本發(fā)明涉及煤礦機械設備監(jiān)控，尤其涉及一種采煤機工作狀態(tài)遠程監(jiān)控方法。

背景技術：

1、采煤機作為煤礦綜采工作面的核心設備，其運行狀態(tài)直接關系到煤礦的生產(chǎn)效率和安全性。然而，由于采煤機工作環(huán)境惡劣、零部件多、結構復雜，傳統(tǒng)的監(jiān)控方法往往難以及時、準確地掌握其工作狀態(tài)，導致故障頻發(fā)，影響生產(chǎn)。

2、現(xiàn)有技術中，盡管存在對采煤機進行遠程監(jiān)控的系統(tǒng)，但在故障預測、監(jiān)測參數(shù)優(yōu)選以及少標簽數(shù)據(jù)下的模型訓練等方面仍存在不足。傳統(tǒng)監(jiān)控方法的局限性在于：1、監(jiān)測參數(shù)單一：傳統(tǒng)監(jiān)控方法往往只關注少數(shù)幾個關鍵參數(shù)，如電流、溫度等，而忽略了其他可能影響采煤機運行狀態(tài)的參數(shù)。這種單一參數(shù)的監(jiān)測方式難以全面反映采煤機的實際運行狀態(tài)。2、數(shù)據(jù)處理能力不足：傳統(tǒng)監(jiān)控系統(tǒng)在數(shù)據(jù)處理方面存在局限性，無法對大量實時數(shù)據(jù)進行快速、準確的分析和處理。這導致系統(tǒng)在故障預測和診斷方面的能力較弱，難以及時發(fā)現(xiàn)和解決潛在問題。3、模型泛化性能差：在機器學習和人工智能領域，模型的泛化性能是衡量其在實際應用中表現(xiàn)好壞的重要指標。然而，傳統(tǒng)監(jiān)控方法往往缺乏有效的模型訓練和優(yōu)化手段，導致模型在少標簽數(shù)據(jù)或新場景下的泛化性能較差。4、缺乏多源數(shù)據(jù)融合：采煤機的運行狀態(tài)受到多種因素的影響，包括設備本身的狀態(tài)、工作環(huán)境參數(shù)以及外部干擾等。傳統(tǒng)監(jiān)控方法往往只關注單一數(shù)據(jù)源，缺乏多源數(shù)據(jù)融合的能力，難以實現(xiàn)對采煤機運行狀態(tài)的全面感知和準確判斷。

3、現(xiàn)代監(jiān)控技術則通過引入更多的監(jiān)測參數(shù)，如振動、聲音、圖像等，實現(xiàn)對采煤機運行狀態(tài)的全面感知。這些多維監(jiān)測參數(shù)能夠更準確地反映采煤機的實際運行狀態(tài)，為故障預測和診斷提供更為豐富的信息。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提出了一種采煤機工作狀態(tài)遠程監(jiān)控方法，通過符號有向圖定性分析采煤機故障演化過程，構建多維因果關系模型，并引入半監(jiān)督學習模型，實現(xiàn)對采煤機工作狀態(tài)的全面、實時、精準監(jiān)控。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種采煤機工作狀態(tài)遠程監(jiān)控方法，包括：

3、構建采煤機故障演化的sdg模型，并通過所述sdg模型，構建多維因果關系模型；

4、收集采煤機歷史運行數(shù)據(jù)，構建半監(jiān)督學習模型；

5、收集采煤機的歷史多源數(shù)據(jù)，構建采煤機的數(shù)字孿生體，并將所述數(shù)字孿生體與采煤機的機理模型進行融合；

6、采集采煤機的實時運行數(shù)據(jù)，將所述實時運行數(shù)據(jù)分別輸入至所述多維因果關系模型、所述半監(jiān)督學習模型和所述采煤機的數(shù)字孿生體中進行監(jiān)控，獲取采煤機工作狀態(tài)。

7、優(yōu)選地，構建所述多維因果關系模型，包括：

8、根據(jù)采煤機的工作原理、常見故障類型以及監(jiān)控目標，確定需要監(jiān)測的關鍵參數(shù)，利用條件熵衡量監(jiān)測參數(shù)對故障敏感度的指標，同時考慮參數(shù)屬性重要度，評價監(jiān)測參數(shù)對耦合故障的區(qū)分能力；

9、結合條件熵和參數(shù)屬性重要度，建立數(shù)學模型對監(jiān)測參數(shù)進行排序和篩選，形成功能故障模型，利用符號有向圖理論構建采煤機故障演化的sdg模型；

10、基于所述sdg模型，分析不同監(jiān)測參數(shù)與故障之間的關聯(lián)性，確定監(jiān)測參數(shù)在故障預測中的作用和權重，構建所述多維因果關系模型。

11、優(yōu)選地，構建所述sdg模型的過程中還包括對采煤機常見故障模式進行分類，并為每一類故障模式定義特定的故障演化路徑和故障傳播方向，增強模型對故障預測的準確性和時效性。

12、優(yōu)選地，構建所述多維因果關系模型的過程中還包括環(huán)境因素、操作習慣和維護記錄影響因素。

13、優(yōu)選地，構建所述半監(jiān)督學習模型的方法為：

14、將所述采煤機歷史運行數(shù)據(jù)劃分為訓練集和測試集，采用集成學習方法，通過迭代訓練，生成偽標簽，并基于設定的置信度閾值，篩選預測結果中置信度高的樣本，將生成的偽標簽作為真實標簽添加到訓練集中，使用更新后的訓練集重新訓練模型，重復以上步驟，直到滿足預定的迭代次數(shù)，最后通過所述測試集對訓練好的模型進行評估，獲取所述半監(jiān)督學習模型；

15、其中，所述訓練集為標記了采煤機運行狀態(tài)的有標簽數(shù)據(jù)，測試集為未標記采煤機運行狀態(tài)的無標簽數(shù)據(jù)。

16、優(yōu)選地，所述半監(jiān)督學習模型中還集成了異常檢測模塊，所述異常檢測模塊用于在實時數(shù)據(jù)中自動發(fā)現(xiàn)偏離正常模式的數(shù)據(jù)點，作為潛在故障預警信號。

17、優(yōu)選地，利用物理引擎和仿真技術模擬采煤機的動態(tài)行為，并通過物聯(lián)網(wǎng)技術實時同步采煤機的實際運行數(shù)據(jù)，構建所述采煤機的數(shù)字孿生體，所述數(shù)字孿生體與采煤機機理模型的融合過程包括參數(shù)校準、模型驗證和誤差補償。

18、優(yōu)選地，通過人機交互界面獲取所述采煤機工作狀態(tài)，所述人機交互界面用于遠程監(jiān)控人員實時查看采煤機的監(jiān)控數(shù)據(jù)、故障預警信息、維護建議及歷史記錄，實現(xiàn)信息的透明化和可視化。

19、優(yōu)選地，所述監(jiān)控方法還能進行自適應學習，自動優(yōu)化多維因果關系模型、半監(jiān)督學習模型和數(shù)字孿生體的參數(shù)和結構，以適應采煤機性能的變化和新型故障模式的出現(xiàn)。

20、與現(xiàn)有技術相比，本發(fā)明具有如下優(yōu)點和技術效果：

21、本發(fā)明通過在sdg模型構建過程中分類常見故障模式，并定義特定的故障演化路徑和傳播方向，能夠更精確地預測故障的發(fā)生，減少誤報和漏報，提高預測的準確性和時效性；在多維因果關系模型不僅考慮故障的直接原因與結果，還納入環(huán)境因素、操作習慣、維護記錄等多維度數(shù)據(jù)，實現(xiàn)了對采煤機工作狀態(tài)的全面評估；

22、本發(fā)明基于多維因果關系模型、半監(jiān)督學習模型和數(shù)字孿生體的綜合輸出，能夠全面評估采煤機的工作狀態(tài)，并給出精準的維護建議和故障處理方案，有助于減少人為判斷的錯誤，提高決策的科學性和有效性。

技術特征：

1.一種采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，包括：

2.根據(jù)權利要求1所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，構建所述多維因果關系模型，包括：

3.根據(jù)權利要求2所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，構建所述sdg模型的過程中還包括對采煤機常見故障模式進行分類，并為每一類故障模式定義特定的故障演化路徑和故障傳播方向，增強模型對故障預測的準確性和時效性。

4.根據(jù)權利要求3所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，構建所述多維因果關系模型的過程中還包括環(huán)境因素、操作習慣和維護記錄影響因素。

5.根據(jù)權利要求1所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，構建所述半監(jiān)督學習模型的方法為：

6.根據(jù)權利要求5所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，所述半監(jiān)督學習模型中還集成了異常檢測模塊，所述異常檢測模塊用于在實時數(shù)據(jù)中自動發(fā)現(xiàn)偏離正常模式的數(shù)據(jù)點，作為潛在故障預警信號。

7.根據(jù)權利要求1所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，利用物理引擎和仿真技術模擬采煤機的動態(tài)行為，并通過物聯(lián)網(wǎng)技術實時同步采煤機的實際運行數(shù)據(jù)，構建所述采煤機的數(shù)字孿生體，所述數(shù)字孿生體與采煤機機理模型的融合過程包括參數(shù)校準、模型驗證和誤差補償。

8.根據(jù)權利要求1所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，通過人機交互界面獲取所述采煤機工作狀態(tài)，所述人機交互界面用于遠程監(jiān)控人員實時查看采煤機的監(jiān)控數(shù)據(jù)、故障預警信息、維護建議及歷史記錄，實現(xiàn)信息的透明化和可視化。

9.根據(jù)權利要求1-8任一項所述的采煤機工作狀態(tài)遠程監(jiān)控方法，其特征在于，所述監(jiān)控方法還能進行自適應學習，自動優(yōu)化多維因果關系模型、半監(jiān)督學習模型和數(shù)字孿生體的參數(shù)和結構，以適應采煤機性能的變化和新型故障模式的出現(xiàn)。

技術總結
本發(fā)明公開了一種采煤機工作狀態(tài)遠程監(jiān)控方法，包括：構建采煤機故障演化的SDG模型，并通過所述SDG模型，構建多維因果關系模型，分析不同監(jiān)測參數(shù)與故障之間的關聯(lián)性；收集采煤機歷史運行數(shù)據(jù)，構建半監(jiān)督學習模型；收集采煤機的歷史多源數(shù)據(jù)，構建采煤機的數(shù)字孿生體，并將數(shù)字孿生體與采煤機的機理模型進行融合；采集采煤機的實時運行數(shù)據(jù)，將實時運行數(shù)據(jù)分別輸入至多維因果關系模型、半監(jiān)督學習模型和所述采煤機的數(shù)字孿生體中進行監(jiān)控，獲得監(jiān)控結果。本發(fā)明有助于減少人為判斷的錯誤，提高決策的科學性和有效性。

技術研發(fā)人員：顧頡穎,張強,蘇金鵬,劉峻銘,田瑩,馮龍,周鋒,張潤鑫,譚天衍,范宇鑫
受保護的技術使用者：山東科技大學
技術研發(fā)日：
技術公布日：2024/12/30