基于人工智能的掘进机远程智能控制系统的制作方法

本发明涉及远程控制数据处理，具体涉及基于人工智能的掘进机远程智能控制系统。

背景技术：

1、掘进机是煤矿井下作业的重要设备。在掘进机作业的过程中，需要对掘进机的各个部件进行控制和保护，以保证掘进机的正常作业，进而实现煤矿的安全高效生产。

2、煤矿井下掘进机工作环境粉尘大，噪音大，在这种复杂环境下，掘进机操作人员无法准确对掘进机的作业状态进行分析，操作人员难以掌握掘进机的具体工作状态，会造成操作人员的控制盲目性。而当掘进机在运行异常的状态下继续进行工作挖掘时，将会导致巷道掘进质量降低，对掘进机造成损耗，严重时将会带来人身安全问题。

3、目前对掘进机的异常情况进行监测的方法为在掘进巷道顶部安装多部摄像机，采集现场视频数据，根据监测结果向监控终端发送掘进机异常工作及灾害报警数据。但由于掘进机的工作环境较为复杂，粉尘较大，会影响采集到现场视频数据的质量，使得其难以实现异常工作情况的监测控制。

技术实现思路

1、为了解决掘进机的工作环境会影响采集到现场视频数据的质量，使得其难以实现异常工作情况的监测控制技术问题，本发明的目的在于提供基于人工智能的掘进机远程智能控制系统，该系统包括以下模块：

2、数据采集模块，用于采集掘进机的至少两种工作参数，每种工作参数对应一个数据序列；

3、数据监测模块，用于构建每个掘进机的工作参数值对应的检测圆，每个检测圆内有至少两个工作参数值；以任意掘进机的工作参数值为目标工作参数值，根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况，得到目标工作参数值的置信度；基于所述置信度，从数据序列中选取一个工作参数值作为初始核心点；基于所述初始核心点，对数据序列中的掘进机的工作参数值分类，得到至少两个最终类别；根据掘进机的工作参数的数据序列构建对应的数据预测模型；利用数据预测模型，获取最终类别的类别中心点的数据预测值，由最终类别的类别中心点的数据预测值和工作参数值的差异，从最终类别中筛选出数据故障类别，由故障类别构建数据故障集合；根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值，得到掘进机的工作异常控制指标；

4、远程调控模块，用于根据工作异常控制指标控制掘进机。

5、优选的，所述构建每个掘进机的工作参数值对应的检测圆，包括：

6、计算每个工作参数值的近邻数据，获取每个工作参数值和其对应的近邻数据的欧式距离的均值，作为距离均值；以工作参数值为圆心，以工作参数值对应的距离均值为半径，构建工作参数值对应的检测圆。

7、优选的，所述置信度的获取方法，包括：

8、根据目标工作参数值与对应的检测圆内其他工作参数值的分布情况，计算目标工作参数值的局部核心程度；计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值，作为全局核心程度；将目标工作参数值的局部核心程度和全局核心程度的乘积，作为目标工作参数值的置信度。

9、优选的，所述局部核心程度的获取方法，包括：

10、计算目标工作参数值与对应的检测圆内其他工作参数值之间的欧氏距离；当检测圆内任意工作参数值的欧式距离大于等于预设距离阈值时，工作参数值对应的距离权值为1；当检测圆内任意工作参数值的欧式距离小于预设距离阈值时，工作参数值对应的距离权值为0；

11、计算检测圆内工作参数值对应的信息熵；将所述信息熵和检测圆内所有工作参数值的距离权值之和的乘积，作为目标工作参数值对应的局部核心程度。

12、优选的，所述基于所述初始核心点，对数据序列中的掘进机的工作参数值分类，得到至少两个最终类别，包括：

13、基于所述初始核心点，利用k-means对数据序列中的工作参数值分类，得到至少两个数据类别；

14、获取每个数据类别对应的高斯模型；计算两两数据类别对应的高斯模型的差异程度，基于所述差异程度，对数据类别进行合并，得到合并类别；

15、计算每个合并类别中工作参数值在合并类别内对应的高斯值，将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据，构成初始偏差数据类别；根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值，将偏差数据划分至合并类别和最终偏差数据类别中，得到最终类别。

16、优选的，所述计算两两数据类别对应的高斯模型的差异程度，基于所述差异程度，对数据类别进行合并，得到合并类别，包括：

17、计算两两数据类别对应的高斯模型之间的kl散度，将所述kl散度作为差异程度；

18、将所述差异程度小于预设差异阈值的两个数据类别合并，得到合并类别。

19、优选的，所述将偏差数据划分至合并类别和最终偏差数据类别中，得到最终类别，包括：

20、获取每个合并类别和初始偏差数据类别的高斯模型，计算偏差数据在每个高斯模型中的高斯值；当偏差数据基于每个高斯模型得到的高斯值均小于等于预设高斯值阈值时，将偏差数据划分至偏差数据类别中；当偏差数据基于每个高斯模型得到的高斯值中，存在大于预设高斯值阈值的高斯值时，将偏差数据划分至最大高斯值对应高斯模型对应的类别中；

21、将重新划分后的最终偏差数据类别和合并类别，作为最终类别。

22、优选的，所述由最终类别的类别中心点的数据预测值和工作参数值的差异，从最终类别中筛选出数据故障类别，包括：

23、计算最终类别的类别中心点的数据预测值和工作参数值的差值的绝对值，作为第一绝对值；当所述第一绝对值大于预设绝对值阈值时，将第一绝对值对应的最终类别作为数据故障类别。

24、优选的，所述根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值，得到掘进机的工作异常控制指标，包括：

25、以数据故障集合中的任意工作参数值作为故障参数值，计算掘进机在预设时间段内因故障参数值发生故障的次数占比；计算故障参数值对应的数据预测值和故障参数值的差值的绝对值，作为第二绝对值；对第二绝对值进行正相关映射，将得到的结果值作为初始异常指标；将故障参数值对应的次数占比和初始异常指标的乘积作为初始异常控制指标；

26、对数据故障集合内各工作参数值对应的初始异常控制指标求和，将得到的结果值作为掘进机的工作异常控制指标。

27、优选的，所述根据工作异常控制指标控制掘进机，包括：

28、将一减去工作异常控制指标的结果值作为控制因子；当控制因子小于等于预设控制阈值时，系统远程控制掘进机停止作业；当控制因子大于预设控制阈值时，系统控制掘进机启动或者掘进机继续保持作业。

29、本发明实施例至少具有如下有益效果：

30、本发明涉及远远程控制数据处理技术领域。该系统包括数据采集模块、数据监测模块和远程调控模块。数据采集模块对掘进机的工作参数进行采集，以便于后续对掘进机的工作状况进行检测分析。通过数据监测模块对掘进机的工作状况进行分析，分析掘进机的工作参数值与对应的检测圆内的其他工作参数值之间的分布情况、工作参数值与对应的数据序列中其他工作参数值之间的分布情况得到工作参数值的置信度，与检测圆内的其他工作参数值之间的分布情况反映了工作参数值的局部分布情况，与对应的数据序列中其他工作参数值之间的分布情况反映了工作参数值的全局分布情况，结合工作参数值的局部分布情况和全局分布情况可以更全面准确的实现对工作参数值的置信度的确定，避免了因工作环境导致的采集到的工作参数值的质量较低的问题，该置信度则反映了工作参数值的实际分布情况。进一步的，根据工作参数值的实际分布情况对数据类别划分的初始核心点进行自动选取，提高了数据类别划分的精度，避免固定类别数设定的主观性，且避免固定不变的类别数而导致数据划分过程中出现误划分的问题。基于初始核心点，对工作参数值进行分类，实现对掘进机工作参数数据的准确划分。为了实现对类别内工作数据状况的分析，构建数据预测模型得到数据预测值。根据数据预测值和工作参数值的差异，从最终类别中筛选出数据故障类别，实现快速准确的从多个最终类别中获取出现故障的类别。根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值，得到掘进机的工作异常控制指标，根据工作异常控制指标控制掘进机，进而实现对掘进机启停状态的准确调控，具有较好的交互性，提高了掘进质量和安全性。