[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

说明书

本发明提供了一种基于机器学习的矿井传感器报警原因分类方法及装置，该方法包括：获取矿井传感器在报警前后预设时间段内的监测数据；将监测数据输入预先训练的机器学习模型，确定监测数据对应的报警原因类型；该机器学习模型由矿井传感器的历史报警数据的数据特征训练得到。本发明可以精准识别传感器真实报警，正确判断井下危险状态，对指导矿井安全开采，协助监控部门提高管理决策水平具有重要意义。

技术领域

本发明涉及煤矿安全生产数据特征识别技术领域，具体而言，涉及一种基于机器学习的矿井传感器报警原因分类方法及装置。

背景技术

为实时监测煤矿井下环境、保障煤矿安全生产，有关规定要求矿井必须装备安全监控系统。该系统用以监测甲烷浓度、一氧化碳浓度、风速、风压、温度、烟雾、馈电状态、风门状态、风筒状态、局部通风机开停、主要通风机开停等，并实现甲烷超限声光报警、断电和甲烷风电闭锁控制等。其中，甲烷传感器的报警浓度一般在0.5％CH4～1.0％CH4范围内，具体报警浓度可根据其安装位置确定，一氧化碳传感器的报警浓度为0.0024％CO。

然而，在井下实际开采过程中，导致甲烷传感器、一氧化碳传感器报警的原因是多种多样的。例如，对甲烷传感器、一氧化碳传感器进行调校，导致传感器监测值超过报警浓度；在井下放炮、汽车尾气排放会导致一氧化碳浓度升高，甚至超过报警浓度等。在这些情况下传感器报警而实际并未出现生产危险状况，使安全监控系统难以正确判断井下危险状态，导致矿井安全管理和决策出现错误。

发明内容

本发明解决的是现有矿井安全监控系统难以正确判断井下危险状态，导致矿井安全管理和决策出现错误的问题。

为解决上述问题，本发明提供一种基于机器学习的矿井传感器报警原因分类方法，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历史报警数据的数据特征训练得到。

可选地，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。

可选地，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。

可选地，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。

可选地，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。