CN117171655A - 一种基于频谱分析的煤矿生产状态智能判别方法及装置 - Google Patents
一种基于频谱分析的煤矿生产状态智能判别方法及装置 Download PDFInfo
- Publication number
- CN117171655A CN117171655A CN202310901839.1A CN202310901839A CN117171655A CN 117171655 A CN117171655 A CN 117171655A CN 202310901839 A CN202310901839 A CN 202310901839A CN 117171655 A CN117171655 A CN 117171655A
- Authority
- CN
- China
- Prior art keywords
- coal mine
- gas concentration
- concentration detection
- production state
- detection signal
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 174
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 126
- 238000001228 spectrum Methods 0.000 claims abstract description 77
- 238000013145 classification model Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于频谱分析的煤矿生产状态智能判别方法及装置，包括：获取历史瓦斯浓度检测数据并对其进行预处理，得到预处理后的历史瓦斯浓度检测信号；对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态SVM分类模型进行训练；将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。本发明识别准确率高且效率高，具有明显的应用价值。
Description
技术领域
本发明涉及煤矿生产状态监测、数据挖掘技术领域，具体涉及一种基于频谱分析的煤矿生产状态智能判别方法及装置。
背景技术
近年来，随着现代传感、自动控制、信息处理等技术的发展和新工艺、新方法的应用，向矿井安全监测监控和瓦斯异常风险预警投入的人力物力逐年增加。因此，煤矿生产状态的监控与判别非常重要，进而指导煤矿生产。
然而，现有技术中缺乏一种行之有效，且判别准确性高的煤矿生产状态判别方法。
发明内容
本发明目的在于提供一种基于频谱分析的煤矿生产状态智能判别方法及装置，本发明紧密切合煤矿安全监察业务，考虑到煤矿安全监察业务中瓦斯浓度检测数据量相当大，且业务正负样本不均衡的特点，本发明将频谱分析结合支持向量机方法进行煤矿生产状态判定，获取煤矿真实生产状态。本发明计算简练，能够快速、准确地实现煤矿异常生产状态的判别并告警，具有明显的应用价值。
本发明通过下述技术方案实现：
第一方面，本发明提供了一种基于频谱分析的煤矿生产状态智能判别方法，该方法包括：
获取历史瓦斯浓度检测数据，并对历史瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号；
对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
进一步地，将功率谱处理为瓦斯浓度检测信号特征向量，包括：
根据功率谱，绘制功率谱的能量谱累计分布函数；
根据能量谱累计分布函数，截取累计能量预设值(比如50％)对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱作为瓦斯浓度检测信号特征向量。
以上技术方案中，考虑到低频数据对于后续煤矿生产状态判别的意义不大，因此把累计能量50％以前的低频数据作为无效数据，进行过滤，以提高瓦斯浓度检测信号特征向量的精准性。
进一步地，功率谱的计算公式为：
式中，P(ω)为历史瓦斯浓度检测信号的频谱向量；F(ω)为历史瓦斯浓度检测数据的频谱信息；T为瓦斯信号成分的周期；xn为预处理后的历史瓦斯浓度检测信号；ω为频率；n为瓦斯浓度检测数据的采样点数量。
进一步地，煤矿生产状态SVM分类模型的表达式为：
式中，w为瓦斯浓度检测信号的高维特征空间；b为截距；Φ(P)为非线性映射函数；E为惩罚参数；ξ为松弛变量，ξi为第i个松弛变量；n为样本数量；为煤矿瓦斯浓度样本标签，即当煤矿处于工作状态时，取值为1，煤矿处于停工状态时，取值为0。
进一步地，惩罚参数的确定方式为：
统计煤矿瓦斯浓度总样本中正样本和负样本的比例c；
设置正样本的惩罚参数为E1，负样本的惩罚参数为E2，且满足E1＝c·E2。
进一步地，煤矿生产状态SVM分类模型的训练为：
根据正样本的惩罚参数和负样本的惩罚参数，分别输入煤矿生产状态SVM分类模型进行训练模型训练，当满足迭代次数达到最大迭代次数时，对应w为所求，即得到训练好的煤矿生产状态SVM分类模型。
进一步地，将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果，包括：
若输出为1，则识别出的煤矿生产状态识别结果为生产状态；
若输出为0，则识别出的煤矿生产状态识别结果为停产状态。
