申请/专利权人：徐州硕博电子科技有限公司

申请日：2024-04-08

公开（公告）日：2024-06-11

公开（公告）号：CN118013444B

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/25;G06N3/044;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.05.28#实质审查的生效;2024.05.10#公开

摘要：本发明公开了一种用于智慧矿山多自主机群作业装备的异常监测方法及装置，包括：在智能传感器节点中集成视觉传感器、声音传感器、振动传感器，以进行数据的多模态采集，得到多模态数据；利用数据融合算法，将多模态数据融合为统一的数据集；基于循环神经网络对多模态数据进行联合训练和学习，形成综合的异常检测模型；结合自适应学习率和正则化技术，优化异常检测模型的训练过程，提高异常检测模型的泛化能力和稳定性；利用实时异常数据处理算法，对多模态数据进行动态分析，识别异常数据；结合异常数据分类算法，对异常数据进行划分，以区分真实异常和误报异常，并将得到的分类结果反馈给监测系统，实现动态调整和优化。

主权项：1.一种用于智慧矿山多自主机群作业装备的异常监测方法，其特征在于，包括：在智能传感器节点中集成视觉传感器、声音传感器、振动传感器，以进行数据的多模态采集，得到多模态数据；利用数据融合算法，将所述多模态数据融合为统一的数据集；基于循环神经网络对所述多模态数据进行联合训练和学习，形成综合的异常检测模型，其数学表达公式如下：Z＝DX＝Z 其中，D为多模态数据集合，Z为数据融合后的数据集，X为经过预处理后的多模态数据，Y为异常标签，用于表示多模态数据的异常状态，表示模型预测的异常标签，θ为深度学习模型的参数，为损失函数，用于衡量模型的预测效果，η为学习率，用于控制模型参数的更新速度，Rθ为正则化项，用于约束模型的复杂度，λ为正则化参数，用于惩罚模型复杂度，防止过拟合，为最小化损失函数，用于更新模型参数θ；在模型训练过程中，通过最小化损失函数来更新模型参数，以优化模型的预测效果和泛化能力；结合自适应学习率和正则化技术，优化所述异常检测模型的训练过程，提高所述异常检测模型的泛化能力和稳定性；利用实时异常数据处理算法，对所述多模态数据进行动态分析，识别异常数据；结合异常数据分类算法，对所述异常数据进行划分，以区分真实异常和误报异常，并将得到的分类结果反馈给监测系统，实现动态调整和优化。

全文数据：

权利要求：

百度查询： 徐州硕博电子科技有限公司 用于智慧矿山多自主机群作业装备的异常监测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD