CN117668730A - 基于深度学习算法的煤矿井下刮板机负载异常检测方法 - Google Patents
基于深度学习算法的煤矿井下刮板机负载异常检测方法 Download PDFInfo
- Publication number
- CN117668730A CN117668730A CN202311722110.4A CN202311722110A CN117668730A CN 117668730 A CN117668730 A CN 117668730A CN 202311722110 A CN202311722110 A CN 202311722110A CN 117668730 A CN117668730 A CN 117668730A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- abnormal
- scraper machine
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 35
- 239000003245 coal Substances 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000003321 amplification Effects 0.000 claims abstract description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035622 drinking Effects 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
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度学习算法的煤矿井下刮板机负载异常检测方法，包括以下步骤：步骤1)提取历史数据并预处理；步骤2)依据比例对预处理结果数据进行训练集和测试集划分；步骤3)基于训练集，优选历史监测变量，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型；步骤4)通过测试集预测误差统计结果构建误差置信区间，并进一步计算异常因子从而量化异常等级；步骤5)异常因子结合实时监测数据的变异系数、增幅、最大电流限值指标组合判定异常模式，实现刮板机异常负载智能报警。该方法通过挖掘数据特征，建立模型，对负载异常情况进行智能化检测并报警。
Description
技术领域
本发明涉及煤矿井下安全技术领域，具体的说，涉及了一种基于深度学习算法的煤矿井下刮板机负载异常检测方法。
背景技术
煤炭是我国最重要的基础能源，当前煤矿开采中，工作面自动化、信息化进程加快，带动了工作面的安全性和生产效率的提高。其中基于大量数据的采集、分析并结合人工智能算法实现故障报警、设备控制、工艺优化，可帮助企业进一步优化生产过程、提高效率、降低生产风险。
在综采工作面的开采过程中，刮板机过载会加速电缆老化降低设备寿命，或者造成机械故障导致人工检修频发对人身安全产生威胁，从而影响煤炭生产安全和生产效率。
刮板机过载受多因素影响，如煤尘大、能见度低、噪音大、卡矸石、喝回头煤等，导致刮板机过载很难依赖于人工判定。
而这些因素的干扰下，刮板机的运行状态会发生改变，因而如何利用刮板机自身的反应状态，通过大数据分析和算法的介入，判断出负载发生异常，就变得十分重要。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足，从而提供一种能够对刮板机的负载异常情况进行检测，提升设备寿命的基于深度学习算法的煤矿井下刮板机负载异常检测方法。
为了实现上述目的，本发明所采用的技术方案是：一种基于深度学习算法的煤矿井下刮板机负载异常检测方法，包括以下步骤：
步骤1)从采煤机、刮板机中提取历史数据并预处理，得到以采煤机位置数据索引为基准的多维特征数据；
步骤2)依据比例对预处理结果数据进行训练集和测试集划分；
步骤3)基于训练集，优选历史监测变量，选取与刮板机电流相关性较强的特征变量作为构建预测模型的关键变量，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型；
步骤4)通过测试集预测误差统计结果构建误差置信区间，并进一步计算异常因子从而量化异常等级；
步骤5)异常因子结合实时监测数据的变异系数、增幅、最大电流限值指标组合判定异常模式，实现刮板机异常负载智能报警。
基上所述，步骤1)中，预处理的过程包括：
步骤1.1)以时序方式进行历史数据清洗，以采煤机位置数据索引为基准进行多维特征数据对齐和重采样。
基上所述，步骤1)中，预处理的过程还包括：
步骤1.2)统计数据分布情况，剔除数据缺失值，以卡尔曼滤波对数据噪声进行处理。
基上所述，步骤3)中，优选历史监测变量的过程包括：
步骤3.1)获取预处理数据关键参数，并计算各参数间的Spearman相关系数，选取与刮板机电流相关性较强的特征变量作为构建预测模型的关键变量；对于任意选定的两个变量X、Y，Spearman相关系数计算公式为：
其中，ρ表示Spearman相关系数，di表示i时刻X和Y等级差，n为样本数量。
基上所述，步骤3)中还包括：
步骤3.2)以选取的关键变量为基础，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型。
基上所述，步骤4)通过以下方法执行：
步骤4.1)基于测试集数据，对刮板机电流预测模型进行预测误差统计，预测误差是模型通过t-1时刻之前某时间段历史数据得到t时刻电流预测值与t时刻实际电流值的差值，获取预测误差1-α置信水平下的双侧置信区间，置信区间表达式如下：
Pr(c1＜μ＜c2)＝1-α
其中α为显著性水平，Pr表示概率，c1表示置信下限，c2表示置信上限，μ表示预测误差的总体均数；
步骤4.2)定义异常因子，以量化每个异常点的异常可能性，异常因子计算公式：
其中β表示异常因子，lcl表示置信下限，ucl表示置信上限，Ti表示i时刻待判定的预测误差；
步骤4.3)依据异常因子β的大小划分异常等级，表达式如下：
其中，y表示异常等级，1代表正常数据，0代表可能异常数据，-1代表异常数据。
基上所述，步骤5)通过以下方法执行：
步骤5.1)基于刮板机电流预测模型，通过获取实时设备监测数据，预测未来t时刻电流值，并计算与t时刻真实电流值的预测误差；
步骤5.2)计算异常因子，判定异常等级；
步骤5.3)计算实时监测数据中关键变量的变异系数、增幅、最大电流限值，对于任意关键变量X，变异系数计算公式如下：
其中，cv表示变异系数，xt表示t时刻样本值，μ表示样本均值，n为样本个数；
增幅计算公式如下：
其中A表示增幅，xt表示t-i到t时刻的末期样本值，xt-i表示t-i到t时刻的基期样本值；
最大电流限值依据现场设备额定电流进行设定，表达式如下：
Imax＝λIe
其中Imax表示最大电流限值，λ表示系数，Ie表示额定电流；
步骤5.4)定义逻辑异常判据表达式，以组合步骤5.2)和步骤5.3)结果判定异常模式，并针对不同的异常模式触发不同的报警形式，以t-i到t时刻检测结果为例，逻辑异常判据表达式如下：
其中R代表输出的异常模式结果，mod e1表示异常模式类型1，a,b表示常量，βt表示t时刻异常因子，yk表示k时刻真实电流值；符号∧表示逻辑与运算。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明具有以下优点：
1.基于采煤机和刮板机的海量历史数据，挖掘提取数据特征，建立有效的数学模型，通过关键变量的变异系数、增幅和最大电流限值的监测，对不同的异常情况触发不同的报警形式，使负载异常检测变得具有针对性，且场景的适用性很强，可用于不同的综采工作面。
2.本方法利用深度学习算法建立刮板机电流预测模型，预测误差更小，结合异常检测技术，实现刮板机负载智能报警，减少机械事故，从而增加设备使用寿命，提高生产效率，并提高煤炭的高效安全生产。
附图说明
图1是本发明中基于深度学习算法的煤矿井下刮板机负载异常检测方法的流程图。
图2是本发明中基于深度学习算法的煤矿井下刮板机负载异常检测方法应用状态下的运行流程图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1和图2所示，一种基于深度学习算法的煤矿井下刮板机负载异常检测方法，包括以下步骤：
步骤1)从采煤机、刮板机中提取历史数据并预处理；
具体的，步骤1.1)以时序方式进行历史数据清洗，以采煤机位置数据索引为基准进行多维特征数据对齐和重采样。
步骤1.2)统计数据分布情况，剔除数据缺失值，以卡尔曼滤波对数据噪声进行处理。
步骤2)依据比例对预处理结果数据进行训练集和测试集划分；
步骤3)基于训练集，优选历史监测变量，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型；
具体的，步骤3.1)获取预处理数据关键参数，并计算各参数间的Spearman相关系数，选取与刮板机电流相关性较强的特征变量作为构建预测模型的关键变量；对于任意选定的两个变量X、Y，Spearman相关系数计算公式为：
其中，ρ表示Spearman相关系数，di表示i时刻X和Y等级差，n为样本数量。
步骤3.2)以选取的关键变量为基础，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型。
步骤4)通过测试集预测误差统计结果构建误差置信区间，并进一步计算异常因子从而量化异常等级；
具体的，步骤4.1)基于测试集数据，对刮板机电流预测模型进行预测误差统计，预测误差是模型通过t-1时刻之前某时间段历史数据得到t时刻电流预测值与t时刻实际电流值的差值，获取预测误差1-α置信水平下的双侧置信区间，置信区间表达式如下：
Pr(c1＜μ＜c2)＝1-α
其中α为显著性水平，Pr表示概率，c1表示置信下限，c2表示置信上限，μ表示预测误差的总体均数；
步骤4.2)定义异常因子，以量化每个异常点的异常可能性，异常因子计算公式：
其中β表示异常因子，lcl表示置信下限，ucl表示置信上限，Ti表示i时刻待判定的预测误差；
步骤4.3)依据异常因子β的大小划分异常等级，表达式如下：
其中，y表示异常等级，1代表正常数据，0代表可能异常数据，-1代表异常数据。
步骤5)异常因子结合实时监测数据的变异系数、增幅、最大电流限值指标组合判定异常模式，实现刮板机异常负载智能报警。
具体的，步骤5.1)基于刮板机电流预测模型，通过获取实时设备监测数据，预测未来t时刻电流值，并计算与t时刻真实电流值的预测误差；
步骤5.2)计算异常因子，判定异常等级；
步骤5.3)计算实时监测数据中关键变量的变异系数、增幅、最大电流限值，对于任意关键变量X，变异系数计算公式如下：
其中，cv表示变异系数，xt表示t时刻样本值，μ表示样本均值，n为样本个数；
增幅计算公式如下：
其中A表示增幅，xt表示t-i到t时刻的末期样本值，xt-i表示t-i到t时刻的基期样本值；
最大电流限值依据现场设备额定电流进行设定，表达式如下：
Imax＝λIe
其中Imax表示最大电流限值，λ表示系数，Ie表示额定电流；
步骤5.4)定义逻辑异常判据表达式，以组合步骤5.2)和步骤5.3)结果判定异常模式，并针对不同的异常模式触发不同的报警形式，以t-i到t时刻检测结果为例，逻辑异常判据表达式如下：
其中R代表输出的异常模式结果，mod e1表示异常模式类型1，a,b表示常量，βt表示t时刻异常因子，yk表示k时刻真实电流值；符号∧表示逻辑与运算。
该方法对海量多维历史数据的处理、刮板机电流预测模型构建以及异常检测技术逻辑的内容，以增加设备的使用寿命，减少机械事故，提高生产效率，辅助指导井下开采过程中采煤机牵引速度或刮板机电流控制。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (7)
1.一种基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：包括以下步骤：
步骤1)从采煤机、刮板机中提取历史数据并预处理，得到以采煤机位置数据索引为基准的多维特征数据；
步骤2)依据比例对预处理结果数据进行训练集和测试集划分；
步骤3)基于训练集，优选历史监测变量，选取与刮板机电流相关性较强的特征变量作为构建预测模型的关键变量，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型；
步骤4)通过测试集预测误差统计结果构建误差置信区间，并进一步计算异常因子从而量化异常等级；
步骤5)异常因子结合实时监测数据的变异系数、增幅、最大电流限值指标组合判定异常模式，实现刮板机异常负载智能报警。
2.根据权利要求1所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：
步骤1)中，预处理的过程包括：
步骤1.1)以时序方式进行历史数据清洗，以采煤机位置数据索引为基准进行多维特征数据对齐和重采样。
3.根据权利要求1所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：
步骤1)中，预处理的过程还包括：
步骤1.2)统计数据分布情况，剔除数据缺失值，以卡尔曼滤波对数据噪声进行处理。
4.根据权利要求1所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：
步骤3)中，优选历史监测变量的过程包括：
步骤3.1)获取预处理数据关键参数，并计算各参数间的Spearman相关系数，选取与刮板机电流相关性较强的特征变量作为构建预测模型的关键变量；对于任意选定的两个变量X、Y，Spearman相关系数计算公式为：
其中，ρ表示Spearman相关系数，di表示i时刻X和Y等级差，n为样本数量。
5.根据权利要求4所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：
步骤3)中还包括：
步骤3.2)以选取的关键变量为基础，搭建深度学习神经网络，构建数据加载器，训练深度学习网络，生成刮板机电流预测模型。
6.根据权利要求5所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：步骤4)通过以下方法执行：
步骤4.1)基于测试集数据，对刮板机电流预测模型进行预测误差统计，预测误差是模型通过t-1时刻之前某时间段历史数据得到t时刻电流预测值与t时刻实际电流值的差值，获取预测误差1-α置信水平下的双侧置信区间，置信区间表达式如下：
Pr(c1＜μ＜c2)＝1-α
其中α为显著性水平，Pr表示概率，c1表示置信下限，c2表示置信上限，μ表示预测误差的总体均数；
步骤4.2)定义异常因子，以量化每个异常点的异常可能性，异常因子计算公式：
其中β表示异常因子，lcl表示置信下限，ucl表示置信上限，Ti表示i时刻待判定的预测误差；
步骤4.3)依据异常因子β的大小划分异常等级，表达式如下：
其中，y表示异常等级，1代表正常数据，0代表可能异常数据，-1代表异常数据。
7.根据权利要求5所述的基于深度学习算法的煤矿井下刮板机负载异常检测方法，其特征在于：步骤5)通过以下方法执行：
步骤5.1)基于刮板机电流预测模型，通过获取实时设备监测数据，预测未来t时刻电流值，并计算与t时刻真实电流值的预测误差；
步骤5.2)计算异常因子，判定异常等级；
步骤5.3)计算实时监测数据中关键变量的变异系数、增幅、最大电流限值，对于任意关键变量X，变异系数计算公式如下：
其中，cv表示变异系数，xt表示t时刻样本值，μ表示样本均值，n为样本个数；
增幅计算公式如下：
其中A表示增幅，xt表示t-i到t时刻的末期样本值，xt-i表示t-i到t时刻的基期样本值；
最大电流限值依据现场设备额定电流进行设定，表达式如下：
Imax＝λIe
其中Imax表示最大电流限值，λ表示系数，Ie表示额定电流；
步骤5.4)定义逻辑异常判据表达式，以组合步骤5.2)和步骤5.3)结果判定异常模式，并针对不同的异常模式触发不同的报警形式，以t-i到t时刻检测结果为例，逻辑异常判据表达式如下：
其中R代表输出的异常模式结果，mode1表示异常模式类型1，a,b表示常量，βt表示t时刻异常因子，yk表示k时刻真实电流值；符号∧表示逻辑与运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311722110.4A CN117668730A (zh) | 2023-12-14 | 2023-12-14 | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311722110.4A CN117668730A (zh) | 2023-12-14 | 2023-12-14 | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117668730A true CN117668730A (zh) | 2024-03-08 |
Family
ID=90073218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311722110.4A Pending CN117668730A (zh) | 2023-12-14 | 2023-12-14 | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668730A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
-
2023
- 2023-12-14 CN CN202311722110.4A patent/CN117668730A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
| CN117951455B (zh) * | 2024-03-22 | 2024-06-07 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN117668730A (zh) | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 | |
| CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
| CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
| CN110929384A (zh) | 一种基于综采工作面的矿压大数据实时分析***及方法 | |
| CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控*** | |
| CN116823175B (zh) | 一种石油化工生产信息化***智能运维方法及*** | |
| CN115078892B (zh) | 一种单机大传动变频器状态远程监测*** | |
| CN111710329A (zh) | 基于深度学习的船舶发动机声纹故障判别方法及*** | |
| CN115470831B (zh) | 一种基于频繁项集推理的水电信号异常判断方法 | |
| CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、***及设备 | |
| CN115977633A (zh) | 一种基于多信息融合反馈的射流与截割协同调控的方法 | |
| CN108386182B (zh) | 一种基于spc控制图和加权决策树的油井生产异常预警方法 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN117194171A (zh) | 一种异构云资源全景式异常检测*** | |
| CN117154945A (zh) | 基于云计算技术的变配电站智能监测方法 | |
| CN113988259B (zh) | 基于vae-gru的火电机组运行参数的实时异常检测方法 | |
| CN114722862A (zh) | 一种游梁式抽油机电机故障预测装置及方法 | |
| CN115034094A (zh) | 一种金属加工机床运行状态预测方法及*** | |
| CN114004151A (zh) | 基于LSTM-VGGNet的抽油机井故障预测方法 | |
| CN113513304A (zh) | 一种基于抽油机电功图的平衡度检测方法 | |
| CN109635880A (zh) | 基于强鲁棒自适应算法的采煤机故障诊断*** | |
| CN117536691B (zh) | 一种综采工作面设备参数监控方法及*** | |
| CN116292334A (zh) | 一种渣浆泵故障诊断方法 |
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 |