【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種面向礦山安全的設備預測性維護監測方法和電子設備。
技術介紹
1、隨著礦山機械設備的廣泛應用，設備的安全性和可靠性成為礦山生產中至關重要的因素。礦山設備通常在復雜、惡劣的環境中長時間運行，面臨著高溫、高壓、強振動等多種不利條件，導致設備故障風險較高。設備一旦出現故障，不僅會影響礦山的正常生產，還可能帶來安全隱患，甚至引發事故。
2、現有技術中，對于公開的專利文獻cn202210372271.4、cn202011592545.8以及cn201611245269.1中記載了提高設備故障診斷精度的技術方案，但仍然存在不足：傳統的smote算法只能在少數類樣本間進行線性插值，無法充分應對數據分布的多樣性和復雜性，導致生成的樣本缺乏代表性，模型泛化能力不足；神經網絡模型在特征提取過程中容易遭遇梯度消失或梯度爆炸等問題，且其進化過程缺乏靈活性，難以根據數據特性自適應地調整模型，導致訓練不穩定，模型性能下降；降維技術往往會造成重要特征的丟失，且無法在降維過程中動態優化特征權重，導致降維后的特征表示冗余，影響模型的簡潔性和信息保留的平衡；分類器模型在處理類別不平衡時無法動態調整不同類別的權重，特別是在關鍵故障類別的識別上缺乏精準性，導致設備維護監測中的分類結果不夠準確。
技術實現思路
1、有鑒于此，本專利技術提供了一種面向礦山安全的設備預測性維護監測方法和電子設備，用以有效地對礦山設備進行預測性維護，降低設備故障率，保障設備安全運行。
2、
3、s1、采集礦山設備的運行數據，對運行數據進行標注；并對標注后的運行數據進行擴充，得到擴充后的數據集；
4、s2、通過擴充后的數據集對特征提取模型進行訓練，得到訓練后的特征提取模型和特征提取后的數據；
5、s3、將特征提取后的數據輸入到特征降維模型中，進行特征降維模型的訓練，得到訓練后的特征降維模型和特征降維后的數據；
6、s4、利用特征降維后的數據對分類器模型進行訓練，得到訓練后的分類器模型；
7、s5、通過訓練后的特征提取模型、特征降維模型和分類器模型對新樣本進行處理，以預測礦山設備的運行。
8、可選地，采集礦山設備的運行數據，對運行數據進行標注，包括：
9、通過振動傳感器、溫度傳感器和壓力傳感器，實時收集設備的運行數據，并并通過無線網絡傳輸到中心數據庫；
10、標注的類別包括：
11、正常運行，表示設備運行在正常的工作參數范圍內；
12、維護警示，表示設備即將需要維護，但尚未出現故障；
13、故障模式，表示設備出現故障，需要立即維修。
14、可選地，對標注后的運行數據進行擴充，得到擴充后的數據集，包括：
15、通過smote算法進行樣本生成，在此基礎上采用非凸優化策略，樣本生成的流程包括：
16、s101、初始化算法參數，包括鄰居數、插值數和非凸優化參數，這些參數共同決定合成樣本的生成策略，其公式為：
17、；
18、式中，表示在特征空間中每個少數類樣本選取的鄰居數量；表示從每對少數類樣本和其鄰居生成的合成樣本數；表示非凸優化過程中的調整系數；
19、s102、從訓練數據中識別出數量少的類別，將其作為擴充的目標，設識別出的少數類樣本集為，其公式為：
20、；
21、式中，為數據集中的樣本，為樣本對應的類標簽；表示少數類別，即其類別對應的樣本數量明顯少于其他類別；
22、s103、對每個選中的少數類樣本，找出其在特征空間中的個最近鄰樣本，具體通過計算樣本之間的距離來完成，距離的計算可以根據數據的特性進行選擇，設每個少數類樣本在特征空間中的個最近鄰樣本為，其公式為：
23、；
24、式中，表示樣本之間的距離度量函數，其為歐氏距離或余弦相似度；為第個的近鄰樣本，為第個的近鄰樣本；為整體數據集；
25、s104、對每個少數類樣本及其鄰居，根據非凸優化算法計算新樣本點的特征值，新樣本的生成不僅基于線性插值，還通過動態優化過程調整每個特征的權重，以更好地適應數據的本質結構，具體的，對于每個少數類樣本和其鄰居，生成個合成樣本，其公式為：
26、；
27、式中，為生成的合成樣本；為隨機生成的介于0和1之間的插值系數；表示非凸函數，用于根據鄰居的動態分布調整的影響，使插值更加符合實際數據的分布特性；
28、s105、在樣本生成過程中，算法實時監控新樣本的質量和類別分布的變化，根據設定的優化目標，動態調整生成策略，調整方式表示為：
29、；
30、式中，為調整學習率，為評估合成樣本質量的損失函數，和分別表示合成樣本及其標簽集合，表示損失函數相對于的梯度；
31、s106、將生成的合成樣本合并到原始訓練集中，形成一個新的數據集，其公式為：
32、；
33、式中，為擴充后的數據集。
34、可選地，所述步驟s104包括：
35、非凸函數對插值系數的調整方式，其公式為：
36、；
37、式中，和為根據鄰居樣本集合計算得到的兩個不同的統計量，分別代表鄰居樣本在特征空間中的集中趨勢和分散趨勢；
38、其中，的計算方式，其公式為：
39、；
40、式中，是鄰居樣本的均值向量；反映的是鄰居樣本的變異系數，其公式分別為：
41、；
42、；
43、式中，表示l2范數。
44、可選地，所述步驟s105包括：
45、評估合成樣本質量的損失函數用于評估合成樣本的質量，并調整非凸優化參數，其計算方式表示為：
46、；
47、式中，是由當前模型預測的合成樣本的類標簽，是交叉熵損失函數，用于衡量預測標簽與真實標簽之間的差異。
48、可選地，所述步驟s2包括：
49、采用6層的全連接神經網絡進行特征提取，通過基于動態群體進化優化的神經網絡作為特征提取模型；利用自校正機制根據當前訓練數據的特性自動調整進化規則，根據損失函數的變化趨勢調整交叉和變異的概率；
50、基于動態群體進化優化的神經網絡的訓練流程包括：
51、s201、根據仿生算法初始化方式，在初始化階段，生成一個初始的種群，每個個體代表一種網絡權重的配置，具體的，設種群大小為，為第個個體初始化權重和偏置，表示為：
52、；
53、；
54、式中，為第個個體對應的神經網絡的權重，為第個個體對應的神經網絡的偏置，表示第個個體在初始狀態的權重矩陣；表示第個個體在初始狀態的偏置；表示初始化的方差；表示均值為0、方差為的正態分布；為正態分布；設置為本文檔來自技高網...
【技術保護點】
1.一種面向礦山安全的設備預測性維護監測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，采集礦山設備的運行數據，對運行數據進行標注，包括：
3.根據權利要求1所述的方法，其特征在于，對標注后的運行數據進行擴充，得到擴充后的數據集，包括：
4.根據權利要求3所述的方法，其特征在于，所述步驟S104包括：
5.根據權利要求3所述的方法，其特征在于，所述步驟S105包括：
6.根據權利要求1所述的方法，其特征在于，所述步驟S2包括：
7.根據權利要求1所述的方法，其特征在于，所述步驟S3包括：
8.根據權利要求1所述的方法，其特征在于，所述步驟S4包括：
9.一種電子設備，其特征在于，包括：一個或多個處理器；存儲器；以及一個或多個計算機程序，其中所述一個或多個計算機程序被存儲在所述存儲器中，所述一個或多個計算機程序包括指令，當所述指令被所述設備執行時，使得所述設備執行權利要求1至8中任一項所述的面向礦山安全的設備預測性維護監測方法。
【技術特征摘要】
1.一種面向礦山安全的設備預測性維護監測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，采集礦山設備的運行數據，對運行數據進行標注，包括：
3.根據權利要求1所述的方法，其特征在于，對標注后的運行數據進行擴充，得到擴充后的數據集，包括：
4.根據權利要求3所述的方法，其特征在于，所述步驟s104包括：
5.根據權利要求3所述的方法，其特征在于，所述步驟s105包括：
6.根據權利要求1所述的...
【專利技術屬性】
技術研發人員：甘有霖，祝寶龍，夏榮劍，司淑潔，周巖，
申請(專利權)人：齊魯工業大學山東省科學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。