CN117248967A - 基于智慧感知的矿山安全监测系统及其方法 - Google Patents
基于智慧感知的矿山安全监测系统及其方法 Download PDFInfo
- Publication number
- CN117248967A CN117248967A CN202311324717.7A CN202311324717A CN117248967A CN 117248967 A CN117248967 A CN 117248967A CN 202311324717 A CN202311324717 A CN 202311324717A CN 117248967 A CN117248967 A CN 117248967A
- Authority
- CN
- China
- Prior art keywords
- classification
- time sequence
- feature map
- feature
- matrix
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 230000008447 perception Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000003245 coal Substances 0.000 claims abstract description 58
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 56
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 56
- 238000004880 explosion Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 101
- 239000011159 matrix material Substances 0.000 claims description 77
- 238000010586 diagram Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000002457 bidirectional effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000003449 preventive effect Effects 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 110
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F5/00—Means or methods for preventing, binding, depositing, or removing dust; Preventing explosions or fires
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能监测领域，其具体地公开了一种基于智慧感知的矿山安全监测系统及其方法，其通过对煤矿内瓦斯浓度和一氧化碳浓度进行实时监测，进而来判断所述煤矿内是否存在爆炸的风险。这样，能够有效地发现潜在的安全风险，并采取具有针对性的预防措施，以最大程度地降低发生安全事故的可能性，确保煤矿生产过程的安全无虞。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种基于智慧感知的矿山安全监测系统及其方法。
背景技术
煤炭是一种化石燃料，自工业革命以来，它一直扮演着能源领域的重要角色。由于其储量丰富、热值高，易于开采和燃烧，煤炭已经成为全球主要的能源来源之一。它广泛用于发电、工业生产和家庭供暖等领域。
煤矿是指开采煤炭资源的地下或地表矿山。煤矿作为一个复杂的工作环境，存在许多潜在的危险和风险。煤矿一旦发生事故，往往造成严重的人员伤亡和财产损失。
因此，需要一种基于智慧感知的矿山安全监测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于智慧感知的矿山安全监测系统及其方法，其通过对煤矿内瓦斯浓度和一氧化碳浓度进行实时监测，进而来判断所述煤矿内是否存在爆炸的风险。这样，能够有效地发现潜在的安全风险，并采取具有针对性的预防措施，以最大程度地降低发生安全事故的可能性，确保煤矿生产过程的安全无虞。
根据本申请的一个方面，提供了一种基于智慧感知的矿山安全监测系统，其包括：
可燃气体数据获取模块，用于获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；
可燃气体数据结构化模块，用于将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；
可燃气体数据关联模块，用于将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；
可燃气体数据编码模块，用于将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；
分类特征生成模块，用于将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；
优化模块，用于对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；
风险预测结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
在上述基于智慧感知的矿山安全监测系统中，所述可燃气体数据关联模块，包括：以如下关联编码公式计算所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量之间的所述可燃气体全时序关联矩阵；其中，所述关联编码公式为：
其中Va表示所述瓦斯浓度时序输入向量，表示所述瓦斯浓度时序输入向量的转置向量，Vb表示所述一氧化碳浓度时序输入向量，M表示所述可燃气体全时序关联矩阵，表示向量相乘。
在上述基于智慧感知的矿山安全监测系统中，所述可燃气体数据编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述可燃气体全时序关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述可燃气体全时序关联矩阵。
在上述基于智慧感知的矿山安全监测系统中，所述分类特征生成模块，包括：降维单元，用于对所述可燃气体全时序关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；池化单元，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联矩阵生成单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征图生成单元，用于计算所述双向关联权重矩阵和所述可燃气体全时序关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
在上述基于智慧感知的矿山安全监测系统中，所述优化模块，包括：全局均值池化单元，用于沿着通道维度对所述分类特征图进行全局均值池化以得到秩序轴线特征向量；特征展平化单元，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量；关联编码单元，用于分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵；秩序性量化概率值生成单元，用于将所述多个秩序性关联矩阵通过Softmax函数以得到多个秩序性量化概率值；归一化处理单元，用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值；加权单元，用于以所述多个秩序性先验权重值作为权重，并分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
在上述基于智慧感知的矿山安全监测系统中，所述风险预测结果生成模块，用于：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果，Project(F)表示将所述优化分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
根据本申请的另一方面，提供了一种基于智慧感知的矿山安全监测方法，其包括：
获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；
将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；
将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；
将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；
将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；
对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于智慧感知的矿山安全监测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于智慧感知的矿山安全监测方法。
与现有技术相比，本申请提供的基于智慧感知的矿山安全监测系统及其方法，其通过对煤矿内瓦斯浓度和一氧化碳浓度进行实时监测，进而来判断所述煤矿内是否存在爆炸的风险。这样，能够有效地发现潜在的安全风险，并采取具有针对性的预防措施，以最大程度地降低发生安全事故的可能性，确保煤矿生产过程的安全无虞。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于智慧感知的矿山安全监测系统的系统框图。
图2为根据本申请实施例的基于智慧感知的矿山安全监测系统的架构图。
图3为根据本申请实施例的基于智慧感知的矿山安全监测系统中分类特征生成模块的框图。
图4为根据本申请实施例的基于智慧感知的矿山安全监测系统中优化模块的框图。
图5为根据本申请实施例的基于智慧感知的矿山安全监测方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示例性系统
图1为根据本申请实施例的基于智慧感知的矿山安全监测系统的系统框图。如图1所示，在基于智慧感知的矿山安全监测系统100中，包括：可燃气体数据获取模块110，用于获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；可燃气体数据结构化模块120，用于将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；可燃气体数据关联模块130，用于将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；可燃气体数据编码模块140，用于将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；分类特征生成模块150，用于将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；优化模块160，用于对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；风险预测结果生成模块170，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
图2为根据本申请实施例的基于智慧感知的矿山安全监测系统的架构图。如图2所示，在该架构中，首先，获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值。接着，将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量。然后，将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵。紧接着，将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图。进而，将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图。接着，对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图。最后，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据获取模块110，用于获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值。
如上述背景技术所言，煤炭是一种重要的化石燃料，广泛用于能源领域，包括发电、工业生产和家庭供暖等。煤矿是开采煤炭的地下或地表矿山，工作环境复杂，存在潜在的危险和风险。煤矿事故常导致严重的人员伤亡和财产损失。因此，期待一种基于智慧感知的矿山安全监测方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为矿山安全监测提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值。瓦斯是煤矿内常见的可燃气体之一，它主要由甲烷组成。在煤矿开采过程中，煤层中的瓦斯会释放出来，积聚在矿井中。当瓦斯浓度超过一定范围时，就会形成可燃气体混合物，一旦遇到火源或者电火花等引发源，就可能发生爆炸事故。一氧化碳是另一种常见的可燃气体，它是一种无色、无味、无臭的气体。在煤矿中，煤层氧化会产生一氧化碳，其浓度的变化也可以反映出煤矿内部的燃烧状况和安全风险。煤矿内在预定时间段内多个预定时间点的瓦斯浓度值可以通过瓦斯浓度传感器收集数据获得；煤矿内在预定时间段内多个预定时间点的一氧化碳浓度值可以通过一氧化碳传感器收集数据获得。
在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据结构化模块120，用于将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量。应可以理解，在煤矿安全监测中，瓦斯浓度和一氧化碳浓度的变化趋势和波动情况是评估煤矿内部环境安全状况的重要指标。通过按照时间维度排列这些浓度值，可以构建出瓦斯浓度和一氧化碳浓度的时序数据，即瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量。时序数据的排列保留了浓度值的时间关系，使得后续的分析可以考虑到浓度的变化趋势、周期性和异常波动等特征。
在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据关联模块130，用于将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵。应可以理解，通过关联瓦斯浓度和一氧化碳浓度的时序数据，可以探索两种气体之间的相关性和相互影响。瓦斯和一氧化碳浓度的变化可能存在一定的关联关系，例如，高瓦斯浓度可能会导致一氧化碳浓度的增加。通过建立可燃气体的全时序关联矩阵，可以更好地捕捉和分析这种关联关系，从而更准确地评估煤矿内的安全风险。
具体地，在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据关联模块130，包括：以如下关联编码公式计算所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量之间的所述可燃气体全时序关联矩阵；其中，所述关联编码公式为：
其中Va表示所述瓦斯浓度时序输入向量，表示所述瓦斯浓度时序输入向量的转置向量，Vb表示所述一氧化碳浓度时序输入向量，M表示所述可燃气体全时序关联矩阵，表示向量相乘。
在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据编码模块140，用于将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图。本领域普通技术人员应该知晓，卷积神经网络模型在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。通过将可燃气体全时序关联矩阵输入到卷积神经网络模型中，可以通过卷积操作捕捉到关联矩阵中的局部模式和特征。瓦斯和一氧化碳的浓度变化往往具有时空上的局部相关性，通过卷积神经网络模型可以有效地提取出这些局部特征，从而更好地描述可燃气体的时序关联性。
具体地，在基于智慧感知的矿山安全监测系统100中，所述可燃气体数据编码模块140，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述可燃气体全时序关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述可燃气体全时序关联矩阵。
在基于智慧感知的矿山安全监测系统100中，所述分类特征生成模块150，用于将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图。双向注意力机制是一种注意力机制的扩展形式，它能够同时考虑输入数据的前向和后向信息，并在特征级别上进行交互和整合。在煤矿安全监测中，通过将可燃气体全时序关联特征图输入到双向注意力机制模块中，可以对特征图进行前向和后向的注意力计算。这样可以在时间维度上捕捉到关键的上下文信息，包括前后时刻的特征表示以及它们之间的关系。通过双向注意力机制，模型可以自动学习到哪些时间点的特征对于分类任务是最重要的，并给予它们更高的权重。这样，分类特征图可以更好地捕捉到与爆炸风险相关的关键特征，并且对于分类任务更具区分性。
图3为根据本申请实施例的基于智慧感知的矿山安全监测系统中分类特征生成模块的框图。如图3所示，所述分类特征生成模块150，包括：降维单元151，用于对所述可燃气体全时序关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；池化单元152，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联矩阵生成单元153，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元154，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征图生成单元155，用于计算所述双向关联权重矩阵和所述可燃气体全时序关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
在本申请的技术方案中，所述分类特征图的特征分布沿着特定维度存在一定的顺序关系，例如沿着通道维度存在秩序性逻辑，因此，如果能够挖掘出所述分类特征图的沿通道维度的秩序性特征，则显然那可以优化所述分类特征图的特征表达。
在基于智慧感知的矿山安全监测系统100中，所述优化模块160，用于对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图。
图4为根据本申请实施例的基于智慧感知的矿山安全监测系统中优化模块的框图。如图4所示，所述优化模块160，包括：全局均值池化单元161，用于沿着通道维度对所述分类特征图进行全局均值池化以得到秩序轴线特征向量；特征展平化单元162，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量；关联编码单元163，用于分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵；秩序性量化概率值生成单元164，用于将所述多个秩序性关联矩阵通过Softmax函数以得到多个秩序性量化概率值；归一化处理单元165，用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值；加权单元166，用于以所述多个秩序性先验权重值作为权重，并分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
应可以理解，在本申请的技术方案中，首先沿着通道维度对所述分类特征图进行全局均值池化以得到秩序轴线特征向量，所述秩序轴线特征向量为所述分类特征图的浓缩性特征表达，其表示所述分类特征图的秩序性特征的类中心特征表达。接着，将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量，并分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵，也就是，通过对所述分类特征图的沿通道维度的展平化特征向量和所述秩序轴线特征向量进行关联编码来建立两者之间的秩序化特征显化表达，进而利用Softmax函数将所述多个秩序性关联矩阵分别映射到非线性量化度量空间以得到多个秩序性量化概率值，这里，所述各个秩序性量化概率值用于表示所述分类特征图的沿通道维度的各个特征矩阵的秩序性特征的量化表征值。进而，对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值，并以所述多个秩序性先验权重值作为权重，并分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这样，对所述分类特征图进行基于秩序性的先验化以利用所述份分类特征图的内在结构的秩序性来对所述分类特征图进行基于秩序性的显著性先验优化以提高所述分类特征图通过分类器的分类结果的精准度。
在基于智慧感知的矿山安全监测系统100中，所述风险预测结果生成模块170，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。分类器作为一种机器学习模型，可以根据输入数据进行分析和判断，将其映射到不同的类别上。通过将优化分类特征图输入到分类器中，可以得到用于表示所述煤矿内是否存在爆炸风险的分类结果。基于所述分类结果，可以快速判断煤矿是否存在爆炸的风险。这样，实现了对煤矿的实时监测。如果分类结果表明存在爆炸风险，管理人员可以及时采取必要的措施来预防和应对潜在的爆炸事故，如疏散人员、停止作业等。
具体地，在基于智慧感知的矿山安全监测系统100中，所述风险预测结果生成模块170，用于：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果，Project(F)表示将所述优化分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的基于智慧感知的矿山安全监测系统100被阐明，其通过对煤矿内瓦斯浓度和一氧化碳浓度进行实时监测，进而来判断所述煤矿内是否存在爆炸的风险。这样，能够有效地发现潜在的安全风险，并采取具有针对性的预防措施，以最大程度地降低发生安全事故的可能性，确保煤矿生产过程的安全无虞。
如上所述，根据本申请实施例的基于智慧感知的矿山安全监测系统100可以实现在各种终端设备中，例如用于基于智慧感知的矿山安全监测的服务器等。在一个示例中，根据本申请实施例的基于智慧感知的矿山安全监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于智慧感知的矿山安全监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于智慧感知的矿山安全监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于智慧感知的矿山安全监测系统100与该终端设备也可以是分立的设备，并且该基于智慧感知的矿山安全监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5为根据本申请实施例的基于智慧感知的矿山安全监测方法的流程图。如图5所示，在基于智慧感知的矿山安全监测方法中，包括：S110，获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；S120，将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；S130，将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；S140，将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；S150，将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；S160，对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；S170，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
这里，本领域技术人员可以理解，上述基于智慧感知的矿山安全监测方法中的各个步骤的具体操作已经在上面参考图1到图4的基于智慧感知的矿山安全监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的基于智慧感知的矿山安全监测方法被阐明，其通过对煤矿内瓦斯浓度和一氧化碳浓度进行实时监测，进而来判断所述煤矿内是否存在爆炸的风险。这样，能够有效地发现潜在的安全风险，并采取具有针对性的预防措施，以最大程度地降低发生安全事故的可能性，确保煤矿生产过程的安全无虞。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于智慧感知的矿山安全监测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断煤矿内是否存在爆炸的风险结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于智慧感知的矿山安全监测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于智慧感知的矿山安全监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于智慧感知的矿山安全监测系统，其特征在于，包括：
可燃气体数据获取模块，用于获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；
可燃气体数据结构化模块，用于将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；
可燃气体数据关联模块，用于将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；
可燃气体数据编码模块，用于将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；
分类特征生成模块，用于将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；
优化模块，用于对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；
风险预测结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
2.根据权利要求1所述的基于智慧感知的矿山安全监测系统，其特征在于，所述可燃气体数据关联模块，包括：以如下关联编码公式计算所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量之间的所述可燃气体全时序关联矩阵；
其中，所述关联编码公式为：
其中Va表示所述瓦斯浓度时序输入向量，表示所述瓦斯浓度时序输入向量的转置向量，Vb表示所述一氧化碳浓度时序输入向量，M表示所述可燃气体全时序关联矩阵，/>表示向量相乘。
3.根据权利要求2所述的基于智慧感知的矿山安全监测系统，其特征在于，所述可燃气体数据编码模块，用于：
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述可燃气体全时序关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述可燃气体全时序关联矩阵。
4.根据权利要求3所述的基于智慧感知的矿山安全监测系统，其特征在于，所述分类特征生成模块，包括：
降维单元，用于对所述可燃气体全时序关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；
池化单元，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
双向关联矩阵生成单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；
分类特征图生成单元，用于计算所述双向关联权重矩阵和所述可燃气体全时序关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
5.根据权利要求4所述的基于智慧感知的矿山安全监测系统，其特征在于，所述优化模块，包括：
全局均值池化单元，用于沿着通道维度对所述分类特征图进行全局均值池化以得到秩序轴线特征向量；
特征展平化单元，用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量；
关联编码单元，用于分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵；
秩序性量化概率值生成单元，用于将所述多个秩序性关联矩阵通过Softmax函数以得到多个秩序性量化概率值；
归一化处理单元，用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值；
加权单元，用于以所述多个秩序性先验权重值作为权重，并分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
6.根据权利要求5所述的基于智慧感知的矿山安全监测系统，其特征在于，所述风险预测结果生成模块，用于：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果，Project(F)表示将所述优化分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，W1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
7.一种基于智慧感知的矿山安全监测方法，其特征在于，包括：
获取煤矿内在预定时间段内多个预定时间点的瓦斯浓度值以及一氧化碳浓度值；
将所述多个预定时间点的瓦斯浓度值以及一氧化碳浓度值分别按照时间维度排列为瓦斯浓度时序输入向量和一氧化碳浓度时序输入向量；
将所述瓦斯浓度时序输入向量和所述一氧化碳浓度时序输入向量进行关联以得到可燃气体全时序关联矩阵；
将所述可燃气体全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到可燃气体全时序关联特征图；
将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图；
对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图；
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险。
8.根据权利要求7所述的基于智慧感知的矿山安全监测方法，其特征在于，将所述可燃气体全时序关联特征图通过双向注意力机制模块以得到分类特征图，包括：
对所述可燃气体全时序关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；
将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；
计算所述双向关联权重矩阵和所述可燃气体全时序关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
9.根据权利要求8所述的基于智慧感知的矿山安全监测方法，其特征在于，对所述分类特征图进行基于秩序性的先验化以得到优化分类特征图，包括：
沿着通道维度对所述分类特征图进行全局均值池化以得到秩序轴线特征向量；
将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量；
分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵；
将所述多个秩序性关联矩阵通过Softmax函数以得到多个秩序性量化概率值；
对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值；
以所述多个秩序性先验权重值作为权重，并分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
10.根据权利要求9所述的基于智慧感知的矿山安全监测方法，其特征在于，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述煤矿内是否存在爆炸的风险，包括：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果，|Project(F)表示将所述优化分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324717.7A CN117248967A (zh) | 2023-10-13 | 2023-10-13 | 基于智慧感知的矿山安全监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324717.7A CN117248967A (zh) | 2023-10-13 | 2023-10-13 | 基于智慧感知的矿山安全监测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117248967A true CN117248967A (zh) | 2023-12-19 |
Family
ID=89127729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324717.7A Pending CN117248967A (zh) | 2023-10-13 | 2023-10-13 | 基于智慧感知的矿山安全监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117248967A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473285A (zh) * | 2023-12-27 | 2024-01-30 | 长春黄金设计院有限公司 | 基于数字孪生的智慧运维管理系统及方法 |
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
| CN118167426A (zh) * | 2024-02-04 | 2024-06-11 | 平煤神马建工集团矿山建设工程有限公司 | 用于矿井安全管理的智能监控设备及方法 |
-
2023
- 2023-10-13 CN CN202311324717.7A patent/CN117248967A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473285A (zh) * | 2023-12-27 | 2024-01-30 | 长春黄金设计院有限公司 | 基于数字孪生的智慧运维管理系统及方法 |
| CN117473285B (zh) * | 2023-12-27 | 2024-03-19 | 长春黄金设计院有限公司 | 基于数字孪生的智慧运维管理系统及方法 |
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
| CN117635219B (zh) * | 2024-01-26 | 2024-04-26 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
| CN118167426A (zh) * | 2024-02-04 | 2024-06-11 | 平煤神马建工集团矿山建设工程有限公司 | 用于矿井安全管理的智能监控设备及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117248967A (zh) | 基于智慧感知的矿山安全监测系统及其方法 | |
| CN116130721B (zh) | 氢燃料电池的状态诊断系统及方法 | |
| Huang et al. | A combined real-time intelligent fire detection and forecasting approach through cameras based on computer vision method | |
| CN116699297B (zh) | 充电桩检测系统及其方法 | |
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
| CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其系统 | |
| CN114511243A (zh) | 一种基于物联网监测的火灾风险动态评估的方法及系统 | |
| CN117115743A (zh) | 矿用安全生产监控系统及其方法 | |
| CN116309580A (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
| Bi et al. | Hydrogen leakage location prediction at hydrogen refueling stations based on deep learning | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN114419558B (zh) | 火灾视频图像识别方法、系统、计算机设备及存储介质 | |
| CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
| Dalal et al. | A hybrid LBP-CNN with YOLO-v5-based fire and smoke detection model in various environmental conditions for environmental sustainability in smart city | |
| CN118197019A (zh) | 一种基于热劣化产物的电缆安全隐患监测预警方法及系统 | |
| CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
| Wu et al. | Characteristics analysis and situation prediction of production safety accidents in non-coal mining | |
| CN116216234A (zh) | 基于视频的输煤系统智能监控系统及其方法 | |
| CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
| CN116311751B (zh) | 一种煤矿井下使用防灭火电控系统 | |
| Tang et al. | Inadequate load output diagnosis of ultra-supercritical thermal power units based on MIWOA multi-label random forest | |
| CN116958697A (zh) | 基于图像的电力安全巡检系统及其方法 | |
| Pan et al. | Research on non-intrusive load decomposition model based on parallel multi-scale attention mechanism and its application in smart grid | |
| WO2024198265A1 (zh) | 用于硝酸的制备的智能化有毒有害气体报警系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |