CN115951619B - 基于人工智能的掘进机远程智能控制*** - Google Patents
基于人工智能的掘进机远程智能控制*** Download PDFInfo
- Publication number
- CN115951619B CN115951619B CN202310218549.7A CN202310218549A CN115951619B CN 115951619 B CN115951619 B CN 115951619B CN 202310218549 A CN202310218549 A CN 202310218549A CN 115951619 B CN115951619 B CN 115951619B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- working parameter
- parameter value
- working
- 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
- 238000011161 development Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 230000005641 tunneling Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
Images
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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及远程控制数据处理技术领域,具体涉及基于人工智能的掘进机远程智能控制***。该***包括数据采集模块、数据监测模块和远程调控模块。数据采集模块,用于采集掘进机的工作参数;数据监测模块,用于对工作参数进行分析,获取掘进机的工作异常控制指标;远程调控模块,用于根据工作异常控制指标控制掘进机。本发明通过数据监测模块获取的工作异常控制指标控制掘进机,实现对掘进机启停状态的准确远程控制,具有较好的交互性,提高了掘进机工作的工作质量和安全性。
Description
技术领域
本发明涉及远程控制数据处理技术领域,具体涉及基于人工智能的掘进机远程智能控制***。
背景技术
掘进机是煤矿井下作业的重要设备。在掘进机作业的过程中,需要对掘进机的各个部件进行控制和保护,以保证掘进机的正常作业,进而实现煤矿的安全高效生产。
煤矿井下掘进机工作环境粉尘大,噪音大,在这种复杂环境下,掘进机操作人员无法准确对掘进机的作业状态进行分析,操作人员难以掌握掘进机的具体工作状态,会造成操作人员的控制盲目性。而当掘进机在运行异常的状态下继续进行工作挖掘时,将会导致巷道掘进质量降低,对掘进机造成损耗,严重时将会带来人身安全问题。
目前对掘进机的异常情况进行监测的方法为在掘进巷道顶部安装多部摄像机,采集现场视频数据,根据监测结果向监控终端发送掘进机异常工作及灾害报警数据。但由于掘进机的工作环境较为复杂,粉尘较大,会影响采集到现场视频数据的质量,使得其难以实现异常工作情况的监测控制。
发明内容
为了解决掘进机的工作环境会影响采集到现场视频数据的质量,使得其难以实现异常工作情况的监测控制技术问题,本发明的目的在于提供基于人工智能的掘进机远程智能控制***,该***包括以下模块:
数据采集模块,用于采集掘进机的至少两种工作参数,每种工作参数对应一个数据序列;
数据监测模块,用于构建每个掘进机的工作参数值对应的检测圆,每个检测圆内有至少两个工作参数值;以任意掘进机的工作参数值为目标工作参数值,根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况,得到目标工作参数值的置信度;基于所述置信度,从数据序列中选取一个工作参数值作为初始核心点;基于所述初始核心点,对数据序列中的掘进机的工作参数值分类,得到至少两个最终类别;根据掘进机的工作参数的数据序列构建对应的数据预测模型;利用数据预测模型,获取最终类别的类别中心点的数据预测值,由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,由故障类别构建数据故障集合;根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标;
远程调控模块,用于根据工作异常控制指标控制掘进机。
优选的,所述构建每个掘进机的工作参数值对应的检测圆,包括:
计算每个工作参数值的近邻数据,获取每个工作参数值和其对应的近邻数据的欧式距离的均值,作为距离均值;以工作参数值为圆心,以工作参数值对应的距离均值为半径,构建工作参数值对应的检测圆。
优选的,所述置信度的获取方法,包括:
根据目标工作参数值与对应的检测圆内其他工作参数值的分布情况,计算目标工作参数值的局部核心程度;计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值,作为全局核心程度;将目标工作参数值的局部核心程度和全局核心程度的乘积,作为目标工作参数值的置信度。
优选的,所述局部核心程度的获取方法,包括:
计算目标工作参数值与对应的检测圆内其他工作参数值之间的欧氏距离;当检测圆内任意工作参数值的欧式距离大于等于预设距离阈值时,工作参数值对应的距离权值为1;当检测圆内任意工作参数值的欧式距离小于预设距离阈值时,工作参数值对应的距离权值为0;
计算检测圆内工作参数值对应的信息熵;将所述信息熵和检测圆内所有工作参数值的距离权值之和的乘积,作为目标工作参数值对应的局部核心程度。
优选的,所述基于所述初始核心点,对数据序列中的掘进机的工作参数值分类,得到至少两个最终类别,包括:
基于所述初始核心点,利用K-means对数据序列中的工作参数值分类,得到至少两个数据类别;
获取每个数据类别对应的高斯模型;计算两两数据类别对应的高斯模型的差异程度,基于所述差异程度,对数据类别进行合并,得到合并类别;
计算每个合并类别中工作参数值在合并类别内对应的高斯值,将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据,构成初始偏差数据类别;根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值,将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别。
优选的,所述计算两两数据类别对应的高斯模型的差异程度,基于所述差异程度,对数据类别进行合并,得到合并类别,包括:
计算两两数据类别对应的高斯模型之间的KL散度,将所述KL散度作为差异程度;
将所述差异程度小于预设差异阈值的两个数据类别合并,得到合并类别。
优选的,所述将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别,包括:
获取每个合并类别和初始偏差数据类别的高斯模型,计算偏差数据在每个高斯模型中的高斯值;当偏差数据基于每个高斯模型得到的高斯值均小于等于预设高斯值阈值时,将偏差数据划分至偏差数据类别中;当偏差数据基于每个高斯模型得到的高斯值中,存在大于预设高斯值阈值的高斯值时,将偏差数据划分至最大高斯值对应高斯模型对应的类别中;
将重新划分后的最终偏差数据类别和合并类别,作为最终类别。
优选的,所述由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,包括:
计算最终类别的类别中心点的数据预测值和工作参数值的差值的绝对值,作为第一绝对值;当所述第一绝对值大于预设绝对值阈值时,将第一绝对值对应的最终类别作为数据故障类别。
优选的,所述根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标,包括:
以数据故障集合中的任意工作参数值作为故障参数值,计算掘进机在预设时间段内因故障参数值发生故障的次数占比;计算故障参数值对应的数据预测值和故障参数值的差值的绝对值,作为第二绝对值;对第二绝对值进行正相关映射,将得到的结果值作为初始异常指标;将故障参数值对应的次数占比和初始异常指标的乘积作为初始异常控制指标;
对数据故障集合内各工作参数值对应的初始异常控制指标求和,将得到的结果值作为掘进机的工作异常控制指标。
优选的,所述根据工作异常控制指标控制掘进机,包括:
将一减去工作异常控制指标的结果值作为控制因子;当控制因子小于等于预设控制阈值时,***远程控制掘进机停止作业;当控制因子大于预设控制阈值时,***控制掘进机启动或者掘进机继续保持作业。
本发明实施例至少具有如下有益效果:
本发明涉及远远程控制数据处理技术领域。该***包括数据采集模块、数据监测模块和远程调控模块。数据采集模块对掘进机的工作参数进行采集,以便于后续对掘进机的工作状况进行检测分析。通过数据监测模块对掘进机的工作状况进行分析,分析掘进机的工作参数值与对应的检测圆内的其他工作参数值之间的分布情况、工作参数值与对应的数据序列中其他工作参数值之间的分布情况得到工作参数值的置信度,与检测圆内的其他工作参数值之间的分布情况反映了工作参数值的局部分布情况,与对应的数据序列中其他工作参数值之间的分布情况反映了工作参数值的全局分布情况,结合工作参数值的局部分布情况和全局分布情况可以更全面准确的实现对工作参数值的置信度的确定,避免了因工作环境导致的采集到的工作参数值的质量较低的问题,该置信度则反映了工作参数值的实际分布情况。进一步的,根据工作参数值的实际分布情况对数据类别划分的初始核心点进行自动选取,提高了数据类别划分的精度,避免固定类别数设定的主观性,且避免固定不变的类别数而导致数据划分过程中出现误划分的问题。基于初始核心点,对工作参数值进行分类,实现对掘进机工作参数数据的准确划分。为了实现对类别内工作数据状况的分析,构建数据预测模型得到数据预测值。根据数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,实现快速准确的从多个最终类别中获取出现故障的类别。根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标,根据工作异常控制指标控制掘进机,进而实现对掘进机启停状态的准确调控,具有较好的交互性,提高了掘进质量和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于人工智能的掘进机远程智能控制***的***框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的掘进机远程智能控制***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于人工智能的掘进机远程智能控制***的具体实施方法,该方法适用于掘进机远程控制场景。该场景下通过对应的传感器对掘进机的工作参数进行实时采集。为了解决掘进机的工作环境影响采集到的现场数据的质量,使得其难以实现异常工作情况的监测控制的技术问题。本发明通过数据采集模块获取掘进机的工作参数;将工作参数数据远程传输给数据监测模块,基于数据监测模块对掘进机的作业状态进行分析,以提取对应的监测结果,基于掘进机工作参数的监测状态,对掘进机进行远程监测,实现掘进机的智能控制。
下面结合附图具体的说明本发明所提供的基于人工智能的掘进机远程智能控制***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的掘进机远程智能控制***的***模块图,该***包括以下模块:
数据采集模块10,用于采集掘进机的至少两种工作参数,每种工作参数对应一个数据序列。
数据采集模块是通过传感器对掘进机工作参数的数据进行采集,获取掘进机作业过程中参数的数据信息,用于对掘进机的工作状况进行检测分析。当掘进机作业过程中其工作参数出现数据故障时,如果不及时对掘进机进行相应的控制,会导致掘进机快速损耗,严重时将引起重大安全事故问题。故本发明通过掘进机作业过程中工作参数的时序数据,对掘进机的工作状况进行实时监测,并基于此提取工作指标,对掘进机的作业情况进行分析。本***主要对掘进机的作业状态进行远程自动调控,用于控制掘进机的启停状态。
采用对应的传感器对掘进机工作参数的实时数据进行采集,与掘进机作业状态监测控制相关的工作参数有很多,实施者可自行设定所监控的掘进机的工作参数,采集掘进机的至少两种工作参数,包括但不限于振动频率、电压、电流、温度等,可通过相应的传感器进行数据采集,数据采集的传感器类型以及型号实施者可根据实际情况自行选取。本发明中每次检测设定的数据序列长度记为n,具体数据序列长度n以及采集工作参数的间隔时段T由实施者自行定义,在本发明中设置为n=500,T=0.5s。
至此,即可得到用于检测掘进机异常状况的多维数据序列,获取检测时段所对应的多维数据序列,作为对应检测时段内掘进机异常监控的基础数据。每种工作参数对应一个数据序列,也即对应一维数据序列。
数据监测模块20,用于构建每个掘进机的工作参数值对应的检测圆,每个检测圆内有至少两个工作参数值;以任意掘进机的工作参数值为目标工作参数值,根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况,得到目标工作参数值的置信度;基于所述置信度,从数据序列中选取一个工作参数值作为初始核心点;基于所述初始核心点,对数据序列中的掘进机的工作参数值分类,得到至少两个最终类别;根据掘进机的工作参数的数据序列构建对应的数据预测模型;利用数据预测模型,获取最终类别的类别中心点的数据预测值,由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,由故障类别构建数据故障集合;根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标。
将数据采集模块所采集的数据远程传输给数据监测模块,建立数据监测模型,对掘进机的工作状态进行分析,提取掘进机工作指标,作为掘进机自动调控的特征参数。
对于数据采集模块采集的掘进机多维工作参数的多维数据序列,进行分析,对多维数据序列中的异常数据进行提取,以实现对掘进机异常的分析,所述数据检测模型具体为:
首先,基于所采集的各个掘进机工作参数的数据序列,本发明将对数据序列进行
分析,以工作参数w为例,获取其对应的数据序列,其中,为第1时刻
的工作参数值;为第2时刻的工作参数值;为第n时刻的工作参数值。对数据序列内的
工作参数值进行分析类别划分,以对数据的状况进行检测,用于对掘进机的作业情况进行
分析,数据类别划分过程具体为:
对于数据序列内的数据,在对其进行类别划分过程中,本发明考虑到初始核心点的选取对于数据类别划分的影响较大,传统随机选取具有较大的误差性,因此,本发明将设置初始核心点自适应选取模型,以避免随机性对数据类别划分精度的影响。
首先,构建每个工作参数值对应的检测圆,对于数据序列中的
工作参数值为例,构建工作参数值的检测圆。具体的:计算每个工作参数值的近邻数
据,获取每个工作参数值和其对应的近邻数据的欧式距离的均值,作为距离均值;以工作参
数值为圆心,以工作参数值对应的距离均值为半径,构建工作参数值对应的检测圆。计算与
工作参数值对应的k近邻数据。需要说明的是,k近邻算法及计算过程为本领域技术人员的
公知技术,不再做相关阐述。如对于工作参数值获取其相邻的k个近邻数据,并分别计算
工作参数值相对k个近邻数据的欧式距离,得到工作参数值与其对应的k个近邻数据
的欧式距离的均值,也即工作参数值对应的距离均值。以工作参数值为中心,
以距离均值为半径,得到工作参数值的检测圆。在得到工作参数值对应的检测圆
后,本发明将对工作参数值的局部分布情况进行分析。对于检测圆中的工作参数值,本发
明将获取工作参数值的信息熵,用于对检测圆内数据分布的散乱程度进行表征。
并根据工作参数值与对应的数据序列最终其他工作参数值之间的分布情况,得到工作参数值的全局数据分布情况。根据局部数据分布情况和全局数据分布情况对工作参数值的置信度进行分析,具体的:以任意工作参数值为目标工作参数值,根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况,得到目标工作参数值的置信度,具体的:
根据目标工作参数值与对应的检测圆内其他工作参数值的分布情况,计算目标工作参数值的局部核心程度;计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值,作为全局核心程度;将目标工作参数值的局部核心程度和全局核心程度的乘积,作为目标工作参数值的置信度。
其中,局部核心程度的获取方法为:计算目标工作参数值与对应的检测圆内其他工作参数值之间的欧氏距离;当检测圆内任意工作参数值的欧式距离大于等于预设距离阈值时,工作参数值对应的距离权值为1;如当检测圆内的工作参数值a与目标工作参数值的欧式距离大于等于预设距离阈值时,将工作参数值a的距离权值记为1。当检测圆内任意工作参数值的欧式距离小于预设距离阈值时,工作参数值对应的距离权值为0;如当检测圆内的工作参数值b与目标工作参数值的欧式距离小于预设距离阈值时,将工作参数值b的距离权值记为0。计算检测圆内工作参数值对应的信息熵;将所述信息熵和检测圆内所有工作参数值的距离权值之和的乘积,作为目标工作参数值对应的局部核心程度。在本发明实施例中预设距离阈值的取值为10,在其他实施例中实施者可根据实际情况调整该取值。
局部核心程度即为工作参数值的局部核心点判定指标,用于对局部范围内工作参
数值选取为核心点的可能性进行分析,局部核心程度的取值越大,则工作参数值的检测
圆内数据局部分布越凌乱,数据分布越不规律,检测圆内的其他工作参数值与其工作参数
值相似度越小,在局部范围内越不可能作为核心点。
考虑到局部分析数据选取为核心点的可能性时,容易受到局部范围设定的影响,当检测圆过小或过大时,根据局部核心程度的获取方法对检测圆内的工作参数值进行分析,将会影响工作参数值的局部分布程度的检测情况,为了提高核心点的选取精度。进一步的,结合数据序列内的数据对工作参数值作为核心点的置信度进行全局分析,得到全局核心程度。计算全局核心程度的算法为计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值,作为全局核心程度。该全局核心程度作为工作参数值的全局核心点判定指标,全局核心程度越大,则对应工作参数值在全局数据中相对其他数据的差异性越高,该数据为初始核心点的可能性越高。
根据局部核心程度和全局核心程度对数据序列内工作参数值的置信度进行最终分析。将目标工作参数值的局部核心程度和全局核心程度的乘积,作为目标工作参数值的置信度。获取每个工作参数值的置信度。
基于所述置信度,从数据序列中选取一个工作参数值作为初始核心点。具体的:对于一个数据序列,将最大的置信度对应的工作参数值作为初始核心点。
进一步的,基于所述初始核心点,对数据序列中的工作参数值分类,得到至少两个最终类别,具体的:基于所述初始核心点,利用K-means算法对数据序列中的工作参数值分类,得到至少两个数据类别。也即获取核心点之后,进一步将现有基于聚类算法对数据类别进行划分,本发明选取K-means算法对数据序列内的工作参数值进行类别划分,得到对应的数据类别。
考虑到所设定的类别数为固定的,没有基于工作参数值的实际情况进行自适应设置,将会存在相似度较低的数据被划分至同一数据类别中或者相似度高的工作参数值可能被强值分为两个类别的情况,因此在利用K-means算法对数据序列内的工作参数值进行初步划分得到数据类别之后,进一步的,再对数据类别内的工作参数值进行分析,以获取类别之间以及工作参数值之间的相关性。
进一步的,基于每个数据类别内的工作参数值进行高斯模型的拟合,得到每个数据类别对应的高斯模型,每个数据类别将对应一个高斯模型。然后计算两两数据类别对应的高斯模型的差异程度,基于对数据类别之间的差异程度或者是相关性进行检测,避免类别数设定过高导致分类精度不够的问题。基于所述差异程度,对数据类别进行合并,得到合并类别;计算每个合并类别中工作参数值在合并类别内对应的高斯值,将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据,构成初始偏差数据类别;根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值,将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别。
其中,计算两两数据类别对应的高斯模型的差异程度,基于所述差异程度,对数据类别进行合并,得到合并类别,具体的:计算两两数据类别对应的高斯模型之间的KL散度,将所述KL散度作为差异程度;将所述差异程度小于预设差异阈值的两个数据类别合并,得到合并类别,实现优化数据类别。计算两两数据类别对应的高斯模型之间的KL散度,基于类别之间的相关性进行检测,避免类别数设定过大分类精度不够的问题。其中KL散度也即为相对熵或者信息散度,KL散度可以用来衡量两个分布之间的差异程度,若两者差异越小,KL散度越小,反之亦反,当两者的分布一致时,其KL散度为0。在本发明实施例中预设差异阈值的取值为0.1,在其他实施例中实施者可根据实际情况调整该取值。
对于类别数量设定过小而导致相似度较低的数据被划分为同一个类别中的情况,进一步的,将对其进行精细化分析。根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值,将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别。
再分别计算合并类别内数据对应的高斯值,高斯值越大,则工作参数值对应划分合并类别的划分精度越高。
将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据,构成偏差数据类别。在本发明实施例中预设高斯值阈值的取值为0.45,在其他实施例中实施者可根据实际情况调整该取值。
在得到偏差数据类别,将偏差数据类别中的偏差数据划分至合并类别和偏差数据类别中,得到最终类别,具体的:
基于每个合并类别和偏差数据类别内的工作参数值进行高斯模型的拟合,得到每个合并类别和偏差数据类别对应的高斯模型,每个类别将对应一个高斯模型,获取每个合并类别和初始偏差数据类别的高斯模型。计算偏差数据在每个高斯模型中的高斯值,当偏差数据基于每个高斯模型得到的高斯值均小于等于预设高斯值阈值时,将偏差数据划分至偏差数据类别中,也可以说将偏差数据仍保留于偏差数据类别中。当偏差数据基于每个高斯模型得到的高斯值中,存在大于预设高斯值阈值的高斯值时,将偏差数据划分至最大高斯值对应高斯模型对应的合并类别中。
如对于偏差数据,将分别获取其在每个合并类别以及偏差数据类别的高斯模型
中的高斯值,当时,其中,I为合并类别和偏差数据类
别的总数量,则认为对应的偏差数据与每个类别内的工作参数值的相关性均较低,故将偏
差数据作为一个类别,可以将该偏差数据仍保留至偏差数据类别中,使其构成一个类别。否
则,将对应的偏差数据划分至最大的高斯值对应高斯模型对应的类别中。对每个偏差数据
均进行重新划分,以便于对偏差数据的类别进行准确划分。将重新划分后的最终偏差数据
类别和合并类别作为最终类别。
对数据序列中的工作参数值进行类别划分之后,对最终类别内工作参数值的运行状态进行分析,以便于分析掘进机的工作情况,用于后续对掘进机的作业状态进行调控,最终类别内数据的运行状况分析具体为:
对于掘进机的工作参数值,正常情况下数据序列满足一定的稳定性及规律性,因此,当前数据可以通过前期与其临近的多个数据来线性表征,构建掘进机正常过程中的数据预测模型。
同样的以掘进机的工作参数w为例:
其中,为工作参数w在t时刻的工作参数值;为工作参数w在t-1时刻的工作
参数值;为工作参数w在t-2时刻的工作参数值;为工作参数w在t-v时刻的工作参
数值;为服从正态分布的随机白噪声序列;为线性参数。
其中,服从正态分布的随机白噪声序列,也即正态白噪声序列,需要说明的是,该正态白噪声序列为本领域技术人员的公知技术,在此不再进行赘述。其中的线性参数是通过对应工作参数的大量数据来进行评估获取,来获取一系列的线性参数,具体的线性参数拟合评估为本领域技术人员的公知技术,在此不再进行赘述。
在得到线性参数之后,即可得到工作参数所对应的数据预测模型,也可以说是根据工作参数的数据序列构建对应的数据预测模型。
基于数据预测模型对掘进机工作参数数据的运行状态进行分析,利用数据预测模型,获取最终类别的类别中心点的数据预测值,由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别。具体的:
基于每个工作参数对应的数据预测模型,将获取每个最终类别的类别中心点的数据预测值。并计算最终类别的类别中心点的数据预测值和工作参数值的差值的绝对值,作为第一绝对值。需要说明的是,这里的工作参数值即为类别中心点对应的数据真实值。当第一绝对值大于预设绝对值阈值时,将第一绝对值对应的最终类别作为数据故障类别。基于数据故障类别对掘进机作业过程中的数据运行状况进行综合分析。在本发明实施例中预设绝对值阈值的取值为5,在其他实施例中实施者可根据实际情况调整该取值。每个工作参数具有各自对应的数据故障类别,由所有数据故障类别构成数据故障集合。
基于掘进机作业过程中数据的状况构建掘进机工作指标,用于对掘进机的作业状态进行监测调控。根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标,具体的:以数据故障集合中的任意工作参数值作为故障参数值,计算掘进机在预设时间段内因故障参数值发生故障的次数占比;计算故障参数值对应的数据预测值和故障参数值的差值的绝对值,作为第二绝对值;对第二绝对值进行正相关映射,将得到的结果值作为初始异常指标;将故障参数值对应的次数占比和初始异常指标的乘积作为初始异常控制指标。对数据故障集合内各工作参数值对应的初始异常控制指标求和,将得到的结果值作为掘进机对应的工作异常控制指标。
该工作异常控制指标的计算公式为:
其中,为掘进机的工作异常控制标;为数据故障集合中的工作参数值的数量,也
即数据故障集合中的故障参数值的数量;为掘进机在预设时间段内的历史故障总次数;
为掘进机在预设时间段内因第r个故障参数值发生故障的次数;为掘进机在预设时间段内
因第r个故障参数值发生故障的次数占比;为自然常数;为第r个故障参数值;为第r
个故障参数值对应的数据预测值;为第二绝对值;为参数值对应的初始
异常指标;为第r个故障参数值对应的初始异常控制指标。
在本发明实施例中预设时间段为近三个月,其他实施例中实施者可根据实际情况
调整该取值。为了提供掘进机远程调控的精度,对掘进机的作业状态进行准确监测,本发明
将对掘进机工作参数的贡献度进行分析,以检测掘进机工作参数在其作业过程中对掘进机
状态的影响程度,也即该次数占比反映了掘进机工作参数在其作业过程中对掘进机状态
的影响程度。其得到的工作异常控制指标的值越大,则对应的掘进机作业状态越差;反之,
工作异常控制指标的值越小,则对应的掘进机作业状态越好。对得到的工作异常控制指标
进行归一化处理,使归一化后的工作异常控制指标的取值处于(0,1),以便于后续对掘进机
的作业状态进行监控。
根据远程调控模块可获取掘进机作业过程中的工作异常控制指标,用于对掘进机的作业状态进行监测,实现对掘进机的作业情况的自行调控。
远程调控模块30,用于根据工作异常控制指标控制掘进机。
根据数据监测模块即可获取掘进机异常监测中的异常数据,为了实现对掘进机异常的定量监测,便于对掘进机的异常状况进行监控,将基于掘进机异常监测中异常数据的异常状况建立掘进机异常监控模型,根据工作异常控制指标控制掘进机,具体的:将一减去工作异常控制指标的结果值作为控制因子;当控制因子小于等于预设控制阈值时,其对应的控制指标为0,***远程控制掘进机停止作业,此时认为掘进机的作业状态不佳,需要停止当前的作业,对掘进机进行检测;当控制因子大于预设控制阈值时,其对应的控制指标为1,***对掘进机远程发送启动指令,获取远程控制掘进机继续保持作业。在本发明实施例中预设控制阈值的取值为0.45,在其他实施例中实施者可根据实际情况调整该取值。根据该掘进机远程智能控制***,可实现对掘进机的作业状态进行远程调控,有效降低实际场景下基于掘进机的状况对其作业状态进行判定的误差。
综上所述,本发明涉及远程控制数据处理技术领域。该***通过数据采集模块、数据监测模块和远程调控模块,实现了对掘进机的工作异常控制指标的获取,并最后基于工作异常控制指标控制掘进机的作业状态。该***,实现了对掘进机的作业状态的远程调控,有效降低实际场景下,因工作环境而造成的采集掘进机的状况对其作业状态进行异常判定的误差。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.基于人工智能的掘进机远程智能控制***,其特征在于,该***包括以下模块:
数据采集模块,用于采集掘进机的至少两种工作参数,每种工作参数对应一个数据序列;
数据监测模块,用于构建每个掘进机的工作参数值对应的检测圆,每个检测圆内有至少两个工作参数值;以任意掘进机的工作参数值为目标工作参数值,根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况,得到目标工作参数值的置信度;基于所述置信度,从数据序列中选取一个工作参数值作为初始核心点;基于所述初始核心点,对数据序列中的掘进机的工作参数值分类,得到至少两个最终类别;根据掘进机的工作参数的数据序列构建对应的数据预测模型;利用数据预测模型,获取最终类别的类别中心点的数据预测值,由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,由故障类别构建数据故障集合;根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标;
远程调控模块,用于根据工作异常控制指标控制掘进机;
其中,构建每个掘进机的工作参数值对应的检测圆的方法为:计算每个工作参数值的近邻数据,获取每个工作参数值和其对应的近邻数据的欧式距离的均值,作为距离均值;以工作参数值为圆心,以工作参数值对应的距离均值为半径,构建工作参数值对应的检测圆。
2.根据权利要求1所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述置信度的获取方法,包括:
根据目标工作参数值与对应的检测圆内其他工作参数值的分布情况,计算目标工作参数值的局部核心程度;计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值,作为全局核心程度;将目标工作参数值的局部核心程度和全局核心程度的乘积,作为目标工作参数值的置信度。
3.根据权利要求2所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述局部核心程度的获取方法,包括:
计算目标工作参数值与对应的检测圆内其他工作参数值之间的欧氏距离;当检测圆内任意工作参数值的欧式距离大于等于预设距离阈值时,工作参数值对应的距离权值为1;当检测圆内任意工作参数值的欧式距离小于预设距离阈值时,工作参数值对应的距离权值为0;
计算检测圆内工作参数值对应的信息熵;将所述信息熵和检测圆内所有工作参数值的距离权值之和的乘积,作为目标工作参数值对应的局部核心程度。
4.根据权利要求1所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述基于所述初始核心点,对数据序列中的掘进机的工作参数值分类,得到至少两个最终类别,包括:
基于所述初始核心点,利用K-means对数据序列中的工作参数值分类,得到至少两个数据类别;
获取每个数据类别对应的高斯模型;计算两两数据类别对应的高斯模型的差异程度,基于所述差异程度,对数据类别进行合并,得到合并类别;
计算每个合并类别中工作参数值在合并类别内对应的高斯值,将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据,构成初始偏差数据类别;根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值,将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别。
5.根据权利要求4所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述计算两两数据类别对应的高斯模型的差异程度,基于所述差异程度,对数据类别进行合并,得到合并类别,包括:
计算两两数据类别对应的高斯模型之间的KL散度,将所述KL散度作为差异程度;
将所述差异程度小于预设差异阈值的两个数据类别合并,得到合并类别。
6.根据权利要求4所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述将偏差数据划分至合并类别和最终偏差数据类别中,得到最终类别,包括:
获取每个合并类别和初始偏差数据类别的高斯模型,计算偏差数据在每个高斯模型中的高斯值;当偏差数据基于每个高斯模型得到的高斯值均小于等于预设高斯值阈值时,将偏差数据划分至偏差数据类别中;当偏差数据基于每个高斯模型得到的高斯值中,存在大于预设高斯值阈值的高斯值时,将偏差数据划分至最大高斯值对应高斯模型对应的类别中;
将重新划分后的最终偏差数据类别和合并类别,作为最终类别。
7.根据权利要求1所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述由最终类别的类别中心点的数据预测值和工作参数值的差异,从最终类别中筛选出数据故障类别,包括:
计算最终类别的类别中心点的数据预测值和工作参数值的差值的绝对值,作为第一绝对值;当所述第一绝对值大于预设绝对值阈值时,将第一绝对值对应的最终类别作为数据故障类别。
8.根据权利要求1所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值,得到掘进机的工作异常控制指标,包括:
以数据故障集合中的任意工作参数值作为故障参数值,计算掘进机在预设时间段内因故障参数值发生故障的次数占比;计算故障参数值对应的数据预测值和故障参数值的差值的绝对值,作为第二绝对值;对第二绝对值进行正相关映射,将得到的结果值作为初始异常指标;将故障参数值对应的次数占比和初始异常指标的乘积作为初始异常控制指标;
对数据故障集合内各工作参数值对应的初始异常控制指标求和,将得到的结果值作为掘进机的工作异常控制指标。
9.根据权利要求1所述的基于人工智能的掘进机远程智能控制***,其特征在于,所述根据工作异常控制指标控制掘进机,包括:
将一减去工作异常控制指标的结果值作为控制因子;当控制因子小于等于预设控制阈值时,***远程控制掘进机停止作业;当控制因子大于预设控制阈值时,***控制掘进机启动或者掘进机继续保持作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218549.7A CN115951619B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的掘进机远程智能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218549.7A CN115951619B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的掘进机远程智能控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115951619A CN115951619A (zh) | 2023-04-11 |
CN115951619B true CN115951619B (zh) | 2023-05-23 |
Family
ID=85903268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310218549.7A Active CN115951619B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的掘进机远程智能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951619B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111367232A (zh) * | 2020-04-15 | 2020-07-03 | 三一智矿科技有限公司 | 掘进机状态监控装置及*** |
CN111383210A (zh) * | 2020-03-03 | 2020-07-07 | 上海鹰瞳医疗科技有限公司 | 眼底图像分类模型训练方法及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072029A1 (en) * | 2010-09-20 | 2012-03-22 | Heatvu Inc. | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment |
CN102156873B (zh) * | 2010-12-31 | 2013-01-30 | 北京航空航天大学 | 一种基于混沌的机械零部件早期单点故障检测与分类方法 |
WO2018132321A1 (en) * | 2017-01-10 | 2018-07-19 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
CN107907783B (zh) * | 2017-12-19 | 2019-08-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断***及诊断方法 |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN110457786B (zh) * | 2019-05-06 | 2023-06-30 | 浙江工业大学 | 基于深度置信网络的卸船机关联规则故障预测模型方法 |
US20220188635A1 (en) * | 2020-12-10 | 2022-06-16 | Cognizant Technology Solutions U.S. Corporation | System and Method For Detecting Misclassification Errors in Neural Networks Classifiers |
CN114487673A (zh) * | 2022-01-25 | 2022-05-13 | 国网冀北电力有限公司 | 一种基于Transformer的电力设备故障检测模型和电子设备 |
-
2023
- 2023-03-09 CN CN202310218549.7A patent/CN115951619B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383210A (zh) * | 2020-03-03 | 2020-07-07 | 上海鹰瞳医疗科技有限公司 | 眼底图像分类模型训练方法及设备 |
CN111367232A (zh) * | 2020-04-15 | 2020-07-03 | 三一智矿科技有限公司 | 掘进机状态监控装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115951619A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
CN103903408B (zh) | 设备故障侦查预警方法和*** | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
CN103473540B (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
US20130318011A1 (en) | Method for Detecting Anomalies in Multivariate Time Series Data | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
BR112021013786A2 (pt) | Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento | |
CN111275198B (zh) | 一种轴承异常检测方法及*** | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断*** | |
CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控*** | |
CN102226898B (zh) | 在线监测***中控制监测数据入库的方法和装置 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理*** | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN112734977A (zh) | 一种基于物联网的设备风险预警***及算法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN115951619B (zh) | 基于人工智能的掘进机远程智能控制*** | |
CN114088389A (zh) | 一种齿轮变速箱的数据处理方法和相关装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114897056A (zh) | 一种基于知识图谱的机泵叠加故障检测方法及*** | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析*** | |
CN114371686B (zh) | 基于局部邻域标准化的多工况过程故障检测方法及*** | |
CN116662466B (zh) | 通过大数据进行土地全生命周期维护*** | |
CN118167404B (zh) | 一种瓦斯抽采钻孔的智能控制方法 | |
CN117390496B (zh) | 面向工业燃气发电机组***的运行信息识别方法及*** |
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 |