本發明涉及工業自動化領域，具體為一種基于煤機設備的智能化工作面遠程監控方法及系統。

背景技術：

1、隨著煤礦工業的快速發展，煤機設備在現代化采煤作業中的應用日益廣泛，其運行穩定性和安全性對煤礦生產至關重要。傳統的煤機設備監控方法主要依賴現場人工檢查和單一傳感器數據監測。這種方式不僅效率低下，而且難以實時捕捉復雜作業環境中出現的設備異常。此外，隨著煤礦開采深度和規模的增加，工作面環境的多樣性和惡劣性對設備監控提出了更高的要求。近年來，隨著工業物聯網(iiot)和人工智能(ai)的發展，遠程監控和智能化診斷技術逐漸成為煤機設備監控領域的重要研究方向。基于傳感器網絡的數據采集、分析和處理方法正在成為實現設備狀態評估與故障預測的核心技術。

2、盡管現有的智能監控系統在一定程度上實現了數據采集和分析，但仍存在明顯不足。首先，現有系統往往僅基于單一數據源或簡單算法，無法全面反映設備運行狀態與環境交互的復雜性。其次，在數據處理方面，現有技術主要依賴簡單的規則或淺層機器學習模型，難以處理多維度、高復雜度的數據特征，導致風險評估精度不足。此外，由于缺乏動態應對機制，現有監控系統對異常情況的響應多為靜態預設，難以實現對不同風險等級的精準、靈活處置。這些問題限制了煤機設備監控技術在復雜工作面環境中的進一步應用與推廣。

技術實現思路

1、鑒于上述存在的問題，提出了本發明。

2、因此，本發明解決的技術問題是：現有系統通常依賴靜態規則進行響應，難以根據風險等級的動態變化調整策略。本發明通過基于風險系數的分級響應機制，實現了對不同風險情況的精準處置，提高了系統的安全性和適應性。

3、為解決上述技術問題，本發明提供如下技術方案：一種基于煤機設備的智能化工作面遠程監控方法，包括：采集煤機設備運行數據和環境數據，進行預處理。

4、根據多層次混合集成深度神經網絡算法分析預處理后的數據，得到當前風險系數。

5、對不同風險情況采取不同措施，完成一次監控。

6、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述采集煤機設備運行數據和環境數據包括，通過傳感器采集數據，煤機設備運行數據包括轉速、扭矩、溫度、振動、電流和電壓。

7、環境數據包括空氣溫度、濕度、氣體濃度、氣壓和照度。

8、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述預處理包括數據清洗、數據插補、歸一化和特征提取。

9、數據清洗包括噪聲去除和異常值檢測與剔除，噪聲去除采用濾波算法去除數據中的隨機噪聲，異常值檢測與剔除利用統計方法監測并剔除異常數據點。

10、對于因傳感器故障或通信中斷導致的缺失數據，采用插值方法進行補全。

11、歸一化使用最小最大歸一化法，將原始數據映射到0～1區間內，表示為：

12、

13、其中，xnorm表示歸一化后的數據值，x表示原始數據值，xmin表示該數據指標的最小值，xmax表示該數據指標的最大值。

14、對預處理后的數據進行特征提取，提取出能夠代表設備運行狀態和環境變化的關鍵特征，包括時域特征、頻域特征和統計特征。

15、時域特征計算方差和均值。

16、頻域特征通過快速傅里葉變換提取信號的頻譜特征，表示為：

17、

18、其中，x(k0表示第k個頻率成分的復數頻譜值，k表示頻率索引，取值范圍為0到n-1。n表示信號的總采樣點數，x(n0表示第n個時間點的信號值，e-j2πkn/n表示復指數基函數，用于將時域信號轉換到頻域。j表示虛數單位。

19、統計特征為各個數據的最大值、最小值、峰值。

20、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述根據多層次混合集成深度神經網絡算法分析預處理后的數據，得到當前風險系數包括，多層次混合集成深度神經網絡算法包括輸入層、卷積層、遞歸層、注意力機制層和輸出層。

21、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述多層次混合集成深度神經網絡算法包括，將預處理后的特征向量f＝[f1,f2,…,fn]輸入至多層次混合集成深度神經網絡的輸入層，其中fi表示第i個特征。

22、卷積層應用三維卷積操作以提取時空特征：

23、

24、其中，c1表示第一隱藏層的輸出特征圖，σ表示激活函數，選用relu函數。a、b、c表示卷積核在三個維度上的大小。w1(a,b,c0表示卷積核權重，分別對應三個維度的索引。f(a+b,b+c,c)表示輸入特征在卷積操作中的局部區域值。

25、遞歸層采用lstm單元處理卷積層輸出，捕捉時間序列中的長期依賴關系，表示為：

26、ht＝tanh(wf·c1,t+uf·ht-1+bf)⊙σ(wi·c1,t+ui·ht-1+bi)

27、其中，ht表示第二隱藏層在時間點t的隱藏狀態，tanh表示雙曲正切激活函數，wf、wi表示當前輸入c1,t的權重矩陣。uf、ui表示前一隱藏狀態ht-1的權重矩陣。bf、bi表示偏置向量。⊙表示逐元素相乘操作。σ表示sigmoid激活函數，用于門控機制。

28、注意力機制層賦予不同特征不同權重，表示為：

29、

30、其中，at表示注意力權重向量在時間點t的值，exp表示指數函數，用于計算權重的歸一化。k表示注意力頭的數量，αk表示第k個注意力頭的權重系數，表示第二隱藏層輸出的第k個特征。

31、將注意力機制層的輸出通過全連接層并應用softmax函數，得到最終的風險系數：

32、

33、其中，r表示最終計算得到的風險系數，z表示歸一化因子，保證風險系數的值域在0到1之間。t表示時間步長的總數，at表示注意力權重在時間點t的值，j表示全連接層中神經元的數量，βj表示全連接層的權重系數，φj(·表示激活函數，選用softplus函數。

34、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述得到當前風險系數包括，風險系數r的值域為[0,1]。

35、當0≤r<0.3時，為低風險。

36、當0.3≤r<0.5時，為中低風險。

37、當0.5≤r<0.7時，為中高風險。

38、當0.7≤r≤1時，為高風險。

39、作為本發明所述的基于煤機設備的智能化工作面遠程監控方法的一種優選方案，其中：所述對不同風險情況采取不同措施，完成一次監控包括，在低風險情況下，系統應執行的操作包括，繼續實時監控設備運行數據和環境數據，確保風險系數維持在低水平。將當前數據和風險系數記錄到數據庫中，供后續分析和趨勢預測使用。生成定期運行報告，反饋設備運行狀況和潛在的優化建議。

40、在中低風險情況下，系統應執行的操作包括，通過短信、郵件或移動應用向維護人員和管理人員發送預警通知，提示當前存在潛在風險。建議進行設備的例行檢查和維護，確保設備各部件處于良好狀態，預防故障發生。根據具體風險因素，適當調整設備的運行參數，如降低轉速或扭矩，以減少潛在風險。

41、在中高風險情況下，系統應執行的操作包括，通過多種通信渠道向所有相關人員發出緊急預警，確保信息迅速傳達。啟動自動調節機制，實時調整設備運行參數至安全范圍，如自動減載或減速，防止設備過載或過熱。安排技術人員立即到現場進行詳細檢查，排查潛在故障隱患，必要時暫停設備運行進行維護。

42、在高風險情況下，系統應執行的操作包括，自動啟動設備的緊急停機程序，立即停止設備運行，防止進一步惡化風險。通過聲光報警系統、移動設備推送等方式，向所有相關人員發出緊急報警信號，啟動應急響應程序。啟動安全隔離系統，切斷設備與電源或其他關鍵系統的連接，確保設備完全停止運作。詳細記錄此次高風險事件的所有相關數據，供事后分析和原因查找，以防類似事件再次發生。啟動預定的應急響應計劃，調動應急隊伍進行現場處理，確保人員和設備的安全。

43、一種基于煤機設備的智能化工作面遠程監控系統，其特征在于：包括，

44、預處理模塊，采集煤機設備運行數據和環境數據，進行預處理。

45、計算模塊，根據多層次混合集成深度神經網絡算法分析預處理后的數據，得到當前風險系數。

46、采取措施模塊，對不同風險情況采取不同措施，完成一次監控。

47、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現如上所述的方法的步驟。

48、一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如上所述的方法的步驟。

49、本發明的有益效果：利用深度學習模型中的卷積層提取時空特征、遞歸層捕捉時間序列依賴關系、注意力機制賦予不同特征不同權重，從而精準評估設備運行狀態和潛在風險。此步驟通過深度神經網絡模型的多層次設計實現了高維數據的融合分析，顯著提高了風險評估的精度和實時性。