CN116311751B - 一种煤矿井下使用防灭火电控*** - Google Patents
一种煤矿井下使用防灭火电控*** Download PDFInfo
- Publication number
- CN116311751B CN116311751B CN202310547989.7A CN202310547989A CN116311751B CN 116311751 B CN116311751 B CN 116311751B CN 202310547989 A CN202310547989 A CN 202310547989A CN 116311751 B CN116311751 B CN 116311751B
- Authority
- CN
- China
- Prior art keywords
- concentration value
- vector
- time sequence
- carbon monoxide
- feature vector
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 64
- 230000002265 prevention Effects 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 491
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 161
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 161
- 239000000779 smoke Substances 0.000 claims description 161
- 238000000605 extraction Methods 0.000 claims description 65
- 238000012544 monitoring process Methods 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000004880 explosion Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- 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
- E21F5/00—Means or methods for preventing, binding, depositing, or removing dust; Preventing explosions or fires
-
- 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
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Fire Alarms (AREA)
Abstract
本申请涉及智能控制***技术领域,其具体地公开了一种煤矿井下使用防灭火电控***,采用基于深度学习的人工智能监测技术,通过多传感器来采集煤矿井下的火灾监测点的温度值、烟雾浓度值以及一氧化碳浓度值,进一步通过融合三者之间的时序变化特征来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源,提高了火灾判断的精准性。
Description
技术领域
本申请涉及智能控制***技术领域,且更为具体地,涉及一种煤矿井下使用防灭火电控***。
背景技术
煤矿井下的火灾是一种严重的安全隐患,不仅会造成人员伤亡,还会导致设备损坏和资源浪费。为了有效地防止和控制井下火灾,需要在井下设置火灾监测点,并通过传感器采集所述火灾监测点的数据以进行火灾监控,并在发现火灾后启动防灭火控制方案。
申请号为201610919731.5的中国专利公开了一种矿井***监测报警与控制***。该***主要包括信息处理服务器、报警装置、通信网络、抑爆灭火设备、气体浓度监测装置及各类环境监测装置;该***可监测瓦斯***引起的烟雾、温度等多种数据的变化,并通过气体浓度监测装置对标志气体浓度进行监测、根据监测得到的数据对矿井***进行报警,并自动抑爆灭火,减少人员伤亡,降低瓦斯***造成的损失。该***克服了传统***监控所采用的瓦斯监测等方法存在的反应慢、误报率和漏报率高等缺点,大大提高了报警准确度,为煤矿安全生产提供重要保障。
申请号为202120664451.0的中国专利公开了一种基于单片机信息联动的智慧灭火及监控***,包括中央控制及处理器、***监控服务器、灭火器终端、报警模块、信息查询模块、指令发送模块、定位模块、传感器模块、GPRS无线通讯模块和电磁阀,其中电磁阀、定位模块和传感器模块安装在灭火器终端上,灭火器终端安装在室内顶部;***监控服务器通过GPRS无线通讯模块分别与中央控制及处理器与电磁阀相连,报警模块、信息查询模块和指令发送模块与中央控制及处理模块相连,定位模块和传感器模块通过无线信号与中央控制及处理模块相连。该***能够实时监控和及时反馈险情点并进行及时智能灭火,最终实现实时监控、提前预警、及时报警、智能灭火四重联动。
但是,在现有的火灾监测点的监测方案中,通常仅采用一种传感器(例如,温度传感器)或者种类较少的传感器来进行火灾监控,但是井下环境是一个复杂且多变的工况环境,仅凭借所采集的单维数据来进行火灾监控有可能会造成漏判和错判。
因此,期待一种优化的煤矿井下使用防灭火方案。
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煤矿井下使用防灭火电控***,其通过采用基于深度学习的人工智能监测技术,通过多传感器来采集煤矿井下的火灾监测点的温度值、烟雾浓度值以及一氧化碳浓度值,进一步通过融合三者之间的时序变化特征来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源。
根据本申请的一个方面,提供了一种煤矿井下使用防灭火电控***,其包括:
多传感器数据采集模块,用于获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;
向量化模块,用于将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;
时序特征提取模块,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;
特征融合模块,用于融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;
规则化模块,用于对分类特征向量进行特征分布规则化以得到优化分类特征向量;
以及控制结果生成模块,用于将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
在上述煤矿井下使用防灭火电控***中,多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及同时与第一卷积层和第二卷积层连接的多尺度融合层,其中,第一卷积层和第二卷积层分别使用具有不同尺度的一维卷积核。
在上述煤矿井下使用防灭火电控***中,时序特征提取模块,包括:第一邻域尺度特征提取单元,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量,其中,第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量,其中,第二卷积层具有第二长度的第二一维卷积核,第一长度不同于第二长度;以及多尺度级联单元,用于将第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量分别与第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量进行级联以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。其中,第一邻域尺度特征提取单元,用于使用多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码;
以及第二邻域尺度特征提取单元,用于使用多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码。
在上述煤矿井下使用防灭火电控***中,特征融合模块,用于以如下公式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;其中,公式为:
;
其中表示温度时序特征向量,/>表示烟雾浓度值时序特征向量,/>表示一氧化碳浓度值时序特征向量,/>表示分类特征向量,/>、/>和/>分别表示温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量的加权参数,/>表示按位置加和。
在上述煤矿井下使用防灭火电控***中,规则化模块,用于以如下优化公式对分类特征向量进行特征分布规则化以得到优化分类特征向量;其中,公式为:
;
其中和/>是分类特征向量各个位置的特征值的均值和标准差,且/>是优化分类特征向量的第/>个位置的特征值,/>是分类特征向量的第/>个位置的特征值。
在上述煤矿井下使用防灭火电控***中,控制结果生成模块,包括:全连接编码单元,用于使用分类器的多个全连接层对优化分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元,用于将编码分类特征向量通过分类器的Softmax分类函数以得到分类结果。
根据本申请的另一方面,提供了一种煤矿井下使用防灭火电控方法,其包括:
获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;
将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;
将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;
融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;
对分类特征向量进行特征分布规则化以得到优化分类特征向量;
以及将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
本申请提供了一种电子设备,包括:处理器;以及存储器,在存储器中存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上的煤矿井下使用防灭火电控方法。
申请提供了一种计算机可读介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上的煤矿井下使用防灭火电控方法。
与现有技术相比,本申请提供的一种煤矿井下使用防灭火电控***,采用基于深度学习的人工智能监测技术,通过多传感器来采集煤矿井下的火灾监测点的温度值、烟雾浓度值以及一氧化碳浓度值,进一步通过融合三者之间的时序变化特征来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源,提高了火灾判断的精准性。
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它目的、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煤矿井下使用防灭火电控***的场景示意图;
图2为根据本申请实施例的煤矿井下使用防灭火电控***的框图;
图3为根据本申请实施例的煤矿井下使用防灭火电控***的***架构图;
图4为根据本申请实施例的煤矿井下使用防灭火电控***中时序特征提取模块的框图;
图5为根据本申请实施例的煤矿井下使用防灭火电控***中控制结果生成模块的框图;
图6为根据本申请实施例的煤矿井下使用防灭火电控方法的流程图;
图7为根据本申请实施例的电子设备的框图。
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。
申请概述
针对上述技术问题,本申请的技术构思是通过多传感器来采集煤矿井下的火灾监测点的多传感器数据,包括温度数据、烟雾浓度数据和一氧化碳浓度数据等,进而通过多传感器数据融合的结果来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源。
具体地,首先获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值。也就是,在火灾监测点部署多传感器组合,以通过多传感器组合来采集该火灾监测点在预定时间段内的多个预定时间点的数据,包括温度数据、烟雾浓度数据和一氧化碳数据,以通过上述数据在时序上的离散分布来判断是否发生火灾或者预警火灾的发生等。
