CN117272031A - 一种基于多来源的煤流平衡自适应控制方法 - Google Patents
一种基于多来源的煤流平衡自适应控制方法 Download PDFInfo
- Publication number
- CN117272031A CN117272031A CN202311551092.8A CN202311551092A CN117272031A CN 117272031 A CN117272031 A CN 117272031A CN 202311551092 A CN202311551092 A CN 202311551092A CN 117272031 A CN117272031 A CN 117272031A
- Authority
- CN
- China
- Prior art keywords
- data
- coal flow
- coal
- real
- time
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 898
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 193
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012546 transfer Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 67
- 230000008439 repair process Effects 0.000 claims description 45
- 238000011217 control strategy Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000007499 fusion processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及煤流数据处理技术领域,尤其涉及一种基于多来源的煤流平衡自适应控制方法。该方法包括以下步骤:通过煤流数据采集器进行煤流数据采集,从而得到实时煤流数据,其中实时煤流数据包括实时煤矿数据、实时转运站数据以及实时煤处理数据;对实时煤流数据进行多来源数据融合,从而得到煤流融合数据;对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据,并根据煤流变化特征数据以及实时煤流数据对应的煤流来源数据进行煤流耗损评估,从而得到煤流耗损评估数据;获取历史煤流数据,并根据历史煤流数据进行时序煤流变化特征提取,从而得到时序煤流变化特征数据。本发明能够对煤流的高效控制和优化,降低煤流损耗。
Description
技术领域
本发明涉及煤流数据处理技术领域,尤其涉及一种基于多来源的煤流平衡自适应控制方法。
背景技术
基于多来源的煤流平衡自适应控制方法是一种用于管理煤矿生产***的控制策略。它通过整合来自多个煤源的信息,以实现对煤流量的自动调节和控制,以保持生产***的平衡状态。一般的方法往往从不同煤源获取的数据质量参差不齐或存在误差,将会影响控制方法的准确性和稳定性,导致煤流耗损高。
发明内容
本发明为解决上述技术问题,提出了一种基于多来源的煤流平衡自适应控制方法,以解决至少一个上述技术问题。
本申请提供了一种基于多来源的煤流平衡自适应控制方法,包括以下步骤:
步骤S1:通过煤流数据采集器进行煤流数据采集,从而得到实时煤流数据,其中实时煤流数据包括实时煤矿数据、实时转运站数据以及实时煤处理数据;
步骤S2:对实时煤流数据进行多来源数据融合,从而得到煤流融合数据;
步骤S3:对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据,并根据煤流变化特征数据以及实时煤流数据对应的煤流来源数据进行煤流耗损评估,从而得到煤流耗损评估数据;
步骤S4:获取历史煤流数据,并根据历史煤流数据进行时序煤流变化特征提取,从而得到时序煤流变化特征数据;
步骤S5:根据时序煤流变化特征数据进行煤流需求预估,从而得到煤流需求预估数据,并根据煤流需求预估数据以及煤流耗损评估数据进行多来源煤流控制策略生成,从而得到多来源煤流控制策略数据。
本发明中通过实时煤流数据采集,***能够及时获取煤矿、转运站和煤处理等环节的数据,使得控制***可以根据实时情况进行快速反馈和调控,本发明可以有效应对环境变化、设备故障等突发情况。将煤矿、转运站和煤处理等多个来源的数据进行融合,有助于消除不同来源数据之间的偏差和误差,提升了数据的准确性和可靠性,使得***能够更准确地了解整个煤流过程。通过对融合后的数据进行煤流变化特征提取,可以深入了解煤流的变化趋势、规律等信息,有助于***识别导致耗损的特定情况或条件。基于历史煤流数据进行时序变化特征提取,使得***能够对过去的煤流行为进行深入分析,为当前的煤流预估提供更有根据的依据。通过时序煤流变化特征数据进行煤流需求预估,***能够在预先了解煤流需求的基础上,制定多来源煤流控制策略,从而在保证供需平衡的前提下,降低煤流耗损。
优选地,步骤S1具体为:
步骤S11:通过煤流数据采集器连接煤矿数据源,获取实时煤矿数据;
步骤S12:通过煤流数据采集器连接转运站数据源,获取实时转运站数据;
步骤S13:通过煤流数据采集器连接煤处理数据源,获取实时煤处理数据;
步骤S14:对实时煤矿数据、实时转运站数据以及实时煤处理数据进行数据整合,从而得到初步实时煤流数据;
步骤S15:对初步实时煤流数据进行煤流数据质量筛选,从而得到实时煤流数据。
本发明中步骤S11至S13通过煤流数据采集器连接煤矿、转运站和煤处理数据源,实现了实时数据的快速获取,***可以实时获取到煤矿生产情况、转运站运输情况以及煤处理环节的数据,步骤S14对实时煤矿、转运站和煤处理数据进行整合,从而得到初步的实时煤流数据,确保了来自不同来源的数据得到了合理的整合和统一的处理,步骤S15进行了实时煤流数据的质量筛选,通过筛选,可以排除掉存在的异常或低质量数据,确保后续分析和控制的准确性和可靠性。本发明使得***具备了实时反馈和控制的能力,通过及时获取和整理数据,***可以根据最新情况进行快速响应和调整,从而保证了整个煤流过程的高效运转。通过实时获取和筛选,可以减少因为异常数据或质量低劣数据导致的***误差,从而降低了煤流的耗损,将对煤矿生产的整体效率和资源利用效率产生积极影响。
优选地,步骤S15具体为:
步骤S151:根据预设的煤流运输电子地图数据对初步实时煤流数据进行煤流数据准确性验证,从而得到准确性验证数据;
步骤S152:根据准确性验证数据对初步实时煤流数据进行煤流数据修复,从而得到实时煤流修复数据;
步骤S153:对实时煤流修复数据进行分布式事务性验证并进行数据校正,从而得到实时煤流数据。
本发明中预设的煤流运输电子地图数据被用来验证初步实时煤流数据的准确性,这项验证确保了数据的来源和内容与预期一致,确保了数据的质量和准确性。在这一步,根据准确性验证数据,对初步实时煤流数据进行修复,***可以自动地根据验证数据对存在的错误或不准确的数据进行修正,从而提高了数据的可靠性和精确性。实时煤流修复数据被进一步地进行分布式事务性验证,采用分布式的事务性验证,避免中心化计算带来的潜在数据遗失/篡改的问题,且增强了,确保了数据的一致性和可靠性,避免了存在的数据冲突或错误。同时,数据也会经过校正以确保其符合***的要求和规范。
优选地,步骤S152中煤流数据修复为通过煤流数据修复计算公式生成的修复指数数据进行修复策略选择,以进行数据修复作业,其中煤流数据修复计算公式具体为:
;
为修复指数数据,/>为初步实时煤流数量数据,/>为初步实时煤流序次项数据,/>为初步实时煤流数据,/>为煤流数据,/>为煤流质量数据,/>为煤流速度数据,/>为煤流温度权重数据,/>为煤流温度数据,/>为煤流湿度权重数据,/>为煤流湿度数据,/>为煤流压力权重数据,/>为煤流压力数据,/>为煤流密度权重数据,/>为煤流密度数据。
本发明构造了一种煤流数据修复计算公式,该计算公式据初步实时煤流数据以及煤流质量、速度、温度、湿度、压力和密度等参数,计算得到修复指数数据(),这个修复指数数据将作为后续修复策略选择的依据。其中/>是修复指数,表示煤流数据修复的难度和效果,R 越大,表示修复越困难,效果越差;/>越小,表示修复越容易,效果越好。/>是煤流数据的数量,表示参与修复的数据个数。/>是对数函数,表示对煤流数据进行对数变换,用于缩小数据的差异和范围。/>是极限符号,表示当/>趋近于0时的极限值,用于处理煤流数据中的异常值和缺失值。/>和 />是两个函数,表示煤流数据的两个不同维度,例如煤流的重量和速度等。/>是指数函数,表示煤流数据的温度/>对修复指数的影响,/>是一个常数,表示温度的权重系数。/>是自然对数函数,表示煤流数据的湿度/>对修复指数的影响,是一个常数,表示湿度的权重系数。/>是反正切函数,表示煤流数据的压力/>对修复指数的影响,/>是一个常数,表示压力的权重系数。/>是双曲余弦函数,表示煤流数据的密度/>对修复指数的影响,/>是一个常数,表示密度的权重系数。本发明提高数据修复的精度和针对性,从而使得修复策略更加科学、高效。
优选地,步骤S2具体为:
步骤S21:对实时煤流数据进行多来源加权数据融合,从而得到第一煤流融合数据;
步骤S22:对实时煤流数据进行多来源聚类数据融合,从而得到第二煤流融合数据;
步骤S23:根据第一煤流融合数据以及第二煤流融合数据进行置信度投票计算,从而得到煤流融合数据。
本发明中步骤S21通过多来源加权数据融合,利用了不同数据源的权重信息,可以更准确地结合实时煤流数据,减少了数据误差。步骤S22进行多来源聚类数据融合,可以将不同数据源中相似的数据聚集在一起,提高了数据的聚类准确性。步骤S23利用了置信度投票计算,结合了第一煤流融合数据和第二煤流融合数据的置信度信息,进一步提高了数据的可靠性和准确性,避免了单一数据融合处理带来的不准确或者数据偏差的问题。通过不同的数据融合过程,可以降低因单一数据源的误差或噪音对最终结果的影响,提升了整体数据质量。本发明可以根据不同的实时煤流数据来源以及数据特点,灵活地调整权重和聚类策略,从而适应不同场景和条件下的数据融合需求。通过引入置信度投票计算,避免了单一数据源的异常值或错误对最终结果的影响,增强了***的稳定性和可靠性。
优选地,步骤S22具体为:
步骤S221:对实时煤流数据中的煤流图像数据进行目标检测,从而得到煤流目标检测数据;
步骤S222:根据实时煤流数据中的非煤流图像数据以及煤流目标检测数据进行聚类计算,从而得到实时煤流聚类数据;
步骤S223:对实时煤流聚类数据进行相似度计算,从而得到聚类相似度数据;
步骤S224:根据聚类相似度数据对实时煤流数据进行多来源加权数据融合,从而得到第二煤流融合数据。
本发明中通过目标检测,可以准确地识别煤流的位置和边界,从而为后续的聚类和数据融合提供了准确的基础信息。通过聚类,可以将相似的煤流数据归为一类,以降低直接使用相似性计算带来的计算负荷过大的问题,通过多来源加权数据融合,可以充分利用不同来源的信息,提升数据的全面性和准确性。
优选地,多来源加权数据融合为通过多来源煤流数据加权计算公式进行计算,初步煤流融合数据包括第一煤流融合数据以及第二煤流融合数据,其中多来源煤流数据加权计算公式具体为:
;
为初步煤流融合数据,/>为实时煤流序次项数据,/>为实时煤流数量数据,/>为第个煤流数据源数据对应的实时煤流数据的权重系数数据,/>为第/>个煤流数据源数据对应的实时煤流数据,/>为煤流变化率数据。
本发明中通过引入多来源煤流数据加权计算公式,能够全面综合不同数据源的信息,每个数据源的贡献会根据其权重系数()得到准确的反映,从而使得融合后的数据更具有代表性和全面性。其中/>是第一煤流融合数据,表示多来源煤流数据的加权平均值加上一个极限项;/>是煤流数据的来源个数,例如/>=3表示有三个不同的煤流数据源;/>是第/>个煤流数据源的权重系数,表示该数据源的可信度或重要性,通常满足0≤/>≤1且;/>是第/>个煤流数据源的实时煤流数据,表示该数据源测量到的煤流量或质量;/>是一个变量,表示煤流数据的变化率或波动程度;/>是一个对数函数,表示煤流数据的非线性特征或复杂性;/>是一个根号函数,表示煤流数据的平滑性或稳定性;本发明对异常值有一定程度的抑制作用,在数据融合过程中,对于那些由于各种原因产生的异常数据,其影响会被降低,从而保证了融合结果的稳定性和可靠性。
优选地,步骤S23具体为:
步骤S231:对第一煤流融合数据以及第二煤流融合数据进行归一化处理,从而得到第一煤流融合归一化数据以及第二煤流融合归一化数据;
步骤S232:对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力计算,从而得到第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据;
步骤S233:根据第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力加权计算并降维处理,从而得到第一煤流融合降维数据以及第二煤流融合降维数据;
步骤S234:对第一煤流融合降维数据以及第二煤流融合降维数据进行相似度矩阵构建,从而得到煤流融合相似度矩阵数据;
步骤S235:对煤流融合相似度矩阵数据进行置信度计算,从而得到煤流融合置信度数据;
步骤S236:根据煤流融合置信度数据对第一煤流融合数据以及第二煤流融合数据进行煤流数据融合,从而得到煤流融合数据。
本发明中采用的自注意力机制可以突出重要特征,从而提高数据的关键信息。降维可以减少数据的维度,提高后续计算的效率,同时保留了关键信息。通过相似度矩阵的构建,可以量化数据间的相似程度,同时矩阵操作可以降低线性计算带来的复杂性,减少计算负荷。置信度反映了融合数据的可信程度,通过对相似度的分析和计算,有效地评估了每个数据源的贡献度。通过考虑置信度,对第一煤流融合数据以及第二煤流融合数据进行最终的融合操作,确保了融合结果更具有代表性和全面性,为后续步骤提供了高质量的数据基础。本发明充分发挥了数据处理和特征提取的效能,使得煤流融合数据更具有代表性和可信度。
优选地,步骤S3具体为:
步骤S31:利用预设的滑动窗口数据对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据;
步骤S32:根据煤流变化特征数据以及实时煤流数据进行特征关联,从而得到煤流变化关联特征数据;
步骤S33:利用预设的规则引擎以及实时煤流数据对应的煤流来源数据对煤流变化关联特征数据进行煤流耗损评估,从而得到煤流耗损评估数据。
本发明中使用滑动窗口技术对煤流融合数据进行处理,可以捕捉到煤流的动态变化特征。这样做可以提高数据的灵敏度,使得***对煤流变化的响应更加及时和准确。通过将煤流变化特征数据与实时煤流数据进行关联,可以找到它们之间的内在联系,使得***能够更好地理解特征的实际含义,为后续的评估提供了准确的依据。预设的规则引擎是一种基于规则的专家***,能够根据特定的条件进行推理和决策。通过结合实时煤流数据以及煤流来源数据,可以对煤流变化关联特征数据进行精细化的评估。这个过程具有一定的智能性,能够适应不同情况下的耗损评估需求。
优选地,多来源煤流控制策略数据包括需求优先控制策略数据以及低损耗优先控制策略数据,步骤S5具体为:
步骤S51:根据时序煤流变化特征数据进行煤流需求预估模型构建,从而得到煤流需求预估模型;
步骤S52:利用煤流需求预估模型对实时煤流数据进行煤流需求预估,从而得到煤流需求预估数据;
步骤S53:根据煤流需求预估数据以及煤流耗损评估数据进行需求优先控制策略生成,从而得到需求优先控制策略数据;
步骤S54:根据煤流需求预估数据以及煤流耗损评估数据进行低损耗控制策略生成从而得到低损耗优先控制策略数据。
本发明使用滑动窗口技术对煤流融合数据进行处理,可以捕捉到煤流的动态变化特征,可以提高数据的灵敏度,使得***对煤流变化的响应更加及时和准确。通过将煤流变化特征数据与实时煤流数据进行关联,可以找到它们之间的内在联系,使得***能够更好地理解特征的实际含义,为后续的评估提供了准确的依据。预设的规则引擎是一种基于规则的专家***,能够根据特定的条件进行推理和决策。通过结合实时煤流数据以及煤流来源数据,可以对煤流变化关联特征数据进行精细化的评估。本发明能够在复杂的煤流环境中做出合理的决策,保证了煤流的高效运输和利用,从而在实践中取得显著的经济和社会效益。
本发明的有益效果在于:通过整合实时煤矿数据、实时转运站数据和实时煤处理数据,实现了多来源数据的有效融合和利用,提高数据的综合性和准确性,为后续的煤流分析和控制提供了坚实基础。通过多来源数据融合,将不同数据源的信息整合到一起,得到了更全面、综合的煤流融合数据,保证了***能够对整个煤流***进行更全面的把控。通过对融合后的数据进行特征提取,***能够更深入地理解煤流的变化规律。利用历史煤流数据进行时序特征提取,可以从时间维度上了解煤流的演变过程,进一步丰富了对煤流特性的认识。通过对时序煤流变化特征数据进行预测,***能够提前了解到未来煤流需求的走势,从而有针对性地调整煤流控制策略。基于煤流需求预估数据以及煤流耗损评估数据,***能够制定出多来源的煤流控制策略,这样能够在保证供应的同时,最大程度地减少煤流的损耗。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于多来源的煤流平衡自适应控制方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S15的步骤流程图;
图4示出了一实施例的步骤S2的步骤流程图;
图5示出了一实施例的步骤S22的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图5,本申请提供了一种基于多来源的煤流平衡自适应控制方法,包括以下步骤:
步骤S1:通过煤流数据采集器进行煤流数据采集,从而得到实时煤流数据,其中实时煤流数据包括实时煤矿数据、实时转运站数据以及实时煤处理数据;
具体地,例如使用高性能的传感器和设备(如物联网设备)采集实时监测煤矿的煤量产出、转运站的运输情况以及煤处理过程中的数据。通过通讯技术(如5G)将采集的数据传输到数据处理中心。
具体地,例如在一座煤矿中,使用煤流数据采集器,包括传感器网络和数据接口,以获取实时煤流数据。通过连接到煤矿设备的传感器,***实时监测煤矿数据,如煤矿产量、矿石质量和运输速度等。同时,***通过连接到转运站和煤处理设施的传感器,获取实时转运站数据(如运输流量、车辆状态)和实时煤处理数据(如煤浓度、处理效率)。
步骤S2:对实时煤流数据进行多来源数据融合,从而得到煤流融合数据;
具体地,例如利用数据融合算法,如加权融合、聚类融合等,将来自煤矿、转运站和煤处理的实时数据整合在一起。借助分布式***,实现对多个数据源的实时同步和融合。
步骤S3:对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据,并根据煤流变化特征数据以及实时煤流数据对应的煤流来源数据进行煤流耗损评估,从而得到煤流耗损评估数据;
具体地,例如应用信号处理技术,如傅里叶变换,提取煤流的频谱特征。利用机器学习算法,如支持向量机(SVM)等,对煤流变化特征进行分类和评估。
具体地,例如通过时间滑动窗口技术进行时序特征提取,得到煤流变化特征数据;根据预设的专家规则对煤流变化特征数据以及实时煤流数据对应的煤流来源数据进行煤流耗损评估,从而得到煤流耗损评估数据。如预设规则:如果煤流变化特征数据指示煤质较好,且实时煤流的来源是来自高品质煤矿,则评估煤流耗损为低。如果煤流变化特征数据指示煤质一般,且实时煤流的来源是来自中等品质煤矿,则评估煤流耗损为中等。如果煤流变化特征数据指示煤质较差,且实时煤流的来源是来自低品质煤矿,则评估煤流耗损为高。数据:煤流变化特征数据指示煤质为“较好”。实时煤流的来源是来自“高品质煤矿”。
步骤S4:获取历史煤流数据,并根据历史煤流数据进行时序煤流变化特征提取,从而得到时序煤流变化特征数据;
具体地,例如使用数据库技术,如SQL或NoSQL,存储和管理历史煤流数据。应用时间序列分析方法,如滑动窗口分析,提取历史数据中的时序特征。
步骤S5:根据时序煤流变化特征数据进行煤流需求预估,从而得到煤流需求预估数据,并根据煤流需求预估数据以及煤流耗损评估数据进行多来源煤流控制策略生成,从而得到多来源煤流控制策略数据。
具体地,例如借助机器学习模型,如循环神经网络(RNN)或长短时记忆网络(LSTM),对时序特征进行预测,得到煤流需求预估数据。利用优化算法,如遗传算法或模拟退火算法,生成多来源的煤流控制策略,以最大程度满足煤流需求并降低耗损。
具体地,例如煤流需求预估:预设一个线性回归模型,该模型将时序煤流变化特征数据作为输入,将煤流需求作为输出。利用历史数据对回归模型进行训练。使用训练好的回归模型对实时煤流数据的时序煤流变化特征进行预测,得到煤流需求预估数据。煤流耗损评估:根据预设的专家规则对实时煤流数据以及煤流来源数据进行耗损评估,得到煤流耗损评估数据。多来源煤流控制策略生成:设定一系列控制规则,这些规则可以基于煤流需求预估数据和煤流耗损评估数据来制定。例如,如果需求大且耗损低,则可以采取一定的策略来优先使用高质量煤矿的煤流。
本发明中通过实时煤流数据采集,***能够及时获取煤矿、转运站和煤处理等环节的数据,使得控制***可以根据实时情况进行快速反馈和调控,本发明可以有效应对环境变化、设备故障等突发情况。将煤矿、转运站和煤处理等多个来源的数据进行融合,有助于消除不同来源数据之间的偏差和误差,提升了数据的准确性和可靠性,使得***能够更准确地了解整个煤流过程。通过对融合后的数据进行煤流变化特征提取,可以深入了解煤流的变化趋势、规律等信息,有助于***识别导致耗损的特定情况或条件。基于历史煤流数据进行时序变化特征提取,使得***能够对过去的煤流行为进行深入分析,为当前的煤流预估提供更有根据的依据。通过时序煤流变化特征数据进行煤流需求预估,***能够在预先了解煤流需求的基础上,制定多来源煤流控制策略,从而在保证供需平衡的前提下,降低煤流耗损。
优选地,步骤S1具体为:
步骤S11:通过煤流数据采集器连接煤矿数据源,获取实时煤矿数据;
具体地,例如使用智能传感器网络,如振动传感器、温度传感器、湿度传感器等,连接到煤矿设备,以实时监测煤矿数据。使用工业物联网协议,如Modbus或OPC UA,将传感器与数据采集器连接起来,以实现实时数据的传输和采集。
步骤S12:通过煤流数据采集器连接转运站数据源,获取实时转运站数据;
具体地,例如部署RFID(射频识别)技术,将RFID标签附加到运输设备上,通过RFID读取器实时获取运输设备的位置和状态信息。
步骤S13:通过煤流数据采集器连接煤处理数据源,获取实时煤处理数据;
具体地,例如部署传感器在煤处理设备上,监测煤的含水量、粒度分布等数据,并通过通信协议将数据传输至数据采集器。
步骤S14:对实时煤矿数据、实时转运站数据以及实时煤处理数据进行数据整合,从而得到初步实时煤流数据;
具体地,例如利用实时数据库***,将从煤矿、转运站和煤处理设备获取的数据进行整合,形成初步的实时煤流数据集。如使用实时数据库***(如InfluxDB、MongoDB)进行数据整合和存储。
步骤S15:对初步实时煤流数据进行煤流数据质量筛选,从而得到实时煤流数据。
具体地,例如利用数据质量评估模型,对初步实时煤流数据进行筛选,剔除异常数据,以保证数据的准确性和可靠性。如使用统计方法或机器学习模型对数据进行质量评估。
具体地,例如利用基本的统计方法,如均值、标准差等,对各个数据源的煤流数据进行分析。根据领域知识,设定阈值,将超出阈值的数据标记为异常值。例如,如果煤矿数据中的产量超过了一个合理的范围,可以将其标记为异常值。如计算煤流量的均值和标准差。假设得到以下结果:均值(Mean)=1500吨/小时,标准差(StandardDeviation)=200吨/小时,设定阈值:根据领域知识和统计结果,设定一个合理的范围。例如,认为产量在均值的正负两个标准差范围内是正常的。上限阈值==1900吨/小时,下限阈值=/>=1100吨/小时,其中/>为均值,/>为标准差,标记异常值:对于超出上限阈值或下限阈值的数据,将其标记为异常值。例如,如果在某个小时内的产量超过了1900吨/小时或低于1100吨/小时,将该数据标记为异常。
具体地,例如对实时煤流数据的时间序列进行分析,检查是否存在明显的趋势、季节性等。对于异常的时间点需要额外的阈值对比,低于或者高于则进行异常数据标记。
本发明中步骤S11至S13通过煤流数据采集器连接煤矿、转运站和煤处理数据源,实现了实时数据的快速获取,***可以实时获取到煤矿生产情况、转运站运输情况以及煤处理环节的数据,步骤S14对实时煤矿、转运站和煤处理数据进行整合,从而得到初步的实时煤流数据,确保了来自不同来源的数据得到了合理的整合和统一的处理,步骤S15进行了实时煤流数据的质量筛选,通过筛选,可以排除掉存在的异常或低质量数据,确保后续分析和控制的准确性和可靠性。本发明使得***具备了实时反馈和控制的能力,通过及时获取和整理数据,***可以根据最新情况进行快速响应和调整,从而保证了整个煤流过程的高效运转。通过实时获取和筛选,可以减少因为异常数据或质量低劣数据导致的***误差,从而降低了煤流的耗损,将对煤矿生产的整体效率和资源利用效率产生积极影响。
优选地,步骤S15具体为:
步骤S151:根据预设的煤流运输电子地图数据对初步实时煤流数据进行煤流数据准确性验证,从而得到准确性验证数据;
具体地,例如在煤矿场景中,使用GPS定位技术或激光测距仪,对矿车的位置和运动轨迹进行实时监测和验证。
步骤S152:根据准确性验证数据对初步实时煤流数据进行煤流数据修复,从而得到实时煤流修复数据;
具体地,例如采用插值方法对缺失值进行填充。常用的插值方法包括线性插值、多项式插值、样条插值等。例如,使用线性插值来估算缺失值,根据已知数据点在缺失值位置之间进行线性插值。
步骤S153:对实时煤流修复数据进行分布式事务性验证并进行数据校正,从而得到实时煤流数据。
具体地,例如在数据处理过程中,采用分布式数据库***,如MySQL Cluster、CockroachDB、Google Cloud Spanner等,确保数据的一致性和完整性。将实时煤流数据分散存储在多个节点上,同时对数据进行复制。在数据处理过程中,采用事务机制来保证数据的一致性。当需要对数据进行更新、***或删除时,将这些操作放在一个事务中,保证这些操作要么全部成功,要么全部失败。在每个事务中,可以加入验证步骤,对数据进行事务性验证。这可以包括数据的合法性检查、范围检查等。如果在事务中发现了数据不一致或者错误,可以通过回滚事务或者执行相应的校正操作来保证数据的正确性。
具体地,例如使用MySQL Cluster作为分布式数据库***,将实时煤流数据存储在多个节点上。在数据处理过程中,如果需要对数据进行更新,可以通过开启一个事务来进行操作。在事务中,可以包括数据的验证步骤,例如检查质量是否在合理范围内、速度是否符合要求等。如果发现数据异常,可以通过回滚事务或者执行相应的数据校正操作来保证数据的正确性。
本发明中预设的煤流运输电子地图数据被用来验证初步实时煤流数据的准确性,这项验证确保了数据的来源和内容与预期一致,确保了数据的质量和准确性。根据准确性验证数据,对初步实时煤流数据进行修复,***可以自动地根据验证数据对存在的错误或不准确的数据进行修正,从而提高了数据的可靠性和精确性。实时煤流修复数据被进一步地进行分布式事务性验证,采用分布式的事务性验证,避免中心化计算带来的潜在数据遗失/篡改的问题,且增强了,确保了数据的一致性和可靠性,避免了存在的数据冲突或错误。同时,数据也会经过校正以确保其符合***的要求和规范。
优选地,步骤S152中煤流数据修复为通过煤流数据修复计算公式生成的修复指数数据进行修复策略选择,以进行数据修复作业,其中煤流数据修复计算公式具体为:
;
为修复指数数据,/>为初步实时煤流数量数据,/>为初步实时煤流序次项数据,/>为初步实时煤流数据,/>为煤流数据,/>为煤流质量数据,/>为煤流速度数据,/>为煤流温度权重数据,/>为煤流温度数据,/>为煤流湿度权重数据,/>为煤流湿度数据,/>为煤流压力权重数据,/>为煤流压力数据,/>为煤流密度权重数据,/>为煤流密度数据。
具体地,例如根据实时监测得到以下数据:初步实时煤流数量=50,煤流质量数据=120 千克/立方米,煤流速度数据/>=2 米/秒,煤流温度权重数据/>=0.1,煤流温度数据/>=60 摄氏度,煤流湿度权重数据/>=0.05,煤流湿度数据/>=0.8,煤流压力权重数据/>=0.08,煤流压力数据/>=1.2 兆帕,煤流密度权重数据/>=0.06,煤流密度数据/>=1.5兆克/立方米。使用给定的煤流数据和修复计算公式,计算修复指数/>。根据修复指数/>的数值,跟预设定的阈值进行比较,比如/>时选择高效修复策略,R≤10时选择标准修复策略。例如,如果计算得到R=15则选择高效修复策略,根据选择的修复策略,执行相应的数据修复作业。标准修复策略:当修复指数R≤10时,选择标准修复策略,标准修复策略是一种相对较简单的修复方法,一般采用例如插值、平滑等,这种策略更适用于修复一般性的数据缺失或损坏。高效修复策略:当修复指数R>10时,选择高效修复策略,高效修复策略通常会采用基于深度学习的数据恢复算法,如卷积神经网络(CNN)或循环神经网络(RNN),以及一些基于统计或者预设规则构建的数学模型进行数据修复,以更准确地恢复缺失或损坏的数据点,以适用于修复严重的数据缺失或损坏,需要更精密的处理。
本发明构造了一种煤流数据修复计算公式,该计算公式据初步实时煤流数据以及煤流质量、速度、温度、湿度、压力和密度等参数,计算得到修复指数数据(),这个修复指数数据将作为后续修复策略选择的依据。其中/>是修复指数,表示煤流数据修复的难度和效果,R越大,表示修复越困难,效果越差;/>越小,表示修复越容易,效果越好。/>是煤流数据的数量,表示参与修复的数据个数。/>是对数函数,表示对煤流数据进行对数变换,用于缩小数据的差异和范围。/>是极限符号,表示当/>趋近于0时的极限值,用于处理煤流数据中的异常值和缺失值。/>和 />是两个函数,表示煤流数据的两个不同维度,例如煤流的重量和速度等。/>是指数函数,表示煤流数据的温度/>对修复指数的影响,/>是一个常数,表示温度的权重系数。/>是自然对数函数,表示煤流数据的湿度/>对修复指数的影响,/>是一个常数,表示湿度的权重系数。/>是反正切函数,表示煤流数据的压力/>对修复指数的影响,/>是一个常数,表示压力的权重系数。/>是双曲余弦函数,表示煤流数据的密度/>对修复指数的影响,/>是一个常数,表示密度的权重系数。本发明提高数据修复的精度和针对性,从而使得修复策略更加科学、高效。
优选地,步骤S2具体为:
步骤S21:对实时煤流数据进行多来源加权数据融合,从而得到第一煤流融合数据;
具体地,例如为每个数据源分配权重系数,例如:煤矿数据权重=0.4,转运站数据权重/>=0.3,煤处理数据权重/>=0.3。根据权重和实时数据生成加权结果。F1=,其中/>为煤矿产量,/>运输速度,/>为煤质信息。
步骤S22:对实时煤流数据进行多来源聚类数据融合,从而得到第二煤流融合数据;
具体地,例如对实时煤流数据进行目标检测,从而得到目标检测数据,对实时煤流数据以及目标检测数据进行聚类计算,从而得到聚类计算数据,对聚类计算数据进行相似度计算,从而得到相似度数据,根据相似度数据对实时煤流数据进行多来源加权数据融合,从而得到第二煤流融合数据,如目标检测:利用图像处理技术,识别实时煤流中的煤流目标。聚类计算:使用K-means算法将相似的目标聚为一类。相似度计算:计算聚类结果之间的相似度。根据相似度数据对实时煤流数据进行多来源加权数据融合具体为相似度数据越高时,对应的数据的加权合并的权重则越高,反之越低,从而降低不同源数据带来的误差问题。其中目标检测技术是基于深度学习的方法,比如使用卷积神经网络(CNN)结合现代的检测框架如YOLO(You Only Look Once)或Faster R-CNN。
具体地,例如三个不同来源的实时煤流数据,每个来源提供了煤流的质量(质量值范围为0到100)和速度(速度值范围为1到10):来源1:煤流1质量:60、煤流1速度:5、煤流2质量:70、煤流2速度:6,来源2:煤流1质量:50、煤流1速度:4、煤流2质量:80、煤流2速度:7,来源3:煤流1质量:65、煤流1速度:6、煤流2质量:75、煤流2速度:8,现在将这些数据进行聚类融合,可以采用K均值聚类算法。在本例中,将数据聚类为两类。初始化聚类中心:假设选择了初始的聚类中心为:聚类中心1:(煤流质量=55,煤流速度=5)、聚类中心2:(煤流质量=70,煤流速度=7),计算样本到聚类中心的距离:对每个样本计算到两个聚类中心的欧氏距离。将样本分配到最近的聚类中心:将每个样本分配到距离最近的聚类中心。例如,第一个样本(质量60,速度5)离聚类中心1的距离为,离聚类中心2的距离为≈2.83,因此将其分配到聚类中心2。更新聚类中心:对每个聚类中心,计算所有被分配到该类的样本的平均值,作为新的聚类中心。对聚类中心1:((50+65)/2,(4+6)/2)=(57.5,5),对聚类中心2:((60+70+70+80+75)/5,(5+6+7+8+6)/5)=(71,6.4),迭代:重复步骤(将样本分配到最近的聚类中心)和步骤(更新聚类中心),直到聚类中心不再发生变化或者达到一定的迭代次数。得到第二煤流融合数据:最终,根据聚类的结果,可以得到第二煤流融合数据。类别1:(57.5,5)(来源1的煤流1和来源2的煤流1),类别2:(71,6.4)(来源1的煤流2,来源2的煤流2,来源3的煤流1和煤流2)。
步骤S23:根据第一煤流融合数据以及第二煤流融合数据进行置信度投票计算,从而得到煤流融合数据。
具体地,例如两个不同的数据源(A和B)提供了煤流的质量信息:数据源A的煤流质量:[60,70,80,90],数据源B的煤流质量:[65,75,85,95],通过置信度投票计算得到一个更准确的煤流质量值。计算每个数据源的置信度:对于每个数据源,可以使用一些指标(如数据的可靠性、历史准确性等)来赋予一个置信度分数。假设数据源A的置信度为0.8,数据源B的置信度为0.7。将置信度与数据结合:将每个数据源提供的煤流质量与其对应的置信度相乘,得到加权后的值:数据源A加权后的煤流质量:[48,56,64,72],数据源B加权后的煤流质量:[45.5,52.5,59.5,66.5],进行投票:将每个数据源加权后的值进行投票,可以采用简单的投票方式,即取所有数据源提供的值的平均值:最终煤流质量值:[46.75,54.25,61.75,69.25]。
本发明中步骤S21通过多来源加权数据融合,利用了不同数据源的权重信息,可以更准确地结合实时煤流数据,减少了数据误差。步骤S22进行多来源聚类数据融合,可以将不同数据源中相似的数据聚集在一起,提高了数据的聚类准确性。步骤S23利用了置信度投票计算,结合了第一煤流融合数据和第二煤流融合数据的置信度信息,进一步提高了数据的可靠性和准确性,避免了单一数据融合处理带来的不准确或者数据偏差的问题。通过不同的数据融合过程,可以降低因单一数据源的误差或噪音对最终结果的影响,提升了整体数据质量。本发明可以根据不同的实时煤流数据来源以及数据特点,灵活地调整权重和聚类策略,从而适应不同场景和条件下的数据融合需求。通过引入置信度投票计算,避免了单一数据源的异常值或错误对最终结果的影响,增强了***的稳定性和可靠性。
优选地,步骤S22具体为:
步骤S221:对实时煤流数据中的煤流图像数据进行目标检测,从而得到煤流目标检测数据;
具体地,例如使用深度学习模型如YOLO(You Only Look Once)网络来进行实时煤流目标检测。这个模型可以同时识别多个物体,并且速度较快,适合实时应用。如一张实时煤流图像,经过目标检测后,***识别出了其中的三个目标物体:A1(煤块)、B1(岩石)、C1(其它物体)。
步骤S222:根据实时煤流数据中的非煤流图像数据以及煤流目标检测数据进行聚类计算,从而得到实时煤流聚类数据;
具体地,例如使用聚类算法如K-means对目标检测数据和非煤流图像数据进行聚类。如将A2、B2、C2三个目标物体与一些非煤流图像数据一起进行聚类,得到两个簇,一个簇包含了A2、B2两个煤流目标,另一个簇包含了C2以及一些其它非煤流物体。
步骤S223:对实时煤流聚类数据进行相似度计算,从而得到聚类相似度数据;
具体地,例如假设经过相似度计算,两个簇的相似度为0.85,表示它们的聚类结果较为相似。
步骤S224:根据聚类相似度数据对实时煤流数据进行多来源加权数据融合,从而得到第二煤流融合数据。
具体地,例如多来源加权数据融合为加权计算,根据聚类相似度数据对预设的多来源加权数据融合中的权重数据进行调整。如两个数据源(SourceA和SourceB)提供了实时煤流数据的聚类相似度信息,分别如下:SourceA的聚类相似度数据:[0.9,0.8,0.7,0.6],SourceB的聚类相似度数据:[0.8,0.7,0.6,0.5],此处的相似度值是指两个煤流数据样本在聚类空间中的相似度,值越高表示样本越相似。两个实时煤流数据样本:煤流样本1:[70,80,90,100],煤流样本2:[75,85,95,105],接下来的步骤如下:给定置信度和权重:对于每个数据源,分配一个置信度分数,表示对其数据的信任程度。假设SourceA的置信度为0.8,SourceB的置信度为0.7。同时,为每个数据源分配一个权重,表示其在融合中的重要性。假设SourceA的权重为0.6,SourceB的权重为0.4。将相似度与权重结合:将每个数据源提供的聚类相似度值与其对应的权重相乘,得到加权后的相似度值:SourceA加权后的相似度值:[0.54,0.48,0.42,0.36],SourceB加权后的相似度值:[0.32,0.28,0.24,0.20],进行加权融合:将两个数据源加权后的相似度值进行加权融合,可以采用简单的加权平均方式:最终相似度值:[0.43,0.38,0.33,0.28],根据融合后的相似度进行数据融合;
最终,可以使用融合后的相似度值对实时煤流数据进行加权融合:加权融合前的第二煤流融合数据:[(700.43+750.38),(800.43+850.38),(900.43+950.38),(1000.43+1050.38)],加权融合后的第二煤流融合数据:[76.85,83.55,90.25,96.95]。
本发明中通过目标检测,可以准确地识别煤流的位置和边界,从而为后续的聚类和数据融合提供了准确的基础信息。通过聚类,可以将相似的煤流数据归为一类,以降低直接使用相似性计算带来的计算负荷过大的问题,通过多来源加权数据融合,可以充分利用不同来源的信息,提升数据的全面性和准确性。
优选地,多来源加权数据融合为通过多来源煤流数据加权计算公式进行计算,初步煤流融合数据包括第一煤流融合数据以及第二煤流融合数据,其中多来源煤流数据加权计算公式具体为:
;
为初步煤流融合数据,/>为实时煤流序次项数据,/>为实时煤流数量数据,/>为第个煤流数据源数据对应的实时煤流数据的权重系数数据,/>为第/>个煤流数据源数据对应的实时煤流数据,/>为煤流变化率数据。
具体地,例如实时煤流数量数据(m):3,实时煤流数据源权重系数数据(,/>,):0.2,0.3,0.5,实时煤流数据(/>,/>,/>):10,15,20,煤流变化率数据(q):0.1,F=16.5+0.105≈16.605。
具体地,例如对于煤矿A的数据:权重系数为=0.6,实时煤流数据为/>=[10,15,12,14],对于煤矿B的数据:权重系数为/>=0.4,实时煤流数据为/>=[12,14,10,13],F≈[14.4,20,15.2,18.4]。
本发明中通过引入多来源煤流数据加权计算公式,能够全面综合不同数据源的信息,每个数据源的贡献会根据其权重系数()得到准确的反映,从而使得融合后的数据更具有代表性和全面性。其中/>是第一煤流融合数据,表示多来源煤流数据的加权平均值加上一个极限项;/>是煤流数据的来源个数,例如/>=3表示有三个不同的煤流数据源;/>是第/>个煤流数据源的权重系数,表示该数据源的可信度或重要性,通常满足0≤/>≤1且;/>是第/>个煤流数据源的实时煤流数据,表示该数据源测量到的煤流量或质量;/>是一个变量,表示煤流数据的变化率或波动程度;/>是一个对数函数,表示煤流数据的非线性特征或复杂性;/>是一个根号函数,表示煤流数据的平滑性或稳定性;本发明对异常值有一定程度的抑制作用,在数据融合过程中,对于那些由于各种原因产生的异常数据,其影响会被降低,从而保证了融合结果的稳定性和可靠性。/>
优选地,步骤S23具体为:
步骤S231:对第一煤流融合数据以及第二煤流融合数据进行归一化处理,从而得到第一煤流融合归一化数据以及第二煤流融合归一化数据;
具体地,例如使用线性归一化或者其他常见的归一化方法,如Min-Max Scaling或Z-Score标准化等。如使用Python中的scikit-learn库的MinMaxScaler类来进行Min-MaxScaling。
步骤S232:对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力计算,从而得到第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据;
具体地,例如使用Transformer模型中的自注意力机制(Attention Mechanism),通过学习数据中不同位置之间的关联性来计算权重。如使用深度学习框架如TensorFlow或PyTorch中的自注意力模块来实现。
步骤S233:根据第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力加权计算并降维处理,从而得到第一煤流融合降维数据以及第二煤流融合降维数据;
具体地,例如使用自注意力权重对归一化数据进行加权求和,然后可以选择使用降维方法如主成分分析(PCA)来降低数据维度。如使用Python中的scikit-learn库的PCA类来进行主成分分析。
步骤S234:对第一煤流融合降维数据以及第二煤流融合降维数据进行相似度矩阵构建,从而得到煤流融合相似度矩阵数据;
具体地,例如使用各种相似度计算方法,如欧氏距离、余弦相似度等来构建相似度矩阵。如使用Python中的scikit-learn库或者NumPy来实现相似度计算。
步骤S235:对煤流融合相似度矩阵数据进行置信度计算,从而得到煤流融合置信度数据;
具体地,例如置信度计算可以基于相似度矩阵中的数据,通过设定阈值或使用其他统计方法来确定置信度。如使用Python中的NumPy或者统计学库来实现置信度计算。
步骤S236:根据煤流融合置信度数据对第一煤流融合数据以及第二煤流融合数据进行煤流数据融合,从而得到煤流融合数据。
具体地,例如根据置信度数据来加权融合第一煤流融合数据和第二煤流融合数据。如使用Python中的NumPy库来进行数据融合。
具体地,例如第一煤流融合数据:[50,60,70,80],第二煤流融合数据:[45,55,65,75],煤流融合置信度数据:[0.9,0.8,0.7,0.6],这里的置信度数据表示对每个融合数据的信任程度,值越高表示对数据的信任程度越高。接下来的步骤如下:给定置信度和权重:假设将置信度作为权重,即:第一煤流融合数据的权重:[0.9,0.8,0.7,0.6],第二煤流融合数据的权重:[0.9,0.8,0.7,0.6],进行加权融合:将第一煤流融合数据和第二煤流融合数据分别与它们对应的权重相乘,得到加权后的数据:第一煤流融合数据加权后:[45,48,49,48],第二煤流融合数据加权后:[40.5,44,45.5,45],对加权后的数据进行融合:最终的融合数据可以采用简单的加权平均方式,即将对应位置的加权后数据相加并除以权重之和:最终融合数据:[(45+40.5)/(0.9+0.9), (48+44)/(0.8+0.8), (49+45.5)/(0.7+0.7),(48+45)/(0.6+0.6)],最终融合数据:[44.7368, 46.6667, 47.1429, 46.1538]。
