基于卷积神经网络的煤矿架空乘人装置安全预警系统的制作方法

本发明涉及煤矿安全，特别涉及基于卷积神经网络的煤矿架空乘人装置安全预警系统。

背景技术：

1、在现代煤矿生产中，架空乘人装置是一种重要的设备，用于提升和运输工人在煤矿井下的工作效率。然而，由于煤矿环境的复杂性和工作条件的危险性，架空乘人装置的安全性问题一直备受关注。各种意外事件，如电路故障、设备损坏或操作错误，都可能导致装置的异常运行，从而引发事故甚至伤亡。因此，煤矿架空乘人装置的安全预警系统成为了保障矿工生命安全和提高生产效率的重要手段之一。

2、目前，针对煤矿架空乘人装置的安全预警系统已经有一些研究和应用。其中，传统的安全预警系统主要基于传感器数据的实时监测和阈值设定来判断装置的运行状态。这些系统通过监测电流、电压、速度等参数来识别装置的异常运行，一旦检测到异常情况，就会触发警报或停机机制，以减少事故发生的可能性。然而，传统的安全预警系统存在一些问题。首先，它们往往只能检测到已知的异常情况，对于未知的或隐性的故障很难进行有效监测和预警。其次，这些系统通常基于静态的阈值设定，对于不同工况下的装置运行状态难以适应，容易出现误报或漏报的情况。此外，传统系统往往只能提供简单的报警信息，缺乏对异常情况的深度分析和预测能力，难以及时采取有效的措施来应对潜在的安全风险。

技术实现思路

1、本发明的目的是提供基于卷积神经网络的煤矿架空乘人装置安全预警系统，实现了对煤矿架空乘人装置运行状态的精准监测和异常预警，具有识别准确、适应性强、深度分析能力强等有益效果，为煤矿安全生产提供了可靠的技术支持和保障。

2、为解决上述技术问题，本发明提供基于卷积神经网络的煤矿架空乘人装置安全预警系统，所述系统包括：传感器部和预警分析部；所述传感器部，包括多个传感器，用于获取一个时间周期内的煤矿架空乘人装置的提升设备和安全装置的运行数据；所属预警分析部，用于在时间周期内，从第二个时间步开始，将每个时间步作为当前时间步，循环执行以下过程，直到时间周期内的倒数第二个时间步为止：基于传感器部获取到的运行数据，构建煤矿架空乘人装置的状态转移模型；状态转移模型的状态向量中每个元素表示架空乘人装置在一个时间的一个运行状态，对应一个运行数据；利用改进的卡尔曼滤波器对传感器部的观测进行融合，得到状态的后验估计和误差协方差；所述传感器部的观测表示当前时刻的运行数据；进行预测，得到状态的先验估计和先验误差协方差，作为预测状态；利用改进的卡尔曼滤波器对预测状态进行观测更新，得到预测状态的后验估计和误差协方差；更新当前状态为预测状态的后验估计，作为状态预测；计算状态预测与下一时刻的传感器部的观测之间的残差；所述卷积神经网络控制部，用于将时间周期内所有的残差作为向量元素，按照时间先后顺序，构建输入向量，将输入向量输入到预先建立的卷积神经网络中，判断是否出现异常，若是，则控制紧急制动装置，紧急停止煤矿架空乘人装置的运行。

3、进一步的，所述传感器部包括：电机传感器组和安全装置传感器组；所述电机传感器组至少包括：电流传感器、电压传感器、温度传感器和转矩传感器，分别用于煤矿架空乘人装置的提升设备的电机的电流、电压、温度和转矩；所述安全装置传感器组至少包括：速度传感器和压力传感器，分别用于获取煤矿架空乘人装置的提升设备的速度和负重。

4、进一步的，定义状态向量为；得到状态转移模型的状态转移方程为：

5、；

6、其中为状态转移函数，为控制向量，为状态转移过程中的噪声；为时间步长。

7、进一步的，状态转移函数使用如下公式进行表示：

8、；

9、其中，表示，逐元素的tanh函数；和是分别是状态转移矩阵和控制输入矩阵。

10、进一步的，通过如下公式，使用改进的卡尔曼滤波器对传感器数据进行融合，得到状态的后验估计和误差协方差：

11、；

12、；

13、；

14、；

15、其中，表示状态向量的维度，即状态向量的元素个数；表示改进的卡尔曼滤波器的sigma点的数量，等于；表示时间步长为时的状态的sigma点集合的先验估计；表示时间步长为时的状态的sigma点集合；表示时间步长为时的权重系数，用于计算状态的均值；：表示时间步长为时的状态的sigma点集合的后验估计；：表示时间步长为时的状态的sigma点集合中第个sigma点；表示观测函数，将状态转换为观测；表示观测噪声的sigma点集合的权重系数，用于计算观测的均值；表示时间步长为时的状态的后验估计；表示时间步长为时的权重系数，用于计算状态的均值；表示时间步长为时的状态的误差协方差矩阵；表示时间步长为时的权重系数，用于计算状态的协方差；表示状态转移过程中的噪声协方差矩阵；为转置运算；为下标索引。

16、进一步的，通过如下公式，进行预测，得到状态的先验估计和误差协方差：

17、；

18、。

19、进一步的，通过如下公式，利用改进的卡尔曼滤波器对预测状态进行观测更新，得到预测状态的后验估计和误差协方差：

20、；

21、；

22、；

23、；

24、其中，表示时间步长为时的观测的sigma点集合的先验估计，即通过状态预测得到的下一个时间步长的观测的先验估计；表示时间步长为时的观测的sigma点集合；表示时间步长为时的观测的权重系数，用于计算观测的均值；表示观测噪声的sigma点集合的权重系数，用于计算观测的均值；表示时间步长为时的状态的后验估计；表示观测噪声协方差矩阵。

25、进一步的，通过如下公式，计算状态预测与下一时刻的传感器部的观测之间的残差：

26、；

27、其中，下一时刻的传感器部的观测；为观测矩阵。

28、进一步的，传感器部在获取到运行数据后，还将对运行数据进行数据标准化处理。

29、进一步的，所述卷积神经网络使用预先收集到的多个历史样本作为训练数据，将训练数据分为训练集和验证集；所述历史样本中包括样本和样本标签；每个样本为历史残差构成的向量；每个标签为对应样本的异常概率；所述卷积神经网络的输入层与历史残差构成的向量的长度相匹配，输出层则是一个概率值，表示异常的可能性；使用训练集训练卷积神经网络；使用验证集验证模型的准确率。

30、本发明的基于卷积神经网络的煤矿架空乘人装置安全预警系统，具有以下有益效果：

31、改进的卡尔曼滤波器发挥了重要作用：

32、首先，传感器部获取的运行数据经过改进的卡尔曼滤波器进行融合处理，得到状态的后验估计和误差协方差。卡尔曼滤波器是一种递归滤波器，能够根据系统的动态模型和传感器的观测值，对系统的状态进行估计，具有较好的滤波效果和鲁棒性。通过利用改进的卡尔曼滤波器对传感器数据进行融合处理，能够有效地降低传感器数据的噪声，提高数据的可靠性和准确性，为后续的状态预测和异常检测提供可靠的基础。

33、其次，改进的卡尔曼滤波器对预测状态进行观测更新，得到预测状态的后验估计和误差协方差。在状态预测阶段，卡尔曼滤波器利用系统的状态转移模型和控制向量，对下一时刻的状态进行预测，并根据传感器的观测值对预测状态进行修正，得到更准确的状态估计。通过这种观测更新的方式，改进的卡尔曼滤波器能够及时地纠正预测值中的误差，提高了状态估计的精度和稳定性，为系统的异常检测和预警提供了可靠的依据。

34、除了改进的卡尔曼滤波器，本发明还利用了卷积神经网络对残差数据进行分析，实现对装置运行状态的深度分析和预测。卷积神经网络作为一种强大的模式识别工具，能够从大量的数据中学习到装置的运行规律和异常特征，实现对异常情况的准确识别和预警。

35、通过结合改进的卡尔曼滤波器和卷积神经网络，本发明能够充分发挥两者的优势，实现对装置运行状态的准确识别和及时预警，提高了煤矿架空乘人装置的安全性和稳定性。