一种基于频谱分析的煤矿生产状态智能判别方法及装置制造方法及图纸

本发明专利技术公开了一种基于频谱分析的煤矿生产状态智能判别方法及装置，包括：获取历史瓦斯浓度检测数据并对其进行预处理，得到预处理后的历史瓦斯浓度检测信号；对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；构建煤矿生产状态

【技术实现步骤摘要】
一种基于频谱分析的煤矿生产状态智能判别方法及装置


[0001]本专利技术涉及煤矿生产状态监测
、
数据挖掘
，具体涉及一种基于频谱分析的煤矿生产状态智能判别方法及装置
。

技术介绍

[0002]近年来，随着现代传感
、
自动控制
、
信息处理等技术的发展和新工艺
、
新方法的应用，向矿井安全监测监控和瓦斯异常风险预警投入的人力物力逐年增加
。
因此，煤矿生产状态的监控与判别非常重要，进而指导煤矿生产
。
[0003]然而，现有技术中缺乏一种行之有效，且判别准确性高的煤矿生产状态判别方法
。

技术实现思路

[0004]本专利技术目的在于提供一种基于频谱分析的煤矿生产状态智能判别方法及装置，本专利技术紧密切合煤矿安全监察业务，考虑到煤矿安全监察业务中瓦斯浓度检测数据量相当大，且业务正负样本不均衡的特点，本专利技术将频谱分析结合支持向量机方法进行煤矿生产状态判定，获取煤矿真实生产状态
。
本专利技术计算简练，能够快速
、
准确地实现煤矿异常生产状态的判别并告警，具有明显的应用价值
。
[0005]本专利技术通过下述技术方案实现：
[0006]第一方面，本专利技术提供了一种基于频谱分析的煤矿生产状态智能判别方法，该方法包括：
[0007]获取历史瓦斯浓度检测数据，并对历史瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号；
[0008]对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
[0009]根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态
SVM
分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态
SVM
分类模型进行训练，得到训练好的煤矿生产状态
SVM
分类模型；
[0010]将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态
SVM
分类模型，输出煤矿生产状态识别结果
。
[0011]进一步地，将功率谱处理为瓦斯浓度检测信号特征向量，包括：
[0012]根据功率谱，绘制功率谱的能量谱累计分布函数；
[0013]根据能量谱累计分布函数，截取累计能量预设值
(
比如
50
％
)
对应的频率
ω1作为截至频率，并将大于截止频率
ω1的功率谱作为瓦斯浓度检测信号特征向量
。
[0014]以上技术方案中，考虑到低频数据对于后续煤矿生产状态判别的意义不大，因此把累计能量
50
％以前的低频数据作为无效数据，进行过滤，以提高瓦斯浓度检测信号特征向量的精准性
。
[0015]进一步地，功率谱的计算公式为：
[0016][0017][0018]式中，
P(
ω
)
为历史瓦斯浓度检测信号的频谱向量；
F(
ω
)
为历史瓦斯浓度检测数据的频谱信息；
T
为瓦斯信号成分的周期；
x
n
为预处理后的历史瓦斯浓度检测信号；
ω
为频率；
n
为瓦斯浓度检测数据的采样点数量
。
[0019]进一步地，煤矿生产状态
SVM
分类模型的表达式为：
[0020][0021]式中，
w
为瓦斯浓度检测信号的高维特征空间；
b
为截距；
Φ
(P)
为非线性映射函数；
E
为惩罚参数；
ξ
为松弛变量，
ξ
i
为第
i
个松弛变量；
n
为样本数量；为煤矿瓦斯浓度样本标签，即当煤矿处于工作状态时，取值为1，煤矿处于停工状态时，取值为
0。
[0022]进一步地，惩罚参数的确定方式为：
[0023]统计煤矿瓦斯浓度总样本中正样本和负样本的比例
c
；
[0024]设置正样本的惩罚参数为
E1，负样本的惩罚参数为
E2，且满足
E1＝
c
·
E2。
[0025]进一步地，煤矿生产状态
SVM
分类模型的训练为：
[0026]根据正样本的惩罚参数和负样本的惩罚参数，分别输入煤矿生产状态
SVM
分类模型进行训练模型训练，当满足迭代次数达到最大迭代次数时，对应
w
为所求，即得到训练好的煤矿生产状态
SVM
分类模型
。
[0027]进一步地，将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态
SVM
分类模型，输出煤矿生产状态识别结果，包括：
[0028]若输出为1，则识别出的煤矿生产状态识别结果为生产状态；
[0029]若输出为0，则识别出的煤矿生产状态识别结果为停产状态
。
[0030]进一步地，该方法还包括：根据煤矿生产状态识别结果进行异常工况告警，具体为：
[0031]若煤矿生产状态识别结果与该煤矿生产计划不一致，则进行提报，以预防危险的发生；
[0032]若煤矿生产状态识别结果与该煤矿生产计划一致，则不进行提报
。
[0033]第二方面，本专利技术又提供了一种基于频谱分析的煤矿生产状态智能判别装置，该装置用于实现所述的一种基于频谱分析的煤矿生产状态智能判别方法；该装置包括：
[0034]获取单元，用于获取历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据；
[0035]预处理单元，用于对历史瓦斯浓度检测数据及待判别的瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号及处理后的待判别的瓦斯浓度检测数据；
[0036]频率分析及特征向量提取单元，用于对预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据频谱向量进行处理，得到历史瓦
斯浓度检测信号的功率谱；并将功率谱处理为瓦斯浓度检测信号特征向量；
[0037]分类模型构建及训练单元，用于根据瓦斯浓度检测信号特征向量，结合煤矿安全监察业务构建煤矿生产状态
SVM
分类模型，并将煤矿瓦斯浓度样本标签与瓦斯浓度检测信号特征向量输入煤矿生产状态
SVM
分类模型进行训练，得到训练好的煤矿生产状态
SVM
分类模型；
[0038]生产状态判别单元，用于将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态
...

【技术保护点】

【技术特征摘要】
1.
一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，该方法包括：获取历史瓦斯浓度检测数据，并对所述历史瓦斯浓度检测数据进行预处理，得到预处理后的历史瓦斯浓度检测信号；对所述预处理后的历史瓦斯浓度检测信号进行傅里叶变换，得到历史瓦斯浓度检测信号的频谱向量；并根据所述频谱向量进行处理，得到历史瓦斯浓度检测信号的功率谱；并将所述功率谱处理为瓦斯浓度检测信号特征向量；构建煤矿生产状态
SVM
分类模型，并将煤矿瓦斯浓度样本标签与所述瓦斯浓度检测信号特征向量输入所述煤矿生产状态
SVM
分类模型进行训练，得到训练好的煤矿生产状态
SVM
分类模型；将待判别的煤矿瓦斯浓度检测数据输入到训练好的煤矿生产状态
SVM
分类模型，输出煤矿生产状态识别结果
。2.
根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，将所述功率谱处理为瓦斯浓度检测信号特征向量，包括：根据所述功率谱，绘制所述功率谱的能量谱累计分布函数；根据所述能量谱累计分布函数，截取累计能量预设值对应的频率
ω1作为截至频率，并将大于截止频率
ω1的功率谱作为瓦斯浓度检测信号特征向量
。3.
根据权利要求2所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述功率谱的计算公式为：于，所述功率谱的计算公式为：式中，
P(
ω
)
为历史瓦斯浓度检测信号的频谱向量；
F(
ω
)
为历史瓦斯浓度检测数据的频谱信息；
T
为瓦斯信号成分的周期；
x
n
为预处理后的历史瓦斯浓度检测信号；
ω
为频率；
n
为瓦斯浓度检测数据的采样点数量
。4.
根据权利要求1所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述煤矿生产状态
SVM
分类模型的表达式为：式中，
w
为瓦斯浓度检测信号的高维特征空间；
b
为截距；
Φ
(P)
为非线性映射函数；
E
为惩罚参数；
ξ
为松弛变量，
ξ
i
为第
i
个松弛变量；
n
为瓦斯浓度检测数据的采样点数量；为煤矿瓦斯浓度样本标签，即当煤矿处于工作状态时，取值为1，煤矿处于停工状态时，取值为
0。5.
根据权利要求4所述的一种基于频谱分析的煤矿生产状态智能判别方法，其特征在于，所述惩罚参数的确定方式为：统计煤矿瓦斯浓度总样本中正样本和负样本的比例
c
；设置正样本的惩罚参数为
E1，负样本的惩罚参数为

【专利技术属性】
技术研发人员：王自力，方方，丁宁，胡代军，王东升，张英杰，郭宇，杨吉琦，王梓又，黄兰，韩柳，万豪杰，李逸，李澜涛，王永杰，李怡静，邓韵，胡嘉岩，邹光明，郭枭，汪建川，李俊兵，
申请(专利权)人：四川安信科创科技有限公司，
类型：发明
国别省市：