接着,将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量。这里,将多个预定时间点的传感器数据按时间维度排列成不同的时序输入向量,是为了使得机器学习模型能够对这些数据进行处理和分类。在煤矿井下发生火灾时,温度、烟雾浓度和一氧化碳浓度等参数会随着时间的变化而变化,将这些参数按时间轴排列成不同的向量,可以方便地提取出与时间相关的特征信息,从而更好地对火灾进行识别和监测。例如,通过分析温度值、一氧化碳浓度值和烟雾浓度值的变化趋势,可以提前判断是否有火灾发生,并及时采取措施进行处理,避免事故的发生。
进而,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。这里,在本申请的技术方案中,在煤矿井下,火灾的发生往往是由于多种因素的复杂作用而导致的,如温度升高、烟雾浓度增加和一氧化碳浓度超标等,因此需要从不同层次、不同尺度上对这些因素进行有效的特征提取。
多尺度邻域特征提取模块能够同时考虑时间维度和空间维度上的特征,通过对不同时间点的传感器数据之间的关系进行分析,提取出与火灾相关的重要特征,如温度波动情况、烟雾浓度变化趋势以及一氧化碳浓度峰值等。具体地,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块处理,得到三个不同的时序特征向量,其中每个特征向量都反映了相应传感器数据在时间和空间上的变化特征。
在本申请一个具体的示例中,多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及同时与第一卷积层和第二卷积层连接的多尺度融合层,其中,第一卷积层和第二卷积层分别使用具有不同尺度的一维卷积核。
继而,融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量。在煤矿井下防灭火方案中,使用了多个传感器采集不同的数据,如温度值、烟雾浓度和一氧化碳浓度等。应可以理解,上述传感器数据都是与火灾相关的,可以反映火灾的发生和危险程度。然而,单独考虑每个参数的值并不能很好地判断是否有火灾发生,因为火灾的发生往往是由多个因素复杂作用而导致的,需要对这些因素进行综合判断。
基于此,通过将温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量进行融合,可以得到包含更加全面信息的分类特征向量。这样可以更准确地判断是否有火灾发生,并及时采取措施进行处理。同时,根据不同的火灾情况,需要对各个特征向量的权重进行调整,以便更好地适应不同场景下的预警和防范。在本申请一个具体的示例中,通过逐点点加的方式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量得到分类特征向量。
继而,将分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。也就是,使用分类器来确定分类特征向量所属的类边界以得到类概率标签,其中,分类结果为切断火灾监测点的电源(第一标签),以及不切断火灾监测点的电源(第二标签)。这里隐藏了一个隐含的逻辑判断,即当判断为发生火灾时,切断火灾监测点的电源(所采取的应对策略),而当判断为没有发生火灾时,不切断火灾监测点的电源(所采取的应对策略)。
特别地,在本申请的技术方案中,当例如通过逐点点加的方式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量得到分类特征向量时,考虑到各个传感器的数据本身存在噪声或异常值,导致其在多个时间点的时序分布具有不同的分布特性,从而在由多尺度邻域特征提取模块进行多尺度时序邻域关联特征提取时,各自的特征分布在时序特征排列方向上存在失配,这就会使得得到的分类特征向量存在特征分布的不规则化问题,影响分类特征向量的分类准确性。
基于此,本申请的申请人对分类特征向量进行流形曲面的高斯概率密度参数二次正则化,具体表示为:
;
其中和/>是特征值集合/>的均值和标准差,且/>是优化后的分类特征向量/>的第/>个位置的特征值,/>是分类特征向量的第/>个位置的特征值。
具体地,为了解决分类特征向量的特征集合的高维特征分布在高维特征空间内的分布不规则化的问题,通过分类特征向量/>的每个位置的特征值针对类概率的高斯概率密度参数的似然性进行特征值的整体分布特性的二次正则化,来基于目标高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整,从而提升优化后的分类特征向量的分布规则性,进而提升其通过分类器的分类结果的准确性。
基于此,本申请提出了一种煤矿井下使用防灭火电控***,其包括:多传感器数据采集模块,用于获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;向量化模块,用于将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;时序特征提取模块,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;特征融合模块,用于融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;规则化模块,用于对分类特征向量进行特征分布规则化以得到优化分类特征向量;以及控制结果生成模块,用于将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
图1为根据本申请实施例的煤矿井下使用防灭火电控***的场景示意图。如图1所示,在该应用场景中,通过温度传感器(例如,如图1中所示意的V1)获取预定时间段内多个预定时间点的温度值,通过烟雾浓度传感器(例如,如图1中所示意的V2)获取预定时间段内多个预定时间点的烟雾浓度值,以及通过一氧化碳浓度传感器(例如,如图1中所示意的V3)获取预定时间段内多个预定时间点的一氧化碳浓度值。接着,将上述数据输入至部署有用于煤矿井下使用防灭火电控算法的服务器(例如,图1中的S)中,其中,服务器能够以煤矿井下使用防灭火电控算法对上述输入的数据进行处理,以生成用于表示是否切断火灾监测点的电源的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2为根据本申请实施例的煤矿井下使用防灭火电控***的框图。如图2所示,根据本申请实施例的煤矿井下使用防灭火电控***300,包括:多传感器数据采集模块310;向量化模块320;时序特征提取模块330;特征融合模块340;规则化模块350;以及,控制结果生成模块360。
其中,多传感器数据采集模块310,用于获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;向量化模块320,用于将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;时序特征提取模块330,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;特征融合模块340,用于融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;规则化模块350,用于对分类特征向量进行特征分布规则化以得到优化分类特征向量;以及控制结果生成模块360,用于将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
图3为根据本申请实施例的煤矿井下使用防灭火电控***的***架构图。如图3所示,在该网络架构中,首先通过多传感器数据采集模块310获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;接着,向量化模块320将多传感器数据采集模块310获取的多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;时序特征提取模块330将向量化模块320得到的温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;特征融合模块340融合时序特征提取模块330得到的温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;然后,规则化模块350对特征融合模块340融合所得的分类特征向量进行特征分布规则化以得到优化分类特征向量;进而,控制结果生成模块360将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,多传感器数据采集模块310,用于获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值。应可以理解,在本申请的技术方案中,可通过多传感器数据融合的思想来判断火灾监测点是否发生火灾,也就是,在火灾监测点部署多传感器组合,以通过多传感器组合来采集该火灾监测点在预定时间段内的多个预定时间点的数据,包括温度数据、烟雾浓度数据和一氧化碳数据,以通过上述数据在时序上的离散分布来判断是否发生火灾或者预警火灾的发生等。在一个示例中,可通过温度传感器来获取预定时间段内多个预定时间点的温度值,通过烟雾浓度传感器来获取预定时间段内多个预定时间点的烟雾浓度值,以及通过一氧化碳浓度传感器来获取预定时间段内多个预定时间点的一氧化碳浓度值。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,向量化模块320,用于将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量。应可以理解,将多个预定时间点的传感器数据按时间维度排列成不同的时序输入向量,是为了使得机器学习模型能够对这些数据进行处理和分类。在煤矿井下发生火灾时,温度、烟雾浓度和一氧化碳浓度等参数会随着时间的变化而变化,将这些参数按时间轴排列成不同的向量,可以方便地提取出与时间相关的特征信息,从而更好地对火灾进行识别和监测。例如,通过分析温度值、一氧化碳浓度值和烟雾浓度值的变化趋势,可以提前判断是否有火灾发生,并及时采取措施进行处理,避免事故的发生。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,时序特征提取模块330,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。也就是,在本申请的技术方案中,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。在本申请的技术方案中,在煤矿井下,火灾的发生往往是由于多种因素的复杂作用而导致的,如温度升高、烟雾浓度增加和一氧化碳浓度超标等,因此需要从不同层次、不同尺度上对这些因素进行有效的特征提取。多尺度邻域特征提取模块能够同时考虑时间维度和空间维度上的特征,通过对不同时间点的传感器数据之间的关系进行分析,提取出与火灾相关的重要特征,如温度波动情况、烟雾浓度变化趋势以及一氧化碳浓度峰值等。具体地,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块处理,得到三个不同的时序特征向量,其中每个特征向量都反映了相应传感器数据在时间和空间上的变化特征。特别地,多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及同时与第一卷积层和第二卷积层连接的多尺度融合层,其中,第一卷积层和第二卷积层分别使用具有不同尺度的一维卷积核。
图4为根据本申请实施例的煤矿井下使用防灭火电控***中时序特征提取模块的框图。如图4所示,时序特征提取模块330,包括:第一邻域尺度特征提取单元331,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量,其中,第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元332,用于将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量,其中,第二卷积层具有第二长度的第二一维卷积核,第一长度不同于第二长度;以及多尺度级联单元333,用于将第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量分别与第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量进行级联以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。其中,第一邻域尺度特征提取单元331,用于使用多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码;以及第二邻域尺度特征提取单元332,用于使用多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,特征融合模块340,用于融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到包含更加全面信息的分类特征向量。也就是,在得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量后进一步将三者进行特征融合,在煤矿井下防灭火方案中,使用了多个传感器采集不同的数据,如温度值、烟雾浓度和一氧化碳浓度等。应可以理解,上述传感器数据都是与火灾相关的,可以反映火灾的发生和危险程度。然而,单独考虑每个参数的值并不能很好地判断是否有火灾发生,因为火灾的发生往往是由多个因素复杂作用而导致的,需要对这些因素进行综合判断。在本申请的一个具体示例汇总,通过逐点点加的方式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量得到分类特征向量。更具体地,以如下公式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;其中,公式为:,其中/>表示温度时序特征向量,/>表示烟雾浓度值时序特征向量,/>表示一氧化碳浓度值时序特征向量,/>表示分类特征向量,/>和分别表示温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量的加权参数,/>表示按位置加和。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,规则化模块350,用于对分类特征向量进行特征分布规则化以得到优化分类特征向量。在本申请的技术方案中,当例如通过逐点点加的方式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量得到分类特征向量时,考虑到各个传感器的数据本身存在噪声或异常值,导致其在多个时间点的时序分布具有不同的分布特性,从而在由多尺度邻域特征提取模块进行多尺度时序邻域关联特征提取时,各自的特征分布在时序特征排列方向上存在失配,这就会使得得到的分类特征向量存在特征分布的不规则化问题,影响分类特征向量的分类准确性。基于此,本申请的申请人对分类特征向量进行流形曲面的高斯概率密度参数二次正则化,具体表示为:
级联向量;
其中和/>是分类特征向量各个位置的特征值的均值和标准差,且/>是优化分类特征向量的第/>个位置的特征值,/>是分类特征向量的第/>个位置的特征值。具体地,为了解决分类特征向量/>的特征集合的高维特征分布在高维特征空间内的分布不规则化的问题,通过分类特征向量/>的每个位置的特征值针对类概率的高斯概率密度参数的似然性进行特征值的整体分布特性的二次正则化,来基于目标高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整,从而提升优化后的分类特征向量/>的分布规则性,进而提升其通过分类器的分类结果的准确性。
具体地,在煤矿井下使用防灭火电控***300的运行过程中,控制结果生成模块360,用于将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。也就是,将优化分类特征向量作为分类特征向量通过分类器以获得分类结果,具体地,使用分类器以如下公式对优化分类特征向量进行处理以获得分类结果,其中,公式为:,其中,/>到/>为权重矩阵,到/>为偏置向量,/>为优化分类特征向量。具体地,分类器包括多个全连接层和与多个全连接层最后一个全连接层级联的Softmax层。其中,在分类器的分类处理中,使用分类器的多个全连接层对优化分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将编码分类特征向量输入分类器的Softmax层,即,使用Softmax分类函数对编码分类特征向量进行分类处理以得到分类标签。也就是,使用分类器来确定分类特征向量所属的类边界以得到类概率标签,其中,分类结果为切断火灾监测点的电源(第一标签),以及不切断火灾监测点的电源(第二标签)。这里,隐藏了一个隐含的逻辑判断,即当判断为发生火灾时,切断火灾监测点的电源(所采取的应对策略),而当判断为没有发生火灾时,不切断火灾监测点的电源(所采取的应对策略)。
图5为根据本申请实施例的煤矿井下使用防灭火电控***中控制结果生成模块的框图。如图5所示,控制结果生成模块360,包括:全连接编码单元361,用于使用分类器的多个全连接层对优化分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元362,用于将编码分类特征向量通过分类器的Softmax分类函数以得到分类结果。
综上,根据本申请实施例的煤矿井下使用防灭火电控***300,采用基于深度学习的人工智能监测技术,通过多传感器来采集煤矿井下的火灾监测点的温度值、烟雾浓度值以及一氧化碳浓度值,进一步通过融合三者之间的时序变化特征来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源,提高火灾判断的精准性。
如上,根据本申请实施例的煤矿井下使用防灭火电控***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的煤矿井下使用防灭火电控***300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,该煤矿井下使用防灭火电控***300可以是该终端设备的操作***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,该煤矿井下使用防灭火电控***300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,该煤矿井下使用防灭火电控***300与该终端设备也可以是分立的设备,并且该煤矿井下使用防灭火电控***300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。
示例性方法
图6为根据本申请实施例的煤矿井下使用防灭火电控方法的流程图。如图6所示,根据本申请实施例的煤矿井下使用防灭火电控方法,包括步骤:S110,获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;S120,将多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;S130,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;S140,融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;S150,对分类特征向量进行特征分布规则化以得到优化分类特征向量;以及S160,将优化分类特征向量通过分类器以得到分类结果,分类结果用于表示是否切断火灾监测点的电源。
在一个示例中,在上述煤矿井下使用防灭火电控方法中,步骤S130,包括:将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量,其中,第一卷积层具有第一长度的第一一维卷积核;将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量,其中,第二卷积层具有第二长度的第二一维卷积核,第一长度不同于第二长度;以及将第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量分别与第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量进行级联以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量。其中,多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及同时与第一卷积层和第二卷积层连接的多尺度融合层,其中,第一卷积层和第二卷积层分别使用具有不同尺度的一维卷积核。更具体地,将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量,包括:使用多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码;以及将温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别输入多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量,包括:使用多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量;其中,公式为:
;
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量,/>表示对温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量分别进行一维卷积编码。
在一个示例中,在上述煤矿井下使用防灭火电控方法中,步骤S140,包括:以如下公式融合温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量以得到分类特征向量;其中,公式为:,其中/>表示温度时序特征向量,/>表示烟雾浓度值时序特征向量,/>表示一氧化碳浓度值时序特征向量,/>表示分类特征向量,/>和/>分别表示温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量的加权参数,/>表示按位置加和。
在一个示例中,在上述煤矿井下使用防灭火电控方法中,步骤S150,包括:以如下优化公式对分类特征向量进行特征分布规则化以得到优化分类特征向量;其中,公式为:
;
其中和/>是分类特征向量各个位置的特征值的均值和标准差,且/>是优化分类特征向量的第/>个位置的特征值,/>是分类特征向量的第/>个位置的特征值。
在一个示例中,在上述煤矿井下使用防灭火电控方法中,步骤S160,包括:使用分类器的多个全连接层对优化分类特征向量进行全连接编码以得到编码分类特征向量;以及将编码分类特征向量通过分类器的Softmax分类函数以得到分类结果。
综上,根据本申请实施例的煤矿井下使用防灭火电控方法,采用基于深度学习的人工智能监测技术,通过多传感器来采集煤矿井下的火灾监测点的温度值、烟雾浓度值以及一氧化碳浓度值,进一步通过融合三者之间的时序变化特征来判断火灾监测点是否发生火灾,以在判断结果为发生火灾后,切断火灾监测点的供电电源,提高火灾判断的精准性。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备10中的其它组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行程序指令,以实现上文的本申请的各个实施例的煤矿井下使用防灭火电控***中的功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储诸如分类特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其它形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其它适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的煤矿井下使用防灭火电控方法中的功能中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的煤矿井下使用防灭火电控方法中的功能中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其它方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (2)
1.一种煤矿井下使用防灭火电控***,其特征在于,包括:
多传感器数据采集模块,用于获取部署于井下环境的火灾监测点的传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据包括温度值、烟雾浓度值和一氧化碳浓度值;
向量化模块,用于将所述多个预定时间点的传感器数据中的温度值、烟雾浓度值和一氧化碳浓度值分别按照时间维度排列为温度时序输入向量、烟雾浓度值输入向量和一氧化碳浓度值输入向量;
时序特征提取模块,用于将所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别通过多尺度邻域特征提取模块以得到温度时序特征向量、烟雾浓度值时序特征向量和一氧化碳浓度值时序特征向量;
特征融合模块,用于融合所述温度时序特征向量、所述烟雾浓度值时序特征向量和所述一氧化碳浓度值时序特征向量以得到分类特征向量;
规则化模块,用于对所述分类特征向量进行特征分布规则化以得到优化分类特征向量;
以及控制结果生成模块,用于将所述优化分类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切断火灾监测点的电源;
所述特征融合模块,用于以如下公式融合所述温度时序特征向量、所述烟雾浓度值时序特征向量和所述一氧化碳浓度值时序特征向量以得到分类特征向量;
其中,所述公式为:
;
其中表示所述温度时序特征向量,/>表示所述烟雾浓度值时序特征向量,/>表示所述一氧化碳浓度值时序特征向量,/>表示所述分类特征向量,/>和/>分别表示所述温度时序特征向量、所述烟雾浓度值时序特征向量和所述一氧化碳浓度值时序特征向量的加权参数,/>表示按位置加和;所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,同时与所述第一卷积层和所述第二卷积层连接的多尺度融合层;其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核;
所述时序特征提取模块,包括:
第一邻域尺度特征提取单元,用于将所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二邻域尺度特征提取单元,用于将所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
以及多尺度级联单元,用于将所述第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量分别与所述第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量进行级联以得到所述温度时序特征向量、所述烟雾浓度值时序特征向量和所述一氧化碳浓度值时序特征向量;
其中,所述第一邻域尺度特征提取单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量、第一邻域尺度烟雾浓度值时序特征向量和第一邻域尺度一氧化碳浓度值时序特征向量;
其中,所述公式为:
;
其中,为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量,/>表示对所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别进行一维卷积编码;
以及所述第二邻域尺度特征提取单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量、第二邻域尺度烟雾浓度值时序特征向量和第二邻域尺度一氧化碳浓度值时序特征向量;
其中,所述公式为:
;
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量,/>表示对所述温度时序输入向量、所述烟雾浓度值输入向量和所述一氧化碳浓度值输入向量分别进行一维卷积编码;
所述规则化模块,用于以如下优化公式对所述分类特征向量进行特征分布规则化以得到优化分类特征向量;
其中,所述公式为:
;
其中和/>是分类特征向量各个位置的特征值的均值和标准差,且/>是优化分类特征向量的第/>个位置的特征值,/>是分类特征向量的第/>个位置的特征值。
2.根据权利要求1所述的煤矿井下使用防灭火电控***,其特征在于,所述控制结果生成模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;
以及分类结果生成单元,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547989.7A CN116311751B (zh) | 2023-05-16 | 2023-05-16 | 一种煤矿井下使用防灭火电控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547989.7A CN116311751B (zh) | 2023-05-16 | 2023-05-16 | 一种煤矿井下使用防灭火电控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311751A CN116311751A (zh) | 2023-06-23 |
CN116311751B true CN116311751B (zh) | 2023-12-08 |
Family
ID=86794447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310547989.7A Active CN116311751B (zh) | 2023-05-16 | 2023-05-16 | 一种煤矿井下使用防灭火电控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311751B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473285B (zh) * | 2023-12-27 | 2024-03-19 | 长春黄金设计院有限公司 | 基于数字孪生的智慧运维管理***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
CN113689032A (zh) * | 2021-08-09 | 2021-11-23 | 陕煤集团神木张家峁矿业有限公司 | 一种基于深度学习的多传感器融合瓦斯浓度多步预测方法 |
CN113762162A (zh) * | 2021-09-08 | 2021-12-07 | 合肥中科类脑智能技术有限公司 | 一种基于语义分割和识别的火灾预警方法及*** |
CN114129936A (zh) * | 2021-12-07 | 2022-03-04 | 陕西开来机电设备制造有限公司 | 一种矿用光纤测温及灭火控制*** |
CN114202646A (zh) * | 2021-11-26 | 2022-03-18 | 深圳市朗驰欣创科技股份有限公司 | 一种基于深度学习的红外图像吸烟检测方法与*** |
CN114399719A (zh) * | 2022-03-25 | 2022-04-26 | 合肥中科融道智能科技有限公司 | 一种变电站火灾视频监测方法 |
CN114458386A (zh) * | 2022-01-26 | 2022-05-10 | 江苏大系舟科技有限公司 | 一种用于煤矿井下的自动灭火***和方法 |
CN114664048A (zh) * | 2022-05-26 | 2022-06-24 | 环球数科集团有限公司 | 一种基于卫星遥感监测的火情监测及火灾预警方法 |
EP4083867A1 (en) * | 2021-04-29 | 2022-11-02 | Yasar Universitesi | Recurrent trend predictive neural network for multi-sensor fire detection |
-
2023
- 2023-05-16 CN CN202310547989.7A patent/CN116311751B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
EP4083867A1 (en) * | 2021-04-29 | 2022-11-02 | Yasar Universitesi | Recurrent trend predictive neural network for multi-sensor fire detection |
CN113689032A (zh) * | 2021-08-09 | 2021-11-23 | 陕煤集团神木张家峁矿业有限公司 | 一种基于深度学习的多传感器融合瓦斯浓度多步预测方法 |
CN113762162A (zh) * | 2021-09-08 | 2021-12-07 | 合肥中科类脑智能技术有限公司 | 一种基于语义分割和识别的火灾预警方法及*** |
CN114202646A (zh) * | 2021-11-26 | 2022-03-18 | 深圳市朗驰欣创科技股份有限公司 | 一种基于深度学习的红外图像吸烟检测方法与*** |
CN114129936A (zh) * | 2021-12-07 | 2022-03-04 | 陕西开来机电设备制造有限公司 | 一种矿用光纤测温及灭火控制*** |
CN114458386A (zh) * | 2022-01-26 | 2022-05-10 | 江苏大系舟科技有限公司 | 一种用于煤矿井下的自动灭火***和方法 |
CN114399719A (zh) * | 2022-03-25 | 2022-04-26 | 合肥中科融道智能科技有限公司 | 一种变电站火灾视频监测方法 |
CN114664048A (zh) * | 2022-05-26 | 2022-06-24 | 环球数科集团有限公司 | 一种基于卫星遥感监测的火情监测及火灾预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116311751A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116311751B (zh) | 一种煤矿井下使用防灭火电控*** | |
CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其*** | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN103116961A (zh) | 一种基于电子鼻技术的密闭空间火灾探测报警***及方法 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
Sultan Mahmud et al. | Smart fire detection system with early notifications using machine learning | |
CN116759053A (zh) | 基于物联网***的医疗体系防控方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116486323A (zh) | 基于人工智能的输煤廊道监控管理***及其方法 | |
Xiao et al. | Real-time object detection for substation security early-warning with deep neural network based on YOLO-V5 | |
CN115565101A (zh) | 一种生产安全异常识别方法、装置、电子设备及存储介质 | |
CN117248967A (zh) | 基于智慧感知的矿山安全监测***及其方法 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN108288875A (zh) | 一种基于多源数据开放与校验分析的继电保护智能告警方法与*** | |
CN110428579A (zh) | 基于图像识别的室内监控***、方法及装置 | |
Ergasheva et al. | Advancing Maritime Safety: Early Detection of Ship Fires through Computer Vision, Deep Learning Approaches, and Histogram Equalization Techniques | |
CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
Mwedzi et al. | Machine learning applications for fire detection in a residential building | |
CN116977129A (zh) | 智慧物业管理***及其方法 | |
CN116385962A (zh) | 基于机器视觉的廊道内人员监控***及其方法 | |
CN116486345A (zh) | 物业服务平台管理***及其方法 | |
CN113361855A (zh) | 一种短中长期风险的告警方法及装置 | |
CN110645048A (zh) | 一种智慧矿山多***在线联动方法 |
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 |