进一步地，该方法还包括：根据煤矿生产状态识别结果进行异常工况告警，具体为：
若煤矿生产状态识别结果与该煤矿生产计划不一致，则进行提报，以预防危险的发生；
若煤矿生产状态识别结果与该煤矿生产计划一致，则不进行提报。
第二方面，本发明又提供了一种基于频谱分析的煤矿生产状态智能判别装置，该装置用于实现所述的一种基于频谱分析的煤矿生产状态智能判别方法；该装置包括：
获取单元，用于获取历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据；
预处理单元，用于对历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号及处理后的待判别的瓦斯浓度检测数据；
频率分析及特征向量提取单元，用于对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
分类模型构建及训练单元，用于根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
生产状态判别单元，用于将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
进一步地，频率分析及特征向量提取单元中将功率谱处理为瓦斯浓度检测信号特征向量，包括：
根据功率谱，绘制功率谱的能量谱累计分布函数；
根据能量谱累计分布函数，截取累计能量预设值(比如50％)对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱作为瓦斯浓度检测信号特征向量。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种基于频谱分析的煤矿生产状态智能判别方法及装置，紧密切合煤矿安全监察业务，考虑到煤矿安全监察业务中瓦斯浓度检测数据量相当大，且业务正负样本不均衡的特点，本发明将频谱分析结合支持向量机方法进行煤矿生产状态判定，获取煤矿真实生产状态。具体地，首先，基于瓦斯浓度检测信号具有平方可积的性质，故先对其采用傅里叶变换，获取其频谱向量；并根据频谱向量获取该信号的功率谱；同时考虑煤矿瓦斯浓度具有平稳性，基于功率谱对频率进行截取，滤除无效数据，得到瓦斯浓度检测信号特征向量。其次，根据瓦斯浓度检测信号特征向量，构建煤矿生产状态SVM分类模型并训练；同时，为加强分类模型在煤矿安全监察领域应用的鲁棒性，考虑到煤矿生产环境异常率很低，即煤矿业务正、负样本不均衡而在模型中针对不同样本使用相应的惩罚参数。最后，使用训练好的SVM分类模型对待判别的瓦斯浓度检测信号进行生产状态识别。本发明计算简练，能够快速、准确地实现煤矿异常生产状态的判别并告警，具有明显的应用价值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一种基于频谱分析的煤矿生产状态智能判别方法流程图；
图2为本发明能量谱累积分布函数示意图；
图3为本发明一种基于频谱分析的煤矿生产状态智能判别装置结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本发明紧密切合煤矿安全监察业务，考虑到煤矿安全监察业务中瓦斯浓度检测数据量相当大，且业务正负样本不均衡的特点，本发明将频谱分析结合支持向量机方法进行煤矿生产状态判定，获取煤矿真实生产状态。具体地，首先，基于瓦斯浓度检测信号具有平方可积的性质，故先对其采用傅里叶变换，获取其频谱向量；并根据频谱向量获取该信号的功率谱P(ω)；同时考虑煤矿瓦斯浓度具有平稳性，基于功率谱P(ω)对频率进行截取，滤除无效数据，得到瓦斯浓度检测信号特征向量。其次，根据瓦斯浓度检测信号特征向量，构建煤矿生产状态SVM分类模型并训练；同时，为加强分类模型在煤矿安全监察领域应用的鲁棒性，考虑到煤矿生产环境异常率很低，即煤矿业务正、负样本不均衡而在模型中针对不同样本使用相应的惩罚参数。最后，使用训练好的SVM分类模型对待判别的瓦斯浓度检测信号进行生产状态识别。
如图1所示，本发明一种基于频谱分析的煤矿生产状态智能判别方法，该方法包括：
步骤1，获取历史瓦斯浓度检测数据，并对历史瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号；
步骤2，对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
步骤3，根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
步骤4，将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
具体实施主要包括以下几部分：
1、步骤1的预处理
煤矿企业在长期的生产过程中，积累了大量的井下瓦斯浓度监测时间序列数据，但是由于传感器、环境噪声等因素的影响，这些数据中含有不同程度的异常值。预处理的目的是剔除噪声给传感器带来的明显异常值。
具体采用基于逆补余误差函数的异常点查找法，识别检测数据中的明显异常点。
对给定的瓦斯浓度监测序列，根据数据的波动性选定时间窗口，通过滑动窗口的方式进行异常值识别，本方法的优势在于窗口内处理速度快，可识别连续曲线中个别突变点。在统计学中将与局部中位数相差超过三倍经过换算的中位数绝对偏差(MAD)的值称作离群点(即异常值)，并将该异常点处的值用前后最近的非异常点线性插值替换，其中MAD计算公式如下：
MAD＝c*median(abs(A-median(A)))
