【能源人都在看，点击右上角加】
可阅读全文
原文发表在《工矿自动化》2021年第3期，欢迎品读。
一、系统架构
针对现有矿用设备监测数据精度不高、数据分析能力弱、智能化程度不高等问题，提出了一种矿用设备智能安全监测与预知维护系统。该系统分为数据采集层、智能模型层、数据处理层和人机交互层，如下图所示。
数据采集层主要采集矿用设备安全监测数据，数据采集方式包括感知设备自动上传和人工录入，采集的安全监测数据、矿用设备历史状态样本数据与设备维护方案均以数据表的形式通过服务器存储至数据库。
智能模型层是系统的核心，通过推理引擎对采集的矿用设备安全监测数据进行计算模拟与模型训练，经过反馈调整获取最优的模型权值，从而构建基于SA的智能数据预选模型和基于CNN的智能安全预知维护模型。
数据处理层采用智能数据预选模型对矿用设备安全监测数据进行筛选，以剔除数据中的异常值；利用智能安全预知维护模型对预选的数据进行处理,以提取矿用设备运行状态特征，并通过映射到矿用设备历史状态样本数据表，判断矿用设备运行状态。
人机交互层主要实现矿用设备安全监测数据实时可视化，方便安全人员对矿用设备运行状态实时监测，获取矿用设备相应维护方案。
二、系统实现
基于SA的智能数据预选模型原理如下图所示。
初始遍历矿用设备某监测项的安全监测数据，设定数据预选的最大阈值、最小阈值及迭代次数，采用Metropolis准则获取概率阈值。随机选出监测项中某个数据项作为初始节点（携带邻近节点值的信息记录表），从初始节点向周围的邻近节点发散，随机选择1个邻近节点作为下一跳节点，计算初始节点与该节点的能量差。若能量差小于0，则跳转至该节点；否则，通过Metropolis准则计算从初始节点到其他邻近节点的概率。若概率大于概率阈值，则选取最大概率对应的邻近节点跳转，温度衰减，判断该节点值是否在数据预选阈值范围内，若是则将该节点值记录至数据表中，继续从该节点向邻近节点发散；若概率小于概率阈值，则停留在初始节点，重新选择下一跳节点。当温度衰减至0或达到迭代次数时，数据预选过程结束并记录终点节点值至数据表。
基于CNN的智能安全预知维护模型原理如下图所示。
首先，将通过智能数据预选模型预选后的矿用设备安全监测数据（噪声、功率、温度、振动、电流、电压、湿度、转速）转换为输入矩阵。然后，通过具有不同大小卷积核的卷积层对输入矩阵进行数据特征提取。接着，利用池化层进行数据降维，缩减数据的特征项，再经过全连接得到矿用设备运行状态预测数据。最后，将矿用设备运行状态预测数据与历史状态数据进行对比，判断矿用设备状态是否异常。
引用格式
徐畅,王道元,李敬兆,等.矿用设备智能安全监测与预知维护系统[J].工矿自动化,2021,47(3):79-82.
XU Chang,WANG Daoyuan,LI Jingzhao,et al.Intelligent safety monitoring and predictive maintenance system for mining equipment[J].Industry and Mine Automation,2021,47(3):79-82.
作者联系方式
徐畅（1978—），女，安徽淮南人，讲师，硕士，主要研究方向为智慧矿山，E-mail:1579221994@qq.com。
责任编辑联系方式
盛男，E-mail:8833361@qq.com
矿用设备智能安全监测与预知维护系统
Intelligent safety monitoring and predictive maintenance system for mining equipment
【作者】徐畅1，王道元2，李敬兆2，陈梓华2
【Author】 XU Chang1,WANG Daoyuan2,LI Jingzhao2,CHEN Zihua2
【作者机构】1.淮北职业技术学院 计算机科学技术系， 安徽 淮北235025; 2.安徽理工大学 电气与信息工程学院， 安徽 淮南232001
【Unit】1.Department of Computer Science and Technology, Huaibei Vocational and Technical College, Huaibei 235025, China; 2.School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan 232001, China
【摘要】针对现有矿用设备监测数据精度不高、数据分析能力弱、智能化程度不高等问题，提出了一种矿用设备智能安全监测与预知维护系统。该系统通过基于模拟退火算法的智能数据预选模型对矿用设备安全监测数据进行预处理，筛选出阈值范围内的数据，以剔除数据中的异常值；利用基于卷积神经网络的智能安全预知维护模型，使用不同大小的卷积核进行双通道卷积，多样化提取筛选后的数据特征，并与矿用设备历史状态样本数据进行对比，从而判断矿用设备运行状态，进而提供相应的设备预知维护方案。实验结果表明，该系统在矿用设备运行状态判断及预知维护方面具有较高精度。
【Abstract】In order to solve the problems of low accuracy of monitoring data, weak data analysis capabilities, and low intelligenceof existing mining equipment, an intelligent safety monitoring and predictive maintenance system for mining equipment is proposed.The system preprocesses mining equipment safety monitoring data through an intelligent data pre-selection model based on the simulated annealing algorithm, filters out the data within the threshold range so as to eliminate outliers in the data. The intelligent safety predictive maintenance model based on convolutional neural network is used to perform dual-channel convolution using convolutional kernels of different sizes to persify the extracted filtered data characteristics. By comparing them with the mining equipment historical status sample data, it is able to judge the mining equipment operation status and then provide corresponding equipment predictive maintenance solutions.The experimental results show that the system has high accuracy in judging the operation status and predictive maintenance of mining equipment.
【关键词】 矿用设备监测；安全监测；预知维护；模拟退火算法；卷积神经网络
【Keywords】mining equipment monitoring; safety monitoring; predictive maintenance; simulated annealing algorithm; convolutional neural networks
【基金项目】】国家自然科学基金资助项目（51874010）；北京理工大学高精尖机器人开放性研究项目（2022IRS16）；物联网关键技术研究创新团队项目（202250ZX003）
信息提供：盛男 图文编辑：张聚
审 核：王晖
免责声明：以上内容转载自工矿自动化，所发内容不代表本平台立场。
全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号人民日报社
