Investigación sobre la validez de los datos de un sistema de detección de la cara de trabajo de relleno sólido de una mina de carbón basado en un transformador mejorado

Scientific Reports volumen 13, número de artículo: 11092 (2023) Citar este artículo

331 Accesos

1 altmétrica

Detalles de métricas

El relleno sólido en la minería del carbón se refiere al relleno de la barra con materiales sólidos para formar una estructura de soporte, garantizando la seguridad en el suelo y en las áreas mineras superiores. Este método de minería maximiza la producción de carbón y aborda los requisitos ambientales. Sin embargo, en la minería de relleno tradicional existen desafíos, como variables de percepción limitadas, dispositivos de detección independientes, datos de detección insuficientes y aislamiento de datos. Estos problemas dificultan el seguimiento en tiempo real de las operaciones de relleno y limitan el desarrollo de procesos inteligentes. Este documento propone un marco de red de percepción diseñado específicamente para datos clave en operaciones de relleno sólido para abordar estos desafíos. Específicamente, analiza objetos de percepción críticos en el proceso de relleno y propone una red de percepción y un marco funcional para el relleno de Internet de las cosas (IoT) de las minas de carbón. Estos marcos facilitan la concentración rápida de datos de percepción clave en un centro de datos unificado. Posteriormente, el artículo investiga la garantía de la validez de los datos en el sistema de percepción de la operación de relleno sólido dentro de este marco. Específicamente, considera posibles anomalías en los datos que pueden surgir de la rápida concentración de datos en la red de percepción. Para mitigar este problema, se propone un modelo de detección de anomalías basado en transformadores, que filtra los datos que no reflejan el verdadero estado de los objetos de percepción en operaciones de relleno sólido. Finalmente, se realiza el diseño experimental y la validación. Los resultados experimentales demuestran que el modelo de detección de anomalías propuesto alcanza una precisión del 90%, lo que indica su capacidad de detección efectiva. Además, el modelo exhibe una buena capacidad de generalización, lo que lo hace adecuado para monitorear la validez de los datos en escenarios que involucran una mayor percepción de objetos en sistemas de percepción de relleno sólido.

La tecnología de relleno sólido se refiere al relleno del área de extracción con material sólido para formar un cuerpo de soporte para asegurar las áreas mineras superficiales y superiores, un método diseñado para brindar soporte y estabilizar las condiciones geológicas del área minera. El relleno sólido ayuda a reducir el hundimiento de la superficie, reducir el impacto ambiental de la ganga de carbón y crear un entorno minero más seguro y eficiente1. Es un tratamiento eficaz de residuos mineros y una tecnología de minería ecológica2. Con el continuo crecimiento de la población mundial y la industrialización, la demanda de energía también está aumentando. El carbón, como recurso energético importante, ocupa una posición importante en el consumo energético mundial3. Tomando como ejemplo los datos de la Oficina Nacional de Estadísticas de China, en 2020, la producción de carbón crudo de China alcanzó los 2.760 millones de toneladas, lo que representa el 67,6% de la producción total de energía primaria, y el consumo de carbón alcanzó los 2.830 millones de toneladas, lo que representa el 56,8% del total. consumo de energía4. A medio y largo plazo, el carbón sigue siendo la columna vertebral energética de la economía china y desempeña un papel extremadamente importante en el desarrollo económico del país.

Sin embargo, los métodos tradicionales de extracción de carbón a menudo dan lugar a una serie de problemas medioambientales5, como la destrucción de la tierra, la contaminación del agua y del aire6. Estos problemas no sólo dañan el medio ambiente humano sino que también plantean desafíos al desarrollo sostenible de la industria del carbón. La cantidad de carbón extraído de los “tres subterráneos” (debajo de edificios, ferrocarriles y agua) en China es de más de 14 mil millones de toneladas7, y el carbón “tres subterráneo” extraído representa sólo aproximadamente el 7% de la extracción total de carbón. Debido a la influencia de las profundas vetas de carbón8, la minería del carbón en China utiliza principalmente métodos de minería subterránea9. Después de extraer el carbón, se forma una cabra en el lugar original. Bajo la acción de los estratos suprayacentes, los estratos superiores del goaf colapsarán, se fracturarán, se doblarán y se hundirán provocando desprendimientos de rocas, como caídas de techos de carbón y colapsos del suelo10. Los datos estadísticos muestran que la pérdida económica acumulada causada por el colapso de los goafs inducido por la minería del carbón en China ha superado los 50 mil millones de yuanes, y el área per cápita del colapso de los goafs en las áreas mineras también supera el 1,8 \(\hbox {hm}^2\)11 .

Los daños ecológicos causados ​​por la minería del carbón, los daños causados ​​por los accidentes mineros y los desastres geológicos como los vertederos inestables que provocan deslizamientos de tierra amenazan seriamente la seguridad y el desarrollo de la industria energética. Para resolver estos problemas, la minería del carbón necesita hacer una transición hacia la protección ambiental y el desarrollo sostenible, y la aplicación de tecnología de relleno sólida es importante para este proceso de transición12. La minería de relleno sólido consiste en llenar áreas minadas con desechos sólidos para limitar el movimiento de los estratos de sobrecarga y evitar el hundimiento de la superficie, protegiendo así la infraestructura de la superficie mediante el control del hundimiento de la superficie. Es un enfoque técnico importante para resolver el problema de la compactación del carbón de las “tres capas”, las emisiones de ganga de carbón y los problemas de recursos de la tierra, reducir las áreas mineras, extender la vida útil de las minas, mejorar la tasa de recuperación de los recursos minerales, reducir la contaminación ambiental y lograr construcción de minas verdes y promoción del desarrollo sostenible de la minería del carbón. Tiene importantes beneficios económicos, sociales y ambientales.

Actualmente, las minas inteligentes a gran escala en China han entrado en un período de rápido desarrollo. El desarrollo de la minería verde y no tripulada se ha convertido en un método importante para lograr una coexistencia armoniosa entre el hombre y la naturaleza en la nueva era13. Como componente clave de la construcción minera ecológica, el relleno sólido ha recibido cada vez más atención.

Li et al.14 examinaron el estado actual de desarrollo de caras mineras inteligentes para una minería totalmente mecanizada, tanto a nivel nacional como internacional. Todavía quedan cinco problemas principales que deben resolverse para lograr inteligencia: el bajo nivel de inteligencia de los equipos, la baja confiabilidad de la construcción de un modelo geológico refinado, la detección y el control automáticos no resueltos de los “tres planos y dos rectas” de la cara, los problemas inmaduros tecnología de movimiento automático de apoyo avanzado en la calzada, y falta de avances en la identificación de carbón y ganga en la cara totalmente mecanizada. Basado en la tecnología de Internet industrial de las cosas, se estableció tentativamente un sistema de percepción de caras mineras y se discutieron las tecnologías clave para el control inteligente.

Zhang et al.15 construyeron una plataforma inteligente de análisis y toma de decisiones de big data mineros para el sector minero y establecieron un sistema de monitoreo para resolver el problema del análisis inteligente y la toma de decisiones en el proceso minero.