其中，A是窗口内的数据点，c为异常点检测常数，median为求中位数，abs()为绝对值函数；
其中A是窗口内的数据点，erfcinv代表逆补余误差函数，定义如下：
2、步骤2的频谱特征提取
由于瓦斯浓度检测信号具有平方可积的性质，故可以对其采用傅里叶变换，获取其频谱向量，方法按以下公式进行：
式中，P(ω)为历史瓦斯浓度检测信号的频谱向量；xn为预处理后的历史瓦斯浓度检测信号；ω为频率；n为瓦斯浓度检测数据的采样点数量。
对F(ω)按下式处理，可得该瓦斯浓度检测信号的功率谱P(ω)：
F(ω)为历史瓦斯浓度检测数据的频谱信息；T为瓦斯信号成分的周期；
如图2所示，首先根据功率谱，绘制功率谱F(ω)的能量谱累计分布函数；由于煤矿瓦斯浓度具有平稳性，故根据能量谱累计分布函数，截取累计能量预设值(比如50％)对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱P(ω＞ω1)作为瓦斯浓度检测信号特征向量P。
以上技术方案中，考虑到低频数据对于后续煤矿生产状态判别的意义不大，因此把累计能量50％以前的低频数据作为无效数据，进行过滤，以提高瓦斯浓度检测信号特征向量的精准性。
3、步骤3的煤矿生产状态SVM分类模型
在步骤2特征向量的基础上，结合煤矿安全监察业务构建煤矿生产状态SVM分类模型，实现针对煤矿生产状态的智能判别。支持向量机SVM基本思想是通过事先选择的非线性映射，将输入向量映射到高维空间，在高维空间中构造回归估计函数，即
f(x)＝[wT·Φ(P)]+b
其中，w为瓦斯浓度检测信号的高维特征空间，b为截距，Φ(x)为非线性映射，一般选用高斯核函数，表达式如下：
求解w的方法是引入结构风险最小化原则，可以将煤矿生产状态SVM分类模型表达式转化为：
式中，w为瓦斯浓度检测信号的高维特征空间；b为截距；Φ(P)为非线性映射函数；E为惩罚参数；ξ为松弛变量，ξi为第i个松弛变量；n为样本数量；为煤矿瓦斯浓度样本标签，即当煤矿处于工作状态时，取值为1，煤矿处于停工状态时，取值为0。
同时，为加强分类模型在煤矿安全监察领域应用的鲁棒性，考虑到煤矿生产环境异常率很低，采用以下方式确定惩罚参数：
(1)统计煤矿瓦斯浓度总样本中正样本和负样本的比例c；
(2)设置正样本的惩罚参数为E1，负样本的惩罚参数为E2，且满足E1＝c·E2。
然后，根据正样本的惩罚参数和负样本的惩罚参数，分别输入煤矿生产状态SVM分类模型进行训练模型训练，当满足迭代次数达到最大迭代次数时，对应w为所求，即得到训练好的煤矿生产状态SVM分类模型。
4、步骤4待判别的煤矿瓦斯浓度检测数据的识别
首先，将待判别的煤矿瓦斯浓度检测数据，进行与历史瓦斯浓度检测数据同样手段的预处理和频谱特征提取，得到待判别的煤矿瓦斯检测信号特征向量P；具体手段参照步骤1和步骤2，在此不在一一赘述。
其次，将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果，包括：
若输出为1，则识别出的煤矿生产状态识别结果为生产状态；
若输出为0，则识别出的煤矿生产状态识别结果为停产状态。
最后，根据煤矿生产状态识别结果进行异常工况告警，具体为：
若煤矿生产状态识别结果与该煤矿生产计划不一致，则进行提报，以预防危险的发生；
若煤矿生产状态识别结果与该煤矿生产计划一致，则不进行提报。
本发明创新的设计了一种基于频谱分析的煤矿生产状态智能判别方法，将频谱分析结合机器学习方法应用于煤矿生产状态判定，获取煤矿真实生产状态。本发明提出的煤矿生产状态智能判别方法紧密切合煤矿安全监察业务，同时适用于高浓度、低浓度、突出型矿井的生产状态判别。本发明计算简练，识别准确率高且效率高，能够快速实现煤矿异常生产状态的判别并告警，具有明显的应用价值。
实施例2
如图3所示，本实施例与实施例1的区别在于，本实施例提供了一种基于频谱分析的煤矿生产状态智能判别装置，该装置用于实现实施例1所述的一种基于频谱分析的煤矿生产状态智能判别方法；该装置包括：
获取单元，用于获取历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据；
预处理单元，用于对历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号及处理后的待判别的瓦斯浓度检测数据；
频率分析及特征向量提取单元，用于对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
分类模型构建及训练单元，用于根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
生产状态判别单元，用于将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
作为进一步地实施，频率分析及特征向量提取单元中将功率谱处理为瓦斯浓度检测信号特征向量，包括：
根据功率谱，绘制功率谱的能量谱累计分布函数；
根据能量谱累计分布函数，截取累计能量预设值(比如50％)对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱作为瓦斯浓度检测信号特征向量。
其中，各个单元的执行过程按照实施例1所述的一种基于频谱分析的煤矿生产状态智能判别方法流程步骤执行即可，此实施例中不再一一赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，该方法包括：
