[发明专利]基于人工智能的掘进机远程智能控制系统

权利要求书

1.基于人工智能的掘进机远程智能控制系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集掘进机的至少两种工作参数，每种工作参数对应一个数据序列；

数据监测模块，用于构建每个掘进机的工作参数值对应的检测圆，每个检测圆内有至少两个工作参数值；以任意掘进机的工作参数值为目标工作参数值，根据目标工作参数值与对应的检测圆内其他工作参数值之间的分布情况、目标工作参数值与对应的数据序列中其他工作参数值之间的分布情况，得到目标工作参数值的置信度；基于所述置信度，从数据序列中选取一个工作参数值作为初始核心点；基于所述初始核心点，对数据序列中的掘进机的工作参数值分类，得到至少两个最终类别；根据掘进机的工作参数的数据序列构建对应的数据预测模型；利用数据预测模型，获取最终类别的类别中心点的数据预测值，由最终类别的类别中心点的数据预测值和工作参数值的差异，从最终类别中筛选出数据故障类别，由故障类别构建数据故障集合；根据掘进机因数据故障集合中的工作参数值发生故障的次数、发生故障时的工作参数值和对应的数据预测值，得到掘进机的工作异常控制指标；

远程调控模块，用于根据工作异常控制指标控制掘进机。

2.根据权利要求1所述的基于人工智能的掘进机远程智能控制系统，其特征在于，所述构建每个掘进机的工作参数值对应的检测圆，包括：

计算每个工作参数值的近邻数据，获取每个工作参数值和其对应的近邻数据的欧式距离的均值，作为距离均值；以工作参数值为圆心，以工作参数值对应的距离均值为半径，构建工作参数值对应的检测圆。

3.根据权利要求1所述的基于人工智能的掘进机远程智能控制系统，其特征在于，所述置信度的获取方法，包括：

根据目标工作参数值与对应的检测圆内其他工作参数值的分布情况，计算目标工作参数值的局部核心程度；计算目标工作参数值与所属数据序列中的其他工作参数值的欧式距离的均值，作为全局核心程度；将目标工作参数值的局部核心程度和全局核心程度的乘积，作为目标工作参数值的置信度。

4.根据权利要求3所述的基于人工智能的掘进机远程智能控制系统，其特征在于，所述局部核心程度的获取方法，包括：

计算目标工作参数值与对应的检测圆内其他工作参数值之间的欧氏距离；当检测圆内任意工作参数值的欧式距离大于等于预设距离阈值时，工作参数值对应的距离权值为1；当检测圆内任意工作参数值的欧式距离小于预设距离阈值时，工作参数值对应的距离权值为0；

计算检测圆内工作参数值对应的信息熵；将所述信息熵和检测圆内所有工作参数值的距离权值之和的乘积，作为目标工作参数值对应的局部核心程度。

5.根据权利要求1所述的基于人工智能的掘进机远程智能控制系统，其特征在于，所述基于所述初始核心点，对数据序列中的掘进机的工作参数值分类，得到至少两个最终类别，包括：

基于所述初始核心点，利用K-means对数据序列中的工作参数值分类，得到至少两个数据类别；

获取每个数据类别对应的高斯模型；计算两两数据类别对应的高斯模型的差异程度，基于所述差异程度，对数据类别进行合并，得到合并类别；

计算每个合并类别中工作参数值在合并类别内对应的高斯值，将高斯值小于等于预设高斯值阈值的工作参数值作为偏差数据，构成初始偏差数据类别；根据偏差数据在每个合并类别和初始偏差数据类别对应的高斯模型中的高斯值，将偏差数据划分至合并类别和最终偏差数据类别中，得到最终类别。

6.根据权利要求5所述的基于人工智能的掘进机远程智能控制系统，其特征在于，所述计算两两数据类别对应的高斯模型的差异程度，基于所述差异程度，对数据类别进行合并，得到合并类别，包括：

计算两两数据类别对应的高斯模型之间的KL散度，将所述KL散度作为差异程度；

将所述差异程度小于预设差异阈值的两个数据类别合并，得到合并类别。