CN117036082B - 一种智慧矿山管理***及方法 - Google Patents
一种智慧矿山管理***及方法 Download PDFInfo
- Publication number
- CN117036082B CN117036082B CN202310881968.9A CN202310881968A CN117036082B CN 117036082 B CN117036082 B CN 117036082B CN 202310881968 A CN202310881968 A CN 202310881968A CN 117036082 B CN117036082 B CN 117036082B
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- neural network
- accident probability
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 241001441571 Hiodontidae Species 0.000 claims description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种智慧矿山管理***及方法,涉及矿山生产技术领域。采集模块采集目标矿山范围内的原始预警数据;特征提取模块基于D‑S证据理论对原始预警数据进行特征组合得到特征矩阵;第一神经网络模型和第二神经网络模型分别以特征矩阵作为输入计算输出目标矿山当前的第一事故概率和第二事故概率;若当前时间未达到第二工作周期,则根据第一事故概率进行预警;否则,则根据第一事故概率和第二事故概率进行预警。本***包含两个神经网络模型,可以以不同检测周期根据采集数据进行预警,第一神经网络模型可以用于日常预警,第二神经网络模型用于与第一神经网络模型协同工作并相互验证估计精度,提高了后续阶段预警结果的可靠性。
Description
技术领域
本发明涉及矿山生产技术领域,具体涉及一种智慧矿山管理***及方法。
背景技术
矿产资源是人类赖以生存和社会发展的重要物质基础,为社会建设做出巨大贡献,但在矿山的开发工作中,仍存在较多的安全风险隐患,因此,实现对矿山安全风险的预警分析,则显得至关重要。通过将矿山数字化、信息化,对矿山生产、职业健康与安全、技术支持与后勤保障等进行主动感知、自动分析、快速处理,建设智慧矿山,可以最终实现安全矿山、无人矿山、高效矿山、清洁矿山的建设。
但现有的在对矿山安全风险预警分析的方式中,无法从矿山的自然水文灾害层面、地质状态层面以及作业环境层面进行安全风险的监测分析,更无法实现矿山安全风险分析的多维度预警监测,故无法对矿山存在的安全风险进行超前的预警,难以及时制定合理的预警控制操作,更难以保证矿山工作的稳定运行。
发明内容
本发明的目的就在于解决上述背景技术的问题,而提出一种智慧矿山管理***及方法。
本发明的目的可以通过以下技术方案实现:
本发明实施例提供了一种智慧矿山管理***,包括采集模块和智慧预警模块;所述智慧预警模块包括特征提取模块、报警模块、第一神经网络模型和第二神经网络模型,所述第一神经网络模型的第一工作周期小于所述第二神经网络模型的第二工作周期;
所述采集模块,用于采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
所述特征提取模块,用于基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵;
所述第一神经网络模型,用于以所述特征矩阵作为输入计算输出所述目标矿山当前的第一事故概率;
所述第二神经网络模型,用于以所述特征矩阵作为输入计算输出所述目标矿山当前的第二事故概率;
所述报警模块,用于若当前时间未达到所述第二工作周期,则根据所述第一事故概率进行预警;若当前时间达到所述第二工作周期,则根据所述第一事故概率和所述第二事故概率进行预警。
可选地,所述***还包括网关设备;所述采集模块包括无线传感器节点和有线传感器节点;有线传感器节点部署于主巷道区域用于采集所述目标矿山范围内的环境信息;无线传感器节点部署于工作人员的防护装备以及所述目标矿山的表面和内部,无线传感器节点用于采集所述目标矿山范围内环境信息和工作人员的生理信息;所有无线传感器节点组成ad-hoc网络;并通过ad-hoc网络将采集到的数据实时传输到所述网关设备;
所述网关设备,用于汇集无线传感器节点和有线传感器节点的采集数据,作为所述原始预警数据发送给所述智慧预警模块。
可选地,所述特征提取模块,包括D-S特征模型和映射模块;
所述D-S特征模型,用于对所述原始预警数据进行组合得到一维时序数据;
所述映射模块,用于将所述一维时序数据映射转化为二维矩阵作为特征矩阵。
可选地,所述D-S特征模型,具体用于:
计算了各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL;
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;所述待组合数据中各采集数据相互独立;
将所述待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
可选地,所述报警模块包括数据对比模块和指令发送模块;
所述数据对比模块,用于若当前时间达到所述第二工作周期,且所述第一事故概率和所述第二事故概率不相同,将所述第一事故概率和所述第二事故概率进行加权求和得到第三事故概率,根据所述第三事故概率进行预警;
所述指令发送模块,向所述第一神经网络模型和所述第二神经网络模型发送更新指令;
所述第一神经网络模型和所述第二神经网络模型,还用于将所述特征矩阵加入原始训练样本得到扩展训练样本,使用所述扩展训练样本重新训练更新模型。
本发明实施例还提供了一种智慧矿山管理方法,所述方法包括:
采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵;
将所述特征矩阵输入所述第一神经网络模型计算输出所述目标矿山当前的第一事故概率;
将所述特征矩阵输入所述第二神经网络模型计算输出所述目标矿山当前的第二事故概率;所述第一神经网络模型的第一工作周期小于所述第二神经网络模型的第二工作周期;
若当前时间未达到所述第二工作周期,则根据所述第一事故概率进行预警;若当前时间达到所述第二工作周期,则根据所述第一事故概率和所述第二事故概率进行预警。
可选地,所述原始预警数据通过无线传感器节点和有线传感器节点采集;有线传感器节点部署于主巷道区域用于采集所述目标矿山范围内的环境信息;无线传感器节点部署于工作人员的防护装备以及所述目标矿山的表面和内部,无线传感器节点用于采集所述目标矿山范围内环境信息和工作人员的生理信息;所有无线传感器节点组成ad-hoc网络;并通过ad-hoc网络将采集到的数据实时传输到网关设备;
通过所述网关设备汇集无线传感器节点和有线传感器节点的采集数据,作为所述原始预警数据。
可选地,基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵,包括:
对所述原始预警数据进行组合得到一维时序数据;
将所述一维时序数据映射转化为二维矩阵作为特征矩阵。
可选地,对所述原始预警数据进行组合得到一维时序数据包括:
计算了各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL;
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;所述待组合数据中各采集数据相互独立;
将所述待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
可选地,所述方法还包括:
若当前时间达到所述第二工作周期,且所述第一事故概率和所述第二事故概率不相同,将所述第一事故概率和所述第二事故概率进行加权求和得到第三事故概率,根据所述第三事故概率进行预警;
向所述第一神经网络模型和所述第二神经网络模型发送更新指令;以使所述第一神经网络模型和所述第二神经网络模型,将所述特征矩阵加入原始训练样本得到扩展训练样本,使用所述扩展训练样本重新训练更新模型。
本发明的有益效果:
本发明实施例提供了一种智慧矿山管理***,包括采集模块和智慧预警模块;智慧预警模块包括特征提取模块、报警模块、第一神经网络模型和第二神经网络模型,第一神经网络模型的第一工作周期小于第二神经网络模型的第二工作周期;采集模块,用于采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;特征提取模块,用于基于D-S证据理论对原始预警数据进行特征组合得到特征矩阵;第一神经网络模型,用于以特征矩阵作为输入计算输出所述目标矿山当前的第一事故概率;第二神经网络模型,用于以特征矩阵作为输入计算输出目标矿山当前的第二事故概率;报警模块,用于若当前时间未达到第二工作周期,则根据第一事故概率进行预警;若当前时间达到第二工作周期,则根据第一事故概率和第二事故概率进行预警。本***包含两个神经网络模型,可以以不同检测周期根据采集数据进行预警,第一神经网络模型可以用于日常预警,第二神经网络模型用于与第一神经网络模型协同工作并相互验证估计精度,提高了后续阶段预警结果的可靠性。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种智慧矿山管理***的***框图;
图2为本发明实施例提供的一种智慧矿山管理方法的流程图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供了一种智慧矿山管理***,参见图1,图1为本发明实施例提供的一种智慧矿山管理***的***框图。该***包括采集模块和智慧预警模块;智慧预警模块包括特征提取模块、报警模块、第一神经网络模型和第二神经网络模型,第一神经网络模型的第一工作周期小于第二神经网络模型的第二工作周期;
采集模块,用于采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
特征提取模块,用于基于D-S证据理论对原始预警数据进行特征组合得到特征矩阵;
第一神经网络模型,用于以特征矩阵作为输入计算输出目标矿山当前的第一事故概率;
第二神经网络模型,用于以特征矩阵作为输入计算输出目标矿山当前的第二事故概率;
报警模块,用于若当前时间未达到第二工作周期,则根据第一事故概率进行预警;若当前时间达到第二工作周期,则根据第一事故概率第二事故概率进行预警。
基于本发明实施例提供的一种智慧矿山管理***,包含两个神经网络模型,可以以不同检测周期根据采集数据进行预警,第一神经网络模型可以用于日常预警,第二神经网络模型用于与第一神经网络模型协同工作并相互验证估计精度,提高了后续阶段预警结果的可靠性。
一种实现方式中,第一神经网络模型的计算复杂度低于第二神经网络模型,第一工作周期可以设置为1小时、6小时和一天等等,第二工作周期可以设置为一天、一周和一个月等等。使用第一神经网络模型进行日常监测,使用第二神经网络模型保证第一神经网络模型的估计精度,并提升***的整体估计精度。
在一个实施例中,该***还包括网关设备;采集模块包括无线传感器节点和有线传感器节点;有线传感器节点部署于主巷道区域用于采集目标矿山范围内的环境信息;无线传感器节点部署于工作人员的防护装备以及目标矿山的表面和内部,无线传感器节点用于采集目标矿山范围内环境信息和工作人员的生理信息;所有无线传感器节点组成ad-hoc网络;并通过ad-hoc网络将采集到的数据实时传输到网关设备;
网关设备,用于汇集无线传感器节点和有线传感器节点的采集数据,作为原始预警数据发送给智慧预警模块。
一种实现方式中,环境信息可以由主巷道区域的有线传感器节点和目标矿山的表面和内部的无线传感器节点采集获得。环境信息通常可以用于估计矿山地质灾害风险,可以包括矿山内部的角位移、压力和含水量等等,以及矿山外部的降水量。环境信息还可以用于估计矿道内对于工作人员的风险,例如,有害气体的含量、气温和压力等等。生理信息通常由防护装备中的无线传感器节点采集,可以用于估计工作人员的身体状态。生理信息可以包括血氧浓度、体温等等。无线传感器节点还有实时提供节点的位置信息。
在一个实施例中,特征提取模块,包括D-S特征模型和映射模块;
D-S特征模型,用于对原始预警数据进行组合得到一维时序数据;
映射模块,用于将一维时序数据映射转化为二维矩阵作为特征矩阵。
一种实现方式中,将一维时序数据映射转化为二维矩阵作为特征矩阵,可以充分利用卷积网络获得更大的感受野,提高神经网络模型的估计精度。
在一个实施例中,D-S特征模型,具体用于:
计算了各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL;
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;待组合数据中各采集数据相互独立;
将待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
在一个实施例中,报警模块包括数据对比模块和指令发送模块;
数据对比模块,用于若当前时间达到第二工作周期,且第一事故概率和第二事故概率不相同,将第一事故概率和第二事故概率进行加权求和得到第三事故概率,根据第三事故概率进行预警;
指令发送模块,向所述第一神经网络模型和第二神经网络模型发送更新指令;
第一神经网络模型和第二神经网络模型,还用于将特征矩阵加入原始训练样本得到扩展训练样本,使用扩展训练样本重新训练更新模型。
一种实现方式中,若第一事故概率和第二事故概率相同,则第一神经网络模型和第二神经网络模型保持当前参数,不需要进行更新。
基于相同的发明构思本发明实施例还提供了一种智慧矿山管理方法,参见图2,图2为本发明实施例提供的一种智慧矿山管理方法的流程图。
方法包括:
S201,采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
S202,基于D-S证据理论对原始预警数据进行特征组合得到特征矩阵;
S203,将特征矩阵输入第一神经网络模型计算输出目标矿山当前的第一事故概率;
S204,将特征矩阵输入第二神经网络模型计算输出目标矿山当前的第二事故概率;
S205,若当前时间未达到第二工作周期,则根据第一事故概率进行预警,若当前时间达到第二工作周期,则根据第一事故概率和第二事故概率进行预警。
第一神经网络模型的第一工作周期小于第二神经网络模型的第二工作周期。
基于本发明实施例提供的一种智慧矿山管理方法,包含两个神经网络模型,可以以不同检测周期根据采集数据进行预警,第一神经网络模型可以用于日常预警,第二神经网络模型用于与第一神经网络模型协同工作并相互验证估计精度,提高了后续阶段预警结果的可靠性。
在一个实施例中,原始预警数据通过无线传感器节点和有线传感器节点采集;有线传感器节点部署于主巷道区域用于采集目标矿山范围内的环境信息;无线传感器节点部署于工作人员的防护装备以及目标矿山的表面和内部,无线传感器节点用于采集目标矿山范围内环境信息和工作人员的生理信息;所有无线传感器节点组成ad-hoc网络;并通过ad-hoc网络将采集到的数据实时传输到网关设备;
通过网关设备汇集无线传感器节点和有线传感器节点的采集数据,作为原始预警数据。
在一个实施例中,基于D-S证据理论对原始预警数据进行特征组合得到特征矩阵,包括:
对原始预警数据进行组合得到一维时序数据;
将一维时序数据映射转化为二维矩阵作为特征矩阵。
在一个实施例中,对原始预警数据进行组合得到一维时序数据包括:
计算了各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL;
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;待组合数据中各采集数据相互独立;
将待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
在一个实施例中,该方法还包括:
若当前时间达到所述第二工作周期,且第一事故概率和第二事故概率不相同,将第一事故概率和第二事故概率进行加权求和得到第三事故概率,根据第三事故概率进行预警;
向所述第一神经网络模型和第二神经网络模型发送更新指令;以使所述第一神经网络模型和第二神经网络模型,将特征矩阵加入原始训练样本得到扩展训练样本,使用扩展训练样本重新训练更新模型。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (4)
1.一种智慧矿山管理***,其特征在于,包括采集模块、网关设备和智慧预警模块;所述智慧预警模块包括特征提取模块、报警模块、第一神经网络模型和第二神经网络模型,所述第一神经网络模型的第一工作周期小于所述第二神经网络模型的第二工作周期;
所述采集模块,用于采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
所述特征提取模块,用于基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵;
所述第一神经网络模型,用于以所述特征矩阵作为输入计算输出所述目标矿山当前的第一事故概率;
所述第二神经网络模型,用于以所述特征矩阵作为输入计算输出所述目标矿山当前的第二事故概率;
所述报警模块,用于若当前时间未达到所述第二工作周期,则根据所述第一事故概率进行预警;若当前时间达到所述第二工作周期,则根据所述第一事故概率和所述第二事故概率进行预警;
所述采集模块包括无线传感器节点和有线传感器节点;其中,有线传感器节点部署于主巷道区域,用于采集所述目标矿山范围内的环境信息;无线传感器节点部署于工作人员的防护装备以及所述目标矿山的表面和内部,用于采集所述目标矿山范围内环境信息和工作人员的生理信息;所有无线传感器节点组成ad-hoc网络,并通过ad-hoc网络将采集到的数据实时传输到所述网关设备;
所述网关设备,用于汇集无线传感器节点和有线传感器节点的采集数据,作为所述原始预警数据发送给所述智慧预警模块;
所述特征提取模块包括D-S特征模型和映射模块:
所述D-S特征模型,用于对所述原始预警数据进行组合得到一维时序数据,
所述映射模块,用于将所述一维时序数据映射转化为二维矩阵作为所述特征矩阵;
其中,所述D-S特征模型具体用于:
计算与各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL,
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;所述待组合数据中各采集数据相互独立,
将所述待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
2.根据权利要求1所述的一种智慧矿山管理***,其特征在于,所述报警模块包括数据对比模块和指令发送模块;
所述数据对比模块,用于若当前时间达到所述第二工作周期,且所述第一事故概率和所述第二事故概率不相同,则将所述第一事故概率和所述第二事故概率进行加权求和得到第三事故概率,根据所述第三事故概率进行预警;
所述指令发送模块,向所述第一神经网络模型和所述第二神经网络模型发送更新指令;
所述第一神经网络模型和所述第二神经网络模型,还用于将所述特征矩阵加入原始训练样本得到扩展训练样本,使用所述扩展训练样本重新训练更新模型。
3.一种利用权利要求1或2所述智慧矿山管理***的智慧矿山管理方法,该方法包括:
利用采集模块采集目标矿山范围内的环境信息和工作人员的生理信息,作为原始预警数据;
利用特征提取模块基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵;
将所述特征矩阵输入第一神经网络模型计算输出所述目标矿山当前的第一事故概率;
将所述特征矩阵输入所述第二神经网络模型计算输出所述目标矿山当前的第二事故概率;所述第一神经网络模型的第一工作周期小于所述第二神经网络模型的第二工作周期;
若当前时间未达到所述第二工作周期,则根据所述第一事故概率进行预警;若当前时间达到所述第二工作周期,则根据所述第一事故概率和所述第二事故概率进行预警;
所述原始预警数据通过无线传感器节点和有线传感器节点采集;其中,通过有线传感器节点采集所述目标矿山范围内的环境信息,通过无线传感器节点采集所述目标矿山范围内环境信息和工作人员的生理信息;通过所有无线传感器节点组成的ad-hoc网络将采集到的数据实时传输到网关设备;
通过所述网关设备汇集无线传感器节点和有线传感器节点的采集数据,作为所述原始预警数据;
所述基于D-S证据理论对所述原始预警数据进行特征组合得到特征矩阵的步骤具体包括:
对所述原始预警数据进行组合得到一维时序数据,
将所述一维时序数据映射转化为二维矩阵作为所述特征矩阵;
对所述原始预警数据进行组合得到一维时序数据的步骤具体包括:
计算与各个无线传感器节点和有线传感器节点对应的采集数据的潜在概率分配函数BPA和置信度函数BEL,
根据各采集数据的BPA和BEL,确定满足登普斯特证据组合规则的采集数据作为待组合数据;所述待组合数据中各采集数据相互独立,
将所述待组合数据中各采集数据的BPA利用DS合并规则进行合并,得到一维时序数据。
4.根据权利要求3所述的智慧矿山管理方法,其特征在于,所述方法还包括:
若当前时间达到所述第二工作周期,且所述第一事故概率和所述第二事故概率不相同,则将所述第一事故概率和所述第二事故概率进行加权求和得到第三事故概率,根据所述第三事故概率进行预警;
向所述第一神经网络模型和所述第二神经网络模型发送更新指令;以使所述第一神经网络模型和所述第二神经网络模型,将所述特征矩阵加入原始训练样本得到扩展训练样本,使用所述扩展训练样本重新训练更新模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881968.9A CN117036082B (zh) | 2023-07-18 | 2023-07-18 | 一种智慧矿山管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881968.9A CN117036082B (zh) | 2023-07-18 | 2023-07-18 | 一种智慧矿山管理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036082A CN117036082A (zh) | 2023-11-10 |
CN117036082B true CN117036082B (zh) | 2024-05-10 |
Family
ID=88601390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310881968.9A Active CN117036082B (zh) | 2023-07-18 | 2023-07-18 | 一种智慧矿山管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036082B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635219B (zh) * | 2024-01-26 | 2024-04-26 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112002095A (zh) * | 2020-07-14 | 2020-11-27 | 中国人民解放军63653部队 | 一种矿山洞内的火灾预警方法 |
CN114482990A (zh) * | 2021-12-31 | 2022-05-13 | 中国石油天然气集团有限公司 | 钻井溢流预警的方法及装置 |
CN114739448A (zh) * | 2022-03-09 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种数据处理方法、***、装置和存储介质 |
CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及*** |
KR20230064416A (ko) * | 2021-11-03 | 2023-05-10 | 한국교통대학교산학협력단 | 전력 기기의 결함 진단 장치 및 방법 |
-
2023
- 2023-07-18 CN CN202310881968.9A patent/CN117036082B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112002095A (zh) * | 2020-07-14 | 2020-11-27 | 中国人民解放军63653部队 | 一种矿山洞内的火灾预警方法 |
KR20230064416A (ko) * | 2021-11-03 | 2023-05-10 | 한국교통대학교산학협력단 | 전력 기기의 결함 진단 장치 및 방법 |
CN114482990A (zh) * | 2021-12-31 | 2022-05-13 | 中国石油天然气集团有限公司 | 钻井溢流预警的方法及装置 |
CN114739448A (zh) * | 2022-03-09 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种数据处理方法、***、装置和存储介质 |
CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117036082A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmad et al. | Flood prediction and disaster risk analysis using GIS based wireless sensor networks, a review | |
CN117036082B (zh) | 一种智慧矿山管理***及方法 | |
Bhoi et al. | FallDS-IoT: a fall detection system for elderly healthcare based on IoT data analytics | |
CN114141385A (zh) | 一种用于传染病的预警方法、***和可读存储介质 | |
Dey et al. | t-SNE and variational auto-encoder with a bi-LSTM neural network-based model for prediction of gas concentration in a sealed-off area of underground coal mines | |
Bindhu | Design and development of automatic micro controller based weather forecasting device | |
Sharma et al. | A review of sensors and their application in internet of things (IOT) | |
CN108228714A (zh) | 云端管理***及其云端管理方法 | |
CN114970743A (zh) | 一种基于多模态深度学习的多源遥感降雨数据融合方法 | |
Buechling et al. | Predictive habitat modeling of rare plant species in Pacific Northwest forests | |
Rubí et al. | Forestry 4.0 and Industry 4.0: Use case on wildfire behavior predictions | |
Brito et al. | FLORAS: urban flash-flood prediction using a multivariate model | |
Aprianto et al. | Deep learning approach using satellite imagery data for poverty analysis in Banten, Indonesia | |
Karuna et al. | IoT-based Sun and Rain Detection System | |
Murugan et al. | AI based Weather Monitoring System | |
CN111403021A (zh) | 一种监测方法及装置 | |
Aman et al. | Addressing data veracity in big data applications | |
Ahmad et al. | An intelligent irrigation system and prediction of environmental weather based on nano electronics and Internet of Things devices | |
Cocom et al. | Particulate Matter Forecasting in Los Angeles County with Sparse Ground-based Sensor Data Analytics | |
Alnoman | How Artificial Intelligence Helped the Humanity During the COVID-19 Pandemic: A Review | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
Egho-Promise et al. | IoT-Enhanced Weather Monitoring System: Affordable Hardware Solution for Real-Time Data Collection, Storage, And Predictive Analysis | |
Jadhav et al. | Analysis of methane (CH4) and nitrous oxide (N2O) emission from paddy rice using IoT and fuzzy logic | |
Choudhary et al. | Does PM 10 influence the prediction of PM 2.5? | |
CN117441980B (zh) | 一种基于多传感信息智能计算的智能头盔***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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |