一种智能爆破顺序控制系统的制作方法

本发明涉及数据分析，尤其涉及一种智能爆破顺序控制系统。

背景技术：

1、数据分析技术是一种用于收集、清理、处理、分析和解释数据的技术和方法，旨在从数据中发现规律、提取信息，并做出相应决策的方法和工具。

2、在爆破工程中，爆破顺序的合理安排对于确保作业的安全、高效和顺利进行至关重要。然而，当前矿山爆破管理系统中，信息化程度不高，导致管理难度大、安全风险高等问题；对于智能爆破顺序控制系统而言，若缺乏有效的信息化手段，将难以对爆破作业进行精确的监控和管理。同时，安全风险评估手段单一，缺乏精细化的风险评估手段，可能导致对爆破作业的安全风险评估不够准确和全面；智能爆破顺序控制系统若不能准确评估安全风险，将难以确保爆破作业的安全进行。为此，本发明提出了一种智能爆破顺序控制系统，提供更好的安全保障。

技术实现思路

1、本发明的目的是为了解决背景技术中的问题，而提出的一种智能爆破顺序控制系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种智能爆破顺序控制系统，包括：爆破信息获取模块、信息化处理模块、关键特征提取模块、安全风险判断模块以及爆破风险管理模块；

4、爆破信息获取模块用于通过传感器网络实时采集爆破作业现场的所有信息，包括地质条件参数、爆破参数以及环境参数；爆破信息获取模块还具备信息传输功能，将采集到的信息实时传输到信息化处理模块；

5、其中，地质条件参数获取方法：利用岩石力学测试设备进行测定获取岩石的抗压强度；对岩石的裂隙进行观测和记录；使用钻孔水位观测方法获取地下水的分布信息；爆破参数获取方法：通过爆破设备上的传感器，实时监测爆破过程中的各种爆破参数；环境参数获取方法：根据气象站观测获取实时的气象数据；使用噪声监测设备对环境噪声进行实时监测；

6、信息化处理模块用于接收爆破信息获取模块传输的信息，并进行预处理，得到第一目标参数、第二目标参数以及第三目标参数；

7、关键特征提取模块用于对预处理后的数据进行进一步处理，将包含第一目标参数、第二目标参数以及第三目标参数的数据序列作为输入信号，应用小波变换提取三个目标参数在时频域上的关键特征；

8、安全风险判断模块用于基于关键特征提取模块提取的关键特征，确定项集；通过计算分析项集支持度和置信度得到关联规则；利用灰色关联分析法进行爆破风险预测，结合关联规则和灰色关联进行分析获取关联度高或低的风险比较序列；

9、爆破风险管理模块用于根据关联度高的风险比较序列获取风险因素，并对风险因素进行发生概率评估和潜在成本量化分析；通过计算总成本预期值，将风险因素进行比较排序。

10、需要说明的是，本发明实施例中一种智能爆破顺序控制系统的应用对象可以为建筑工程的爆破作业监测，可以用于实时监测爆破作业的全过程，具体的可以为通过数据分析技术对爆破作业的信息化程度和安全风险进行全面分析和精准评估，有助于技术人员更准确地了解风险的影响程度和制定有效的风险控制策略，实现爆破作业的智能化、自动化管理，从而提高作业效率和安全性。

11、进一步的，信息化处理模块将获取到的传输信息进行预处理，得到第一目标参数、第二目标参数以及第三目标参数的过程包括：

12、分别整合地质条件参数、爆破参数以及环境参数的数据，进行预处理；

13、利用如下表达式计算得到第一目标参数：

14、，

15、式中，gcr表示第一目标参数；rsi表示岩石抗压强度指数；rmi表示岩石完整性指数，是基于裂隙分布进行估算得出，rmi值越高，代表岩体越完整，裂隙越少；d3表示岩石抗压强度指数的权重系数；r表示索引下标且r=1，2；当r=1时，则g1表示裂隙比例指数，是基于裂隙占岩体体积的比例进行估算得出，g1值越高，代表裂隙越发达，岩体的力学性质越差；g1max表示裂隙比例指数的最大可能值，用于归一化裂隙比例指数；d1表示裂隙比例指数的权重系数；当r=2时，则g2表示地下水分布指数，g2值越高，代表地下水越丰富，对岩体的影响越大；g2max表示地下水分布指数的最大可能值，用于归一化地下水分布指数；d2表示地下水分布指数的权重系数；其中，d1、d2、d3均大于0；

16、依据如下分析公式计算得到第二目标参数：

17、，

18、式中，bpr表示第二目标参数；pp表示预裂参数；表示预裂参数的理想值；ip表示起爆参数；表示安全起爆参数值，即确保爆破作业安全进行的起爆参数阈值；bh表示炮孔参数；分别表示最大允许炮孔参数值和最小允许炮孔参数值，即确保爆破作业能够进行的最高和最低炮孔参数要求；α1、α2、α3分别表示不同参数对应的权重值，且α1、α2、α3均大于0小于1；其中，当预裂参数接近其理想值时，则bpr的值会增加；当起爆参数接近安全阈值时，则bpr的值会减小；当炮孔参数在最小值和最大值之间时，则bpr的值会达到最佳；

19、根据如下公式计算得到第三目标参数：

20、，

21、式中，epr表示第三目标参数；t&h表示环境温湿度；k（t&h）表示控制温湿度影响的陡峭程度的参数；表示最优爆破温湿度；用于描述温湿度对爆破作业的影响，当温湿度接近最优温湿度时，该项的值接近1 ，表示温湿度对爆破环境影响较小，当温湿度远离最优温湿度时，该项的值逐渐减小，表示温湿度对爆破环境影响较大；ws表示风速；表示最大允许风速；γ表示控制风速对爆破环境影响的指数参数；用于描述风速对爆破作业的影响，当风速较低时，该项的值接近1，当风速接近或超过最大风速时，该项的值逐渐减小；nl表示环境噪声水平；表示最大允许噪声水平；表示噪声与最大允许噪声水平之间的差距；

22、经过预处理得到第一目标参数gcr、第二目标参数bpr以及第三目标参数bpr。

23、进一步的，关键特征提取模块应用小波变换提取三个目标参数在时频域上的关键特征的过程包括：

24、在对第一目标参数gcr、第二目标参数bpr以及第三目标参数epr的进一步处理中，使用小波变换公式进行小波变换；其中，小波变换公式如下：

25、，

26、式中，w（a，b）表示小波系数，反映原始信号f（t）在尺度a和时间b位置上的小波变换结果；f（t）表示原始信号，即待分析的时间序列数据，对应gcr、bpr、epr的每一个时间序列，将gcr、bpr、epr的时间序列数据代入f（t）中；表示小波基函数，是小波变换的基础；a表示尺度因子；b表示平移因子；其中，符号表示积分操作，表示积分符号；

27、其中，尺度因子a控制小波基函数的压缩或扩展程度，即决定小波基函数在时间轴上的拉伸；当a较大时，小波基函数会被拉伸，对应较低频率的成分；当a较小时，小波基函数会被压缩，对应较高频率的成分；平移因子b决定小波基函数在时间轴上的平移，即决定小波基函数的起始位置；通过改变平移参数b，可以对不同时间段的信号进行分析；小波基函数是小波变换的基础，通过尺度因子和平移因子进行变换，得到一系列的小波函数族，用于分析原始信号在不同时间和频率尺度上的特征；

28、执行小波变换后得到每个目标参数的小波系数，即，描述了信号在不同尺度和时间位置上的频率成分；

29、对每个目标参数的小波系数进行分析时，在二维的小波系数矩阵中，遍历小波系数矩阵中的每个元素；对于当前元素，检查其周围的系数值；若当前元素的系数值分别大于或等于其周围所有元素的系数值，则该元素是一个局部最大值；设定一个阈值，将小波系数中小于该阈值的值视为不重要的，只关注大于阈值的峰值，以识别在时频域上的关键特征；

30、基于小波系数的分析结果，获取所有显著的峰值；

31、统计所有显著的峰值进行取均值处理，进而提取与每个目标参数相关的关键特征，即第一关键特征f1、第二关键特征f2、第三关键特征f3；

32、举例来说，假设尺度因子a有4个级别（a1，a2，a3，a4），时间因子b有4个点（b1，b2，b3，b4）；

33、对于列出如下二维矩阵：

34、，

35、以上各元素对应的系数值如下：

36、，

37、假设只考虑内部元素，不考虑边界，且设定阈值为5，则局部最大值包括9和8；

38、在该示例中，峰值9和8均大于阈值5，因此被视作显著的峰值；

39、将峰值9和8取均值，处理得到8.5；

40、因此，8.5对应的小波系数为第一目标参数gcr的关键特征；同理可得第二目标参数bpr和第三目标参数epr的关键特征。

41、进一步的，安全风险判断模块基于关键特征提取模块提取的关键特征，确定项集，并通过计算分析项集支持度和置信度得到关联规则的过程包括：

42、获取关键特征提取模块提取的第一关键特征f1、第二关键特征f2以及第三关键特征f3；其中，每个关键特征都有不同的取值范围或类别；

43、基于提取的关键特征，确定项集；其中，每个爆破作业的记录构成一个项集，项集是包含关键特征的数据集合，一个项集包括第一关键特征、第二关键特征以及第三关键特征的具体值，即包含f1、f2以及f3具体值的数据记录；

44、计算支持度和置信度；其中，支持度是包含特定项集的事务比例，置信度是一个项集在另一个项集出现时的条件概率；

45、设置最小支持度和最小置信度，进而筛选关联规则；

46、基于计算分析生成满足条件的关联规则r；

47、举例来说，在关键特征f1中，取值为硬岩或软岩；在关键特征f2中，取值为炮孔深度；在关键特征f3中，取值为低风速、中风速或高风速；

48、假设其中一个项集为{f1：硬岩，f2：高深度，f3：中风速}；

49、若有1000次爆破作业的记录，其中：200次爆破作业的f1是硬岩且f2是高深度，在200次爆破作业记录中，有100次的f3是中风速，则项集{f1：硬岩，f2：高深度，f3：中风速}的支持度为100/1000=0.1；同时，当f1=硬岩且f2=高深度时，f3=中风速的置信度为100/200=0.5；

50、设定最小支持度阈值为0.1，最小置信度阈值为0.5；

51、对项集{f1：硬岩，f2：高深度，f3：中风速}的支持度和置信度进行评估，由于该项集的支持度和置信度都达到设定的阈值，生成一个关联规则，即如果第一关键特征是硬岩且第二关键特征是炮孔高深度，那么有50%可能性的第三关键特征是中风速。

52、进一步的，安全风险判断模块利用灰色关联分析法进行爆破风险预测，结合关联规则和灰色关联进行分析获取关联度高或低的风险比较序列的过程包括：

53、根据生成的关联规则r，将关联规则作为爆破风险预测的辅助条件；

54、划分监测时间点，将风险事故率作为风险参考序列，并标记为；其中，风险参考序列是通过爆破作业的历史风险事故率数据进行分析得出；

55、选择影响风险事故率的关键特征f={f1，f2，f3}作为风险比较序列，并标记为，其中，i表示风险比较序列的编号，且i=1，2，……，n；n为正整数；

56、利用灰色关联分析法进行爆破风险预测：

57、，

58、式中，表示风险参考序列和风险比较序列的关联度；h表示划分的监测时间点的编号；表示风险参考序列在第h个时间点上的取值；表示风险比较序列在第h个时间点上的取值；表示分辨系数，用于调节关联系数的计算精度，并平衡最小差异和最大差异在关联分析中的影响，其中，分辨系数的取值范围为[0，1]，表示对最大差异值的放大系数；表示风险参考序列和风险比较序列在所有时间点上的差值绝对值中的最小值，用于捕捉两个序列在时间点上的最小差异；表示风险参考序列和风险比较序列在所有时间点上的差值绝对值中的最大值，用于捕捉两个序列在时间点上的最大差异；

59、结合关联规则r和灰色关联进行分析得出：若其中一个风险比较序列与风险参考序列关联度越高，则说明该因素对爆破风险的影响较大，此时判断爆破风险较高；若其中一个风险比较序列与风险参考序列关联度越低，则说明该因素对爆破风险的影响较小，此时判断爆破风险较低。

60、进一步的，爆破风险管理模块根据关联度高的风险比较序列获取风险因素，并对风险因素进行发生概率评估和潜在成本量化分析；通过计算总成本预期值，将风险因素进行比较排序的过程包括：

61、剔除关联度低的风险比较序列，根据每个关联度高的风险比较序列对爆破风险的影响程度和紧迫性，进行管理分析；

62、将每个关联度高的风险比较序列进行编号，并标记为风险因素；

63、针对每个筛选出的风险因素进行发生概率评估；其中，通过历史数据、或模拟分析等方法进行，概率以百分比或小数形式表示，范围从0（不会发生）到1（一定会发生）；

64、基于每个的风险因素导致的潜在成本进行量化分析：明确潜在成本类型，在爆破风险管理中，潜在成本包括直接成本和间接成本；其中，直接成本包括设备损坏费用、人员伤亡赔偿等，间接成本包括工期延误、租赁费用等；

65、计算风险因素的总成本预期值，将每个风险因素的总成本预期值作为量化评估输出结果；其中，总成本预期值ec是风险因素发生的概率与潜在成本的乘积，表示风险因素可能带来的平均成本；具体计算公式为：ec=风险因素发生的概率×潜在成本；

66、举例来说，假设有以下两个与爆破项目相关的风险因素：

67、风险因素1：设备损坏，其发生概率为0.1（10%），潜在成本为100万元；

68、风险因素2：工期延误，其发生概率为0.05（5%），潜在成本为200万元；

69、则上述两个风险因素的总成本预期值分别为：

70、风险因素1的ec=0.1×100=10万元；

71、风险因素2的ec=0.05×200=10万元；

72、基于计算结果，将不同的风险因素进行比较排序，将成本预期值越高的风险因素给予优先关注和针对性地处理操作。

73、与现有的技术相比，本发明提供了一种智能爆破顺序控制系统及方法的优点在于：

74、1、本发明通过传感器网络实时采集爆破作业现场的所有信息，为后续的信息化处理提供了全面的数据基础；通过预处理得到的第一、第二、第三目标参数具有较高的准确性，为后续的关键特征提取提供了可靠的数据基础；

75、2、本发明通过小波变换提取的关键特征具有较高的准确性和代表性，为后续的安全风险判断提供了可靠的基础；通过计算分析项集支持度和置信度得到关联规则，能够精确地反映风险因素之间的关系；

76、3、本发明通过利用灰色关联分析法进行爆破风险预测，具有较高的预测精度和可靠性，通过对风险因素进行发生概率评估和潜在本量化分析，使风险管理更加科学、合理。

77、综上所述，本发明可以根据实际情况，针对关联度高的风险比较序列获取风险因素，并对其进行深入的分析和评估，通过实时数据采集、高效信息处理、关键特征提取、精确风险判断和量化风险管理的功能，实现了对爆破作业全过程的信息化、智能化管理，提高了作业的安全性和效率，确保后续一种智能爆破顺序控制系统的高效稳定运行。