基于微服务与机器学习的煤矿安全监测系统

发布时间：2021-08-24 15:09

　　煤矿安全监测监控系统种类繁多、架构不一、信息不共享、功能无互助、监测数据难以得到有效利用,煤矿安全生产缺少可靠的数据支撑。为此,设计了一种基于微服务架构的安全监测系统,将信息管理与自动监测各业务系统统一,构建成一个灵活、稳健、高效的系统平台,以适应大数据分析与挖掘应用。通过基于Hadoop构建的煤矿安全监测大数据平台,实现对海量环境监测数据的分布式存储、选择性抽取和高效计算。通过对生产环境监测数据的集成和深入挖掘,建立机器学习模型,自动识别安全隐患并推荐相应的处理措施,起到对煤矿环境安全综合研判和科学决策的辅助作用,推动实现煤矿安全管理的智能化。 

【文章来源】：应用技术学报. 2020,20(03)

【文章页数】：4 页

【部分图文】：

系统的基础架构

集成煤矿生产环境的检测与监测数据和基于机器学习的深入挖掘应用,需要在大数据平台上实现。该平台主要使用了Hadoop中强大的数据管理工具——HDFS和基于类SQL快速实现简单的 MapReduce 统计工具——Hive[5]进行数据仓库的建设和各类监测信息的数据分析。同时,使用了基于Hadoop的数据采集系统Flume[6],对报警信息、系统日志等数据进行实时收集。最后通过消息服务中间件使其与数据库集群、业务系统、机器学习模块进行关联,实现分析数据的及时展示和访问,让机器学习不仅能够离线分析建模,还可以在线预测推荐,形成了消息驱动的机器学习服务[7],如图2所示。机器学习主要分为建模和预测2个模块,建模需要对大量历史数据进行学习,消息服务中间件收到消息后,同时发送给该模块,该模块也通过大数据平台抽取和实时监控等形式进行数据的收集,然后进行学习、建立模型;预测模块收到信息后,同建模模块执行相同的预处理,再执行算法,得到结果;最后,将结果生成给消息中间件,供其他微服务使用。

主要以利用通风监测系统中的割煤工作面瓦斯浓度预测、超限识别为例。由于瓦斯浓度超限的已有相应的国家规定和传感器的设定,并且实时性要求高,因此选用RBF神经网络[8],使用前一班次的数据作为样本进行训练,监测时间点和瓦斯浓度作为第一层(输入层)属性。设xi∈Rn(i=1,2,…,n)为RBF神经网络的输入,y∈R为RBF神经网络的输出,如图 3所示。设

【参考文献】：
期刊论文
[1]建筑企业数字化建造基础平台开发初探[J]. 阮国荣.  建筑施工. 2019(04)
[2]智能矿山大数据关键技术与发展研究[J]. 崔亚仲,白明亮,李波.  煤炭科学技术. 2019(03)
[3]消息驱动的机器学习微服务架构探析[J]. 赵才文.  电脑编程技巧与维护. 2017(24)

硕士论文
[1]煤矿安全监控系统分析与设计[D]. 李波.北京邮电大学 2009



本文编号：3360223