CN118167426A - 用于矿井安全管理的智能监控设备及方法 - Google Patents
用于矿井安全管理的智能监控设备及方法 Download PDFInfo
- Publication number
- CN118167426A CN118167426A CN202410156863.1A CN202410156863A CN118167426A CN 118167426 A CN118167426 A CN 118167426A CN 202410156863 A CN202410156863 A CN 202410156863A CN 118167426 A CN118167426 A CN 118167426A
- Authority
- CN
- China
- Prior art keywords
- mine
- environment
- parameter
- time sequence
- training
- 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 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 156
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 239000002817 coal dust Substances 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 110
- 238000012549 training Methods 0.000 claims description 90
- 238000012512 characterization method Methods 0.000 claims description 22
- 238000012806 monitoring device Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 14
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 238000011176 pooling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer 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
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
本申请公开了一种用于矿井安全管理的智能监控设备及方法,其通过利用传感器网络采集矿井内的温度、湿度、瓦斯浓度和煤尘浓度等多种环境参数,并在后端引入数据处理和分析算法来进行这些矿井内环境参数的时序协同分析,以此根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。这样,能够基于矿井内的多种环境参数之间的时序关联变化来综合进行矿井内环境的异常检测,并在发现异常情况时自动产生环境异常预警提示,以便及时采取应对措施,通过这样的方式,能够提高矿井安全管理水平和保障矿工生命安全性。
Description
技术领域
本申请涉及智能监控领域,且更为具体地,涉及一种用于矿井安全管理的智能监控设备及方法。
背景技术
矿井安全管理一直是矿山行业中的重要任务之一。由于矿井环境的复杂性和危险性,及时监测和预警矿井内的环境异常情况对于保障矿工的生命安全和矿山设备的正常运行至关重要。
然而,传统的矿井安全监控设备通常只能对单一的环境参数进行测量和报警,不能有效地反映矿井内环境的整体状态和变化趋势,也不能及时地发现和预防环境异常和灾害风险。
因此,期望一种用于矿井安全管理的智能监控设备。
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用于矿井安全管理的智能监控设备及方法,其通过利用传感器网络采集矿井内的温度、湿度、瓦斯浓度和煤尘浓度等多种环境参数,并在后端引入数据处理和分析算法来进行这些矿井内环境参数的时序协同分析,以此根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。这样,能够基于矿井内的多种环境参数之间的时序关联变化来综合进行矿井内环境的异常检测,并在发现异常情况时自动产生环境异常预警提示,以便及时采取应对措施,通过这样的方式,能够提高矿井安全管理水平和保障矿工生命安全性。
根据本申请的一个方面,提供了一种用于矿井安全管理的智能监控设备,其包括:
矿井内环境数据采集模块,用于获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;
环境参数时间序列切分模块,用于基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;
环境多参数局部时序关联特征提取模块,用于将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;
环境状态语义波动度量模块,用于对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;
环境异常预警模块,用于基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
根据本申请的另一个方面,提供了一种用于矿井安全管理的智能监控方法,其包括:
获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;
基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;
将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;
对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;
