权利要求
1.一种矿山设备运行安全态势评估方法，其特征在于，所述方法包括：
实时采集矿山设备的传感器数据、管理数据以及影像数据;
对采集的所述传感器数据、所述管理数据以及所述影像数据进行预处理，包括对所述传感器数据、所述管理数据以及所述影像数据进行数据清洗、特征工程和数据融合;其中，所述数据清洗用于去除异常值和噪声，所述特征工程用于提取所述传感器数据、所述管理数据以及所述影像数据的关键特征，所述数据融合用于将所述传感器数据、所述管理数据以及所述影像数据的关键特征融合为综合数据集;
基于所述综合数据集，构建包括矿山设备本体状态、矿山设备运行环境指标、人为操作因素和管理机制在内的多维度评估指标体系;
采用层次分析法和/或模糊综合评价法确定指标权重，构建动态风险评估体系，所述动态风险评估体系包括LSTM模型以及随机森林模型，所述LSTM模型适于预测所述矿山设备的剩余使用寿命RUL，其中，所述LSTM模型输入包括历史故障数据和实时传感器数据，所述随机森林模型适于分类风险等级，所述随机森林模型输入包括所述综合数据集;
将实时采集的所述传感器数据、所述管理数据以及所述影像数据输入到所述LSTM模型以及随机森林模型，通过所述LSTM模型以及随机森林模型计算所述矿山设备的安全态势得分和风险等级，当所述安全态势得分低于预设的安全态势值和/或所述风险等级高于预设风险级值时触发预警。
2.根据权利要求1所述的矿山设备运行安全态势评估方法，其特征在于，所述实时采集矿山设备的传感器数据包括：
第一传感器数据，所述第一传感器数据包括矿山设备振动频率、矿山设备温度、矿山设备压力、矿山设备磨损度以及矿山设备的润滑状态;
第二传感器数据，所述第二传感器数据包括甲烷浓度、一氧化碳浓度、氧气浓度、粉尘浓度以及温湿度;其中
所述管理数据包括矿山设备维护记录、人员培训档案和事故报告;
所述影像数据包括矿山设备状态影像、环境风险影像和人员行为影像。
3.根据权利要求2所述的矿山设备运行安全态势评估方法，其特征在于，所述特征工程还适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征进行时间对齐处理、滑动窗口处理以及归一化处理;其中
所述时间对齐处理适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征按照统一的时间基准进行同步，以便于后续的联合分析;
经过所述时间对齐处理的所述传感器数据、所述管理数据以及所述影像数据的关键特征构造为数据流，所述滑动窗口处理适于将所述数据流分割成固定长度的时间段，每个所述时间段内的数据被视为一个样本;
所述归一化处理适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征转换到相同的尺度范围，以避免所述传感器数据、所述管理数据和/或所述影像数据的关键特征数值范围过大而在模型训练过程中占据主导地位。
4.根据权利要求3所述的矿山设备运行安全态势评估方法，其特征在于，所述LSTM模型构建包含至少两层LSTM单元的神经网络结构，训练所述LSTM模型，以防止训练数据过拟合，同时采用平均绝对误差作为损失函数对所述LSTM模型进行模型训练，并使用PHM08挑战赛标准对预测结果进行评估。
5.根据权利要求4所述的矿山设备运行安全态势评估方法，其特征在于，所述随机森林模型包括：
对静态特征和动态特征进行编码处理，并处理类别不平衡问题;
寻找最优参数组合，并以F1分数作为主要评估指标;
分析输出特征重要性，以提高所述随机森林模型解释性;
将所述LSTM模型输出的RUL值作为输入特征之一，通过所述随机森林模型进一步实现风险等级分类，以形成级联式风险评估流程;其中
所述静态特征包括：所述矿山设备的基本信息、所述矿山设备维护记录以及所述矿山设备的操作环境固定参数;
所述动态特征包括：实时采集矿山设备的传感器数据、短期操作行为、环境因素变化以及通过所述LSTM模型预测的所述矿山设备的剩余使用寿命RUL。
6.根据权利要求5所述的矿山设备运行安全态势评估方法，其特征在于，还包括：
收集多源影像数据，所述多源影像数据包括第一影像、第二影像和第三影像，所述第一影像为所述矿山设备状态影像，所述第二影像为环境风险影像，所述第三影像为人员行为影像，并将所述多源影像数据进行图像增强处理、空间对齐处理以及时间同步处理;
获取所述多源影像数据中的影像特征，并将所述影像特征与所述实时采集矿山设备的传感器数据一同输入至所述LSTM模型以及随机森林模型中进行综合风险评估。
7.根据权利要求1所述的矿山设备运行安全态势评估方法，其特征在于，将所述LSTM模型通过TensorFlow Lite进行压缩，并将所述LSTM模型部署到矿用边缘网关设备上，以实现快速预测所述矿山设备的剩余使用寿命RUL，从而支持所述矿山设备的安全监控与快速决策。
8.根据权利要求1所述的矿山设备运行安全态势评估方法，其特征在于，还包括：
将评估结果以可视化形式展示，所述评估结果包括矿山设备状态、风险等级以及预警信息，同时，将所述评估结果集成到矿山管理系统，以实现数据共享和决策支持;
定期收集新数据以更新所述动态风险评估体系，并进行模型漂移检测和A/B测试，以确保动态风险评估体系的准确性和稳定性;
其中，所述模型漂移检测通过监控特征分布变化触发模型重训练，所述A/B测试通过新旧模型并行运行对比预警准确率，选择最优模型进行部署。
9.根据权利要求8所述的矿山设备运行安全态势评估方法，其特征在于，所述可视化形式包括但不限于驾驶舱界面、报表和图表，以便于安全管理人员直观了解所述矿山设备安全态势和风险等级，从而及时采取措施进行干预。
