CN117113259A - 用于安全隐患预测的煤矿状态数据处理方法及系统 - Google Patents
用于安全隐患预测的煤矿状态数据处理方法及系统 Download PDFInfo
- Publication number
- CN117113259A CN117113259A CN202311353889.7A CN202311353889A CN117113259A CN 117113259 A CN117113259 A CN 117113259A CN 202311353889 A CN202311353889 A CN 202311353889A CN 117113259 A CN117113259 A CN 117113259A
- Authority
- CN
- China
- Prior art keywords
- sensitive
- data
- sensing
- abnormal
- sensitivity
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 88
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 157
- 230000035945 sensitivity Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims description 44
- 230000008447 perception Effects 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 31
- 238000005065 mining Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000005856 abnormality Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002759 z-score normalization 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了用于安全隐患预测的煤矿状态数据处理方法及系统，涉及数据处理技术领域，包括：获取第一煤矿区域的传感集成装置，进行实时传感，输出传感集成数据集，进行异常数据识别，输出多个异常数据集，其中，多个异常数据集与多个传感器一一对应，进行异常感知的敏感度识别，输出多个敏感指标，对多个异常数据集进行处理，输入安全隐患预测模型中，对第一煤矿区域进行预测，输出第一隐患概率，生成第一安全提醒信息。本发明解决了传统煤矿安全隐患预测方法状态数据量较大且种类复杂，并且不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致存在隐患预测效率低、准确率低、煤矿安全管理可靠性差的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及用于安全隐患预测的煤矿状态数据处理方法及系统。
背景技术
煤矿安全隐患是指在煤矿开采和生产过程中存在的潜在的危害和风险，由于煤矿工作环境的特殊性、复杂性和高风险性，煤矿安全一直是一个重大议题，因此对于煤矿安全管理和隐患预测具有重要作用。
而现今常用的煤矿安全隐患预测方法还存在着一定的弊端，传统煤矿安全隐患预测方法，由于状态数据量较大且种类复杂，使得不同传感器数据来源和格式不一致，并且对于传感器数据不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致隐患预测效率低、准确率低、煤矿安全管理可靠性差。因此，对于煤矿安全隐患预测还存在着一定的可提升空间。
发明内容
本申请通过提供了用于安全隐患预测的煤矿状态数据处理方法及系统，旨在解决传统煤矿安全隐患预测方法，由于状态数据量较大且种类复杂，使得不同传感器数据来源和格式不一致，并且对于传感器数据不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致存在隐患预测效率低、准确率低、煤矿安全管理可靠性差的技术问题。
鉴于上述问题，本申请提供了用于安全隐患预测的煤矿状态数据处理方法及系统。
本申请公开的第一个方面，提供了用于安全隐患预测的煤矿状态数据处理方法，所述方法包括：获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；根据所述传感集成装置进行实时传感，输出传感集成数据集；根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；根据所述第一隐患概率，生成第一安全提醒信息。
本申请公开的另一个方面，提供了用于安全隐患预测的煤矿状态数据处理系统，所述系统用于上述方法，所述系统包括：装置获取模块，所述装置获取模块用于获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；实时传感模块，所述实时传感模块用于根据所述传感集成装置进行实时传感，输出传感集成数据集；异常数据识别模块，所述异常数据识别模块用于根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；敏感度识别模块，所述敏感度识别模块用于通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；样本数据获取模块，所述样本数据获取模块用于获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；识别通道训练模块，所述识别通道训练模块用于根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；变幅敏感指标获取模块，所述变幅敏感指标获取模块用于根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；时长敏感指标获取模块，所述时长敏感指标获取模块用于根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；敏感指标输出模块，所述敏感指标输出模块用于以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；异常数据处理模块，所述异常数据处理模块用于根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；煤矿区域预测模块，所述煤矿区域预测模块用于将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；提醒信息生成模块，所述提醒信息生成模块用于根据所述第一隐患概率，生成第一安全提醒信息。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
获取第一煤矿区域的传感集成装置，进行实时传感，输出传感集成数据集，进行异常数据识别，输出多个异常数据集，其中，多个异常数据集与多个传感器一一对应，进行异常感知的敏感度识别，输出多个敏感指标，对多个异常数据集进行处理，输入安全隐患预测模型中，对第一煤矿区域进行预测，输出第一隐患概率，生成第一安全提醒信息。解决了传统煤矿安全隐患预测方法，由于状态数据量较大且种类复杂，使得不同传感器数据来源和格式不一致，并且对于传感器数据不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致存在隐患预测效率低、准确率低、煤矿安全管理可靠性差的技术问题，实现了通过传感集成装置对多个传感器的数据进行整合和集成，实现对煤矿状态的综合分析和预测，并且通过对传感集成数据集进行异常数据识别，从而预警可能存在的安全隐患，达到提升异常分析效率、准确率，提高煤矿安全管理的可靠性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了用于安全隐患预测的煤矿状态数据处理方法流程示意图；
图2为本申请实施例提供了用于安全隐患预测的煤矿状态数据处理方法中进行异常数据识别的流程示意图；
图3为本申请实施例提供了用于安全隐患预测的煤矿状态数据处理系统的结构示意图。
附图标记说明：装置获取模块10，实时传感模块20，异常数据识别模块30，敏感度识别模块40，样本数据获取模块41，识别通道训练模块42，变幅敏感指标获取模块43，时长敏感指标获取模块44，敏感指标输出模块45，异常数据处理模块50，煤矿区域预测模块60，提醒信息生成模块70。
具体实施方式
本申请实施例通过提供用于安全隐患预测的煤矿状态数据处理方法，解决了传统煤矿安全隐患预测方法，由于状态数据量较大且种类复杂，使得不同传感器数据来源和格式不一致，并且对于传感器数据不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致存在隐患预测效率低、准确率低、煤矿安全管理可靠性差的技术问题，实现了通过传感集成装置对多个传感器的数据进行整合和集成，实现对煤矿状态的综合分析和预测，并且通过对传感集成数据集进行异常数据识别，从而预警可能存在的安全隐患，达到提升异常分析效率、准确率，提高煤矿安全管理的可靠性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一：
如图1所示，本申请实施例提供了用于安全隐患预测的煤矿状态数据处理方法，所述方法包括：
获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；
具体而言，根据煤矿特定需求，在第一煤矿区域内安装多个传感器，这些传感器包括结构信息传感器、负载信息传感器、地质信息传感器、温度传感器、氧含量传感器等，其中，结构信息传感器包括振动传感器、位移传感器等，这些传感器将用于采集不同的状态指标。将各个传感器连接到一个传感集成装置上，通过该装置对各个传感器采集到的数据进行整合与集成，其中，传感集成装置可以是一个硬件设备或者一个软件平台，该传感集成装置会实时采集各个传感器的数据，这些数据包含了煤矿的多源状态指标，如结构信息、负载信息、地质信息、温度、氧含量等。
根据所述传感集成装置进行实时传感，输出传感集成数据集；
具体而言，通过所述传感集成装置，根据预先设置的参数和配置实时采集各个传感器所测量到的数据，其中，每个传感器可能测量的数据类型和频率都可能不同，获取多个煤矿状态指标。传感集成装置将从各个传感器收集到的数据进行整合，将其组合成一个完整的数据集，将组合后的数据集输出作为传感集成数据集，该数据集包含了煤矿区域内各个传感器所测量到的实时数据，反映了煤矿区域内各个传感器所测量到的实时状态指标，用于后续的异常数据识别、敏感指标计算和隐患预测等处理步骤。
根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；
具体而言，首先对传感集成数据集进行预处理，包括数据清洗、去噪和归一化等操作，这些预处理步骤有助于提高后续的异常数据识别效果。对经过预处理的传感集成数据集进行异常数据识别，示例性地，采用基于统计学的离群点检测算法，分析数据中的模式和特征，识别出与正常状态不符的异常数据，将异常数据进行整合，获取异常数据集。根据异常数据识别的结果，将所述多个异常数据集与所述多个传感器一一对应起来，这意味着每一个异常数据集都与某个传感器的异常数据相关联，这些异常数据集将用于后续的敏感指标计算和隐患预测等处理步骤，以进一步分析煤矿状态的异常情况。
通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；
进一步而言，通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标，包括：
获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；
根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；
具体而言，确定一个合适的时间段来采集传感样本数据集，这个时间段涵盖正常和异常状态下的煤矿运行情况，通过传感集成装置，对各个传感器进行数据采集，并记录下样本数据，确保在采集过程中涵盖了多种状态指标。从采集到的样本数据中，筛选出代表矿区正常状态的样本数据，这些数据反映正常煤矿运行中的各项指标，并没有明显异常，作为第一样本数据集；再从采集到的样本数据中，筛选出代表矿区异常状态的样本数据，这些数据包括故障或其他异常情况下的指标异常值，作为第二样本数据集。
使用第一样本数据集进行第一识别通道的训练，这个通道旨在识别数据变化幅度的敏感度。可以采用各种算法和技术，如时频分析等，来分析数据中的变化情况并提取敏感度指标；使用第二样本数据集进行第二识别通道的训练，该通道用于识别数据感知时长的敏感度，针对每个传感器或特定指标，在异常状态下查看数据感知的时长，并提取相应的敏感度指标。使用独立的样本数据集对训练好的敏感度识别通道进行验证和评估，这些数据应包含不同煤矿状态下的传感数据，以确认通道的准确性和可靠性。
根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；
进一步而言，根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标，包括：
根据所述第一识别通道进行数据变化幅度识别，得到矿区状态正常时数据感知的第一变化敏感度，以及矿区状态异常时数据感知的第二变化敏感度；
以所述第一变化敏感度为x向量，以所述第二变化敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第一敏感坐标集合；
以所述第一敏感坐标集合进行坐标向量差计算，输出多个变幅敏感指标。
具体而言，应用已训练好的第一识别通道对煤矿数据集进行数据变化幅度识别和分析，对正常状态下的煤矿数据进行分析，得到表示正常时数据变化幅度的第一变化敏感度，这些指标反映了正常状态下的数据感知程度和变化情况；对异常状态下的煤矿数据进行分析，得到表示异常时数据变化幅度的第二变化敏感度，这些指标反映了异常状态下的数据感知程度和变化情况。
将第一变化敏感度作为x向量的值，第二变化敏感度作为y向量的值，计算(x,y)坐标对应于每个传感器的敏感坐标，这样可以将两个指标结合起来，形成一个二维坐标系。将计算得到的敏感坐标与各个传感器进行关联，确保每个传感器都有相应的敏感坐标，这可以通过传感器编号、位置或其他相关信息进行匹配，这些敏感坐标能够直观地展示传感器在数据变化幅度和数据感知时长两个维度的敏感程度，有助于更好地理解和分析其对煤矿工作环境的响应特性。将关联后的敏感坐标作为第一敏感坐标集合进行输出，该集合包含了传感集成装置中各个传感器的变化敏感性在二维坐标系中的表示。
对于每个传感器的第一敏感坐标，计算其正常变化幅度与异常变化幅度的差值，这样可以得到每个传感器对于数据感知异常的差幅值。将计算得到的坐标向量差作为变幅敏感指标输出，对于每个传感器，这些指标表示了其对数据感知异常的响应差异程度，用于分析和比较不同传感器在异常情况下的响应能力，为安全管理和隐患预测提供更详尽的信息支持。
根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；
进一步而言，根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标，包括：
根据所述第二识别通道进行数据感知时长识别，得到矿区状态正常时数据感知的第一时长敏感度，以及矿区状态异常时数据感知的第二时长敏感度；
以所述第一时长敏感度为x向量，以所述第二时长敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第二敏感坐标集合；
以所述第二敏感坐标集合进行坐标向量差计算，输出多个时长敏感指标。
具体而言，应用已训练好的第二识别通道对煤矿数据集进行数据感知时长的识别和分析，使用第二识别通道对正常状态下的煤矿数据进行分析，得到表示数据感知时长的敏感度指标，这些指标反映了正常状态下的数据感知持续时间程度和变化情况；同样地，使用第二识别通道对异常状态下的煤矿数据进行分析，得到表示数据感知时长的敏感度指标，这些指标能够揭示异常状态下的数据感知持续时间程度和变化情况。这些敏感度指标提供了关于不同煤矿状态下数据感知持续时间的信息，有助于更全面地了解传感器对于异常情况的响应特性。
将第一时长敏感度作为x向量的值，第二时长敏感度作为y向量的值，计算(x,y)坐标对应于每个传感器的第二敏感坐标，这样可以将两个指标结合起来，形成一个二维坐标系，将计算得到的第二敏感坐标与各个传感器进行关联，确保每个传感器都有相应的敏感坐标，这可以通过传感器编号、位置或其他相关信息进行匹配。将关联后的敏感坐标作为第二敏感坐标集合进行输出，该集合包含了传感集成装置中各个传感器的时长敏感性在二维坐标系中的表示。这些敏感坐标能够直观地展示传感器在数据感知时长两个维度上的敏感程度，有助于更好地理解和分析其对煤矿工作环境的响应特性。
对于每个传感器的第二敏感坐标，计算其正常传感器响应时长与异常传感器响应时长的差值，这样可以得到每个传感器对于数据感知异常的时长敏感性差异，将计算得到的坐标向量差作为时长敏感指标输出，对于每个传感器，这些指标表示了其对数据感知异常的响应时长差异程度。
以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；
具体而言，通过传感器编号、位置或其他相关信息，将多个变幅敏感指标和多个时长敏感指标，分别与各个传感器进行关联，确保每个传感器都有对应的变幅敏感指标，并为每个传感器生成相应的时长敏感指标。结合已关联的变幅敏感指标和时长敏感指标，输出与传感集成装置中各个传感器对应的多个敏感指标数据集合，这些敏感指标能够更全面和准确地描述传感器对煤矿工作环境的敏感程度和变化情况，从而提供更丰富的信息来评估安全隐患及采取相应措施，这为煤矿安全管理和预测模型提供了更有用的数据支持。
根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；
进一步而言，根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集，包括：
通过对所述多个异常数据集进行异常传感来源定位并对传感器进行标识，输出标识传感器，以及所述标识传感器对应的标识敏感指标；
对所述标识传感器进行安全隐患关联性识别，得到与所述标识传感器对应的标识关联指标；
根据所述标识敏感指标和所述标识关联指标对所述多个异常数据集进行处理。
具体而言，对于每个异常数据集，利用已有的信息进行异常传感来源定位，这可以通过分析异常数据的特征、传感器位置、监测值的变化模式等来确定引发异常的具体传感器。将定位到的异常传感器进行标识，并记录下其标识信息，同时，将与这些传感器对应的敏感指标也进行标识，将标识的传感器和对应的标识敏感指标进行输出，这样可以建立一个与异常数据相关的传感器标识和敏感指标的关联集合，以此确定导致异常的具体传感器，并关注这些传感器所对应的敏感指标。
利用已有的信息和算法，对标识传感器进行安全隐患关联性分析，这可以通过分析标识传感器的特征、数据变化模式、设备状态等来确定它们之间可能存在的关联。根据安全隐患关联性分析的结果，生成与标识传感器对应的标识关联指标，这些指标反映了传感器之间的关联度，例如相关性系数、协方差、互信息等。将生成的标识关联指标与对应的传感器关联起来，形成一个关联指标集合，该集合提供了标识传感器之间存在的关联性的信息，这些关联指标可用于评估传感器之间的关联程度，例如是否同时发生异常、是否存在协同作用等。
利用标识敏感指标对每个异常数据集进行处理，这可以根据不同的敏感指标进行筛选、聚类、异常值检测等操作，以提取出与安全隐患相关的信息，根据标识关联指标，将异常数据集中的数据进行处理，包括传感器之间的对比分析、关联性统计等方法，以更深入地理解和挖掘异常数据之间的关系。将处理过的异常数据集的结果进行输出，可以呈现为图表、报告或其他形式的分析结果，这些结果能够帮助识别并评估潜在的安全隐患，并为采取相应的预防和修复措施提供支持。
将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；
进一步而言，将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率，包括：
搭建安全隐患预测模型，其中，所述安全隐患预测模型为集成预测模型；
将所述敏感处理后的多个异常数据集输入所述安全隐患预测模型中，对所述多个异常数据集进行概率计算，得到多个分布概率，其中，所述概率计算包括：
计算所述多个异常数据集的数据异常程度，当数据异常程度达到预设异常程度时，输出预测的周期时长，再计算所预测的周期时长落于服从高斯分布曲线中各个划分区域的概率；
根据所述多个分布概率进行集成融合，输出第一隐患概率。
具体而言，收集与安全隐患相关的各种数据，如历史隐患记录、设备运行数据、环境因素等，从数据集中选择最相关的特征作为训练数据，以用于训练模型，示例性地，采用随机森林算法，使用训练数据来训练模型，并进行交叉验证以评估模型的性能，将训练得到的模型结合起来形成集成预测模型，例如通过加权平均方法进行集成。使用测试数据集对集成预测模型进行评估，计算性能指标，根据评估结果获取满足要求的所述安全隐患预测模型，该模型用于进行新样本的安全隐患预测。
使用训练好的安全隐患预测模型对敏感处理后的多个异常数据集进行预测，预测模型可以输出每个样本属于不同类别，即隐患等级的分布概率，所述分布概率用于当数据异常的程度趋近于安全目标时，预测一个中间趋近的用时，并判断用时处于哪个等级，根据隐患等级的划分标准，选择合适的阈值和概率范围来确定不同隐患等级的界限，例如，将5～10分钟的概率设定为高级隐患概率，10~30分钟的概率设定为中级隐患概率，30分钟以上的概率设定为低级隐患概率，可采用正态分布曲线来表示隐患概率的分布情况，例如，将不同隐患概率的范围映射到正态分布曲线上，可以根据正态分布的特性计算每个点的概率。
具体的，对多个异常数据集进行离群值检测，例如，使用统计方法如Z-score标准化方法，通过它能够将不同量级的数据转化为统一量度的Z-Score分值进行比较，以此确定数据集中的异常样本。根据所选的离群值检测方法，为每个样本计算其异常程度得分，该得分反映了样本与正常数据之间的差异程度，较高的得分表示更严重的异常程度。当某个样本的异常程度得分达到预设的异常程度阈值时，输出预测的周期时长，这个阈值可以根据实际应用场景和需求进行设置。
将预测的周期时长看作一个随机变量，并基于已有样本计算该变量的概率分布，所述高斯分布即正态分布，可以使用正态分布的特性计算预测周期时长落于不同划分区域的概率。正态分布函数公式如下：
，
其中为均数，/>为标准差，/>决定了正态分布的位置，与/>越接近，被取到的概率就越大，反之就越小；/>描述的是正态分布的离散程度，/>越大，数据分布越分散曲线越扁平，/>越小，数据分布越集中曲线越陡峭。
根据设定的划分区域范围，比如高级隐患、中级隐患、低级隐患，可以使用正态分布函数来计算每个划分区域的概率，通常，正态分布函数在不同均值和标准差条件下可以计算给定区域的面积。通过使用高斯分布，即正态分布，对预测周期时长进行概率计算，实现更全面地了解其分布情况和可能性，最终，这些概率值可以用于辅助判断隐患的严重程度和风险评估。
融合多个分布概率，例如，计算多个分布概率的加权平均值，为每个分布概率设定不同的权重，然后将它们加权求平均得到第一隐患概率，权重可以根据实际情况进行调整，以突出较为重要或准确的分布概率。通过集成融合，有效地综合各个分布概率的信息，提供更可靠和准确的结果。
根据所述第一隐患概率，生成第一安全提醒信息。
具体而言，根据实际情况和需求设定一个阈值，用于判断所述第一隐患概率的高低，如果所述第一隐患概率高于该阈值，则表示存在较大的潜在隐患，根据设定的阈值，将所述第一隐患概率分为不同的等级，例如，将其分为低、中、高三个等级，根据隐患等级划分，生成相应的安全提醒信息，例如低等级的隐患对应生成警告语句，中等级的隐患对应生成建议行动，高等级的隐患对应联系紧急联系人或相关部门以便处理可能发生的紧急情况。
通过以上步骤，可以根据第一隐患概率的高低生成相应的安全提醒信息，这样能够及时警示相关人员采取必要措施来应对潜在的煤矿安全隐患，从而提高预警和应急响应能力。
进一步而言，如图2所示，根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，在前述步骤的基础上，为了进一步提高传感器获取数据的智能性，按照敏感指标设置二次传感的方式，避免一次传感方式导致的数据有效性不足的情况，具体步骤如下：
通过对所述多个敏感指标进行识别，得到小于等于预设敏感指标的N个敏感指标，其中，N为大于等于0的正整数，且N的值小于所述多个敏感指标的总数量；
根据所述N个敏感指标定位对应的N个传感器，生成二次感知指令；
将所述二次感知指令发送至所述传感集成装置进行二次传感，输出N组二次传感数据集；
根据所述N组二次传感数据集和所述传感集成数据集进行异常数据识别。
具体而言，设定一个预设敏感指标阈值，这个阈值用于判断哪些敏感指标是明显的，并且需求二次感知以提高感知数据的完整度。根据预设敏感指标阈值，对所有的敏感指标进行识别，将超过阈值的指标视为明显敏感指标，不需要进行二次感知。从所有的敏感指标中选择小于等于预设敏感指标的N个敏感指标，即找出不满足明显敏感的要求但仍然具有一定敏感性的指标，以补充感知数据的完整性，这里的N为大于等于0的正整数，并且N的值应小于所述多个敏感指标的总数量。
根据所述N个敏感指标，明确这些指标的具体名称或代号，建立传感器与敏感指标之间的对应关系表，这张表可以显示每个传感器对应于哪个敏感指标，在煤矿区域内，通过已有的布局和传感器安装位置信息，确定与N个敏感指标对应的N个传感器的位置和编号，这样可以准确定位到需要进行二次感知的传感器。根据定位结果，生成针对每个传感器的二次感知指令，这些指令包括对传感器的操作要求、采集频率调整、数据记录时长等相关设置，为后续的二次感知提供了具体的操作和设置指导。
将生成的二次传感指令发送给对应的传感集成装置，这可以通过无线通信、网络传输等方式完成，传感集成装置接收到二次感知指令后，根据指令要求对相应的传感器进行操作，例如，调整传感器的采样频率、加大数据记录时长等，通过二次传感操作，传感集成装置对指定传感器进行二次数据采集，获取的数据包括经过二次感知的传感器所测量到的状态指标数据，根据对应的敏感指标和传感器，将从二次传感操作中获得的数据整理为N组二次传感数据集，其中，每组数据集对应一个传感器，其中包含了煤矿的状态指标数据。
将N组二次传感数据集与传感集成数据集结合起来，形成一个全面的数据集，这个数据集包含一系列的状态指标数据，其中既包括原始的传感集成数据，也包括经过二次传感操作后的数据。采用前述相同的方法，对数据中的模式和特征进行分析，以识别出与正常状态不符的异常数据，所述异常数据表示潜在的安全隐患或异常情况。通过所述异常数据，可以预警可能存在的安全隐患，并采取相应的措施进行干预和处理，达到提高煤矿安全管理的效果，减少事故风险并保护工人的生命和财产安全的效果。
综上所述，本申请实施例所提供的用于安全隐患预测的煤矿状态数据处理方法及系统具有如下技术效果：
获取第一煤矿区域的传感集成装置，进行实时传感，输出传感集成数据集，进行异常数据识别，输出多个异常数据集，其中，多个异常数据集与多个传感器一一对应，进行异常感知的敏感度识别，输出多个敏感指标，对多个异常数据集进行处理，输入安全隐患预测模型中，对第一煤矿区域进行预测，输出第一隐患概率，生成第一安全提醒信息。
解决了传统煤矿安全隐患预测方法，由于状态数据量较大且种类复杂，使得不同传感器数据来源和格式不一致，并且对于传感器数据不能进行准确的异常数据识别、无法确定传感器对于异常情况的敏感程度，导致存在隐患预测效率低、准确率低、煤矿安全管理可靠性差的技术问题，实现了通过传感集成装置对多个传感器的数据进行整合和集成，实现对煤矿状态的综合分析和预测，并且通过对传感集成数据集进行异常数据识别，从而预警可能存在的安全隐患，达到提升异常分析效率、准确率，提高煤矿安全管理的可靠性的技术效果。
实施例二：
基于与前述实施例中用于安全隐患预测的煤矿状态数据处理方法相同的发明构思，如图3所示，本申请提供了用于安全隐患预测的煤矿状态数据处理系统，所述系统包括：
装置获取模块10，所述装置获取模块10用于获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；
实时传感模块20，所述实时传感模块20用于根据所述传感集成装置进行实时传感，输出传感集成数据集；
异常数据识别模块30，所述异常数据识别模块30用于根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；
敏感度识别模块40，所述敏感度识别模块40用于通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；
样本数据获取模块41，所述样本数据获取模块41用于获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；
识别通道训练模块42，所述识别通道训练模块42用于根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；
变幅敏感指标获取模块43，所述变幅敏感指标获取模块43用于根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；
时长敏感指标获取模块44，所述时长敏感指标获取模块44用于根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；
敏感指标输出模块45，所述敏感指标输出模块45用于以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；
异常数据处理模块50，所述异常数据处理模块50用于根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；
煤矿区域预测模块60，所述煤矿区域预测模块60用于将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；
提醒信息生成模块70，所述提醒信息生成模块70用于根据所述第一隐患概率，生成第一安全提醒信息。
进一步而言，所述系统还包括：
敏感指标识别模块，用于通过对所述多个敏感指标进行识别，得到小于等于预设敏感指标的N个敏感指标，其中，N为大于等于0的正整数，且N的值小于所述多个敏感指标的总数量；
感知指令生成模块，用于根据所述N个敏感指标定位对应的N个传感器，生成二次感知指令；
二次传感模块，用于将所述二次感知指令发送至所述传感集成装置进行二次传感，输出N组二次传感数据集；
异常识别模块，用于根据所述N组二次传感数据集和所述传感集成数据集进行异常数据识别。
进一步而言，所述系统还包括：
变化敏感度获取模块，用于根据所述第一识别通道进行数据变化幅度识别，得到矿区状态正常时数据感知的第一变化敏感度，以及矿区状态异常时数据感知的第二变化敏感度；
敏感坐标获取模块，用于以所述第一变化敏感度为x向量，以所述第二变化敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第一敏感坐标集合；
向量差计算模块，用于以所述第一敏感坐标集合进行坐标向量差计算，输出多个变幅敏感指标。
进一步而言，所述系统还包括：
变化幅度识别模块，用于根据所述第二识别通道进行数据感知时长识别，得到矿区状态正常时数据感知的第一时长敏感度，以及矿区状态异常时数据感知的第二时长敏感度；
第二敏感坐标获取模块，用于以所述第一时长敏感度为x向量，以所述第二时长敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第二敏感坐标集合；
第二向量差计算模块，用于以所述第二敏感坐标集合进行坐标向量差计算，输出多个时长敏感指标。
进一步而言，所述系统还包括：
标识模块，用于通过对所述多个异常数据集进行异常传感来源定位并对传感器进行标识，输出标识传感器，以及所述标识传感器对应的标识敏感指标；
关联性识别模块，用于对所述标识传感器进行安全隐患关联性识别，得到与所述标识传感器对应的标识关联指标；
数据处理模块，用于根据所述标识敏感指标和所述标识关联指标对所述多个异常数据集进行处理。
进一步而言，所述系统还包括：
模型搭建模块，用于搭建安全隐患预测模型，其中，所述安全隐患预测模型为集成预测模型；
概率计算模块，用于将所述敏感处理后的多个异常数据集输入所述安全隐患预测模型中，对所述多个异常数据集进行概率计算，得到多个分布概率，其中，所述概率计算包括：
异常程度计算模块，用于计算所述多个异常数据集的数据异常程度，当数据异常程度达到预设异常程度时，输出预测的周期时长，再计算所预测的周期时长落于服从高斯分布曲线中各个划分区域的概率；
集成融合模块，用于根据所述多个分布概率进行集成融合，输出第一隐患概率。
本说明书通过前述对用于安全隐患预测的煤矿状态数据处理方法的详细描述，本领域技术人员可以清楚地知道本实施例中用于安全隐患预测的煤矿状态数据处理方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.用于安全隐患预测的煤矿状态数据处理方法，其特征在于，所述方法包括：
获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；
根据所述传感集成装置进行实时传感，输出传感集成数据集；
根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；
通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；
获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；
根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；
根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；
根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；
以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；
根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；
将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；
根据所述第一隐患概率，生成第一安全提醒信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过对所述多个敏感指标进行识别，得到小于等于预设敏感指标的N个敏感指标，其中，N为大于等于0的正整数，且N的值小于所述多个敏感指标的总数量；
根据所述N个敏感指标定位对应的N个传感器，生成二次感知指令；
将所述二次感知指令发送至所述传感集成装置进行二次传感，输出N组二次传感数据集；
根据所述N组二次传感数据集和所述传感集成数据集进行异常数据识别。
3.如权利要求1所述的方法，其特征在于，根据所述第一识别通道，输出多个变幅敏感指标，方法包括：
根据所述第一识别通道进行数据变化幅度识别，得到矿区状态正常时数据感知的第一变化敏感度，以及矿区状态异常时数据感知的第二变化敏感度；
以所述第一变化敏感度为x向量，以所述第二变化敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第一敏感坐标集合；
以所述第一敏感坐标集合进行坐标向量差计算，输出多个变幅敏感指标。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述第二识别通道进行数据感知时长识别，得到矿区状态正常时数据感知的第一时长敏感度，以及矿区状态异常时数据感知的第二时长敏感度；
以所述第一时长敏感度为x向量，以所述第二时长敏感度为y向量生成敏感坐标，输出所述传感集成装置中的各个传感器的第二敏感坐标集合；
以所述第二敏感坐标集合进行坐标向量差计算，输出多个时长敏感指标。
5.如权利要求1所述的方法，其特征在于，根据所述多个敏感指标对所述多个异常数据集进行处理，方法还包括：
通过对所述多个异常数据集进行异常传感来源定位并对传感器进行标识，输出标识传感器，以及所述标识传感器对应的标识敏感指标；
对所述标识传感器进行安全隐患关联性识别，得到与所述标识传感器对应的标识关联指标；
根据所述标识敏感指标和所述标识关联指标对所述多个异常数据集进行处理。
6.如权利要求1所述的方法，其特征在于，将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，方法包括：
搭建安全隐患预测模型，其中，所述安全隐患预测模型为集成预测模型；
将所述敏感处理后的多个异常数据集输入所述安全隐患预测模型中，对所述多个异常数据集进行概率计算，得到多个分布概率，其中，所述概率计算包括：
计算所述多个异常数据集的数据异常程度，当数据异常程度达到预设异常程度时，输出预测的周期时长，再计算所预测的周期时长落于服从高斯分布曲线中各个划分区域的概率；
根据所述多个分布概率进行集成融合，输出第一隐患概率。
7.用于安全隐患预测的煤矿状态数据处理系统，其特征在于，用于实施权利要求1-6任一项所述的用于安全隐患预测的煤矿状态数据处理方法，包括：
装置获取模块，所述装置获取模块用于获取第一煤矿区域的传感集成装置，其中，所述传感集成装置通过多个传感器集成获得；
实时传感模块，所述实时传感模块用于根据所述传感集成装置进行实时传感，输出传感集成数据集；
异常数据识别模块，所述异常数据识别模块用于根据所述传感集成数据集进行异常数据识别，输出多个异常数据集，其中，所述多个异常数据集与所述多个传感器一一对应；
敏感度识别模块，所述敏感度识别模块用于通过对所述传感集成装置中的各个传感器分别进行异常感知的敏感度识别，输出多个敏感指标；
样本数据获取模块，所述样本数据获取模块用于获取所述传感集成装置中的各个传感器的传感样本数据集，其中，所述传感样本数据集包括矿区状态正常的第一样本数据集，和矿区状态异常的第二样本数据集；
识别通道训练模块，所述识别通道训练模块用于根据所述第一样本数据集和所述第二样本数据集训练敏感度识别通道，其中，所述敏感度识别通道包括第一识别通道和第二识别通道，所述第一识别通道用于识别数据变化幅度的敏感度，所述第二识别通道用于识别数据感知时长的敏感度；
变幅敏感指标获取模块，所述变幅敏感指标获取模块用于根据所述第一识别通道，输出多个变幅敏感指标，其中，所述变幅敏感指标为标识数据变化程度的敏感指标；
时长敏感指标获取模块，所述时长敏感指标获取模块用于根据所述第二识别通道，输出多个时长敏感指标，其中，所述时长敏感指标为标识数据感知时长的敏感指标；
敏感指标输出模块，所述敏感指标输出模块用于以所述多个变幅敏感指标和所述多个时长敏感指标，输出与所述传感集成装置中的各个传感器对应的多个敏感指标；
异常数据处理模块，所述异常数据处理模块用于根据所述多个敏感指标对所述多个异常数据集进行处理，获取敏感处理后的多个异常数据集；
煤矿区域预测模块，所述煤矿区域预测模块用于将所述敏感处理后的多个异常数据集输入安全隐患预测模型中，根据所述安全隐患预测模型对所述第一煤矿区域进行预测，输出第一隐患概率；
提醒信息生成模块，所述提醒信息生成模块用于根据所述第一隐患概率，生成第一安全提醒信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353889.7A CN117113259B (zh) | 2023-10-19 | 2023-10-19 | 用于安全隐患预测的煤矿状态数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353889.7A CN117113259B (zh) | 2023-10-19 | 2023-10-19 | 用于安全隐患预测的煤矿状态数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113259A true CN117113259A (zh) | 2023-11-24 |
| CN117113259B CN117113259B (zh) | 2023-12-22 |
Family
ID=88811263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311353889.7A Active CN117113259B (zh) | 2023-10-19 | 2023-10-19 | 用于安全隐患预测的煤矿状态数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113259B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN113238922A (zh) * | 2021-06-02 | 2021-08-10 | 南京领行科技股份有限公司 | 一种日志分析方法、装置、电子设备及介质 |
| CN115063588A (zh) * | 2022-06-29 | 2022-09-16 | 深圳前海微众银行股份有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN115659271A (zh) * | 2022-10-31 | 2023-01-31 | 上海电气集团股份有限公司 | 传感器异常检测方法、模型训练方法、系统、设备及介质 |
| CN116108392A (zh) * | 2021-11-09 | 2023-05-12 | 北京建筑大学 | 一种基于改进随机森林算法的地质构造识别技术 |
-
2023
- 2023-10-19 CN CN202311353889.7A patent/CN117113259B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN113238922A (zh) * | 2021-06-02 | 2021-08-10 | 南京领行科技股份有限公司 | 一种日志分析方法、装置、电子设备及介质 |
| CN116108392A (zh) * | 2021-11-09 | 2023-05-12 | 北京建筑大学 | 一种基于改进随机森林算法的地质构造识别技术 |
| CN115063588A (zh) * | 2022-06-29 | 2022-09-16 | 深圳前海微众银行股份有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN115659271A (zh) * | 2022-10-31 | 2023-01-31 | 上海电气集团股份有限公司 | 传感器异常检测方法、模型训练方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 孙国营: "基于大数据的煤矿安全隐患数据挖掘分析", 《福建电脑》, pages 38 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113259B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
| CN116625438A (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
| CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
| CN118094396B (zh) | 一种道路施工安全监测方法及系统 | |
| CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
| CN106792883A (zh) | 传感器网络异常数据检测方法与系统 | |
| CN118130984B (zh) | 基于数据驱动的电缆局放故障实时监测方法 | |
| CN108763966B (zh) | 一种尾气检测作弊监管系统及方法 | |
| CN118244110B (zh) | 一种工业机器人电机故障预警方法及系统 | |
| CN118280072B (zh) | 一种稳定性高的地质灾害预警系统 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
| CN103487250A (zh) | 基于二维投射的煤矿设备预知维护方法 | |
| CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
| CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| CN116502134A (zh) | 一种自诊断预警功能异常状态识别系统 | |
| CN113380273B (zh) | 异常声音检测及判断形成原因的系统 | |
| CN114662856A (zh) | 一种大型轧机状态跟踪方法和系统 | |
| CN118413265B (zh) | 一种卫星在线状态监测系统及方法 | |
| CN118503794B (zh) | 一种基于多模态数据的变电站设备异常检测系统与方法 | |
| CN117345344B (zh) | 一种矿井声电信号智能预测方法与系统 | |
| CN118037063B (zh) | 基于工业互联网云平台的化工园区安全管理方法及系统 | |
| CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |