CN117192042A - 一种矿井瓦斯智能巡检系统及方法 - Google Patents
一种矿井瓦斯智能巡检系统及方法 Download PDFInfo
- Publication number
- CN117192042A CN117192042A CN202311165541.5A CN202311165541A CN117192042A CN 117192042 A CN117192042 A CN 117192042A CN 202311165541 A CN202311165541 A CN 202311165541A CN 117192042 A CN117192042 A CN 117192042A
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- air
- gas
- controller
- detection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 135
- 238000012544 monitoring process Methods 0.000 claims abstract description 85
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 description 19
- 239000003245 coal Substances 0.000 description 10
- 238000005086 pumping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Landscapes
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种矿井瓦斯智能巡检系统及方法,该系统包括多通道瓦斯气体采样模块、多参数传感检测模块、红外摄像模块、以及显示主机;该方法包括:一、划分并存储瓦斯浓度等级;二、抽取监测点处的空气;三、检测监测点处空气中的各组分含量;四、确定矿井内监测点的实时状态;五、分析监测点的采集数据并预警。本发明通过利用多通道瓦斯气体采样模块,由被动式进气采集变为选用主动式抽气泵进行主动连续的抽气采集,提高了在瓦斯易聚集、风流紊乱较高等区域瓦斯浓度监测的准确度;采用多参数传感检测模块,并结合红外摄像模块和定位器对瓦斯浓度异常监测区域以及瓦检员的实时监测,有效的提升了对于瓦斯浓度检测数据的可靠度、准确度。
Description
技术领域
本发明属于矿井瓦斯检测技术领域,尤其是涉及一种矿井瓦斯智能巡检系统及方法。
背景技术
瓦斯灾害是威胁煤矿安全生产的五大灾害之一,瓦斯管理始终是煤矿的重点环节,由瓦斯引发的事故造成了巨大的损失。《智能化煤矿(井工)分类、分级技术条件与评价》中明确指出:“具有瓦斯灾害的矿井,应建设完善的瓦斯智能感知系统,宜建设合理的瓦斯抽采系统,对工作面、掘进头等瓦斯易集聚区域进行智能监测,监测数据实现自动上传与分析”。
现有的瓦斯巡检监测预警系统无法真实反映瓦斯巡检员的瓦斯检测操作过程,瓦斯巡检员有条件偷懒及作弊,导致巡检过程中脱岗、空班、漏检和假报现象时有发生,数据的真实性难以保证,严重影响对于瓦斯浓度的准确监测、预测预警,增加了煤矿安全生产的难度,更对人员生命健康造成威胁。且大多预警系统为被动式进气检测,在复杂环境下容易出现监测不准确的情况。因此,在国家政策、现实需求与导向以及新一代信息技术的驱动下,对瓦斯浓度的实时巡检与预警在智慧矿山系统中有着非常重要的意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种矿井瓦斯智能巡检系统,通过利用多通道瓦斯气体采样模块,由煤矿井下常用的被动式进气采集变为选用主动式抽气泵进行主动连续的抽气采集,提高了在瓦斯易聚集、风流紊乱较高等区域瓦斯浓度监测的准确度;采用多参数传感检测模块,其监测数据可作为井下瓦斯灾害隐患识别、瓦斯浓度预测预警的依据,并结合红外摄像模块和定位器对瓦斯浓度异常监测区域以及瓦检员的实时监测,显示主机的实时数据显示,实现多元化的信息监测以及对瓦检员严格的管理与监督,有效的提升了对于瓦斯浓度检测数据的可靠度、准确度。
为解决上述技术问题,本发明采用的技术方案是:一种矿井瓦斯智能巡检系统,其特征在于:包括设置在矿井内的多通道瓦斯气体采样模块、与所述多通道瓦斯气体采样模块连接的多参数传感检测模块、设置在所述矿井内的红外摄像模块、以及用于接收多参数传感检测模块和红外摄像模块输出信号的显示主机;
所述多通道瓦斯气体采样模块包括设置在所述矿井内的采样壳体、设置在所述采样壳体内的抽气泵、以及设置在所述采样壳体内且与所述抽气泵连通的抽气组件;所述抽气泵和所述抽气组件之间通过进气管道连通,所述抽气泵通过出气管道和多参数传感检测模块连通;所述抽气泵和所述抽气组件均由抽气控制单元控制,所述抽气控制单元布设在所述采样壳体内;
所述多参数传感检测模块包括检测壳体、设置在所述检测壳体内的吸气泵、以及设置在所述检测壳体内且与所述吸气泵连通的检测气室,所述吸气泵由检测控制单元控制,所述检测气室和所述检测控制单元连接;所述抽气泵通过出气管道和所述吸气泵的进气口连通,所述吸气泵的出气口和所述检测气室连通;
所述红外摄像模块包括设置在所述矿井内的监测点处的摄像仪,所述摄像仪的外侧设置有摄像壳体;所述摄像仪由摄像控制单元控制。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述抽气组件包括多个均设置在矿井内监测点处的抽气管道和设置在多个所述抽气管道的端部且与所述抽气管道连通的汇总管道,所述抽气管道和所述汇总管道的连接处设置有电磁阀,所述电磁阀的数量和所述抽气管道的数量相等且一一对应;所述进气管道和所述汇总管道连通;所述抽气管道远离所述汇总管道的端部设置有定位器,所述定位器和所述显示主机之间通过第三通信模块连接。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述抽气控制单元包括第一电路板,所述第一电路板上集成有第一控制器和与所述第一控制器连接的定时器,所述抽气泵和所述电磁阀均由第一控制器控制;所述第一控制器和所述显示主机之间通过第一通信模块连接。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述检测控制单元包括第二电路板,所述第二电路板上集成有第二控制器和与所述第二控制器连接的报警器,所述第二控制器和所述显示主机之间通过第二通信模块连接。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述检测气室内设置有CH4传感器、CO传感器、CO2传感器、O2传感器、H2S传感器、以及温度传感器,所述CH4传感器、CO传感器、CO2传感器、O2传感器、H2S传感器、以及温度传感器的信号输出端与所述第二控制器的信号输入端连接。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述显示主机上设置有显示屏,所述显示主机内设置有第三电路板,所述第三电路板上集成有第三控制器和与所述第三控制器连接的存储器,所述显示屏和所述第三控制器连接;所述第一控制器通过第一通信模块和所述第三控制器连接;所述定位器通过第三通信模块和所述第三控制器连接;所述第二控制器通过第二通信模块和所述第三控制器连接;第四控制器通过第四通信模块和所述第三控制器连接。
上述的一种矿井瓦斯智能巡检系统,其特征在于:所述摄像控制单元包括第四电路板,所述第四电路板上集成有第四控制器,所述第四控制器和所述显示主机之间通过第四通信模块连接;所述摄像仪由所述第四控制器控制。
本发明还提供了一种根据所述的系统对矿井瓦斯进行巡检的方法,其特征在于,该方法包括以下步骤:
步骤一、划分并存储瓦斯浓度等级:划分瓦斯浓度预警等级,其中,当瓦斯浓度小于0.3%时,为瓦斯正常状态;当瓦斯浓度范围为0.3%~0.5%时,为预警Ⅰ级状态;当瓦斯浓度超过0.75%时,为预警II级状态;当瓦斯浓度超过1%时,为报警状态;并将瓦斯浓度预警等级划分的瓦斯浓度值保存至存储器中;
步骤二、抽取监测点处的空气:启动第一控制器,第一控制器控制电磁阀开启,同时抽气泵开始抽气,将监测点处的空气抽入所述抽气组件内,依次经过所述抽气泵和出气管道后进入所述多参数传感检测模块内,所述第一控制器控制电磁阀闭合;其中,设置定时器的时间为T,即所述电磁阀闭合后到下一次开启之间的时间间隔为T;
步骤三、检测监测点处空气中的各组分含量:启动第二控制器,第二控制器控制吸气泵工作,将出气管道内的空气吸入检测气室内;CH4传感器、CO传感器、CO2传感器、O2传感器、H2S传感器、以及温度传感器对吸入至所述检测气室内的空气组成含量进行检测,并将检测结果传输至显示主机上,并存储在存储器中;其中,待各个传感器检测完成后,吸入至检测气室内的空气从检测气室的出气口排出;
步骤四、确定矿井内监测点的实时状态:启动第四控制器,第四控制器控制摄像仪工作,所述摄像仪对监测点处的情况进行记录;同时定位器将位置信号传输至显示主机,并存储在存储器中;
步骤五、分析监测点的采集数据并预警:根据步骤三中的检测结果和步骤四中监测点的位置信息绘制曲线图显示到显示屏上;将步骤三中的检测结果和存储器中预先存储的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,对监测点的瓦斯浓度等级进行划分并显示到显示屏上;其中,当检测点的瓦斯浓度达到报警状态时,报警器报警;当检测点处的瓦斯浓度为预警II级状态时,显示屏上显示该检测点为红色;当检测点处的瓦斯浓度为预警Ⅰ级状态时,显示屏上显示该检测点为黄色;当检测点处的瓦斯浓度为瓦斯正常状态时,显示屏上显示该检测点为绿色。
上述的系统对矿井瓦斯进行巡检的方法,其特征在于:步骤三和步骤四中,存储在存储器中的检测结果和位置信息经由第三控制器绘制成曲线图显示在显示屏上,当曲线图上出现数据空缺或者数据异常后,需对数据进行修正,修正的方法如下:
当数据异常时,利用数据修正公式对异常数据进行修正;其中,T为采样时间长度,xt为t时瓦斯浓度值,ti为瓦斯浓度表现为异常情况的某一时刻(t=1,2,3…n),/>为ti时刻的采样值,n-1为一个时间长度T内瓦斯浓度监测点个数;
当数据空缺时,利用三次指数平滑法进行修正,通过确定瓦斯浓度数据缺失的节点t,利用瓦斯浓度数据缺失节点前的一部分数据值,在缺失数据处插入数据点和平滑步数:其中,t-1时刻为瓦斯浓度缺失数据节点前一时刻,xt为瓦斯浓度缺失节点前一时刻的实际数据值,Λ't为t时刻之前一组节点的单次数指数修正值,Λ”t为t时刻之前一组节点的二次数指数修正值,Λ”'t为t时刻之前一组节点的三次数指数修正值,Λ't-1为瓦斯浓度缺失节点前三组瓦斯浓度数据的平均值,Λ”t-1瓦斯浓度缺失节点前四组瓦斯浓度数据的平均值,Λ”'t-1瓦斯浓度缺失节点前五组瓦斯浓度数据的平均值;k为平滑处理权重系数,k的大小表明修正幅度,k越大幅度越大,反之越小,k的取值为0.3;
三次指数平滑法公式为其中,/>为t+m时刻缺失的修正数据值,at、bt、ct均为待定系数,且待定系数的计算公式为
上述的系统对矿井瓦斯进行巡检的方法,其特征在于:步骤五中,根据步骤三中存储在存储器中的检测数据可对监测点未来时刻T0的瓦斯浓度值进行预测,并与瓦斯浓度预警等级划分的瓦斯浓度值进行比较,实现预警报警,预测方法如下:
步骤a、在存储器中存储的监测点各时刻的检测数据中选取训练集和测试集,并对训练集和测试集进行归一化处理;
步骤b、构建LSTM神经网络模型;其中,所述LSTM神经网络模型包括1个输入层、1个LSTM层和1个输出层;其中,所述LSTM神经网络模型中设置ReLU激活函数、sigmoid激活函数和tanh激活函数;
步骤c、将步骤a中的归一化处理后的数据作为输入层,将预测的瓦斯浓度值作为输出层,输入构建的LSTM神经网络模型中进行训练,得到训练好的LSTM神经网络模型;
步骤d、当T0时刻时,将监测点的位置信息输入至训练好的LSTM神经网络模型中,预测得到T0时刻时的瓦斯浓度值y;
步骤e、通过将预测的瓦斯浓度值y与步骤一中划分的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,得到未来时刻T0时的瓦斯浓度预警等级;当未来时刻T0时的瓦斯浓度预警等级达到报警状态时,可提前预警。
本发明与现有技术相比具有以下优点:
1、本发明通过利用多通道瓦斯气体采样模块,由煤矿井下常用的被动式进气采集变为选用主动式抽气泵进行主动连续的抽气采集,提高了在瓦斯易聚集、风流紊乱较高等区域瓦斯浓度监测的准确度。
2、本发明利用多参数传感检测模块对采集到的气体进行多指标的分析以及实时、精准、连续的检测,并能实时传输和显示所采集的瓦斯气体参数,提高了对瓦斯巡检的检测效率。
3、本发明采用多参数传感检测模块,其监测数据可作为井下瓦斯灾害隐患识别、瓦斯浓度预测预警的依据,并结合红外摄像模块和定位器对瓦斯浓度异常监测区域以及瓦检员的实时监测,显示主机的实时数据显示,实现多元化的信息监测以及对瓦检员严格的管理与监督,有效的提升了对于瓦斯浓度检测数据的可靠度、准确度。
4、本发明根据所采集的气体中产物的构成、浓度及其变化速率等特性,以及历史数据比对,建立基于改进的LSTM的瓦斯浓度预测模型,作为井下检测点瓦斯事故隐患识别与预警的判据,相比于传统的人工巡检以单一数据处理为预警依据的系统更加精确,有效降低了误报率和漏报率,解决传统检测方法中的信息误差大、维护工作量大、时效性差等难题,为完善煤矿井下瓦斯巡检体系提供技术了支撑,有效的保障了矿井的安全高效生产。
综上所述,本发明通过利用多通道瓦斯气体采样模块,由煤矿井下常用的被动式进气采集变为选用主动式抽气泵进行主动连续的抽气采集,提高了在瓦斯易聚集、风流紊乱较高等区域瓦斯浓度监测的准确度;采用多参数传感检测模块,其监测数据可作为井下瓦斯灾害隐患识别、瓦斯浓度预测预警的依据,并结合红外摄像模块和定位器对瓦斯浓度异常监测区域以及瓦检员的实时监测,显示主机的实时数据显示,实现多元化的信息监测以及对瓦检员严格的管理与监督,有效的提升了对于瓦斯浓度检测数据的可靠度、准确度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明多通道瓦斯气体采样模块的结构示意图。
图2为本发明多参数传感检测模块的结构示意图。
图3为本发明的电路原理框图。
图4为本发明方法的流程框图。
附图标记说明:
1—第四通信模块; 2—检测壳体; 3—采样壳体;
4—定位器; 6—定时器;
7—抽气泵; 8—电磁阀; 9—第四控制器;
10—存储器; 11—进气管道; 12—出气管道;
13—第一控制器; 14—抽气管道; 15—汇总管道;
16—吸气泵; 17—温度传感器; 18—报警器;
19—摄像仪; 20—第三控制器; 21—检测气室;
22—CH4传感器; 23—CO传感器; 24—CO2传感器;
25—O2传感器; 26—H2S传感器; 27—第二控制器;
28—显示屏; 29—第一通信模块;30—第二通信模块;
31—第三通信模块。
具体实施方式
如图1至图3所示的一种矿井瓦斯智能巡检系统,包括设置在矿井内的多通道瓦斯气体采样模块、与所述多通道瓦斯气体采样模块连接的多参数传感检测模块、设置在所述矿井内的红外摄像模块、以及用于接收多参数传感检测模块和红外摄像模块输出信号的显示主机;
所述多通道瓦斯气体采样模块包括设置在所述矿井内的采样壳体3、设置在所述采样壳体3内的抽气泵7、以及设置在所述采样壳体3内且与所述抽气泵7连通的抽气组件;所述抽气泵7和所述抽气组件之间通过进气管道11连通,所述抽气泵7通过出气管道12和多参数传感检测模块连通;所述抽气泵7和所述抽气组件均由抽气控制单元控制,所述抽气控制单元布设在所述采样壳体3内;
所述多参数传感检测模块包括检测壳体2、设置在所述检测壳体2内的吸气泵16、以及设置在所述检测壳体2内且与所述吸气泵16连通的检测气室21,所述吸气泵16由检测控制单元控制,所述检测气室21和所述检测控制单元连接;所述抽气泵7通过出气管道12和所述吸气泵16的进气口连通,所述吸气泵16的出气口和所述检测气室21连通;
所述红外摄像模块包括设置在所述矿井内的监测点处的摄像仪19,所述摄像仪19的外侧设置有摄像壳体;所述摄像仪19由摄像控制单元控制。
实际使用时,本发明通过利用多通道瓦斯气体采样模块,由煤矿井下常用的被动式进气采集变为选用主动式抽气泵进行主动连续的抽气采集,提高了在瓦斯易聚集、风流紊乱较高等区域瓦斯浓度监测的准确度。
本发明利用多参数传感检测模块对采集到的气体进行多指标的分析以及实时、精准、连续的检测,并能实时传输和显示所采集的瓦斯气体参数,提高了对瓦斯巡检的检测效率。
本发明采用多参数传感检测模块,其监测数据可作为井下瓦斯灾害隐患识别、瓦斯浓度预测预警的依据,并结合红外摄像模块和定位器4对瓦斯浓度异常监测区域以及瓦检员的实时监测,显示主机的实时数据显示,实现多元化的信息监测以及对瓦检员严格的管理与监督,有效的提升了对于瓦斯浓度检测数据的可靠度、准确度。
本发明根据所采集的气体中产物的构成、浓度及其变化速率等特性,以及历史数据比对,建立基于改进的LSTM的瓦斯浓度预测模型,作为井下检测点瓦斯事故隐患识别与预警的判据,相比于传统的人工巡检以单一数据处理为预警依据的系统更加精确,有效降低了误报率和漏报率,解决传统检测方法中的信息误差大、维护工作量大、时效性差等难题,为完善煤矿井下瓦斯巡检体系提供技术了支撑,有效的保障了矿井的安全高效生产。
需要说明的是,为了保证本系统在矿井中的正常使用,组成本系统中的中多通道瓦斯气体采样模块、多参数传感检测模块、红外摄像模块、以及显示主机均为矿用本安型结构。
如图1所示,本实施例中,所述抽气组件包括多个均设置在矿井内监测点处的抽气管道14和设置在多个所述抽气管道14的端部且与所述抽气管道14连通的汇总管道15,所述抽气管道14和所述汇总管道15的连接处设置有电磁阀8,所述电磁阀8的数量和所述抽气管道14的数量相等且一一对应;所述进气管道11和所述汇总管道15连通;所述抽气管道14远离所述汇总管道15的端部设置有定位器4,所述定位器4和所述显示主机之间通过第三通信模块31连接。
实际使用时,所述抽气组件可布置8路分支采集点,抽气管道14选用矿用PVC管道,抽气管道14布置长度1000m,主要布置在采掘工作面、进回风巷、上隅角等瓦斯气体易聚集的区域、风流紊乱区域以及瓦检员不易检测的重点区域,能对监测点的气体进行主动式、周期性、连续性的采集。
实际使用时,所述定位器4选用的是矿用本安型UWB精准定位器;矿用本安型UWB精准定位器主要用于监测定位矿用本安型多通道瓦斯气体采样模块各支路监测管道的布置位置以及监测瓦检员的工作路线,利用矿用UWB定位分站将矿用本安型UWB精准定位器的信息传输至矿用本安型显示主机上。
矿用本安型UWB精准定位器安装在多通道瓦斯气体采样模块的各分支监测管道处,用于检测其分支管道是否固定在所规定的监测点处和瓦检员是否在规定的巡检路线上工作,矿用UWB定位分站分布于矿井瓦斯智能巡检系统周围,各分站之间通过LoRa无线中继,矿用UWB定位分站将矿用本安型UWB精准定位器检测到的数据传输至矿用本安型显示主机上,矿用本安型显示主机接收到信息后进行比对处理并将数据发送至地上终端。
如图3所示,本实施例中,所述抽气控制单元包括第一电路板,所述第一电路板上集成有第一控制器13和与所述第一控制器13连接的定时器6,所述抽气泵7和所述电磁阀8均由第一控制器13控制;所述第一控制器13和所述显示主机之间通过第一通信模块29连接。
实际使用时,所述第一控制器13采用STM32F407主控芯片,主控芯片经所述第一电路板驱动控制相连接的抽气泵7与电磁阀8;所述的抽气泵7与电磁阀8均进行周期性的工作,不断地对各个支路进行气体采集,并将气体传输至矿用本安型多参数传感检测模块中。另外,所述电磁阀8为常闭型直动式电磁阀,该电磁阀结构简单,没有复杂的机械结构可靠性高,由于是直接驱动动作,所以响应速度快,可以实现快速的开关控制,并且它只有在切换状态时才需要能量因此能耗较低。所述抽气泵7为微型无刷真空泵,真空度为-80kPa,额定流量抽气速率为15L/min,单通道抽气距离大于1000m。
如图3所示,本实施例中,所述检测控制单元包括第二电路板,所述第二电路板上集成有第二控制器27和与所述第二控制器27连接的报警器18,所述第二控制器27和所述显示主机之间通过第二通信模块30连接。
实际使用时,所述第二控制器27采用STM32F407主控芯片,矿用本安型多参数传感检测模块设置有液晶屏,液晶屏与所述第二电路板连接,用于显示采集的数据和相应的参数设置,矿用本安型多参数传感模块主要是通过各种传感器将数据采集回来,再经AD转换电路将采集到的模拟信号转化为数字信号,之后将转换完成的数字信号经第二通信模块30传送给矿用本安型显示主机上。
如图3所示,本实施例中,所述检测气室21内设置有CH4传感器22、CO传感器23、CO2传感器24、O2传感器25、H2S传感器26、以及温度传感器17,所述CH4传感器22、CO传感器23、CO2传感器24、O2传感器25、H2S传感器26、以及温度传感器17的信号输出端与所述第二控制器27的信号输入端连接。
如图3所示,本实施例中,所述显示主机上设置有显示屏28,所述显示主机内设置有第三电路板,所述第三电路板上集成有第三控制器20和与所述第三控制器20连接的存储器10,所述显示屏28和所述第三控制器20连接;所述第一控制器13通过第一通信模块29和所述第三控制器20连接;所述定位器4通过第三通信模块31和所述第三控制器20连接;所述第二控制器27通过第二通信模块30和所述第三控制器20连接;第四控制器9通过第四通信模块1和所述第三控制器20连接。
实际使用时,所述第三控制器20采用STM32F407主控芯片,检测系统主机主要是接收各个装置所采集的数据,将各数据显示到触控显示屏上,工作人员可以通过手指触控屏幕以调取矿用本安型智能显示主机所记录的数据,矿用本安型智能显示主机中的通信模块将数据发送至地面终端。
如图3所示,本实施例中,所述摄像控制单元包括第四电路板,所述第四电路板上集成有第四控制器9,所述第四控制器9和所述显示主机之间通过第四通信模块1连接;所述摄像仪19由所述第四控制器9控制。
实际使用时,矿用本安型云台式红外摄像仪设置于各个瓦斯监测点处,用于监测现场实时状态,也可用于监测判断瓦检员是否在规定的检测区域,当存在未知人员闯入时,摄像仪19将画面传输至矿用本安型显示主机上,矿用本安型显示主机将发送至地面终端以便工作人员研判。所述第四控制器9采用神经网络处理器,配置红外与可见光双光摄像头,能在黑暗环境下对监测点进行监测,能够在更短时间内压缩尺寸更大更加清晰的画面,采用了先进的操作系统和视频压缩算法,使得图像传输更加流畅并且显示更加清晰细腻,操作简单方便,方便随时实现图像网络传输。
如图1至图4所示的一种矿井瓦斯巡检方法,该方法包括以下步骤:
步骤一、划分并存储瓦斯浓度等级:划分瓦斯浓度预警等级,其中,当瓦斯浓度小于0.3%时,为瓦斯正常状态;当瓦斯浓度范围为0.3%~0.5%时,为预警Ⅰ级状态;当瓦斯浓度超过0.75%时,为预警II级状态;当瓦斯浓度超过1%时,为报警状态;并将瓦斯浓度预警等级划分的瓦斯浓度值保存至存储器10中;
步骤二、抽取监测点处的空气:启动第一控制器13,第一控制器13控制电磁阀8开启,同时抽气泵7开始抽气,将监测点处的空气抽入所述抽气组件内,依次经过所述抽气泵7和出气管道12后进入所述多参数传感检测模块内,所述第一控制器13控制电磁阀8闭合;其中,设置定时器6的时间为T,即所述电磁阀8闭合后到下一次开启之间的时间间隔为T;
步骤三、检测监测点处空气中的各组分含量:启动第二控制器27,第二控制器27控制吸气泵16工作,将出气管道12内的空气吸入检测气室21内;CH4传感器22、CO传感器23、CO2传感器24、O2传感器25、H2S传感器26、以及温度传感器17对吸入至所述检测气室21内的空气组成含量进行检测,并将检测结果传输至显示主机上,并存储在存储器10中;其中,待各个传感器检测完成后,吸入至检测气室21内的空气从检测气室21的出气口排出;
步骤四、确定矿井内监测点的实时状态:启动第四控制器9,第四控制器9控制摄像仪19工作,所述摄像仪19对监测点处的情况进行记录;同时定位器4将位置信号传输至显示主机,并存储在存储器10中;
步骤五、分析监测点的采集数据并预警:根据步骤三中的检测结果和步骤四中监测点的位置信息绘制曲线图显示到显示屏28上;将步骤三中的检测结果和存储器10中预先存储的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,对监测点的瓦斯浓度等级进行划分并显示到显示屏28上;其中,当检测点的瓦斯浓度达到报警状态时,报警器18报警;当检测点处的瓦斯浓度为预警II级状态时,显示屏28上显示该检测点为红色;当检测点处的瓦斯浓度为预警Ⅰ级状态时,显示屏28上显示该检测点为黄色;当检测点处的瓦斯浓度为瓦斯正常状态时,显示屏28上显示该检测点为绿色。
需要说明的是,根据瓦斯监测数据的实时在线分析为基础,结合通风网络解算,可将矿井通风巷道按照瓦斯浓度划分为安全区、警示区、以及风险区三个区域,并分别用绿色、黄色、红色在显示屏28上显示分布范围;其中,安全区绿色:CH4浓度低于0.3%的区域;警示区黄色:CH4浓度0.3%~0.5%的区域;风险区红色:CH4浓度大于0.5%的区域。
本实施例中,步骤三和步骤四中,存储在存储器10中的检测结果和位置信息经由第三控制器20绘制成曲线图显示在显示屏28上,当曲线图上出现数据空缺或者数据异常后,需对数据进行修正,修正的方法如下:
当数据异常时,利用数据修正公式对异常数据进行修正;其中,T为采样时间长度,xt为t时瓦斯浓度值,ti为瓦斯浓度表现为异常情况的某一时刻(t=1,2,3…n),/>为ti时刻的采样值,n-1为一个时间长度T内瓦斯浓度监测点个数;
当数据空缺时,利用三次指数平滑法进行修正,通过确定瓦斯浓度数据缺失的节点t,利用瓦斯浓度数据缺失节点前的一部分数据值,在缺失数据处插入数据点和平滑步数:其中,t-1时刻为瓦斯浓度缺失数据节点前一时刻,xt为瓦斯浓度缺失节点前一时刻的实际数据值,Λ't为t时刻之前一组节点的单次数指数修正值,Λ”t为t时刻之前一组节点的二次数指数修正值,Λ”t'为t时刻之前一组节点的三次数指数修正值,Λ't-1为瓦斯浓度缺失节点前三组瓦斯浓度数据的平均值,Λ”t-1瓦斯浓度缺失节点前四组瓦斯浓度数据的平均值,Λ”'t-1瓦斯浓度缺失节点前五组瓦斯浓度数据的平均值;k为平滑处理权重系数,k的大小表明修正幅度,k越大幅度越大,反之越小,k的取值为0.3;
三次指数平滑法公式为其中,/>为t+m时刻缺失的修正数据值,at、bt、ct均为待定系数,且待定系数的计算公式为
实际使用时,数据异常的情况为某个时段数据突然增高紧接着恢复正常的情况;对空缺数据或者异常数据进行修正的目的是提前进行预处理,即对监测点未来时刻T0的瓦斯浓度值进行预测时,可将数据导入预测模型前先做数据修正使其成为一个完整的数据集,然后进行归一化和去噪处理。利用三次指数平滑法进行计算时,可直接对临界点进行计算,即m=1。
本实施例中,步骤五中,根据步骤三中存储在存储器10中的检测数据可对监测点未来时刻T0的瓦斯浓度值进行预测,并与瓦斯浓度预警等级划分的瓦斯浓度值进行比较,实现预警报警,预测方法如下:
步骤a、在存储器10中存储的监测点各时刻的检测数据中选取训练集和测试集,并对训练集和测试集进行归一化处理;
步骤b、构建LSTM神经网络模型;其中,所述LSTM神经网络模型包括1个输入层、1个LSTM层和1个输出层;其中,所述LSTM神经网络模型中设置ReLU激活函数、sigmoid激活函数和tanh激活函数;
步骤c、将步骤a中的归一化处理后的数据作为输入层,将预测的瓦斯浓度值作为输出层,输入构建的LSTM神经网络模型中进行训练,得到训练好的LSTM神经网络模型;
步骤d、当T0时刻时,将监测点的位置信息输入至训练好的LSTM神经网络模型中,预测得到T0时刻时的瓦斯浓度值y;
步骤e、通过将预测的瓦斯浓度值y与步骤一中划分的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,得到未来时刻T0时的瓦斯浓度预警等级;当未来时刻T0时的瓦斯浓度预警等级达到报警状态时,可提前预警。
实际使用时,先对存储在存储器10中的检测数据进行归一化处理其中,x*为标准化后的值,xmax,xmin分别为样本数据的最大值和最小值;然后对归一化处理后利用数据平滑法进行去噪,排除干扰并对去噪后的数据进行关联分析,应用Pearson相关系数法对采集到的气体数据进行关联程度判定,筛选出强关联因素,其中,Pearson相关系数运算表达式为:/>其中,Xi表示i时间X元素的值,Yi表示i时间Y元素的值,/>和/>为该位置对应元素的平均值。
采用时间序列的排列形式作为瓦斯浓度预测模型的输入,构建瓦浓度预测模型,方法如下:因本发明中采集到的数据为6个参数且有8组通道采样所以设置时间步长为8,特征数为6。
选择一维卷积神经网络层,用于从输入数据中提取空间特征,设置卷积核的数量、大小、步长、填充方式和激活函数等参数。卷积层的输出为pt=f(Wi*x+bi);其中,pt是卷积层在时间步t的输出,f是激活函数ReLU,Wi是卷积核的权重矩阵,bi是偏置向量。
将卷积层的瓦斯浓度输出接入LSTM层,该层由多个记忆单元组成,每个记忆单元包括输入门、遗忘门、输出门和细胞状态,能够学习和记忆时序数据的长期依赖关系。
输入经卷积层输出的瓦斯气体数据pt后,经σ控制,上一个时间节点的隐藏状态输出ht-1与当前的经卷积层输出的瓦斯气体数据pt输入值来生成一个Jc的输出值,Jc值是用来选择让前一时刻的细胞状态Ct-1是否保留到当前时间Ct;其中,Wf是输入的权重矩阵,bf是偏置向量,σ是sigmoid函数,其范围是[0,1],其中0代表不保留,1代表保留。
更新细胞状态值,决定哪些信息被从细胞状态中删除,即就是用来确定当前时刻输入的pt值有多少保存到Ct:其中,it表示输入门经sigmoid函数的输出状态值,瓦斯气体数据参数经过输入门将有用的内容保留删除无用信息,生成新的信息作为细胞状态的候选更新:/>其中,/>是候选值在时间步t的输出即输入门经tanh函数的输出状态值,tanh是双曲正切函数,WC是候选值的权重矩阵,bC是偏置向量。
细胞状态,根据输入门、遗忘门和候选值更新细胞状态:其中,Jc是遗忘门的输出,控制上一时刻Ct-1被遗忘的程度,表示多少新的信息被保留;Ct是细胞状态在时间步t的输出即控制单元状态,/>是按位乘法运算。
最后经由sigmoid函数,得到得到初始数据ot且其中,ot是输出门在时间步t的输出,Wo是候选值的权重矩阵,bo是偏置向量。使用tanh函数将Ct值缩放到-1到1之间,再和经sigmoid函数得到初始数据ot相乘,得到模型的输出状态值即就是瓦斯气体数据状态值y即预测的瓦斯浓度值,且/>/>
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种矿井瓦斯智能巡检系统,其特征在于:包括设置在矿井内的多通道瓦斯气体采样模块、与所述多通道瓦斯气体采样模块连接的多参数传感检测模块、设置在所述矿井内的红外摄像模块、以及用于接收多参数传感检测模块和红外摄像模块输出信号的显示主机;
所述多通道瓦斯气体采样模块包括设置在所述矿井内的采样壳体(3)、设置在所述采样壳体(3)内的抽气泵(7)、以及设置在所述采样壳体(3)内且与所述抽气泵(7)连通的抽气组件;所述抽气泵(7)和所述抽气组件之间通过进气管道(11)连通,所述抽气泵(7)通过出气管道(12)和多参数传感检测模块连通;所述抽气泵(7)和所述抽气组件均由抽气控制单元控制,所述抽气控制单元布设在所述采样壳体(3)内;
所述多参数传感检测模块包括检测壳体(2)、设置在所述检测壳体(2)内的吸气泵(16)、以及设置在所述检测壳体(2)内且与所述吸气泵(16)连通的检测气室(21),所述吸气泵(16)由检测控制单元控制,所述检测气室(21)和所述检测控制单元连接;所述抽气泵(7)通过出气管道(12)和所述吸气泵(16)的进气口连通,所述吸气泵(16)的出气口和所述检测气室(21)连通;
所述红外摄像模块包括设置在所述矿井内的监测点处的摄像仪(19),所述摄像仪(19)的外侧设置有摄像壳体;所述摄像仪(19)由摄像控制单元控制。
2.根据权利要求1所述的一种矿井瓦斯智能巡检系统,其特征在于:所述抽气组件包括多个均设置在矿井内监测点处的抽气管道(14)和设置在多个所述抽气管道(14)的端部且与所述抽气管道(14)连通的汇总管道(15),所述抽气管道(14)和所述汇总管道(15)的连接处设置有电磁阀(8),所述电磁阀(8)的数量和所述抽气管道(14)的数量相等且一一对应;所述进气管道(11)和所述汇总管道(15)连通;所述抽气管道(14)远离所述汇总管道(15)的端部设置有定位器(4),所述定位器(4)和所述显示主机之间通过第三通信模块(31)连接。
3.根据权利要求1所述的一种矿井瓦斯智能巡检系统,其特征在于:所述抽气控制单元包括第一电路板,所述第一电路板上集成有第一控制器(13)和与所述第一控制器(13)连接的定时器(6),所述抽气泵(7)和所述电磁阀(8)均由第一控制器(13)控制;所述第一控制器(13)和所述显示主机之间通过第一通信模块(29)连接。
4.根据权利要求3所述的一种矿井瓦斯智能巡检系统,其特征在于:所述检测控制单元包括第二电路板,所述第二电路板上集成有第二控制器(27)和与所述第二控制器(27)连接的报警器(18),所述第二控制器(27)和所述显示主机之间通过第二通信模块(30)连接。
5.根据权利要求4所述的一种矿井瓦斯智能巡检系统,其特征在于:所述检测气室(21)内设置有CH4传感器(22)、CO传感器(23)、CO2传感器(24)、O2传感器(25)、H2S传感器(26)、以及温度传感器(17),所述CH4传感器(22)、CO传感器(23)、CO2传感器(24)、O2传感器(25)、H2S传感器(26)、以及温度传感器(17)的信号输出端与所述第二控制器(27)的信号输入端连接。