Huang et al.16 aplicaron tecnología de relleno inteligente en la mina de fosfato Tiaoshuihe, que no sólo aseguró y mejoró la capacidad de producción del sistema de relleno sino que también redujo aún más el costo de relleno. Aunque una investigación fructífera sobre el método de extracción de carbón con sistema inteligente ha aplicado de manera preliminar métodos inteligentes a la relación de ganga, el efecto de relleno todavía se basa principalmente en el juicio humano. No se han realizado muchas investigaciones sobre los métodos de reconstrucción y fusión de datos de sensores de múltiples fuentes después de establecer un sistema de percepción. Por lo tanto, para lograr un backfilling sólido inteligente, aún deben resolverse los problemas de percepción del backfilling y de efectividad de los datos17.

En la minería de relleno inteligente, la recopilación de información de los sensores es un paso importante para lograr un llenado inteligente. El sistema de llenado necesita percibir el entorno subterráneo en tiempo real, como el ángulo de llenado, el ángulo de inclinación de la cara de trabajo y los parámetros de velocidad de llenado, para juzgar el estado de operación y el efecto de llenado del equipo, logrando así una extracción de llenado inteligente y no tripulada. Debido al duro entorno de las minas de carbón subterráneas donde se encuentra la cara de trabajo de llenado, la red de sensores inevitablemente produce datos anormales significativamente diferentes de los rangos normales. Estos datos anormales no pueden reflejar objetivamente el entorno subterráneo ni las condiciones operativas de la superficie de trabajo. Por lo tanto, es necesario eliminarlos rápidamente para garantizar que se tomen decisiones correctas en las capas de aplicación posteriores.

Hay muchos tipos diferentes de sensores heterogéneos de fuentes múltiples en el espacio de trabajo de llenado. Detectan cambios en diferentes objetos. Por ejemplo, los sensores de ángulo se utilizan para medir el ángulo de inclinación de soportes hidráulicos, mientras que los sensores de distancia se utilizan para medir la altura del material. Aunque estos sensores detectan objetos diferentes, todos pertenecen a un sistema; por lo tanto, existe una correlación potencial entre diferentes datos de sensores. Al realizar la detección de anomalías, es necesario considerar y utilizar plenamente esta correlación potencial. El modelo de transformador es un modelo típico de extremo a extremo propuesto en 201718.

En modelos de extremo a extremo anteriores, se usaban comúnmente redes neuronales recurrentes (RNN) o redes neuronales convolucionales (CNN). Estos modelos procesan sólo un elemento de forma secuencial, no todos los elementos en paralelo. Por el contrario, un transformador es un modelo de un extremo a otro basado en un marco codificador-decodificador que no utiliza RNN o CNN pero explota plenamente los mecanismos de atención. Al apilar múltiples codificadores y decodificadores, el transformador ha logrado un mejor rendimiento en el descubrimiento de dependencias de secuencias históricas a largo plazo. Debido a su excelente rendimiento, los investigadores lo han aplicado gradualmente al modelado y predicción de series temporales y han propuesto varias variantes de modelos basados ​​en transformadores.

Cai et al.19 proponen el modelo de transformador de tráfico combinando un transformador con una red neuronal de red convolucional gráfica (GCN) para la predicción del flujo de tráfico, que logra un mejor rendimiento que los modelos de referencia en conjuntos de datos de tráfico. Lin et al.20 combinan un transformador con un modelo de espacio de estados para proponer el modelo SSDNet para la predicción de datos de energía y potencia solar. Tuli et al.21 aplican mecanismos de aprendizaje adaptativo y adversario a un transformador para proponer el modelo TranAD para la detección de anomalías, logrando excelentes resultados en varios conjuntos de datos industriales. Wang et al.22 combinan una estructura de autocodificador variacional residual con un transformador para la detección de anomalías en datos de teledetección por satélite. El modelo de transformadores de fusión temporal es propuesto por Lim et al.23, utilizado para problemas de predicción de series temporales multivariables. El modelo agrega múltiples redes de selección de variables basadas en modelos basados ​​en transformadores, que pueden predecir mejor series temporales multivariables y lograr un rendimiento superior en conjuntos de datos como la industria eléctrica, la industria minorista y el flujo de tráfico. El mecanismo de autoatención de un transformador se ha aplicado preliminarmente para predecir y detectar anomalías utilizando correlaciones potenciales. Sin embargo, aunque el método de procesamiento paralelo del mecanismo de autoatención mejora la capacidad de los modelos para capturar dependencias históricas a largo plazo, también dificulta que los modelos extraigan eficazmente información temporal de las secuencias de datos de los sensores. Por lo tanto, es necesario realizar una codificación de posición antes de ingresar datos del sensor en el modelo para que la información temporal se convierta en variables de características independientes. Además, considerando que los datos generados por una red multisensor en la minería de relleno facial son un conjunto de datos de series de tiempo multivariado típico, los modelos predictivos deben considerar completamente las relaciones entre secuencias durante la predicción asignando diferentes pesos según diferentes situaciones y encontrando el error de predicción apropiado. umbrales.

En respuesta a la validez insuficiente de los datos de percepción de relleno sólido en las minas de carbón, este artículo propone un método de percepción de relleno sólido basado en la garantía de la validez de los datos. Mediante el establecimiento de un marco de Internet de las cosas de relleno sólido para mejorar la capacidad de percepción del entorno de llenado y el intercambio de datos centralizado, se construye un modelo de detección de anomalías basado en un modelo transformador para datos de percepción de relleno sólidos para mejorar la confiabilidad de los datos. Finalmente, la efectividad del modelo propuesto en este artículo se verifica mediante experimentos.

Los factores que influyen en el efecto de relleno se pueden dividir en dos categorías: factores estáticos y factores dinámicos. Los factores estáticos incluyen condiciones geológicas, orientación de la veta de carbón, proporción de material de relleno, clasificación del agregado de ganga, distancia de compactación desde la parte superior y distancia del centro de caída; Los factores dinámicos incluyen el ángulo de inclinación de la cara de trabajo, la humedad del material de relleno, la uniformidad del material, el grado de libertad del cuerpo de relleno, la fuerza de compactación, el ángulo de compactación, las características espaciotemporales y el grado de compactación. Entre ellos, otras caras mineras han hecho muchas percepciones relevantes sobre las condiciones geológicas y la orientación de las vetas de carbón, que pueden proporcionarse como intercambio de datos para el sistema de relleno. Además de compartir datos con otros sistemas mineros, también es necesario establecer un sistema de percepción dedicado para el sistema de llenado. Los objetos percibidos en el sistema de llenado se dividen en dos categorías: percepción de materiales y percepción del estado de acción de llenado.

Las operaciones de relleno deben tener en cuenta diversas propiedades físicas del material a rellenar, así como los cambios ambientales y las acciones dinámicas durante el relleno. Un aspecto crítico es el sistema de dosificación del proceso de llenado, que detecta y mide la proporción de materiales mediante instrumentos de medición de velocidad, pesaje y báscula de cinta. Los principales objetos detectados están, por tanto, relacionados con la alimentación con rellenos, como su proporción y cantidad. Para lograr este nivel de precisión, se incluyen en el proceso dispositivos sensores como sensores de velocidad de la cinta alimentadora y sensores de peso.

La Figura 1 presenta una vista transversal del proceso de transporte subterráneo de materiales de relleno. La máquina de transferencia de roca estéril se muestra en la figura (a), y la figura (c) muestra el transportador raspador de llenado de descarga de fondo poroso, que comprende orificios de descarga en cada placa de canal central. Los gatos hidráulicos, ubicados a ambos lados del canal central, controlan la apertura y cierre de los orificios de descarga. El transportador rascador está colocado debajo de la placa superior trasera del soporte hidráulico de llenado y paralelo a la superficie de trabajo de llenado. La figura (d) es un soporte de relleno. El proceso de transporte de materiales de relleno pasa por cuatro etapas. Primero, (a) los materiales de relleno sólidos se alimentan al subsuelo a través del orificio de alimentación. Posteriormente, la máquina de transferencia de desmonte se utiliza para transportar los materiales de relleno desde la carretera hasta la superficie de trabajo de relleno a través de una cinta transportadora. Los materiales de relleno se elevan a la altura donde está en posición el transportador raspador de relleno de descarga de fondo poroso. Luego, (b) los materiales de relleno se transfieren desde la máquina de transferencia de roca estéril al transportador raspador de relleno de descarga de fondo poroso. (c) Posteriormente, el transportador raspador se coloca debajo de la placa superior trasera del soporte hidráulico de llenado y paralelo a la cara de trabajo de llenado. Según el requisito de descarga de llenado, el transportador raspador abre el puerto de descarga y descarga los materiales de llenado detrás del soporte hidráulico de llenado. (d) Finalmente, el mecanismo de compactación del soporte de relleno comprime y compacta los materiales de relleno en el área de relleno, creando un relleno que fortalece el techo de la goaf. Para garantizar un rendimiento óptimo, es importante controlar la velocidad y la altura de alimentación. El equipo de detección incluido en este proceso incluye un sensor de velocidad del transportador, un sensor de peso, un sensor de altura del cabezal final y la rectitud de la máquina raspadora (láser).

Llenar el sistema general de transporte de equipos y su diagrama de disposición.

La Figura 2 muestra una vista del frente de relleno para minería de relleno sólido. Esto incluye soporte hidráulico, transportadores raspadores, máquinas arrojadizas y sus sistemas de equipos de soporte. El soporte hidráulico consta de componentes estructurales, gatos, grupos de válvulas de control hidráulico y tuberías. El gato controla la acción del soporte hidráulico. La clave del sistema de detección es la sensibilidad y la estabilidad del sensor, mientras que el funcionamiento confiable depende de la posición de instalación del sensor. Los objetos detectados incluyen equipos de soporte, como presión hidráulica y otras condiciones de soporte, estado de acción del soporte de llenado, apilado de materiales y estado de llenado en una cara de trabajo controlada. Se utilizan sensores de soporte hidráulico, sensores de inclinación de viga superior para soportes hidráulicos, sensores de distancia de altura para soportes hidráulicos y sensores de altura horizontal y vertical del ariete (sensores de ángulo, carrera y presión).

Diagrama esquemático de la disposición de los sensores para el equipo de llenado en la cara de trabajo de llenado de ganga.

En resumen, combinados con el flujo de trabajo de reposición, los objetivos de detección del sistema de detección de reposición se muestran en la Tabla 1.

Debido a las limitaciones de la minería subterránea del carbón, la disponibilidad de señales de comunicaciones móviles tradicionales en condiciones de trabajo de relleno sólidas se reduce24. Además, el nivel de informatización es bajo y los datos de seguimiento no pueden visualizarse de forma centralizada debido a la dependencia de diferentes fabricantes de tecnología de la información para diversos equipos y otras cuestiones. Esto da como resultado una “isla de datos” para el relleno sólido, lo que lleva a una escasa disponibilidad de datos para el relleno sólido inteligente en las minas de carbón. Sin embargo, la integración de la inteligencia y la industria ha creado nuevas oportunidades para un relleno sólido en las minas de carbón25. Por lo tanto, establecer la comunicación interna de IoT como una tarea de máxima prioridad es crucial para proporcionar datos que respalden la percepción26.

El sistema inteligente de llenado y minería consta de tres partes funcionales: la capa de percepción inteligente, la capa de red de comunicación estandarizada y la capa de aplicación de llenado y minería inteligente26. Las Figuras 3 y 4 ilustran que la capa de percepción inteligente recopila datos de estado de sensores y equipos. Luego, los datos recopilados se agregan a través de la capa de red de comunicación estandarizada al centro de servicios de datos terrestres en la capa de aplicación de minería y llenado inteligente. Desde allí, se distribuye al software de aplicación correspondiente para el cálculo de big data y el seguimiento de la visualización. Además, en base a los resultados generados por el cálculo de big data, los centros de control en tierra dan instrucciones al equipo de llenado. Estas instrucciones son recibidas, analizadas y ejecutadas por agencias ejecutoras en la capa de percepción inteligente a través de capas de redes de comunicación estandarizadas.

Sólido marco de percepción de relleno de Internet de las cosas.

Marco de aplicación para una percepción sólida de reabastecimiento en la plataforma de Internet de las cosas.

La capa de percepción inteligente consta de una red de sensores y una red de ejecución. Conecta dispositivos a la red, interconectando personas, dispositivos y sistemas de comunicación27. Cada dispositivo en la capa de percepción inteligente tiene un identificador de nodo único en el sistema de comunicación y una dirección de comunicación independiente después de unirse a la red. Puede establecer una comunicación estable con los nodos adaptadores. La red de sensores consta de sensores, como sensores de presión, sensores de carrera, sensores de ángulo de inclinación, sensores de altura del nivel del material y componentes de cámara. Entre ellos, los sensores de presión detectan la fuerza entre el mecanismo de empuje y el material de relleno. Los sensores de carrera detectan el grado de extensión del mecanismo de empuje. Los sensores de ángulo de inclinación detectan el ángulo entre el empujador y la base hidráulica. El sensor de altura del nivel del material detecta la altura de deformación del material de relleno. El sensor de vídeo detecta el estado de posición entre el empujador y la máquina transportadora. La red de sensores carga simultáneamente la información del estado del equipo en tiempo real recopilada por los sensores antes mencionados junto con la información del estado ambiental y la información del efecto de llenado a la capa de la red de comunicación. Por el contrario, las redes de ejecución perciben los estados de funcionamiento de los mecanismos de ejecución para llenar los frentes mineros, reciben instrucciones de enlace descendente estandarizadas desde las capas de la red de comunicación, analizan de acuerdo con las instrucciones del sistema y ejecutan acciones de llenado.

La capa de red de comunicación estandarizada consta de nodos adaptadores y redes de comunicación, que proporcionan comunicación remota entre los dispositivos de la superficie de trabajo y los centros de control28. Entre ellos, el nodo adaptador es responsable de la función de comunicación con el hardware. Establece una conexión estable con múltiples sensores o unidades de ejecución a través de la comunicación del protocolo de control de transmisión (TCP), reenvía datos al centro de datos del servidor hacia arriba y reenvía instrucciones de control de operación de la capa de aplicación hacia abajo. La red de comunicación consta de estaciones base de comunicación, cables, repetidores de señal y conmutadores de red para transmitir señales de datos.

La capa de aplicación de llenado y minería inteligentes consta de un centro de servicios de datos y aplicaciones inteligentes29. El primero es responsable de compartir los datos básicos cargados por la capa de percepción inteligente, incluida la limpieza y distribución de datos. La limpieza de datos se utiliza para limpiar y optimizar los datos anormales recibidos. La distribución de datos envía datos a aplicaciones relacionadas, como la distribución a aplicaciones de monitoreo visual para monitoreo en pantalla grande, a un centro de computación de datos para cálculo de datos y servidores remotos para operación remota; este último debe ser emitido por el primero al ejecutar instrucciones de envío de red enviadas por la capa de percepción inteligente. Las aplicaciones inteligentes son aplicaciones relacionadas que monitorean el estado de los equipos de llenado y minería, detectan efectos de llenado y toman decisiones de acción. A partir de los datos de seguimiento, en los centros de control se generan en tiempo real mapas del entorno geológico de los frentes de trabajo. A partir de cálculos de big data sobre los efectos del llenado, se generan instrucciones de acción para la ejecución del siguiente paso, que luego el centro de datos envía a las unidades de ejecución.

En el llenado inteligente, múltiples unidades de llenado realizan operaciones de llenado simultáneamente, como se muestra en la Fig. 5. Desde un punto de vista espacial, la red de comunicación de llenado inteligente comprende una red terrestre principal, una red de anillo de comunicación subterránea y una red de sensores unitarios. La red terrestre principal comprende estaciones base y enlaces de comunicaciones terrestres, que realizan tareas de comunicación con la red del anillo subterráneo en la parte inferior y con Internet en la parte superior. La red de anillo de comunicaciones subterráneas comprende estaciones base de comunicaciones subterráneas a prueba de explosiones y enlaces de comunicaciones subterráneas, que realizan tareas de comunicación en el área subterránea y transferencia de comunicaciones entre el centro de monitoreo terrestre y los dispositivos subterráneos. La red de detección de dispositivos conecta los dispositivos de detección con la red de la capa de detección. Establece una comunicación estable entre los dispositivos de detección y las unidades de ejecución a través de nodos adaptadores para lograr una conexión interactiva entre la red del anillo de comunicación subterránea y el centro de monitoreo terrestre.

Tomando como ejemplo una sola unidad de llenado, en una sola unidad de llenado se instala una red de sensores compuesta por sensores de presión, sensores de inclinación, sensores de distancia, cámaras y sensores de nivel de material. Los datos recopilados de los sensores se cargan en el nodo adaptador. El nodo adaptador se conecta al enlace de comunicación instalado en la calzada. El enlace de comunicación forma una red de comunicación con la estación base de comunicación subterránea y conecta señales entre cada unidad de llenado a través de comunicación frontal, retransmisión bidireccional y comunicación posterior. Se configura una estación de trabajo de nodo adaptador para cargar datos de percepción en tiempo real desde las redes de sensores en esta área, que sirve como puente de datos entre las redes de sensores y los centros de servicios de datos. Las instrucciones de control se envían a las agencias ejecutoras a través de nodos adaptadores para controlar equipos, como gatos de soporte hidráulico, grupos de válvulas de control de soporte hidráulico y tuberías de soporte hidráulico.

El centro de monitoreo terrestre establece comunicación bidireccional con estaciones base de comunicación terrestre. Se conecta a la comunicación de fondo a través de sus enlaces de comunicación para establecer conexiones de datos entre él mismo y varias estaciones de trabajo del nodo adaptador. El centro de vigilancia terrestre tiene la máxima autoridad de vigilancia; puede monitorear el funcionamiento del equipo de llenado en tiempo real, monitorear el entorno de llenado y evaluar los efectos del llenado; también puede realizar copias de seguridad de datos en la nube y emitir comandos de programación para controlar el estado operativo del equipo de llenado. El centro de monitoreo terrestre consta de bases de datos, consolas de desarrollo y monitores, donde las bases de datos almacenan datos unificados estandarizados que sirven como fuentes para todas las aplicaciones; Las consolas proporcionan plataformas de hardware para diversas aplicaciones inteligentes, como centros de servicios de datos y limpieza visualizada de computación de big data. También pueden realizar análisis inteligentes sobre las condiciones de llenado o tomar decisiones científicas sobre las acciones de llenado generando y emitiendo instrucciones de control para que se puedan realizar ajustes en la operación de los equipos subterráneos en consecuencia; Los monitores proporcionan visualización para el trabajo de llenado inteligente y al mismo tiempo proporcionan una base de juicio para la operación segura del equipo.

Diagrama esquemático de la estructura de percepción de relleno de Internet de las cosas.

Garantizar que los datos recopilados por múltiples sensores estén actualizados y sean efectivos requiere la detección de anomalías. Este artículo propone un modelo de detección de anomalías basado en datos sólidos del sistema de percepción de relleno, que se divide en tres partes: un módulo de codificación de posición, un módulo de predicción de series de tiempo y un módulo de evaluación de anomalías. Según la información de la marca de tiempo, el módulo de codificación de posición extrae información temporal global, incluidos año, mes y día. El módulo de predicción de series de tiempo utiliza un modelo de predicción de series de tiempo multivariado basado en el transformador de fusión temporal23, que no solo considera correlaciones potenciales entre diferentes variables sino que también tiene en cuenta covariables estáticas en el entorno para predecir las variables objetivo. La tarea principal del módulo de evaluación de anomalías es encontrar un umbral apropiado para la predicción de errores y calcular dinámicamente el umbral óptimo actual utilizando un método de umbral dinámico.

El modelo de transformador se diferencia de los modelos RNN en que utiliza mecanismos de autoatención para procesar todos los datos de entrada en paralelo30. Sin embargo, este enfoque puede resultar en una pérdida de información posicional y temporal inherente en la secuencia22. Para superar esta limitación, el modelo de transformador original utiliza un método de codificación de posición local que solo puede codificar secuencias dentro de una ventana de tiempo específica. Desafortunadamente, este método no puede extraer información de posición global o información de variación periódica presente en las marcas de tiempo31. Para abordar estos problemas y hacer que los modelos basados ​​en transformadores sean más adecuados para la detección de anomalías en sistemas multisensor, se propuso un nuevo método global de codificación de series temporales basado en datos de sistemas de sensores de estado sólido. El módulo de codificación de posición se ilustra en la Fig. 6.

Diagrama de estructura del módulo de codificación de posición.

Este método agrega codificación de posición global basada en información de marca de tiempo al método de codificación local tradicional. La información de año (y), mes (m), día (d), hora (h), minuto (m) y segundo (s) en la marca de tiempo se extrae y se asigna a un valor numérico específico mediante una función de modo que global Se puede obtener información sobre la posición. Suponiendo que la marca de tiempo en el momento t es la fecha, este método de codificación se puede utilizar para obtener el vector de codificación TPE:

Normalice la fecha y la información numérica en la marca de tiempo en elementos vectoriales.

Dentro de este grupo, \(f_i\) representa la fórmula de codificación correspondiente a escalar toda la información de tiempo al intervalo \([-0.5, 0.5]\). Luego, cada marca de tiempo se codifica en un elemento individual y se combina con otros para formar un vector de secuencia de tiempo global integral. Luego, este vector se agrega a los datos de entrada, junto con el vector de codificación de posición local, como una secuencia que refleja con precisión las características temporales.

En el proceso minero de relleno real, los factores que afectan el efecto de relleno incluyen no solo variables ambientales monitoreadas en tiempo real por redes de sensores, sino también algunos factores estáticos importantes como la proporción del material de relleno, la clasificación del agregado de ganga, la distancia de compactación desde la parte superior y el centro de caída. distancia. Estos factores estáticos también tienen efectos potenciales sobre otras variables. Por lo tanto, considerar factores estáticos es crucial para mejorar la precisión de la predicción de la secuencia objetivo. Además, la operación de llenado tiene una periodicidad. Las diferentes etapas de los cambios de datos de los sensores tienen diferentes patrones durante todo el ciclo de trabajo. Los cambios periódicos pueden reflejarse en secuencias de entrada futuras conocidas, como la información sobre el tiempo de trabajo. Por lo tanto, un modelo de predicción de series de tiempo debe tener funciones para procesar y utilizar diferentes tipos de secuencias de entrada (covariables estáticas, secuencias de entrada deterministas futuras y secuencias de entrada futuras inciertas) de manera diferente.

Además, la red de sensores situada en la superficie de llenado contiene al menos decenas de sensores. Al predecir la secuencia objetivo, el grado de correlación entre otras secuencias de sensores y la secuencia objetivo varía mucho; algunos están altamente correlacionados, mientras que otros pueden ser irrelevantes. Por lo tanto, el modelo debe tener una función de selección de características para seleccionar secuencias de sensores altamente correlacionadas como variables de características y al mismo tiempo suprimir secuencias irrelevantes durante la fase de modelado.

El modelo de predicción de series temporales basado en transformador para datos del sistema de percepción de llenado sólido se basa en la variante de transformador que se muestra en la Fig. 7. El modelo utiliza un mecanismo de autoatención como núcleo y envía diferentes secuencias a diferentes módulos del modelo. También incluye un codificador de covariables estático y una red de selección de variables para mejorar el rendimiento de la predicción. El codificador de covariables estático puede codificar covariables en vectores de contexto para mejorar las características temporales; la red de selección de variables puede seleccionar secuencias importantes a partir de secuencias de entrada, reducir el impacto de secuencias irrelevantes en las predicciones y mejorar el rendimiento del modelado de series temporales.

Diagrama de estructura del modelo de predicción de series temporales.

Para suprimir las secuencias irrelevantes en la serie temporal multivariada de entrada que no están relacionadas con la variable objetivo y garantizar el flujo de información efectiva, primero introducimos una red residual cerrada (GRN) cuyas entradas son el vector a y un vector de contexto externo opcional c. :

En la fórmula, ELU es la función unitaria de activación lineal exponencial, \(\eta _1\) y \(\eta _2\) son capas intermedias, LayerNorm es una capa de normalización estándar y \(\omega\) representa la ponderación. GLU es una unidad lineal cerrada que puede suprimir partes innecesarias del conjunto de datos.

En cada paso de predicción, todas las series temporales se ingresan en el modelo. Sin embargo, la correlación entre las diferentes series temporales y la serie temporal objetivo es desconocida y diferente. Las series de tiempo con alta correlación tienen mayores contribuciones a la predicción de secuencias objetivo, mientras que aquellas con baja correlación tienen menores contribuciones o pueden convertirse en ruido que reduce la precisión de la predicción. Por lo tanto, para mejorar la precisión de la predicción, utilizamos redes de selección de variables para asignar ponderaciones en función de la correlación entre las series de tiempo y las secuencias objetivo antes de ingresar datos ponderados en el modelo para la predicción.

En el modelo se configuran un total de tres redes de selección de variables con entradas de series temporales estáticas, series pasadas y series futuras. Los parámetros de diferentes redes de selección de variables no se comparten pero tienen la misma estructura. Sea \(X_t^j\) la serie de tiempo pasada generada por el j-ésimo sensor en el momento t, y todas las series de tiempo pasadas \(\Xi _t=[(X_t^1)^T,\dots , (X_t^{m_ \chi })^T]^T\) en el momento t y el vector de contexto \(c_s\) se ingresan a la capa GRN en la ecuación. (3456) y luego pasó a través de la capa softmax, lo que resultó en un vector de peso dimensional \(m_\chi\):

Al mismo tiempo, cada serie temporal \(X_t^j\) se ingresa en una capa GRN para procesamiento no lineal:

Cada serie temporal \(X^j\) tiene su propia capa GRN y sus parámetros se comparten en todos los pasos de tiempo. Finalmente, todos los vectores de características \((X_t^j)^\sim\) procesados ​​por GRN se multiplican por el vector de peso \(v_{\chi t}\) para obtener una serie de tiempo ponderada, que desempeña un papel en la variable selección.

Durante el proceso de llenado y extracción, existen algunos parámetros ambientales estáticos, como la distancia desde la parte superior compactada y la distancia desde el centro del material. Tener en cuenta estas covariables estáticas durante la predicción puede mejorar la precisión de la predicción. Por lo tanto, se configura un codificador de covariables estático en el modelo para integrar información sobre variables estáticas y mejorar la capacidad predictiva del modelo. El codificador de covariables estático utiliza cuatro GRN diferentes para generar cuatro vectores de contexto diferentes \(c_s,c_c,c_e,c_h\), donde \(c_s\) ingresa la red de selección de variables, \(c_c,c_h\) ingresa la red larga y corta. red de términos (LSTM) para el procesamiento local de características de tiempo, y \(c_e\) ingresa una capa de mejora estática para enriquecer las características de tiempo. Por ejemplo, en la red de selección de variables, el vector de contexto \(c_s\) es generado por la red GRN a través de una serie de tiempo estática X.

Antes de utilizar el codificador de fusión en el dominio del tiempo, es necesario establecer una capa de mejora local que mejorará las características locales de la serie temporal. Esta capa opera de un extremo a otro y emplea un codificador LSTM para procesar series temporales pasadas \(X_{tk:k}\) y un decodificador LSTM para series temporales futuras conocidas \(X_{t+1:t+\tau _). {máx}}\). La salida de ambos componentes genera una característica de secuencia unificada que sirve como entrada para el codificador de fusión en el dominio del tiempo. Esta característica se denota por \(\phi (t,n) \in {\phi (t,-k),\dots ,\phi (t,\tau _{max})}\), donde n representa su posición índice. Antes de ingresar al codificador de fusión, \(\phi (t,n)\) se somete a la operación GLU una vez más para la selección de variables.

Se establece una capa de mejora estática en el codificador de fusión en el dominio del tiempo para utilizar mejor las covariables estáticas para mejorar las características de los datos temporales estáticos. Las salidas de las capas de mejora local \(\phi (t,n)\) y \(c_e\) generadas por el codificador de covariables estático se ingresan juntas en la capa de mejora estática.

Después de pasar por la capa de mejora estática, todos los \(\theta (t,n)\) generados por los datos se aplanan para obtener una matriz \(\Theta (t)=[\theta (t,-k),\cdots ,\theta (t,\tau )]^T\). El mecanismo de autoatención puede aprender dependencias a largo plazo en datos temporales, y la autoatención de múltiples cabezales puede mejorar aún más el rendimiento del modelo al permitir que el modelo se centre en diferentes aspectos de la información.

En la fórmula, \(B(t)=[\beta (t,-k),\cdots ,\beta (t,\tau _{max})]\). Agregamos un mecanismo de máscara decodificadora en la capa de autoatención para evitar que información de secuencia futura se filtre al pasado durante el entrenamiento. Nuevamente agregamos una capa de control para mejorar la selección de variables en la capa de autoatención temporal:

La capa de avance posicional realiza un procesamiento no lineal adicional en la salida de la capa de autoatención y selecciona la salida nuevamente.

Además, para aliviar la desaparición del gradiente y la degradación de la red, introducimos conexiones residuales que omiten todo el decodificador de fusión temporal:

Al entrenar un modelo de predicción de series temporales, utilizamos un conjunto de datos que contiene solo datos normales. Por lo tanto, el modelo aprende sólo la relación espaciotemporal de los datos normales y sus valores de predicción de salida tienen pequeños errores en comparación con los valores reales en circunstancias normales. Si hay un gran error entre el valor predicho y el valor real, se pueden considerar datos puntuales anormales. Por lo tanto, el módulo de detección de anomalías necesita calcular el error de predicción del módulo de predicción de series de tiempo y determinar si el valor real se desvía del rango normal en función de este error. Como se muestra en la Fig. 8, el error de predicción de datos normales sigue una distribución gaussiana. Por tanto, calculamos la media y la varianza de los errores de predicción durante la fase de entrenamiento. Luego, determinamos el umbral de juicio de acuerdo con el criterio \(3\sigma\) en estadística. Según la relación entre el error de predicción y el umbral fijo, juzgamos si los valores reales son anomalías: si el error de predicción es mayor que el umbral fijo, se considera que los valores reales se desvían del rango normal y pertenecen a puntos anómalos. ; en caso contrario, se consideran valores normales.

Diagrama de distribución de errores predictivos.

En la fase de detección de anomalías en tiempo real, primero construimos una ventana deslizante W con una longitud de h. En cada momento t, los datos en la ventana deslizante son:

En la fórmula, \(y^{\left( t\right) }\) representa el valor verdadero en el momento t. El módulo de predicción de series de tiempo predice el valor en el momento \(t+1\) utilizando datos dentro de una ventana deslizante en el momento t, generando un valor predicho \({\hat{y}}^{\left( t+1\). bien) }\). Después de la llegada del tiempo \(t+1\), el detector de anomalías obtiene el valor real en el momento \(t+1\) y calcula el error de predicción para ese momento.

En la fórmula, \(y^{(t)}\) representa el valor verdadero en el momento t. El módulo de predicción de series de tiempo predice el valor en el momento \(t+1\) utilizando datos dentro de una ventana deslizante en el momento t, generando un valor predicho \({\hat{y}}^{(t+1)}\ ). Al llegar al tiempo \(t+1\), el detector de anomalías obtiene el valor real y calcula el error de predicción para el tiempo \(t+1\). Luego, el modelo compara \(e^{(t+1)}\) con el valor umbral \(\epsilon\) que establecimos. Cuando \(e^{(t+1)}\) es menor que \(\epsilon\), el punto de datos en ese momento se considera un punto normal, y \(y^{(t+1)}\ ) se envía a la ventana corredera; de lo contrario, el punto de datos en ese momento se juzga como un punto anormal, se elimina del sistema y se interpola con el valor predicho \({\hat{y}}^{(t+1)}\) para completar los valores faltantes en tiempo \(t+1\). El \({\hat{y}}^{(t+1)}\) resultante se envía luego a la ventana deslizante. La Figura 9 muestra el proceso para juzgar anomalías.

Diagrama de flujo de juicio anormal.

Realizamos experimentos en un conjunto de datos real para verificar que nuestro modelo propuesto se puede aplicar a la red de sensores de una superficie de trabajo de llenado inteligente. El conjunto de datos real se recopiló a partir de una red de sensores de una superficie de trabajo de llenado. Debido a la gran cantidad de sensores en la superficie de trabajo de llenado y a la alta frecuencia de muestreo, se generan datos masivos. Por lo tanto, seleccionamos datos del 1 al 31 de agosto de 2022 para entrenar y probar el modelo, que incluye 15 parámetros. Los datos para entrenar los modelos de predicción contienen 50.000 registros con datos anormales interpolados y eliminados por expertos. El conjunto de prueba contiene 1200 registros con puntos anormales etiquetados por expertos.

Aunque el modelo de detección de anomalías propuesto en este artículo incluye un módulo de predicción de datos, su tarea final es determinar si un punto de datos es un valor atípico. Por tanto, este problema pertenece esencialmente a un problema de clasificación binaria. Definimos los valores atípicos como la clase positiva y los puntos normales como la clase negativa. Usamos TP para representar la cantidad de puntos de datos predichos por el modelo como valores atípicos, TN representa la cantidad de puntos de datos predichos por el modelo como puntos normales, FP representa la cantidad de puntos normales predichos por el modelo como valores atípicos y FN representa el número de valores atípicos predichos por el modelo como puntos normales. Teniendo en cuenta que los valores atípicos son mucho menores que los valores normales, se seleccionaron indicadores comunes como la tasa de precisión, la tasa de recuperación, la tasa de detección fallida y la tasa de falsas alarmas al medir el rendimiento de este modelo:

En la fórmula, \(\text {Prec}\) representa la precisión, \(\text {Rec}\) representa la recuperación y \(\text {F1}\) representa la puntuación F1 que considera de manera integral tanto los indicadores de precisión como los de recuperación. . Cuanto más altos sean estos tres indicadores, mejor será el rendimiento del modelo; \(\text {FAR}\) representa la tasa de falsas alarmas y \(\text {MAR}\) representa la tasa de alarmas perdidas. Cuanto más bajos sean estos dos indicadores, mejor será el rendimiento del modelo.

Los autores seleccionaron 4 variables del conjunto de datos para la predicción. Seleccionamos datos generados por cuatro tipos diferentes de sensores para realizar pruebas de detección de anomalías. En el texto siguiente, estos sensores incluían un sensor de velocidad del transportador, un sensor de peso del sistema de alimentación, un sensor de altura de caída del material y un sensor de carrera del mecanismo de compactación, denominados Sensor 1, Sensor 2, Sensor 3 y Sensor 4, respectivamente. Fueron desplegados en los sistemas de alimentación y transporte, y en la cara de llenado del sistema minero de relleno para monitorear varios tipos de medidas físicas. Debido a las diferencias estructurales y de medición entre estos sensores, los datos de estos cuatro sensores exhiben distintos patrones de variación, lo que refleja la heterogeneidad de múltiples fuentes de la red de sensores. En primer lugar, la variable a detectar anomalías se estableció como variable objetivo para la predicción. Se utilizaron otras variables y parámetros como covariables y se entrenó un modelo de predicción de series temporales. Además, el umbral para la detección de anomalías se determinó en función de la distribución de errores de predicción. Después de completar la capacitación, ingresamos conjuntos de datos de prueba que contienen puntos anormales en el módulo de predicción e ingresamos los resultados de salida en un módulo de detección de anomalías. La existencia de puntos anormales se juzgó calculando una puntuación de anomalía.

La Figura 10 muestra los resultados finales de la detección anormal. Las partes superior e inferior de la figura representan los valores del sensor, la línea negra representa el valor de salida real del sensor y la línea azul representa el valor predicho generado por el módulo de predicción. La parte inferior muestra la puntuación de anomalía para cada punto temporal, lo que representa la diferencia entre los valores previstos y reales. Cuanto mayor sea esta puntuación, más probable será que este punto sea una anomalía. Los puntos marcados con “*” en la curva de valor real son anomalías marcadas por los expertos. Los puntos circulares rojos en el gráfico de puntuación de anomalías son anomalías determinadas por el modelo en función de los valores predichos. La línea roja es un umbral de decisión determinado en este documento en función de la distribución del error de predicción de puntos normales y la experiencia práctica; nuestro modelo identificó puntos por encima de este umbral. Estas cifras muestran una buena concordancia entre los puntos anómalos reales y los detectados por nuestro modelo, lo que indica que nuestro modelo de detección de anomalías propuesto es muy eficaz cuando se aplica para completar conjuntos de datos de minería.

Resultados anormales de detección del sensor.

La Figura 10a muestra que hay 30 puntos de datos anormales en los datos del sensor 1, entre los cuales se identificaron 25 puntos de datos anormales con una tasa de reconocimiento del 83,33%. La Figura 10b muestra que había 25 puntos de datos anormales en los datos del sensor 2, entre los cuales se identificaron 22 puntos anormales con una tasa de reconocimiento del 88,00%. La Figura 10c muestra que hubo 21 puntos de datos anormales en los datos del sensor 3, entre los cuales se identificaron 17 puntos anormales con una tasa de reconocimiento del 80,95%. La Figura 10d muestra que hubo 19 puntos de datos anormales en los datos del sensor 4 y se identificaron 18 puntos anormales con una tasa de reconocimiento del 94,74%. Esto indica que el modelo funciona bien.

Resultados de verificación de repetibilidad y robustez del modelo de sensor1 y sensor2.

Resultados de verificación de repetibilidad y robustez del modelo de sensor3 y sensor4.

Para mejorar la solidez y confiabilidad de nuestro modelo de detección de anomalías propuesto para aplicación general, se realizaron pruebas adicionales en cada tipo de datos del sensor. Para validar y fortalecer el modelo, se realizaron dos pruebas adicionales para cada tipo de sensor seleccionado, además de la prueba inicial mencionada anteriormente en este estudio. Las Figuras 11 y 12 muestran los resultados de detección anormales adicionales. En la Tabla 2 se presenta un análisis más profundo de los resultados de la detección de anomalías. Se puede ver que el modelo propuesto en este artículo logra una alta precisión, con una tasa de precisión de hasta el 100% para la detección de anomalías en el sensor 3. El promedio tasa de precisión de hasta 94,97% en el sensor 1, lo que indica que aproximadamente el 90% de los puntos anormales identificados por nuestro modelo propuesto eran anomalías reales. La tasa de recuperación promedio del modelo llegó al 94,85 % en el sensor 4, con una tasa de recuperación promedio del 90,90 % entre todos los sensores. Esto indica que el modelo detectó aproximadamente el 90% de las anomalías reales. El modelo tenía una tasa de falsos positivos muy baja, con una tasa promedio de falsos positivos tan baja como 0,35%. Esto significa que solo aproximadamente el 0,35% de los puntos normales fueron identificados incorrectamente como anomalías por el modelo. La tasa de alarmas perdidas también fue relativamente baja, con una tasa promedio de alarmas perdidas de solo el 9,14 %, lo que significa que solo aproximadamente el 10 % de las anomalías no fueron detectadas por el sistema.

Además, las puntuaciones F1 para diferentes tipos de sensores fueron similares y oscilaron entre 0,91 y 0,92, lo que indica un buen rendimiento de generalización entre diferentes tipos de datos de sensores. Esto indica que el modelo de detección de anomalías demostró un rendimiento bueno y similar en estos cuatro sensores diversos y heterogéneos, lo que sugiere su fuerte capacidad de generalización. Su rendimiento no depende de tipos de datos de sensores específicos ni de patrones de variación. Además, con amplios datos de entrenamiento, nuestro modelo logra un procesamiento de datos de un extremo a otro. Analiza los datos de los sensores únicamente desde una perspectiva de series de tiempo, aprendiendo y extrayendo características de datos de forma autónoma sin configurar manualmente información previa sobre los tipos de sensores o las tendencias de variación.

Los resultados obtenidos de la detección de anomalías pueden servir como factores de referencia para verificar la estabilidad del sensor y optimizar las plataformas experimentales cuando se combinan con información de tiempo y estación de trabajo donde ocurren datos anormales.

Este artículo propone un marco de red de percepción de Internet de las cosas (IoT) de material de relleno de minas de carbón para abordar las deficiencias en percepción e inteligencia que enfrenta el relleno sólido en las minas de carbón. El marco puede recopilar, transmitir, procesar y almacenar datos de sensores durante el proceso de relleno sólido en las minas de carbón. También integra datos de varios enlaces en un centro de datos unificado para una gestión centralizada rápida. Se estudió la validez de los datos bajo este marco y su efectividad para expresar la información del sistema, incluidos aspectos como precisión, confiabilidad, puntualidad, consistencia e integridad, para garantizar la calidad y efectividad de los datos. La verificación experimental muestra que el método propuesto tiene alta precisión, buena estabilidad y fuertes ventajas de escalabilidad que pueden resolver eficazmente problemas como la falta de datos de detección, el bajo grado de fusión y el efecto aislado de las islas de datos.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Jiao, S., Liu, J. & Shang, L. Sistema de relleno automático y mecánico integrado para minería de carbón y relleno sólido. Ciencia del carbón. Tecnología. 43, 109-113 (2015).

CAS Google Académico

Liu, J., Li, X. & He, T. Estado actual y desarrollo de la minería de relleno en China. J. Ciencia del carbón. Ing. 26, 141-150 (2020).

Google Académico

Suoxu, Z. & Boyong, M. Tendencias mundiales del desarrollo energético y dirección futura del desarrollo energético en China. Recursos terrestres de China. Economía. 32, 20-27 (2019).

Google Académico

NB de Estadísticas. Anuario estadístico de China 2021 (China Statistics Press, 2021).

Google Académico

Qian, M., Xu, J. & Wang, J. Revisa la minería científica del carbón. J. Sociedad del Carbón de China. 43, 1-13 (2018).

Google Académico

Hu, Z. y Xiao, W. Algunas reflexiones sobre la estrategia de desarrollo ecológico de la industria del carbón: basadas en la perspectiva de la restauración ecológica. Ciencia del carbón. Tecnología. 48, 25 (2020).

Google Académico

Kang, H. y col. Desarrollo de alta calidad de la industria del carbón de China. Estrategia. Semental. Mentón. Acad. Ing. 23, 130-138 (2021).

Google Académico

Zhang, J. y col. Progresos de la investigación en tecnología de llenado in situ y clasificación inteligente subterránea para minas de carbón profundas. J. Min. Seguro. Ing. 37, 1–10-22 (2020).

Google Académico

Xie, H. y col. Nuevo concepto de minería del carbón: Minería y producción científica. J. Sociedad del Carbón de China. 37, 1069-1079 (2012).

Google Académico

Oraee, K., Oraee, N., Goodarzi, A. y Khajehpour, P. Efecto de las características de las discontinuidades en la estabilidad y sostenibilidad de las minas de carbón: un enfoque de predicción de caída de rocas. En t. J. Min. Ciencia. Tecnología. 26, 65–70 (2016).

Artículo de Google Scholar

Lu, Z. El impacto del hundimiento de la minería del carbón en las aguas subterráneas. Reinar. Desarrollo. 32, 235–238 (2020).

Google Académico

Dong, L. y col. Algunos desarrollos y nuevos conocimientos sobre los problemas ambientales y la estrategia de minería profunda para una producción más limpia en las minas. J. Limpio. Pinchar. 210, 1562-1578 (2019).

Artículo de Google Scholar

Wang, G., Wang, H., Ren, H.-W. y Zhao, G.-R. Objetivos del escenario y ruta de desarrollo de la mina de carbón inteligente 2025. J. China Coal Soc. 43, 295–305 (2018).

Google Académico

Li, S., Li, S., Zhang, S. & Wang, F. Tecnologías y aplicaciones clave de percepción y control inteligentes en la minería totalmente mecanizada. Ciencia del carbón. Tecnología. 49, 28-39 (2021).

Google Académico

Zhang, K. y col. Métodos y sistemas de análisis y toma de decisiones de big data para la extracción inteligente de caras de trabajo transparentes. Ciencia del carbón. Tecnología. 50, 252–262 (2022).

Google Académico

Huang, T., Zheng, B. & Li, X. Investigación y aplicación de un sistema de llenado inteligente para la mina de fosfato Tiaoshuihe. Mín. Res. Desarrollo. 39, 73–77 (2019).

Google Académico

Yan, S., Xu, G. & Fan, Z. 50 años de desarrollo y perspectivas de la minería mecanizada integrada en China. Ciencia del carbón. Tecnología. 49, 25 (2021).

Google Académico

Vaswani, A., Shazeer, N., Parmar, N. y Uszkoreit, Atención es todo lo que necesita. En Avances en sistemas de procesamiento de información neuronal vol. 30 (Curran Associates Inc, 2017).

Google Académico

Cai, L., Janowicz, K., Mai, G., Yan, B. y Zhu, R. Transformador de tráfico: captura de la continuidad y periodicidad de series temporales para la previsión del tráfico. Trans. SIG 24, 736–755 (2020).

Artículo de Google Scholar

Lin, Y., Koprinska, I. y Rana, M. SSDNet: red neuronal de descomposición del espacio de estados para pronóstico de series temporales. En 2021, Conferencia internacional IEEE sobre minería de datos (ICDM), 370–378 (2021) (ISSN: 2374-8486).

Tuli, S., Casale, G. & Jennings, NR Tranad: Redes de transformadores profundos para la detección de anomalías en datos de series temporales multivariadas. arXiv:2201.07284 (preimpresión de arXiv) (2022).

Wang, X., Pi, D., Zhang, X., Liu, H. y Guo, C. Enfoque de detección de anomalías basado en transformadores variacionales para series temporales multivariadas. Medida 191, 110791 (2022).

Artículo de Google Scholar

Lim, B., Arık, SO, Loeff, N. y Pfister, T. Transformadores de fusión temporal para pronósticos de series temporales interpretables de múltiples horizontes. En t. J. Pronóstico. 37, 1748–1764 (2021).

Artículo de Google Scholar

Sambo, DW y cols. Modelo de pérdida de trayectoria de redes inalámbricas de sensores subterráneos para agricultura de precisión (WUSN-PLM). IEEE Sens. J. 20, 5298–5313 (2020).

Artículo de Google Scholar

Williams, E. Efectos ambientales de las tecnologías de la información y las comunicaciones. Naturaleza 479, 354–358 (2011).

Artículo CAS PubMed Google Scholar

Staudinger, E., Zhang, S., Pöhlmann, R. y Dammann, A. El papel del tiempo en un enjambre de robots: una visión conjunta sobre las comunicaciones, la localización y la detección. Comunicaciones IEEE. revista 59, 98-104 (2021).

Artículo de Google Scholar

Li, S., Xu, LD & Zhao, S. Internet de las cosas: una encuesta. inf. Sistema. Frente. 17, 243–259 (2015).

Artículo de Google Scholar

Tao, F., Zuo, Y., Da Xu, L. y Zhang, L. Percepción inteligente basada en IoT y acceso a recursos de fabricación hacia la fabricación en la nube. Traducción IEEE. Ind. Inf. 10, 1547-1557 (2014).

Artículo de Google Scholar

Adi, E., Anwar, A., Baig, Z. & Zeadally, S. Aprendizaje automático y análisis de datos para IoT. Computación neuronal. Aplica. 32, 16205–16233 (2020).

Artículo de Google Scholar

Chaudhari, S., Mithal, V., Polatkan, G. y Ramanath, R. Un estudio atencional de los modelos de atención. Transmisión ACM. Intel. Sistema. Tecnología. Apocalipsis 12, 1–32 (2021).

Artículo de Google Scholar

Khan, S. y col. Transformadores en visión: una encuesta. Computación ACM. Sobrevivir. 54, 1–41 (2022).

Artículo MathSciNet Google Scholar

Descargar referencias

Los autores agradecen el apoyo del Proyecto de la Fundación Provincial de Ciencias Naturales de Hebei (E2020402064) y el Fondo Empresarial de Investigación Básica de la Universidad de Minería y Tecnología de China (Beijing): Fondo de cultivo de talentos de innovación superior para estudiantes de doctorado.

Escuela de Ingeniería Mecánica, Electrónica y de la Información, Universidad de Minería y Tecnología de China (Beijing), Beijing, 100083, China

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

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, YL y LB; metodología, LB, SY y YW; software, SY y LB; validación, LB; análisis formal, LB y YW; investigación, ZZ y LB; recursos, YL; curación de datos, SY y YW; redacción: preparación del borrador original, LB y SY; redacción: revisión y edición, SY, YL y LB; visualización, LB; supervisión, YL; administración de proyectos, YL; adquisición de financiación, YL Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Zihang Zhang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Bo, L., Yang, S., Liu, Y. et al. Investigación sobre la validez de los datos de un sistema de detección de la cara de trabajo de relleno sólido de una mina de carbón basado en un transformador mejorado. Representante científico 13, 11092 (2023). https://doi.org/10.1038/s41598-023-38365-6

Descargar cita

Recibido: 04 de abril de 2023

Aceptado: 06 de julio de 2023

Publicado: 08 de julio de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.