一种基于边缘计算的矿区灾害预警方法及系统

本发明属于矿区预警领域，尤其涉及一种基于边缘计算的矿区灾害预警方法及系统。

背景技术：

1、矿山生产工作具有持续时间长、涉及范围广、工作方式复杂等特征，这使得监测数据具有三大明显特征，即时空离散性、类型多元性和采集动态性。

2、金属矿山开采深度矿山地质灾害产生的主要原因是开采工作的进行破坏了岩体原有平衡体系，从而使得某些位置产生了应力集中，进而造成了岩体大规模破坏，具体表现为滑坡、顶板等动力学灾害。矿区灾害预警一直是矿区安全生产工作的重中之重。现有的矿区灾害预警系统多采用集中计算模式，需要将大量数据集中传输至云端进行处理，这不仅会占用大量网络带宽，而且在网络不稳定的情况下容易造成数据传输延迟，降低预警系统的准确度和响应速度。因此，基于边缘计算技术的矿区灾害预警云平台开发与设计显得尤为重要。

技术实现思路

1、发明目的：本发明的目的在于提供一种基于边缘计算的矿区灾害预警方法及系统。通过在矿区布置多个传感器节点，构建无线传感网络，对矿区的地质情况进行实时监测并收集相关数据，利用边缘计算对数据进行初步处理后，上传到系统平台，利用相关数学模型对数据进行汇总处理并绘制图像，与发生顶板灾害时的图像比对后决定是否发出预警信息。以边缘计算、云平台等技术在矿山上的应用为主线，辅以无线传感等技术，来完成保障矿山安全、持续、高效生产的最终目的。

2、技术方案：本发明的一种基于边缘计算的矿区灾害预警方法，包括如下步骤：

3、步骤1、在目标矿区中通过对设备和网络资源进行调查和评估，确定可作为边缘计算节点的设备和服务器，并将其配置为边缘计算节点；

4、步骤2、在边缘计算节点上部署数据采集模块，采集目标矿区无线传感器的数据，数据包括实时的波动速度，振动频率，振动幅度以及经过ad转换所得的电信号；

5、步骤3、对采集的数据进行平稳性检验和白噪声检验，得到处理后的数据，在边缘计算节点上部署模型训练模块，处理后的数据，利用机器学习算法，建立预警模型，并对模型进行训练，将训练好的模型进行部署；

6、步骤4、在边缘计算节点上部署预警模型，将预处理后的数据输入到训练好的模型中，进行预测和分析，并根据分析结果生成预警信息；

7、步骤5、在云端服务器上部署云平台，该云平台将接收来自各个边缘计算节点的预警信息，并将其整合处理后提供给用户查询、分析和管理；

8、步骤6、实时监测矿区各个区域的状态变化，对可能引发矿区灾害的因素进行监测和分析，及时更新预警模型；

9、步骤7、对已发生的矿区灾害进行事后分析和评估。

10、进一步的，步骤3具体包括如下步骤：

11、步骤3.1、由于矿区内的波动速度，振动频率，振动幅度以及经过ad转换所得的电信号均为时间序列数据，采用增广迪基-富勒adf检验用于判断时间序列数据中是否存在单位根，如果p-value值小于某个临界值的百分位，则序列的平稳性比较显著；用处理好的时间序列数据绘制时序图之后，观察后假设存在单位根，即时间序列不平稳，在python中使用statsmodels库中的adfuller函数进行adf检验，并将结果与adf检验数值表对比；

12、步骤3.2、通过比较看出p-value值在1％～5％的临界百分值之间，即显著水平在5％，则拒绝原假设；若小于5％的显著水平表明数据可能没有明显的趋势或单位根，因此被认为是平稳；若超过5％则发出预警；

13、步骤3.3、使用box-pierce统计量和ljung-box统计量进行序列的随机性检验，小于标准值a＝0.05，即通过检验，数据表现出较高的随机性，没有明显的结构性变化或异方差性；

14、步骤3.4、在完成检验后，由于自相关图acf和偏自相关图pacf均显示为拖尾，则结合自相关图acf中最显著的阶数作为q值，选择偏自相关图pacf中最显著的阶数作为p值，最终建立如下所示的arima(p，d，q)模型：

15、xt＝c+φ·xt-1+φ2xt-2+…+φpxt-p+εt-ψ1εt-1-ψ2εt-2-…-ψqεt-q

16、其中，xt是时间序列在时间点t的观测值，c表示截距项，p是自回归ar项的阶数，表示了模型中考虑的前p个时间点的观测值的影响，φ1，φ2，...，φp是自回归系数，表示每个时间点的权重，d是差分的阶数，q是移动平均ma项的阶数，表示了模型中考虑的前q个时间点的白噪声误差项的影响，ψ1，ψ2，...，ψq是移动平均系数，表示每个白噪声误差项的权重，εt表示在时间点t的白噪声误差项，通常假定为均值为零、方差为常数的独立同分布随即变量。

17、进一步的，步骤4具体为：在边缘计算节点上部署预警模型，将预处理后的数据输入到训练好的模型中，在确定完模型参数之后，就可以使用statsmodels库中的arima类来拟合arima模型进行预测和分析，并根据分析结果生成预警信息。

18、本发明还是公开一种基于边缘计算的矿区灾害预警云平台包括以动圈式传感器为主的探测设备，物联网物理设备，执行器，网络边缘器件和负责数据汇总、存储、聚合、分析和转换为决策信息的云平台。地面上设置一上位机及供电系统，对地面上的计算机和空区内测量装置进行供电；

19、所述成像系统的上位机可以获取多个传感器信息，并可对测量装置进行控制，信息获取包括数据采集装置的波动速度，振动频率，振动幅度以及经过ad转换所得的电信号；

20、所述数据采集装置为分布在矿区的动圈式检波器所构成的无线传感器网络；

21、所述数据采集装置的wifi无线传输模块对所述数据采集装置的信息进行传输，信息包括动圈式检波器测量的波动速度，振动频率，振动幅度以及经过ad转换所得的电信号。

22、所述数据采集装置的云平台对数据采集装置的信息进行存储，存储信息包括动圈式检波器测量的波动速度，振动频率，振动幅度以及经过ad转换所得的电信号。

23、有益效果：与现有技术相比，本发明具有如下显著优点：

24、1.创新了微动探测中“即时成像”机制，搭建了基于边缘计算中最小化服务延迟的任务处理模型，构建了边缘计算中即时波动速度结构成像的负载预测算法，提出了即时波动速度结构成像设计方法，突破了有效地下信息获取滞后于采集过程等技术瓶颈，解决了微动探测过程周期长、勘探效率低的问题。

25、2.创新了监测信息可视化查询模块，利用上位机来实时呈现矿山采集的数据以及根据数据所呈现的二维图像并及时向用户发出预警信息，使得用户既可以查询监测信息，以便更准确地判断预警信息的可靠性，也可以在后台查看和导出相关数据，为灾害的防治及传感器的布设提供一定的参考。

技术特征：

1.一种基于边缘计算的矿区灾害预警方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于边缘计算的矿区灾害预警方法，其特征在于，步骤3具体包括如下步骤：

3.根据权利要求1所述的一种基于边缘计算的矿区灾害预警方法，其特征在于，步骤4具体为：在边缘计算节点上部署预警模型，将预处理后的数据输入到训练好的模型中，在确定完模型参数之后，使用statsmodels库中的arima类来拟合arima模型进行预测和分析，并根据分析结果生成预警信息。

4.根据权利要求1所述的一种基于边缘计算的矿区灾害预警方法，其特征在于，步骤5中，所述预警信息包括矿区灾害类型、预测发生时间、发生地点和影响范围。

5.一种用于实现权利要求1所述方法的矿区灾害预警系统，其特征在于，包括成像系统的上位机、数据采集装置、wifi无线传输模块和云平台；

6.一种通信装置，其特征在于，包括处理器以及存储器，其中，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，以实现如权利要求1所述的方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1所述的方法。

技术总结本发明公开了一种基于边缘计算的矿区灾害预警方法及系统，方法包括：1、收集矿区的无线传感器网络数据；2、对所收集到的数据进行实时分析和处理；3、根据所得到的信息，建立预警模型，通过机器学习等技术，对矿区灾害进行预测和评估；4、在预警模型确定矿区灾害可能发生时，自动触发预警机制，通过云平台向相关人员发送预警信息；5、实时监测矿区各个区域的状态变化并更新预警模型；6、对已发生的矿区灾害进行事后分析和评估，提高预警模型的准确性和可靠性。本发明以边缘计算、云平台等技术在矿山上的应用为主线，辅以无线传感等技术，来完成保障矿山安全、持续、高效生产的最终目的。技术研发人员：黄喧林,田入运,蔡恺仁,鹿存浩受保护的技术使用者：南京信息工程大学技术研发日：技术公布日：2024/5/27