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
| CN117273283B (zh) | 一种工业生产mes分析数据智能管理方法及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |