【技术实现步骤摘要】
基于边缘计算的煤矿瓦斯传感器数据异常检测方法
本专利技术涉及边缘计算的智能信息处理
，具体地涉及一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法。
技术介绍
煤矿瓦斯灾害是造成人员伤亡的主要原因之一，采用瓦斯传感器对煤矿井下重点区域进行瓦斯数据监测，并利用监测数据对瓦斯异常进行检测，是预防煤矿瓦斯灾害的重要手段。目前，采用机器学习的方法进行煤矿瓦斯传感器数据异常检测取得很好的效果，针对煤矿瓦斯灾害预测方面的研究大都集中在对瓦斯涌出量的预测及煤与瓦斯突出危险性评价及预测等方面。高莉以瓦斯时间序列为具体研究对象，提出基于小波径向基函数的时间序列预测方法。程健等人分析了煤与瓦斯的突出机理及各项影响因素，建立了费舍尔(Fisher)判别分析模型，证实了瓦斯浓度信号的混沌特性，并在瓦斯浓度的关联空间上建立了最小二乘支持向量机预测模型，实现了煤矿瓦斯浓度的中、长期预测。尹洪胜基于KPCA/KICA的多变量时间序列降维和特征提取理论，对多维时间序列进行了降维和特征提取，利用LS-SVM算法，对瓦斯时间序列进行了分类。彭泓采用独立分量分析的方法对瓦斯灾害信息进行了特征分析，...
【技术保护点】
1.一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，包括以下步骤：S01：获取瓦斯传感器数据，对数据进行标注，标注的标签包括“警告”和“正常”；S02：建立多层RBM网络结构，通过RBM网络对瓦斯传感器数据进行重构，得到数据的一个编码，通过逐层训练的方式得到瓦斯传感器数据的多层表示；S03：在多层RBM网络结构上增加一个代表期望输出变量的最后层，将最后层输出作为BP神经网络的输入，利用有监督的BP神经网络将误差反向传播，自顶向下进行微调，得到瓦斯传感器数据异常检测的深度置信网络(DBN)模型，通过得到的瓦斯传感器数据异常检测的深度置信网络(DBN)模型对煤矿瓦...
【技术特征摘要】
1.一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，包括以下步骤：S01：获取瓦斯传感器数据，对数据进行标注，标注的标签包括“警告”和“正常”；S02：建立多层RBM网络结构，通过RBM网络对瓦斯传感器数据进行重构，得到数据的一个编码，通过逐层训练的方式得到瓦斯传感器数据的多层表示；S03：在多层RBM网络结构上增加一个代表期望输出变量的最后层，将最后层输出作为BP神经网络的输入，利用有监督的BP神经网络将误差反向传播，自顶向下进行微调，得到瓦斯传感器数据异常检测的深度置信网络(DBN)模型，通过得到的瓦斯传感器数据异常检测的深度置信网络(DBN)模型对煤矿瓦斯传感器数据进行异常检测。2.根据权利要求1所述的基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，所述步骤S01对数据标注方法包括，判断数据样本时间段后的一定时间内的瓦斯传感器数据是否超过告警阈值，若超过，则标注该样本的类别为“警告”，否则标注为“正常”。3.根据权利要求1所述的基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，所述步骤S01中，通过基于边缘计算的煤矿瓦斯监测系统获取瓦斯传感器数据，所述基于边缘计算的煤矿瓦斯监测系统包括用于获取煤矿巷道中环境信息的感器节点，所述传感器节点与边缘计算节点进行通信，所述边缘计算节点作为中继设备将传感器节点采集的煤矿环境监测数据上传至矿山云平台，所述矿山云平台用于数据处理及数据存储；所述瓦斯传感器数据异常检测的深度置信网络(DBN)模型的模型训练过程被部署在矿山云平台进行，生成的模型参数被回传至边缘计算节点，用于实时进行异常检测。4.根据权利要求3所述的基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，当检测出异常情况时，边缘计算节点将异常报告发送给位于矿山云平台的数据和控制中心，同时驱动位于底层的报警器，进行瓦斯预警。5.根据权利要求1所述的基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，所述步骤S02中，所述RBM网络包括可见层和隐藏层，层内无连接，层间全连接，输入的向量是每一个样本向量，即vi＝xi，瓦斯传感器数据样本xi＝(x1,x2,...,xm)作为输入，其中nv＝m，标签为yi＝1表示为“警告”，yi＝0表示为“正常”，输出向量hi表示样本xi的一个重新编码；瓦斯传感器数据测量值作为RBM网络的可见层单元，隐藏层单元对应编码后的瓦斯传感器数据的特征检测器；在可见层单元和隐藏层单元之间，存在能量函数：nv,nh，分别表示可见层和隐藏层中包含神经元的数目；可见层的状态向量，vi表示可见层中第i个神经元的状态；隐藏层的状态向量，hj表示隐藏层中第j个神经元的状态；可见层的偏置向量，ai表示可见层中第i个神经元的偏置；隐藏层的偏置向量，bj表示可见层中第j个神经元的偏置；隐藏层和可见层之间的权值矩阵，wi,j表示隐藏层中第i个神经元与可见层中第j个神经元之间的连接权重；对于一个给定的瓦斯传感器数据样本，二进制状态hj设为1的概率为σ(aj+∑iviwij)，其中σ(x)是logistic函数1/(1+exp(-x))，隐藏层单元选择了一组二进制状态后，每个vi设为1的概率为σ(bi+∑jhjwij)，隐藏层单元根据重构误差进行再一次的更新。6.根据权利要求5所述的基于边缘计算的煤矿瓦斯传感器数据异常检测方法，其特征在于，采用对比散度算法对样本进行训练，包括以下步骤：S21：将样本赋给可见层v1，计算隐藏层中每个神经元被激活的概率P(h1|v1)；S22：从计算得到的概率分布中采取Gibbs抽样抽取一个样本h1～P(h1|v1)；S23：用h1重构可见层，通过隐藏层反推可见层，计算可见层中每个神经元被激活的概率p(v2|h1)；S24：从计算得到的概率分布中采取Gibbs抽样抽取一个样本v2～P(v2|h1)；S25：通过v2计算隐藏...
【专利技术属性】
技术研发人员：杨峰，徐友庆，刘建辉，孟祥峰，高旺，麦倩怡，杨采艺，
申请(专利权)人：深圳朴生智能科技有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。