[发明专利]基于机器学习的矿井传感器报警原因分类方法及装置

权利要求书

1.一种基于机器学习的矿井传感器报警原因分类方法，其特征在于，所述方法包括：

获取矿井传感器在报警前后预设时间段内的监测数据；

将所述监测数据输入预先训练的机器学习模型，确定所述监测数据对应的报警原因类型；所述机器学习模型由所述矿井传感器的历史报警数据的数据特征训练得到。

2.根据权利要求1所述方法，其特征在于，所述数据特征包括以下至少一项：报警期间内最高值、报警期间内最低值、报警期间的时长、报警当日均值、当日数据波动次数、当日数据在基准值以上的波动次数、当日数据在第一阈值以上的波动次数、当日数据在第二阈值以上的波动次数、报警期间内最高值的时间点和报警结束后第一个记录点的时间间隔、报警期间内最高值的时间点和报警开始前最后一个记录点的时间间隔、报警期间内最高值和报警结束后第一记录点的差值、报警期间内最高值和报警开始前最后一个记录点的差值、报警期间内最低值的时间点和报警结束后第一个记录点的时间间隔、报警期间内最低值的时间点和报警开始前最后一个记录点的时间间隔、报警期间内最低值和报警结束后第一个记录点的差值、报警期间内最低值和报警开始前最后一个记录点的差值、报警期间内第一个记录点和报警开始前最后一个记录点的差值、报警期间内第一个记录点和报警开始前最后一个记录点的时间间隔、报警期间内最后一个记录点和报警结束后第一个记录点的时间间隔、报警期间内最后一个记录点和报警结束后第一个记录点的差值。

3.根据权利要求1所述方法，其特征在于，所述报警原因类型包括：传感器调校、车辆尾气排放、爆破、真实报警及其他。

4.根据权利要求1所述方法，其特征在于，所述机器学习模型的训练过程如下：

获取历史报警数据，及对所述历史报警数据进行预处理；所述预处理包括异常值剔除、报警原因标签添加；

根据所述预处理后的历史报警数据构建多个子特征，以及对所述多个子特征进行模型精确度影响筛选，得到对模型精确度影响高的多个目标特征；

将预处理后的历史报警数据及所述训练集对应的报警原因标签、目标特征分为训练集和测试集；

根据所述训练集训练机器学习模型，以及根据所述测试集测试所述机器学习模型，直至所述机器学习模型的分类效果满足预设评价指标。

5.根据权利要求4所述方法，其特征在于，所述报警原因标签添加包括：

获取所述历史报警数据中第一报警记录的处置结果，以及将所述处置结果对应的报警原因标签添加至所述第一报警记录；

若所述历史报警数据中第二报警记录不存在处置结果，则将与所述第二报警记录的间隔时长小于预设时长的前一条报警记录对应的报警原因标签添加至所述第二报警记录。

6.根据权利要求4所述方法，其特征在于，所述模型精确度影响的算法为以下至少一种：互信息算法、F-分数算法、最大相关性与最小冗余度算法、前后向选择算法、随机森林算法。

7.根据权利要求1所述方法，其特征在于，所述机器学习模型为以下至少一种：逻辑回归模型、支持向量机、XGBoost、神经网络模型。

8.一种基于机器学习的矿井传感器报警原因分类装置，其特征在于，所述装置包括：

数据获取模块，用于获取矿井传感器在报警前后预设时间段内的监测数据；

报警原因分类模块，用于将所述监测数据输入预先训练的机器学习模型，确定所述监测数据对应的报警原因类型；所述机器学习模型由所述矿井传感器的历史报警数据的数据特征训练得到。