CN118038642A - 一种基于气体分析的矿用数字化气体参数预警系统及方法 - Google Patents

一种基于气体分析的矿用数字化气体参数预警系统及方法 Download PDF

Info

Publication number
CN118038642A
CN118038642A CN202410434144.1A CN202410434144A CN118038642A CN 118038642 A CN118038642 A CN 118038642A CN 202410434144 A CN202410434144 A CN 202410434144A CN 118038642 A CN118038642 A CN 118038642A
Authority
CN
China
Prior art keywords
gas
data
parameter
abnormal
early warning
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.)
Granted
Application number
CN202410434144.1A
Other languages
English (en)
Other versions
CN118038642B (zh
Inventor
付彦奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Branch Of Mosaic Safety Equipment Co ltd
Original Assignee
Nanjing Branch Of Mosaic Safety Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Branch Of Mosaic Safety Equipment Co ltd filed Critical Nanjing Branch Of Mosaic Safety Equipment Co ltd
Priority to CN202410434144.1A priority Critical patent/CN118038642B/zh
Publication of CN118038642A publication Critical patent/CN118038642A/zh
Application granted granted Critical
Publication of CN118038642B publication Critical patent/CN118038642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/16—Combustible gas alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Emergency Alarm Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于气体分析的矿用数字化气体参数预警系统及方法，属于可燃气体报警器领域，本发明基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据，获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，根据异常原因的查找向管理人员发布异常原因和气体异常预警命令，提高了矿井气体预警的准确性和时效性。

Description

一种基于气体分析的矿用数字化气体参数预警系统及方法
技术领域
本发明属于可燃气体报警器技术领域，具体的说是一种基于气体分析的矿用数字化气体参数预警系统及方法。
背景技术
矿用数字化气体参数测量预警系统包括有管道用红外甲烷传感器、管道用一氧化碳传感器，能自动、准确地监测管道内甲烷浓度、一氧化碳浓度、压力和温度等参数，具有甲烷浓度、一氧化碳浓度超限声光报警功能，能就地显示甲烷浓度、一氧化碳浓度的监测数值，并直接显示标准状态下被测甲烷气体的标况体积累积量；
例如授权公告号为CN115206061B的中国专利中公开了一种准确预警危险化工气体的楼道预警装置，包括墙体，墙体的一侧壁中部设置有导轨，导轨的一侧设置有升降机构，升降机构的顶端设置有柜体，且柜体与升降机构之间为固定连接；柜体的两侧侧壁顶部均贯穿设置有过滤机构，柜体顶端的一端设置有报警器，柜体顶端的另一端设置有激光气体遥测仪，柜体的一端侧壁底部设置有控制面板。本发明结构科学紧凑，能够通过气体探测器和激光气体遥测仪对楼道内的气体进行双重检测，从而能够提高楼道预警装置在预警过程中的准确性，并在出现火情或者化工气体泄漏时可以通过报警器对人们提供报警，提醒人们快速逃离；
同时例如在公开号为CN108922125A的中国专利中公开一种工业气体充装用于气体检测预警设备，包括底座、内壳体和外壳体，所述底座的顶部一端通过安装座安装有空气压缩机，所述空气压缩机的一端通过螺栓安装有减震器，所述减震器的顶部通过螺栓安装有限位座，且限位座内设置有外壳体，所述外壳体的顶部通过安装件设置有气体报警器，所述气体报警器的一端设置有排气管，且排气管上设置有单向气体流通阀，所述外壳体的一侧设置有温度控制器，所述温度控制器的下端设置有进风口，所述进风口内通过固定件设置有小型冷风扇，所述进风口的外侧通过螺钉安装有静电除尘滤网。该发明工业气体充装用于气体检测预警设备功能多样，操作简单，便于生产，适合广泛推广。
以上专利均存在本背景技术提出的问题：现有技术中只是从气体的输入及输出端进行监控，通过输入输出端气体存在的偏差来判断气体是否出现泄漏，进而对人们进行预警，但是无法快速锁定气体异常的原因，导致降低了矿井气体预警的准确性和时效性，现有技术中均存在上述问题，为了解决这些问题，本申请设计了一种基于气体分析的矿用数字化气体参数预警系统及方法。
发明内容
针对现有技术的不足，本发明提出了一种基于气体分析的矿用数字化气体参数预警系统及方法。
为实现上述目的，本发明提供如下技术方案：
一种基于气体分析的矿用数字化气体参数预警方法，其包括以下具体步骤：
S1、在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集；
S2、基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据；
S3、获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警；
S4、将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找；
S5、根据异常原因的查找向管理人员发布异常原因和气体异常预警命令。
本发明进一步的改进在于，所述S1包括以下具体步骤：
S11、在矿井中每隔指定距离设置监测节点，在每个监测节点上均设置传感模组对监测节点的各种气体的气体参数进行采集，将采集的各种气体的气体参数储存在第一储存模组中；
S12、对矿井内部的各个监测节点的环境数据进行采集，其中环境数据包括温度、湿度和矿井中电磁干扰强度数据，将采集的各个监测节点的环境数据储存在第二储存模组中。
本发明进一步的改进在于，所述S2的具体步骤如下：
S21、获取历史环境数据和传感模组气体参数采集数据，同时获取历史环境数据对应的气体参数实际数据，构建输入为环境数据和传感模组气体参数采集数据，输出为环境数据对应的气体参数实际数据的深度学习神经网络模型；
S22、将提取的历史环境数据、传感模组气体参数采集数据和历史环境数据对应的气体参数实际数据分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足气体参数实际数据准确度的最优初始深度学习神经网络模型作为初始深度学习神经网络模型，其中，初始深度学习神经网络模型中的输出策略公式为：，其中/>为z+1层p项神经元的输出，/>为第z层神经元j与z+1层p项神经元的连接权重，/>代表第z层神经元j的输入，/>代表第z层神经元j与z+1层p项神经元的线性关系的偏置，/>代表Sigmoid激活函数，m为z层神经元的个数；
S23、将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据。
本发明进一步的改进在于，所述S3中异常值计算策略的具体内容为：
S31、获取实时的实际气体参数数据和环境数据，将气体参数数据代入气体差距值计算公式中计算气体差距值，其中，气体差距值计算公式为：，其中，n为监测节点的气体个数，/>为监测节点第i个气体的气体含量参数，/>为监测节点第i个气体的气体含量参数安全范围最大值，/>为监测节点第i个气体的气体含量参数安全范围最小值，/>为监测节点第i个气体的气体含量参数安全范围最接近/>的值，/>为监测节点第i个气体的气体含量参数的占比系数，其中，/>；
S32、将获取得到的环境温度和湿度数据代入环境差距值计算公式中计算环境差距值，环境差距值计算公式为：，T为矿井环境温度数据，D为环境湿度数据，/>为矿井温度安全范围的中值，/>为矿井湿度安全范围的中值，/>为矿井温度安全范围的最大值，/>为矿井温度安全范围的最小值，/>为矿井湿度安全范围的最大值，为矿井湿度安全范围的最小值；
S33、将计算得到的气体差距值和环境差距值代入异常值计算公式中计算异常值，异常值计算公式为：，其中，/>为气体差距值占比系数，/>为环境差距值占比系数，其中，/>；
S34、将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警；
在此需要说明的是，这里的异常阈值、监测节点第i个气体的气体含量参数的占比系数、气体差距值占比系数和环境差距值占比系数的取值方式为：取5000组历史气体参数数据和环境数据，聘请500名本领域的专家进行危险场景的区分，将区分结果、历史气体参数数据和环境数据代入异常值计算公式中计算异常值，将异常值和危险区分结果导入拟合软件中进行最优异常阈值、监测节点第i个气体的气体含量参数的占比系数、气体差距值占比系数和环境差距值占比系数取值的输出。
本发明进一步的改进在于，所述S4中原因查找策略包括以下具体内容：
获取历史异常原因、异常原因对应的历史气体参数数据和环境数据，同时提取实际气体参数数据和环境数据代入原因相似值计算公式中进行原因相似值的计算，原因相似值计算公式为：，其中，/>为第z个历史异常原因对应的第i个气体的气体含量参数数据，/>为第z个历史异常原因对应的温度数据，/>为第z个历史异常原因对应的湿度数据，将计算得到的原因相似值升序排列，取最小的原因相似值对应的历史异常原因设为此次故障的原因。
本发明进一步的改进在于，所述S5包括以下具体内容：
获取此次故障的原因，向维护端管理人员通过有线或无线传输的方式发布异常原因和气体异常预警命令。
一种基于气体分析的矿用数字化气体参数预警系统，其基于上述一种基于气体分析的矿用数字化气体参数预警方法实现，其具体包括：数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块、预警模块和控制模块，所述数据获取模块用于在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集，所述深度学习神经网络模型构建模块用于基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据。
本发明进一步的改进在于，所述异常值计算模块用于获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，同时将异常值与异常阈值进行对比，所述异常原因查找模块用于将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，所述预警模块用于根据异常原因的查找向管理人员发布异常原因和气体异常预警命令。
本发明进一步的改进在于，所述控制模块用于控制数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块和预警模块的运行。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于气体分析的矿用数字化气体参数预警方法。
一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于气体分析的矿用数字化气体参数预警方法。
与现有技术相比，本发明的有益效果是：
本发明在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集，基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据，获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，根据异常原因的查找向管理人员发布异常原因和气体异常预警命令，提高了矿井气体预警的准确性和时效性。
附图说明
图1为本发明一种基于气体分析的矿用数字化气体参数预警方法流程示意图；
图2为本发明一种基于气体分析的矿用数字化气体参数预警方法S2步具体流程示意图；
图3为本发明一种基于气体分析的矿用数字化气体参数预警方法S3步具体流程示意图；
图4为本发明一种基于气体分析的矿用数字化气体参数预警系统框架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图3，本发明提供的一种实施例：一种基于气体分析的矿用数字化气体参数预警方法，其包括以下具体步骤：
S1、在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集；
S2、基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据；
S3、获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警；
S4、将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找；
S5、根据异常原因的查找向管理人员发布异常原因和气体异常预警命令；
在此需要说明的是，S1包括以下具体步骤：
S11、在矿井中每隔指定距离设置监测节点，在每个监测节点上均设置传感模组对监测节点的各种气体的气体参数进行采集，将采集的各种气体的气体参数储存在第一储存模组中；
S12、对矿井内部的各个监测节点的环境数据进行采集，其中环境数据包括温度、湿度和矿井中电磁干扰强度数据，将采集的各个监测节点的环境数据储存在第二储存模组中；
S13、将监测得到的气体数据和环境数据通过物联网传输模组传输至服务器；
在此需要说明的是，S2的具体步骤如下：
S21、获取历史环境数据和传感模组气体参数采集数据，同时获取历史环境数据对应的气体参数实际数据，构建输入为环境数据和传感模组气体参数采集数据，输出为环境数据对应的气体参数实际数据的深度学习神经网络模型；
以下是一个用 Python 和 TensorFlow 构建深度学习神经网络模型的示例代码，用于训练基于环境数据和传感模组气体参数采集数据的模型，来预测环境数据对应的气体参数实际数据：
python
import tensorflow as tf
import numpy as np
# 构建神经网络模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(input_dim,)),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(output_dim)
])
# 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=tf.keras.losses.MeanSquaredError())
# 训练模型
model.fit(X_train, Y_train, batch_size=32, epochs=10)
# 使用模型进行预测
predictions = model.predict(X_test)
需要注意的是，上述示例代码是一个简化的示例，仅包含模型的构建、训练和预测部分，需要根据实际需求来调整模型的结构和参数，以及加载历史环境数据和传感模组气体参数采集数据；
S22、将提取的历史环境数据、传感模组气体参数采集数据和历史环境数据对应的气体参数实际数据分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足气体参数实际数据准确度的最优初始深度学习神经网络模型作为初始深度学习神经网络模型，其中，初始深度学习神经网络模型中的输出策略公式为：，其中/>为z+1层p项神经元的输出，/>为第z层神经元j与z+1层p项神经元的连接权重，/>代表第z层神经元j的输入，/>代表第z层神经元j与z+1层p项神经元的线性关系的偏置，/>代表Sigmoid激活函数，m为z层神经元的个数；
S23、将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据；
在此需要说明的是，S3中异常值计算策略的具体内容为：
S31、获取实时的实际气体参数数据和环境数据，将气体参数数据代入气体差距值计算公式中计算气体差距值，其中，气体差距值计算公式为：，其中，n为监测节点的气体个数，/>为监测节点第i个气体的气体含量参数，/>为监测节点第i个气体的气体含量参数安全范围最大值，/>为监测节点第i个气体的气体含量参数安全范围最小值，/>为监测节点第i个气体的气体含量参数安全范围最接近/>的值，/>为监测节点第i个气体的气体含量参数的占比系数，其中，/>；
S32、将获取得到的环境温度和湿度数据代入环境差距值计算公式中计算环境差距值，环境差距值计算公式为：，T为矿井环境温度数据，D为环境湿度数据，/>为矿井温度安全范围的中值，/>为矿井湿度安全范围的中值，/>为矿井温度安全范围的最大值，/>为矿井温度安全范围的最小值，/>为矿井湿度安全范围的最大值，为矿井湿度安全范围的最小值；
S33、将计算得到的气体差距值和环境差距值代入异常值计算公式中计算异常值，异常值计算公式为：，其中，/>为气体差距值占比系数，/>为环境差距值占比系数，其中，/>；
S34、将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警；
在此需要说明的是，这里的异常阈值、监测节点第i个气体的气体含量参数的占比系数、气体差距值占比系数和环境差距值占比系数的取值方式为：取5000组历史气体参数数据和环境数据，聘请500名本领域的专家进行危险场景的区分，将区分结果、历史气体参数数据和环境数据代入异常值计算公式中计算异常值，将异常值和危险区分结果导入拟合软件中进行最优异常阈值、监测节点第i个气体的气体含量参数的占比系数、气体差距值占比系数和环境差距值占比系数取值的输出；
在此需要说明的是，S4中原因查找策略包括以下具体内容：
获取历史异常原因、异常原因对应的历史气体参数数据和环境数据，同时提取实际气体参数数据和环境数据代入原因相似值计算公式中进行原因相似值的计算，原因相似值计算公式为：，其中，/>为第z个历史异常原因对应的第i个气体的气体含量参数数据，/>为第z个历史异常原因对应的温度数据，/>为第z个历史异常原因对应的湿度数据，将计算得到的原因相似值升序排列，取最小的原因相似值对应的历史异常原因设为此次故障的原因；
在此需要说明的是，S5包括以下具体内容：
获取此次故障的原因，向维护端管理人员通过有线或无线传输的方式发布异常原因和气体异常预警命令。
通过本实施例能够实现：在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集，基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据，获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，根据异常原因的查找向管理人员发布异常原因和气体异常预警命令，提高了矿井气体预警的准确性和时效性。
实施例2
如图4所示，一种基于气体分析的矿用数字化气体参数预警系统，其基于上述一种基于气体分析的矿用数字化气体参数预警方法实现，其具体包括：数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块、预警模块和控制模块，数据获取模块用于在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集，深度学习神经网络模型构建模块用于基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据；异常值计算模块用于获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，同时将异常值与异常阈值进行对比，异常原因查找模块用于将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，预警模块用于根据异常原因的查找向管理人员发布异常原因和气体异常预警命令；控制模块用于控制数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块和预警模块的运行。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于气体分析的矿用数字化气体参数预警方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于气体分析的矿用数字化气体参数预警方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于气体分析的矿用数字化气体参数预警方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。

Claims (12)

1.一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，其包括以下具体步骤：
S1、在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集；
S2、基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据；
S3、获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警；
S4、将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找；
S5、根据异常原因的查找向管理人员发布异常原因和气体异常预警命令。
2.如权利要求1所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，所述S1包括以下具体步骤：
S11、在矿井中每隔指定距离设置监测节点，在每个监测节点上均设置传感模组对监测节点的各种气体的气体参数进行采集，将采集的各种气体的气体参数储存在第一储存模组中；
S12、对矿井内部的各个监测节点的环境数据进行采集，其中环境数据包括温度、湿度和矿井中电磁干扰强度数据，将采集的各个监测节点的环境数据储存在第二储存模组中。
3.如权利要求2所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于：所述S2的具体步骤如下：
S21、获取历史环境数据和传感模组气体参数采集数据，同时获取历史环境数据对应的气体参数实际数据，构建输入为环境数据和传感模组气体参数采集数据，输出为环境数据对应的气体参数实际数据的深度学习神经网络模型；
S22、将提取的历史环境数据、传感模组气体参数采集数据和历史环境数据对应的气体参数实际数据分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足气体参数实际数据准确度的最优初始深度学习神经网络模型作为初始深度学习神经网络模型，其中，初始深度学习神经网络模型中的输出策略公式为：，其中/>为z+1层p项神经元的输出，/>为第z层神经元j与z+1层p项神经元的连接权重，/>代表第z层神经元j的输入，/>代表第z层神经元j与z+1层p项神经元的线性关系的偏置，/>代表Sigmoid激活函数，m为z层神经元的个数；
S23、将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据。
4.如权利要求3所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，所述S3中异常值计算策略的具体内容为：
S31、获取实时的实际气体参数数据和环境数据，将气体参数数据代入气体差距值计算公式中计算气体差距值，其中，气体差距值计算公式为：，其中，n为监测节点的气体个数，/>为监测节点第i个气体的气体含量参数，/>为监测节点第i个气体的气体含量参数安全范围最大值，/>为监测节点第i个气体的气体含量参数安全范围最小值，/>为监测节点第i个气体的气体含量参数安全范围最接近/>的值，/>为监测节点第i个气体的气体含量参数的占比系数，其中，/>；
S32、将获取得到的环境温度和湿度数据代入环境差距值计算公式中计算环境差距值，环境差距值计算公式为：，T为矿井环境温度数据，D为环境湿度数据，/>为矿井温度安全范围的中值，/>为矿井湿度安全范围的中值，/>为矿井温度安全范围的最大值，/>为矿井温度安全范围的最小值，/>为矿井湿度安全范围的最大值，/>为矿井湿度安全范围的最小值。
5.如权利要求4所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，所述S3中异常值计算策略还包括以下具体内容：
S33、将计算得到的气体差距值和环境差距值代入异常值计算公式中计算异常值，异常值计算公式为：，其中，/>为气体差距值占比系数，/>为环境差距值占比系数，其中，/>；
S34、将异常值与异常阈值进行对比，若异常值大于等于异常阈值则进行S4，若异常值小于异常阈值，则不进行预警。
6.如权利要求5所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，所述S4中原因查找策略包括以下具体内容：
获取历史异常原因、异常原因对应的历史气体参数数据和环境数据，同时提取实际气体参数数据和环境数据代入原因相似值计算公式中进行原因相似值的计算，原因相似值计算公式为：，其中，/>为第z个历史异常原因对应的第i个气体的气体含量参数数据，/>为第z个历史异常原因对应的温度数据，/>为第z个历史异常原因对应的湿度数据，将计算得到的原因相似值升序排列，取最小的原因相似值对应的历史异常原因设为此次故障的原因。
7.如权利要求6所述的一种基于气体分析的矿用数字化气体参数预警方法，其特征在于，所述S5包括以下具体内容：
获取此次故障的原因，向维护端管理人员通过有线或无线传输的方式发布异常原因和气体异常预警命令。
8.一种基于气体分析的矿用数字化气体参数预警系统，其基于如权利要求1-7任一项的所述一种基于气体分析的矿用数字化气体参数预警方法实现，其特征在于，其具体包括：数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块、预警模块和控制模块，所述数据获取模块用于在监测节点设置传感模组对监测节点的气体参数进行采集，同时对监测节点的环境数据进行采集，所述深度学习神经网络模型构建模块用于基于历史环境数据和传感模组气体参数采集数据构建深度学习神经网络模型，将获取的实时气体参数数据和环境数据代入深度学习神经网络模型中输出实际气体参数数据。
9.如权利要求8中所述的一种基于气体分析的矿用数字化气体参数预警系统，其特征在于，所述异常值计算模块用于获取实际气体参数数据和环境数据代入异常值计算策略中进行异常值的计算，同时将异常值与异常阈值进行对比，所述异常原因查找模块用于将判断的实际气体参数数据和环境数据代入原因查找策略中进行异常原因的查找，所述预警模块用于根据异常原因的查找向管理人员发布异常原因和气体异常预警命令。
10.如权利要求9中所述的一种基于气体分析的矿用数字化气体参数预警系统，其特征在于，所述控制模块用于控制数据获取模块、深度学习神经网络模型构建模块、异常值计算模块、异常原因查找模块和预警模块的运行。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-7任一项所述的一种基于气体分析的矿用数字化气体参数预警方法。
12.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的一种基于气体分析的矿用数字化气体参数预警方法。
CN202410434144.1A 2024-04-11 2024-04-11 一种基于气体分析的矿用数字化气体参数预警系统及方法 Active CN118038642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410434144.1A CN118038642B (zh) 2024-04-11 2024-04-11 一种基于气体分析的矿用数字化气体参数预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410434144.1A CN118038642B (zh) 2024-04-11 2024-04-11 一种基于气体分析的矿用数字化气体参数预警系统及方法

Publications (2)

Publication Number Publication Date
CN118038642A true CN118038642A (zh) 2024-05-14
CN118038642B CN118038642B (zh) 2024-06-14

Family

ID=90993521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410434144.1A Active CN118038642B (zh) 2024-04-11 2024-04-11 一种基于气体分析的矿用数字化气体参数预警系统及方法

Country Status (1)

Country Link
CN (1) CN118038642B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246905A (zh) * 2024-05-23 2024-06-25 北京金泰康辰生物科技有限公司 一种基于数据分析的小分子检测设备维护管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127849A (zh) * 2019-12-19 2020-05-08 浙江天禄环境科技有限公司 一种综合考虑气象及化工厂周边区域的事故预警方法
CN111444233A (zh) * 2020-02-15 2020-07-24 中国环境监测总站 基于复制器神经网络模型发现环境监测异常数据的方法
CN113763667A (zh) * 2021-08-16 2021-12-07 镇江默勒电器有限公司 一种基于5g边缘计算的火灾预警及状态监测装置及方法
KR20220049674A (ko) * 2020-10-14 2022-04-22 한국전자통신연구원 딥러닝을 이용한 제어 시스템의 이상 탐지 장치 및 방법
CN117437740A (zh) * 2023-12-11 2024-01-23 江苏南工科技集团有限公司 一种基于大数据技术的工业消防风险预警与分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127849A (zh) * 2019-12-19 2020-05-08 浙江天禄环境科技有限公司 一种综合考虑气象及化工厂周边区域的事故预警方法
CN111444233A (zh) * 2020-02-15 2020-07-24 中国环境监测总站 基于复制器神经网络模型发现环境监测异常数据的方法
KR20220049674A (ko) * 2020-10-14 2022-04-22 한국전자통신연구원 딥러닝을 이용한 제어 시스템의 이상 탐지 장치 및 방법
CN113763667A (zh) * 2021-08-16 2021-12-07 镇江默勒电器有限公司 一种基于5g边缘计算的火灾预警及状态监测装置及方法
CN117437740A (zh) * 2023-12-11 2024-01-23 江苏南工科技集团有限公司 一种基于大数据技术的工业消防风险预警与分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246905A (zh) * 2024-05-23 2024-06-25 北京金泰康辰生物科技有限公司 一种基于数据分析的小分子检测设备维护管理系统

Also Published As

Publication number Publication date
CN118038642B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN118038642B (zh) 一种基于气体分析的矿用数字化气体参数预警系统及方法
CN101251942B (zh) 地下空间火灾智能检测预警预报方法及装置
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN101162545A (zh) 高层建筑火灾光温复合智能监测预报装置
CN114237167B (zh) 一种工业生产过程的异常监测系统和方法
CN117079442B (zh) 基于数据分析的化工园区危化气体泄漏扩散监测系统
CN114462309B (zh) 一种物理仿真模型训练方法、装置、设备和存储介质
CN116485038B (zh) 一种压力储罐区火灾次生多米诺事故的动态预测方法
CN118228601B (zh) 一种氦气储气泄露预警系统及方法
CN118153948B (zh) 基于深度学习的氢气储能设备泄漏故障预警方法及装置
Dong et al. Emission monitoring using multivariate soft sensors
CN116659568A (zh) 一种船舶涂装车间现场环境监测系统
Brodny et al. Applying an automatic gasometry system and a fuzzy set theory to assess the state of gas hazard during the coal mining production process
CN117763934A (zh) 一种基于深度学习的微型管廊气体监测方法及系统
CN116629024A (zh) 铸造工艺粉尘排放数据预测方法及系统
US20040249578A1 (en) Nox software sensor
CN114581046A (zh) 基于大数据和云计算的数据处理方法及大数据服务平台
Wang et al. A novel IoT-based framework with Prognostics and Health Management and short term fire risk assessment in smart firefighting system
Wang et al. A state monitoring method of gas regulator station based on evidence theory driven by time-domain information
CN201117044Y (zh) 基于光温复合智能监测的高层建筑火灾预报装置
Xie et al. Optimal layout scheme of fire detectors and operation condition monitoring technology in urban integrated substation
CN117994939B (zh) 基于物联网的气体监测预警系统及方法
CN111981326A (zh) 一种管廊漏水检测方法和装置
CN118484767B (zh) 一种井下监测数据智能处理方法和系统

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
GR01 Patent grant
GR01 Patent grant