本发明中采用的自注意力机制可以突出重要特征,从而提高数据的关键信息。降维可以减少数据的维度,提高后续计算的效率,同时保留了关键信息。通过相似度矩阵的构建,可以量化数据间的相似程度,同时矩阵操作可以降低线性计算带来的复杂性,减少计算负荷。置信度反映了融合数据的可信程度,通过对相似度的分析和计算,有效地评估了每个数据源的贡献度。通过考虑置信度,对第一煤流融合数据以及第二煤流融合数据进行最终的融合操作,确保了融合结果更具有代表性和全面性,为后续步骤提供了高质量的数据基础。本发明充分发挥了数据处理和特征提取的效能,使得煤流融合数据更具有代表性和可信度。
优选地,步骤S3具体为:
步骤S31:利用预设的滑动窗口数据对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据;
具体地,例如使用常见的信号处理工具如MATLAB、Python中的Scipy库等实现时序分析算法或者时序特征提取。
具体地,例如使用傅里叶变换获取频域信息,或者利用差分运算获取时域的变化。
步骤S32:根据煤流变化特征数据以及实时煤流数据进行特征关联,从而得到煤流变化关联特征数据;
具体地,例如使用机器学习模型如支持向量机(SVM)、神经网络等进行特征关联,通过预设的机器学习模型进行特征关联。
具体地,例如对煤流变化特征数据以及实时煤流数据进行时序对齐,并计算特征之间的相关系数或使用模型预测关联,从而得到煤流变化关联特征数据。
步骤S33:利用预设的规则引擎以及实时煤流数据对应的煤流来源数据对煤流变化关联特征数据进行煤流耗损评估,从而得到煤流耗损评估数据。
具体地,例如使用规则引擎如Drools等,也可以使用专业的煤流耗损模型进行煤流耗损评估,从而得到煤流耗损评估数据。
具体地,例如实时煤流数据:煤流温度:60摄氏度,煤流湿度:0.8,煤流压力:1.2兆帕,煤流密度:1.5兆克/立方米,规则引擎:规则1:如果煤流温度超过70摄氏度,则煤流耗损增加20%。规则2:如果煤流湿度超过0.9,则煤流耗损增加10%。规则3:如果煤流压力超过1.5兆帕,则煤流耗损增加15%。规则4:如果煤流密度低于1.0兆克/立方米,则煤流耗损增加25%。现在,将应用这些规则来评估煤流的耗损情况:根据实时煤流数据和规则引擎的规则:规则1不适用,因为煤流温度为60摄氏度,未超过70摄氏度。规则2不适用,因为煤流湿度为0.8,未超过0.9。规则3不适用,因为煤流压力为1.2兆帕,未超过1.5兆帕。规则4也不适用,因为煤流密度为1.5兆克/立方米,高于1.0兆克/立方米。因此,根据规则引擎的评估,煤流耗损不需要额外的调整。最终煤流耗损评估:根据规则引擎的评估,煤流耗损保持不变,为10%。
本发明中使用滑动窗口技术对煤流融合数据进行处理,可以捕捉到煤流的动态变化特征。这样做可以提高数据的灵敏度,使得***对煤流变化的响应更加及时和准确。通过将煤流变化特征数据与实时煤流数据进行关联,可以找到它们之间的内在联系,使得***能够更好地理解特征的实际含义,为后续的评估提供了准确的依据。预设的规则引擎是一种基于规则的专家***,能够根据特定的条件进行推理和决策。通过结合实时煤流数据以及煤流来源数据,可以对煤流变化关联特征数据进行精细化的评估。这个过程具有一定的智能性,能够适应不同情况下的耗损评估需求。
优选地,多来源煤流控制策略数据包括需求优先控制策略数据以及低损耗优先控制策略数据,步骤S5具体为:
步骤S51:根据时序煤流变化特征数据进行煤流需求预估模型构建,从而得到煤流需求预估模型;
具体地,例如使用Python编程语言中的Scikit-learn库进行线性回归模型构建,以线性回归为例,模型会涉及到系数的计算,例如y=ax+b中的a和b,其中y为煤流需求预估模型的输出数据,一般为煤流需求预估值,a为多维权重数据,b为多维调整数据,x为时序煤流变化特征数据的向量形式。
步骤S52:利用煤流需求预估模型对实时煤流数据进行煤流需求预估,从而得到煤流需求预估数据;
具体地,例如利用构建好的预测模型,将实时煤流数据输入模型,得到煤流需求预估结果。如使用Python编程语言中的Scikit-learn库中的预测函数进行煤流需求预估。
步骤S53:根据煤流需求预估数据以及煤流耗损评估数据进行需求优先控制策略生成,从而得到需求优先控制策略数据;
具体地,例如基于煤流需求预估数据和煤流耗损评估数据,设计优先控制策略。例如,可以制定一个规则,优先满足高需求区域的煤流。
步骤S54:根据煤流需求预估数据以及煤流耗损评估数据进行低损耗控制策略生成从而得到低损耗优先控制策略数据。
具体地,例如根据煤流需求预估数据和煤流耗损评估数据,设计低损耗优先的控制策略。例如,可以制定一个规则,优先选择低耗损的路径进行煤流调度。
具体地,例如煤流需求预估数据:高需求区域A:1500吨/小时,低需求区域B:800吨/小时煤流耗损评估数据:高需求区域A:15%,低需求区域B:10%,煤流源提供数据为1000吨/小时;规则1:如果高需求区域A的煤流需求预估高于低需求区域B,则优先满足高需求区域A的煤流。实施例:根据规则1,***会选择优先满足高需求区域A的煤流,因为它的需求量更大。规则2:如果低需求区域B的煤流耗损评估低于高需求区域A,则优先选择低耗损的路径进行煤流调度。实施例:根据规则2,***会选择优先选择低耗损的路径进行煤流调度,因为在低需求区域B的情况下,煤流的耗损比较低。根据规则1以及规则2进行加权计算,从而得到复合控制策略数据,以分别对区域A以及B进行煤流供应作业。
本发明使用滑动窗口技术对煤流融合数据进行处理,可以捕捉到煤流的动态变化特征,可以提高数据的灵敏度,使得***对煤流变化的响应更加及时和准确。通过将煤流变化特征数据与实时煤流数据进行关联,可以找到它们之间的内在联系,使得***能够更好地理解特征的实际含义,为后续的评估提供了准确的依据。预设的规则引擎是一种基于规则的专家***,能够根据特定的条件进行推理和决策。通过结合实时煤流数据以及煤流来源数据,可以对煤流变化关联特征数据进行精细化的评估。本发明能够在复杂的煤流环境中做出合理的决策,保证了煤流的高效运输和利用,从而在实践中取得显著的经济和社会效益。
通过整合实时煤矿数据、实时转运站数据和实时煤处理数据,实现了多来源数据的有效融合和利用,提高数据的综合性和准确性,为后续的煤流分析和控制提供了坚实基础。通过多来源数据融合,将不同数据源的信息整合到一起,得到了更全面、综合的煤流融合数据,保证了***能够对整个煤流***进行更全面的把控。通过对融合后的数据进行特征提取,***能够更深入地理解煤流的变化规律。利用历史煤流数据进行时序特征提取,可以从时间维度上了解煤流的演变过程,进一步丰富了对煤流特性的认识。通过对时序煤流变化特征数据进行预测,***能够提前了解到未来煤流需求的走势,从而有针对性地调整煤流控制策略。基于煤流需求预估数据以及煤流耗损评估数据,***能够制定出多来源的煤流控制策略,这样能够在保证供应的同时,最大程度地减少煤流的损耗。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多来源的煤流平衡自适应控制方法,其特征在于,包括以下步骤:
步骤S1:通过煤流数据采集器进行煤流数据采集,从而得到实时煤流数据,其中实时煤流数据包括实时煤矿数据、实时转运站数据以及实时煤处理数据;
步骤S2:对实时煤流数据进行多来源数据融合,从而得到煤流融合数据;
步骤S3:对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据,并根据煤流变化特征数据以及实时煤流数据对应的煤流来源数据进行煤流耗损评估,从而得到煤流耗损评估数据;
步骤S4:获取历史煤流数据,并根据历史煤流数据进行时序煤流变化特征提取,从而得到时序煤流变化特征数据;
步骤S5:根据时序煤流变化特征数据进行煤流需求预估,从而得到煤流需求预估数据,并根据煤流需求预估数据以及煤流耗损评估数据进行多来源煤流控制策略生成,从而得到多来源煤流控制策略数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:通过煤流数据采集器连接煤矿数据源,获取实时煤矿数据;
步骤S12:通过煤流数据采集器连接转运站数据源,获取实时转运站数据;
步骤S13:通过煤流数据采集器连接煤处理数据源,获取实时煤处理数据;
步骤S14:对实时煤矿数据、实时转运站数据以及实时煤处理数据进行数据整合,从而得到初步实时煤流数据;
步骤S15:对初步实时煤流数据进行煤流数据质量筛选,从而得到实时煤流数据。
3.根据权利要求2所述的方法,其特征在于,步骤S15具体为:
步骤S151:根据预设的煤流运输电子地图数据对初步实时煤流数据进行煤流数据准确性验证,从而得到准确性验证数据;
步骤S152:根据准确性验证数据对初步实时煤流数据进行煤流数据修复,从而得到实时煤流修复数据;
步骤S153:对实时煤流修复数据进行分布式事务性验证并进行数据校正,从而得到实时煤流数据。
4.根据权利要求3所述的方法,其特征在于,步骤S152中煤流数据修复为通过煤流数据修复计算公式生成的修复指数数据进行修复策略选择,以进行数据修复作业,其中煤流数据修复计算公式具体为:
;
为修复指数数据,/>为初步实时煤流数量数据,/>为初步实时煤流序次项数据,/>为初步实时煤流数据,/>为煤流数据,/>为煤流质量数据,/>为煤流速度数据,/>为煤流温度权重数据,/>为煤流温度数据,/>为煤流湿度权重数据,/>为煤流湿度数据,/>为煤流压力权重数据,/>为煤流压力数据,/>为煤流密度权重数据,/>为煤流密度数据。
5.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
步骤S21:对实时煤流数据进行多来源加权数据融合,从而得到第一煤流融合数据;
步骤S22:对实时煤流数据进行多来源聚类数据融合,从而得到第二煤流融合数据;
步骤S23:根据第一煤流融合数据以及第二煤流融合数据进行置信度投票计算,从而得到煤流融合数据。
6.根据权利要求5所述的方法,其特征在于,步骤S22具体为:
步骤S221:对实时煤流数据中的煤流图像数据进行目标检测,从而得到煤流目标检测数据;
步骤S222:根据实时煤流数据中的非煤流图像数据以及煤流目标检测数据进行聚类计算,从而得到实时煤流聚类数据;
步骤S223:对实时煤流聚类数据进行相似度计算,从而得到聚类相似度数据;
步骤S224:根据聚类相似度数据对实时煤流数据进行多来源加权数据融合,从而得到第二煤流融合数据。
7.根据权利要求6所述的方法,其特征在于,多来源加权数据融合为通过多来源煤流数据加权计算公式进行计算,初步煤流融合数据包括第一煤流融合数据以及第二煤流融合数据,其中多来源煤流数据加权计算公式具体为:
;
为初步煤流融合数据,/>为实时煤流序次项数据,/>为实时煤流数量数据,/>为第/>个煤流数据源数据对应的实时煤流数据的权重系数数据,/>为第/>个煤流数据源数据对应的实时煤流数据,/>为煤流变化率数据。
8.根据权利要求5所述的方法,其特征在于,步骤S23具体为:
步骤S231:对第一煤流融合数据以及第二煤流融合数据进行归一化处理,从而得到第一煤流融合归一化数据以及第二煤流融合归一化数据;
步骤S232:对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力计算,从而得到第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据;
步骤S233:根据第一煤流融合自注意力权重数据以及第二煤流融合自注意力权重数据对第一煤流融合归一化数据以及第二煤流融合归一化数据进行自注意力加权计算并降维处理,从而得到第一煤流融合降维数据以及第二煤流融合降维数据;
步骤S234:对第一煤流融合降维数据以及第二煤流融合降维数据进行相似度矩阵构建,从而得到煤流融合相似度矩阵数据;
步骤S235:对煤流融合相似度矩阵数据进行置信度计算,从而得到煤流融合置信度数据;
步骤S236:根据煤流融合置信度数据对第一煤流融合数据以及第二煤流融合数据进行煤流数据融合,从而得到煤流融合数据。
9.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:利用预设的滑动窗口数据对煤流融合数据进行煤流变化特征提取,从而得到煤流变化特征数据;
步骤S32:根据煤流变化特征数据以及实时煤流数据进行特征关联,从而得到煤流变化关联特征数据;
步骤S33:利用预设的规则引擎以及实时煤流数据对应的煤流来源数据对煤流变化关联特征数据进行煤流耗损评估,从而得到煤流耗损评估数据。
10.根据权利要求1所述的方法,其特征在于,多来源煤流控制策略数据包括需求优先控制策略数据以及低损耗优先控制策略数据,步骤S5具体为:
步骤S51:根据时序煤流变化特征数据进行煤流需求预估模型构建,从而得到煤流需求预估模型;
步骤S52:利用煤流需求预估模型对实时煤流数据进行煤流需求预估,从而得到煤流需求预估数据;
步骤S53:根据煤流需求预估数据以及煤流耗损评估数据进行需求优先控制策略生成,从而得到需求优先控制策略数据;
步骤S54:根据煤流需求预估数据以及煤流耗损评估数据进行低损耗控制策略生成从而得到低损耗优先控制策略数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551092.8A CN117272031B (zh) | 2023-11-21 | 2023-11-21 | 一种基于多来源的煤流平衡自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551092.8A CN117272031B (zh) | 2023-11-21 | 2023-11-21 | 一种基于多来源的煤流平衡自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272031A true CN117272031A (zh) | 2023-12-22 |
CN117272031B CN117272031B (zh) | 2024-02-06 |
Family
ID=89209049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311551092.8A Active CN117272031B (zh) | 2023-11-21 | 2023-11-21 | 一种基于多来源的煤流平衡自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272031B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073188A1 (en) * | 2012-03-01 | 2015-03-12 | The Trustees Of Princeton University | Processes for producing synthetic hydrocarbons from coal, biomass, and natural gas |
CN104860030A (zh) * | 2015-05-14 | 2015-08-26 | 中煤张家口煤矿机械有限责任公司 | 综采工作面煤流监测与控制*** |
CN109613900A (zh) * | 2018-12-26 | 2019-04-12 | 山东省田庄煤矿有限公司 | 一种刨煤作业综合监控***及刨煤机作业综合监控中心 |
CN109615279A (zh) * | 2019-01-24 | 2019-04-12 | 山东科技大学 | 一种面向均衡生产的主煤流***平衡率评估与监测方法 |
CN109782726A (zh) * | 2019-02-27 | 2019-05-21 | 杭州集益科技有限公司 | 一种水运燃煤电厂的实时智能燃料*** |
CN110967974A (zh) * | 2019-12-03 | 2020-04-07 | 西安科技大学 | 基于粗糙集的煤流平衡自适应控制方法 |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
CN115438920A (zh) * | 2022-08-16 | 2022-12-06 | 中煤科工集团信息技术有限公司 | 一种cps智能矿山建模***及管理方法 |
CN116384977A (zh) * | 2023-04-13 | 2023-07-04 | 贵州省矿山安全科学研究院有限公司 | 一种基于大数据分析和自诊断的煤矿井下运维方法及*** |
US11704449B1 (en) * | 2022-05-12 | 2023-07-18 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
