1.本發(fā)明屬于礦山安全生產(chǎn)領(lǐng)域，具體涉及一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測方法和系統(tǒng)。

背景技術(shù)：

2.大數(shù)據(jù)，是指無法在一定時間范圍內(nèi)用常規(guī)軟件工具進行捕捉、管理和處理的數(shù)據(jù)集合，是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)。

3.礦山主要包括一個或多個采礦車間(或稱坑口、礦井、露天采場等)和一些輔助車間，大部分礦山還包括選礦場(洗煤廠)。礦山安全包括礦山安全管理、安全生產(chǎn)技術(shù)和職業(yè)衛(wèi)生等內(nèi)容。

4.目前礦山安全生產(chǎn)監(jiān)測存在缺陷，在應(yīng)對安全事故處于被動狀態(tài)，應(yīng)急處理能力較差，易出現(xiàn)安全事故，對企業(yè)員工及生產(chǎn)造成較大的損失，所以本發(fā)明提供一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測管理方法來解決上述問題。

技術(shù)實現(xiàn)要素：

5.為了解決上述問題，本發(fā)明提供一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測方法和系統(tǒng)，以解決上述背景技術(shù)中提出的現(xiàn)有的礦山安全生產(chǎn)存在安全隱患時，用數(shù)據(jù)信息難以將該礦山安全生產(chǎn)情況對其提醒，從而導致安全風險擴大的問題。

6.本發(fā)明的技術(shù)方案具體如下：

7.一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測方法，包括：

8.采集和分析信息；

9.判斷采集的信息是否安全；若安全，繼續(xù)接收信息并處理；若不安全，停止接收信息并上傳報警。

10.進一步地，分析信息包括采集數(shù)據(jù)信息關(guān)鍵字。

11.進一步地，判斷采集的信息是否安全按以下進行：

12.所述信息平臺還包括數(shù)據(jù)挖掘日志庫，其中記錄了礦山安全生產(chǎn)態(tài)勢指標體系，對于體系中的定性和定量指標進行量化和風險等級劃分，利用歷史礦山安全生產(chǎn)事故中的數(shù)據(jù)，運用機器學習算法：

13.(p(yk|x)＝p(x|yk)p(yk)p(x)p(yk|x)＝p(x|yk)p(yk)p(x))得到貝葉斯網(wǎng)絡(luò)模型，具體公式為：

14.p(yk)＝nyk+αn+kαp(yk)＝nyk+αn+kα，(1)

15.n是總的樣本個數(shù)，k是總的類別個數(shù)，nyknyk是類別為ykyk的樣本個數(shù)，αα是平滑值；

16.p(xi|yk)＝nyk,xi+αnyk+nαp(xi|yk)＝nyk,xi+αnyk+nα，(2)

17.nyknyk是類別為ykyk的樣本個數(shù)，n是特征的維數(shù)，nyk,xinyk,xi是類別為ykyk的

樣本中，第i維特征的值是xixi的樣本個數(shù)，αα是平滑值；

18.通過數(shù)據(jù)接收分析端監(jiān)測數(shù)據(jù)采集端采集的數(shù)據(jù)，對輸入貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)進行預處理，通過長短記憶神經(jīng)網(wǎng)絡(luò)lstm模型對數(shù)據(jù)采集端的時間序列數(shù)據(jù)進行預測，將預測的數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型中得到未來一段時間內(nèi)安全狀態(tài)的變化趨勢；

19.根據(jù)變化趨勢結(jié)果按照確定的風險等級閾值區(qū)間確定預警等級進行預警；

20.根據(jù)貝葉斯網(wǎng)絡(luò)模型歸因推理出的致因節(jié)點情況給出警情處置建議。

21.進一步地，建立礦山安全生產(chǎn)態(tài)勢指標體系具體包括：

22.從礦山安全生產(chǎn)事故中歷史案例數(shù)據(jù)以及井下礦山設(shè)備采集系統(tǒng)中進行態(tài)勢特征要素的提取，并結(jié)合相關(guān)領(lǐng)域?qū)＜医?jīng)驗，建立礦山安全生產(chǎn)態(tài)勢指標體系；

23.所述礦山安全生產(chǎn)態(tài)勢指標體系包括礦山瓦斯事故安全態(tài)勢指標體系、礦山機電事故安全態(tài)勢指標體系、礦山滲水事故安全態(tài)勢指標體系及礦山塌方事故安全態(tài)勢指標體系。

24.進一步地，對輸入貝葉斯網(wǎng)絡(luò)模型的指標數(shù)據(jù)進行預處理具體包括：剔除錯誤值，補全缺失值；

25.將預測的指標數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型包括：對于部分無法預測的定性指標，將其設(shè)為在一段時間范圍內(nèi)保持不變；對于可以預測的指標數(shù)據(jù)，將其輸入貝葉斯網(wǎng)絡(luò)模型中進行推理。

26.進一步地，設(shè)定過濾被認為有安全隱患的數(shù)據(jù)信息；過濾數(shù)據(jù)信息的方式包括：

27.將需要過濾的數(shù)據(jù)信息先接收且不繼續(xù)傳輸，并將接收后的要過濾的數(shù)據(jù)信息分解，將其數(shù)據(jù)隨機打亂并軟刪除接收內(nèi)容；

28.或者，將需要過濾的數(shù)據(jù)信息存在安全隱患的部分修改內(nèi)容或者刪除該部分內(nèi)容，將數(shù)據(jù)信息的其他部分繼續(xù)傳輸。

29.本發(fā)明還涉及基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，包括前端平臺、云平臺大數(shù)據(jù)中心、服務(wù)器和信息平臺；

30.前端平臺用于設(shè)定管理規(guī)則、檢測平臺狀態(tài)、視頻監(jiān)控及數(shù)據(jù)展示；

31.云平臺大數(shù)據(jù)中心存儲數(shù)據(jù)信息和收發(fā)數(shù)據(jù)信息，所述云平臺大數(shù)據(jù)中心作為數(shù)據(jù)共享中心；

32.服務(wù)器，與云平臺大數(shù)據(jù)中心連接；

33.信息平臺通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸，信息平臺包括數(shù)據(jù)采集端、數(shù)據(jù)過濾端和數(shù)據(jù)接收分析端，所述數(shù)據(jù)采集端的輸出端與數(shù)據(jù)過濾端的輸入端連接，所述數(shù)據(jù)過濾端的輸出端與數(shù)據(jù)接收分析端的輸入端連接，所述數(shù)據(jù)過濾端、數(shù)據(jù)接收分析端通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸；

34.所述數(shù)據(jù)采集端直接與數(shù)據(jù)信息對接，數(shù)據(jù)采集端將數(shù)據(jù)信息獲取，獲取的數(shù)據(jù)信息傳輸至數(shù)據(jù)過濾端，數(shù)據(jù)過濾端對數(shù)據(jù)信息過濾，所述數(shù)據(jù)接收分析端對數(shù)據(jù)信息分析識別，判斷數(shù)據(jù)信息中是否存在安全隱患；

35.所述信息平臺還包括數(shù)據(jù)挖掘日志庫，其中記錄了礦山安全生產(chǎn)態(tài)勢指標體系，對于體系中的定性和定量指標進行量化和風險等級劃分，利用歷史礦山安全生產(chǎn)事故中的數(shù)據(jù)，運用機器學習算法：

36.(p(yk|x)＝p(x|yk)p(yk)p(x)p(yk|x)＝p(x|yk)p(yk)p(x))得到貝葉斯網(wǎng)絡(luò)模

型，具體公式為：

37.p(yk)＝nyk+αn+kαp(yk)＝nyk+αn+kα，(1)

38.n是總的樣本個數(shù)，k是總的類別個數(shù)，nyknyk是類別為ykyk的樣本個數(shù)，αα是平滑值；

39.p(xi|yk)＝nyk,xi+αnyk+nαp(xi|yk)＝nyk,xi+αnyk+nα，(2)

40.nyknyk是類別為ykyk的樣本個數(shù)，n是特征的維數(shù)，nyk,xinyk,xi是類別為ykyk的樣本中，第i維特征的值是xixi的樣本個數(shù)，αα是平滑值；

41.通過數(shù)據(jù)接收分析端監(jiān)測數(shù)據(jù)采集端采集的數(shù)據(jù)，對輸入貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)進行預處理，通過長短記憶神經(jīng)網(wǎng)絡(luò)lstm模型對數(shù)據(jù)采集端的時間序列數(shù)據(jù)進行預測，將預測的數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型中得到未來一段時間內(nèi)安全狀態(tài)的變化趨勢；

42.根據(jù)變化趨勢結(jié)果按照確定的風險等級閾值區(qū)間確定預警等級進行預警；

43.根據(jù)貝葉斯網(wǎng)絡(luò)模型歸因推理出的致因節(jié)點情況給出警情處置建議。

44.進一步地，對輸入貝葉斯網(wǎng)絡(luò)模型的指標數(shù)據(jù)進行預處理具體包括：剔除錯誤值，補全缺失值。

45.將預測的指標數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型包括：對于部分無法預測的定性指標，將其設(shè)為在一段時間范圍內(nèi)保持不變；對于可以預測的指標數(shù)據(jù)，將其輸入貝葉斯網(wǎng)絡(luò)模型中進行推理。

46.進一步地，所述信息平臺將數(shù)據(jù)信息分析判斷的結(jié)果通過服務(wù)器輸送至云平臺大數(shù)據(jù)中心，其他信息平臺通過云平臺大數(shù)據(jù)中心共享該分析判斷的結(jié)果，達到警示的效果。

47.進一步地，信息平臺還包括預警模塊，對被認為有安全隱患的數(shù)據(jù)信息進行預警。

48.與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果具體如下：

49.1)實現(xiàn)了對海量原始元日志中蘊藏的礦山安全信息的數(shù)據(jù)挖掘，當?shù)V山出現(xiàn)安全隱患時，通過大數(shù)據(jù)共享推送的方式，提前進行預警，避免安全隱患擴大，減少重大故障造成的損失，通過大數(shù)據(jù)平臺合，實現(xiàn)數(shù)據(jù)服務(wù)化、功能組件化和應(yīng)用積木化，提升了對海量數(shù)據(jù)的處理能力；

50.2)減少了損失，使得礦山安全生產(chǎn)實時性得到保障。

附圖說明

51.為了更清楚地說明本發(fā)明實施的技術(shù)方案，下面將對實施描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

52.圖1為本發(fā)明的系統(tǒng)框圖；

53.圖2為本發(fā)明前端平臺的結(jié)構(gòu)框圖；

54.圖3為本發(fā)明信息平臺的結(jié)構(gòu)框圖；

55.圖4為本發(fā)明模型的示意圖；

56.圖5為本發(fā)明方法的流程圖。

具體實施方式

57.下面將結(jié)合本技術(shù)實施例中的附圖，對實施例中的技術(shù)方案進行清楚、完整地描

述，顯然，所描述的實施例僅僅是本技術(shù)一部分實施例，而不是全部的實施例?；趯嵤├绢I(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

58.除非另外定義，本技術(shù)實施例中使用的技術(shù)術(shù)語或者科學術(shù)語應(yīng)當為所屬領(lǐng)域內(nèi)具有一般技能的人士所理解的通常意義。本實施例中使用的“第一”、“第二”以及類似的詞語并不表示任何順序、數(shù)量或者重要性，而只是用來區(qū)分不同的組成部分。“包括”或者“包含”等類似的詞語意指出現(xiàn)該詞前面的元件或者物件涵蓋出現(xiàn)在該詞后面列舉的元件或者物件及其等同，而不排除其他元件或者物件?！鞍惭b”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通?！吧稀薄ⅰ跋隆?、“左”、“右”、“橫”以及“豎”等僅用于相對于附圖中的部件的方位而言的，這些方向性術(shù)語是相對的概念，它們用于相對于的描述和澄清，其可以根據(jù)附圖中的部件所放置的方位的變化而相應(yīng)地發(fā)生變化。

59.如圖1所示，本實施例的基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，包括前端平臺、云平臺大數(shù)據(jù)中心、服務(wù)器和信息平臺。

60.如圖2所示，前端平臺用于設(shè)定管理規(guī)則、狀態(tài)平臺檢測、視頻監(jiān)控及數(shù)據(jù)展示。對應(yīng)的模塊均為現(xiàn)有的裝置或程序。

61.云平臺大數(shù)據(jù)中心存儲數(shù)據(jù)信息和收發(fā)數(shù)據(jù)信息，所述云平臺大數(shù)據(jù)中心作為數(shù)據(jù)共享中心。服務(wù)器與云平臺大數(shù)據(jù)中心建立連接。

62.信息平臺與服務(wù)器建立連接，信息平臺通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸。

63.如圖3所示，所述信息平臺包括數(shù)據(jù)采集端、數(shù)據(jù)過濾端和數(shù)據(jù)接收分析端，所述數(shù)據(jù)采集端的輸出端與數(shù)據(jù)過濾端的輸入端連接，所述數(shù)據(jù)過濾端的輸出端與數(shù)據(jù)接收分析端的輸入端連接，數(shù)據(jù)過濾端、數(shù)據(jù)接收分析端通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸。

64.數(shù)據(jù)采集端直接與數(shù)據(jù)信息對接，數(shù)據(jù)采集端將數(shù)據(jù)信息獲取，獲取的數(shù)據(jù)信息傳輸至數(shù)據(jù)過濾端，數(shù)據(jù)過濾端對數(shù)據(jù)信息過濾，所述數(shù)據(jù)接收分析端對數(shù)據(jù)信息分析識別，判斷數(shù)據(jù)信息中是否存在安全隱患。

65.所述信息平臺還包括數(shù)據(jù)挖掘日志庫，其中記錄了礦山安全生產(chǎn)態(tài)勢指標體系，對于體系中的定性和定量指標進行量化和風險等級劃分，利用歷史礦山安全生產(chǎn)事故中的數(shù)據(jù)，運用機器學習算法：

66.(p(yk|x)＝p(x|yk)p(yk)p(x)p(yk|x)＝p(x|yk)p(yk)p(x))得到貝葉斯網(wǎng)絡(luò)模型，具體公式為：

67.(1)：p(yk)＝nyk+αn+kαp(yk)＝nyk+αn+kα，n是總的樣本個數(shù)，k是總的類別個數(shù)，nyknyk是類別為ykyk的樣本個數(shù)，αα是平滑值；

68.(2)：p(xi|yk)＝nyk,xi+αnyk+nαp(xi|yk)＝nyk,xi+αnyk+nα，nyknyk是類別為ykyk的樣本個數(shù)，n是特征的維數(shù)，nyk,xinyk,xi是類別為ykyk的樣本中，第i維特征的值是xixi的樣本個數(shù)，αα是平滑值。

69.通過數(shù)據(jù)接收分析端監(jiān)測數(shù)據(jù)采集端采集的數(shù)據(jù)，對輸入貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)進行預處理，通過長短記憶神經(jīng)網(wǎng)絡(luò)lstm模型對數(shù)據(jù)采集端的時間序列數(shù)據(jù)進行預測，將

預測的數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型中得到未來一段時間內(nèi)安全狀態(tài)的變化趨勢；根據(jù)變化趨勢結(jié)果按照確定的風險等級閾值區(qū)間確定預警等級進行預警；根據(jù)貝葉斯網(wǎng)絡(luò)模型歸因推理出的致因節(jié)點情況給出警情處置建議。

70.建立礦山安全生產(chǎn)態(tài)勢指標體系具體包括：從礦山安全生產(chǎn)事故中歷史案例數(shù)據(jù)以及井下礦山設(shè)備采集系統(tǒng)中進行態(tài)勢特征要素的提取，并結(jié)合相關(guān)領(lǐng)域?qū)＜医?jīng)驗，建立礦山安全生產(chǎn)態(tài)勢指標體系。

71.礦山安全生產(chǎn)態(tài)勢指標體系包括礦山瓦斯事故安全態(tài)勢指標體系、礦山機電事故安全態(tài)勢指標體系、礦山滲水事故安全態(tài)勢指標體系及礦山塌方事故安全態(tài)勢指標體系。

72.對輸入貝葉斯網(wǎng)絡(luò)模型的指標數(shù)據(jù)進行預處理具體包括：剔除錯誤值，補全缺失值。

73.將預測的指標數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型包括：對于部分無法預測的定性指標，將其設(shè)為在一段時間范圍內(nèi)保持不變；對于可以預測的指標數(shù)據(jù)，將其輸入貝葉斯網(wǎng)絡(luò)模型中進行推理。

74.若存在關(guān)聯(lián)，則認為該數(shù)據(jù)信息為被認為有安全隱患的數(shù)據(jù)信息；若不存在關(guān)聯(lián)，則認為該數(shù)據(jù)信息為被認為無安全隱患的數(shù)據(jù)信息；信息平臺將數(shù)據(jù)信息分析判斷的結(jié)果通過服務(wù)器輸送至云平臺大數(shù)據(jù)中心，其他信息平臺能夠通過云平臺大數(shù)據(jù)中心共享該分析判斷的結(jié)果，達到警示的效果。

75.信息平臺包括預警模塊，經(jīng)過數(shù)據(jù)接收分析端對數(shù)據(jù)信息分析將數(shù)據(jù)信息分為數(shù)據(jù)信息m1和數(shù)據(jù)信息n1，且數(shù)據(jù)信息m1和數(shù)據(jù)信息n1分別為被認為存在安全隱患的數(shù)據(jù)信息、被認為無安全隱患的數(shù)據(jù)信息。數(shù)據(jù)信息m1和數(shù)據(jù)信息n1通過服務(wù)器發(fā)送到云平臺大數(shù)據(jù)中心，所述云平臺大數(shù)據(jù)中心將該數(shù)據(jù)信息m1和數(shù)據(jù)信息n1分享到其他的信息平臺，其他的信息平臺能夠識別數(shù)據(jù)信息m1和數(shù)據(jù)信息n1，并設(shè)定過濾被認為有風險的數(shù)據(jù)信息。

76.數(shù)據(jù)過濾端過濾數(shù)據(jù)信息的方式包括以下兩種：

77.第一種：將需要過濾的數(shù)據(jù)信息先接收且不繼續(xù)傳輸，并將接收后的要過濾的數(shù)據(jù)信息分解，將其數(shù)據(jù)打亂并刪除接收內(nèi)容；

78.第二種：將需要過濾的數(shù)據(jù)信息存在風險的部分修改內(nèi)容或者刪除該部分內(nèi)容，將數(shù)據(jù)信息的其他部分繼續(xù)傳輸。

79.需要說明的是，應(yīng)理解以上裝置的各個模塊的劃分僅僅是一種邏輯功能的劃分，實際實現(xiàn)時可以全部或部分集成到一個物理實體上，也可以物理上分開。且這些模塊可以全部以軟件通過處理元件調(diào)用的形式實現(xiàn)；也可以全部以硬件的形式實現(xiàn)；還可以部分模塊通過處理元件調(diào)用軟件的形式實現(xiàn)，部分模塊通過硬件的形式實現(xiàn)。

80.如圖5所示，基于上述裝置，本實施例還涉及礦山安全生產(chǎn)實時監(jiān)測方法，按以下進行：

81.采集和分析信息；判斷采集的信息是否安全；若安全，繼續(xù)接收信息并處理；若不安全，停止接收信息并上傳報警。

82.在上述實施例中，可以全部或部分地通過軟件、硬件、固件或者其任意組合來實現(xiàn)。當使用軟件實現(xiàn)時，可以全部或部分地以計算機程序產(chǎn)品的形式實現(xiàn)。所述計算機程序產(chǎn)品包括一個或多個計算機指令。在計算機上加載和執(zhí)行所述計算機程序指令時，全部或

部分地產(chǎn)生按照本技術(shù)實施例所述的流程或功能。所述計算機可以是通用計算機、專用計算機、計算機網(wǎng)絡(luò)、或者其他可編程裝置。所述計算機指令可以存儲在可讀存儲介質(zhì)中，或者從一個可讀存儲介質(zhì)向另一個可讀存儲介質(zhì)傳輸，例如，所述計算機指令可以從一個網(wǎng)站站點、計算機、服務(wù)器或數(shù)據(jù)中心通過有線(例如同軸電纜、光纖、數(shù)字用戶線(dsl))或無線(例如紅外、無線、微波等)方式向另一個網(wǎng)站站點、計算機、服務(wù)器或數(shù)據(jù)中心進行傳輸。所述可讀存儲介質(zhì)可以是計算機能夠存取的任何可用介質(zhì)或者是包含一個或多個可用介質(zhì)集成的服務(wù)器、數(shù)據(jù)中心等數(shù)據(jù)存儲設(shè)備。所述可用介質(zhì)可以是磁性介質(zhì)，(例如，軟盤、硬盤、磁帶)、光介質(zhì)(例如，dvd)、或者半導體介質(zhì)(例如固態(tài)硬盤solid state disk(ssd))等。

83.可選的，本技術(shù)實施例還提供一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有指令，當其在計算機上運行時，使得計算機執(zhí)行如上述所示實施例的方法。

84.可選的，本技術(shù)實施例還提供一種運行指令的芯片，所述芯片用于執(zhí)行上述所示實施例的方法。

85.本技術(shù)實施例還提供一種程序產(chǎn)品，所述程序產(chǎn)品包括計算機程序，所述計算機程序存儲在存儲介質(zhì)中，至少一個處理器可以從所述存儲介質(zhì)讀取所述計算機程序，所述至少一個處理器執(zhí)行所述計算機程序時可實現(xiàn)上述實施例的方法。

86.以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。技術(shù)特征：

1.一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：包括：采集和分析信息；判斷采集的信息是否安全；若安全，繼續(xù)接收信息并處理；若不安全，停止接收信息并上傳報警。2.根據(jù)權(quán)利要求1所述的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：分析信息包括采集數(shù)據(jù)信息關(guān)鍵字。3.根據(jù)權(quán)利要求1所述的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：判斷采集的信息是否安全按以下進行：所述信息平臺還包括數(shù)據(jù)挖掘日志庫，其中記錄了礦山安全生產(chǎn)態(tài)勢指標體系，對于體系中的定性和定量指標進行量化和風險等級劃分，利用歷史礦山安全生產(chǎn)事故中的數(shù)據(jù)，運用機器學習算法：(p(yk|x)＝p(x|yk)p(yk)p(x)p(yk|x)＝p(x|yk)p(yk)p(x))得到貝葉斯網(wǎng)絡(luò)模型，具體公式為：p(yk)＝nyk+αn+kαp(yk)＝nyk+αn+kα，(1)n是總的樣本個數(shù)，k是總的類別個數(shù)，nyknyk是類別為ykyk的樣本個數(shù)，αα是平滑值；p(xi|yk)＝nyk,xi+αnyk+nαp(xi|yk)＝nyk,xi+αnyk+nα，(2)nyknyk是類別為ykyk的樣本個數(shù)，n是特征的維數(shù)，nyk,xinyk,xi是類別為ykyk的樣本中，第i維特征的值是xixi的樣本個數(shù)，αα是平滑值；通過數(shù)據(jù)接收分析端監(jiān)測數(shù)據(jù)采集端采集的數(shù)據(jù)，對輸入貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)進行預處理，通過長短記憶神經(jīng)網(wǎng)絡(luò)lstm模型對數(shù)據(jù)采集端的時間序列數(shù)據(jù)進行預測，將預測的數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型中得到未來一段時間內(nèi)安全狀態(tài)的變化趨勢；根據(jù)變化趨勢結(jié)果按照確定的風險等級閾值區(qū)間確定預警等級進行預警；根據(jù)貝葉斯網(wǎng)絡(luò)模型歸因推理出的致因節(jié)點情況給出警情處置建議。4.根據(jù)權(quán)利要求3所述的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：建立礦山安全生產(chǎn)態(tài)勢指標體系具體包括：從礦山安全生產(chǎn)事故中歷史案例數(shù)據(jù)以及井下礦山設(shè)備采集系統(tǒng)中進行態(tài)勢特征要素的提取，并結(jié)合相關(guān)領(lǐng)域?qū)＜医?jīng)驗，建立礦山安全生產(chǎn)態(tài)勢指標體系；所述礦山安全生產(chǎn)態(tài)勢指標體系包括礦山瓦斯事故安全態(tài)勢指標體系、礦山機電事故安全態(tài)勢指標體系、礦山滲水事故安全態(tài)勢指標體系及礦山塌方事故安全態(tài)勢指標體系。5.根據(jù)權(quán)利要求3所述的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：對輸入貝葉斯網(wǎng)絡(luò)模型的指標數(shù)據(jù)進行預處理具體包括：剔除錯誤值，補全缺失值；將預測的指標數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型包括：對于部分無法預測的定性指標，將其設(shè)為在一段時間范圍內(nèi)保持不變；對于可以預測的指標數(shù)據(jù)，將其輸入貝葉斯網(wǎng)絡(luò)模型中進行推理。6.根據(jù)權(quán)利要求3所述的礦山安全生產(chǎn)實時監(jiān)測方法，其特征在于：設(shè)定過濾被認為有安全隱患的數(shù)據(jù)信息；過濾數(shù)據(jù)信息的方式包括：將需要過濾的數(shù)據(jù)信息先接收且不繼續(xù)傳輸，并將接收后的要過濾的數(shù)據(jù)信息分解，將其數(shù)據(jù)隨機打亂并軟刪除接收內(nèi)容；或者，將需要過濾的數(shù)據(jù)信息存在安全隱患的部分修改內(nèi)容或者刪除該部分內(nèi)容，將

數(shù)據(jù)信息的其他部分繼續(xù)傳輸。7.一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，其特征在于：包括前端平臺、云平臺大數(shù)據(jù)中心、服務(wù)器和信息平臺；前端平臺用于設(shè)定管理規(guī)則、檢測平臺狀態(tài)、視頻監(jiān)控及數(shù)據(jù)展示；云平臺大數(shù)據(jù)中心存儲數(shù)據(jù)信息和收發(fā)數(shù)據(jù)信息，所述云平臺大數(shù)據(jù)中心作為數(shù)據(jù)共享中心；服務(wù)器，與云平臺大數(shù)據(jù)中心連接；信息平臺通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸，信息平臺包括數(shù)據(jù)采集端、數(shù)據(jù)過濾端和數(shù)據(jù)接收分析端，所述數(shù)據(jù)采集端的輸出端與數(shù)據(jù)過濾端的輸入端連接，所述數(shù)據(jù)過濾端的輸出端與數(shù)據(jù)接收分析端的輸入端連接，所述數(shù)據(jù)過濾端、數(shù)據(jù)接收分析端通過服務(wù)器與云平臺大數(shù)據(jù)中心進行數(shù)據(jù)信息傳輸；所述數(shù)據(jù)采集端直接與數(shù)據(jù)信息對接，數(shù)據(jù)采集端將數(shù)據(jù)信息獲取，獲取的數(shù)據(jù)信息傳輸至數(shù)據(jù)過濾端，數(shù)據(jù)過濾端對數(shù)據(jù)信息過濾，所述數(shù)據(jù)接收分析端對數(shù)據(jù)信息分析識別，判斷數(shù)據(jù)信息中是否存在安全隱患；所述信息平臺還包括數(shù)據(jù)挖掘日志庫，其中記錄了礦山安全生產(chǎn)態(tài)勢指標體系，對于體系中的定性和定量指標進行量化和風險等級劃分，利用歷史礦山安全生產(chǎn)事故中的數(shù)據(jù)，運用機器學習算法：(p(yk|x)＝p(x|yk)p(yk)p(x)p(yk|x)＝p(x|yk)p(yk)p(x))得到貝葉斯網(wǎng)絡(luò)模型，具體公式為：p(yk)＝nyk+αn+kαp(yk)＝nyk+αn+kα，(1)n是總的樣本個數(shù)，k是總的類別個數(shù)，nyknyk是類別為ykyk的樣本個數(shù)，αα是平滑值；p(xi|yk)＝nyk,xi+αnyk+nαp(xi|yk)＝nyk,xi+αnyk+nα，(2)nyknyk是類別為ykyk的樣本個數(shù)，n是特征的維數(shù)，nyk,xinyk,xi是類別為ykyk的樣本中，第i維特征的值是xixi的樣本個數(shù)，αα是平滑值；通過數(shù)據(jù)接收分析端監(jiān)測數(shù)據(jù)采集端采集的數(shù)據(jù)，對輸入貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)進行預處理，通過長短記憶神經(jīng)網(wǎng)絡(luò)lstm模型對數(shù)據(jù)采集端的時間序列數(shù)據(jù)進行預測，將預測的數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型中得到未來一段時間內(nèi)安全狀態(tài)的變化趨勢；根據(jù)變化趨勢結(jié)果按照確定的風險等級閾值區(qū)間確定預警等級進行預警；根據(jù)貝葉斯網(wǎng)絡(luò)模型歸因推理出的致因節(jié)點情況給出警情處置建議。8.根據(jù)權(quán)利要求7所述的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，其特征在于：對輸入貝葉斯網(wǎng)絡(luò)模型的指標數(shù)據(jù)進行預處理具體包括：剔除錯誤值，補全缺失值；將預測的指標數(shù)據(jù)輸入貝葉斯網(wǎng)絡(luò)模型包括：對于部分無法預測的定性指標，將其設(shè)為在一段時間范圍內(nèi)保持不變；對于可以預測的指標數(shù)據(jù)，將其輸入貝葉斯網(wǎng)絡(luò)模型中進行推理。9.根據(jù)權(quán)利要求7所述的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，其特征在于：所述信息平臺將數(shù)據(jù)信息分析判斷的結(jié)果通過服務(wù)器輸送至云平臺大數(shù)據(jù)中心，其他信息平臺通過云平臺大數(shù)據(jù)中心共享該分析判斷的結(jié)果，達到警示的效果。10.根據(jù)權(quán)利要求7所述的礦山安全生產(chǎn)實時監(jiān)測系統(tǒng)，其特征在于：信息平臺還包括預警模塊，對被認為有安全隱患的數(shù)據(jù)信息進行預警。

技術(shù)總結(jié)

本發(fā)明涉及一種基于大數(shù)據(jù)的礦山安全生產(chǎn)實時監(jiān)測方法和系統(tǒng)，該方法包括：采集和分析信息；判斷采集的信息是否安全；若安全，繼續(xù)接收信息并處理；若不安全，停止接收信息并上傳報警。本發(fā)明通過大數(shù)據(jù)共享推送的方式，能夠及時的發(fā)現(xiàn)安全隱患和解決問題，避免安全隱患擴大；減少了損失，使得礦山安全生產(chǎn)實時性得到保障。得到保障。得到保障。

技術(shù)研發(fā)人員：巫喬順 白建民 鄺昌云 許斌 許燕梅 王化 戴驥 馬云東

受保護的技術(shù)使用者：云南昆鋼電子信息科技有限公司

技術(shù)研發(fā)日：2021.06.29

技術(shù)公布日：2021/11/16