煤矿工业数据AI模型自动推理技术

煤矿生产过程的智能化主要依托于人工智能(AI)技术分析煤矿工业数据,但单一应用场景AI模型无法适用于煤矿复杂的应用场景,且仅使用分布式计算来处理AI模型输入特征值会导致模型应用效率降低。针对上述问题,提出了一种煤矿工业数据AI模型自动推理技术。该技术架构包括数据层、计算驱动层和模型推理层:数据层采集各类监测数据并统一存储,为计算驱动层提供原始数据;计算驱动层将数据层采集的海量原始数据转换成煤矿应用场景AI模型输入特征值,通过煤矿应用场景AI模型输入特征值双计算引擎自动切换机制,根据数据量自动合理地选择使用基于Spark的分布式计算方式或基于Python的单机计算方式,解决了海量数据计算速度慢、数据应用延迟大的问题;模型推理层将特征值输入应用场景AI模型进行推理,引入煤矿应用场景AI模型多触发方式协同推理机制,通过定时触发、人为交互触发、信号反馈触发3种触发方式,解决了在煤矿复杂的应用条件下单一应用场景AI模型利用效果差的问题。测试和应用结果表明,该技术可实现多应用场景AI模型输入特征值的快速计算,以及不同应用场景AI模型的快速、自动、协同推理。

新一代智能煤矿人工智能赋能技术研究综述

煤炭工业与人工智能(AI)深度融合是现代化矿井实现智能少人、降本提效的重要路径,而煤炭行业全流程、全业务应用场景的AI赋能是实现煤矿智能化的具体技术措施。在当前煤矿智能化发展背景下,提出了初级智能煤矿向新一代智能煤矿演进的基本范式,对比分析了初级智能煤矿与新一代智能煤矿的组成、功能与技术内涵,揭示了新一代智能煤矿AI赋能技术的重要性及其应用实施的2个关键:煤矿工业机理AI模型与煤矿工业互联网平台。总结了关于煤矿地质、采煤、掘进、安全监控等复杂作业环节的工业机理AI模型研究现状,阐明了工业机理AI分析在智能煤矿建设中的快速发展态势。设计了新一代智能煤矿多级云边协同工业互联网平台架构,利用集团数据中心、矿井数据中心、生产系统集控中心等工业信息软硬件设施,结合海量数据云计算和少量数据边缘计算特点,提出了集团云、矿井云与环节边、场景边的多级云边协同机制。指出了未来进一步研究方向,应不断加强煤矿工业机理AI模型的开发与软件化研究,逐步形成煤矿全流程AI赋能的知识软件体系,并充分运用煤矿工业互联网平台的数字资源与信息设施,逐步实现煤矿工业互联网平台的AI技术承载。

基于多模态的输送带撕裂大模型算法设计

AI矿山大模型是一种基于人工智能的矿山智能化解决方案,利用大数据、深度学习、机器学习等技术,可以帮助矿山企业提高生产效率和安全性。在输送带撕裂检测方面,基于AI矿山大模型设计了基于Transformer处理多模态数据的一种网络结构,提出了DETR-Audio模型,将视频和音频的多模态数据拼接、融合,采用DERT模型对视频进行编码,利用短时傅里叶变换对音频信号进行时频谱分析,再对两者的特征向量进行拼接、融合,最后传入解码器进行融合解码。该模型经过3 000张煤矿矿井下输送带的图片以及相应的音频数据训练和测试后,表现良好,比单独使用视频或音频信息的模型具有更高的检测准确度和鲁棒性。

基于自动识别系统大数据的船舶施工轨迹识别与预测

针对疏浚监控管理工作很难全天覆盖所有船舶、无法做到实时监控的问题,分析某绞吸挖泥船的AIS(自动识别系统)高频数据,包括疏浚船舶动态的航行轨迹、速度、航向等数据。对船舶施工轨迹辨识和预测进行研究,提出利用DBSCAN聚类算法粗略识别出施工区域,利用LOF(局部异常因子)算法去除航行轨迹中非施工状态下的轨迹,并利用时间序列ARIMA模型对船舶施工轨迹进行预测。结果表明,DBSCAN聚类算法结合LOF算法进行施工轨迹辨识方法合理可行,ARIMA模型进行施工轨迹预测的方法具有精确度高、实时性、易实现的特点。

文本挖掘在主题发现和相关性评估中的应用——以人工智能和机器人领域的专利为例

人工智能和机器人是当前技术发展的重要领域,专利反映了基础研究和技术创新的进展。将两者结合起来进行学科发现与关联性评价以及演化趋势分析,有利于对知识的挖掘,对于理解科学技术的互动与渗透、识别技术机会、发现潜在商业机会具有重要意义。在LDA算法的基础上,通过对专利主题强度和主题内容演变的分析,探索并构建了能够全面揭示专利主题关系的相关进化图。人工智能和机器人专利领域的实证研究表明,该方法能够充分展示领域主题随时间的变化趋势,揭示专利主题之间的相互继承关系。

船舶轨迹提取模型构建与交通流分析

船舶航线提取与交通流分析是航线设计、海事管理、贸易分析等研究的基础。面向海量船舶轨迹,现有船舶航线提取方法在大范围海域的适应性、方法复杂性以及与真实船舶交通航线的符合性方面还存在不足。本研究以海量船舶自动识别系统(Automatic Identification System,AIS)数据为研究对象,提出一种船舶轨迹提取模型构建与交通流分析方法。首先,将船舶航行轨迹抽象为船舶停留特征点(停留点)与移动特征点(航路点)的组合,其中停留点为船舶在港口处停留轨迹段的特征点,航路点为船舶移动轨迹段中航行速度或航行角度发生明显变化的特征点,构建“出发港(停留)→移动(航路)→目的地港(停留)”船舶航行轨迹抽象模型,实现船舶航行轨迹划分;然后,以船舶航行轨迹抽象模型为基础,基于图论理论进一步聚类海量船舶航行轨迹的停留点和航路点,提取表征船舶航线的航线点(停留航线点和航路航线点);最后,建立航线点连接矩阵,以船舶交通图的形式实现船舶航线提取,为船舶航线提取、交通流分析等提供新方法。以南海丝路海域为研究区,利用2017年全年的历史AIS数据,分析研究区内典型商船(集装箱船、散货船、油轮)的交通流特征和船舶航线。结果表明,提取航线与船舶交通高密度区域高度吻合,能够反映南海丝路区域真实的船舶交通航线。进一步与现有航线数据比较可知,本文提取航线的细节更加丰富,结构更加完整。与现有船舶航线提取方法相比,本文方法具有两方面的优势。(1)本文方法提取的船舶航线具有更大的丰富度。本文方法不仅提取出船舶航线,还识别船舶航行过程中的特征点,即船舶停留特征点和航路特征点,这对于航线设计和航行安全无疑是重要的知识支撑;(2)本文方法提取的航线更易于分析海运交通网络。由于本文方法提取的航线是点对点的形式,且每条航线都是从港口出发,易于构建海运交通网络,可以实现潜在的运输网络分析。本研究可为船舶航线规划、交通流分析、航行安全等提供决策支持。

基于多源数据和船舶停留轨迹语义建模的港口目标识别

港口目标识别是海事船舶监管的重中之重,船舶自动识别系统(Automatic Identification System,AIS)所获取的船舶活动信息,可为港口目标识别提供高时相和高精度的船舶航行数据。为了探究AIS数据在港口目标识别中的应用,提出一种基于多源数据和船舶停留轨迹语义建模的港口目标识别方法。通过数据挖掘和语义信息增强构建船舶停留轨迹语义模型,识别船舶港口停留轨迹;建立基于随机森林的船舶停留方式分类模型,分类船舶泊位停留轨迹和船舶锚地停留轨迹,并利用空间逐级合并方法提取港口泊位和港口锚地;综合船舶泊位停留轨迹、道路、海岸线、水深、土地利用与土地覆盖等数据,顾及情景-领域知识实现港口目标识别。基于2017年96790艘船舶的超8300万条AIS轨迹记录,应用本文方法识别南海研究区的港口目标。实验结果表明,本文方法对于船舶轨迹停留行为总体分类精度为0.9477,Kappa系数为0.8948。提取出南海研究区447个港口区域,与Google Earth影像叠加验证结果表明,提取结果均位于真实的港口影像内,相较于Natural Earth数据集中包含的南海区域24个港口点位,提取结果的完整性大大增强。因此,基于多源数据和船舶停留语义建模的港口目标识别方法对于港口目标识别具有较高的准确性和完整性。此外,该方法提取的港口区域可为基于遥感影像的港口目标识别提供靶区,从而提高大区域甚至全球范围内港口目标动态识别的效率。