获取历史瓦斯浓度检测数据，并对所述历史瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号；
对所述预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据所述频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将所述功率谱处理为瓦斯浓度检测信号特征向量；
构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与所述瓦斯浓度检测信号特征向量输入所述煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
2.根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，将所述功率谱处理为瓦斯浓度检测信号特征向量，包括：
根据所述功率谱，绘制所述功率谱的能量谱累计分布函数；
根据所述能量谱累计分布函数，截取累计能量预设值对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱作为瓦斯浓度检测信号特征向量。
3.根据权利要求2所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述功率谱的计算公式为：
式中，P(ω)为历史瓦斯浓度检测信号的频谱向量；F(ω)为历史瓦斯浓度检测数据的频谱信息；T为瓦斯信号成分的周期；xn为预处理后的历史瓦斯浓度检测信号；ω为频率；n为瓦斯浓度检测数据的采样点数量。
4.根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述煤矿生产状态SVM分类模型的表达式为：
式中，w为瓦斯浓度检测信号的高维特征空间；b为截距；Φ(P)为非线性映射函数；E为惩罚参数；ξ为松弛变量，ξi为第i个松弛变量；n为瓦斯浓度检测数据的采样点数量；为煤矿瓦斯浓度样本标签，即当煤矿处于工作状态时，取值为1，煤矿处于停工状态时，取值为0。
5.根据权利要求4所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述惩罚参数的确定方式为：
统计煤矿瓦斯浓度总样本中正样本和负样本的比例c；
设置正样本的惩罚参数为E1，负样本的惩罚参数为E2，且满足E1＝c·E2。
6.根据权利要求5所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述煤矿生产状态SVM分类模型的训练为：
根据正样本的惩罚参数和负样本的惩罚参数，分别输入所述煤矿生产状态SVM分类模型进行训练模型训练，当满足迭代次数达到最大迭代次数时，对应w为所求，即得到训练好的煤矿生产状态SVM分类模型。
7.根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果，包括：
若输出为1，则识别出的煤矿生产状态识别结果为生产状态；
若输出为0，则识别出的煤矿生产状态识别结果为停产状态。
8.根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，该方法还包括：根据煤矿生产状态识别结果进行异常工况告警，具体为：
若煤矿生产状态识别结果与该煤矿生产计划不一致，则进行提报，以预防危险的发生；
若煤矿生产状态识别结果与该煤矿生产计划一致，则不进行提报。
9.一种基于频谱分析的煤矿生产状态智能判别装置，其特征在于，该装置用于实现如权利要求1至8中任一所述的一种基于频谱分析的煤矿生产状态智能判别方法；该装置包括：
获取单元，用于获取历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据；
预处理单元，用于对所述历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号及处理后的待判别的瓦斯浓度检测数据；
频率分析及特征向量提取单元，用于对所述预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据所述频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将所述功率谱处理为瓦斯浓度检测信号特征向量；
分类模型构建及训练单元，用于构建煤矿生产状态SVM分类模型，并将煤矿瓦斯浓度样本标签与所述瓦斯浓度检测信号特征向量输入所述煤矿生产状态SVM分类模型进行训练，得到训练好的煤矿生产状态SVM分类模型；
生产状态判别单元，用于将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态SVM分类模型，输出煤矿生产状态识别结果。
10.根据权利要求9所述的一种基于频谱分析的煤矿生产状态智能判别装置，其特征在于，所述频率分析及特征向量提取单元中将所述功率谱处理为瓦斯浓度检测信号特征向量，包括：
根据所述功率谱，绘制所述功率谱的能量谱累计分布函数；
根据所述能量谱累计分布函数，截取累计能量预设值对应的频率ω1作为截至频率，并将大于截止频率ω1的功率谱作为瓦斯浓度检测信号特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901839.1A CN117171655A (zh) | 2023-07-21 | 2023-07-21 | 一种基于频谱分析的煤矿生产状态智能判别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901839.1A CN117171655A (zh) | 2023-07-21 | 2023-07-21 | 一种基于频谱分析的煤矿生产状态智能判别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171655A true CN117171655A (zh) | 2023-12-05 |
Family
ID=88932603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310901839.1A Pending CN117171655A (zh) | 2023-07-21 | 2023-07-21 | 一种基于频谱分析的煤矿生产状态智能判别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171655A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117554737A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
-
2023
- 2023-07-21 CN CN202310901839.1A patent/CN117171655A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117554737A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
| CN117554737B (zh) * | 2024-01-11 | 2024-03-26 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
| US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
| CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
| KR20010024640A (ko) | 스펙트럼 신호의 감시 시스템 | |
| CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN117171655A (zh) | 一种基于频谱分析的煤矿生产状态智能判别方法及装置 | |
| CN103776480A (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
| CN107633325B (zh) | 一种页岩气压裂井下事故早期诊断报警方法及装置 | |
| US11435736B2 (en) | Cause determination of anomalous events | |
| CN103729444B (zh) | 一种基于设备监测数据间潜在关系的异常数据检测方法 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
| CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
| CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
| CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| CN116910590A (zh) | 基于自适应聚类的瓦斯传感器精度异常识别方法及系统 | |
| CN117034115A (zh) | 一种基于CNN-Bagging的窃电检测方法及系统 | |
| CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
| CN102750445A (zh) | 基于复化Simpson公式改进多变量灰色模型的故障预测方法 | |
| US20230252278A1 (en) | Predictive maintenance general ai engine and method | |
| CN105389475B (zh) | 一种基于小波包分解的电厂设备故障检测方法 | |
| Cao et al. | An adaptive UKF algorithm for process fault prognostics | |
| Srinivasan et al. | A reliability measure for model based stiction detection approaches | |
| CN113408383A (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
| Rosli et al. | Application of Principle Component Analysis in Resolving Influential Factor Subject to Industrial Motor Failure |
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 |