10.一种矿山设备运行安全态势评估系统，所述系统应用于权利要求1-9中任意一项所述的矿山设备运行安全态势评估方法，其特征在于，所述系统包括数据采集模块、数据预处理模块、数据库支撑模块、安全态势评估模块和可视化模块;其中
所述数据采集模块用于获取所述矿山设备的传感器数据、管理数据以及影像数据;
所述数据预处理模块适于对所述传感器数据、所述管理数据以及所述影像数据进行数据清洗、特征工程和数据融合;
所述数据库支撑模块用于结构化存储所述矿山设备数据;
所述安全态势模块适于将实时采集的所述传感器数据、所述管理数据以及所述影像数据输入到所述LSTM模型以及随机森林模型，通过所述LSTM模型以及随机森林模型计算所述矿山设备的安全态势得分和风险等级，当所述安全态势得分低于预设的安全态势值和/或所述风险等级高于预设风险级值时触发预警;
所述可视化模块用于对所述矿山设备的安全态势得分和所述矿山设备的风险等级进行展示。
说明书
技术领域
[0001]本申请涉及矿山设备技术领域，尤其涉及一种矿山设备运行安全态势评估方法及系统。
背景技术
[0002]矿山设备的安全运行以确保生产效率和保护人员。然而，由于矿山环境的复杂性和矿山设备操作条件的苛刻性，基于定期维护和人工检查的方法往往难以及时发现潜在问题，导致矿山设备故障或事故发生。
发明内容
[0003]本申请实施例提供一种矿山设备运行安全态势评估方法及系统，本申请采用如下技术方案：
第一方面，提供一种矿山设备运行安全态势评估方法，所述方法包括：
实时采集矿山设备的传感器数据、管理数据以及影像数据;
对采集的所述传感器数据、所述管理数据以及所述影像数据进行预处理，包括对所述传感器数据、所述管理数据以及所述影像数据进行数据清洗、特征工程和数据融合;其中，所述数据清洗用于去除异常值和噪声，所述特征工程用于提取所述传感器数据、所述管理数据以及所述影像数据的关键特征，所述数据融合用于将所述传感器数据、所述管理数据以及所述影像数据的关键特征融合为综合数据集;
基于所述综合数据集，构建包括矿山设备本体状态、矿山设备运行环境指标、人为操作因素和管理机制在内的多维度评估指标体系;
采用层次分析法和/或模糊综合评价法确定指标权重，构建动态风险评估体系，所述动态风险评估体系包括LSTM模型以及随机森林模型，所述LSTM模型适于预测所述矿山设备的剩余使用寿命RUL，其中，所述LSTM模型输入包括历史故障数据和实时传感器数据，所述随机森林模型适于分类风险等级，所述随机森林模型输入包括所述综合数据集;
将实时采集的所述传感器数据、所述管理数据以及所述影像数据输入到所述LSTM模型以及随机森林模型，通过所述LSTM模型以及随机森林模型计算所述矿山设备的安全态势得分和风险等级，当所述安全态势得分低于预设的安全态势值和/或所述风险等级高于预设风险级值时触发预警。
[0004]在本申请一实施例中，所述实时采集矿山设备的传感器数据包括：
第一传感器数据，所述第一传感器数据包括矿山设备振动频率、矿山设备温度、矿山设备压力、矿山设备磨损度以及矿山设备的润滑状态;
第二传感器数据，所述第二传感器数据包括甲烷浓度、一氧化碳浓度、氧气浓度、粉尘浓度以及温湿度;其中
所述管理数据包括矿山设备维护记录、人员培训档案和事故报告;
所述影像数据包括矿山设备状态影像、环境风险影像和人员行为影像。
[0005]在本申请一实施例中，所述特征工程还适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征进行时间对齐处理、滑动窗口处理以及归一化处理;其中
所述时间对齐处理适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征按照统一的时间基准进行同步，以便于后续的联合分析;
经过所述时间对齐处理的所述传感器数据、所述管理数据以及所述影像数据的关键特征构造为数据流，所述滑动窗口处理适于将所述数据流分割成固定长度的时间段，每个所述时间段内的数据被视为一个样本;
所述归一化处理适于将所述传感器数据、所述管理数据以及所述影像数据的关键特征转换到相同的尺度范围，以避免所述传感器数据、所述管理数据和/或所述影像数据的关键特征数值范围过大而在模型训练过程中占据主导地位。
[0006]在本申请一实施例中，所述LSTM模型构建包含至少两层LSTM单元的神经网络结构，训练所述LSTM模型，以防止训练数据过拟合，同时采用平均绝对误差作为损失函数对所述LSTM模型进行模型训练，并使用PHM08挑战赛标准对预测结果进行评估。
[0007]在本申请一实施例中，所述随机森林模型包括：
对静态特征和动态特征进行编码处理，并处理类别不平衡问题;
寻找最优参数组合，并以F1分数作为主要评估指标;
分析输出特征重要性，以提高所述随机森林模型解释性;
将所述LSTM模型输出的RUL值作为输入特征之一，通过所述随机森林模型进一步实现风险等级分类，以形成级联式风险评估流程;其中
所述静态特征包括：所述矿山设备的基本信息、所述矿山设备维护记录以及所述矿山设备的操作环境固定参数;
所述动态特征包括：实时采集矿山设备的传感器数据、短期操作行为、环境因素变化以及通过所述LSTM模型预测的所述矿山设备的剩余使用寿命RUL。
[0008]在本申请一实施例中，还包括：
收集多源影像数据，所述多源影像数据包括第一影像、第二影像和第三影像，所述第一影像为所述矿山设备状态影像，所述第二影像为环境风险影像，所述第三影像为人员行为影像，并将所述多源影像数据进行图像增强处理、空间对齐处理以及时间同步处理;
获取所述多源影像数据中的影像特征，并将所述影像特征与所述实时采集矿山设备的传感器数据一同输入至所述LSTM模型以及随机森林模型中进行综合风险评估。
[0009]在本申请一实施例中，将所述LSTM模型通过TensorFlow Lite进行压缩，并将所述LSTM模型部署到矿用边缘网关设备上，以实现快速预测所述矿山设备的剩余使用寿命RUL，从而支持所述矿山设备的安全监控与快速决策。
[0010]在本申请一实施例中，还包括：
将评估结果以可视化形式展示，所述评估结果包括矿山设备状态、风险等级以及预警信息，同时，将所述评估结果集成到矿山管理系统，以实现数据共享和决策支持;
定期收集新数据以更新所述动态风险评估体系，并进行模型漂移检测和A/B测试，以确保动态风险评估体系的准确性和稳定性;
其中，所述模型漂移检测通过监控特征分布变化触发模型重训练，所述A/B测试通过新旧模型并行运行对比预警准确率，选择最优模型进行部署。
[0011]在本申请一实施例中，所述可视化形式包括但不限于驾驶舱界面、报表和图表，以便于安全管理人员直观了解所述矿山设备安全态势和风险等级，从而及时采取措施进行干预。
[0012]第二方面，基于相同发明构思，提供了一种矿山设备运行安全态势评估系统，所述系统应用于上述实施例中任意一项所述的矿山设备运行安全态势评估方法，所述系统包括：数据采集模块、数据预处理模块、数据库支撑模块、安全态势评估模块和可视化模块;其中
所述数据采集模块用于获取所述矿山设备的传感器数据、管理数据以及影像数据;
所述数据预处理模块适于对所述传感器数据、所述管理数据以及所述影像数据进行数据清洗、特征工程和数据融合;
所述数据库支撑模块用于结构化存储所述矿山设备数据;
所述安全态势模块适于将实时采集的所述传感器数据、所述管理数据以及所述影像数据输入到所述LSTM模型以及随机森林模型，通过所述LSTM模型以及随机森林模型计算所述矿山设备的安全态势得分和风险等级，当所述安全态势得分低于预设的安全态势值和/或所述风险等级高于预设风险级值时触发预警;
所述可视化模块用于对所述矿山设备的安全态势得分和所述矿山设备的风险等级进行展示。
[0013]综上，上述矿山设备运行安全态势评估方法及系统具有如下技术效果：
本申请实施例通过对矿山设备进行全面、实时的监测和评估，能够在早期发现潜在问题，及时采取措施，有效预防事故发生，保障矿山生产安全，而且，本申请还能提供直观的安全态势得分和风险等级，帮助管理人员做出更加科学合理的决策，当然，基于准确的风险评估结果，管理人员可以合理安排维护计划和资源配置，减少不必要的停机时间和维护成本。
附图说明
[0014]图1为本申请实施例提供的一种矿山设备运行安全态势评估方法的步骤示意图。
具体实施方式
[0015]下面将结合附图，对本申请中的技术方案进行描述。
[0016]参照图1，本申请的实施例提供了一种矿山设备运行安全态势评估方法，该方法包括以下步骤：
实时采集矿山设备的传感器数据、管理数据以及影像数据;
可以理解的是，通过实时采集矿山设备的传感器数据、管理数据以及影像数据，以实时获取关于矿山设备状态的全方位信息。传感器数据包括但不限于矿山设备的振动频率、温度、压力等物理参数，传感器数据直接反映了矿山设备的工作状态。管理数据包括但不限于维护记录、培训档案和事故报告等，提供了管理和操作层面的信息。影像数据包括但不限于视频监控或图像捕捉，以用于监测环境风险和人员行为。
[0017]对采集的传感器数据、管理数据以及影像数据进行预处理，包括对传感器数据、管理数据以及影像数据进行数据清洗、特征工程和数据融合;其中，数据清洗用于去除异常值和噪声，特征工程用于提取传感器数据、管理数据以及影像数据的关键特征，数据融合用于将传感器数据、管理数据以及影像数据的关键特征融合为综合数据集;
可以理解的是，实时采集的传感器数据、管理数据以及影像数据需要进行预处理，预处理包括对上述数据进行数据清洗、特征工程和数据融合，此处，数据清洗用于去除异常值和噪声，从而保证上述数据的质量和可靠性;特征工程用于提取传感器数据、管理数据以及影像数据的关键特征，以方便后续分析，例如，特征工程可以是将时间序列数据转换为适合LSTM模型输入的形式;数据融合用于将传感器数据、管理数据以及影像数据的关键特征融合为综合数据集，以此可以整合来自不同来源的数据(传感器数据、管理数据以及影像数据)，从而形成一个综合数据集，进而便于统一处理和分析。
[0018]基于所述综合数据集，构建包括矿山设备本体状态、矿山设备运行环境指标、人为操作因素和管理机制在内的多维度评估指标体系;
可以理解的是，通过上述设置可以建立一个包含设备本体状态、运行环境指标、人为操作因素和管理机制在内的多维度评估指标体系，从而提供一个全面的视角来评估矿山设备的安全状况。值得一提的是，上述设计考虑到技术、环境、人员和管理等多个方面的影响，以实现更全面地评估矿山设备的运行安全态势。
[0019]采用层次分析法和/或模糊综合评价法确定指标权重，构建动态风险评估体系，所述动态风险评估体系包括LSTM模型以及随机森林模型，所述LSTM模型适于预测所述矿山设备的剩余使用寿命RUL，其中，所述LSTM模型输入包括历史故障数据和实时传感器数据，所述随机森林模型适于分类风险等级，所述随机森林模型输入包括所述综合数据集;
在一些实施例中，层次分析法(AHP)通过将问题分解为多个层次(如目标、准则、子准则和选项)，并通过成对比较矩阵来确定各因素的重要性权重。在矿山设备安全评估中，层次分析法可以用来评估不同维度(如设备本体状态、环境指标、人为操作因素和管理机制)对整体安全态势的影响，并赋予每个维度相应的权重。
[0020]模糊综合评价法适用于处理不确定性、模糊性和主观性较强的问题，模糊综合评价法利用模糊数学理论，通过建立模糊关系矩阵和确定权重向量来进行综合评价。在矿山设备评估中，模糊综合评价法可用于处理难以精确量化但又非常重要的因素(如地质风险等级)，从而提供更全面的风险评估。由此，通过AHP或模糊综合评价法确定各评估指标的权重，确保了不同维度的信息得到合理的重视，避免单一维度主导评估结果。
[0021]LSTM模型(长短期记忆网络)适于处理时间序列数据，LSTM模型可以捕捉到长期依赖关系，以用于预测设备剩余使用寿命RUL。LSTM模型的输入包括历史故障数据(设备停机记录、维修日志等)和实时传感器数据(矿山设备的振动频率、温度、压力等)，LSTM模型可以通过输入的历史故障数据和实时传感器数据预测出矿山设备的剩余使用寿命RUL。通过预测矿山设备未来的健康状况，以提前识别可能的故障，从而帮助制定维护计划，减少非计划停机时间。
[0022]随机森林模型通过构建多个决策树并将多个决策树的结果汇总来提高预测准确性和控制过拟合，随机森林模型的输入包括综合数据集，即随机森林模型的输入包括从传感器数据、管理数据和影像数据中提取的关键特征，以及由LSTM模型预测的RUL值，随机森林模型通过输入的综合数据集输出风险等级分类结果。通过对综合数据进行分析，随机森林模型能够根据当前的状态信息评估矿山设备的风险等级，从而指导采取相应的预防措施。
[0023]由此，通过结合LSTM的时间序列预测能力和随机森林的分类能力，可以显著提高对矿山设备剩余寿命及风险等级预测的准确性，从而提供直观的安全态势得分和风险等级，帮助管理人员做出更加科学合理的决策，优化维护策略和资源分配，有助于减少事故发生率，保障矿山生产安全。
[0024]将实时采集的所述传感器数据、所述管理数据以及所述影像数据输入到所述LSTM模型以及随机森林模型，通过所述LSTM模型以及随机森林模型计算所述矿山设备的安全态势得分和风险等级，当所述安全态势得分低于预设的安全态势值和/或所述风险等级高于预设风险级值时触发预警。
[0025]在一些实施例中，将实时采集的矿山设备的传感器数据、管理数据以及影像数据输入到LSTM和随机森林模型中，以计算出矿山设备的安全态势得分和风险等级，当计算出的安全态势得分低于预设的安全态势值或风险等级高于预设风险级值时，系统自动触发预警，提示采取相应措施以预防潜在的安全事故。
[0026]根据本申请的矿山设备运行安全态势评估方法，通过对矿山设备进行全面、实时的监测和评估，能够在早期发现潜在问题，及时采取措施，有效预防事故发生，保障矿山生产安全，而且，本申请还能提供直观的安全态势得分和风险等级，帮助管理人员做出更加科学合理的决策，当然，基于准确的风险评估结果，管理人员可以合理安排维护计划和资源配置，减少不必要的停机时间和维护成本。
[0027]值得一提的是，本申请的矿山设备运行安全态势评估方法可以应用于采煤机或输送带等矿山设备。
[0028]根据本发明的一些实施例，实时采集矿山设备的传感器数据包括：第一传感器数据和第二传感器数据，第一传感器数据包括矿山设备振动频率、矿山设备温度、矿山设备压力、矿山设备磨损度以及矿山设备的润滑状态，第二传感器数据包括甲烷浓度、一氧化碳浓度、氧气浓度、粉尘浓度以及温湿度;其中管理数据包括矿山设备维护记录、人员培训档案和事故报告;影像数据包括矿山设备状态影像、环境风险影像和人员行为影像。
[0029]在一些实施例中，矿山设备振动频率数据用于监测矿山设备机械部件的工作状态(异常振动可能是矿山设备故障的早期信号);矿山设备温度数据适于监控矿山设备运行时的温度变化(过高的温度可能表明存在过载或润滑不良等问题);对于液压系统或其他依赖压力操作的矿山设备，矿山设备压力数据可以反映矿山设备的健康状况;矿山设备磨损度数据可以通过传感器或定期检查记录来评估关键部件的磨损程度，以有助于预测维护需求;矿山设备的润滑状态数据适于监测矿山设备是否具有良好的润滑，润滑油的状态(如污染程度、粘度等)直接影响矿山设备的使用寿命。
[0030]甲烷浓度数据、一氧化碳浓度数据以及氧气浓度数据主要用于监测地下矿山环境中的空气质量，预防爆炸和窒息事故;对于粉尘浓度，高粉尘浓度不仅影响工人的健康，还可能引发粉尘爆炸;环境温湿度会影响矿山设备性能和工人健康(尤其是在地下矿井这种特殊环境中)。
[0031]矿山设备维护记录数据适于记录矿山设备的维护历史，矿山设备维护记录数据包括维修时间、更换部件、故障原因等信息，以有助于分析矿山设备的历史表现并优化未来的维护计划;人员培训档案数据包括记录员工的安全培训情况，以确保所有操作人员都具备必要的安全知识和技能(具体地，人员培训档案通过专家群决策评估以打分，从而得出人员培训档案在矿山设备运行安全态势评估方法中的影响程度);事故报告数据包括记录过去的事故及其处理过程，为未来预防类似事故提供参考。
[0032]通过摄像头或其他成像设备获取矿山设备外观及内部结构的图像，以实现获取矿山设备状态影像数据，矿山设备状态影像数据用于检测矿山设备表面裂纹、变形等物理损伤;环境风险影像数据包括监控矿山作业环境，以识别潜在的危险区域，如塌方、积水等;人员行为影像数据包括记录和分析工作人员的行为，确保工作人员遵守安全操作规程，及时发现并纠正违规行为。
[0033]可以理解的是，通过收集不同类型的传感器数据、管理数据和影像数据，能够从多个角度全面了解矿山设备的运行状态及其周围环境，以有助于更准确地评估矿山设备的安全态势。利用传感器进行实时数据采集，可以及时发现异常情况，并触发预警机制，从而快速采取措施避免事故。
[0034]需要说明的是，传感器数据提供了矿山设备运行状态的直接反馈，通过分析传感器数据可以预测矿山设备可能出现的问题，并提前安排维护工作。管理数据提供了关于矿山设备维护历史、员工培训情况和过去事故的信息，以有助于制定更加科学合理的管理和维护策略;影像数据不仅能够直观展示设备和环境的状态，还可以通过图像处理技术自动识别潜在的风险因素，提高安全管理效率。
[0035]根据本发明的一些实施例，特征工程还适于将传感器数据、管理数据以及影像数据的关键特征进行时间对齐处理、滑动窗口处理以及归一化处理;其中时间对齐处理适于将传感器数据、管理数据以及影像数据的关键特征按照统一的时间基准进行同步，以便于后续的联合分析;经过时间对齐处理的传感器数据、管理数据以及影像数据的关键特征构造为数据流，滑动窗口处理适于将数据流分割成固定长度的时间段，每个时间段内的数据被视为一个样本;归一化处理适于将传感器数据、管理数据以及影像数据的关键特征转换到相同的尺度范围，以避免传感器数据、管理数据和/或影像数据的关键特征数值范围过大而在模型训练过程中占据主导地位。
[0036]在一些实施例中，由于不同类型的设备或系统可能具有不同的采样频率或记录时间，直接合并这些数据可能导致时间上的错位。由此，本申请的时间对齐处理可以将传感器数据、管理数据以及影像数据的关键特征按照统一的时间基准进行同步，通过时间对齐处理，可以确保所有数据点都对应到同一时间戳上，以便于联合分析。例如，将某一时刻的振动数据与该时刻的甲烷浓度、维护记录以及视频监控图像同步起来，以形成一个完整的时间序列数据集。由此，通过时间对齐处理，可以确保所有数据在同一时间基准下进行分析，避免因时间错位导致的信息丢失或错误。
[0037]滑动窗口处理适于将经过时间对齐处理后的数据流分割成固定长度的时间段，每个时间段内的数据被视为一个样本，每个样本分别输入到LSTM模型以及随机森林模型中，从而捕捉传感器数据、管理数据以及影像数据中的时序模式。例如，以10分钟为窗口长度，每5分钟滑动一次，生成一系列包含10分钟内所有传感器读数、管理记录和影像特征的样本，以有助于识别短期趋势和变化。
[0038]归一化处理适于将不同来源的数据转换到相同的尺度范围，使得LSTM模型以及随机森林模型能够更公平地对待每一个特征，避免因数值范围差异过大而导致某些特征在模型训练过程中占据主导地位。例如，振动频率的范围可能是0到1000Hz，而温度的范围可能是-20到50摄氏度，由此，通过归一化处理可以避免LSTM模型以及随机森林模型倾向于优先考虑数值较大的特征(如振动频率)，而忽略其他同样重要的特征(如温度)。
[0039]由此，通过时间对齐、滑动窗口和归一化处理，显著提高了传感器数据、管理数据以及影像数据的质量和一致性，从而有助于提升机器学习模型(如LSTM模型和随机森林模型)的预测精度和稳定性，进而更好地捕捉矿山设备的状态变化和潜在风险，当然，精确的数据处理减少了不必要的计算资源浪费，提高了系统的效率。
[0040]根据本发明的一些实施例，LSTM模型构建包含至少两层LSTM单元的神经网络结构，训练LSTM模型，以防止训练数据过拟合，同时采用平均绝对误差作为损失函数对LSTM模型进行模型训练，并使用PHM08挑战赛标准对预测结果进行评估。
[0041]在一些实施例中，LSTM模型结构包括至少两层LSTM单元的神经网络结构，以捕捉更复杂的时序依赖关系。在矿山设备运行安全态势评估中，使用至少两层LSTM单元可以更好地捕捉设备状态变化的时间动态特性，以提高对矿山设备健康状况的理解和预测能力。
[0042]作为本申请的一个示例，使用早停法(Early Stopping)对LSTM模型进行训练，早停法在训练过程中可以监控验证集上的性能指标(如损失函数值)。值得一提的是，如果验证集上的性能在连续若干轮迭代后没有改善，则提前终止训练。即通过早停法，可以在LSTM模型开始过拟合之前停止训练，从而保持LSTM模型在未见过的数据上的泛化能力。
[0043]动态调整学习率的方法(如ReduceLROnPlateau)可以在训练过程中根据验证集的表现自动降低学习率，以帮助模型收敛到更好的解。动态调整学习率的方法可以避免固定学习率可能导致的学习速度过快或过慢的问题，使得LSTM模型能够在训练过程中逐步找到最优参数;平均绝对误差(MAE)作为损失函数，其计算公式为所有样本预测误差绝对值的平均值。相比于均方误差(MSE)，MAE对异常值不那么敏感，更适合用于回归问题。在预测矿山设备剩余使用寿命RUL时，使用MAE作为损失函数可以帮助LSTM模型更加稳健地学习矿山设备状态变化的趋势，减少极端误差的影响，减少了异常值对模型训练过程的影响，提高了LSTM模型的稳定性和可靠性。
[0044]值得一提的是，采用PHM08挑战赛标准评估LSTM模型的预测结果，可以全面衡量模型在实际应用场景中的表现，鼓励LSTM模型不仅能准确预测故障时间，还能尽可能早地发出预警信号，以有助于及时采取措施避免矿山设备故障和生产中断。
[0045]根据本发明的一些实施例，随机森林模型包括：对静态特征和动态特征进行编码处理，并处理类别不平衡问题;寻找最优参数组合，并以F1分数作为主要评估指标;分析输出特征重要性，以提高随机森林模型解释性;将LSTM模型输出的RUL值作为输入特征之一，通过随机森林模型进一步实现风险等级分类，以形成级联式风险评估流程;其中静态特征包括：矿山设备的基本信息、矿山设备维护记录以及矿山设备的操作环境固定参数;动态特征包括：实时采集矿山设备的传感器数据、短期操作行为、环境因素变化以及通过所述LSTM模型预测的矿山设备的剩余使用寿命RUL。
[0046]在一些实施例中，对静态特征和动态特征进行编码转换，以确保静态特征和动态特征能够被随机森林模型正确理解和处理，例如，将类别型变量转换为数值型变量。通过结合静态特征和动态特征，随机森林模型能够全面捕捉影响矿山设备安全的各种因素，即从矿山设备本身的状态到外部环境的变化。
[0047]作为本申请的一个实施例，本申请利用SMOTE技术用于解决类别不平衡问题，通过生成少数类样本的合成实例，平衡不同类别之间的比例，从而提高随机森林模型在少数类上的识别能力。在风险等级分类中，如果某一类别的故障或高风险事件发生率较低，使用SMOTE可以帮助随机森林模型更好地学习这类样本的特征，避免随机森林模型偏向多数类样本。当然，本申请通过网格搜索(GridSearchCV)以找到最优的超参数设置，网格搜索会自动进行交叉验证，评估每组参数组合的表现，并选择表现最佳的一组参数，以F1分数作为主要评估指标(F1分数是精确率和召回率的调和平均数)。同时，本申请通过SHAP值(SHapleyAdditive exPlanations )分析输出特征重要性，以量化每个特征对随机森林模型预测结果的贡献程度。通过对随机森林模型进行SHAP值分析，可以清晰地了解哪些特征对最终的风险等级分类决策最为关键，从而提高随机森林模型的透明度和可解释性。
[0048]值得一提的是，将LSTM模型预测的设备剩余使用寿命RUL作为输入特征之一，与静态特征和动态特征一起输入到随机森林模型中，以进行风险等级分类，由此可以实现不仅利用了矿山设备的历史运行数据(通过LSTM模型得到)，还结合了当前的操作环境和行为特征，从而实现了更全面的风险评估。即首先由LSTM模型预测RUL，然后将RUL与静态特征和动态特征一起输入随机森林模型进行进一步的风险等级分类，形成一个两级的评估流程，提高了整体评估的准确性和可靠性。
[0049]在一些实施例中，LSTM模型为：
python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
model = Sequential()
model.add(LSTM(64, input_shape=(window_length, feature_dim), return_sequences=True))# 输入维度：时间步长×特征数
model.add(Dropout(0.2))
model.add(LSTM(32))
model.add(Dense(16, activation='relu'))
model.add(Dense(1, activation='linear'))# 输出RUL值
model.compile(loss='mae', optimizer='adam')# 损失函数：平均绝对误差(MAE)。
[0050]随机森林模型为：
python
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
# 定义参数网格
param_grid = {
'n_estimators': [100, 200],
'max_depth': [10, 20, None],
'class_weight': ['balanced', {0:1, 1:5, 2:10, 3:20}]
}
# 网格搜索优化
model = GridSearchCV(
RandomForestClassifier(),
param_grid,
cv=5,
scoring='f1_macro'
)
model.fit(X_train, y_train)。
[0051]且，级联式风险评估为：传感器数据 → LSTM预测RUL → RUL作为特征输入 →随机森林分类风险等级。
[0052]值得一提的是，在层次分析法中，矿山设备本体权重占比为40%，环境权重占比为30%，人为权重占比为20%，管理权重占比为10%。
[0053]在一些实施例中，随机森林模型可输出的预警等级包括四级，分别为一级(0~25%)、二级(25%~50%)、三级(50%~75%)和四级(75%~100%)，在当预警等级为一级时，矿山设备运行安全态势为安全(此处可以用绿色进行标记)，在当预警等级为二级时，矿山设备运行安全态势为低风险(此处可以用蓝色进行标记)，在当预警等级为三级时，矿山设备运行安全态势为中风险(此处可以用黄色进行标记)，在当预警等级为四级时，矿山设备运行安全态势为高风险(此处可以用红色色进行标记)。值得一提的是，在当预警等级为三级时，工作人员可以对矿山设备进行停机检修，在当预警等级为四级时，工作人员需及时从矿山撤离。
[0054]需要说明的是，在当RUL预测值<阈值时，强制提升风险等级(如从二级升至三级);在当甲烷浓度、一氧化碳浓度以及粉尘浓度等超标时，亦触发额外加权。
[0055]作为本申请的一个示例，在当RUL预测值为12小时的时候，矿山设备寿命的SHAP值为0.41，在当近期违规操作次数为3次时，矿山设备操作SHAP值为0.28，在当甲烷浓度为1.2%时，环境SHAP值为0.35，最后，计算出的综合风险得分=12*0.41+3*0.28+12*0.35=6.18，此处，综合风险得分范围为[0, 10]，由此，此时的综合风险概率=6.18/10*100%=61.8%，且由于甲烷的浓度超标，由此增加了20%的风险概率，即最终的综合风险概率=61.8%+20%=81.8%，81.8%的综合风险概率已达到四级的预警等级，系统可以立即触发紧急停机。
[0056]根据本发明的一些实施例，矿山设备运行安全态势评估方法还包括：收集多源影像数据和获取多源影像数据中的影像特征，多源影像数据包括第一影像、第二影像和第三影像，第一影像为矿山设备状态影像，第二影像为环境风险影像，第三影像为人员行为影像，并将多源影像数据进行图像增强处理、空间对齐处理以及时间同步处理，并将影像特征与实时采集矿山设备的传感器数据一同输入至LSTM模型以及随机森林模型中进行综合风险评估。
[0057]在一些实施例中，第一影像为矿山设备状态影像，第一影像可以是直接拍摄矿山设备外观或内部结构的图像，以用于检测矿山设备表面裂纹、变形等物理损伤;第二影像为环境风险影像，第二影响包括监控矿区环境的照片或视频，如监测塌方、积水等情况，以帮助识别潜在的环境风险;第三影像为人员行为影像，第三影像用于记录工作人员的行为，确保工作人员遵守安全操作规程，及时发现并纠正违规行为。
[0058]通过对多源影像数据进行增强处理(如对比度调整、去噪等)，可以提高图像质量，使得后续的特征提取更加准确，例如，在低光照条件下拍摄的影像可以通过增强处理提升清晰度，便于更准确地识别设备状态或环境中的细节;空间对齐处理可以确保不同视角或不同时间点获取的影像能够正确对齐，保证特征提取的一致性和准确性，比如将来自多个摄像头的不同角度的影像进行对齐，形成一个完整的3D视图，有助于全面分析矿山设备的状态;时间同步处理可以使多源影像数据与其他类型的数据(如传感器数据等)在时间上保持一致，以便于联合分析，以确保某一时刻的振动数据与该时刻的矿山设备状态影像同步，从而形成一个完整的时间序列数据集，使得风险评估更精确。
[0059]使用计算机视觉技术(如目标检测、语义分割、行为识别等)从多源影像数据中提取特征。值得一提的是，目标检测用于识别多源影像数据中的特定对象，如矿山设备上的裂缝或环境中的障碍物;语义分割用于将多源影像数据中的每个像素分配给某个类别，如区分矿山设备的不同部分或识别不同的环境区域;行为识别用于分析人员行为影像，判断是否存在违反安全规程的行为。将提取出的影像特征与实时采集的矿山设备传感器数据相结合，作为LSTM模型和随机森林模型的输入，随后LSTM模型利用时间序列数据(包括传感器数据和影像特征)预测矿山设备剩余使用寿命RUL，最后，随机森林模型结合静态特征、动态特征以及影像特征进行风险等级分类。
[0060]由此，通过引入多源影像数据并与传感器数据等结合，实现了多模态数据的融合，以从更多维度全面了解矿山设备及环境的状态，为风险评估提供了丰富的信息基础，而且，通过图像增强、空间对齐和时间同步处理，确保多源影像数据的质量和一致性，提高了特征提取的准确性，当然，将多源影像数据与传感器数据结合输入到LSTM和随机森林模型中，可以形成一个更加全面和精准的风险评估流程。
[0061]根据本发明的一些实施例，将LSTM模型通过TensorFlow Lite进行压缩，并将LSTM模型部署到矿用边缘网关设备上，以实现快速预测矿山设备的剩余使用寿命RUL，从而支持矿山设备的安全监控与快速决策。
[0062]在一些实施例中，通过TensorFlow Lite对LSTM模型进行压缩(量化技术)，以减少LSTM模型大小和计算复杂度，使得原本需要大量计算资源的LSTM模型能够在边缘设备上运行，不仅减少了LSTM模型的存储需求，还加快了推理速度。例如，通过对权重进行8位整数量化，以显著减小模型体积并提高计算效率，同时保持较高的预测精度。
[0063]矿用边缘网关设备可以是华为Atlas 500智能小站等，矿用边缘网关设备可以直接部署在矿山现场，处理本地数据，减少延迟。由此，将经过TensorFlow Lite压缩后的LSTM模型部署到这些边缘网关设备上，使得LSTM模型可以即时分析来自传感器的数据流，以实现快速预测矿山设备的剩余使用寿命，避免了数据传输到云端带来的延迟问题，从而使得LSTM模型能够实时处理传感器数据并进行RUL预测。
[0064]由此，利用TensorFlow Lite对LSTM模型进行压缩，使得原本复杂的LSTM模型能够在资源有限的边缘设备上高效运行，既保证了LSTM模型性能又降低了硬件成本，而且通过将LSTM模型部署到边缘网关设备上，实现了数据的本地处理，减少了网络传输造成的延迟，提升了系统的响应速度。
[0065]根据本发明的一些实施例，矿山设备运行安全态势评估方法还包括：将评估结果以可视化形式展示，评估结果包括矿山设备状态、风险等级以及预警信息，同时，将评估结果集成到矿山管理系统，以实现数据共享和决策支持;定期收集新数据以更新动态风险评估体系，并进行模型漂移检测和A/B测试，以确保动态风险评估体系的准确性和稳定性;其中，模型漂移检测通过监控特征分布变化触发模型重训练，A/B测试通过新旧模型并行运行对比预警准确率，选择最优模型进行部署。
[0066]在一些实施例中，将评估结果(如矿山设备状态、风险等级、预警信息)以直观的形式展示出来，便于管理人员快速理解当前的安全态势，此处可以使用驾驶舱界面、报表、图表等多种可视化工具，以提供多维度的数据视图;将评估结果集成到现有的矿山管理系统中，实现数据共享和跨部门协作，由此，所有相关部门(如维护团队、生产管理、安全管理等)都能访问最新的评估结果，提高信息透明度，从而可以实现基于全面的数据分析结果，帮助管理层做出更加科学合理的决策，优化资源配置和维护计划。
[0067]随着时间推移，矿山设备的状态和环境条件可能会发生变化，导致原有的LSTM模型和随机森林模型不再适用。由此，本申请持续监控矿山设备的运行状况，并定期收集新的传感器数据、管理数据和影像数据，且通过监控特征分布的变化，以判断当前LSTM模型和随机森林模型是否仍然适用，如果发现特征分布发生显著变化，则触发LSTM模型和随机森林模型重训练过程，从而确保LSTM模型和随机森林模型的准确性。
[0068]同时，本申请利用A/B测试，通过对历史数据和新数据进行对比分析，识别出特征分布的变化趋势，一旦检测到LSTM模型和/或随机森林模型性能下降，则启动LSTM模型和/或随机森林模型重训练流程。通过并行运行新旧模型，比较它们在实际应用场景中的表现(如预警准确率)，选择性能更优的模型进行部署，以确保最终部署的LSTM模型和/或随机森林模型具有最高的预测精度和可靠性。
[0069]根据本发明的一些实施例，可视化形式包括但不限于驾驶舱界面、报表和图表，以便于安全管理人员直观了解矿山设备安全态势和风险等级，从而及时采取措施进行干预。
[0070]可以理解的是，通过驾驶舱界面、报表和图表等多种形式，将复杂的评估结果以直观的方式呈现给安全管理人员，使安全管理人员能够迅速理解和掌握矿山设备的状态和潜在风险，从而迅速制定应对策略，提高了决策效率。
[0071]基于相同发明构思，本申请提出了一种矿山设备运行安全态势评估系统，矿山设备运行安全态势评估系统应用于上述实施例中任意一项所述的矿山设备运行安全态势评估方法，该矿山设备运行安全态势评估系统包括：数据采集模块、数据预处理模块、数据库支撑模块、安全态势评估模块和可视化模块;其中数据采集模块用于获取矿山设备的传感器数据、管理数据以及影像数据;数据预处理模块适于对传感器数据、管理数据以及影像数据进行数据清洗、特征工程和数据融合;数据库支撑模块用于结构化存储矿山设备数据;安全态势模块适于将实时采集的传感器数据、管理数据以及影像数据输入到LSTM模型以及随机森林模型，通过LSTM模型以及随机森林模型计算矿山设备的安全态势得分和风险等级，当安全态势得分低于预设的安全态势值和/或风险等级高于预设风险级值时触发预警;可视化模块用于对矿山设备的安全态势得分和矿山设备的风险等级进行展示。
[0072]需要说明的是，本实施例的矿山设备运行安全态势评估系统的总体技术路线基于大数据架构，采用主流语言进行开发，利用关系型数据库、非关系型数据库、和索引数据库进行数据库设计、开发，将各功能设计为松耦合模块，提供可扩展接口，向用户提供一个适合物联网数字、隐患风险事故等文本数据、图像视频数据等随需应变的应用和开发设计系统。
[0073]可选地，本实施例的矿山设备运行安全态势评估系统可以采用B/S(Browser/Server，浏览器/服务器)架构和前后端分离的开发模式，通过数据接口实现前后端数据对接，把应用层展示和后台业务逻辑处理层分离，保持大数据可视化、后端业务逻辑处理和大数据分析模型分离的模式，另外也保证了数据库逻辑处理的独立性。整体系统支持横向扩展，后端提供标准RESTFUL接口，前端可根据用户实际需要进行各种形式的展示或定制开发。
[0074]需要说明的是，本申请实施例的一种矿山设备运行安全态势评估系统的具体实施方式参照前述本申请实施例第一方面提出的一种矿山设备运行安全态势评估方法的具体实施方式，在此不再赘述。
[0075]上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程系统。计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
[0076]应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
[0077]本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b，或c中的至少一项(个)，可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
[0078]应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0079]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0080]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0081]在本申请所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0082]作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0083]另外，在本申请每个实施例中的各功能单元可以集成在一个处理单元中，也可以是每个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0084]功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请每个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0085]以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
说明书附图(1)
