CN117636908A - 数字化矿山生产管控系统 - Google Patents

Abstract

本申请公开了一种数字化矿山生产管控系统，涉及智能管控领域，其通过实时监测采集黄金提炼设备的噪声信号，并在后端引入信号处理和分析算法来进行该噪声信号的分析，以此基于黄金提炼设备的噪声信号来判断该设备的工作状态是否存在异常。通过这样的方式，不需要依赖多组传感器，降低了传感器的安装和维护成本，同时，避免了传统的阈值监测法造成的低精度问题，从而提高了黄金提炼设备的状态监测准确性和实时性，为金矿生产过程的安全和高效运行提供支持。

Description

数字化矿山生产管控系统

技术领域

本申请涉及智能管控领域，且更为具体地，涉及一种数字化矿山生产管控系统。

背景技术

数字化矿山生产管控系统是一种利用现代信息技术手段对矿山生产过程进行全面监测、控制和管理的系统。在金矿提炼过程中，黄金提炼设备的正常工作状态对于提高生产效率和保障安全至关重要。因此，在数字化矿山生产管控系统中，对黄金提炼设备的工作状态进行监测和异常检测至关重要。

然而，传统的设备状态监测方法通常依赖于各种传感器，通过监测黄金提炼设备的振动、温度、电流等物理量与阈值的关系来判断该设备的工作状态是否存在异常。但由于传感器的安装和维护成本较高，并且传统监测方式通过分别对于黄金提炼设备的各个运行数据进行监测和阈值比较，并不能够很好地检测出设备状态的异常情况，无法满足监测需求。

因此，期望一种优化的数字化矿山生产管控系统。

发明内容

为了解决上述技术问题，提出了本申请。

根据本申请的一个方面，提供了一种数字化矿山生产管控系统，其包括：

噪声信号采集模块，用于获取被监控设备的噪声信号，其中，所述被监控设备为黄金提炼设备的任意一种；

信号预处理模块，用于对所述噪声信号进行信号预处理以得到预处理后噪声信号；

信号分帧模块，用于对所述预处理后噪声信号进行信号分帧以得到噪声信号帧的序列；

功率谱计算模块，用于计算所述噪声信号帧的序列中各个噪声信号帧的功率谱以得到功率谱的序列；

功率谱MFCC分析模块，用于对所述功率谱的序列中的各个功率谱进行MFCC分析以得到梅尔频率倒谱系数特征向量；

噪声功率谱特征提取模块，用于通过基于深度神经网络模型的噪声特征提取器对所述功率谱的序列进行特征提取以得到噪声功率谱特征图；

设备噪声模式表征模块，用于使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图作为设备噪声模式特征；

设备工作状态异常检测模块，用于基于所述设备噪声模式特征，确定被监控设备的工作状态是否存在异常。

在上述数字化矿山生产管控系统中，所述深度神经网络模型为三维卷积神经网络模型。

在上述数字化矿山生产管控系统中，所述设备噪声模式表征模块，用于：

将所述噪声功率谱特征图通过基于元网络的逐通道响应关联模块的卷积神经网络模型中进行处理以得到噪声功率谱增强语义特征图；

将所述梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后梅尔频率倒谱系数特征向量；

将所述线性修正后梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后梅尔频率倒谱系数特征向量；

以所述归一化后梅尔频率倒谱系数特征向量对所述噪声功率谱增强语义特征图进行沿通道维度的加权融合以得到所述设备噪声模式特征图。

在上述数字化矿山生产管控系统中，所述设备工作状态异常检测模块，包括：

噪声模式特征优化单元，用于对所述设备噪声模式特征图进行特征分布优化处理以得到优化设备噪声模式特征图；

工作状态检测单元，用于将所述优化设备噪声模式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被监控设备的工作状态是否存在异常。

在上述数字化矿山生产管控系统中，所述噪声模式特征优化单元，包括：

线性变换子单元，用于对所述设备噪声模式特征图进行线性变换以使得所述设备噪声模式特征图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设备噪声模式特征图；

特征矩阵优化子单元，用于对所述转换后的设备噪声模式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设备噪声模式特征图。

在上述数字化矿山生产管控系统中，所述工作状态检测单元，包括：

展开子单元，用于将所述优化设备噪声模式特征图基于行向量或列向量展开为分类特征向量；

全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

与现有技术相比，本申请提供的一种数字化矿山生产管控系统，其通过实时监测采集黄金提炼设备的噪声信号，并在后端引入信号处理和分析算法来进行该噪声信号的分析，以此基于黄金提炼设备的噪声信号来判断该设备的工作状态是否存在异常。通过这样的方式，不需要依赖多组传感器，降低了传感器的安装和维护成本，同时，避免了传统的阈值监测法造成的低精度问题，从而提高了黄金提炼设备的状态监测准确性和实时性，为金矿生产过程的安全和高效运行提供支持。

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。附图用来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数字化矿山生产管控系统的框图；

图2为根据本申请实施例的数字化矿山生产管控系统的系统架构图；

图3为根据本申请实施例的数字化矿山生产管控系统中设备工作状态异常检测模块的框图；

图4为根据本申请实施例的数字化矿山生产管控系统中噪声模式特征优化单元的框图。

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。

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。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

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。

传统的设备状态监测方法通常依赖于各种传感器，通过监测黄金提炼设备的振动、温度、电流等物理量与阈值的关系来判断该设备的工作状态是否存在异常。但由于传感器的安装和维护成本较高，并且传统监测方式通过分别对黄金提炼设备的各个运行数据进行监测和阈值比较，并不能够很好地检测出设备状态的异常情况，无法满足监测需求。因此，期望一种优化的数字化矿山生产管控系统。

在本申请的技术方案中，提出了一种数字化矿山生产管控系统。图1为根据本申请实施例的数字化矿山生产管控系统的框图。图2为根据本申请实施例的数字化矿山生产管控系统的系统架构图。如图1和图2所示，根据本申请的实施例的数字化矿山生产管控系统300，包括：噪声信号采集模块310，用于获取被监控设备的噪声信号，其中，所述被监控设备为黄金提炼设备的任意一种；信号预处理模块320，用于对所述噪声信号进行信号预处理以得到预处理后噪声信号；信号分帧模块330，用于对所述预处理后噪声信号进行信号分帧以得到噪声信号帧的序列；功率谱计算模块340，用于计算所述噪声信号帧的序列中各个噪声信号帧的功率谱以得到功率谱的序列；功率谱MFCC分析模块350，用于对所述功率谱的序列中的各个功率谱进行MFCC分析以得到梅尔频率倒谱系数特征向量；噪声功率谱特征提取模块360，用于通过基于深度神经网络模型的噪声特征提取器对所述功率谱的序列进行特征提取以得到噪声功率谱特征图；设备噪声模式表征模块370，用于使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图作为设备噪声模式特征；设备工作状态异常检测模块380，用于基于所述设备噪声模式特征，确定被监控设备的工作状态是否存在异常。

特别地，所述噪声信号采集模块310，用于获取被监控设备的噪声信号，其中，所述被监控设备为黄金提炼设备的任意一种。应可以理解，设备在运行过程中会产生各种噪声信号，这些信号包含了设备工作过程中内部的振动、摩擦、冲击等状态信息。这些信息与设备的工作状态密切相关，例如设备的运行速度、负载情况、零部件的磨损程度等。通过对噪声信号进行分析和处理，可以提取出与设备状态相关的特征。特别地，噪声信号受到多种因素的影响，例如设备的结构、工作环境、工艺参数等。这使得噪声信号具有多样性和鲁棒性，即使在不同的设备和工况下，噪声信号的特征也会有所差异。通过对噪声信号进行分析，可以捕捉到这些特征，从而实现对设备工作状态的检测和判断。

特别地，所述信号预处理模块320，用于对所述噪声信号进行信号预处理以得到预处理后噪声信号。考虑到所述噪声信号中可能包含来自环境、设备本身或其他干扰源的噪声成分。这些噪声成分会对后续的信号分析和特征提取造成干扰，降低对于设备工作状态监测的准确性。同时，还考虑到在某些情况下，噪声信号的幅值较小，难以直接进行分析和特征提取。因此，在本申请的技术方案中，需要对所述噪声信号进行信号预处理以得到预处理后噪声信号。特别地，所述信号预处理的步骤包括对于所述噪声信号进行滤波和放大以及增益调整等处理，其中，通过对噪声信号进行滤波处理，可以去除或减弱信号中与设备状态监测无关的噪声成分，使得信号更加清晰，有利于后续的处理和分析，并且，通过放大和增益调整处理，能够将信号的幅值调整到适当的范围，以便更好地提取特征和进行后续的处理。

特别地，所述信号分帧模块330，用于对所述预处理后噪声信号进行信号分帧以得到噪声信号帧的序列。应可以理解，在黄金提炼设备的工作过程中，所述噪声信号通常具有时间局部性，即在短时间内信号的统计特性相对稳定。而对于整个所述噪声信号进行特征分析和提取会产生大量的信息冗余，同时也会导致对于信号中的局部细节特征的感知能力较弱。因此，为了能够更为有效地进行所述噪声信号的特征分析和设备状态检测，在本申请的技术方案中，还需要对所述预处理后噪声信号进行信号分帧以得到噪声信号帧的序列。通过将信号分帧，可以将长时间的信号分解为多个短时段的信号片段，使得每个帧内的信号具有较好的时间局部性，更有利于后续的分析和特征提取。

特别地，所述功率谱计算模块340，用于计算所述噪声信号帧的序列中各个噪声信号帧的功率谱以得到功率谱的序列。计算所述噪声信号帧的序列中各个噪声信号帧的功率谱以得到功率谱的序列。应可以理解，所述噪声信号的频域特征对于设备状态的判断和异常检测非常重要。通过计算噪声信号帧的功率谱，可以得到每个帧内信号在不同频率上的能量分布情况，包括频谱形状、频率成分等。功率谱提供了噪声信号在频域上的特征信息，可以用于提取与设备状态相关的频域特征，这些特征可以用于判断设备的工作状态是否正常。也就是说，通过功率谱分析有助于了解噪声信号的功率特性，从而更好地判断设备的工作状态是否存在异常。

特别地，所述功率谱MFCC分析模块350，用于对所述功率谱的序列中的各个功率谱进行MFCC分析以得到梅尔频率倒谱系数特征向量。应可以理解，由于功率谱通常具有较高的维度，包含大量的频率信息，同时也包含大量的冗余信息，例如高频部分的能量较低，对于设备状态的判断作用较小。因此，在本申请的技术方案中，进一步对所述功率谱的序列中的各个功率谱进行MFCC分析以得到梅尔频率倒谱系数特征向量。应可以理解，MFCC是一种在语音和音频信号处理中广泛应用的特征提取方法。通过对各个所述功率谱进行MFCC分析，可以将频率轴上的线性刻度转换为梅尔刻度，更好地模拟人耳对声音频率的感知。也就是说，梅尔刻度更符合人类听觉系统的特性，能够更好地捕捉到信号的频率特征。因此，通过MFCC分析，可以对功率谱进行滤波和降维操作，去除冗余信息，保留与设备状态相关的主要频率特征，提高特征的判别能力，为设备工作状态异常检测提供更准确、有用的设备工作状态特征信息。

特别地，所述噪声功率谱特征提取模块360，用于通过基于深度神经网络模型的噪声特征提取器对所述功率谱的序列进行特征提取以得到噪声功率谱特征图。特别地，所述深度神经网络模型为三维卷积神经网络模型。考虑到由于所述功率谱的序列中的各个功率谱包含了每个噪声信号帧的功率特征信息，为了能够综合利用这些噪声信号帧的全局功率关联语义特征来提高设备状态异常检测的准确性，在本申请的技术方案中，进一步将所述功率谱的序列通过基于三维卷积神经网络模型的噪声特征提取器中进行特征挖掘，以提取出所述各个功率谱特征分布之间的关联语义特征信息，从而得到更具表征能力的噪声功率谱特征图，为设备工作状态异常检测提供更准确、鲁棒的特征表示。具体地，将所述功率谱的序列通过基于三维卷积神经网络模型的噪声特征提取器中进行特征挖掘以得到所述噪声功率谱特征图，包括：使用所述基于三维卷积神经网络模型的噪声特征提取器的各层在层的正向传递中分别对输入数据进行：对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池化以得到池化特征图；以及，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，所述基于三维卷积神经网络模型的噪声特征提取器的最后一层的输出为所述噪声功率谱特征图，所述基于三维卷积神经网络模型的噪声特征提取器的第一层的输入为所述功率谱的序列。

值得注意的是，三维卷积神经网络（3D CNN）是卷积神经网络（CNN）的一种扩展形式，用于处理具有时空关联性的数据。与传统的二维卷积神经网络（2D CNN）不同，3D CNN在输入数据的三个维度（宽度、高度和时间）上应用卷积操作，以提取时空特征。下面是3D CNN的步骤化展开：输入数据：3D CNN的输入是一个三维张量，通常表示为 [Batch Size,Channels, Depth, Height, Width]，其中 Batch Size 表示批量大小，Channels 表示通道数，Depth 表示时间维度，Height 表示高度维度，Width 表示宽度维度；卷积操作：在3DCNN中，卷积操作是在三个维度上进行的。卷积核是一个三维权重张量，与输入数据进行逐元素相乘并求和，得到输出特征图的一个元素。卷积操作可以在时间维度、高度维度和宽度维度上滑动，以提取时空特征；非线性激活函数：通常，在卷积操作之后，会应用一个非线性激活函数，如ReLU，以引入非线性特征；池化操作：可以选择在某些维度上进行池化操作，以减少特征图的尺寸并提取更重要的特征。常见的池化操作有最大池化和平均池化；扁平化：将池化操作后的特征图展平为一维向量，以便输入到全连接层或其他层进行进一步处理；全连接层：可以在3D CNN的顶部添加全连接层，以将特征向量映射到所需的输出类别。全连接层通常包括多个神经元和激活函数；输出：最后，根据任务的要求，可以选择适当的输出层类型，如softmax层用于分类问题，线性层用于回归问题等。3D CNN在处理时空数据方面非常有用，例如视频数据、医学图像、运动轨迹等。

特别地，所述设备噪声模式表征模块370，用于使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图作为设备噪声模式特征。应可以理解，所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图分别来自于不同的信号表示，具有不同的信息表达，其中，所述梅尔频率倒谱系数特征向量表达了各个噪声信号帧的功率谱的梅尔频率倒谱系数特征，所述噪声功率谱特征图表达了所述各个功率谱特征分布之间的关联语义特征信息。因此，为了能够更好地捕捉到设备噪声模式的特征信息，以提高设备工作状态异常检测的准确性，在本申请的技术方案中，进一步使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图。通过使用所述元网络逐通道响应融合模块进行处理，可以将这两种不同的特征表示进行跨模态融合，从而能够充分利用两种特征的互补性，增强噪声信号的功率谱特征的表示能力。也就是说，融合后的所述设备噪声模式特征图综合了所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图的信息，具有更丰富的特征表示能力。这有助于更好地捕捉设备噪声模式的特征信息，使得设备噪声模式特征图更好地适应具体的设备和工况，提高设备工作状态异常检测的准确性。具体地，使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图作为设备噪声模式特征，包括：将所述噪声功率谱特征图通过基于元网络的逐通道响应关联模块的卷积神经网络模型进行处理以得到噪声功率谱增强语义特征图；将所述梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后梅尔频率倒谱系数特征向量；将所述线性修正后梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后梅尔频率倒谱系数特征向量；以所述归一化后梅尔频率倒谱系数特征向量对所述噪声功率谱增强语义特征图进行沿通道维度的加权融合以得到所述设备噪声模式特征图。

特别地，所述设备工作状态异常检测模块380，用于基于所述设备噪声模式特征，确定被监控设备的工作状态是否存在异常。特别地，在本申请的一个具体示例中，如图3所示，所述设备工作状态异常检测模块380，包括：噪声模式特征优化单元381，用于对所述设备噪声模式特征图进行特征分布优化处理以得到优化设备噪声模式特征图；工作状态检测单元382，用于将所述优化设备噪声模式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被监控设备的工作状态是否存在异常。

具体地，所述噪声模式特征优化单元381，用于对所述设备噪声模式特征图进行特征分布优化处理以得到优化设备噪声模式特征图。特别地，在本申请的一个具体示例中，如图4所示，所述噪声模式特征优化单元381，包括：线性变换子单元3811，用于对所述设备噪声模式特征图进行线性变换以使得所述设备噪声模式特征图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设备噪声模式特征图；特征矩阵优化子单元3812，用于对所述转换后的设备噪声模式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设备噪声模式特征图。

更具体地，所述线性变换子单元3811，用于对所述设备噪声模式特征图进行线性变换以使得所述设备噪声模式特征图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设备噪声模式特征图。应可以理解，通过线性变换，可以使得设备噪声模式特征图中每个特征矩阵的宽度和高度相等。这样做的目的是为了在后续的处理过程中，能够对特征矩阵进行统一的操作和处理。

相应的，在一种可能的实现方式中，可通过以下步骤对所述设备噪声模式特征图进行线性变换以使得所述设备噪声模式特征图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设备噪声模式特征图，例如：输入所述噪声模式特征图；将所述设备噪声模式特征图转换为特征矩阵：将设备噪声模式特征图沿通道维度拆分为各个特征矩阵；对于每个特征矩阵，将其宽度和高度调整为相同的值；对于每个特征矩阵，应用线性变换操作。线性变换可以是简单的线性缩放操作，也可以是更复杂的线性组合操作，线性变换的目的是调整特征矩阵的数值范围和分布，使其更适合后续的处理和分析；将经过线性变换的特征矩阵重新组合，以得到所述转换后的设备噪声模式特征图。

更具体地，所述特征矩阵优化子单元3812，用于对所述转换后的设备噪声模式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设备噪声模式特征图。特别地，在本申请的技术方案中，所述噪声功率谱特征图的每个特征矩阵表达所述功率谱的序列中的单个功率谱的图像语义特征，而在通道维度上表达功率谱沿序列的局部关联，这样，使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理后，会进一步基于所述梅尔频率倒谱系数特征向量表达的各个功率谱的梅尔频率倒谱系数关联特征来对所述噪声功率谱特征图的通道维度分布进行约束，但是，这也使得所述设备噪声模式特征图在其通道分布上具有了多维度特征约束后的混合分布，从而期望提升所述设备噪声模式特征图的通道维度特征分布整体性，从而提升其通过分类器得到分类结果时的类收敛稳定性。因此，本申请的申请人首先对所述设备噪声模式特征图进行线性变换以使得特征矩阵的宽度和高度相等，然后对转换后的设备噪声模式特征图进行基于特征矩阵的优化，表示为：

；

其中和/>分别是所述转换后的设备噪声模式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，/>表示矩阵相乘，/>表示按位置点乘，/>表示按位置相加，/>是所述优化设备噪声模式特征图的沿通道方向的第/>位置的特征矩阵。这里，通过所述转换后的设备噪声模式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设备噪声模式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设备噪声模式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设备噪声模式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设备噪声模式特征图的特征表示的通道维度整体性，以改进其通过分类器得到分类结果时的类收敛稳定性，从而改善训练效果和分类结果的准确性。这样，能够基于黄金提炼设备的噪声信号来自动进行设备工作状态的检测，从而提高了黄金提炼设备的状态监测准确性和实时性，以更好地实现数字化的矿山生产管控，为金矿生产过程的安全和高效运行提供支持。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述设备噪声模式特征图进行特征分布优化处理以得到优化设备噪声模式特征图，例如：从设备噪声数据中提取特征；对提取的特征进行分布分析，了解特征的统计特性和分布情况。可以计算特征的均值、方差、偏度、峰度等统计量，并绘制特征的直方图、密度图等来观察特征的分布情况；根据特征分布的分析结果，进行优化处理以改善特征的分布情况。以下是一些常见的特征分布优化处理方法： 标准化：通过对特征进行线性变换，使其均值为0，方差为1。标准化可以使得特征具有相似的尺度，有助于模型的收敛和训练的稳定性；归一化：通过对特征进行线性变换，将其缩放到特定的范围，如[0, 1]。归一化可以保持特征的相对关系，并将其映射到固定的范围内；数据平滑：通过平均、滤波等方法，减少特征中的噪声和不规则性。数据平滑可以使特征更加平滑和稳定，有助于模型的泛化能力；数据变换：通过应用数学函数，如对数变换、指数变换等，改变特征的分布形态。数据变换可以使特征更加符合模型的假设和要求；根据优化处理后的特征分布，重新构建优化的设备噪声模式特征图，例如，可通过使用原始特征图与优化处理后的特征进行组合或替换，得到所述优化设备噪声模式特征图。

具体地，所述工作状态检测单元382，用于将所述优化设备噪声模式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被监控设备的工作状态是否存在异常。也就是，利用所述被监控设备的噪声模式特征信息来进行分类处理，以基于黄金提炼设备的噪声信号来判断该设备的工作状态是否存在异常，通过这样的方式，不需要依赖多组传感器，降低了传感器的安装和维护成本，同时，避免了传统的阈值监测法造成的低精度问题，从而提高了黄金提炼设备的状态监测准确性和实时性。更具体地，将所述优化设备噪声模式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被监控设备的工作状态是否存在异常，包括：将所述优化设备噪声模式特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的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被监控设备的工作状态存在异常(第一标签)，以及，被监控设备的工作状态不存在异常(第二标签)，其中，所述分类器通过Softmax分类函数来确定所述优化设备噪声模式特征图属于哪个分类标签。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“被监控设备的工作状态是否存在异常”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，被监控设备的工作状态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“被监控设备的工作状态是否存在异常”的语言文本意义。

分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述设备噪声模式特征，确定被监控设备的工作状态是否存在异常，例如：获取被监控设备的传感器数据。这些数据可以包括设备的实时温度、压力、振动等信息；对于正常工作状态下的设备，通过统计分析和建模方法来确定其噪声模式特征。这可以包括计算设备传感器数据的均值、方差、频谱分布等统计特征；通过使用信号处理和特征提取方法，如傅里叶变换、小波变换、时域特征提取等方法来提取设备传感器数据中的特征；将提取的特征与预先建立的噪声模式特征进行比较。可以使用各种异常检测算法，如基于阈值的方法、统计方法、机器学习方法等，来判断设备的工作状态是否存在异常；根据异常检测的结果，判断设备的工作状态是否存在异常。如果异常检测算法检测到异常，可以触发报警机制，通知相关人员进行进一步的处理和维修。

如上所述，根据本申请实施例的数字化矿山生产管控系统300可以实现在各种无线终端中，例如具有数字化矿山生产管控算法的服务器等。在一种可能的实现方式中，根据本申请实施例的数字化矿山生产管控系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该数字化矿山生产管控系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该数字化矿山生产管控系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该数字化矿山生产管控系统300与该无线终端也可以是分立的设备，并且该数字化矿山生产管控系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，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 (6)

1.一种数字化矿山生产管控系统，其特征在于，包括：

噪声信号采集模块，用于获取被监控设备的噪声信号，其中，所述被监控设备为黄金提炼设备的任意一种；

信号预处理模块，用于对所述噪声信号进行信号预处理以得到预处理后噪声信号；

信号分帧模块，用于对所述预处理后噪声信号进行信号分帧以得到噪声信号帧的序列；

功率谱计算模块，用于计算所述噪声信号帧的序列中各个噪声信号帧的功率谱以得到功率谱的序列；

功率谱MFCC分析模块，用于对所述功率谱的序列中的各个功率谱进行MFCC分析以得到梅尔频率倒谱系数特征向量；

噪声功率谱特征提取模块，用于通过基于深度神经网络模型的噪声特征提取器对所述功率谱的序列进行特征提取以得到噪声功率谱特征图；

设备噪声模式表征模块，用于使用元网络逐通道响应融合模块对所述梅尔频率倒谱系数特征向量和所述噪声功率谱特征图进行处理以得到设备噪声模式特征图作为设备噪声模式特征；

设备工作状态异常检测模块，用于基于所述设备噪声模式特征，确定被监控设备的工作状态是否存在异常。

2.根据权利要求1所述的数字化矿山生产管控系统，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。

3.根据权利要求2所述的数字化矿山生产管控系统，其特征在于，所述设备噪声模式表征模块，用于：

将所述噪声功率谱特征图通过基于元网络的逐通道响应关联模块的卷积神经网络模型中进行处理以得到噪声功率谱增强语义特征图；

将所述梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后梅尔频率倒谱系数特征向量；

将所述线性修正后梅尔频率倒谱系数特征向量通过所述基于元网络的逐通道响应关联模块的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后梅尔频率倒谱系数特征向量；

以所述归一化后梅尔频率倒谱系数特征向量对所述噪声功率谱增强语义特征图进行沿通道维度的加权融合以得到所述设备噪声模式特征图。

4.根据权利要求3所述的数字化矿山生产管控系统，其特征在于，所述设备工作状态异常检测模块，包括：

噪声模式特征优化单元，用于对所述设备噪声模式特征图进行特征分布优化处理以得到优化设备噪声模式特征图；

工作状态检测单元，用于将所述优化设备噪声模式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被监控设备的工作状态是否存在异常。

5.根据权利要求4所述的数字化矿山生产管控系统，其特征在于，所述噪声模式特征优化单元，包括：

线性变换子单元，用于对所述设备噪声模式特征图进行线性变换以使得所述设备噪声模式特征图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设备噪声模式特征图；

特征矩阵优化子单元，用于对所述转换后的设备噪声模式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设备噪声模式特征图。

6.根据权利要求5所述的数字化矿山生产管控系统，其特征在于，所述工作状态检测单元，包括：

展开子单元，用于将所述优化设备噪声模式特征图基于行向量或列向量展开为分类特征向量；

全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。