6.根据权利要求5所述的一种矿井瓦斯智能巡检系统,其特征在于:所述显示主机上设置有显示屏(28),所述显示主机内设置有第三电路板,所述第三电路板上集成有第三控制器(20)和与所述第三控制器(20)连接的存储器(10),所述显示屏(28)和所述第三控制器(20)连接;所述第一控制器(13)通过第一通信模块(29)和所述第三控制器(20)连接;所述定位器(4)通过第三通信模块(31)和所述第三控制器(20)连接;所述第二控制器(27)通过第二通信模块(30)和所述第三控制器(20)连接;第四控制器(9)通过第四通信模块(1)和所述第三控制器(20)连接。
7.根据权利要求1所述的一种矿井瓦斯智能巡检系统,其特征在于:所述摄像控制单元包括第四电路板,所述第四电路板上集成有第四控制器(9),所述第四控制器(9)和所述显示主机之间通过第四通信模块(1)连接;所述摄像仪(19)由所述第四控制器(9)控制。
8.根据权利要求7所述的系统对矿井瓦斯进行巡检的方法,其特征在于,该方法包括以下步骤:
步骤一、划分并存储瓦斯浓度等级:划分瓦斯浓度预警等级,其中,当瓦斯浓度小于0.3%时,为瓦斯正常状态;当瓦斯浓度范围为0.3%~0.5%时,为预警Ⅰ级状态;当瓦斯浓度超过0.75%时,为预警II级状态;当瓦斯浓度超过1%时,为报警状态;并将瓦斯浓度预警等级划分的瓦斯浓度值保存至存储器(10)中;
步骤二、抽取监测点处的空气:启动第一控制器(13),第一控制器(13)控制电磁阀(8)开启,同时抽气泵(7)开始抽气,将监测点处的空气抽入所述抽气组件内,依次经过所述抽气泵(7)和出气管道(12)后进入所述多参数传感检测模块内,所述第一控制器(13)控制电磁阀(8)闭合;其中,设置定时器(6)的时间为T,即所述电磁阀(8)闭合后到下一次开启之间的时间间隔为T;
步骤三、检测监测点处空气中的各组分含量:启动第二控制器(27),第二控制器(27)控制吸气泵(16)工作,将出气管道(12)内的空气吸入检测气室(21)内;CH4传感器(22)、CO传感器(23)、CO2传感器(24)、O2传感器(25)、H2S传感器(26)、以及温度传感器(17)对吸入至所述检测气室(21)内的空气组成含量进行检测,并将检测结果传输至显示主机上,并存储在存储器(10)中;其中,待各个传感器检测完成后,吸入至检测气室(21)内的空气从检测气室(21)的出气口排出;
步骤四、确定矿井内监测点的实时状态:启动第四控制器(9),第四控制器(9)控制摄像仪(19)工作,所述摄像仪(19)对监测点处的情况进行记录;同时定位器(4)将位置信号传输至显示主机,并存储在存储器(10)中;
步骤五、分析监测点的采集数据并预警:根据步骤三中的检测结果和步骤四中监测点的位置信息绘制曲线图显示到显示屏(28)上;同时将步骤三中的检测结果和存储器(10)中预先存储的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,对监测点的瓦斯浓度等级进行划分并显示到显示屏(28)上;其中,当检测点的瓦斯浓度达到报警状态时,报警器(18)报警;当检测点处的瓦斯浓度为预警II级状态时,显示屏(28)上显示该检测点为红色;当检测点处的瓦斯浓度为预警Ⅰ级状态时,显示屏(28)上显示该检测点为黄色;当检测点处的瓦斯浓度为瓦斯正常状态时,显示屏(28)上显示该检测点为绿色。
9.根据权利要求8所述的系统对矿井瓦斯进行巡检的方法,其特征在于:步骤三和步骤四中,存储在存储器(10)中的检测结果和位置信息经由第三控制器(20)绘制成曲线图显示在显示屏(28)上,当曲线图上出现数据空缺或者数据异常后,需对数据进行修正,修正的方法如下:
当数据异常时,利用数据修正公式对异常数据进行修正;其中,T为采样时间长度,xt为t时瓦斯浓度值,ti为瓦斯浓度表现为异常情况的某一时刻(t=1,2,3…n),/>为ti时刻的采样值,n-1为一个时间长度T内瓦斯浓度监测点个数;
当数据空缺时,利用三次指数平滑法进行修正,通过确定瓦斯浓度数据缺失的节点t,利用瓦斯浓度数据缺失节点前的一部分数据值,在缺失数据处插入数据点和平滑步数:其中,t-1时刻为瓦斯浓度缺失数据节点前一时刻,xt为瓦斯浓度缺失节点前一时刻的实际数据值,Λ't为t时刻之前一组节点的单次数指数修正值,Λ”t为t时刻之前一组节点的二次数指数修正值,Λ”t'为t时刻之前一组节点的三次数指数修正值,Λ't-1为瓦斯浓度缺失节点前三组瓦斯浓度数据的平均值,Λ”t-1瓦斯浓度缺失节点前四组瓦斯浓度数据的平均值,Λ”t'-1瓦斯浓度缺失节点前五组瓦斯浓度数据的平均值;k为平滑处理权重系数,k的大小表明修正幅度,k越大幅度越大,反之越小,k的取值为0.3;
三次指数平滑法公式为其中,/>为t+m时刻缺失的修正数据值,at、bt、ct均为待定系数,且待定系数的计算公式为
10.根据权利要求9所述的系统对矿井瓦斯进行巡检的方法,其特征在于:步骤五中,根据步骤三中存储在存储器(10)中的检测数据可对监测点未来时刻T0的瓦斯浓度值进行预测,并与瓦斯浓度预警等级划分的瓦斯浓度值进行比较,实现预警报警,预测方法如下:
步骤a、在存储器(10)中存储的监测点各时刻的检测数据中选取训练集和测试集,并对训练集和测试集进行归一化处理;
步骤b、构建LSTM神经网络模型;其中,所述LSTM神经网络模型包括1个输入层、1个LSTM层和1个输出层;其中,所述LSTM神经网络模型中设置ReLU激活函数、sigmoid激活函数和tanh激活函数;
步骤c、将步骤a中的归一化处理后的数据作为输入层,将预测的瓦斯浓度值作为输出层,输入构建的LSTM神经网络模型中进行训练,得到训练好的LSTM神经网络模型;
步骤d、当T0时刻时,将监测点的位置信息输入至训练好的LSTM神经网络模型中,预测得到T0时刻时的瓦斯浓度值y;
步骤e、通过将预测的瓦斯浓度值y与步骤一中划分的瓦斯浓度预警等级划分的瓦斯浓度值进行比较,得到未来时刻T0时的瓦斯浓度预警等级;当未来时刻T0时的瓦斯浓度预警等级达到报警状态时,可提前预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165541.5A CN117192042A (zh) | 2023-09-11 | 2023-09-11 | 一种矿井瓦斯智能巡检系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165541.5A CN117192042A (zh) | 2023-09-11 | 2023-09-11 | 一种矿井瓦斯智能巡检系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117192042A true CN117192042A (zh) | 2023-12-08 |
Family
ID=88984484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311165541.5A Pending CN117192042A (zh) | 2023-09-11 | 2023-09-11 | 一种矿井瓦斯智能巡检系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117192042A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808274A (zh) * | 2024-03-01 | 2024-04-02 | 山西郎腾信息科技有限公司 | 一种煤矿井下瓦斯安全智能巡检系统 |
CN117948187A (zh) * | 2024-03-26 | 2024-04-30 | 山东斯诺电子有限公司 | 一种基于气体监测的井下生产安全预警方法、系统及设备 |
-
2023
- 2023-09-11 CN CN202311165541.5A patent/CN117192042A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808274A (zh) * | 2024-03-01 | 2024-04-02 | 山西郎腾信息科技有限公司 | 一种煤矿井下瓦斯安全智能巡检系统 |
CN117808274B (zh) * | 2024-03-01 | 2024-05-28 | 山西郎腾信息科技有限公司 | 一种煤矿井下瓦斯安全智能巡检系统 |
CN117948187A (zh) * | 2024-03-26 | 2024-04-30 | 山东斯诺电子有限公司 | 一种基于气体监测的井下生产安全预警方法、系统及设备 |
CN117948187B (zh) * | 2024-03-26 | 2024-05-28 | 山东斯诺电子有限公司 | 一种基于气体监测的井下生产安全预警方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117192042A (zh) | 一种矿井瓦斯智能巡检系统及方法 | |
CN109752300A (zh) | 一种涂料生产安全智能巡检机器人、系统及方法 | |
CN116772944B (zh) | 配气站的智能监控系统及其方法 | |
CN105824280A (zh) | 一种物联网环保监控系统 | |
CN113963514A (zh) | 一种油气化管道一体化监测预警系统 | |
CN114518143A (zh) | 一种智能环境感知系统 | |
CN115018343A (zh) | 矿井海量瓦斯监测数据异常识别与处置系统及方法 | |
CN114118202A (zh) | 一种城市地下综合管廊异常事件预警方法 | |
CN113409538A (zh) | 一种智能远程监控预警管理系统 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN112862188A (zh) | 一种多传感器环境预测方法及系统 | |
CN102542673A (zh) | 基于计算机视觉的atm机预警方法及系统 | |
CN115965246A (zh) | 一种岩溶塌陷灾害的预警分析方法 | |
CN106195247B (zh) | 一种基于大数据管理模式的变速器控制系统 | |
CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
CN102188867B (zh) | 布袋式除尘器运行效率等级的监测及评估方法 | |
CN114664041A (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
CN111562447B (zh) | 一种高压架空输电线路电压等级识别系统及方法 | |
CN208886402U (zh) | 阀门井浓度监测系统 | |
CN206541174U (zh) | 一种降低pm2.5排放的系统 | |
CN113156543A (zh) | 一种遥测自动气象站系统及其预测气象方法 | |
CN116978203B (zh) | 一种基于消防的智能化系统及方法 | |
CN111162609A (zh) | 一种就地化保护装置地下运行环境监测评估系统与方法 | |
CN111289853A (zh) | 一种基于通道-空间注意力机制的绝缘子检测系统及算法 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 |
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 |