Forschung zur Datengültigkeit eines auf einem verbesserten Transformator basierenden Sensorsystems für die Ortsbrust eines Kohlebergwerks mit fester Verfüllung

Wissenschaftliche Berichte Band 13, Artikelnummer: 11092 (2023) Diesen Artikel zitieren

331 Zugriffe

1 Altmetrisch

Details zu den Metriken

Unter Feststoffverfüllung im Kohlebergbau versteht man das Füllen des Steinbruchs mit festen Materialien, um eine Stützstruktur zu bilden und so die Sicherheit im Boden und in den oberen Abbaubereichen zu gewährleisten. Diese Abbaumethode maximiert die Kohleproduktion und berücksichtigt Umweltanforderungen. Beim traditionellen Backfill-Mining bestehen jedoch Herausforderungen wie begrenzte Wahrnehmungsvariablen, unabhängige Erfassungsgeräte, unzureichende Erfassungsdaten und Datenisolierung. Diese Probleme behindern die Echtzeitüberwachung von Verfüllvorgängen und schränken die intelligente Prozessentwicklung ein. In diesem Artikel wird ein Wahrnehmungsnetzwerk-Framework vorgeschlagen, das speziell für Schlüsseldaten bei Feststoffverfüllungsvorgängen entwickelt wurde, um diese Herausforderungen zu bewältigen. Insbesondere werden kritische Wahrnehmungsobjekte im Verfüllungsprozess analysiert und ein Wahrnehmungsnetzwerk und ein Funktionsrahmen für das Internet der Dinge (IoT) bei der Verfüllung von Kohlebergwerken vorgeschlagen. Diese Frameworks erleichtern die schnelle Konzentration wichtiger Wahrnehmungsdaten in einem einheitlichen Datenzentrum. Anschließend untersucht der Beitrag die Sicherstellung der Datenvalidität im Wahrnehmungssystem des Feststoffverfüllungsvorgangs in diesem Rahmen. Insbesondere berücksichtigt es potenzielle Datenanomalien, die durch die schnelle Datenkonzentration im Wahrnehmungsnetzwerk entstehen können. Um dieses Problem zu mildern, wird ein transformatorbasiertes Anomalieerkennungsmodell vorgeschlagen, das Daten herausfiltert, die nicht den wahren Zustand von Wahrnehmungsobjekten bei Feststoffverfüllungsvorgängen widerspiegeln. Abschließend erfolgt die experimentelle Gestaltung und Validierung. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Anomalieerkennungsmodell eine Genauigkeit von 90 % erreicht, was auf seine effektive Erkennungsfähigkeit hinweist. Darüber hinaus weist das Modell eine gute Generalisierungsfähigkeit auf und eignet sich daher zur Überwachung der Datenvalidität in Szenarien mit Objekten mit erhöhter Wahrnehmung in Wahrnehmungssystemen mit fester Hinterfüllung.

Bei der Solid-Backfill-Technologie handelt es sich um das Auffüllen des Abbaugebiets mit festem Material, um einen Stützkörper zur Sicherung der Tagebau- und Oberbergbaugebiete zu bilden. Dabei handelt es sich um eine Methode, die darauf abzielt, die geologischen Bedingungen des Abbaugebiets zu stützen und zu stabilisieren. Feste Füllung trägt dazu bei, Oberflächensenkungen zu reduzieren, die Umweltauswirkungen von Kohlegang zu reduzieren und eine sicherere und effizientere Bergbauumgebung zu schaffen1. Es handelt sich um eine effektive Abfallbehandlungs- und umweltfreundliche Bergbautechnologie2. Mit dem kontinuierlichen Wachstum der Weltbevölkerung und der Industrialisierung steigt auch der Energiebedarf. Kohle nimmt als wichtige Energieressource eine wichtige Position im weltweiten Energieverbrauch ein3. Nimmt man die Daten des Nationalen Statistikamtes Chinas als Beispiel, so erreichte Chinas Rohkohleproduktion im Jahr 2020 2,76 Milliarden Tonnen, was 67,6 % der gesamten Primärenergieproduktion entspricht, und der Kohleverbrauch erreichte 2,83 Milliarden Tonnen, was 56,8 % der Gesamtmenge ausmachte Energieverbrauch4. Mittel- und langfristig ist Kohle nach wie vor das Energierückgrat der chinesischen Wirtschaft und spielt eine äußerst wichtige Rolle für die wirtschaftliche Entwicklung des Landes.

Allerdings führen traditionelle Methoden des Kohlebergbaus häufig zu einer Reihe von Umweltproblemen5, wie z. B. Landzerstörung, Wasserverschmutzung und Luftverschmutzung6. Diese Probleme schaden nicht nur der menschlichen Lebensumwelt, sondern stellen auch Herausforderungen für die nachhaltige Entwicklung der Kohleindustrie dar. Die Menge der in China aus den „drei Untertage“-Steinen (unter Gebäuden, Eisenbahnen und Wasser) geförderten Kohle beträgt mehr als 14 Milliarden Tonnen7, und die „drei Untertage“-Kohle macht nur etwa 7 % des gesamten Kohlebergbaus aus. Aufgrund des Einflusses tiefer Kohleflöze8 werden beim Kohlebergbau in China hauptsächlich Untertagebergbaumethoden eingesetzt9. Nach dem Abbau der Kohle bildet sich an der ursprünglichen Stelle ein Goaf. Unter der Einwirkung der darüber liegenden Schichten kollabieren die oberen Schichten des Gesteins, brechen, verbiegen sich und sinken ab, was zu Steinschlägen wie Kohlendachstürzen und Bodeneinstürzen führt10. Datenstatistiken zeigen, dass der kumulierte wirtschaftliche Verlust, der durch den durch den Kohlebergbau verursachten Steinbruch in China verursacht wurde, 50 Milliarden Yuan überschritten hat und dass die Pro-Kopf-Fläche des Steinbruchs in Bergbaugebieten ebenfalls 1,8 \(\hbox {hm}^2\)11 übersteigt .

Die durch den Kohlebergbau verursachten ökologischen Schäden, Steinbruchschäden, die zu Bergbauunfällen führen, und geologische Katastrophen wie instabile Mülldeponien, die Erdrutsche auslösen, gefährden ernsthaft die Sicherheit und Entwicklung der Energiewirtschaft. Um diese Probleme zu lösen, muss der Kohlebergbau auf Umweltschutz und nachhaltige Entwicklung umgestellt werden, und die Anwendung der Feststoffverfüllungstechnologie ist für diesen Übergangsprozess wichtig12. Beim Solid-Backfill-Mining werden abgebaute Abbaugebiete mit festen Abfällen aufgefüllt, um die Bewegung der Abraumschichten einzuschränken und Oberflächenabsenkungen zu verhindern. Dadurch wird die Oberflächeninfrastruktur durch die Kontrolle von Oberflächenabsenkungen geschützt. Es handelt sich um einen wichtigen technischen Ansatz zur Lösung des „Drei-Unter“-Kohleverdichtungsproblems, der Emissionen von Kohlegang und der Landressourcenprobleme, zur Reduzierung der Bergbauflächen, zur Verlängerung der Lebensdauer von Minen, zur Verbesserung der Rückgewinnungsrate von Bodenschätzen, zur Reduzierung der Umweltverschmutzung und zum Erreichen von Zielen grüner Minenbau und Förderung der nachhaltigen Entwicklung des Kohlebergbaus. Es hat erhebliche wirtschaftliche, soziale und ökologische Vorteile.

Derzeit befinden sich große intelligente Minen in China in einer Phase rasanter Entwicklung. Die Entwicklung des unbemannten und umweltfreundlichen Bergbaus ist zu einer wichtigen Methode für ein harmonisches Zusammenleben zwischen Mensch und Natur im neuen Zeitalter geworden13. Als Schlüsselkomponente des umweltfreundlichen Bergbaubaus hat die Feststoffverfüllung zunehmend Beachtung gefunden.

Li et al.14 untersuchten den aktuellen Entwicklungsstand intelligenter Abbauflächen für den vollmechanisierten Bergbau im In- und Ausland. Es müssen noch fünf Hauptprobleme gelöst werden, um Intelligenz zu erreichen: das geringe Maß an Geräteintelligenz, die geringe Zuverlässigkeit bei der Erstellung eines verfeinerten geologischen Modells, die ungelöste automatische Erkennung und Steuerung der „drei Ebenen und zwei Geraden“ der Fläche, unausgereift Technologie der automatischen Bewegung der fortgeschrittenen Unterstützung in der Fahrbahn und das Fehlen eines Durchbruchs bei der Identifizierung von Kohle und Ganggestein in der vollmechanisierten Ortsbrust. Basierend auf der Technologie des industriellen Internets der Dinge wurde vorläufig ein System zur Wahrnehmung von Bergbauflächen etabliert und die Schlüsseltechnologien für eine intelligente Steuerung diskutiert.

Zhang et al.15 entwickelten eine intelligente Big-Data-Analyse- und Entscheidungsplattform für den Bergbau und richteten ein Überwachungssystem ein, um das Problem der intelligenten Analyse und Entscheidungsfindung im Bergbauprozess zu lösen.

Huang et al.16 wandten in der Phosphatmine Tiaoshuihe eine intelligente Verfülltechnologie an, die nicht nur die Produktionskapazität des Verfüllsystems sicherstellte und verbesserte, sondern auch die Verfüllungskosten weiter senkte. Obwohl fruchtbare Forschungen zum intelligenten Kohlebergbauverfahren bereits intelligente Methoden auf das Ganggesteinsverhältnis angewendet haben, basiert der Verfüllungseffekt immer noch hauptsächlich auf menschlichem Urteilsvermögen. Nach der Einrichtung eines Wahrnehmungssystems wurde nicht viel über Methoden zur Fusion und Rekonstruktion von Sensordaten aus mehreren Quellen geforscht. Um eine intelligente Feststoffverfüllung zu erreichen, müssen daher noch die Probleme bei der Wahrnehmung der Verfüllung und der Datenwirksamkeit gelöst werden17.

Beim intelligenten Verfüllungsbergbau ist das Sammeln von Sensorinformationen ein wichtiger Schritt auf dem Weg zu einer intelligenten Verfüllung. Das Füllsystem muss die Untergrundumgebung in Echtzeit wahrnehmen, wie z. B. den Füllwinkel, den Neigungswinkel der Arbeitsfläche und die Füllgeschwindigkeitsparameter, um den Betriebsstatus und die Füllwirkung der Ausrüstung zu beurteilen und so einen intelligenten und unbemannten Füllabbau zu realisieren. Aufgrund der rauen Umgebung in unterirdischen Kohlebergwerken, in denen sich die Füllfläche befindet, erzeugt das Sensornetzwerk zwangsläufig abnormale Daten, die erheblich von den normalen Bereichen abweichen. Diese abnormalen Daten können die Untergrundumgebung und die Betriebsbedingungen der Abbaufront nicht objektiv widerspiegeln. Sie müssen daher umgehend entfernt werden, um sicherzustellen, dass in den nachfolgenden Anwendungsschichten korrekte Entscheidungen getroffen werden.

Im Abfüllarbeitsbereich gibt es viele verschiedene Arten heterogener Multisource-Sensoren. Sie erkennen Veränderungen an verschiedenen Objekten. Beispielsweise werden Winkelsensoren zur Messung des Neigungswinkels hydraulischer Stützen und Abstandssensoren zur Messung der Materialhöhe eingesetzt. Obwohl diese Sensoren unterschiedliche Objekte erfassen, gehören sie alle zu einem System; Daher besteht eine potenzielle Korrelation zwischen verschiedenen Sensordaten. Bei der Anomalieerkennung ist es notwendig, diesen potenziellen Zusammenhang vollständig zu berücksichtigen und zu nutzen. Das Transformatormodell ist ein typisches End-to-End-Modell, das 201718 vorgeschlagen wurde.

In früheren End-to-End-Modellen wurden häufig rekurrente neuronale Netze (RNNs) oder Faltungs-Neuronale Netze (CNNs) verwendet. Diese Modelle verarbeiten nur ein Element nacheinander, nicht alle Elemente parallel. Im Gegensatz dazu ist ein Transformator ein End-to-End-Modell, das auf einem Encoder-Decoder-Framework basiert, das keine RNNs oder CNNs verwendet, aber Aufmerksamkeitsmechanismen vollständig ausnutzt. Durch das Stapeln mehrerer Encoder und Decoder hat der Transformator eine bessere Leistung bei der Erkennung langfristiger historischer Sequenzabhängigkeiten erzielt. Aufgrund seiner herausragenden Leistung haben Forscher es nach und nach auf die Modellierung und Vorhersage von Zeitreihen angewendet und verschiedene Variantenmodelle basierend auf Transformatoren vorgeschlagen.

Cai et al.19 schlagen das Verkehrstransformatormodell vor, indem sie einen Transformator mit einem neuronalen Netzwerk des Graph Convolutional Network (GCN) zur Verkehrsflussvorhersage kombinieren, das eine bessere Leistung als Basismodelle für Verkehrsdatensätze erzielt. Lin et al.20 kombinieren einen Transformator mit einem Zustandsraummodell, um das SSDNet-Modell für die Vorhersage von Solarenergie- und Leistungsdaten vorzuschlagen. Tuli et al.21 wenden adaptive und kontradiktorische Lernmechanismen auf einen Transformator an, um das TranAD-Modell zur Anomalieerkennung vorzuschlagen, und erzielen hervorragende Ergebnisse bei mehreren industriellen Datensätzen. Wang et al.22 kombinieren eine Restvariations-Autoencoder-Struktur mit einem Transformator zur Anomalieerkennung in Satellitenfernerkundungsdaten. Das Modell der zeitlichen Fusionstransformatoren wird von Lim et al.23 vorgeschlagen und für multivariable Zeitreihenvorhersageprobleme verwendet. Das Modell fügt mehrere Variablenauswahlnetzwerke basierend auf transformatorbasierten Modellen hinzu, die multivariable Zeitreihen besser vorhersagen und eine überlegene Leistung bei Datensätzen wie der Elektrizitätswirtschaft, dem Einzelhandel und dem Verkehrsfluss erzielen können. Der Selbstaufmerksamkeitsmechanismus eines Transformators wurde vorläufig angewendet, um Anomalien mithilfe potenzieller Korrelationen vorherzusagen und zu erkennen. Obwohl die parallele Verarbeitungsmethode des Selbstaufmerksamkeitsmechanismus die Fähigkeit von Modellen verbessert, langfristige historische Abhängigkeiten zu erfassen, erschwert sie es Modellen jedoch auch, zeitliche Informationen effektiv aus Sensordatensequenzen zu extrahieren. Daher ist es notwendig, vor der Eingabe von Sensordaten in das Modell eine Positionskodierung durchzuführen, damit zeitliche Informationen zu unabhängigen Merkmalsvariablen werden. Da es sich bei den von einem Multisensornetzwerk beim Face-Fill-Mining generierten Daten um einen typischen multivariaten Zeitreihendatensatz handelt, müssen Vorhersagemodelle außerdem die Beziehungen zwischen Sequenzen während der Vorhersage vollständig berücksichtigen, indem sie je nach Situation unterschiedliche Gewichte zuweisen und geeignete Vorhersagefehler finden Schwellenwerte.

Als Reaktion auf die unzureichende Validität der Daten zur Wahrnehmung von Feststoffverfüllungen in Kohlebergwerken schlägt dieser Artikel eine Methode zur Wahrnehmung von Feststoffverfüllungen vor, die auf der Datenvaliditätssicherung basiert. Durch die Einrichtung eines soliden Backfilling-Internet-of-Things-Frameworks zur Verbesserung der Wahrnehmungsfähigkeit der Füllumgebung und der zentralisierten Datenfreigabe wird ein transformatormodellbasiertes abnormales Erkennungsmodell für solide Backfilling-Wahrnehmungsdaten erstellt, um die Datenzuverlässigkeit zu verbessern. Abschließend wird die Wirksamkeit des in diesem Artikel vorgeschlagenen Modells durch Experimente überprüft.

Die Faktoren, die den Verfülleffekt beeinflussen, lassen sich in zwei Kategorien einteilen: statische Faktoren und dynamische Faktoren. Zu den statischen Faktoren gehören geologische Bedingungen, Ausrichtung des Kohleflözes, Füllmaterialverhältnis, Gesteinskörnung, Verdichtungsabstand von der Oberseite und Abstand zur Mitte des Gesteins; Zu den dynamischen Faktoren gehören der Neigungswinkel der Arbeitsfläche, die Feuchtigkeit des Füllmaterials, die Gleichmäßigkeit des Materials, der Freiheitsgrad des Füllkörpers, die Verdichtungskraft, der Verdichtungswinkel, räumlich-zeitliche Eigenschaften und der Verdichtungsgrad. Unter anderem haben andere Abbauflächen viele relevante Erkenntnisse über die geologischen Bedingungen und die Ausrichtung des Kohleflözes gewonnen, die als Datenaustausch für das Verfüllsystem bereitgestellt werden können. Neben dem Datenaustausch mit anderen Mining-Systemen ist auch die Einrichtung eines dedizierten Wahrnehmungssystems für das Abfüllsystem erforderlich. Die im Füllsystem wahrgenommenen Objekte werden in zwei Kategorien eingeteilt: Wahrnehmung von Materialien und Wahrnehmung des Füllwirkungsstatus.

Bei Verfüllvorgängen müssen verschiedene physikalische Eigenschaften des zu verfüllenden Materials sowie Umweltveränderungen und dynamische Einwirkungen während des Verfüllens berücksichtigt werden. Ein entscheidender Aspekt ist das Dosiersystem für den Abfüllprozess, das die Materialverhältnisse durch Geschwindigkeitsmessung, Wiegen und Bandwaagen erkennt und misst. Die wichtigsten erfassten Objekte hängen daher mit der Fütterung von Füllstoffen zusammen, beispielsweise deren Anteil und Menge. Um dieses Maß an Präzision zu erreichen, werden in den Prozess Sensorgeräte wie Geschwindigkeitssensoren des Zuführbandes und Gewichtssensoren einbezogen.

Abbildung 1 zeigt eine Querschnittsansicht des unterirdischen Transportprozesses von Füllmaterialien. Abbildung (a) zeigt die Abfallgesteinstransfermaschine und Abbildung (c) zeigt den porösen Boden-Entlade- und Füllkratzförderer, der über Ablasslöcher an jeder mittleren Trogplatte verfügt. Die hydraulischen Zylinder, die sich auf beiden Seiten der Mittelrinne befinden, steuern das Öffnen und Schließen der Auslassöffnungen. Der Kratzförderer wird unter der hinteren oberen Platte der hydraulischen Füllunterstützung positioniert und parallel zur Füllarbeitsfläche positioniert. Abbildung (d) ist eine Füllunterstützung. Der Transportprozess der Füllmaterialien verläuft in vier Stufen. Zunächst (a) werden die festen Füllmaterialien durch das Einfüllloch in den Untergrund eingebracht. Anschließend wird die Taubgesteinstransfermaschine verwendet, um das Füllmaterial mittels Bandtransport von der Fahrbahn zur Füllbaustelle zu transportieren. Die Füllmaterialien werden auf die Höhe angehoben, in der sich der Füllkratzförderer mit porösem Boden zum Entladen befindet. Dann (b) werden die Füllmaterialien von der Abfallgesteinstransfermaschine auf den Füllkratzförderer zum Entladen des porösen Bodens übertragen. (c) Anschließend wird der Kratzförderer unter der hinteren oberen Platte der hydraulischen Füllunterstützung und parallel zur Füllarbeitsfläche platziert. Entsprechend der Anforderung an den Füllaustrag öffnet der Kratzförderer die Auslassöffnung und entlädt das Füllmaterial hinter der hydraulischen Füllunterstützung. (d) Schließlich komprimiert und verdichtet der Verdichtungsmechanismus des Füllträgers die Füllmaterialien im Füllbereich und erzeugt so einen Füllstoff, der das Dach des Dachs stärkt. Um eine optimale Leistung sicherzustellen, ist die Überwachung der Vorschubgeschwindigkeit und -höhe wichtig. Die in diesem Prozess enthaltene Sensorausrüstung umfasst einen Fördergeschwindigkeitssensor, einen Gewichtssensor, einen Endkopfhöhensensor und einen Geradheitssensor der Schabermaschine (Laser).

Ausfüllen des gesamten Gerätetransportsystems und seines Layoutdiagramms.

Abbildung 2 zeigt eine Ansicht der Ortsbrustfüllung für den Abbau mit fester Verfüllung. Dazu gehören hydraulische Unterstützung, Kratzförderer, Wurfmaschinen und deren unterstützende Gerätesysteme. Die hydraulische Unterstützung besteht aus Strukturkomponenten, Hebern, hydraulischen Steuerventilgruppen und Rohrleitungen. Der Wagenheber steuert die Wirkung der hydraulischen Unterstützung. Der Schlüssel zum Sensorsystem liegt in der Empfindlichkeit und Stabilität des Sensors, während der zuverlässige Betrieb von der Einbauposition des Sensors abhängt. Zu den erkannten Objekten gehören Unterstützungsgeräte wie Hydraulikdruck und andere Unterstützungsbedingungen, der Aktionsstatus der Füllhalterung, das Stapeln von Materialien und der Füllstatus auf einer kontrollierten Arbeitsfläche. Es werden hydraulische Stützsensoren, Oberbalkenneigungssensoren für hydraulische Stützen, Höhenabstandssensoren für hydraulische Stützen sowie Sensoren für die horizontale und vertikale Höhe des Stößels (Winkel, Hub und Druck) verwendet.

Schematische Darstellung der Sensoranordnung für Füllanlagen in der Ortsbrust zur Verfüllung von Ganggestein.

Zusammenfassend sind die Erkennungsziele des Backfill-Erkennungssystems in Kombination mit dem Backfill-Workflow in Tabelle 1 aufgeführt.

Aufgrund der Einschränkungen des Untertage-Kohlebergbaus ist die Verfügbarkeit herkömmlicher Mobilfunksignale unter Arbeitsbedingungen mit fester Verfüllung eingeschränkt24. Darüber hinaus ist der Informatisierungsgrad gering und Überwachungsdaten können aufgrund der Abhängigkeit von verschiedenen Herstellern von Informationstechnologie für verschiedene Geräte und andere Probleme nicht zentral angezeigt werden. Dadurch entsteht eine „Dateninsel“ für die Feststoffverfüllung, was zu einer schlechten Datenverfügbarkeit für die intelligente Feststoffverfüllung in Kohlebergwerken führt. Die Integration von Intelligenz und Industrie hat jedoch neue Möglichkeiten für die Feststoffverfüllung in Kohlebergwerken geschaffen25. Daher ist die Etablierung der internen IoT-Kommunikation als Aufgabe mit höchster Priorität von entscheidender Bedeutung für die Bereitstellung von Datenunterstützung für die Wahrnehmung26.

Das intelligente Abfüll- und Bergbausystem besteht aus drei Funktionsteilen: der intelligenten Wahrnehmungsschicht, der standardisierten Kommunikationsnetzwerkschicht und der intelligenten Abfüll- und Bergbauanwendungsschicht26. Die Abbildungen 3 und 4 veranschaulichen, dass die intelligente Wahrnehmungsschicht Sensor- und Gerätestatusdaten sammelt. Die gesammelten Daten werden dann über die standardisierte Kommunikationsnetzwerkschicht zum Bodendatendienstzentrum in der Anwendungsschicht für intelligente Abfüllung und Bergbau aggregiert. Von dort wird es an die entsprechende Anwendungssoftware zur Big-Data-Berechnung und Visualisierungsüberwachung verteilt. Darüber hinaus erteilen die Bodenkontrollzentren auf Basis der Ergebnisse der Big-Data-Berechnung Anweisungen an die Abfüllanlagen. Diese Anweisungen werden von ausführenden Agenturen in der intelligenten Wahrnehmungsschicht über standardisierte Kommunikationsnetzwerkschichten empfangen, analysiert und ausgeführt.

Solides Backfill-Wahrnehmungs-Framework für das Internet der Dinge.

Anwendungsframework für eine solide Backfill-Wahrnehmung auf der Internet-of-Things-Plattform.

Die intelligente Wahrnehmungsschicht besteht aus einem Sensornetzwerk und einem Ausführungsnetzwerk. Es verbindet Geräte mit dem Netzwerk und vernetzt Menschen, Geräte und Kommunikationssysteme27. Jedes Gerät in der intelligenten Wahrnehmungsschicht verfügt nach dem Beitritt zum Netzwerk über eine eindeutige Knotenkennung im Kommunikationssystem und eine unabhängige Kommunikationsadresse. Es kann eine stabile Kommunikation mit Adapterknoten herstellen. Das Sensornetzwerk besteht aus Sensoren wie Drucksensoren, Hubsensoren, Neigungswinkelsensoren, Materialniveau-Höhensensoren und Kamerakomponenten. Unter anderem erfassen Drucksensoren die Kraft zwischen dem Schiebemechanismus und dem Füllgut. Hubsensoren erfassen den Ausfahrgrad des Schubmechanismus. Neigungswinkelsensoren erfassen den Winkel zwischen dem Schieber und der hydraulischen Basis. Der Materialniveau-Höhensensor erfasst die Verformungshöhe des Füllgutes. Der Videosensor erkennt den Positionsstatus zwischen Pusher und Fördermaschine. Das Sensornetzwerk lädt gleichzeitig die von den oben genannten Sensoren gesammelten Echtzeit-Gerätestatusinformationen zusammen mit Umgebungszustandsinformationen und Fülleffektinformationen auf die Kommunikationsnetzwerkebene hoch. Im Gegensatz dazu nehmen die Ausführungsnetzwerke die Arbeitszustände der Ausführungsmechanismen zum Füllen der Abbauflächen wahr, empfangen standardisierte Downlink-Anweisungen von den Kommunikationsnetzwerkschichten, analysieren gemäß Systemanweisungen und führen Füllaktionen aus.

Die standardisierte Kommunikationsnetzwerkschicht besteht aus Adapterknoten und Kommunikationsnetzwerken, die eine Fernkommunikation zwischen Arbeitsoberflächengeräten und Kontrollzentren ermöglichen28. Unter anderem ist der Adapterknoten für die Kommunikationsfunktion mit der Hardware verantwortlich. Es stellt eine stabile Verbindung mit mehreren Sensoren oder Ausführungseinheiten über die TCP-Kommunikation (Transmission Control Protocol) her, leitet Daten nach oben an das Server-Rechenzentrum weiter und leitet Anweisungen zur Betriebssteuerung der Anwendungsschicht nach unten weiter. Das Kommunikationsnetzwerk besteht aus Kommunikationsbasisstationen, Kabeln, Signalverstärkern und Netzwerkschaltern zur Übertragung von Datensignalen.

Die Anwendungsschicht von Intelligent Filling and Mining besteht aus einem Datendienstzentrum und intelligenten Anwendungen29. Ersterer ist für die gemeinsame Nutzung der von der intelligenten Wahrnehmungsschicht hochgeladenen Basisdaten verantwortlich, einschließlich der Datenbereinigung und -verteilung. Die Datenbereinigung wird verwendet, um die empfangenen abnormalen Daten zu bereinigen und zu optimieren. Durch die Datenverteilung werden Daten an verwandte Anwendungen gesendet, z. B. an visuelle Überwachungsanwendungen zur Großbildschirmüberwachung, an ein Datenrechenzentrum zur Datenberechnung und an Remote-Server für den Remote-Betrieb. Letzteres muss von Ersterem ausgegeben werden, wenn von der intelligenten Wahrnehmungsschicht gesendete Netzwerksendeanweisungen ausgeführt werden. Intelligente Anwendungen sind verwandte Anwendungen, die den Status der Abfüll- und Bergbauausrüstung überwachen, Abfülleffekte erkennen und Maßnahmenentscheidungen treffen. Basierend auf Überwachungsdaten werden in Kontrollzentren in Echtzeit geologische Umgebungskarten der Abbauflächen erstellt. Basierend auf Big-Data-Berechnungen von Fülleffekten werden Aktionsanweisungen für die Ausführung des Füllvorgangs im nächsten Schritt generiert, die dann vom Rechenzentrum an die Ausführungseinheiten ausgegeben werden.

Beim intelligenten Abfüllen führen mehrere Abfülleinheiten gleichzeitig Abfüllvorgänge durch, wie in Abb. 5 dargestellt. Aus räumlicher Sicht besteht das intelligente Abfüll-Kommunikationsnetzwerk aus einem Hauptbodennetzwerk, einem unterirdischen Kommunikationsringnetzwerk und einem Einheitssensornetzwerk. Das Hauptbodennetz besteht aus Bodenkommunikationsbasisstationen und -verbindungen, die Kommunikationsaufgaben mit dem unterirdischen Ringnetz unten und mit dem Internet oben ausführen. Das unterirdische Kommunikationsringnetz umfasst unterirdische explosionsgeschützte Kommunikationsbasisstationen und unterirdische Kommunikationsverbindungen, die Kommunikationsaufgaben im unterirdischen Bereich und die Kommunikationsübertragung zwischen der Bodenüberwachungszentrale und unterirdischen Geräten übernehmen. Das Geräteerkennungsnetzwerk verbindet Erkennungsgeräte mit dem Erkennungsschichtnetzwerk. Es stellt über Adapterknoten eine stabile Kommunikation zwischen Erkennungsgeräten und Ausführungseinheiten her, um eine interaktive Verbindung zwischen dem unterirdischen Kommunikationsringnetzwerk und dem Bodenüberwachungszentrum herzustellen.

Am Beispiel einer Einzelfülleinheit wird in der Einzelfülleinheit ein Sensornetzwerk bestehend aus Drucksensoren, Neigungssensoren, Abstandssensoren, Kameras und Füllstandssensoren aufgebaut. Die gesammelten Daten der Sensoren werden auf den Adapterknoten hochgeladen. Der Adapterknoten verbindet sich mit der in der Fahrbahn installierten Kommunikationsverbindung. Die Kommunikationsverbindung bildet ein Kommunikationsnetzwerk mit der unterirdischen Kommunikationsbasisstation und verbindet Signale zwischen jeder Abfülleinheit über Front-End-Kommunikation, bidirektionales Relay und Back-End-Kommunikation. Für den Upload von Echtzeit-Wahrnehmungsdaten aus Sensornetzwerken in diesem Bereich wird ein Adapterknoten-Arbeitsplatz eingerichtet, der als Datenbrücke zwischen Sensornetzwerken und Datendienstleistungszentren dient. Steueranweisungen werden über Adapterknoten an die ausführenden Behörden gesendet, um Geräte wie hydraulische Stützzylinder, hydraulische Stützsteuerventilgruppen und hydraulische Stützleitungen zu steuern.

Das Bodenüberwachungszentrum stellt eine bidirektionale Kommunikation mit Bodenkommunikationsbasisstationen her. Über seine Kommunikationsverbindungen stellt er eine Verbindung zur Back-End-Kommunikation her, um Datenverbindungen zwischen sich selbst und verschiedenen Adapterknoten-Workstations herzustellen. Das Bodenüberwachungszentrum hat die höchste Überwachungsbefugnis; Es kann den Betrieb der Abfüllanlage in Echtzeit überwachen, die Abfüllumgebung überwachen und die Abfülleffekte bewerten. Es kann auch eine Cloud-Datensicherung durchführen und Planungsbefehle ausgeben, um den Betriebsstatus der Abfüllanlage zu steuern. Das Bodenüberwachungszentrum besteht aus Datenbanken, Entwicklungskonsolen und Monitoren, in denen standardisierte einheitliche Daten gespeichert werden, die als Quellen für alle Anwendungen dienen. Konsolen bieten Hardwareplattformen für verschiedene intelligente Anwendungen wie Datenservicezentren und Big-Data-Computing mit visualisierter Bereinigung. Sie können auch intelligente Analysen zu Füllbedingungen durchführen oder wissenschaftliche Entscheidungen zu Füllmaßnahmen treffen, indem sie Steueranweisungen generieren und ausgeben, sodass der Betrieb der unterirdischen Ausrüstung entsprechend angepasst werden kann; Monitore bieten eine Visualisierung für intelligente Abfüllarbeiten und liefern gleichzeitig eine Beurteilungsgrundlage für den sicheren Anlagenbetrieb.

Schematische Darstellung der Backfilling-Wahrnehmungsstruktur des Internets der Dinge.

Um sicherzustellen, dass die von mehreren Sensoren erfassten Daten aktuell und effektiv sind, ist eine Anomalieerkennung erforderlich. In diesem Artikel wird ein Anomalieerkennungsmodell vorgeschlagen, das auf den Daten eines soliden Verfüllungswahrnehmungssystems basiert und in drei Teile unterteilt ist: ein Positionskodierungsmodul, ein Zeitreihenvorhersagemodul und ein Anomaliebeurteilungsmodul. Basierend auf Zeitstempelinformationen extrahiert das Positionskodierungsmodul globale Zeitinformationen, einschließlich Jahr, Monat und Tag. Das Zeitreihenvorhersagemodul verwendet ein multivariates Zeitreihenvorhersagemodell basierend auf dem Temporal Fusion Transformer23, der nicht nur mögliche Korrelationen zwischen verschiedenen Variablen berücksichtigt, sondern auch statische Kovariaten in der Umgebung berücksichtigt, um Zielvariablen vorherzusagen. Die Hauptaufgabe des Anomaliebewertungsmoduls besteht darin, einen geeigneten Schwellenwert für die Fehlervorhersage zu finden und den aktuellen optimalen Schwellenwert mithilfe einer dynamischen Schwellenwertmethode dynamisch zu berechnen.

Das Transformer-Modell unterscheidet sich von RNN-Modellen durch die Verwendung von Selbstaufmerksamkeitsmechanismen zur parallelen Verarbeitung aller Eingabedaten30. Dieser Ansatz kann jedoch zu einem inhärenten Verlust an Positions- und Zeitinformationen in der Sequenz führen22. Um diese Einschränkung zu überwinden, verwendet das ursprüngliche Transformatormodell eine lokale Positionscodierungsmethode, die nur Sequenzen innerhalb eines bestimmten Zeitfensters codieren kann. Leider kann diese Methode keine globalen Positionsinformationen oder periodischen Variationsinformationen aus Zeitstempeln extrahieren31. Um diese Probleme anzugehen und transformatorbasierte Modelle besser für die Anomalieerkennung in Multisensorsystemen geeignet zu machen, wurde eine neue globale Zeitreihenkodierungsmethode vorgeschlagen, die auf Daten von Festkörpersensorsystemen basiert. Das Positionskodierungsmodul ist in Abb. 6 dargestellt.

Strukturdiagramm des Positionscodierungsmoduls.

Diese Methode fügt der herkömmlichen lokalen Codierungsmethode eine globale Positionscodierung basierend auf Zeitstempelinformationen hinzu. Die Informationen zu Jahr (y), Monat (m), Tag (d), Stunde (h), Minute (m) und Sekunde (s) im Zeitstempel werden extrahiert und durch eine Funktion einem bestimmten numerischen Wert zugeordnet, sodass global Positionsinformationen können abgerufen werden. Unter der Annahme, dass der Zeitstempel zum Zeitpunkt t das Datum ist, kann diese Codierungsmethode verwendet werden, um den Codierungsvektor TPE zu erhalten:

Normalisieren Sie das Datum und die numerischen Informationen im Zeitstempel in Vektorelemente.

Innerhalb dieser Gruppe stellt \(f_i\) die Kodierungsformel dar, die der Skalierung aller Zeitinformationen auf das Intervall \([-0,5, 0,5]\) entspricht. Jeder Zeitstempel wird dann in ein einzelnes Element kodiert und mit anderen kombiniert, um einen umfassenden globalen Zeitsequenzvektor zu bilden. Dieser Vektor wird dann zusammen mit dem lokalen Positionskodierungsvektor als Sequenz, die zeitliche Merkmale genau widerspiegelt, an die Eingabedaten angehängt.

Zu den Faktoren, die den Fülleffekt beim eigentlichen Verfüllungsprozess beeinflussen, gehören nicht nur Umgebungsvariablen, die in Echtzeit von Sensornetzwerken überwacht werden, sondern auch einige wichtige statische Faktoren wie Füllmaterialverhältnis, Ganggesteinskörnung, Verdichtungsabstand von der Spitze und Fallmitte Distanz. Diese statischen Faktoren haben möglicherweise auch Auswirkungen auf andere Variablen. Daher ist die Berücksichtigung statischer Faktoren für die Verbesserung der Genauigkeit der Zielsequenzvorhersage von entscheidender Bedeutung. Darüber hinaus weist der Füllvorgang eine Periodizität auf. Verschiedene Phasen der Sensordatenänderung weisen während des gesamten Arbeitszyklus unterschiedliche Muster auf. Periodische Änderungen können sich in bekannten zukünftigen Eingabesequenzen widerspiegeln, beispielsweise in Arbeitszeitinformationen. Daher sollte ein Zeitreihenvorhersagemodell Funktionen haben, um verschiedene Arten von Eingabesequenzen (statische Kovariaten, zukünftige deterministische Eingabesequenzen und zukünftige unsichere Eingabesequenzen) unterschiedlich zu verarbeiten und zu nutzen.

Darüber hinaus enthält das Sensornetzwerk auf der Fülloberfläche mindestens Dutzende Sensoren. Bei der Vorhersage der Zielsequenz variiert der Grad der Korrelation zwischen anderen Sensorsequenzen und der Zielsequenz stark; Einige sind stark korreliert, während andere möglicherweise irrelevant sind. Daher muss das Modell über eine Merkmalsauswahlfunktion verfügen, um hochkorrelierte Sensorsequenzen als Merkmalsvariablen auszuwählen und gleichzeitig irrelevante Sequenzen während der Modellierungsphase zu unterdrücken.

Das transformatorbasierte Zeitreihenvorhersagemodell für Daten des Wahrnehmungssystems für feste Füllungen basiert auf der in Abb. 7 gezeigten Transformatorvariante. Das Modell verwendet einen Selbstaufmerksamkeitsmechanismus als Kern und sendet verschiedene Sequenzen an verschiedene Modellmodule. Es enthält außerdem einen statischen Kovariaten-Encoder und ein Netzwerk zur Variablenauswahl, um die Vorhersageleistung zu verbessern. Der statische Kovariaten-Encoder kann Kovariaten in Kontextvektoren kodieren, um zeitliche Merkmale zu verbessern; Das Variablenauswahlnetzwerk kann wichtige Sequenzen aus Eingabesequenzen auswählen, den Einfluss irrelevanter Sequenzen auf Vorhersagen reduzieren und die Modellierungsleistung für Zeitreihen verbessern.

Strukturdiagramm des Zeitreihenvorhersagemodells.

Um die irrelevanten Sequenzen in der multivariaten Eingabezeitreihe zu unterdrücken, die keinen Bezug zur Zielvariablen haben, und um den Fluss effektiver Informationen sicherzustellen, führen wir zunächst ein Gated Residual Network (GRN) ein, dessen Eingaben der Vektor a und ein optionaler externer Kontextvektor c sind :

In der Formel ist ELU die exponentielle lineare Aktivierungseinheitsfunktion, \(\eta _1\) und \(\eta _2\) sind Zwischenschichten, LayerNorm ist eine Standardnormalisierungsschicht und \(\omega\) stellt die Gewichtung dar. GLU ist eine Gated-Linear-Einheit, die unnötige Teile des Datensatzes unterdrücken kann.

In jedem Vorhersageschritt werden alle Zeitreihen in das Modell eingegeben. Allerdings ist die Korrelation zwischen verschiedenen Zeitreihen und der Zielzeitreihe unbekannt und unterschiedlich. Zeitreihen mit hoher Korrelation tragen stärker zur Vorhersage von Zielsequenzen bei, während Zeitreihen mit geringer Korrelation geringere Beiträge leisten oder zu Rauschen werden können, das die Vorhersagegenauigkeit verringert. Um die Vorhersagegenauigkeit zu verbessern, verwenden wir daher Variablenauswahlnetzwerke, um Gewichtungen basierend auf der Korrelation zwischen Zeitreihen und Zielsequenzen zuzuweisen, bevor wir gewichtete Daten zur Vorhersage in das Modell eingeben.

Im Modell werden insgesamt drei Variablenauswahlnetze mit Eingaben von statischen Zeitreihen, vergangenen Reihen und zukünftigen Reihen eingerichtet. Die Parameter verschiedener Variablenauswahlnetze werden nicht gemeinsam genutzt, sondern haben die gleiche Struktur. Sei \(X_t^j\) die vom j-ten Sensor zum Zeitpunkt t erzeugte vergangene Zeitreihe und alle vergangenen Zeitreihen \(\Xi _t=[(X_t^1)^T,\dots , (X_t^{m_ \chi })^T]^T\) zum Zeitpunkt t und der Kontextvektor \(c_s\) werden in die GRN-Schicht in Gleichung eingegeben. (3456) und dann durch die Softmax-Schicht geleitet, was zu einem \(m_\chi\)-dimensionalen Gewichtsvektor führt:

Gleichzeitig wird jede Zeitreihe \(X_t^j\) zur nichtlinearen Verarbeitung in eine GRN-Schicht eingegeben:

Jede Zeitreihe \(X^j\) hat ihre eigene GRN-Schicht und ihre Parameter werden in allen Zeitschritten gemeinsam genutzt. Schließlich werden alle vom GRN verarbeiteten Merkmalsvektoren \((X_t^j)^\sim\) mit dem Gewichtsvektor \(v_{\chi t}\) multipliziert, um eine gewichtete Zeitreihe zu erhalten, die eine Rolle bei der Variablen spielt Auswahl.

Während des Füll- und Abbauprozesses gibt es einige statische Umgebungsparameter, wie zum Beispiel den Abstand von der verdichteten Oberseite und den Abstand von der Mitte des Materials. Die Berücksichtigung dieser statischen Kovariaten während der Vorhersage kann die Vorhersagegenauigkeit verbessern. Daher wird im Modell ein statischer Kovariaten-Encoder eingerichtet, um Informationen über statische Variablen zu integrieren und die Vorhersagefähigkeit des Modells zu verbessern. Der statische Kovariaten-Encoder verwendet vier verschiedene GRNs, um vier verschiedene Kontextvektoren \(c_s,c_c,c_e,c_h\) zu generieren, wobei \(c_s\) das Variablenauswahlnetzwerk eingibt, \(c_c,c_h\) die langen Kurz- Term Network (LSTM) für die lokale Verarbeitung von Zeitmerkmalen und \(c_e\) gibt eine statische Erweiterungsschicht ein, um Zeitmerkmale anzureichern. Beispielsweise wird im Variablenauswahlnetzwerk der Kontextvektor \(c_s\) vom GRN-Netzwerk über eine statische Zeitreihe X generiert.

Vor der Verwendung des Time-Domain-Fusion-Encoders muss eine lokale Verbesserungsschicht eingerichtet werden, die die lokalen Eigenschaften der Zeitreihe verbessert. Diese Schicht arbeitet Ende-zu-Ende und verwendet einen LSTM-Encoder zur Verarbeitung vergangener Zeitreihen \(X_{tk:k}\) und einen LSTM-Decoder für zukünftige bekannte Zeitreihen \(X_{t+1:t+\tau _ {max}}\). Die Ausgabe dieser beiden Komponenten generiert ein einheitliches Sequenzmerkmal, das als Eingabe für den Zeitbereichsfusionsencoder dient. Dieses Merkmal wird mit \(\phi (t,n) \in {\phi (t,-k),\dots ,\phi (t,\tau _{max})}\ bezeichnet, wobei n seine Position darstellt Index. Vor dem Eintritt in den Fusionsencoder durchläuft \(\phi (t,n)\) noch einmal die GLU-Operation zur Variablenauswahl.

Im Time-Domain-Fusion-Encoder ist eine statische Verbesserungsschicht festgelegt, um statische Kovariaten besser zu nutzen und die statischen zeitlichen Datenmerkmale zu verbessern. Die vom statischen Kovariaten-Encoder generierten Ausgaben der lokalen Erweiterungsschichten \(\phi (t,n)\) und \(c_e\) werden zusammen in die statische Erweiterungsschicht eingegeben.

Nach dem Durchlaufen der statischen Verbesserungsschicht werden alle durch die Daten erzeugten \(\theta (t,n)\) abgeflacht, um eine Matrix \(\Theta (t)=[\theta (t,-k),\cdots zu erhalten ,\theta (t,\tau )]^T\). Der Selbstaufmerksamkeitsmechanismus kann langfristige Abhängigkeiten in zeitlichen Daten lernen, und die Mehrkopf-Selbstaufmerksamkeit kann die Modellleistung weiter verbessern, indem sie es dem Modell ermöglicht, sich auf verschiedene Informationsaspekte zu konzentrieren.

In der Formel ist \(B(t)=[\beta (t,-k),\cdots ,\beta (t,\tau _{max})]\). Wir haben in der Selbstaufmerksamkeitsschicht einen Decoder-Maskenmechanismus hinzugefügt, um zu verhindern, dass zukünftige Sequenzinformationen während des Trainings in die Vergangenheit gelangen. Wir haben erneut eine Gating-Ebene hinzugefügt, um die Variablenauswahl in der zeitlichen Selbstaufmerksamkeitsebene zu verbessern:

Die Positions-Feedforward-Schicht führt eine zusätzliche nichtlineare Verarbeitung der Ausgabe der Selbstaufmerksamkeitsschicht durch und wählt die Ausgabe erneut aus.

Um das Verschwinden des Gradienten und die Verschlechterung des Netzwerks zu verringern, führen wir außerdem Restverbindungen ein, die den gesamten Temporal-Fusion-Decoder überspringen:

Beim Training eines Zeitreihenvorhersagemodells verwenden wir einen Datensatz, der nur normale Daten enthält. Daher lernt das Modell nur die räumlich-zeitliche Beziehung normaler Daten und seine Ausgabevorhersagewerte weisen im Vergleich zu den tatsächlichen Werten unter normalen Umständen kleine Fehler auf. Wenn zwischen dem vorhergesagten Wert und dem tatsächlichen Wert ein großer Fehler besteht, kann dies als abnormale Punktdaten betrachtet werden. Daher muss das Anomalieerkennungsmodul den Vorhersagefehler des Zeitreihenvorhersagemoduls berechnen und anhand dieses Fehlers bestimmen, ob der tatsächliche Wert vom Normalbereich abweicht. Wie in Abb. 8 dargestellt, folgt der Vorhersagefehler für Normaldaten einer Gaußschen Verteilung. Daher berechnen wir den Mittelwert und die Varianz der Vorhersagefehler während der Trainingsphase. Dann bestimmen wir die Beurteilungsschwelle nach dem \(3\sigma\)-Kriterium in der Statistik. Basierend auf der Beziehung zwischen dem Vorhersagefehler und dem festen Schwellenwert beurteilen wir, ob es sich bei den tatsächlichen Werten um Anomalien handelt: Wenn der Vorhersagefehler größer als der feste Schwellenwert ist, wird beurteilt, dass die tatsächlichen Werte vom normalen Bereich abweichen und zu anomalen Punkten gehören ; andernfalls gelten sie als Normalwerte.

Vorhersagefehlerverteilungsdiagramm.

In der Echtzeit-Anomalieerkennungsphase konstruieren wir zunächst ein Schiebefenster W mit einer Länge von h. Zu jedem Zeitpunkt t sind die Daten im Schiebefenster:

In der Formel stellt \(y^{\left( t\right) }\) den wahren Wert zum Zeitpunkt t dar. Das Zeitreihenvorhersagemodul sagt den Wert zum Zeitpunkt \(t+1\) voraus, indem es Daten innerhalb eines Schiebefensters zum Zeitpunkt t verwendet und einen vorhergesagten Wert \({\hat{y}}^{\left( t+1\) generiert. Rechts) }\). Nach Erreichen der Zeit \(t+1\) erhält der Anomaliedetektor den tatsächlichen Wert zur Zeit \(t+1\) und berechnet den Vorhersagefehler für diesen Moment.

In der Formel stellt \(y^{(t)}\) den wahren Wert zum Zeitpunkt t dar. Das Zeitreihenvorhersagemodul sagt den Wert zum Zeitpunkt \(t+1\) voraus, indem es Daten innerhalb eines Schiebefensters zum Zeitpunkt t verwendet und so einen vorhergesagten Wert \({\hat{y}}^{(t+1)}\ generiert. ). Bei Ankunft zum Zeitpunkt \(t+1\) erhält der Anomaliedetektor den tatsächlichen Wert und berechnet den Vorhersagefehler für den Zeitpunkt \(t+1\). Dann vergleicht das Modell \(e^{(t+1)}\) mit dem von uns festgelegten Schwellenwert \(\epsilon\). Wenn \(e^{(t+1)}\) kleiner als \(\epsilon\) ist, wird der Datenpunkt zu diesem Zeitpunkt als normaler Punkt beurteilt und \(y^{(t+1)}\ ) wird an das Schiebefenster gesendet; Andernfalls wird der Datenpunkt zu diesem Zeitpunkt als abnormaler Punkt beurteilt, aus dem System entfernt und mit dem vorhergesagten Wert \({\hat{y}}^{(t+1)}\) interpoliert, um fehlende Werte zu ergänzen Zeit \(t+1\). Das resultierende \({\hat{y}}^{(t+1)}\) wird dann an das Schiebefenster gesendet. Abbildung 9 zeigt den Prozess zur Beurteilung von Anomalien.

Flussdiagramm für abnormales Urteil.

Wir haben Experimente mit einem realen Datensatz durchgeführt, um zu überprüfen, ob unser vorgeschlagenes Modell auf das Sensornetzwerk einer intelligenten Füllarbeitsfläche angewendet werden kann. Der reale Datensatz wurde aus einem Sensornetzwerk einer Füllarbeitsfläche gesammelt. Aufgrund der großen Anzahl von Sensoren in der Füllarbeitsfläche und der hohen Abtastfrequenz werden umfangreiche Daten generiert. Daher haben wir Daten vom 1. bis 31. August 2022 zum Trainieren und Testen des Modells ausgewählt, das 15 Parameter umfasst. Die Daten zum Training der Vorhersagemodelle enthalten 50.000 Datensätze mit von Experten entfernten und interpolierten abnormalen Daten. Der Testsatz enthält 1200 Datensätze mit von Experten gekennzeichneten abnormalen Punkten.

Obwohl das in diesem Artikel vorgeschlagene Anomalieerkennungsmodell ein Datenvorhersagemodul enthält, besteht seine letztendliche Aufgabe darin, zu bestimmen, ob ein Datenpunkt ein Ausreißer ist. Daher gehört dieses Problem im Wesentlichen zu einem binären Klassifizierungsproblem. Wir definieren Ausreißer als positive Klasse und Normalpunkte als negative Klasse. Wir verwenden TP, um die Anzahl der vom Modell als Ausreißer vorhergesagten Datenpunkte darzustellen, TN stellt die Anzahl der vom Modell als Normalpunkte vorhergesagten Datenpunkte dar, FP stellt die Anzahl der vom Modell als Ausreißer vorhergesagten Normalpunkte dar und FN stellt die Anzahl dar der vom Modell als Normalpunkte vorhergesagten Ausreißer. In Anbetracht der Tatsache, dass die Ausreißerwerte deutlich unter den Normalwerten liegen, wurden bei der Messung der Leistung dieses Modells allgemeine Indikatoren wie die Genauigkeitsrate, die Rückrufrate, die Rate verpasster Erkennungen und die Rate falscher Alarme ausgewählt:

In der Formel stellt \(\text {Prec}\) die Präzision dar, \(\text {Rec}\) den Rückruf und \(\text {F1}\) den F1-Score, der sowohl Präzisions- als auch Rückrufindikatoren umfassend berücksichtigt . Je höher diese drei Indikatoren sind, desto besser ist die Modellleistung. \(\text {FAR}\) stellt die Fehlalarmrate dar und \(\text {MAR}\) stellt die Rate verpasster Alarme dar. Je niedriger diese beiden Indikatoren sind, desto besser ist die Modellleistung.

Die Autoren wählten 4 Variablen aus dem Datensatz zur Vorhersage aus. Wir haben Daten ausgewählt, die von vier verschiedenen Sensortypen generiert wurden, um Tests zur Anomalieerkennung durchzuführen. Im folgenden Text umfassten diese Sensoren einen Fördergeschwindigkeitssensor, einen Gewichtssensor des Zuführsystems, einen Materialabfallhöhensensor und einen Hubsensor des Verdichtungsmechanismus, die jeweils als Sensor 1, Sensor 2, Sensor 3 und Sensor 4 bezeichnet werden. Sie wurden in den Zuführ- und Fördersystemen sowie in der Füllfläche des Backfill-Mining-Systems eingesetzt, um verschiedene Arten physikalischer Maßnahmen zu überwachen. Aufgrund der Struktur- und Messunterschiede zwischen diesen Sensoren weisen die Daten dieser vier Sensoren unterschiedliche Variationsmuster auf, die die Multiquellen-Heterogenität des Sensornetzwerks widerspiegeln. Zunächst wurde die auf Anomalien zu erkennende Variable als Zielvariable für die Vorhersage festgelegt. Andere Variablen und Parameter wurden als Kovariaten verwendet und ein Zeitreihenvorhersagemodell trainiert. Darüber hinaus wurde der Schwellenwert für die Anomalieerkennung anhand der Verteilung der Vorhersagefehler bestimmt. Nach Abschluss des Trainings geben wir Testdatensätze mit abnormalen Punkten in das Vorhersagemodul ein und geben die Ausgabeergebnisse in ein Anomalieerkennungsmodul ein. Das Vorhandensein abnormaler Punkte wurde durch Berechnung einer Anomaliebewertung beurteilt.

Abbildung 10 zeigt die endgültigen Ergebnisse der abnormalen Erkennung. Der obere und untere Teil der Abbildung stellen die Sensorwerte dar, die schwarze Linie stellt den tatsächlichen Ausgangswert des Sensors dar und die blaue Linie stellt den vom Vorhersagemodul generierten vorhergesagten Wert dar. Der untere Teil zeigt den Anomaliewert für jeden Zeitpunkt, der die Differenz zwischen den vorhergesagten und den tatsächlichen Werten darstellt. Je höher dieser Wert ist, desto wahrscheinlicher ist es, dass es sich bei diesem Punkt um eine Anomalie handelt. Bei den mit „*“ gekennzeichneten Punkten auf der Istwertkurve handelt es sich um von Experten markierte Anomalien. Rote kreisförmige Punkte im Anomalie-Score-Diagramm sind Anomalien, die vom Modell basierend auf vorhergesagten Werten ermittelt werden. Die rote Linie ist ein Entscheidungsschwellenwert, der in diesem Artikel auf der Grundlage der normalen Punktvorhersagefehlerverteilung und praktischer Erfahrung ermittelt wird. Unser Modell identifizierte Punkte oberhalb dieser Schwelle. Diese Zahlen zeigen eine gute Übereinstimmung zwischen den tatsächlichen anomalen Punkten und den von unserem Modell erkannten Punkten, was darauf hindeutet, dass unser vorgeschlagenes Modell zur abnormalen Erkennung sehr effektiv ist, wenn es auf das Füllen von Mining-Datensätzen angewendet wird.

Ungewöhnliche Sensorerkennungsergebnisse.

Abbildung 10a zeigt, dass die Daten von Sensor 1 30 abnormale Datenpunkte enthalten, von denen 25 abnormale Datenpunkte mit einer Erkennungsrate von 83,33 % identifiziert wurden. Abbildung 10b zeigt, dass es in den Daten von Sensor 2 25 abnormale Datenpunkte gab, von denen 22 abnormale Punkte mit einer Erkennungsrate von 88,00 % identifiziert wurden. Abbildung 10c zeigt, dass es in den Daten von Sensor 3 21 abnormale Datenpunkte gab, von denen 17 abnormale Punkte mit einer Erkennungsrate von 80,95 % identifiziert wurden. Abbildung 10d zeigt, dass die Daten von Sensor 4 19 abnormale Datenpunkte enthielten und 18 abnormale Punkte mit einer Erkennungsrate von 94,74 % identifiziert wurden. Dies deutet darauf hin, dass das Modell eine gute Leistung erbringt.

Ergebnisse der Modellwiederholbarkeit und Robustheitsüberprüfung von Sensor1 und Sensor2.

Ergebnisse der Modellwiederholbarkeit und Robustheitsverifizierung von Sensor3 und Sensor4.

Um die Robustheit und Zuverlässigkeit unseres vorgeschlagenen Anomalieerkennungsmodells für die allgemeine Anwendung zu verbessern, wurden zusätzliche Tests für jeden Sensordatentyp durchgeführt. Um das Modell zu validieren und zu stärken, wurden zusätzlich zu dem zuvor in dieser Studie erwähnten ersten Test zwei zusätzliche Tests für jeden ausgewählten Sensortyp durchgeführt. Die Abbildungen 11 und 12 zeigen die zusätzlichen Ergebnisse der abnormalen Erkennung. Eine detailliertere Analyse der Ergebnisse der Anomalieerkennung ist in Tabelle 2 dargestellt. Es ist ersichtlich, dass das in diesem Artikel vorgeschlagene Modell eine hohe Genauigkeit erreicht, mit einer Genauigkeitsrate von bis zu 100 % für die Anomalieerkennung auf Sensor 3. Der Durchschnitt Genauigkeitsrate von bis zu 94,97 % auf Sensor 1, was darauf hinweist, dass etwa 90 % der von unserem vorgeschlagenen Modell identifizierten abnormalen Punkte tatsächliche Anomalien waren. Die durchschnittliche Erinnerungsrate des Modells lag bei Sensor 4 bei 94,85 %, wobei die durchschnittliche Erinnerungsrate bei allen Sensoren 90,90 % betrug. Dies weist darauf hin, dass etwa 90 % der tatsächlichen Anomalien vom Modell erkannt wurden. Das Modell wies eine sehr niedrige Falsch-Positiv-Rate auf, wobei die durchschnittliche Falsch-Positiv-Rate nur 0,35 % betrug. Dies bedeutet, dass nur etwa 0,35 % der Normalpunkte vom Modell fälschlicherweise als Anomalien identifiziert wurden. Auch die Rate verpasster Alarme war mit einer durchschnittlichen Rate verpasster Alarme von nur 9,14 % relativ niedrig, was bedeutet, dass nur etwa 10 % der Anomalien vom System nicht erkannt wurden.

Darüber hinaus waren die F1-Werte für verschiedene Sensortypen ähnlich und lagen zwischen 0,91 und 0,92, was auf eine gute Generalisierungsleistung über verschiedene Sensordatentypen hindeutet. Dies weist darauf hin, dass das Anomalieerkennungsmodell bei diesen vier unterschiedlichen und heterogenen Sensoren eine gute und ähnliche Leistung zeigte, was auf seine starke Generalisierungsfähigkeit schließen lässt. Seine Leistung ist nicht von bestimmten Sensordatentypen oder Variationsmustern abhängig. Darüber hinaus erreicht unser Modell mit ausreichend Trainingsdaten eine durchgängige Datenverarbeitung. Es analysiert Sensordaten nur aus einer Zeitreihenperspektive und lernt und extrahiert Datenmerkmale autonom, ohne vorherige Informationen zu Sensortypen oder Variationstrends manuell festzulegen.

Die aus der Anomalieerkennung gewonnenen Ergebnisse können in Kombination mit Zeit- und Arbeitsplatzinformationen, an denen abnormale Daten auftreten, als Referenzfaktoren für die Überprüfung der Sensorstabilität und die Optimierung experimenteller Plattformen dienen.

In diesem Artikel wird ein Wahrnehmungsnetzwerk-Framework für das Internet der Dinge (IoT) zum Verfüllen von Kohlebergwerken vorgeschlagen, um die Defizite in der Wahrnehmung und Intelligenz zu beheben, die bei der Feststoffverfüllung in Kohlebergwerken auftreten. Das Framework kann Sensordaten während des Feststoffverfüllungsprozesses in Kohlebergwerken sammeln, übertragen, verarbeiten und speichern. Außerdem werden Daten von verschiedenen Verbindungen in ein einheitliches Rechenzentrum integriert, um eine schnelle zentrale Verwaltung zu ermöglichen. Die Datenvalidität in diesem Rahmenwerk und seine Wirksamkeit bei der Darstellung von Systeminformationen wurden untersucht, einschließlich Aspekten wie Genauigkeit, Zuverlässigkeit, Aktualität, Konsistenz und Vollständigkeit, um die Datenqualität und -wirksamkeit sicherzustellen. Die experimentelle Verifizierung zeigt, dass die vorgeschlagene Methode eine hohe Präzision, gute Stabilität und starke Skalierbarkeitsvorteile aufweist, mit denen Probleme wie fehlende Erfassungsdaten, geringer Fusionsgrad und isolierter Effekt von Dateninseln effektiv gelöst werden können.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Jiao, S., Liu, J. & Shang, L. Integriertes mechanisches Feststoffverfüllungssystem für den Kohlebergbau und automatisches Verfüllungssystem. Kohlewissenschaft. Technol. 43, 109–113 (2015).

CAS Google Scholar

Liu, J., Li, X. & He, T. Aktueller Stand und Entwicklung des Backfill-Minings in China. J. Kohle-Sci. Ing. 26, 141–150 (2020).

Google Scholar

Suoxu, Z. & Boyong, M. Weltweite Energieentwicklungstrends und die zukünftige Richtung der Energieentwicklung in China. China Landressource. Wirtschaft. 32, 20–27 (2019).

Google Scholar

NB der Statistik. China Statistical Yearbook 2021 (China Statistics Press, 2021).

Google Scholar

Qian, M., Xu, J. & Wang, J. blicken erneut auf den wissenschaftlichen Kohlebergbau. J. China Coal Soc. 43, 1–13 (2018).

Google Scholar

Hu, Z. & Xiao, W. Einige Gedanken zur grünen Entwicklungsstrategie der Kohleindustrie: Basierend auf der Perspektive der ökologischen Wiederherstellung. Kohlewissenschaft. Technol. 48, 25 (2020).

Google Scholar

Kang, H. et al. Hochwertige Entwicklung der chinesischen Kohleindustrie. Strat. Zucht. Kinn. Acad. Ing. 23, 130–138 (2021).

Google Scholar

Zhang, J. et al. Forschungsfortschritte bei der unterirdischen intelligenten Sortier- und In-situ-Abfülltechnologie für tiefe Kohlebergwerke. J. Min. Sicher. Ing. 37, 1–10-22 (2020).

Google Scholar

Xie, H. et al. Neues Konzept des Kohlebergbaus: Wissenschaftlicher Bergbau und Produktion. J. China Coal Soc. 37, 1069–1079 (2012).

Google Scholar

Oraee, K., Oraee, N., Goodarzi, A. & Khajehpour, P. Einfluss von Diskontinuitätsmerkmalen auf die Stabilität und Nachhaltigkeit von Kohlebergwerken: Ein Ansatz zur Vorhersage von Steinschlägen. Int. J. Min. Wissenschaft. Technol. 26, 65–70 (2016).

Artikel Google Scholar

Lu, Z. Die Auswirkungen der Senkung des Kohlebergbaus auf das Grundwasser. Umgebung. Entwickler 32, 235–238 (2020).

Google Scholar

Dong, L. et al. Einige Entwicklungen und neue Erkenntnisse zu Umweltproblemen und Tiefbaustrategien für eine sauberere Produktion in Bergwerken. J. Sauber. Prod. 210, 1562–1578 (2019).

Artikel Google Scholar

Wang, G., Wang, H., Ren, H.-W. & Zhao, G.-R. Szenarioziele und Entwicklungspfad der intelligenten Kohlemine 2025. J. China Coal Soc. 43, 295–305 (2018).

Google Scholar

Li, S., Li, S., Zhang, S. & Wang, F. Schlüsseltechnologien und Anwendungen der intelligenten Wahrnehmung und Steuerung im vollmechanisierten Abbau. Kohlewissenschaft. Technol. 49, 28–39 (2021).

Google Scholar

Zhang, K. et al. Big-Data-Analyse- und Entscheidungsmethoden und -system für den intelligenten Abbau transparenter Abbauflächen. Kohlewissenschaft. Technol. 50, 252–262 (2022).

Google Scholar

Huang, T., Zheng, B. & Li, X. Forschung und Anwendung eines intelligenten Füllsystems für die Phosphatmine Tiaoshuihe. Mindest. Res. Entwickler 39, 73–77 (2019).

Google Scholar

Yan, S., Xu, G. & Fan, Z. 50 Jahre Entwicklung und Ausblick auf den integrierten mechanisierten Bergbau in China. Kohlewissenschaft. Technol. 49, 25 (2021).

Google Scholar

Vaswani, A., Shazeer, N., Parmar, N. & Uszkoreit, Aufmerksamkeit ist alles, was Sie brauchen. In Advances in Neural Information Processing Systems Vol. 30 (Curran Associates Inc, 2017).

Google Scholar

Cai, L., Janowicz, K., Mai, G., Yan, B. & Zhu, R. Verkehrstransformator: Erfassung der Kontinuität und Periodizität von Zeitreihen für die Verkehrsprognose. Trans. GIS 24, 736–755 (2020).

Artikel Google Scholar

Lin, Y., Koprinska, I. & Rana, M. SSDNet: Neuronales Netzwerk zur Zustandsraumzerlegung für Zeitreihenvorhersagen. Im Jahr 2021 IEEE International Conference on Data Mining (ICDM), 370–378 (2021) (ISSN: 2374-8486).

Tuli, S., Casale, G. & Jennings, NR Tranad: Deep Transformer Networks zur Anomalieerkennung in multivariaten Zeitreihendaten. arXiv:2201.07284 (arXiv-Vorabdruck) (2022).

Wang, X., Pi, D., Zhang, X., Liu, H. & Guo, C. Ansatz zur Anomalieerkennung auf Basis von Variationstransformatoren für multivariate Zeitreihen. Messung 191, 110791 (2022).

Artikel Google Scholar

Lim, B., Arık, SO, Loeff, N. & Pfister, T. Zeitfusionstransformatoren für interpretierbare Multihorizont-Zeitreihenvorhersagen. Int. J. Prognose. 37, 1748–1764 (2021).

Artikel Google Scholar

Sambo, DW et al. Drahtloses Pfadverlustmodell für unterirdische Sensornetzwerke für die Präzisionslandwirtschaft (WUSN-PLM). IEEE Sens. J. 20, 5298–5313 (2020).

Artikel Google Scholar

Williams, E. Umweltauswirkungen von Informations- und Kommunikationstechnologien. Natur 479, 354–358 (2011).

Artikel CAS PubMed Google Scholar

Staudinger, E., Zhang, S., Pöhlmann, R. & Dammann, A. Die Rolle der Zeit in einem Roboterschwarm: Eine gemeinsame Sicht auf Kommunikation, Lokalisierung und Wahrnehmung. IEEE-Komm. Mag. 59, 98–104 (2021).

Artikel Google Scholar

Li, S., Xu, LD & Zhao, S. Das Internet der Dinge: Eine Umfrage. Inf. Syst. Vorderseite. 17, 243–259 (2015).

Artikel Google Scholar

Tao, F., Zuo, Y., Da Xu, L. & Zhang, L. IoT-basierte intelligente Wahrnehmung und Zugriff auf Fertigungsressourcen für die Cloud-Fertigung. IEEE Trans. Ind. Inf. 10, 1547–1557 (2014).

Artikel Google Scholar

Adi, E., Anwar, A., Baig, Z. & Zeadally, S. Maschinelles Lernen und Datenanalyse für das IoT. Neuronale Berechnung. Appl. 32, 16205–16233 (2020).

Artikel Google Scholar

Chaudhari, S., Mithal, V., Polatkan, G. & Ramanath, R. Eine aufmerksamkeitsbezogene Untersuchung von Aufmerksamkeitsmodellen. ACM Trans. Intel. Syst. Technol. Rev. 12, 1–32 (2021).

Artikel Google Scholar

Khan, S. et al. Transformers in Vision: Eine Umfrage. ACM-Computing. Überleben. 54, 1–41 (2022).

Artikel MathSciNet Google Scholar

Referenzen herunterladen

Die Autoren danken dem Hebei Provincial Natural Science Foundation Project (E2020402064) und dem Basic Research Business Fund – Doctoral Students' Top Innovation Talent Cultivation Fund – der China University of Mining and Technology (Peking) für ihre Unterstützung.

School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Peking, 100083, China

Lei Bo, Shangqing Yang, Yang Liu, Yanwen Wang und Zihang Zhang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, YL und LB; Methodik, LB, SY und YW; Software, SY und LB; Validierung, LB; formale Analyse, LB und YW; Untersuchung, ZZ und LB; Ressourcen, YL; Datenkuration, SY und YW; Schreiben – ursprüngliche Entwurfsvorbereitung, LB und SY; Schreiben – Überprüfen und Bearbeiten, SY, YL und LB; Visualisierung, LB; Aufsicht, YL; Projektverwaltung, YL; Finanzierungseinwerbung, YL Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Zihang Zhang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Bo, L., Yang, S., Liu, Y. et al. Forschung zur Datengültigkeit eines auf einem verbesserten Transformator basierenden Sensorsystems für die Ortsbrust eines Kohlebergwerks mit fester Verfüllung. Sci Rep 13, 11092 (2023). https://doi.org/10.1038/s41598-023-38365-6

Zitat herunterladen

Eingegangen: 4. April 2023

Angenommen: 06. Juli 2023

Veröffentlicht: 08. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38365-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.