基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
与现有技术相比,本申请提供的一种用于矿井安全管理的智能监控设备及方法,其通过利用传感器网络采集矿井内的温度、湿度、瓦斯浓度和煤尘浓度等多种环境参数,并在后端引入数据处理和分析算法来进行这些矿井内环境参数的时序协同分析,以此根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。这样,能够基于矿井内的多种环境参数之间的时序关联变化来综合进行矿井内环境的异常检测,并在发现异常情况时自动产生环境异常预警提示,以便及时采取应对措施,通过这样的方式,能够提高矿井安全管理水平和保障矿工生命安全性。
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用于矿井安全管理的智能监控设备的框图;
图2为根据本申请实施例的用于矿井安全管理的智能监控设备的系统架构图;
图3为根据本申请实施例的用于矿井安全管理的智能监控设备的训练阶段的框图;
图4为根据本申请实施例的用于矿井安全管理的智能监控方法的流程图。
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。
传统的矿井安全监控设备通常只能对单一的环境参数进行测量和报警,不能有效地反映矿井内环境的整体状态和变化趋势,也不能及时地发现和预防环境异常和灾害风险。因此,期望一种用于矿井安全管理的智能监控设备。
在本申请的技术方案中,提出了一种用于矿井安全管理的智能监控设备。图1为根据本申请实施例的用于矿井安全管理的智能监控设备的框图。图2为根据本申请实施例的用于矿井安全管理的智能监控设备的系统架构图。如图1和图2所示,根据本申请的实施例的用于矿井安全管理的智能监控设备300,包括:矿井内环境数据采集模块310,用于获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;环境参数时间序列切分模块320,用于基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;环境多参数局部时序关联特征提取模块330,用于将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;环境状态语义波动度量模块340,用于对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;环境异常预警模块350,用于基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
特别地,所述矿井内环境数据采集模块310,用于获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值。应可以理解,矿井内的温度、湿度、瓦斯浓度和煤尘浓度是矿井安全监测的重要指标。通过实时监测和分析这些参数的变化,可以及时发现潜在的安全隐患,如高温、高湿度、瓦斯积聚和煤尘爆炸等。因此,在本申请的技术方案中,通过利用传感器网络采集矿井内的温度、湿度、瓦斯浓度和煤尘浓度等多种环境参数,并在后端引入数据处理和分析算法来进行这些矿井内环境参数的时序协同分析,以此根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。
特别地,所述环境参数时间序列切分模块320,用于基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列。应可以理解,所述矿井内环境参数的时序数据通常是连续采集的,包含了大量的时间点和对应的环境参数值。并且,在矿井内的不同环境参数之间存在一定的关联性。例如,温度和湿度可能会相互影响,瓦斯浓度和煤尘浓度也可能存在相关性。然而,若对于整个矿井内环境参数的时间序列进行分析,可能难以捕捉到矿井内环境参数中各个参数项之间的细微时序动态关联和变化趋势,也难以察觉到异常的波动情况。因此,为了能够更为充分和细致地处理和分析矿井内环境参数的时序数据,以便更好地捕捉到环境参数的局部时序关联变化和趋势,在本申请的技术方案中,需要基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列。这样,能够便于后续更好地捕捉到矿井内环境参数的时序关联变化模式和趋势,从而提高对环境异常的检测和预警能力。
特别地,所述环境多参数局部时序关联特征提取模块330,用于将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列。特别地,所述深度神经网络模型为卷积神经网络模型。也就是,将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于卷积神经网络模型的环境参数时序关联特征提取器中进行特征挖掘,以分别提取出所述矿井内环境参数中的各个参数项在每个局部时间段中的局部时序协同关联特征信息,从而得到矿井内环境多参数时序关联特征向量的序列。具体地,使用所述基于卷积神经网络模型的环境参数时序关联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,所述基于卷积神经网络模型的环境参数时序关联特征提取器的最后一层的输出为所述矿井内环境多参数时序关联特征向量的序列,所述基于卷积神经网络模型的环境参数时序关联特征提取器的第一层的输入为所述矿井内环境多参数时序矩阵。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于处理具有网格结构数据(如图像、音频、文本等)的任务。CNN通过在输入数据上应用卷积操作来提取特征,并通过多个卷积层和池化层来逐渐提取更高级别的特征。下面是卷积神经网络模型的基本结构:卷积层:卷积层是CNN的核心组件。它通过在输入数据上应用卷积操作来提取特征。卷积操作使用卷积核(也称为滤波器)在输入数据上滑动,并计算每个位置上的卷积结果。卷积操作可以捕捉数据的局部关系和模式,并生成特征图作为输出;激活函数:卷积层的输出通常会通过激活函数进行非线性变换。常用的激活函数包括ReLU、Sigmoid和Tanh等。激活函数引入非线性特性,增加模型的表达能力;池化层:池化层用于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。池化操作可以减少模型的参数数量,降低计算复杂度,并提高模型的鲁棒性;全连接层:全连接层将池化层的输出展平,并与输出层连接。全连接层的神经元与前一层的所有神经元相连,可以学习到更高级别的特征表示。最后一个全连接层通常用于分类任务,输出模型的预测结果。
特别地,所述环境状态语义波动度量模块340,用于对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征。考虑到若矿井内的环境趋于正常,那么在各个局部时间段中的关于矿井内多参数局部时序关联特征之间的环境状态语义波动程度较小。基于此,为了能够评估在不同局部时间段中关于矿井内多参数局部时序关联特征之间的相对稳定性,以此来更为准确地进行矿井内环境异常检测和预警,在本申请的技术方案中,进一步计算所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量相对于所述矿井内环境多参数时序关联特征向量的序列中的所有其他矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的矿井内环境参数稳定性语义表征特征向量。应可以理解,通过计算每个局部时间段内的矿井内环境多参数时序关联特征向量与其他局部时间段内的矿井内环境多参数时序关联特征向量之间的环境状态语义波动度量系数,可以衡量不同局部时间段内的矿井内环境状态的相对稳定性。如果某个局部时间段内的多参数时序关联特征相对于其他不同时间段内的波动度量系数较小,说明其在该时间段内的变化较为一致和稳定。相反,如果波动度量系数较大,说明其在该时间段内的变化较为不稳定,可能存在异常情况。特别地,所述矿井内环境参数稳定性语义表征特征向量可以更好地反映出矿井内环境参数中多个参数项在不同时间段内的时序关联特征之间的稳定性和状态变化。这有助于发现环境异常和灾害风险,并采取相应的措施来保障矿工的安全和矿山设备的正常运行。具体地,计算所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量相对于所述矿井内环境多参数时序关联特征向量的序列中的所有其他矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的矿井内环境参数稳定性语义表征特征向量作为所述环境参数稳定性语义表征特征,包括:以如下语义波动度量公式计算所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量相对于所述矿井内环境多参数时序关联特征向量的序列中的所有其他矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的所述矿井内环境参数稳定性语义表征特征向量;其中,所述语义波动度量公式为:
其中,vi和vj为所述矿井内环境多参数时序关联特征向量的序列中第i和第j个矿井内环境多参数时序关联特征向量,Vk是所述矿井内环境多参数时序关联特征向量的序列,||·||1为向量的一范数,M为所述矿井内环境多参数时序关联特征向量的序列中向量的个数,Di为所述矿井内环境参数稳定性语义表征特征向量中各个位置的特征值。
特别地,所述环境异常预警模块350,用于基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。也就是,在本申请的技术方案中,将所述矿井内环境参数稳定性语义表征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产生环境异常预警提示。也就是说,利用所述矿井内环境参数的稳定性语义表征特征来进行分类处理,以此来根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。具体地,将所述矿井内环境参数稳定性语义表征特征向量通过分类器以得到分类结果,包括:使用所述分类器的多个全连接层对所述矿井内环境参数稳定性语义表征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产生环境异常预警提示(第一标签),以及,未产生环境异常预警提示(第二标签),其中,所述分类器通过软最大值函数来确定所述矿井内环境参数稳定性语义表征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“是否产生环境异常预警提示”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,是否产生环境异常预警提示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“是否产生环境异常预警提示”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。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于卷积神经网络模型的环境参数时序关联特征提取器和所述分类器进行训练。也就是说,根据本申请的用于矿井安全管理的智能监控设备300,还包括训练阶段400,用于对所述基于卷积神经网络模型的环境参数时序关联特征提取器和所述分类器进行训练。
图3为根据本申请实施例的用于矿井安全管理的智能监控设备的训练阶段的框图。如图3所示,根据本申请实施例的用于矿井安全管理的智能监控设备300,包括:训练阶段400,包括:训练数据获取单元410,用于获取训练数据,所述训练数据包括由传感器网络采集的训练矿井内环境参数的时间序列,其中,所述矿井内环境参数包括训练温度值、训练湿度值、训练瓦斯浓度值和训练煤尘浓度值;训练环境参数时间序列切分单元420,用于基于预定时间尺度对所述训练矿井内环境参数的时间序列进行序列切分以得到训练矿井内环境参数的局部时间序列的序列;训练环境多参数局部时序关联特征提取单元430,用于将所述训练矿井内环境参数的局部时间序列的序列中的各个训练矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为训练矿井内环境多参数时序矩阵后通过基于的环境参数时序关联特征提取器以得到训练矿井内环境多参数时序关联特征向量的序列;训练环境状态语义波动度量单元440,用于计算所述训练矿井内环境多参数时序关联特征向量的序列中的各个训练矿井内环境多参数时序关联特征向量相对于所述训练矿井内环境多参数时序关联特征向量的序列中的所有其他训练矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的训练矿井内环境参数稳定性语义表征特征向量;优化单元450,用于对所述训练矿井内环境参数稳定性语义表征特征向量进行优化以得到优化训练矿井内环境参数稳定性语义表征特征向量;分类损失单元460,用于将所述优化训练矿井内环境参数稳定性语义表征特征向量通过分类器以得到分类损失函数值;训练单元470,用于基于所述分类损失函数值对所述基于卷积神经网络模型的环境参数时序关联特征提取器和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练矿井内环境多参数时序关联特征向量的序列中的每个训练矿井内环境多参数时序关联特征向量表达各个所述训练矿井内环境参数的局部时间序列在局部时域下的局部时域内参数维度-时间维度的交叉维度关联特征,因此,在计算所述训练矿井内环境多参数时序关联特征向量的序列中的各个训练矿井内环境多参数时序关联特征向量相对于所述训练矿井内环境多参数时序关联特征向量的序列中的所有其他训练矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数时,考虑到矿井内环境参数在局部时域下的局部时域内参数维度-时间维度的交叉维度关联特征在全局时域下的局部时域间分布不均衡,得到的所述训练矿井内环境参数稳定性语义表征特征向量会具有基于特征值的局部时域间波动度量信息博弈离散化,从而影响所述训练矿井内环境参数稳定性语义表征特征向量通过分类器的分类训练。基于此,本申请的申请人优选地在所述训练矿井内环境参数稳定性语义表征特征向量每次通过分类器进行迭代训练时,对所述训练矿井内环境参数稳定性语义表征特征向量进行优化,具体表示为:
其中,vi是所述训练矿井内环境参数稳定性语义表征特征向量的特征值,且L是尺度超参数,log表示以2为底的对数运算,v'i是所述优化训练矿井内环境参数稳定性语义表征特征向量的特征值。具体地,当所述训练矿井内环境参数稳定性语义表征特征向量进行训练时,训练时的所述分类器的权重矩阵作用于所述训练矿井内环境参数稳定性语义表征特征向量上,由于权重矩阵本身的致密特性,会使得所述训练矿井内环境参数稳定性语义表征特征向量的各个位置的特征值之间的语义匹配信息博弈离散化产生大规模信息博弈,导致分类解无法在博弈基础上收敛到纳什均衡,尤其是在存在以所述训练矿井内环境多参数时序关联特征向量的局部时域内时序关联特征为单位的大规模非完美博弈离散化信息的情况下,这样,通过基于所述训练矿井内环境参数稳定性语义表征特征向量的向量信息自控均衡邻域对所述训练矿井内环境参数稳定性语义表征特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛,从而提高所述训练矿井内环境参数稳定性语义表征特征向量通过分类器的训练效果。这样,能够基于矿井内的多种环境参数之间的时序关联变化来综合进行矿井内环境的异常检测,并在发现异常情况时自动产生环境异常预警提示,以便及时采取应对措施,通过这样的方式,能够提高矿井安全管理水平和保障矿工生命安全性。
如上所述,根据本申请实施例的用于矿井安全管理的智能监控设备300可以实现在各种无线终端中,例如具有用于矿井安全管理的智能监控算法的服务器等。在一种可能的实现方式中,根据本申请实施例的用于矿井安全管理的智能监控设备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,该用于矿井安全管理的智能监控设备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,该用于矿井安全管理的智能监控设备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,该用于矿井安全管理的智能监控设备300与该无线终端也可以是分立的设备,并且该用于矿井安全管理的智能监控设备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。
进一步地,还提供一种用于矿井安全管理的智能监控方法。
图4为根据本申请实施例的用于矿井安全管理的智能监控方法的流程图。如图4所示,根据本申请实施例的用于矿井安全管理的智能监控方法,包括步骤:S1,获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;S2,基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;S3,将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;S4,对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;S5,基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
综上,根据本申请实施例的用于矿井安全管理的智能监控方法被阐明,其通过利用传感器网络采集矿井内的温度、湿度、瓦斯浓度和煤尘浓度等多种环境参数,并在后端引入数据处理和分析算法来进行这些矿井内环境参数的时序协同分析,以此根据矿井内环境的稳定性程度和异常程度来判断是否产生环境异常预警提示,以便及时采取应对措施。这样,能够基于矿井内的多种环境参数之间的时序关联变化来综合进行矿井内环境的异常检测,并在发现异常情况时自动产生环境异常预警提示,以便及时采取应对措施,通过这样的方式,能够提高矿井安全管理水平和保障矿工生命安全性。
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 (8)
1.一种用于矿井安全管理的智能监控设备,其特征在于,包括:
矿井内环境数据采集模块,用于获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;
环境参数时间序列切分模块,用于基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;
环境多参数局部时序关联特征提取模块,用于将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;
环境状态语义波动度量模块,用于对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;
环境异常预警模块,用于基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
2.根据权利要求1所述的用于矿井安全管理的智能监控设备,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的用于矿井安全管理的智能监控设备,其特征在于,所述环境状态语义波动度量模块,用于:计算所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量相对于所述矿井内环境多参数时序关联特征向量的序列中的所有其他矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的矿井内环境参数稳定性语义表征特征向量作为所述环境参数稳定性语义表征特征。
4.根据权利要求3所述的用于矿井安全管理的智能监控设备,其特征在于,所述环境状态语义波动度量模块,用于:以如下语义波动度量公式计算所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量相对于所述矿井内环境多参数时序关联特征向量的序列中的所有其他矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的所述矿井内环境参数稳定性语义表征特征向量;
其中,所述语义波动度量公式为:
其中,vi和vj为所述矿井内环境多参数时序关联特征向量的序列中第i和第j个矿井内环境多参数时序关联特征向量,Vk是所述矿井内环境多参数时序关联特征向量的序列,||·||1为向量的一范数,M为所述矿井内环境多参数时序关联特征向量的序列中向量的个数,Di为所述矿井内环境参数稳定性语义表征特征向量中各个位置的特征值。
5.根据权利要求4所述的用于矿井安全管理的智能监控设备,其特征在于,所述环境异常预警模块,用于:将所述矿井内环境参数稳定性语义表征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产生环境异常预警提示。
6.根据权利要求5所述的用于矿井安全管理的智能监控设备,其特征在于,还包括用于对所述基于卷积神经网络模型的环境参数时序关联特征提取器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的用于矿井安全管理的智能监控设备,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由传感器网络采集的训练矿井内环境参数的时间序列,其中,所述矿井内环境参数包括训练温度值、训练湿度值、训练瓦斯浓度值和训练煤尘浓度值;
训练环境参数时间序列切分单元,用于基于预定时间尺度对所述训练矿井内环境参数的时间序列进行序列切分以得到训练矿井内环境参数的局部时间序列的序列;
训练环境多参数局部时序关联特征提取单元,用于将所述训练矿井内环境参数的局部时间序列的序列中的各个训练矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为训练矿井内环境多参数时序矩阵后通过基于的环境参数时序关联特征提取器以得到训练矿井内环境多参数时序关联特征向量的序列;
训练环境状态语义波动度量单元,用于计算所述训练矿井内环境多参数时序关联特征向量的序列中的各个训练矿井内环境多参数时序关联特征向量相对于所述训练矿井内环境多参数时序关联特征向量的序列中的所有其他训练矿井内环境多参数时序关联特征向量的环境状态语义波动度量系数以得到由多个环境状态语义波动度量系数组成的训练矿井内环境参数稳定性语义表征特征向量;
优化单元,用于对所述训练矿井内环境参数稳定性语义表征特征向量进行优化以得到优化训练矿井内环境参数稳定性语义表征特征向量;
分类损失单元,用于将所述优化训练矿井内环境参数稳定性语义表征特征向量通过分类器以得到分类损失函数值;
训练单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的环境参数时序关联特征提取器和所述分类器进行训练。
8.一种用于矿井安全管理的智能监控方法,其特征在于,包括:
获取由传感器网络采集的矿井内环境参数的时间序列,其中,所述矿井内环境参数包括温度值、湿度值、瓦斯浓度值和煤尘浓度值;
基于预定时间尺度对所述矿井内环境参数的时间序列进行序列切分以得到矿井内环境参数的局部时间序列的序列;
将所述矿井内环境参数的局部时间序列的序列中的各个矿井内环境参数的局部时间序列分别按照时间维度和环境参数样本维度排列为矿井内环境多参数时序矩阵后通过基于深度神经网络模型的环境参数时序关联特征提取器以得到矿井内环境多参数时序关联特征向量的序列;
对所述矿井内环境多参数时序关联特征向量的序列中的各个矿井内环境多参数时序关联特征向量进行环境状态语义波动度量分析以得到环境参数稳定性语义表征特征;
基于所述环境参数稳定性语义表征特征,确定是否产生环境异常预警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156863.1A CN118167426A (zh) | 2024-02-04 | 2024-02-04 | 用于矿井安全管理的智能监控设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156863.1A CN118167426A (zh) | 2024-02-04 | 2024-02-04 | 用于矿井安全管理的智能监控设备及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118167426A true CN118167426A (zh) | 2024-06-11 |
Family
ID=91355357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156863.1A Pending CN118167426A (zh) | 2024-02-04 | 2024-02-04 | 用于矿井安全管理的智能监控设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118167426A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490527B1 (en) * | 1999-07-13 | 2002-12-03 | The United States Of America As Represented By The Department Of Health And Human Services | Method for characterization of rock strata in drilling operations |
CN117111519A (zh) * | 2023-09-07 | 2023-11-24 | 新疆矿安矿山检测中心有限公司 | 一种煤炭生产安全智能监控系统及方法 |
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 |
CN117449910A (zh) * | 2023-10-26 | 2024-01-26 | 唐山昌宏科技有限公司 | 基于感知交互技术的煤矿综采智慧管理系统 |
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 |
-
2024
- 2024-02-04 CN CN202410156863.1A patent/CN118167426A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490527B1 (en) * | 1999-07-13 | 2002-12-03 | The United States Of America As Represented By The Department Of Health And Human Services | Method for characterization of rock strata in drilling operations |
CN117111519A (zh) * | 2023-09-07 | 2023-11-24 | 新疆矿安矿山检测中心有限公司 | 一种煤炭生产安全智能监控系统及方法 |
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 |
CN117449910A (zh) * | 2023-10-26 | 2024-01-26 | 唐山昌宏科技有限公司 | 基于感知交互技术的煤矿综采智慧管理系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
CN117689278B (zh) | 施工质量智能管理系统及方法 | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
Zhang et al. | Condition monitoring for confined industrial process based on infrared images by using deep neural network and variants | |
CN116930042A (zh) | 建筑防水材料性能检测设备及方法 | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
CN117257302B (zh) | 人员心理健康状态评估方法及系统 | |
CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 | |
CN116034321A (zh) | 解释工业应用中的机器学习输出 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
CN116523711A (zh) | 基于人工智能的教育监管系统及其方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN116561814A (zh) | 纺织化纤供应链信息防篡改方法及其系统 | |
CN118167426A (zh) | 用于矿井安全管理的智能监控设备及方法 | |
Xarez et al. | Extracting control variables of casting processes with NMF and rule extraction | |
CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 | |
CN118210664B (zh) | 芯片测试设备及芯片测试设备的控制方法 | |
CN117935174B (zh) | 真空袋膜生产线的智能化管理系统及方法 | |
CN118503876A (zh) | 半导体芯片测试信息自动分析系统及方法 |
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 |