煤矿安全风险智能分级管控与信息预警系统
Intelligent hierarchical management & control and information pre-warningsystem of coal mine safety risk
-
摘要: 煤矿安全风险预警是煤炭开采过程中实现安全保障的关键一环，在记录矿井下安全隐患数据时，采集相关的数据容易受到外界环境因素（如光线、温度、湿度等）和人为因素的影响，导致划分安全风险等级出现误差，从而使得安全隐患得不到有效处理。为解决煤矿等相关企业存在的安全风险等级划分不精确的问题，研究了一种基于改进基于粒子群算法（PSO）和卷积神经网络（CNN）的煤矿安全风险智能分级管控与信息预警系统。该系统采用基于改进PSO的智能数据筛选模型，利用PSO算法查找全局最优解的特性，筛选掉不合理的数据，减少了人工计算数据不准确或采集矿区信息过程中出现纰漏的问题；采用基于改进的CNN的智能风险分级模型，通过对数据特征的采集、融合处理，实现了高精确划分安全风险等级。实验室训练与应用结果表明:该系统对安全风险数值的查全率为85.6%，查准率为91.7%，较其他系统查全率提升了4.2%，查准率提升了2.8%，大幅提升了安全风险等级划分的精确度，对出现的安全隐患及时预警效果显著。此方法有效减少了安全隐患发生的频率。Abstract: Coal mine safety risk pre-warning is a key part of the safety guarantee in coal mining process. When recording hidden safety hazard data in underground mines,collecting relevant data is susceptible to external environmental factors(such as light,temperature,humidity,etc.) and human factors.This leads to errors in the classification of safety risk levels,which makes hidden safety hazards unable to be effectively dealt with. In order to solve problem of inaccurate classification of safety risk in coal mines and other related companies,a coal mine safety risk intelligent hierarchical control and information pre-warning system based on improved particle swarm optimization(PSO) and convolutional Neural Networks(CNN) was designed. The system adopts an intelligent data screening model based on improved PSO,and uses the feature of PSO algorithm to find the global optimal solution to filter out unreasonable data,and reduces problems of inaccurate manual calculation of data or inaccuracies in the process of collecting mining area information. The improved CNN’s intelligent risk classification model realizes high-precision classification of security risk levels through collection and fusion of data features.The experiment and application results show that system has a recall rate of 85.6% anda precision rate of 91.7%. Compared with other systems,the recall rate has increased by 4.2%,and the precision rate has increased by 2.8%,which greatly improved accuracy of security risk classification,and the timely warning effect on occurrence of security risks is significant. This method effectively reduces frequency of potential safety hazards.
-
-
期刊类型引用(15)
1. 焦建英，吕春颖，邵暖，张贺玉，张翔，武智瑛. 基于C#+PLC煤矿边缘监测AI控制研究. 煤炭技术. 2025(04): 235-238 . 
百度学术
2. 王昕彤. 基于大数据和人工智能的矿山安全预警与监控. 信息与电脑(理论版). 2024(01): 202-204 . 百度学术
3. 郝守礼，乔燕军，范科，赵文韬，丁洒. 光伏发电区红外热成像火灾预警系统研究. 信息与电脑(理论版). 2024(05): 59-61 . 百度学术
4. 田佳伟，唐子山. 基于边缘计算和ST-YOLO的矿井智能监控技术研究. 煤炭工程. 2024(07): 165-173 . 百度学术
5. 都书刚，戴万波，马旭伟，康舆哲. 智能矿山IoT边缘数据网关技术研究. 矿冶. 2024(04): 631-636 . 百度学术
6. 张婧，周浩，屈世甲，赵乾坤. 工作面煤壁甲烷涌出在受限空间的扩散规律研究. 煤炭技术. 2024(10): 135-141 . 百度学术
7. 张婧，张桓瑞，赵乾坤，屈世甲. 综采工作面区域甲烷分布特征及关键监测位置研究. 中国矿业. 2024(10): 209-216 . 百度学术
8. 崔林林，权晓光，徐昊，仝依良，王晓彬. 基于Azure边云结合在煤矿安全方向应用研究. 传感器与微系统. 2024(12): 37-40 . 百度学术
9. 王健，屈世甲，于振，张羽. 煤矿地下水库安全监测及预警关键技术研究. 中国煤炭. 2024(12): 71-82 . 百度学术
10. 安军. 基于无线通信技术的电气火灾智能监控系统. 自动化与仪表. 2023(01): 120-124 . 百度学术
11. 程德强，钱建生，郭星歌，寇旗旗，徐飞翔，顾军，高亚超，赵金升. 煤矿安全生产视频AI识别关键技术研究综述. 煤炭科学技术. 2023(02): 349-365 . 本站查看
12. 杨波. 基于大数据分析的煤矿通风自动控制系统. 能源与环保. 2023(08): 39-44 . 百度学术
13. 李伟，叶鸥，刘辉，黄天尘. 基于数字孪生技术的大型煤矿远程智能监控研究. 计算机测量与控制. 2023(11): 204-211 . 百度学术
14. 刘辉，张晓利，黄天尘，赵堃. 基于改进RBF数据融合算法的煤矿井下安全监控研究. 计算机测量与控制. 2023(11): 173-180 . 百度学术
15. 蔡勇. 煤矿安全监测监控系统在应用中存在的问题及解决措施分析. 内蒙古煤炭经济. 2022(24): 94-96 . 百度学术
其他类型引用(3)
下载:
图(12)
计量
- 文章访问数: 173
- HTML全文浏览量: 2
- PDF下载量: 434
- 被引次数: 18
