本申请涉及数据处理,尤其涉及基于数字孪生的煤矿数据智能化采集方法。
背景技术:
1、智能化已成为煤炭工业高质量发展的核心技术支撑,是煤炭工业发展的未来。
2、数字孪生(digital twin)是一种使用物联网大数据技术与数字可视化工业仿真技术相融合获取得到的一种现实实体的数字化“克隆体”的新型数字化技术。通过数字孪生技术可以获取得到与现实物理实体完全一致的数字化孪生模型,在该模型中可以有效地对现实场景中物理实体的状态进行实时监测分析服务。
3、鉴于数字孪生技术的实时性高、可扩展性强等多种特点的,可对煤矿开采过程中采煤机构建得到相应的数字化孪生实体模型。数据采集的精确性直接影响煤矿采煤机数字孪生体构建的准确性和有效性,相关技术中,煤矿采煤机数字信息采集过程中异常噪声数据信息和有效数据信息之间差异不明显,导致传统k-medoids聚类算法处理过程中不能准取聚类获取煤矿采煤机异常噪声数据,煤矿采煤机数字孪生体构建的准确性和有效性不足。
技术实现思路
1、为了解决以上技术问题,本申请提供了涉及基于数字孪生的煤矿数据智能化采集方法,用以提高对煤矿采煤机工况参数中异常数据获取的准确性,进而确保煤矿采煤机数字孪生体构建的准确性和有效性。
2、本发明提供的一种基于数字孪生的煤矿数据智能化采集方法,所述方法包括:
3、采集获取煤矿采煤机实时运行工况参数;
4、分析所述工况参数随着运行时间发生的变化情况,计算获得所述工况参数的异常波动指数;
5、以所述工况参数为横轴、所述异常波动指数为纵轴,构建获取工况参数特征空间;
6、对所述工况参数特征空间中不同工况参数数值点进行分析计算,获取所述工况参数的变化熵;
7、在所述工况参数特征空间中,根据所述变化熵,计算得到所述工况参数特征空间中数据点 i位置处的局部分布异常系数;
8、分析所述局部分布异常系数,计算获得以所述数据点 i为中心的所述工况参数特征空间的局部异常因子;
9、分析所述局部异常因子,获取所述工况参数特征空间的按中异常数据;
10、根据所述按中异常数据对k-medoids聚类算法中聚类函数进行优化计算,获取优化聚类算法。
11、在本发明的一些实施例中,获取优化聚类算法之后,所述方法还包括:
12、通过所述优化聚类算法将所述工况参数划分成两种不同的数据聚类;
13、两种不同的数据聚类中所述局部异常因子数值和较大的一类为噪声数据点,将所述工况参数特征空间中所述噪声数据点对应的所述工况参数数据点进行剔除处理,得到剔除空缺位置;
14、使用拉格朗日多项式插值,对剔除空缺位置进行插值。
15、在本发明的一些实施例中,得到剔除空缺位置之后,所述方法还包括:
16、统计剔除处理后的所述工况参数数据中连续空缺位置的数量;
17、判断连续空缺位置的数量最大值是否大于等于预设值,如果是则认为当前煤矿采煤机工况参数采集过程中异常噪声干扰较为严重,调整后进行重新采集;否则,保留所述工况参数,进行后续处理。
18、在本发明的一些实施例中,所述预设值取值5。
19、在本发明的一些实施例中,所述异常波动指数的计算方法为:
20、式中,表示煤矿采煤机时刻位置处工况参数的异常波动指数;表示煤矿采煤机工况参数的局部数据切片中斜率数值大小;表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小;表示了该局部数据切片中第个时刻位置处的煤矿采煤机工况参数数据的大小;表示采集获取得到的煤矿采煤机参数数据中第个时刻处的局部切片长度。
21、在本发明的一些实施例中,所述变化熵的计算方法为:
22、式中,表示以数据点为中心的局部邻域中煤矿采煤机工况参数的变化熵;表示在煤矿采煤机工况参数特征空间中的以数据点为中心的局部邻域中工况参数数据点的总个数;表示在第个煤矿采煤机的工况参数小区域中工况参数数据点的个数;为与的比值;表示以为底的对数函数。
23、在本发明的一些实施例中,所述局部分布异常系数的计算方法为:
24、式中,表示煤矿采煤机工况参数特征空间中数据点位置处的局部分布异常系数;表示在煤矿采煤机工况参数特征空间中的以数据点为中心的局部邻域中工况参数数据点的总个数;和分别表示在以数据点为中心的局部区域中,两个不同位置处的煤矿采煤机工况参数数据点的变化熵;和分别表示在以数据点为中心的局部区域中,两个不同位置处煤矿采煤机工况参数数据点坐标位置信息;表示两个不同位置处煤矿采煤机工况参数数据点坐标位置信息的距离差值大小。
25、在本发明的一些实施例中,所述局部异常因子计算方法为:
26、式中,表示以数据点为中心的煤矿采煤机工况参数特征空间的局部异常因子;表示煤矿采煤机工况参数特征空间中数据点位置处的局部分布异常系数;表示该局部工况参数特征空间中分布异常系数的最大数值大小。
27、在本发明的一些实施例中,所述按中异常数据计算方法为:
28、式中,表示煤矿采煤机工况参数特征空间的按中异常数据;表示在煤矿采煤机工况参数特征空间中划分的不同的数据点类数目;表示煤矿采煤机工况参数特征空间中第类类中心工况参数数据点;表示第类中的工况参数数据点的总个数;和分别表示在煤矿采煤机工况参数特征空间中第类中第个数据点位置处的局部异常因子的数值大小和煤矿采煤机工况参数特征空间中第类类中心的局部异常因子的数值大小。
29、由以上实施例可见,本申请实施例提供的基于数字孪生的煤矿数据智能化采集方法,具有的有益效果如下:
30、本发明实施例结合采集获取得到的煤矿采煤机工况参数数据的变化情况,可以计算得到煤矿采煤机工况参数的异常波动指数,对煤矿采煤机工况参数的异常变化特征进行凸显计算表征,并根据煤矿采煤机工况参数异常波动指数和原始工况参数数据构建获取工况参数特征空间;对工况参数特征空间中不同工况参数数值点进行分析计算,获取工况参数的变化熵,进一步的获取工况参数特征空间中数据点位置处的局部分布异常系数和以数据点为中心的工况参数特征空间的局部异常因子,通过局部异常因子对煤矿采煤机工况参数的异常数值特征进行进一步有效表征,并根据该局部异常因子对传统聚类算法进行优化,可以有效地提高对煤矿采煤机工况参数中异常数据获取的准确性效果,确保了煤矿采煤机数字孪生体构建的准确性和有效性。
31、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
1.一种基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,获取优化聚类算法之后,所述方法还包括:
3.根据权利要求2所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,得到剔除空缺位置之后,所述方法还包括:
4.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述异常波动指数的计算方法为:
5.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述变化熵的计算方法为:
6.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述局部分布异常系数的计算方法为:
7.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述局部异常因子计算方法为:
8.根据权利要求1所述的基于数字孪生的煤矿数据智能化采集方法,其特征在于,所述按中异常数据计算方法为: