System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于水质检测领域,具体涉及一种基于深度学习的煤矿工作面水质在线监测方法及系统。
技术介绍
1、煤矿工作面水质在线监测是为了保障煤矿生产安全和保护环境而进行的关键控制措施。现有技术对水质评价有较多的文献公开,例如申请号201710106308.8公开了一种基于神经网络的水质评价分类方法,该方法通过对神经网络进行训练从而进行水质识别。然而由于煤矿工作面的水质不同于地表水质,煤矿工作面水质中含有的元素较多,并且水质变化稳定。对应进行水质检测时,需要对应的传感器进行浓度采集导致参数数量较多,从而在对水质进行识别时,如果含量测定误差较大,则容易识别错误,此外,在进行识别前需要读取的数据较多,在进行数据读取及存储时,耗时较长,从而影响水质监测实时性。
技术实现思路
1、为了解决现有技术中存在的上述问题,本专利技术提供了一种基于深度学习的煤矿工作面水质在线监测方法及系统。本专利技术要解决的技术问题通过以下技术方案实现:
2、一种基于深度学习的煤矿工作面水质在线监测方法,包括:
3、获取若干传感器采集到的第一水域的若干种离子浓度数据;
4、将所述离子浓度数据分别输入至第一判断模型、第二判断模型、第三判断模型得到第一判断概率、第二判断概率、第三判断概率,其中,每个判断概率均包括至少一种目标判断结果,所述每个判断概率对应的每个目标判断结果均具有相应的权重因子,所述目标判断结果为判定为预设水质的概率;
5、根据所述权重因子对每个判断概率对应的目标
6、选择所述目标判断结果中所述预设水质的综合概率最大的结果作为当前水质类型。
7、在一个具体实施方式中,所述第一判断模型为bp神将网络模型,所述第二判断模型为贝叶斯预测模型,所述第三判断模型为三线图模型。
8、在一个具体实施方式中,还包括:
9、查询第一水域中所有传感器标识,以从所述传感器标识对应的数据库中读取每种离子在预设时间段的历史数据得到若干种离子浓度历史数据;
10、根据所述若干种离子浓度历史数据预测未来预设时刻的离子浓度,以基于未来预设时刻的离子浓度得到该未来预设时刻的水质类型。
11、在一个具体实施方式中,当判断所述未来预设时刻的水质类型异常时,将该未来预设时刻进行标记并预警。
12、在一个具体实施方式中,获取若干传感器采集到的第一水域的若干种离子浓度数据,还包括:
13、从所述若干传感器选择一传感器作为母传感器,其余传感器作为子传感器,获取所述母传感器与每个子传感器的离子浓度历史数据以得到母序列和若干子序列;
14、对所述母序列和子序列进行关联度分析,将关联度大于关联度阈值的子序列对应的子传感器作为可关联传感器,将关联度小于关联度阈值的子序列对应的子传感器作为不可关联传感器;
15、将所述母序列与每个可关联传感器的可关联序列根据绝对关联度算法进行计算,以根据所述母序列和每个可关联序列得到对应的加权向量;
16、获取母传感器以及不可关联传感器采集到的第一水域的离子浓度数据,根据对应的加权向量对所述母传感器的离子浓度数据进行处理得到与所述母传感器关联的可关联传感器的离子浓度数据,以根据所述母传感器的离子浓度数据、所述母传感器的计算的可关联传感器的离子浓度数据以及不可关联传感器的离子浓度数据判断水质类型。
17、本专利技术同时公开了一种基于深度学习的煤矿工作面水质在线监测系统,包括:
18、数据采集模块,用于获取若干传感器采集到的第一水域的若干种离子浓度数据;
19、概率判断模块,用于将所述离子浓度数据分别输入至第一判断模型、第二判断模型、第三判断模型得到第一判断概率、第二判断概率、第三判断概率,其中,每个判断概率均包括至少一种目标判断结果,所述每个判断概率对应的每个目标判断结果均具有相应的权重因子,所述目标判断结果为判定为预设水质的概率;
20、概率预测模块,用于根据所述权重因子对每个判断概率对应的目标判断结果进行计算,得到综合目标判断概率,所述综合目标预概率为每个目标预测结果对应判定为预设水质的综合概率;
21、水质确定模块,用于选择所述目标判断结果中所述预设水质的综合概率最大的结果作为当前水质类型。
22、在一个具体实施方式中,所述第一判断模型为bp神将网络模型,所述第二判断模型为贝叶斯预测模型,所述第三判断模型为三线图模型。
23、在一个具体实施方式中,还包括:
24、历史浓度获取模块,用于查询第一水域中所有传感器标识,以从所述传感器标识对应的数据库中读取每种离子在预设时间段的历史数据得到若干种离子浓度历史数据;
25、水质类型预测模块,用于根据所述若干种离子浓度历史数据预测未来预设时刻的离子浓度,以基于未来预设时刻的离子浓度得到该未来预设时刻的水质类型。
26、在一个具体实施方式中,当判断所述未来预设时刻的水质类型异常时,将该未来预设时刻进行标记并预警。
27、在一个具体实施方式中,数据采集模块还包括:
28、母传感器选择单元,用于从所述若干传感器选择一传感器作为母传感器,其余传感器作为子传感器,获取所述母传感器与每个子传感器的离子浓度历史数据以得到母序列和若干子序列;
29、关联确定单元,用于对所述母序列和子序列进行关联度分析,将关联度大于关联度阈值的子序列对应的子传感器作为可关联传感器,将关联度小于关联度阈值的子序列对应的子传感器作为不可关联传感器;
30、加权向量确定单元,用于将所述母序列与每个可关联传感器的可关联序列根据绝对关联度算法进行计算,以根据所述母序列和每个可关联序列得到对应的加权向量;
31、数据处理单元,用于获取母传感器以及不可关联传感器采集到的第一水域的离子浓度数据,根据对应的加权向量对所述母传感器的离子浓度数据进行处理得到与所述母传感器关联的可关联传感器的离子浓度数据,以根据所述母传感器的离子浓度数据、所述母传感器的计算的可关联传感器的离子浓度数据以及不可关联传感器的离子浓度数据判断水质类型。
32、本专利技术的有益效果:
33、本专利技术的基于深度学习的煤矿工作面水质在线监测方法通过三种判断模型综合考虑从而能够准确的得到水质类型,此外,通过关联度分析能够在不采集某些元素浓度的情况下,能够根据相关浓度计算得到对应元素浓度,从而减小了数据采集分析的复杂度,提高了测量效率。
34、以下将结合附图及实施例对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的煤矿工作面水质在线监测方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,所述第一判断模型为BP神将网络模型,所述第二判断模型为贝叶斯预测模型,所述第三判断模型为三线图模型。
3.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,还包括:
4.根据权利要求3所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,当判断所述未来预设时刻的水质类型异常时,将该未来预设时刻进行标记并预警。
5.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,获取若干传感器采集到的第一水域的若干种离子浓度数据,还包括:
6.一种基于深度学习的煤矿工作面水质在线监测系统,其特征在于,包括:
7.根据权利要求6所述的基于深度学习的煤矿工作面水质在线监测系统,其特征在于,所述第一判断模型为BP神将网络模型,所述第二判断模型为贝叶斯预测模型,所述第三判断模型为三线图模型。
8.根据权利要求6所述的基于深
9.根据权利要求8所述的基于深度学习的煤矿工作面水质在线监测系统,其特征在于,当判断所述未来预设时刻的水质类型异常时,将该未来预设时刻进行标记并预警。
10.根据权利要求6所述的基于深度学习的煤矿工作面水质在线监测系统,其特征在于,数据采集模块还包括:
...【技术特征摘要】
1.一种基于深度学习的煤矿工作面水质在线监测方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,所述第一判断模型为bp神将网络模型,所述第二判断模型为贝叶斯预测模型,所述第三判断模型为三线图模型。
3.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,还包括:
4.根据权利要求3所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,当判断所述未来预设时刻的水质类型异常时,将该未来预设时刻进行标记并预警。
5.根据权利要求1所述的基于深度学习的煤矿工作面水质在线监测方法,其特征在于,获取若干传感器采集到的第一水域的若干种离子浓度数...
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。