2024五一杯:煤矿深部开采冲击地压危险预测 (详细完整思路,已修改)

news2024/11/15 3:31:55

背景

了解即可

煤炭是中国的主要能源和重要的工业原料。然而,随着开采深度的增加,地应力增大,井下煤岩动力灾害风险越来越大,严重影响着煤矿的安全高效开采。在各类深部煤岩动力灾害事故中,冲击地压已成为威胁中国煤矿安全生产最重要的灾害之一,冲击地压事故易造成严重的人员伤亡和财产损失。近年来,研究人员进行了大量深入的研究,采取了许多防控措施,中国煤矿安全形势持续稳步改善。但是,冲击地压事故仍时有发生,煤矿安全形势依然严峻,冲击地压的监测预警和有效防控仍是煤矿安全生产中亟待解决的科技问题。

重要背景

在深部煤矿开采过程中,可以监测声发射(AE)和电磁辐射(EMR)信号,电磁辐射和声发射传感器每30秒采集一个数据,可通过这些数据的变化趋势判断目前工作面或巷道是否存在冲击地压危险。

数据介绍:分类

电磁辐射和声发射数据随着采煤工作面的推进波动,一般在冲击地压发生前数天(如0-7天,即大约冲击地压发生前7天内)会有一些趋势性前兆特征,因此我们将电磁辐射和声发射数据分为5类,(A)正常工作数据;(B)前兆特征数据;©干扰信号数据;(D)传感器断线数据;(E)工作面休息数据,其中,A、B、C 类为工作面正常生产时的数据,D类为监测系统不正常时的数据,E类为停产期间的数据。

附件1给出了2019年1月9日-2020年1月7日采集的电磁辐射和声发射数据,并且标记出了所对应的A、B、C类以及D或者E类(D/E)数据。请建立数学模型,完成以下问题:

问题一

问题1:如图1,已知现场工作面的部分电磁辐射和声发射信号中存在大量干扰信号,有可能是工作面的其他作业或设备干扰等因素引起,这对后期的电磁辐射和声发射信号处理造成了一定的影响。应用附件1和2中的数据,完成以下问题。
在这里插入图片描述

第一小问

建立数学模型,对存在干扰的电磁辐射和声发射信号进行分析,分别给出电磁辐射和声发射中的干扰信号数据的特征(不少于3个)。

第一问相当于是做特征工程,先提取干扰的数据进行分析,即类别C。做好只会,才能做下一问的模型预测识别。

第二小问

使用第一问选好的特征,开始建模(机器学习模型,或者时间序列模型,看哪个效果好吧),训练识别出对应实践的数据,填写到表中即可。

利用第一小问中得到的特征,建立数学模型,对2022年5月1日-2022年5月30日的电磁辐射和2022年4月1日-2022年5月30日及2022年10月10日-2022年11月10日声发射信号中的干扰信号所在的时间区间进行识别,分别给出电磁辐射和声发射最早发生的5个干扰信号所在的区间,完成表1和表2。

表1 电磁辐射干扰信号时间区间
序号时间区间起点时间区间终点
1
2
3
4
5
表2 声发射干扰信号时间区间
序号时间区间起点时间区间终点
1
2
3
4
5

具体思路

1. 数据预处理:
从附件1中提取所有干扰信号(分类为’C’的数据行)。
清理数据,确保时间和信号值格式正确,并处理可能存在的缺失值或异常值。

2计算统计干扰信号的特征(作为特征)

依次去前后一段时间内的数据计算一些特征,公式这里给一些可以做参考:(选择一部分计算即可)

  1. 平均值类

    • 算术平均值 T F 1 = 1 N ∑ i = 1 N x i T_{F1} = \frac{1}{N}\sum_{i=1}^{N}x_i TF1=N1i=1Nxi
    • 绝对值平均值 T F 2 = 1 N ∑ i = 1 N ∣ x i ∣ T_{F2} = \frac{1}{N}\sum_{i=1}^{N}|x_i| TF2=N1i=1Nxi
  2. 极值类

    • 最小值 T F 3 = min ⁡ ( x 1 , x 2 , . . . , x N ) T_{F3} = \min(x_1, x_2, ..., x_N) TF3=min(x1,x2,...,xN)
    • 最大值 T F 4 = max ⁡ ( x 1 , x 2 , . . . , x N ) T_{F4} = \max(x_1, x_2, ..., x_N) TF4=max(x1,x2,...,xN)
  3. 标准差与方差类

    • 标准差 T F 5 = 1 N ∑ i = 1 N ( x i − x ˉ ) 2 T_{F5} = \sqrt{\frac{1}{N} \sum_{i=1}^{N}(x_i - \bar{x})^2} TF5=N1i=1N(xixˉ)2
    • 方差 T F 6 = 1 N ∑ i = 1 N ( x i − x ˉ ) 2 T_{F6} = \frac{1}{N} \sum_{i=1}^{N}(x_i - \bar{x})^2 TF6=N1i=1N(xixˉ)2
  4. 波形因子与峰值因子

    • 波形因子 T F 7 = T F 5 T F 2 T_{F7} = \frac{T_{F5}}{T_{F2}} TF7=TF2TF5
    • 峰值因子 T F 8 = max ⁡ ∣ x i ∣ T F 2 T_{F8} = \frac{\max|x_i|}{T_{F2}} TF8=TF2maxxi
  5. 频率中心

    • T F 1 = ∑ f ( x k ) ⋅ X ( k ) ∑ X ( k ) T_{F1} = \frac{\sum f(x_k) \cdot X(k)}{\sum X(k)} TF1=X(k)f(xk)X(k)
  6. 频率重心

    • T F 2 = ∑ f 2 ( x k ) ⋅ X ( k ) ∑ X ( k ) T_{F2} = \frac{\sum f^2(x_k) \cdot X(k)}{\sum X(k)} TF2=X(k)f2(xk)X(k)
  7. 频率标准差

    • T F 3 = ∑ ( f ( x k ) − f 0 ) 2 ⋅ X ( k ) ∑ X ( k ) T_{F3} = \sqrt{\frac{\sum (f(x_k) - f_0)^2 \cdot X(k)}{\sum X(k)}} TF3=X(k)(f(xk)f0)2X(k)
  8. 频率变异系数

    • T F 4 = T F 3 T F 1 T_{F4} = \frac{T_{F3}}{T_{F1}} TF4=TF1TF3
  9. 平均频率

    • T F 5 = ∑ f ( x k ) ⋅ X ( k ) K T_{F5} = \frac{\sum f(x_k) \cdot X(k)}{K} TF5=Kf(xk)X(k)
  10. 均方根频率

    • T F 6 = ∑ f 2 ( x k ) ⋅ X ( k ) K T_{F6} = \sqrt{\frac{\sum f^2(x_k) \cdot X(k)}{K}} TF6=Kf2(xk)X(k)
  11. 标准化频率

    • T F 7 = ∑ ( f ( x k ) − f 0 ) 2 ⋅ X ( k ) K T_{F7} = \frac{\sum (f(x_k) - f_0)^2 \cdot X(k)}{K} TF7=K(f(xk)f0)2X(k)
  12. 波形因子

    • T F 8 = ∑ ( X ( k ) ) 2 ∑ ∣ X ( k ) ∣ T_{F8} = \frac{\sqrt{\sum (X(k))^2}}{\sum |X(k)|} TF8=X(k)(X(k))2
  13. 峰值因子

    • T F 9 = max ⁡ ∣ X ( k ) ∣ ∑ ∣ X ( k ) ∣ T_{F9} = \frac{\max |X(k)|}{\sum |X(k)|} TF9=X(k)maxX(k)
  14. 脉冲因子

    • T F 10 = max ⁡ ∣ X ( k ) ∣ ∑ ( X ( k ) ) 2 T_{F10} = \frac{\max |X(k)|}{\sqrt{\sum (X(k))^2}} TF10=(X(k))2 maxX(k)
  15. 裕度因子

    • T F 11 = max ⁡ ∣ X ( k ) ∣ ( ∑ ∣ X ( k ) ∣ 2 ) 1 2 T_{F11} = \frac{\max |X(k)|}{(\sum |X(k)|^2)^{\frac{1}{2}}} TF11=(X(k)2)21maxX(k)
  16. 波峰因子

    • T F 12 = ∑ ( f ( x k ) − f 0 ) 3 ⋅ X ( k ) K T_{F12} = \frac{\sum (f(x_k) - f_0)^3 \cdot X(k)}{K} TF12=K(f(xk)f0)3X(k)
  17. 波形因子

    • T F 13 = ∑ ( f ( x k ) − f 0 ) 4 ⋅ X ( k ) K T_{F13} = \frac{\sum (f(x_k) - f_0)^4 \cdot X(k)}{K} TF13=K(f(xk)f0)4X(k)

3时间特征分析

  1. 干扰信号的频率(例如,每天发生的干扰次数)
  2. 干扰信号的持续时间

上述分别分析声发射信号和电磁~

问题二

已知在发生冲击地压危险前约7天内,电磁辐射和声发射信号存在随时间循环增大的趋势(如图2所示),这类信号我们称为前兆特征信号。在出现前兆特征信号之后的约7天内,有可能发生冲击地压,所以一般情况下出现前兆特征信号之后,会采取一定措施尽可能的防止冲击地压发生。应用附件1和2中的数据,完成以下问题。
在这里插入图片描述

第一问

取特征

(2.1) 建立数学模型,对电磁辐射和声发射信号中的前兆特征信号进行分析,重点分析信号的变化趋势,分别给出电磁辐射和声发射信号危险发生前(前兆特征)数据的**趋势特征(**不少于3个)。

第二问

建模,同问题一,这里自己换一个模型,别和问题一一样。

(2.2) 利用问题(2.1)中得到的特征,建立数学模型,对2020年4月8日-2020年6月8日及2021年11月20日-2021年12月20日的电磁辐射和2021年11月1日-2022年1月15日声发射信号中的前兆特征所在的时间区间进行识别,分别给出电磁辐射和声发射信号最早发生的5个前兆特征信号所在的时间区间,完成表3和表4。

表3 电磁辐射前兆特征时间区间
序号时间区间起点时间区间终点
1
2
3
4
5
表4 声发射前兆特征时间区间
序号时间区间起点时间区间终点
1
2
3
4
5

具体思路

第一问目标:分析电磁辐射和声发射信号中的前兆特征信号,提取相关的趋势特征。
数据预处理
提取附件1中分类为’B’的数据(前兆特征信号)。
清理数据,确保时间和信号值格式正确,并处理可能存在的缺失值或异常值。
趋势特征提取:
可以在问题一基础上新增一些熵指标,例如排列熵、模糊熵,近似熵等等。接着也是做识别,然后得不同时间段

统计和机器学习方法:
应用时间序列分析技术,如自回归模型(AR)、移动平均(MA)或ARIMA模型来分析信号趋势。
使用机器学习算法如随机森林或梯度提升机来识别前兆特征信号的模式。

第二问目标:根据第一问的分析结果,识别特定时间段内电磁辐射和声发射信号中的前兆特征时间区间。

问题三:实时前兆特征信号概率预测

为了尽早的识别前兆特征信号,在前兆特征信号出现的第一时间发出预警,需要在每次数据采集的时刻对危险进行预判。附件3给出了一些非连续时间段采集的电磁辐射和声发射信号数据。请建立数学模型,给出附件3中的每个时间段最后时刻出现前兆特征数据的概率,完成表5。

电磁辐射数据所在时刻前兆特征的概率声发射数据所在时刻前兆特征的概率
2023-1-24 23:58:362023-1-24 23:58:36
2023-2-11 23:59:202023-2-11 23:59:20
2023-2-26 23:59:272023-2-26 23:59:27
2023-3-10 23:58:142023-3-10 23:58:14
2023-3-30 23:58:132023-3-30 23:58:13

思路

对于问题三,我们需要开发一个模型来在每次数据采集时刻预判冲击地压前兆特征信号的概率。

目标:建立数学模型,评估每个时间段最后时刻出现前兆特征数据的概率。

1数据整理:
从附件3中读取电磁辐射和声发射的数据。
检查数据完整性,处理缺失值或异常值。
2特征工程:
提取每个时间段内的统计特征,例如均值、方差、最大值、最小值等。
根据问题一和问题二的结果,识别表明前兆特征的关键指标。

3模型建立
3.1 时间序列分析:
分析各时间段数据的时间序列特性,识别周期性、趋势性变化。
使用时间序列预测模型(如ARIMA、指数平滑等)来预测短期内数据的走势。
3.2 概率模型:
基于机器学习技术(如随机森林、梯度提升机),建立预测模型,输出为前兆特征的概率。

具体模型可以推荐:attention+lstm

附件

附件1 (Attachment 1).xlsx
附件2 (Attachment 2).xlsx
附件3 (Attachment 3).xlsx

GPT4打数模

如果不会写代码,可以问GPT。使用地址:我的GPT4

视频

B站会发:我的B站

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1638421.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

BigKey的危害

1.2.1、BigKey的危害 网络阻塞 对BigKey执行读请求时,少量的QPS就可能导致带宽使用率被占满,导致Redis实例,乃至所在物理机变慢 数据倾斜 BigKey所在的Redis实例内存使用率远超其他实例,无法使数据分片的内存资源达到均衡 Redis阻…

Vue---router实现路由跳转

Vue—router实现路由跳转 目录 Vue---router实现路由跳转基本使用路由跳转html实现路由跳转JS实现路由跳转 基本使用 所谓路由&#xff0c;就是将一个个组件映射到不同的路由url中 首先要将App内的内容换成router-view // App.vue <template><div id"app"…

商务谈判技巧与口才训练方法(3篇)

商务谈判技巧与口才训练方法&#xff08;3篇&#xff09; 商务谈判技巧与口才训练方法&#xff08;**篇&#xff09;&#xff1a;技巧篇 一、商务谈判技巧 明确目标&#xff1a;在谈判前&#xff0c;明确自己的谈判目标&#xff0c;并设定好底线和期望的谈判结果。 知己知彼…

AIGC技术:现状剖析与未来趋势展望

AIGC技术&#xff1a;现状剖析与未来趋势展望 随着科技的飞速进步&#xff0c;人工智能已经逐渐渗透到我们生活的方方面面。其中&#xff0c;AIGC&#xff08;人工智能生成内容&#xff09;技术更是以其独特的魅力和巨大的潜力&#xff0c;引起了业界的广泛关注。本文将深入探…

vue处理查询框清除后无法查询问题,举例为日期选择

例如 在对应的查询方法添加 //我这里获取的是date&#xff0c;如果是其他参数改为其他的即可 if (query.date && query.date.length > 2) {conditions.noedate query.date[0] || conditions.noedate;//获取开始时间conditions.twodate query.date[1] || conditi…

IDEA 开发找到 java-web 发布到 tomcat 的路径

使用 IDEA 开发 java web 应用&#xff0c;有没有遇到需要找到 tomcat 路径的问题 为什么要找 tomcat 路径呢&#xff1f; 拿我的项目来举例&#xff0c;有统一的线上线下 logback.xml 配置&#xff0c;配置时业务、框架日志输出到 file&#xff0c;少量的启动日志输出到 con…

Java进阶-Java Stream API详解与使用

本文全面介绍了 Java Stream API 的概念、功能以及如何在 Java 中有效地使用它进行集合和数据流的处理。通过详细解释和示例&#xff0c;文章展示了 Java Stream API 在简化代码、提高效率以及支持函数式编程方面的优势。文中还比较了 Java Stream API 与其他集合处理库的异同&…

分类预测 | MATLAB实现LSSVM最小二乘支持向量机多分类预测

分类预测 | MATLAB实现LSSVM最小二乘支持向量机多分类预测 目录 分类预测 | MATLAB实现LSSVM最小二乘支持向量机多分类预测分类效果基本介绍程序设计参考资料分类效果 基本介绍 MATLAB实现LSSVM最小二乘支持向量机多分类预测。最小二乘支持向量机(Least Squares Support Vecto…

数据结构学习/复习1--时间复杂度计算/异或的几个实际用途

一、什么是数据结构和算法 1注&#xff1a;在内存中的存储管理数据 2注&#xff1a;解决问题的方法 二、时间复杂度 1.算法的效率 2.时间复杂度的概念 计算时间复杂度案例1&#xff1a; 计算时间复杂度案例2&#xff1a; 计算时间复杂度案例3&#xff1a; 计算…

如何将本地Android studio项目上传到GitHub

操作步骤&#xff1a; 1、在GitHub上创建账户 2、在androd studio中添加上述创建的GitHub账号 3、在android studio上找到"share project on GitHub"&#xff0c;点击此选项上传当前项目到GitHub 上传成功后&#xff0c;会在GitHub上创建默认仓库repository 注&a…

【R语言数据分析】基本运算与数据导入速查

R语言中命名可以包含英文字母&#xff0c;下划线&#xff0c;数字&#xff0c;点&#xff0c;下划线和数字不能作为名字的开头&#xff0c;点可以开头&#xff0c;但是点开头后面不能跟数字。一般的命名就是只使用英文和下划线就够了。 四则运算 R语言的除法是即使给的两个数…

常用算法代码模板 (2) :数据结构

AcWing算法基础课笔记与常用算法模板 (2) ——数据结构 常用算法代码模板 (1) &#xff1a;基础算法 常用算法代码模板 (2) &#xff1a;数据结构 常用算法代码模板 (3) &#xff1a;搜索与图论 常用算法代码模板 (4) &#xff1a;数学知识 算法基础课 动态规划模板题笔记 算法…

857.雇佣K名工人的最低成本

题目说的其实是有点乱的,所以我们可能抓不住重点,甚至都不太清楚规则,比如 eg. quality[3,1,10,10,1] wage[4,8,200,200,7] 这里是选下标0,1,4 ->单价为8 但是想清楚其实就很easy. 就是 贪心(sort) 优先队列 梳理下我们发现其实要让每个人得到最低期望,就要按照当前最贵…

项目管理-高级项目管理

1.高级项目管理--主要内容 高级项目管理&#xff0c;以下主要从5方面介绍&#xff1a;项目集管理、项目组合管理、组织级项目管理OPM、量化组织管理、项目管理实践模型。 2.具体内容 2.1项目集管理 项目管理绩效域&#xff1a; 包括项目集战略一致性、项目集效益管理、项目集干…

ip地址与硬件地址的区别是什么

在数字世界的浩瀚海洋中&#xff0c;每一台联网的设备都需要一个独特的标识来确保信息的准确传输。这些标识&#xff0c;我们通常称之为IP地址和硬件地址。虽然它们都是用来识别网络设备的&#xff0c;但各自扮演的角色和所处的层次却大相径庭。虎观代理小二将带您深入了解IP地…

【记录】Springboot项目集成docker实现一键部署

公司管理平台完成后&#xff0c;为了方便其他不懂开发的同事部署和测试&#xff0c;集成docker进行一键部署&#xff0c;也为后面自动化部署做准备。本文做个简单记录。 1、安装docker yum install https://download.docker.com/linux/fedora/30/x86_64/stable/Packages/cont…

剃齿和磨齿工艺比较

众所周知&#xff0c;剃齿加工和磨削加工是两种不同的齿轮精加工方法。剃齿是在热处理前进行的&#xff08;这也是剃齿加工受限的原因&#xff09;&#xff0c;而磨齿是在热处理之后进行的。近几年来&#xff0c;随着机械加工精度的不断提高、数控机床的不断完善以及加工软件的…

软件项目总体测试方案

测试目标&#xff1a;确保项目的需求分析说明书中的所有功能需求都已实现&#xff0c;且能正常运行&#xff1b;确保项目的业务流程符合用户和产品设计要求&#xff1b;确保项目的界面美观、风格一致、易学习、易操作、易理解。 软件全套文档过去进主页。 一、 前言 &#x…

AngularJS 的生命周期和基础语法

AngularJS 的生命周期和基础语法 文章目录 AngularJS 的生命周期和基础语法1. 使用步骤2. 生命周期钩子函数3. 点击事件4. if 语句1. if 形式2. if else 形式 5. for 语句6. switch 语句7. 双向数据绑定 1. 使用步骤 // 1. 要使用哪个钩子函数&#xff0c;就先引入 import { O…

【跟我学RISC-V】(一)认识RISC-V指令集并搭建实验环境

写在前面 现在计算机的体系架构正是发展得如火如荼的时候&#xff0c;占领桌面端市场的x86架构、占领移动端市场的arm架构、在服务器市场仍有一定地位的mips架构、国产自研的指令集loongarch架构、还有我现在要讲到的新型开源开放的RISC-V指令集架构。 我先说一说我的学习经历…