【技术实现步骤摘要】
本专利技术涉及监测装置的，尤其是一种煤矿井下co传感器预警诊断方法及装置。
技术介绍
1、当前矿井的大型设备及耗材通常使用燃油车运载，然而燃油车在封闭的巷道内会产生大量的一氧化碳，通过挂载co传感器的巷道时，co传感器会出现报警。现只能人为在上位机手动标记进行提前备案，无法预警，且上位机无法智能诊断因燃油车通过导致一氧化碳报警。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。
2、为此，本专利技术提出一种煤矿井下co传感器预警诊断方法及装置，通过在co传感器旁安装煤矿井下co传感器预警诊断装置，可实现燃油车经过co传感器的各状态识别，从而提前预警，并对一氧化碳报警进行诊断。
3、根据本专利技术实施例的煤矿井下co传感器预警诊断方法，包括以下步骤：
4、第1步骤、数据采集：利用声音传感器、加速度传感器、光电传感器、no传感器、no2传感器分别对声音特征、加速度特征、光照强度、一氧化氮、二氧化氮进行检测，声音传感器、加速度传感器、光电传感器、no传感器以及no2传感器的数据采集频率为f；
5、第2步骤、获取特征输入向量：选取时间切片窗口t；首先，对声音传感器与加速度传感器进行fft快速傅里叶变化运算，得到声音与加速度的频域特征，选取幅值最大的频率值[xk1,xk2]作为特征标签；其中，xk1表示声音信号快速傅里叶变换后最大幅值对应的频率值；xk2表示加速度信号快速傅里叶变换后最大幅值对应的频率值；其次，时间切片窗口
6、第3步骤、设计反向传播神经网络的拓扑结构：所述拓扑结构包括网络层数与各层的节点数目，其中，所述网络层数包括一个输入层、一个隐藏层和一个输出层；所述输入层的节点数m＝8，特征向量为[xk1，xk2，xk3，xk4，xk5，xk6，xk7，xk8]，所述输出层的节点数n＝3，输出层向量利用[0，1，2]表示，其中，0为未检测到燃油车；1为检测到燃油车接近，作为预警标记使用；2为检测到燃油车经过，作为一氧化碳报警诊断使用；
7、第4步骤、创建神经网络模型；
8、第5步骤、训练神经网络模型。
9、根据本专利技术实施例的煤矿井下co传感器预警诊断装置，所述装置具有外壳、航插模块以及检测模块，所述航插模块和检测模块均集成在所述外壳上；所述检测模块包括声音传感器、加速度传感器、光电传感器、no传感器以及no2传感器；所述航插模块用于实时将所述检测模块采集的数据上传至上位机，并获取到co传感器数据；所述声音传感器用于对声音特征进行检测，所述声音特征包括轰鸣声的响度与频率；所述加速度传感器用于对加速度特征进行检测，所述加速度特征包括振动幅度与频率；所述光电传感器用于对光照强度进行监测；所述no传感器用于对一氧化氮浓度进行检测；所述no2传感器用于对二氧化氮浓度进行检测。
10、本专利技术的有益效果是，本专利技术的煤矿井下co传感器预警诊断方法及装置，可智能诊断煤矿井下是否有燃油车通过，从而对co传感器进行提前预警，并实现一氧化碳的报警诊断；根据煤矿井下燃油车行进特点选取特征检测参数，并进行数据融合，使用反向传播神经网络算法进行识别，大大提高了识别的可靠性；不仅可应用于煤矿井下燃油车通过导致一氧化碳报警的典型场景，还可应用于煤矿井下放炮导致一氧化碳报警的场景。
11、根据本专利技术一个实施例，在第3步骤中，所述隐藏层的节点数为l，经验公式为：
12、
13、其中，公式(1)中的符号所表示的含义是：
14、m表示输入层的节点数；
15、n表示输出层的节点数；
16、l表示隐藏层的节点数，l＝6。
17、根据本专利技术一个实施例，在第3步骤中，特征向量[xk1，xk2，xk3，xk4，xk5，xk6，xk7，xk8]对应的权重向量为w＝[w1，w2，w3 ... wl]，权重的初始值使用xavier初始化，所述隐含层的激活函数使用sigmod函数，所述输出层的激活函数使用softmax函数。
18、根据本专利技术一个实施例，在第4步骤中，选用均方误差函数作为损失函数，计算公式如下：
19、
20、其中，公式(2)中的符号所表示的含义是：
21、mse表示均方误差；
22、n表示输出层的节点数；
23、p表示训练样本集的总体数目；
24、表示期望输出值；
25、ypj表示实际输出值；
26、j表示输出单元的索引号。
27、根据本专利技术一个实施例，在第5步骤中，训练神经网络模型，具体流程是：
28、第①步骤、给定输入特征量和期望输出，初始化权值；
29、第②步骤、输入训练样本集；
30、第③步骤、计算隐藏层与输出层单元输出；
31、第④步骤、计算期望值与实际输出的偏差；
32、第⑤步骤、判断偏差是否满足要求：
33、当判断偏差满足要求时，则继续判断总误差是否满足要求，若总误差满足要求，则结束神经网络模型训练流程；若总误差不满足要求，则进行网络参数优化，并回到第②步骤；
34、当判断偏差不满足要求时，则进行网络参数优化，并回到第②步骤。
35、根据本专利技术一个实施例，确定数据采集频率f与时间切片窗口t后，设置定时器第一定时时间1/f和定时器第二定时时间t。
36、根据本专利技术一个实施例，当判断定时器第一定时时间1/f到达时，各传感器进行数据信号采集。
37、根据本专利技术一个实施例，当判断定时器第二定时时间t到达时，获取各传感器的数据序列[x1，x2，x3，x4，x5，x6，x7，x8，...，xft]，而后进行数据滤波。
38、根据本专利技术一个实施例，所述装置还具有数码管模块，所述数码管模块用于实现检测参数的显示。
39、本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
40、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种煤矿井下CO传感器预警诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的煤矿井下CO传感器预警诊断方法，其特征在于：在第3步骤中，所述隐藏层的节点数为l，经验公式为：
3.如权利要求2所述的煤矿井下CO传感器预警诊断方法，其特征在于：在第3步骤中，特征向量[Xk1,Xk2,Xk3,Xk4,Xk5,Xk6,Xk7,Xk8]对应的权重向量为w＝[w1,w2,w3…wl]，权重的初始值使用Xavier初始化，所述隐含层的激活函数使用sigmod函数，所述输出层的激活函数使用softmax函数。
4.如权利要求1所述的煤矿井下CO传感器预警诊断方法，其特征在于：在第4步骤中，选用均方误差函数作为损失函数，计算公式如下：
5.如权利要求1所述的煤矿井下CO传感器预警诊断方法，其特征在于：在第5步骤中，训练神经网络模型，具体流程是：
6.如权利要求1所述的煤矿井下CO传感器预警诊断方法，其特征在于：确定数据采集频率f与时间切片窗口t后，设置定时器第一定时时间1/f和定时器第二定时时间t。
7.如权利要求
8.如权利要求1所述的煤矿井下CO传感器预警诊断方法，其特征在于：当判断定时器第二定时时间t到达时，获取各传感器的数据序列[X1,X2,X3,X4,X5,X6,X7,X8，...，Xft[，而后进行数据滤波。
9.一种实现如权利要求1所述的煤矿井下CO传感器预警诊断方法的煤矿井下CO传感器预警诊断装置，其特征在于：所述装置具有外壳(1)、航插模块(2)以及检测模块，所述航插模块(2)和检测模块均集成在所述外壳(1)上；所述检测模块包括声音传感器(4)、加速度传感器(5)、光电传感器(6)、NO传感器(7)以及NO2传感器(8)；
10.如权利要求9所述的煤矿井下CO传感器预警诊断装置，其特征在于：所述装置还具有数码管模块(3)，所述数码管模块(3)用于实现检测参数的显示。
...【技术特征摘要】
1.一种煤矿井下co传感器预警诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的煤矿井下co传感器预警诊断方法，其特征在于：在第3步骤中，所述隐藏层的节点数为l，经验公式为：
3.如权利要求2所述的煤矿井下co传感器预警诊断方法，其特征在于：在第3步骤中，特征向量[xk1,xk2,xk3,xk4,xk5,xk6,xk7,xk8]对应的权重向量为w＝[w1,w2,w3…wl]，权重的初始值使用xavier初始化，所述隐含层的激活函数使用sigmod函数，所述输出层的激活函数使用softmax函数。
4.如权利要求1所述的煤矿井下co传感器预警诊断方法，其特征在于：在第4步骤中，选用均方误差函数作为损失函数，计算公式如下：
5.如权利要求1所述的煤矿井下co传感器预警诊断方法，其特征在于：在第5步骤中，训练神经网络模型，具体流程是：
6.如权利要求1所述的煤矿井下co传感器预警诊断方法，其特征在于：确定数据采集频率f与时间切片窗口t后，...
【专利技术属性】
技术研发人员：吴文辉，郝叶军，王璐，纪亚强，席宇轩，顾仁勇，高文平，吴浩然，刘鹏，王尚然，
申请(专利权)人：天地常州自动化股份有限公司，
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。