基于边缘计算的煤矿瓦斯传感器数据异常检测方法与流程
本发明涉及边缘计算的智能信息处理技术领域，具体地涉及一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法。
背景技术：
煤矿瓦斯灾害是造成人员伤亡的主要原因之一，采用瓦斯传感器对煤矿井下重点区域进行瓦斯数据监测，并利用监测数据对瓦斯异常进行检测，是预防煤矿瓦斯灾害的重要手段。目前，采用机器学习的方法进行煤矿瓦斯传感器数据异常检测取得很好的效果，针对煤矿瓦斯灾害预测方面的研究大都集中在对瓦斯涌出量的预测及煤与瓦斯突出危险性评价及预测等方面。高莉以瓦斯时间序列为具体研究对象，提出基于小波径向基函数的时间序列预测方法。程健等人分析了煤与瓦斯的突出机理及各项影响因素，建立了费舍尔(fisher)判别分析模型，证实了瓦斯浓度信号的混沌特性，并在瓦斯浓度的关联空间上建立了最小二乘支持向量机预测模型，实现了煤矿瓦斯浓度的中、长期预测。尹洪胜基于kpca/kica的多变量时间序列降维和特征提取理论，对多维时间序列进行了降维和特征提取，利用ls-svm算法，对瓦斯时间序列进行了分类。彭泓采用独立分量分析的方法对瓦斯灾害信息进行了特征分析，并分别基于最大熵和支持向量机建立了瓦斯灾害特征提取模型。kozielski等人提出了一种基于规则的回归方法进行瓦斯浓度的预测。这些方法虽然都取得了一定的效果，然而，由于煤矿巷道空间的复杂性，瓦斯灾害监测数据影响因素繁多，数据量大，具有高度非线性，难以有效加以利用。依靠人工经验进行样本特征设计时，就要求研究人员对瓦斯灾害发生机理有很深入的理解。因此，人工设计瓦斯数据特征，存在可扩充性差的局限。深度学习是近年来机器学习领域新兴的学习方法，2006年，hinton等人提出的用于深信任网络(deepbeliefnetwork,dbn)的无监督学习算法解决了深度学习模型优化困难的问题。从具有开创性的文献发表之后，大量学者对深度学习进行了广泛的研究来提高和应用深度学习技术。在瓦斯数据处理方面，krzysztof等人采用基于递归神经网络的深度学习模型进行瓦斯数据分类，在关于煤矿数据挖掘上取得了很好的效果。
但随着矿山物联网的发展，海量的传感器数据接入到煤矿计算云平台，造成网络通信负担和平台计算压力，无法满足工业现场对实时性的要求，主要表现在：
(1)矿山物联网接入的数据包括视频监控、人员定位、设备状态监控、环境参数监控等，给煤矿井上下的通信网络带宽负载和连接稳定性带来了困难。
(2)大规模数据处理分析和存储给基于云平台的矿山物联网系统带来了问题，难以满足工业现场对实时性的要求。
传统的基于矿山云平台的煤矿瓦斯传感器数据异常检测由于上面原因，无法满足工业现场的实时性要求。本发明因此而来。
技术实现要素：
为了解决上述技术问题，本发明提出了一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法，一种新的预防瓦斯灾害的解决方法，可以及时发现煤矿瓦斯数据异常，通过在边缘计算设备上进行煤矿瓦斯传感器数据进行初步处理，分流矿山云平台的计算任务量，减少上传到云平台的数据量，降低网络带宽负载，提高了煤矿瓦斯数据异常检测的实时性。
本发明所采用的技术方案是：
一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法，包括以下步骤：
s01：获取瓦斯传感器数据，对数据进行标注，标注的标签包括“警告”和“正常”；
s02：建立多层rbm网络结构，通过rbm网络对瓦斯传感器数据进行重构，得到数据的一个编码，通过逐层训练的方式得到瓦斯传感器数据的多层表示；
s03：在多层rbm网络结构上增加一个代表期望输出变量的最后层，将最后层输出作为bp神经网络的输入，利用有监督的bp神经网络将误差反向传播，自顶向下进行微调，得到瓦斯传感器数据异常检测的深度置信网络(dbn)模型，通过得到的瓦斯传感器数据异常检测的深度置信网络(dbn)模型对煤矿瓦斯传感器数据进行异常检测。
优选的技术方案中，所述步骤s01对数据标注方法包括，判断数据样本时间段后的一定时间内的瓦斯传感器数据是否超过告警阈值，若超过，则标注该样本的类别为“警告”，否则标注为“正常”。
优选的技术方案中，所述步骤s01中，通过基于边缘计算的煤矿瓦斯监测系统获取瓦斯传感器数据，所述基于边缘计算的煤矿瓦斯监测系统包括用于获取煤矿巷道中环境信息的感器节点，所述传感器节点与边缘计算节点进行通信，所述边缘计算节点作为中继设备将传感器节点采集的煤矿环境监测数据上传至矿山云平台，所述矿山云平台用于数据处理及数据存储；所述瓦斯传感器数据异常检测的深度置信网络(dbn)模型的模型训练过程被部署在矿山云平台进行，生成的模型参数被回传至边缘计算节点，用于实时进行异常检测。
优选的技术方案中，当检测出异常情况时，边缘计算节点将异常报告发送给位于矿山云平台的数据和控制中心，同时驱动位于底层的报警器，进行瓦斯预警。
优选的技术方案中，所述步骤s02中，所述rbm网络包括可见层和隐藏层，层内无连接，层间全连接，输入的向量是每一个样本向量，即vi＝xi，瓦斯传感器数据样本xi＝(x1,x2,...,xm)作为输入，其中nv＝m，标签为yi＝1表示为“警告”，yi＝0表示为“正常”，输出向量hi表示样本xi的一个重新编码；瓦斯传感器数据测量值作为rbm网络的可见层单元，隐藏层单元对应编码后的瓦斯传感器数据的特征检测器；在可见层单元和隐藏层单元之间，存在能量函数：
nv,nh，分别表示可见层和隐藏层中包含神经元的数目；
对于一个给定的瓦斯传感器数据样本，二进制状态hj设为1的概率为σ(aj+∑iviwij)，其中σ(x)是logistic函数1/(1+exp(-x))，隐藏层单元选择了一组二进制状态后，每个vi设为1的概率为σ(bi+∑jhjwij)，隐藏层单元根据重构误差进行再一次的更新。
优选的技术方案中，采用对比散度算法对样本进行训练，包括以下步骤：
s21：将样本赋给可见层v1，计算隐藏层中每个神经元被激活的概率p(h1|v1)；
s22：从计算得到的概率分布中采取gibbs抽样抽取一个样本h1～p(h1|v1)；
s23：用h1重构可见层，通过隐藏层反推可见层，计算可见层中每个神经元被激活的概率p(v2|h1)；
s24：从计算得到的概率分布中采取gibbs抽样抽取一个样本v2～p(v2|h1)；
s25：通过v2计算隐藏层中每个神经元被激活的概率p(h2|v2)；
s26：更新权重：
w←w+λ(p(h1|v1)v1-p(h2|v2)v2)；
a←a+λ(v1-v2)
b←b+λ(h1-h2)
λ是学习率，每次参数更新的幅度。
本发明还公开了一种基于边缘计算的煤矿瓦斯传感器数据异常检测系统，包括：
数据获取及标注模块，获取瓦斯传感器数据，对数据进行标注，标注的标签包括“警告”和“正常”；
rbm网络重构模块，建立多层rbm网络结构，通过rbm网络对瓦斯传感器数据进行重构，得到数据的一个编码，通过逐层训练的方式得到瓦斯传感器数据的多层表示；
模型建立及检测模块，在多层rbm网络结构上增加一个代表期望输出变量的最后层，将最后层输出作为bp神经网络的输入，利用有监督的bp神经网络将误差反向传播，自顶向下进行微调，得到瓦斯传感器数据异常检测的深度置信网络(dbn)模型，通过得到的瓦斯传感器数据异常检测的深度置信网络(dbn)模型对煤矿瓦斯传感器数据进行异常检测。
优选的技术方案中，所述数据获取及标注模块中通过基于边缘计算的煤矿瓦斯监测系统获取瓦斯传感器数据，所述基于边缘计算的煤矿瓦斯监测系统包括用于获取煤矿巷道中环境信息的感器节点，所述传感器节点与边缘计算节点进行通信，所述边缘计算节点作为中继设备将传感器节点采集的煤矿环境监测数据上传至矿山云平台，所述矿山云平台用于数据处理及数据存储；所述瓦斯传感器数据异常检测的深度置信网络(dbn)模型的模型训练过程被部署在矿山云平台进行，生成的模型参数被回传至边缘计算节点，用于实时进行异常检测。
优选的技术方案中，所述rbm网络重构模块中，所述rbm网络包括可见层和隐藏层，层内无连接，层间全连接，输入的向量是每一个样本向量，即vi＝xi，瓦斯传感器数据样本xi＝(x1,x2,...,xm)作为输入，其中nv＝m，标签为yi＝1表示为“警告”，yi＝0表示为“正常”，输出向量hi表示样本xi的一个重新编码；瓦斯传感器数据测量值作为rbm网络的可见层单元，隐藏层单元对应编码后的瓦斯传感器数据的特征检测器；在可见层单元和隐藏层单元之间，存在能量函数：
nv,nh，分别表示可见层和隐藏层中包含神经元的数目；
对于一个给定的瓦斯传感器数据样本，二进制状态hj设为1的概率为σ(aj+∑iviwij)，其中σ(x)是logistic函数1/(1+exp(-x))，隐藏层单元选择了一组二进制状态后，每个vi设为1的概率为σ(bi+∑jhjwij)，隐藏层单元根据重构误差进行再一次的更新。
优选的技术方案中，采用对比散度算法对样本进行训练，包括以下步骤：
s21：将样本赋给可见层v1，计算隐藏层中每个神经元被激活的概率p(h1|v1)；
s22：从计算得到的概率分布中采取gibbs抽样抽取一个样本h1～p(h1|v1)；
s23：用h1重构可见层，通过隐藏层反推可见层，计算可见层中每个神经元被激活的概率p(v2|h1)；
s24：从计算得到的概率分布中采取gibbs抽样抽取一个样本v2～p(v2|h1)；
s25：通过v2计算隐藏层中每个神经元被激活的概率p(h2|v2)；
s26：更新权重：
w←w+λ(p(h1|v1)v1-p(h2|v2)v2)；
a←a+λ(v1-v2)
b←b+λ(h1-h2)
λ是学习率，每次参数更新的幅度。
与现有技术相比，本发明的有益效果是：
本发明提出了一种新的预防瓦斯灾害的解决方法，可以及时发现煤矿瓦斯数据异常。通过在边缘计算设备上进行煤矿瓦斯传感器数据进行初步处理，分流矿山云平台的计算任务量，减少上传到云平台的数据量，降低网络带宽负载，提高了煤矿瓦斯数据异常检测的实时性，也缓解了矿山工业网络通信的压力。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于边缘计算的煤矿瓦斯监测系统框图；
图2为本发明工作面瓦斯传感器布置图；
图3为本发明基于边缘计算的煤矿瓦斯传感器数据异常检测方法的流程图；
图4为本发明rbm网络结构示意图；
图5为基于rbm的瓦斯传感器数据重构示意图；
图6为基于dbn的瓦斯传感器数据异常检测网络模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例
一种基于边缘计算的煤矿瓦斯传感器数据异常检测方法，通过在边缘计算设备上进行煤矿瓦斯传感器数据进行初步处理，分流矿山云平台的计算任务量，减少上传到云平台的数据量，降低网络带宽负载，提高了煤矿瓦斯数据异常检测的实时性，对及时发现煤矿瓦斯数据异常，预防瓦斯灾害提出新的解决方法。
1、基于边缘计算的煤矿瓦斯监测系统框架
基于边缘计算的煤矿瓦斯监测系统如图1所示，具体由3部分组成，包括传感器节点、边缘计算节点和矿山云平台。
(1)传感器节点
在煤矿瓦斯监测系统中，传感器节点是用于获取煤矿巷道中环境信息的基础设备。本发明采用的传感器包括瓦斯传感器、风速传感器、温度传感器、湿度传感器和气压传感器。主要的方法是通过其它传感器的数据来对上隅角位置的瓦斯传感器数据进行检测。瓦斯传感器的布置如图2所示。u形通风方式在上隅角设置瓦斯传感器t0或便携式瓦斯检测报警仪，工作面设置瓦斯传感器t1，工作面回风巷设置瓦斯传感器t2；若煤与瓦斯突出矿井的瓦斯传感器t1不能控制采煤工作面进风巷内全部非本质安全型电气设备，则在进风巷设置瓦斯传感器t3；低瓦斯和高瓦斯矿井采煤工作面采用串联通风时，被串工作面的进风巷设置瓦斯传感器t4。在基于边缘计算的煤矿瓦斯监测系统框架中，传感器节点主要与边缘计算节点进行通信，与云平台的通信也由边缘计算节点作为中继进行。一方面，可以降低对传感器节点通信能力的要求；另一方面，可以充分利用边缘计算节点的数据处理能力。
(2)边缘计算节点
在煤矿瓦斯监测系统中，在煤矿巷道中部署的智能网关可以作为边缘计算的节点。矿工携带的智能矿灯可以作为移动边缘计算节点提供相应的边缘计算服务。从系统架构角度来看，边缘计算节点作为中间层存在，向传感器节点提供本地服务以提高服务质量及信息反馈的实时性，进而降低与矿山云平台的远程交互所带来的时延。与此同时，能够提供数据的初步处理，分流矿山云平台的计算任务，降低上传至矿山云平台的数据量，从而减轻主干链路的带宽负载。
本发明提出的异常检测方法中，边缘计算节点具有至关重要的作用。在系统初始化阶段，作为中继设备将传感器节点采集的煤矿环境监测数据上传至矿山云平台。在系统常规运行阶段，对采集的数据进行异常检测。一旦检测出异常情况，边缘计算节点会立即将异常报告给位于矿山云平台的数据和控制中心，同时驱动位于底层的报警器，进行瓦斯预警。
(3)矿山云平台
矿山云平台以其超强的计算能力和超大的存储空间，在系统中起到远程数据和控制中心的作用，主要用于大规模和高复杂度的数据处理及数据存储。在提出的异常检测方法中，使用rbm模型以捕捉和利用环境监测数据自身的空间相关性。rbm作为一种用于特征提取的人工神经网络模型，模型参数的训练具有较高的复杂度。传感器节点和边缘计算节点难以提供相应的计算能力以及复杂计算所带来的资源消耗，因此，模型训练过程被部署在矿山云平台进行。生成的模型参数被回传至边缘计算节点，用于实时的异常检测。
2、煤矿瓦斯数据异常检测方法，如图3所示，包括：
(1)瓦斯传感器数据预处理
煤矿瓦斯灾害预测通常是利用煤矿瓦斯传感器监测到的历史数据来对将来进行短期或长期的预测。瓦斯传感器监测数据是典型的时间序列数据，采用分类学习方法时，学习的样本和对应的标签需要人工进行划分和标注。
本发明采用基于深度学习的方法进行瓦斯数据异常检测，从煤矿瓦斯监测系统中取一段时间的瓦斯传感器时间序列作为数据集。通过滑动窗口将时间序列划分为数据样本，分为训练集和测试集。对所有样本进行标注，标签分为两种，分别是“警告”和“正常”。进行类别标注的依据是t0，t1和t2这三个瓦斯传感器数据的具体数值。划分的标准是指训练样本时间段后面3至6分钟内是否超过告警阈值，超过了则标注该样本的类别为“警告”，否则就标注为“正常”。
(2)基于rbm的瓦斯传感器数据重构
本发明通过rbm的网络来对瓦斯传感器数据进行重构，得到数据的一个编码，建立多层rbm网络结构，通过逐层训练的方式得到瓦斯数据的多层表示。假设一个瓦斯传感器数据样本为xi＝(x1,x2,...,xm)，标签为yi＝1表示为“警告”，yi＝0表示为“正常”。一个rbm包含两个层：可见层和隐藏层。神经元之间的连接具有如下特点：层内无连接，层间全连接。因此，rbm对应的图是一个二分图。rbm的网络结构示意图如图4所示。xi＝(x1,x2,...,xm)作为输入，其中nv＝m，输入的向量是每一个样本向量，即vi＝xi，输出向量hi表示样本xi的一个重新编码。瓦斯传感器数据测量值作为rbm的可视单元，隐层单元对应编码后的瓦斯传感器数据的特征检测器。在可视单元和隐藏层单元之间，存在能量函数：
nv,nh：分别表示可见层和隐藏层中包含神经元的数目。
对于一个给定的瓦斯传感器数据样本，二进制状态hj根据概率σ(aj+∑iviwij)，设为1，其中σ(x)是logistic函数1/(1+exp(-x))，bj是j的偏置，vi是第i个瓦斯传感器数值的状态，wij是i和j之间的权重。一旦隐藏层单元选择了一组二进制状态，就会根据概率σ(bi+∑jhjwij)对每个vi设为1，ai是i的偏置，隐藏层单元会根据重构误差进行再一次的更新，如图5所示。
对于一条样本数据x＝(x1,x2,…,xm),采用对比散度算法对其进行训练：
1将x赋给显层v1，计算出隐层中每个神经元被激活的概率p(h1|v1)；
2从计算的概率分布中采取gibbs抽样抽取一个样本：
h1～p(h1|v1)
3用h1重构显层，及通过隐层反推显层，计算显层中每个神经元被激活的概率p(v2|h1)；
4同样地，从计算得到的概率分布中采取gibbs抽样抽取一个样本
v2～p(v2|h1)
5通过v2再次计算隐层中每个神经元被激活的概率，得到概率分布p(h2|v2)；
6更新权重
w←w+λ(p(h1|v1)v1-p(h2|v2)v2)；
a←a+λ(v1-v2)
b←b+λ(h1-h2)
λ是学习率，每次参数更新的幅度。
(3)瓦斯时间序列异常检测
rbm有效的训练过程使它适于作为dbn的构成模块。每一层rbm的隐含单元通过学习，表达原始输入数据更高程度关系的特征。dbn可以认为是带有已训练好初始权值的神经网络。当在dbn结构中不使用类别标签和后项传播时，dbn可以用来进行维数约减。当将类别标签和特征向量联系起来时，dbn可以用来进行分类。
如图6所示，在多层rbm的基础上增加一个代表期望输出变量的最后层。将最后一层rbm网络的输出作为bp神经网络的输入。利用有监督的bp神经网络将误差反向传播，自顶向下微调整个模型。经过多层rbm网络优化得到的信息作为bp神经网络的输入，解决了bp神经网络由于随机初始值容易陷入局部最小值和收敛速度慢等问题。
前面部分基于多层rbm的特征提取算法可以获取输入数据特征，而dbn具有较好的分类效果。因此，本发明基于dbn算法对煤矿瓦斯传感器数据进行异常检测，整个算法主要过程描述如下：
第一步，选择合适的训练样本集和测试集。
第二步，进行数据预处理。
第三步，分别单独无监督的训练每一层rbm。
第四步，将训练集输入dbn，取得特征向量，然后进行验证，调整dbn的参数，直到达到满意的特征向量。
第五步，将训练集、特征集传入dbn，进行分类，检验分类结果，修正dbn各项参数，最后分析分类结果。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
- 还没有人留言评论。精彩留言会获得点赞！