本發(fā)明涉及人工智能，尤其涉及一種面向礦山安全的設備預測性維護監(jiān)測方法和電子設備。

背景技術：

1、隨著礦山機械設備的廣泛應用，設備的安全性和可靠性成為礦山生產(chǎn)中至關重要的因素。礦山設備通常在復雜、惡劣的環(huán)境中長時間運行，面臨著高溫、高壓、強振動等多種不利條件，導致設備故障風險較高。設備一旦出現(xiàn)故障，不僅會影響礦山的正常生產(chǎn)，還可能帶來安全隱患，甚至引發(fā)事故。

2、現(xiàn)有技術中，對于公開的專利文獻cn202210372271.4、cn202011592545.8以及cn201611245269.1中記載了提高設備故障診斷精度的技術方案，但仍然存在不足：傳統(tǒng)的smote算法只能在少數(shù)類樣本間進行線性插值，無法充分應對數(shù)據(jù)分布的多樣性和復雜性，導致生成的樣本缺乏代表性，模型泛化能力不足；神經(jīng)網(wǎng)絡模型在特征提取過程中容易遭遇梯度消失或梯度爆炸等問題，且其進化過程缺乏靈活性，難以根據(jù)數(shù)據(jù)特性自適應地調(diào)整模型，導致訓練不穩(wěn)定，模型性能下降；降維技術往往會造成重要特征的丟失，且無法在降維過程中動態(tài)優(yōu)化特征權重，導致降維后的特征表示冗余，影響模型的簡潔性和信息保留的平衡；分類器模型在處理類別不平衡時無法動態(tài)調(diào)整不同類別的權重，特別是在關鍵故障類別的識別上缺乏精準性，導致設備維護監(jiān)測中的分類結(jié)果不夠準確。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種面向礦山安全的設備預測性維護監(jiān)測方法和電子設備，用以有效地對礦山設備進行預測性維護，降低設備故障率，保障設備安全運行。

2、第一方面，本發(fā)明提供了一種面向礦山安全的設備預測性維護監(jiān)測方法，所述方法包括：

3、s1、采集礦山設備的運行數(shù)據(jù)，對運行數(shù)據(jù)進行標注；并對標注后的運行數(shù)據(jù)進行擴充，得到擴充后的數(shù)據(jù)集；

4、s2、通過擴充后的數(shù)據(jù)集對特征提取模型進行訓練，得到訓練后的特征提取模型和特征提取后的數(shù)據(jù)；

5、s3、將特征提取后的數(shù)據(jù)輸入到特征降維模型中，進行特征降維模型的訓練，得到訓練后的特征降維模型和特征降維后的數(shù)據(jù)；

6、s4、利用特征降維后的數(shù)據(jù)對分類器模型進行訓練，得到訓練后的分類器模型；

7、s5、通過訓練后的特征提取模型、特征降維模型和分類器模型對新樣本進行處理，以預測礦山設備的運行。

8、可選地，采集礦山設備的運行數(shù)據(jù)，對運行數(shù)據(jù)進行標注，包括：

9、通過振動傳感器、溫度傳感器和壓力傳感器，實時收集設備的運行數(shù)據(jù)，并并通過無線網(wǎng)絡傳輸?shù)街行臄?shù)據(jù)庫；

10、標注的類別包括：

11、正常運行，表示設備運行在正常的工作參數(shù)范圍內(nèi)；

12、維護警示，表示設備即將需要維護，但尚未出現(xiàn)故障；

13、故障模式，表示設備出現(xiàn)故障，需要立即維修。

14、可選地，對標注后的運行數(shù)據(jù)進行擴充，得到擴充后的數(shù)據(jù)集，包括：

15、通過smote算法進行樣本生成，在此基礎上采用非凸優(yōu)化策略，樣本生成的流程包括：

16、s101、初始化算法參數(shù)，包括鄰居數(shù)、插值數(shù)和非凸優(yōu)化參數(shù)，這些參數(shù)共同決定合成樣本的生成策略，其公式為：

17、；

18、式中，表示在特征空間中每個少數(shù)類樣本選取的鄰居數(shù)量；表示從每對少數(shù)類樣本和其鄰居生成的合成樣本數(shù)；表示非凸優(yōu)化過程中的調(diào)整系數(shù)；

19、s102、從訓練數(shù)據(jù)中識別出數(shù)量少的類別，將其作為擴充的目標，設識別出的少數(shù)類樣本集為，其公式為：

20、；

21、式中，為數(shù)據(jù)集中的樣本，為樣本對應的類標簽；表示少數(shù)類別，即其類別對應的樣本數(shù)量明顯少于其他類別；

22、s103、對每個選中的少數(shù)類樣本，找出其在特征空間中的個最近鄰樣本，具體通過計算樣本之間的距離來完成，距離的計算可以根據(jù)數(shù)據(jù)的特性進行選擇，設每個少數(shù)類樣本在特征空間中的個最近鄰樣本為，其公式為：

23、；

24、式中，表示樣本之間的距離度量函數(shù)，其為歐氏距離或余弦相似度；為第個的近鄰樣本，為第個的近鄰樣本；為整體數(shù)據(jù)集；

25、s104、對每個少數(shù)類樣本及其鄰居，根據(jù)非凸優(yōu)化算法計算新樣本點的特征值，新樣本的生成不僅基于線性插值，還通過動態(tài)優(yōu)化過程調(diào)整每個特征的權重，以更好地適應數(shù)據(jù)的本質(zhì)結(jié)構(gòu)，具體的，對于每個少數(shù)類樣本和其鄰居，生成個合成樣本，其公式為：

26、；

27、式中，為生成的合成樣本；為隨機生成的介于0和1之間的插值系數(shù)；表示非凸函數(shù)，用于根據(jù)鄰居的動態(tài)分布調(diào)整的影響，使插值更加符合實際數(shù)據(jù)的分布特性；

28、s105、在樣本生成過程中，算法實時監(jiān)控新樣本的質(zhì)量和類別分布的變化，根據(jù)設定的優(yōu)化目標，動態(tài)調(diào)整生成策略，調(diào)整方式表示為：

29、；

30、式中，為調(diào)整學習率，為評估合成樣本質(zhì)量的損失函數(shù)，和分別表示合成樣本及其標簽集合，表示損失函數(shù)相對于的梯度；

31、s106、將生成的合成樣本合并到原始訓練集中，形成一個新的數(shù)據(jù)集，其公式為：

32、；

33、式中，為擴充后的數(shù)據(jù)集。

34、可選地，所述步驟s104包括：

35、非凸函數(shù)對插值系數(shù)的調(diào)整方式，其公式為：

36、；

37、式中，和為根據(jù)鄰居樣本集合計算得到的兩個不同的統(tǒng)計量，分別代表鄰居樣本在特征空間中的集中趨勢和分散趨勢；

38、其中，的計算方式，其公式為：

39、；

40、式中，是鄰居樣本的均值向量；反映的是鄰居樣本的變異系數(shù)，其公式分別為：

41、；

42、；

43、式中，表示l2范數(shù)。

44、可選地，所述步驟s105包括：

45、評估合成樣本質(zhì)量的損失函數(shù)用于評估合成樣本的質(zhì)量，并調(diào)整非凸優(yōu)化參數(shù)，其計算方式表示為：

46、；

47、式中，是由當前模型預測的合成樣本的類標簽，是交叉熵損失函數(shù)，用于衡量預測標簽與真實標簽之間的差異。

48、可選地，所述步驟s2包括：

49、采用6層的全連接神經(jīng)網(wǎng)絡進行特征提取，通過基于動態(tài)群體進化優(yōu)化的神經(jīng)網(wǎng)絡作為特征提取模型；利用自校正機制根據(jù)當前訓練數(shù)據(jù)的特性自動調(diào)整進化規(guī)則，根據(jù)損失函數(shù)的變化趨勢調(diào)整交叉和變異的概率；

50、基于動態(tài)群體進化優(yōu)化的神經(jīng)網(wǎng)絡的訓練流程包括：

51、s201、根據(jù)仿生算法初始化方式，在初始化階段，生成一個初始的種群，每個個體代表一種網(wǎng)絡權重的配置，具體的，設種群大小為，為第個個體初始化權重和偏置，表示為：

52、；

53、；

54、式中，為第個個體對應的神經(jīng)網(wǎng)絡的權重，為第個個體對應的神經(jīng)網(wǎng)絡的偏置，表示第個個體在初始狀態(tài)的權重矩陣；表示第個個體在初始狀態(tài)的偏置；表示初始化的方差；表示均值為0、方差為的正態(tài)分布；為正態(tài)分布；設置為0.01；

55、s202、對于種群中的每個個體，利用其對應的神經(jīng)網(wǎng)絡配置來處理輸入的訓練數(shù)據(jù)，計算模型的輸出，并根據(jù)預定的損失函數(shù)評估其性能，具體的，對于第個個體，利用其權重和偏置計算在訓練數(shù)據(jù)集上的損失，表示為：

56、；

57、式中，為第個個體對應的神經(jīng)網(wǎng)絡的損失；表示當前批次輸入的樣本數(shù)量；表示復合損失函數(shù)，表示神經(jīng)網(wǎng)絡模型函數(shù)；表示第個樣本的特征；表示第個樣本的標簽；

58、復合損失函數(shù)包含正則化項，用于增加模型的泛化能力，計算方式表示為：

59、；

60、式中，是均方誤差函數(shù)，是正則化項，為正則化參數(shù)；

61、正則化項的計算方式表示為：

62、；

63、式中，為為第個個體對應的神經(jīng)網(wǎng)絡的第個權重；

64、s203、根據(jù)個體的適應度，從當前種群中選擇表現(xiàn)最好的個體進行保留，作為下一代的候選解，具體的，基于個體的適應度進行選擇，優(yōu)秀個體有更高概率被選中，個體被選擇的概率的計算方式表示為：

65、；

66、式中，表示第個個體被選擇的概率；是控制選擇壓力的參數(shù)；為第個個體對應的神經(jīng)網(wǎng)絡的損失；設置為2；

67、s204、通過交叉和變異操作生成新的個體,交叉操作允許兩個優(yōu)秀個體交換部分基因，生成新的子代；變異操作則是隨機改變個體中的部分基因，以增加種群的多樣性；具體的，交叉操作隨機選擇兩個個體進行基因交換，表示為：

68、；

69、；

70、式中，是交叉率，為選定的第一個個體對應的神經(jīng)網(wǎng)絡的權重，為選定的第一個個體對應的神經(jīng)網(wǎng)絡的偏置，為選定的第二個個體對應的神經(jīng)網(wǎng)絡的權重，為選定的第二個個體對應的神經(jīng)網(wǎng)絡的偏置，為交叉操作后的個體對應的神經(jīng)網(wǎng)絡的權重，為交叉操作后的個體對應的神經(jīng)網(wǎng)絡的偏置；設置為0.3；

71、變異操作對新生成的個體權重進行小幅度隨機擾動，表示為：

72、；

73、；

74、式中，表示變異的方差，為變異操作后的個體對應的神經(jīng)網(wǎng)絡的權重，為變異操作后的個體對應的神經(jīng)網(wǎng)絡的偏置；設置為0.04；

75、s205、重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示模型訓練完成。

76、可選地，所述步驟s3包括：

77、采用基于特征細化的自編碼神經(jīng)網(wǎng)絡作為降維模型，所述基于特征細化的自編碼神經(jīng)網(wǎng)絡由編碼器、解碼器、特征調(diào)整模塊三部分構(gòu)成，編碼器負責將高維輸入數(shù)據(jù)映射到低維特征空間，解碼器用于將降維后的特征重構(gòu)回原始空間，以保證降維過程的可逆性；特征調(diào)整模塊通過遞歸特征自適應優(yōu)化動態(tài)調(diào)整降維后的特征空間，使得重要特征能夠得到強化，次要特征被逐步弱化，從而使得降維后的特征表示在保留數(shù)據(jù)信息的同時具備簡潔性；

78、基于特征細化的自編碼神經(jīng)網(wǎng)絡的訓練流程包括：

79、s301、設輸入到自編碼神經(jīng)網(wǎng)絡的數(shù)據(jù)為，編碼器采用多層非線性映射結(jié)構(gòu)，將高維數(shù)據(jù)映射到初始的低維特征空間，表示為：

80、；

81、式中，表示初始低維特征，為編碼器的權重矩陣，為編碼器的偏置向量，為編碼器的多層sigmoid激活函數(shù)；

82、s302、在低維特征生成后，特征調(diào)整模塊根據(jù)當前特征空間中的特征重要性，自動生成特征權重，該模塊初始化時對所有特征賦予相同的初始權重，以便后續(xù)根據(jù)特征貢獻逐步調(diào)整，初始權重矩陣的計算方式表示為：

83、；

84、式中，為初始權重矩陣；為特征權重向量，中的每個元素初始化為相同的值，表示所有特征在初始階段具有相同的重要性；為提取矩陣的對角線元素的函數(shù)；

85、調(diào)整后的特征表示為：

86、；

87、式中，為經(jīng)過特征權重調(diào)整后的特征表示；

88、s303、特征調(diào)整模塊對初步生成的低維特征進行遞歸優(yōu)化，在每一輪迭代中，模塊會根據(jù)前一輪特征的表現(xiàn)，調(diào)整各個特征的權重，逐步增強具有重要影響的特征，并逐步削弱冗余或噪聲特征，設第輪迭代中，權重的更新規(guī)則如下：

89、；

90、式中，表示第輪迭代的特征權重，表示第輪迭代的特征權重，為自編碼神經(jīng)網(wǎng)絡的學習率，為自編碼神經(jīng)網(wǎng)絡的損失函數(shù)，為標簽數(shù)據(jù)，表示損失函數(shù)對特征權重的梯度；自編碼神經(jīng)網(wǎng)絡的損失函數(shù)為重構(gòu)誤差損失函數(shù)；設置為0.01；

91、s304、為了確保降維過程的有效性，解碼器將低維特征重新映射回高維空間，以確保降維過程沒有丟失重要信息；解碼器的重構(gòu)過程表示為：

92、；

93、式中，為重構(gòu)后的高維數(shù)據(jù)，為解碼器的權重矩陣，為解碼器的偏置向量，為解碼器的多層sigmoid激活函數(shù)；

94、s305、重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示模型訓練完成。

95、可選地，所述步驟s4包括：

96、采用基于極限學習機的分類算法作為分類模型，通過采用自適應獎勵函數(shù)來動態(tài)調(diào)整每個類別的權重；

97、基于自適應獎勵的極限學習機的訓練流程包括：

98、s401、初始化極限學習機模型結(jié)構(gòu)，極限學習機的輸入層、隱藏層和輸出層的節(jié)點數(shù)分別設為、和；其中是特征數(shù)，是隱藏層節(jié)點數(shù)，是輸出類別數(shù)；

99、取決于特征降維后的特征向量的維度，設置為100，取決于數(shù)據(jù)標注的類別數(shù)量；

100、s402、通過優(yōu)化算法預調(diào)極限學習機的整隱藏層的權重和偏差，以更好地適應訓練數(shù)據(jù)的初步分布，設極限學習機隱藏層的權重為，極限學習機隱藏層的偏差為，初始化為：

101、；

102、；

103、式中，表示生成一個的矩陣，其元素從一個均勻或正態(tài)分布中隨機生成；

104、s403、利用激活函數(shù)計算每個樣本在隱藏層的輸出，設極限學習機的隱藏層的輸出為，計算方式表示為：

105、；

106、式中，是極限學習機的輸入數(shù)據(jù)矩陣；是全1向量，用于廣播偏差項到每個數(shù)據(jù)樣本；為sigmoid激活函數(shù)；

107、s404、在輸出層之前，根據(jù)分類任務的重要性和難易程度動態(tài)調(diào)整輸出權重，通過反饋學習不斷優(yōu)化，旨在提升模型對關鍵故障的預測能力，具體的，設輸出層的權重為，其根據(jù)類別的誤差動態(tài)調(diào)整權重，表示為：

108、；

109、式中，是權重學習率；是權重損失函數(shù)，評估實際輸出與預測輸出之間的誤差；為第次迭代的輸出層的權重；為第次迭代的輸出層的權重；為第個類別的調(diào)節(jié)因子；

110、權重損失函數(shù)計算方式表示為：

111、；

112、式中，是真實標簽矩陣中的元素，是由模型預測的對應類別的概率；

113、調(diào)節(jié)因子根據(jù)類別的樣本數(shù)量或先前周期的訓練誤差進行調(diào)整，使得權重更新更加精細化，適應性更強，計算方式表示為：

114、；

115、式中，是第類別的樣本數(shù)量，是總樣本數(shù)量；

116、s405、極限學習機的輸出層的權重通過求解一個優(yōu)化問題得到，以確保更精確地反映從隱藏層到輸出層的映射關系，最小化輸出誤差的目標函數(shù)是：

117、；

118、式中，為極限學習機的輸出層的權重，表示數(shù)據(jù)復雜度；

119、為提高模型的適應性和準確性，數(shù)據(jù)復雜度的計算方式表示為：

120、；

121、式中，是第個特征的標準差，為輸入極限學習機的數(shù)據(jù)的第個特征；

122、s406、重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示模型訓練完成。

123、第二方面，本發(fā)明實施例提供一種電子設備，包括：一個或多個處理器；存儲器；以及一個或多個計算機程序，其中所述一個或多個計算機程序被存儲在所述存儲器中，所述一個或多個計算機程序包括指令，當所述指令被所述設備執(zhí)行時，使得所述設備執(zhí)行第一方面或第一方面任一可能的實現(xiàn)方式中的面向礦山安全的設備預測性維護監(jiān)測方法。

124、本發(fā)明提供的技術方案中，該方法包括采集礦山設備的運行數(shù)據(jù)，對運行數(shù)據(jù)進行標注；并對標注后的運行數(shù)據(jù)進行擴充，得到擴充后的數(shù)據(jù)集；通過擴充后的數(shù)據(jù)集對特征提取模型進行訓練，得到訓練后的特征提取模型和特征提取后的數(shù)據(jù)；將特征提取后的數(shù)據(jù)輸入到特征降維模型中，進行特征降維模型的訓練，得到訓練后的特征降維模型和特征降維后的數(shù)據(jù)；利用特征降維后的數(shù)據(jù)對分類器模型進行訓練，得到訓練后的分類器模型；通過訓練后的特征提取模型、特征降維模型和分類器模型對新樣本進行處理，以預測礦山設備的運行，該方法有效地對礦山設備進行了預測性維護，降低了設備故障率，保障了設備安全運行。