CN117635219B - 金属矿山生产大数据智能分析系统及方法 - Google Patents
金属矿山生产大数据智能分析系统及方法 Download PDFInfo
- Publication number
- CN117635219B CN117635219B CN202410108184.7A CN202410108184A CN117635219B CN 117635219 B CN117635219 B CN 117635219B CN 202410108184 A CN202410108184 A CN 202410108184A CN 117635219 B CN117635219 B CN 117635219B
- Authority
- CN
- China
- Prior art keywords
- mine production
- metal mine
- production site
- time sequence
- parameter
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 349
- 239000002184 metal Substances 0.000 title claims abstract description 343
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 343
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 15
- 230000002452 interceptive effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000009826 distribution Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 25
- 238000012512 characterization method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种金属矿山生产大数据智能分析系统及方法，涉及大数据分析领域。其首先将由传感器组采集的金属矿山生产现场数据的时间序列进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图，然后对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列，接着将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征，最后基于所述金属矿山生产现场全局语义特征，确定是否存在异常。这样可以提高生产效率和质量，降低成本和风险。
Description
技术领域
本申请涉及大数据分析领域，且更为具体地，涉及一种金属矿山生产大数据智能分析系统及方法。
背景技术
金属矿山生产是一种复杂的工业过程，涉及多种参数和环境因素，因此，对金属矿山的生产过程进行监测和控制对于生产效率和质量的提高有重要作用。然而，传统的金属矿山生产监控方法主要依靠人工观察和经验判断，难以实现对生产现场数据的全面分析和异常检测，存在误报和漏报的风险，也难以及时发现和解决生产问题，导致资源浪费和安全隐患。因此，传统的金属矿山生产监控方法难以满足实际金属矿山生产的监控和管理要求。
因此，期望一种金属矿山生产大数据智能分析系统及方法。
发明内容
有鉴于此，本申请提出了一种金属矿山生产大数据智能分析系统及方法，其可以实现对金属矿山生产的全面监控、优化和管理，以便于及时发现金属矿山生产的异常情况，并采取相应的措施进行处理，进而提高生产效率和质量，降低成本和风险，增强金属矿山的竞争力和可持续发展能力。
根据本申请的一方面，提供了一种金属矿山生产大数据智能分析系统，其包括：
金属矿山生产现场数据采集模块，用于获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；
数据规整分析模块，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；
多参数时序关联特征划分模块，用于对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
金属矿山生产现场全局语义编码模块，用于将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；以及，
异常检测模块，用于基于所述金属矿山生产现场全局语义特征，确定是否存在异常；
其中，所述多参数时序关联特征划分模块，包括：
特征分布优化单元，用于对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；
特征图切分单元，用于对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
其中，所述特征分布优化单元，包括：
线性变换子单元，用于对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；
特征矩阵优化子单元，用于对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图。
在上述的金属矿山生产大数据智能分析系统中，所述数据规整分析模块，包括：
金属矿山生产现场多参数时序表征单元，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；
金属矿山生产现场多参数时序关联特征提取单元，用于通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
在上述的金属矿山生产大数据智能分析系统中，所述深度神经网络模型为卷积神经网络模型。
在上述的金属矿山生产大数据智能分析系统中，所述多参数时序关联特征划分模块，包括：
特征分布优化单元，用于对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；
特征图切分单元，用于对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列。
在上述的金属矿山生产大数据智能分析系统中，所述特征分布优化单元，包括：
线性变换子单元，用于对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；
特征矩阵优化子单元，用于对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图。
在上述的金属矿山生产大数据智能分析系统中，所述异常检测模块，用于：
将所述金属矿山生产现场多参数全时域上下文语义特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。
在上述的金属矿山生产大数据智能分析系统中，所述异常检测模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述金属矿山生产现场多参数全时域上下文语义特征向量进行全连接编码以得到编码分类特征向量；
分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种金属矿山生产大数据智能分析方法，其包括：
获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；
将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；
对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；
基于所述金属矿山生产现场全局语义特征，确定是否存在异常；
其中，对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列，包括：
对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；
对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
其中，对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图，包括：
对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；
对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图。
在上述的金属矿山生产大数据智能分析方法中，将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图，包括：
将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；
通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
在上述的金属矿山生产大数据智能分析方法中，所述深度神经网络模型为卷积神经网络模型。
在本申请中，其首先将由传感器组采集的金属矿山生产现场数据的时间序列进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图，然后，对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列，接着，将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征，最后，基于所述金属矿山生产现场全局语义特征，确定是否存在异常。这样，可以提高生产效率和质量，降低成本和风险。
根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的金属矿山生产大数据智能分析系统的框图。
图2示出根据本申请的实施例的金属矿山生产大数据智能分析方法的流程图。
图3示出根据本申请的实施例的金属矿山生产大数据智能分析方法的架构示意图。
图4示出根据本申请的实施例的金属矿山生产大数据智能分析系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为通过传感器组采集金属矿山生产现场数据，例如温度值、压力值、流量值、电流值、电压值和振动幅度值等，并在后端引入数据处理和分析算法来进行这些金属矿山生产现场数据的时序协同关联分析，以此来判断金属矿山生产是否存在异常，为金属矿山生产的优化和管理提供科学依据和决策支持。这样，能够实现对金属矿山生产的全面监控、优化和管理，以便于及时发现金属矿山生产的异常情况，并采取相应的措施进行处理，进而提高生产效率和质量，降低成本和风险，增强金属矿山的竞争力和可持续发展能力。
值得一提的是，在本申请中，金属矿山可以是黄金矿山，即金矿。
图1示出根据本申请的实施例的金属矿山生产大数据智能分析系统的框图示意图。如图1所示，根据本申请实施例的金属矿山生产大数据智能分析系统100，包括：金属矿山生产现场数据采集模块110，用于获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；数据规整分析模块120，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；多参数时序关联特征划分模块130，用于对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；金属矿山生产现场全局语义编码模块140，用于将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；以及，异常检测模块150，用于基于所述金属矿山生产现场全局语义特征，确定是否存在异常。
应可以理解，金属矿山生产现场数据采集模块110通过传感器组采集温度值、压力值、流量值、电流值、电压值和振动幅度值等金属矿山生产现场的数据，并形成时间序列。数据规整分析模块120将金属矿山生产现场数据按照时间维度和参数样本维度进行整理和分析，以获得金属矿山生产现场多参数时序关联特征图。多参数时序关联特征划分模块130将金属矿山生产现场多参数时序关联特征图切分成多个特征图块的序列，以便后续处理和分析。金属矿山生产现场全局语义编码模块140通过包含全连接层和双向门控循环单元的全局交互器，对金属矿山生产现场多参数时序关联特征图块的序列进行处理，得到金属矿山生产现场多参数全时域上下文语义特征向量，作为金属矿山生产现场的全局语义特征。异常检测模块150利用金属矿山生产现场全局语义特征，判断是否存在异常情况，可以帮助发现金属矿山生产过程中的异常事件或潜在问题。这些模块共同组成了金属矿山生产大数据智能分析系统，通过数据采集、规整分析、特征划分、全局语义编码和异常检测等环节，实现对金属矿山生产现场数据的智能分析和异常监测。
具体地，在本申请的技术方案中，首先，获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值。接着，考虑到在金属矿山的生产过程中，通过传感器组能够同时采集金属矿山生产现场的不同参数数据，如温度、压力、流量、电流、电压和振动幅度等。这些数据是按照时间顺序记录下来的，每个时间点都对应着一组参数值。为了更好地利用这些数据，需要将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整以得到金属矿山生产现场多参数时序表征矩阵。
然后，将所述金属矿山生产现场多参数时序表征矩阵通过基于卷积神经网络模型的参数间时序关联模式特征提取器中进行特征挖掘，以提取出所述金属矿山生产现场的多参数数据之间的时序协同关联特征信息，从而得到金属矿山生产现场多参数时序关联特征图。
相应地，所述数据规整分析模块120，包括：金属矿山生产现场多参数时序表征单元，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；以及，金属矿山生产现场多参数时序关联特征提取单元，用于通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
应可以理解，金属矿山生产现场多参数时序表征单元将时间序列数据进行整理和调整，使其具有一致的时间维度和参数样本维度，并进行特征分析，提取有用的信息和特征。金属矿山生产现场多参数时序关联特征提取单元利用深度神经网络模型来学习参数之间的时序关联模式，并从时序表征矩阵中提取出具有关联性的特征图，用于后续的分析和处理。这两个单元共同工作，将金属矿山生产现场数据进行规整、特征提取和分析，从而得到金属矿山生产现场多参数时序关联特征图。这些特征图可以帮助系统更好地理解金属矿山生产现场数据的特征和关联性，为后续的全局语义编码和异常检测提供基础。
其中，在所述金属矿山生产现场多参数时序关联特征提取单元中，所述深度神经网络模型为卷积神经网络模型，即，所述基于深度神经网络模型的参数间时序关联模式特征提取器为基于卷积神经网络模型的参数间时序关联模式特征提取器。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度神经网络模型，特别适用于处理具有网格结构的数据。卷积神经网络通过使用卷积层（Convolutional Layer）和池化层（Pooling Layer）来提取输入数据中的特征。卷积层可以通过卷积操作捕捉输入数据中的局部空间关系，同时共享权重参数，从而减少模型的参数量。池化层则可以对卷积层的输出进行下采样，减少数据的维度，保留关键特征。卷积神经网络的优势包括：1.局部感知性：卷积层可以通过局部感受野的方式捕捉输入数据的局部特征，从而更好地处理具有空间关系的数据。2.参数共享：卷积层中的权重参数在整个输入数据上共享，这样可以减少模型的参数量，降低过拟合的风险。3.平移不变性：卷积层对输入数据的平移具有不变性，即无论特征出现在图像的哪个位置，卷积层都能够检测到。在金属矿山生产现场多参数时序关联特征提取单元中，基于卷积神经网络模型的参数间时序关联模式特征提取器利用卷积神经网络的特性，学习参数之间的时序关联模式。它可以自动提取出数据中的关键特征，捕捉参数之间的时序关系，从而帮助系统更好地理解金属矿山生产现场数据的特征和关联性。这些特征对于后续的全局语义编码和异常检测非常重要。
进一步地，考虑到在实际进行金属矿山生产的过程中，所述金属矿山生产现场数据中的各个参数数据之间不仅具有着局部区域的隐含依赖关系和关联特征，而且还具有着长期的周期性和时序关联特征信息。但是，由于卷积的固有局限性，很难捕捉到这些参数数据之间基于长距离的时序协同关联特征信息。因此，在本申请的技术方案中，为了更充分且精细地捕捉到金属矿山生产现场数据中的各个参数数据之间时序关联特征，以便于发现异常的周期变化和异常点，需要对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列。应可以理解，将所述金属矿山生产现场多参数时序关联特征图切分成特征图块的序列后，可以对每个特征图块进行进一步的分析和全局关联处理，用于更为准确地进行异常检测任务。
相应地，所述多参数时序关联特征划分模块130，包括：特征分布优化单元，用于对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；以及，特征图切分单元，用于对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列。
应可以理解，特征分布优化单元可以对特征图中的特征进行重新分布和调整，以优化特征的分布情况，使得关键特征更加突出和明确。特征图切分单元将优化后的特征图分割成多个较小的特征图块，每个特征图块代表一段时间内的特征信息，这样做的目的是为了更好地处理和分析特征图，将大的特征图分解为更小的部分，使得后续的处理更加高效和灵活。这两个单元共同工作，通过特征分布优化和特征图切分，对金属矿山生产现场多参数时序关联特征图进行处理和划分，得到优化后的特征图和特征图块的序列。这些处理有助于系统更好地理解和处理金属矿山生产现场数据的特征和关联性，为后续的全局语义编码和异常检测提供更准确和有效的输入。
接着，在所述金属矿山生产现场的多参数时序关联特征图块序列中，每个特征图块都包含了一段时间内的多个参数之间的时序关联信息。然而，单独考虑每个特征图块的信息可能无法捕捉到全局的上下文语义信息。因此，为了能够对于各个所述金属矿山生产现场多参数时序关联特征图块中的特征进行全局感知和语义关联分析，以更全面地表示和理解金属矿山生产过程中的多参数全时域特征和模式，在本申请的技术方案中，进一步将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量。应可以理解，所述全局交互器包含了全连接层和双向门控循环单元，其中，所述全连接层用于分别对所述金属矿山生产现场多参数时序关联特征图块进行全连接编码，以分别捕捉到所述金属矿山生产现场多参数时序关联特征图块中关于金属矿山生产现场的多参数时序局部全连接关联特征信息。所述双向门控循环单元能够提取出所述各个金属矿山生产现场多参数时序关联特征图块中关于金属矿山生产现场数据的多参数时序局部全连接特征之间的上下文语义关联特征信息，以便于更好地理解和表示金属矿山生产现场的多参数全时域上下文语义。这样，有助于更好地理解和利用金属矿山生产数据的多参数全时域关联特征信息，从而提高系统的性能和效果。
继而，将所述金属矿山生产现场多参数全时域上下文语义特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。也就是说，利用金属矿山生产现场的多参数全时域上下文语义特征信息来进行分类处理，以此来判断金属矿山生产是否存在异常，为金属矿山生产的优化和管理提供科学依据和决策支持。
相应地，所述异常检测模块150，用于：将所述金属矿山生产现场多参数全时域上下文语义特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。具体地，所述异常检测模块150，包括：全连接编码单元，用于使用所述分类器的全连接层对所述金属矿山生产现场多参数全时域上下文语义特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括存在异常(第一标签)，以及，不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述金属矿山生产现场多参数全时域上下文语义特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否存在异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM(SupportVector Machine，支持向量机)等常用于解决二分类问题，对于多分类问题（multi-classclassification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
在本申请的技术方案中，所述金属矿山生产现场多参数时序关联特征图的每个特征矩阵表达所述金属矿山生产现场数据的时序-样本交叉维度局部关联特征，而在通道维度遵循所述卷积神经网络模型的通道分布，而在对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列，并将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器，会基于特征图沿通道的局部特征分布来进行基于局部特征全关联分布的双向门控循环全局交互，因此，如果能够提升所述金属矿山生产现场多参数时序关联特征图的通道维度特征分布整体性，则能够提升包含全连接层和双向门控循环单元的全局交互器的全局交互特征提取效果，从而提升得到的所述金属矿山生产现场多参数全时域上下文语义特征向量的表达效果。
因此，本申请的申请人首先对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得特征矩阵的宽度和高度相等，然后对转换后的金属矿山生产现场多参数时序关联特征图进行基于特征矩阵的优化。
相应地，在一个示例中，所述特征分布优化单元，包括：线性变换子单元，用于对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；以及，特征矩阵优化子单元，用于对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图。
其中，所述特征矩阵优化子单元，进一步用于：以如下优化公式对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图；其中，所述优化公式为：
；
其中，和/>分别是所述转换后的金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>和第/>位置的特征矩阵，且/>是尺度调节超参数，/>表示矩阵乘法，/>表示按位置点乘，/>表示矩阵加法，/>表示转置操作，/>是所述优化后金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>位置的特征矩阵。
这里，通过所述转换后的金属矿山生产现场多参数时序关联特征图的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算，来在高维特征空间内预测所述转换后的金属矿山生产现场多参数时序关联特征图的局部特征分布沿通道的耦合分布方向，从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示，以经由细化所述转换后的金属矿山生产现场多参数时序关联特征图整体沿通道维度由下而上的投影规范化提议的方式，来重建所述转换后的金属矿山生产现场多参数时序关联特征图的以特征矩阵的场景布局为基础的上下文关系，从而提升所述转换后的金属矿山生产现场多参数时序关联特征图的特征表示的通道维度整体性，以提升所述金属矿山生产现场多参数全时域上下文语义特征向量的表达效果，从而改进其通过分类器得到的分类结果的准确性。这样，能够实现对金属矿山生产的全面监控、优化和管理，以便于及时发现金属矿山生产的异常情况，并采取相应的措施进行处理，通过这样的方式，能够为金属矿山生产的优化和管理提供科学依据和决策支持，进而提高生产效率和质量，降低成本和风险，增强金属矿山的竞争力和可持续发展能力。
值得一提的是，线性变换在特征分布优化单元中的作用是将金属矿山生产现场多参数时序关联特征图进行变换，使得特征矩阵的宽度和高度相等，这样做的目的是为了统一特征矩阵的形状，方便后续处理和优化。具体而言，线性变换子单元通过对每个特征矩阵进行线性变换，将不同特征矩阵的宽度和高度调整为相等的值。这种变换可以使用插值或缩放等技术来实现。通过线性变换，特征矩阵的形状得到了规范化，使得它们具有相同的维度，方便进行后续的处理和优化操作。线性变换的作用是将特征矩阵的形状标准化，使得它们具有相同的维度。这样做有助于提高特征图的一致性和可比性，减少特征矩阵之间的差异，从而更好地捕捉特征之间的关联性和重要性。这为后续的特征矩阵优化和特征分布优化提供了更好的基础。
综上，基于本申请实施例的金属矿山生产大数据智能分析系统100被阐明，其可以实现对金属矿山生产的全面监控、优化和管理，以便于及时发现金属矿山生产的异常情况，并采取相应的措施进行处理，进而提高生产效率和质量，降低成本和风险。
如上所述，根据本申请实施例的所述金属矿山生产大数据智能分析系统100可以实现在各种终端设备中，例如具有金属矿山生产大数据智能分析算法的服务器等。在一个示例中，金属矿山生产大数据智能分析系统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，该金属矿山生产大数据智能分析系统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，该金属矿山生产大数据智能分析系统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，该金属矿山生产大数据智能分析系统100与该终端设备也可以是分立的设备，并且该金属矿山生产大数据智能分析系统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。
图2示出根据本申请的实施例的金属矿山生产大数据智能分析方法的流程图。图3示出根据本申请的实施例的金属矿山生产大数据智能分析方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的金属矿山生产大数据智能分析方法，其包括：S110，获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；S120，将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；S130，对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；S140，将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；以及，S150，基于所述金属矿山生产现场全局语义特征，确定是否存在异常。
在一种可能的实现方式中，将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图，包括：将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；以及，通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
在一种可能的实现方式中，所述深度神经网络模型为卷积神经网络模型。
这里，本领域技术人员可以理解，上述金属矿山生产大数据智能分析方法中的各个步骤的具体操作已经在上面参考图1的金属矿山生产大数据智能分析系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4示出根据本申请的实施例的金属矿山生产大数据智能分析系统的应用场景图。如图4所示，在该应用场景中，首先，获取由传感器组采集的金属矿山生产现场数据的时间序列（图4中所示意的D），其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值，然后，将所述金属矿山生产现场数据的时间序列输入至部署有金属矿山生产大数据智能分析算法的服务器（图4中所示意的S）中，其中，所述服务器能够使用所述金属矿山生产大数据智能分析算法对所述金属矿山生产现场数据的时间序列进行处理以得到用于表示是否存在异常的分类结果。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种金属矿山生产大数据智能分析系统，其特征在于，包括：
金属矿山生产现场数据采集模块，用于获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；
数据规整分析模块，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；
多参数时序关联特征划分模块，用于对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
金属矿山生产现场全局语义编码模块，用于将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；
异常检测模块，用于基于所述金属矿山生产现场全局语义特征，确定是否存在异常；
其中，所述多参数时序关联特征划分模块，包括：
特征分布优化单元，用于对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；
特征图切分单元，用于对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
其中，所述特征分布优化单元，包括：
线性变换子单元，用于对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；
特征矩阵优化子单元，用于对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图；
其中，所述特征矩阵优化子单元，进一步用于：以如下优化公式对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图；其中，所述优化公式为：
；
其中，和/>分别是所述转换后的金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>和第/>位置的特征矩阵，且/>是尺度调节超参数，/>表示矩阵乘法，/>表示按位置点乘，/>表示矩阵加法，/>表示转置操作，/>是所述优化后金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>位置的特征矩阵。
2.根据权利要求1所述的金属矿山生产大数据智能分析系统，其特征在于，所述数据规整分析模块，包括：
金属矿山生产现场多参数时序表征单元，用于将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；
金属矿山生产现场多参数时序关联特征提取单元，用于通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
3.根据权利要求2所述的金属矿山生产大数据智能分析系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的金属矿山生产大数据智能分析系统，其特征在于，所述异常检测模块，用于：
将所述金属矿山生产现场多参数全时域上下文语义特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。
5.根据权利要求4所述的金属矿山生产大数据智能分析系统，其特征在于，所述异常检测模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述金属矿山生产现场多参数全时域上下文语义特征向量进行全连接编码以得到编码分类特征向量；以及，
分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
6.一种金属矿山生产大数据智能分析方法，其特征在于，包括：
获取由传感器组采集的金属矿山生产现场数据的时间序列，其中，所述金属矿山生产现场数据包括温度值、压力值、流量值、电流值、电压值和振动幅度值；
将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图；
对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
将所述金属矿山生产现场多参数时序关联特征图块的序列通过包含全连接层和双向门控循环单元的全局交互器以得到金属矿山生产现场多参数全时域上下文语义特征向量作为金属矿山生产现场全局语义特征；
基于所述金属矿山生产现场全局语义特征，确定是否存在异常；
其中，对所述金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列，包括：
对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图；
对所述优化后金属矿山生产现场多参数时序关联特征图进行特征图切分以得到金属矿山生产现场多参数时序关联特征图块的序列；
其中，对所述金属矿山生产现场多参数时序关联特征图进行特征分布优化以得到优化后金属矿山生产现场多参数时序关联特征图，包括：
对所述金属矿山生产现场多参数时序关联特征图进行线性变换以使得所述金属矿山生产现场多参数时序关联特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的金属矿山生产现场多参数时序关联特征图；
对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图；
其中，对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图，包括：以如下优化公式对所述转换后的金属矿山生产现场多参数时序关联特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后金属矿山生产现场多参数时序关联特征图；其中，所述优化公式为：
；
其中，和/>分别是所述转换后的金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>和第/>位置的特征矩阵，且/>是尺度调节超参数，/>表示矩阵乘法，/>表示按位置点乘，/>表示矩阵加法，/>表示转置操作，/>是所述优化后金属矿山生产现场多参数时序关联特征图的沿通道方向的第/>位置的特征矩阵。
7.根据权利要求6所述的金属矿山生产大数据智能分析方法，其特征在于，将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序关联特征图，包括：
将所述金属矿山生产现场数据的时间序列按照时间维度和参数样本维度进行数据规整和特征分析以得到金属矿山生产现场多参数时序表征矩阵；
通过基于深度神经网络模型的参数间时序关联模式特征提取器对所述金属矿山生产现场多参数时序表征矩阵进行特征提取以得到所述金属矿山生产现场多参数时序关联特征图。
8.根据权利要求7所述的金属矿山生产大数据智能分析方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108184.7A CN117635219B (zh) | 2024-01-26 | 2024-01-26 | 金属矿山生产大数据智能分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108184.7A CN117635219B (zh) | 2024-01-26 | 2024-01-26 | 金属矿山生产大数据智能分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117635219A CN117635219A (zh) | 2024-03-01 |
| CN117635219B true CN117635219B (zh) | 2024-04-26 |
Family
ID=90016709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410108184.7A Active CN117635219B (zh) | 2024-01-26 | 2024-01-26 | 金属矿山生产大数据智能分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635219B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117884032B (zh) * | 2024-03-11 | 2024-05-28 | 山东森杰清洁科技有限公司 | 一种污水净化用消毒剂及其制备方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN113688169A (zh) * | 2021-08-11 | 2021-11-23 | 北京科技大学 | 基于大数据分析的矿山安全隐患辨识与预警系统 |
| CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测系统及其检测方法 |
| CN115249331A (zh) * | 2022-09-22 | 2022-10-28 | 山东世纪矿山机电有限公司 | 基于卷积神经网络模型的矿山生态安全识别方法 |
| CN115409126A (zh) * | 2022-09-20 | 2022-11-29 | 辽宁大学 | 基于t-cnn模型的时间序列分类改进方法 |
| CN116756682A (zh) * | 2023-06-16 | 2023-09-15 | 中国矿业大学 | 一种震电磁多场数据融合方法及系统 |
| CN117037456A (zh) * | 2023-10-10 | 2023-11-10 | 山东科技大学 | 一种现场监测的矿山灾害预测预警方法及系统 |
| CN117036082A (zh) * | 2023-07-18 | 2023-11-10 | 湘煤立达矿山装备股份有限公司 | 一种智慧矿山管理系统及方法 |
| CN117115743A (zh) * | 2023-09-07 | 2023-11-24 | 凤阳明城矿产品有限公司 | 矿用安全生产监控系统及其方法 |
| CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
| CN117248967A (zh) * | 2023-10-13 | 2023-12-19 | 江西知时节科技有限公司 | 基于智慧感知的矿山安全监测系统及其方法 |
-
2024
- 2024-01-26 CN CN202410108184.7A patent/CN117635219B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN113688169A (zh) * | 2021-08-11 | 2021-11-23 | 北京科技大学 | 基于大数据分析的矿山安全隐患辨识与预警系统 |
| CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测系统及其检测方法 |
| CN115409126A (zh) * | 2022-09-20 | 2022-11-29 | 辽宁大学 | 基于t-cnn模型的时间序列分类改进方法 |
| CN115249331A (zh) * | 2022-09-22 | 2022-10-28 | 山东世纪矿山机电有限公司 | 基于卷积神经网络模型的矿山生态安全识别方法 |
| CN116756682A (zh) * | 2023-06-16 | 2023-09-15 | 中国矿业大学 | 一种震电磁多场数据融合方法及系统 |
| CN117036082A (zh) * | 2023-07-18 | 2023-11-10 | 湘煤立达矿山装备股份有限公司 | 一种智慧矿山管理系统及方法 |
| CN117115743A (zh) * | 2023-09-07 | 2023-11-24 | 凤阳明城矿产品有限公司 | 矿用安全生产监控系统及其方法 |
| CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
| CN117037456A (zh) * | 2023-10-10 | 2023-11-10 | 山东科技大学 | 一种现场监测的矿山灾害预测预警方法及系统 |
| CN117248967A (zh) * | 2023-10-13 | 2023-12-19 | 江西知时节科技有限公司 | 基于智慧感知的矿山安全监测系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于ZigBee技术的矿山监测与预警系统;尹盼;阳春华;;工业控制计算机;20090225(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117635219A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Searching for efficient multi-scale architectures for dense image prediction | |
| Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
| CN117635219B (zh) | 金属矿山生产大数据智能分析系统及方法 | |
| CN105184818A (zh) | 一种视频监控异常行为检测方法及其检测系统 | |
| CN117040917A (zh) | 一种具有监测预警功能的智慧型交换机 | |
| CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
| CN112183639B (zh) | 一种矿物图像识别与分类方法 | |
| Demir et al. | Automated steel surface defect detection and classification using a new deep learning-based approach | |
| CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
| KR20210029110A (ko) | 딥러닝 기반 소수 샷 이미지 분류 장치 및 방법 | |
| CN117392604A (zh) | 物联网实时信息监控管理系统及方法 | |
| Nakhaei et al. | A comprehensive review of froth surface monitoring as an aid for grade and recovery prediction of flotation process. Part B: Texture and dynamic features | |
| CN117123131A (zh) | 石油助剂的生产设备及其方法 | |
| CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
| CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
| CN111401360B (zh) | 优化车牌检测模型的方法及系统、车牌检测方法及系统 | |
| CN117115565A (zh) | 一种基于自主感知的图像分类方法、装置及智能终端 | |
| CN116363441A (zh) | 具备标记功能的管道腐蚀检测系统 | |
| CN116216234A (zh) | 基于视频的输煤系统智能监控系统及其方法 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| Shi et al. | BVCNN: a multi-object image recognition method based on the convolutional neural networks | |
| CN117746079B (zh) | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 | |
| CN116996008B (zh) | 光伏发电系统的安装方法及其系统 | |
| Priya et al. | An Enhanced Animal Species Classification and Prediction Engine using CNN | |
| CN117158904B (zh) | 基于行为分析的老年人认知障碍检测系统及方法 |
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 |