煤矿安全隐患智能采集与智慧决策系统

发布时间：2021-10-05 09:09

　　煤矿安全隐患分析与处理环节对煤矿安全高效生产至关重要,受到众多煤矿企业的高度重视。但大部分煤矿企业使用人工方式采集隐患数据和编写安全生产简报,该方式存在工作量大、效率低、录入信息杂乱且不准确等问题;部分煤矿企业还应用计算机软件辅助处理数据,但其基本数据存储不够规范,且数据分析能力较为欠缺。针对上述问题,本文应用卷积神经网络（CNN）语义映射算法并改进深度蚁群算法（ACO）,设计了煤矿安全隐患智能采集与智慧决策系统。该系统具有数据实时存储、跟踪处理、风险管控、分析预警、科学决策等功能。文章首先介绍了煤矿安全隐患智能采集与智慧决策系统的研究背景和意义以及煤矿相关领域的国内外研究现状,从多方面、多角度剖析煤矿安全生产过程中存在的问题,并深入分析煤矿企业实际项目功能需求,建立了煤矿安全隐患智能采集与智慧决策系统架构。根据需求构建煤矿安全隐患智能采集与智慧决策系统数据库,并确定了数据表详细字段。在此基础上,将改进CNN技术应用到煤矿隐患智能采集领域,构建了基于CNN的智能采集模型并应用ACO对煤矿隐患智慧检索和决策模型进行了改进,并使用C#等编程语言,从安全隐患数据管理、安全隐患风险管控、矿井档... 

【文章来源】：安徽理工大学安徽省

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

匹配矩阵示例

安徽理工大学硕士学位论文id 进行映射，得到待检索的标准关键词。例如：图 3-1（a）中最终得到的匹配度是 0.68，图 3-1（b）最终得到的匹配度是 0.61，将两值进行比较，可得“没有戴安全帽”与“没有未戴安全帽”最相似，则以“没有未戴安全帽”为条件映射数据库中的标准关键词进行数据关键词查询。基于 CNN 语义映射的智能采集模型训练图如图 3-2 所示。

图 4-1 基于 ACO 的检索模型结构Fig. 4-1 The retrieval model structure based onACO源节点（虚拟）多个汇聚节点当前节点深度添加信息素建立NF-ant表负反馈正向信息素加强影响因子比较取值调整信息素强度高频度检索条例数

【参考文献】：
期刊论文
[1]煤矿信息物理融合系统架构及其感控节点研究[J]. 张梅,牛士会,李敬兆.  工矿自动化. 2019(02)
[2]改进速率自适应算法的高压开关柜母线温度监测系统[J]. 张梅,陈路易,李敬兆.  传感器与微系统. 2018(12)
[3]基于LSTM边缘计算与随机森林雾决策的矿工状态监测设备[J]. 孟亦凡,李敬兆,张梅.  煤矿机械. 2018(11)
[4]煤矿安全隐患智能语义采集与智慧决策支持系统[J]. 陈梓华,李敬兆.  工矿自动化. 2018(11)
[5]基于向量空间模型结合语义的文本相似度算法[J]. 冯高磊,高嵩峰.  现代电子技术. 2018(11)
[6]一种新的基于相似度过滤的大数据保序匹配与检索算法[J]. 姜文超,林德熙,孙傲冰,伍小强.  计算机工程与科学. 2017(07)
[7]基于自然语言检索的综合相似度计算算法[J]. 徐浩广,王宁,刘佳明,邱燕.  计算机系统应用. 2017(06)
[8]煤矿安全数据分析与辅助决策云平台研究[J]. 刘海滨,刘浩,刘曦萌.  中国煤炭. 2017(04)
[9]我国井工煤矿智能化开发技术现状及发展[J]. 雷毅.  煤矿开采. 2017(02)
[10]煤矿安全监控系统便捷检查分析装备设计[J]. 刘传安,刘建,都永正.  工矿自动化. 2017(03)



本文编号：3419433