CN119474758A 基于机器学习的矿用矿压智能分析监测方法 （济南福深兴安科技有限公司）

路美里路555号海那城总部公园22号基于机器学习的矿用矿压智能分析监测方法偏差程度序列进行STL分解，得到对应的趋势项大值数据和极小值数据的之间的压力数据作为2在对煤矿开采的过程中，对任一液压支架的压力数据进及之前每个历史采样时刻的压力数据所组成的压力数据获取所述压力数据序列中的极大值数据和极小值数据，将相邻根据每个所述压力子序列的位置筛选目标压力子序列，根据每个所述目标压获取所有液压支架在所述当前采样时刻的压力异常指标，根据所述根据每个所述目标压力子序列与其之前的所述压力子序列的数据变化特征值差异以及针对任一目标压力子序列，获取所述任一目标压力子序列之前的一目标压力子序列相较于所述参考子序列的相对获取所述任一目标压力子序列的序列时长和所述参考子序列的序列时长之间的差值获取所述任一目标压力子序列相较于每个所述参考子序列的相对偏差程度以及每个3针对任一目标滑动窗口，获取所述任一目标滑窗口内的差分值均值将所述差分值均值作为以自然常数为底数的指数函数的自变量根据每个所述目标滑动窗口的局部压力异常特征值，得到所述任一在所有目标滑动窗口的局部压力异常特征值中选择最小的局部压力异若任一液压支架在所述当前采样时刻的压力异常指标大于预设似异常液压支架的每个邻域液压支架在所述当前采样时刻的压力异常指标与上一采样时4[0005]有鉴于此，本发明实施例提供了一种基于机器学习的矿用矿压智能分析监测方法，以解决如何提高利用液压支架所监测到的压力数据进行矿压异常预警的准确性的问序列的一阶差分序列，利用预设的滑动窗口和滑动步长对所述一阶差分序列进行滑动遍5述当前采样时刻的压力异常指标进行矿压异述任一目标压力子序列相较于所述参考子序列的相对偏获取所述任一目标压力子序列的序列时长和所述参考子序列的序列时长之间的获取所述任一目标压力子序列相较于每个所述参考子序列的相对偏差程度以及在所有目标滑动窗口的局部压力异常特征值中选择最小的局部压力异常特征值，6若任一液压支架在所述当前采样时刻的压力异常指标大于预设的异常指标阈值，一疑似异常液压支架的每个邻域液压支架在所述当前采样时刻的压力异常指标与上一采据趋势项序列中的数据变化特征，以得到任一液压支架在当前采样时刻的压力异常指标，[0015]图1是本发明实施例一提供的一种基于机器学习的矿用矿压智能分析监测方法的7[0019]参见图1，是本发明实施例一提供的一种基于机器学习的矿用矿压智能分析监测前采样时刻以及之前每个历史采样时刻的压力数据所组成的压力数[0021]煤矿开采过程中设置了多个液压支架，本发明实施例以当前采样时刻之前的每个历史采样时刻的压力数据，以组成当前采样时刻的压力数据序8差，液压支架受到的压力异常变化的概率越大，同时，将norm(d)+norm(o)的和作为自然述任一目标压力子序列相较于所述参考子序列的相对偏获取所述任一目标压力子序列的序列时长和所述参考子序列的序列时长之间的获取所述任一目标压力子序列相较于每个所述参考子序列的相对偏差程度以及9第s个参考子序列的压力均值和对应时间段的时长（也即是序列时长进而根据第s个参表示第r个目标压力子序列相较于所有参考子序列的压力偏差程度，L表示第r个目标压力子序列的参考子序列的数量，T,表示第r个目标压力子序列的数据变化表示第r个目标压力子序列的压力均值，t,表示第r个目标压力子序列的序列s个参考子序列的数据变化特征值，F,-;表示第s个参考子序列的压力[0035]需要说明的是，表示第r个目标压力子序列和第s个参考子序列的数据变化二比值，第二比值越大，则说明第r个目标压力子序列相较于第s个参考子序列所受的载荷越大；表示第r个目标压力子序列和第s个参考序列之间计算时的权重因子，表示第个目标压力子序列和第s个参考子序析压力偏差程度序列的局部变化速率，进而根据每个目标滑动窗口内包含的所有差分值，计算每个目标滑动窗口对应的差分值均值，进而根据每个目标滑动窗口中的差分值均值，应第ul个目标滑动窗口对应的时段内的压力数据为正常数据的概率越大。析窗口中的最后一个差分值与所有差分值的差异以及局部压力异常特征值与参考值的差刻的压力异常指标越大；用于表征当前采样时刻的压力差异相较于整压支架在所述当前采样时刻的压力异常指标进行一疑似异常液压支架的每个邻