CN116645645A (zh) * | 2023-05-19 | 2023-08-25 | 国能榆林能源有限责任公司 | 煤矿运输的安全确定方法和煤矿运输的安全确定*** |
CN116665011A (zh) * | 2023-05-31 | 2023-08-29 | 太原理工大学 | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 |
CN116788789A (zh) * | 2023-07-31 | 2023-09-22 | 国能神东煤炭集团有限责任公司 | 煤流的控制方法、装置和煤流监测*** |
CN116992773A (zh) * | 2023-08-11 | 2023-11-03 | 郑州恒达智控科技股份有限公司 | 基于积分lstm与先验信息的皮带机煤流预测方法 |
-
2023
- 2023-11-21 CN CN202311551092.8A patent/CN117272031B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073188A1 (en) * | 2012-03-01 | 2015-03-12 | The Trustees Of Princeton University | Processes for producing synthetic hydrocarbons from coal, biomass, and natural gas |
CN104860030A (zh) * | 2015-05-14 | 2015-08-26 | 中煤张家口煤矿机械有限责任公司 | 综采工作面煤流监测与控制*** |
CN109613900A (zh) * | 2018-12-26 | 2019-04-12 | 山东省田庄煤矿有限公司 | 一种刨煤作业综合监控***及刨煤机作业综合监控中心 |
CN109615279A (zh) * | 2019-01-24 | 2019-04-12 | 山东科技大学 | 一种面向均衡生产的主煤流***平衡率评估与监测方法 |
CN109782726A (zh) * | 2019-02-27 | 2019-05-21 | 杭州集益科技有限公司 | 一种水运燃煤电厂的实时智能燃料*** |
CN110967974A (zh) * | 2019-12-03 | 2020-04-07 | 西安科技大学 | 基于粗糙集的煤流平衡自适应控制方法 |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
US11704449B1 (en) * | 2022-05-12 | 2023-07-18 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
CN115438920A (zh) * | 2022-08-16 | 2022-12-06 | 中煤科工集团信息技术有限公司 | 一种cps智能矿山建模***及管理方法 |
CN116384977A (zh) * | 2023-04-13 | 2023-07-04 | 贵州省矿山安全科学研究院有限公司 | 一种基于大数据分析和自诊断的煤矿井下运维方法及*** |
CN116645645A (zh) * | 2023-05-19 | 2023-08-25 | 国能榆林能源有限责任公司 | 煤矿运输的安全确定方法和煤矿运输的安全确定*** |
CN116665011A (zh) * | 2023-05-31 | 2023-08-29 | 太原理工大学 | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 |
CN116788789A (zh) * | 2023-07-31 | 2023-09-22 | 国能神东煤炭集团有限责任公司 | 煤流的控制方法、装置和煤流监测*** |
CN116992773A (zh) * | 2023-08-11 | 2023-11-03 | 郑州恒达智控科技股份有限公司 | 基于积分lstm与先验信息的皮带机煤流预测方法 |
Non-Patent Citations (5)
Title |
---|
史志红;: "东峡煤矿主煤流运输***智能化集控设计", 煤矿机械, no. 03 * |
孙文宗;: "浅谈潞新公司的煤质管理", 煤质技术, no. 03 * |
王振军;牛云鹏;: "全矿井调速***在哈拉沟煤矿的应用", 能源科技, no. 07 * |
罗波;张金锁;邢书宝;: "大数据煤矿胶带输送机速度状态评估模型设计", 西安科技大学学报, no. 02 * |
蒋卫良;王兴茹;刘冰;郗存根;: "煤矿智能化连续运输***关键技术研究", 煤炭科学技术, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272031B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
US20200302540A1 (en) | Applying a trained model to predict a future value using contextualized sentiment data | |
WO2022077646A1 (zh) | 一种用于图像处理的学生模型的训练方法及装置 | |
US20220253856A1 (en) | System and method for machine learning based detection of fraud | |
US11283991B2 (en) | Method and system for tuning a camera image signal processor for computer vision tasks | |
Stamatescu et al. | Data‐Driven Modelling of Smart Building Ventilation Subsystem | |
CN116126642A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN117556310B (zh) | 一种航天器剩余寿命预测方法 | |
CN117272031B (zh) | 一种基于多来源的煤流平衡自适应控制方法 | |
CN117313015A (zh) | 一种基于时序和多变量的时间序列异常检测方法及*** | |
CN117407313A (zh) | 一种基于机器学习分析自动化测试质量的方法及*** | |
CN104751304A (zh) | 一种高等教育专业结构调整预警***及预警方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
CN117236666B (zh) | 应急物资需求分析方法及*** | |
CN111325384A (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
CN116993232B (zh) | 一种综合能源站的能耗管理优化方法及*** | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及*** | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测*** | |
US20240211732A1 (en) | Multivariate time series forecaster using deep learning | |
CN117575423B (zh) | 基于联邦学习***的工业产品质量检测方法及相关设备 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
CN118245822B (zh) | 相似集合预报优化方法、装置、设备及介质 | |
US20230394033A1 (en) | Systems and methods for refining house characteristic data using artificial intelligence and/or other techniques | |
Song et al. | Dynamic missing data recovery method with low complexity in internet of things |
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 |