【技术实现步骤摘要】
本专利技术涉及智慧矿山安全监管的，尤其涉及一种用于智慧矿山多自主机群作业装备的异常监测方法及装置。
技术介绍
1、近年来，随着智能化技术的不断发展和应用，智慧矿山领域的自主机群作业装备异常监测成为了研究的热点之一，传统的矿山作业装备监测往往局限于单一传感器数据采集，无法全面有效地捕捉到装备运行中的各种异常情况，为了更好地实现对矿山作业装备的异常监测，需要利用多模态数据采集与处理技术，结合先进的机器学习方法，构建综合的异常检测模型。
2、目前，随着传感器技术和数据处理算法的发展，智能传感器节点已成为实现多模态数据采集的关键技术，通过集成视觉传感器、声音传感器、振动传感器等多种传感器，可以实现对矿山作业装备运行状态的多维度感知，为后续的异常监测提供了丰富的数据来源；然而，单一传感器数据的利用局限于其所感知到的特定信息，难以全面准确地反映装备的真实运行状态。
3、针对传统监测方法的不足，本专利技术提供了一种综合利用多模态数据的异常监测方法，首先，利用数据融合算法将不同传感器采集到的数据整合为统一的数据集，从而提高数据的综合利用率和准确性，其次，通过基于循环神经网络的联合训练和学习，形成综合的异常检测模型，使得模型能够更好地理解多模态数据之间的复杂关联，提高异常检测的准确率和稳定性。
4、然而，传统的机器学习模型在训练过程中往往容易出现过拟合或欠拟合等问题，导致模型的泛化能力不足，为此，本专利技术结合自适应学习率和正则化技术，对异常检测模型的训练过程进行优化，提高了模型的泛化能力和稳定性，使其能够更好
5、此外，本专利技术还利用实时异常数据处理算法，对多模态数据进行动态分析，能够及时地识别并响应装备运行中的异常情况，结合异常数据分类算法，对异常数据进行划分，以区分真实异常和误报异常，从而实现了对监测系统的动态调整和优化，提高了监测系统的性能和稳定性。
6、综上所述，本专利技术提出的智慧矿山多自主机群作业装备的异常监测方法及装置，通过充分利用多模态数据和先进的机器学习算法，能够有效地提高装备异常监测的准确性、实时性和稳定性，为矿山作业的安全和效率提供了有力的保障。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。
3、为解决上述技术问题，本专利技术提供如下技术方案：在智能传感器节点中集成视觉传感器、声音传感器、振动传感器，以进行数据的多模态采集，得到多模态数据；
4、利用数据融合算法，将所述多模态数据融合为统一的数据集；
5、基于循环神经网络对所述多模态数据进行联合训练和学习，形成综合的异常检测模型；
6、结合自适应学习率和正则化技术，优化所述异常检测模型的训练过程，提高所述异常检测模型的泛化能力和稳定性；
7、利用实时异常数据处理算法，对所述多模态数据进行动态分析，识别异常数据；
8、结合异常数据分类算法，对所述异常数据进行划分，以区分真实异常和误报异常，并将得到的分类结果反馈给监测系统，实现动态调整和优化。
9、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，所述多模态数据包括视觉数据、声音数据、振动数据、温度数据、湿度数据、压力数据、电流/电压数据。
10、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，利用所述数据融合算法融合所述多模态数据，是将不同传感器采集到的数据按权重进行线性加权求和，其数学表达公式如下：
11、
12、其中，为融合后的数据，是第i个传感器采集到的数据，是第i个传感器采集到的数据所对应的权重，n表示传感器数量；
13、再对融合后的所述多模态数据进行预处理，所述预处理至少包括去噪处理、归一化处理。
14、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，基于循环神经网络对所述多模态数据进行联合训练和学习，形成综合的异常检测模型，其数学表达公式如下：
15、z
16、
17、
18、ꞁ
19、
20、其中，d为多模态数据集合，z为数据融合后的数据集，x为经过预处理后的多模态数据，y为异常标签，用于表示多模态数据的异常状态，表示模型预测的异常标签，为深度学习模型的参数，为损失函数，用于衡量模型的预测效果，为学习率，用于控制模型参数的更新速度，为正则化项，用于约束模型的复杂度，为正则化参数，用于惩罚模型复杂度，防止过拟合，为最小化损失函数，用于更新模型参数；
21、在模型训练过程中，通过最小化损失函数来更新模型参数，以优化模型的预测效果和泛化能力。
22、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，优化所述异常检测模型的训练过程的数学表达式如下：
23、
24、其中，为最优模型参数，为第n个训练样本的实际标签，为第n个训练样本的特征向量，为深度学习模型，用于预测第n个训练样本的标签，l为训练样本数量，为损失函数的目标函数，用于衡量模型预测值与实际值之间的差异。
25、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，利用实时异常数据处理算法对所述多模态数据进行动态分析，识别异常数据，包括：
26、定义多模态数据集合为d=，其中，是第i个传感器采集到的数据；
27、利用异常检测函数对每个传感器采集的数据进行异常检测并输出异常得分；
28、综合多传感器数据的异常得分为每个传感器异常得分的加权和，其数学表达式如下：
29、
30、其中，表示第i个传感器的权重，即为不同传感器对于异常检测的重要程度，为异常检测函数；
31、通过动态调整权重和异常检测函数的参数，识别异常数据。
32、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测方法的一种优选方案，结合异常数据分类算法，对所述异常数据进行划分，以区分真实异常和误报异常，包括：
33、定义为异常数据集合，其中，表示第j个异常数据；
34、利用分类函数对每个异常数据进行分类；
35、其中，根据所述分类函数输出的二元变量，分别表示异常数据的类别，以判断其是否为真实异常或误报异常；
36、当所述分类函数输出为1时，表示所述异常数据为真实异常；
37、当所述分类函数输出为0时，表示所述异常数据为误报异常。
38、作为本专利技术所述的用于智慧矿山多自主机群作业装备的异常监测装置的一种优选方案，包括：<本文档来自技高网...
【技术保护点】
1.一种用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，包括：
2.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，所述多模态数据包括视觉数据、声音数据、振动数据、温度数据、湿度数据、压力数据、电流/电压数据。
3.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，利用所述数据融合算法融合所述多模态数据，是将不同传感器采集到的数据按权重进行线性加权求和，其数学表达公式如下：
4.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，基于循环神经网络对所述多模态数据进行联合训练和学习，形成综合的异常检测模型，其数学表达公式如下：
5.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，优化所述异常检测模型的训练过程的数学表达式如下：
6.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，利用实时异常数据处理算法对所述多模态数据进行动态分析，识别异常数据，包括：
7.根
8.一种应用于如权利要求1~7中任一所述的用于智慧矿山多自主机群作业装备的异常监测方法的异常监测装置，其特征在于，包括：
...【技术特征摘要】
1.一种用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，包括：
2.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，所述多模态数据包括视觉数据、声音数据、振动数据、温度数据、湿度数据、压力数据、电流/电压数据。
3.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，利用所述数据融合算法融合所述多模态数据，是将不同传感器采集到的数据按权重进行线性加权求和，其数学表达公式如下：
4.根据权利要求1所述的用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，基于循环神经网络对所述多模态数据进行联合训练和学习，形成综合的异常检测模型，其...
【专利技术属性】
技术研发人员：王国臣，李群，王娇，鹿存鸣，
申请(专利权)人：徐州硕博电子科技有限公司，
类型：发明
国别省市：
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。