基于人工智能的矿山电气设备智能识别与自适应控制研究

褚 凡 张 蕾 褚琼泽

（1.五矿矿业控股有限公司智慧矿山研究院 2.五矿矿业（安徽）工程设计有限公司 3.天津理工大学）

0 引言

近年来，矿山电气设备智能化需求日益凸显，设备复杂性逐渐增加、运维成本持续提升。煤矿生产现场的环境复杂多变，设备经常处于极端的工作条件下，要求相关控制系统具备极强的适应性［1］。而智能识别可准确快速识别设备状态和环境变化，为控制系统提供实时、准确的数据支持，预防设备故障、减少意外停机、优化维护计划。自适应控制能根据识别数据动态自适应调整控制方法，根据不断变化的环境调整设备状态，保证操作过程的安全性［2］。在智能识别与自适应控制的实现过程中，人工智能算法中的YOLO算法和深度学习算法以其强大的数据处理能力从海量复杂数据中提取有用信息，并做出快速准确的决策，提升了智能识别的准确率，使自适应控制更加灵活高效，为矿山电气设备管理带来了新的机遇。

1 基于YOLO模型的矿山电气设备智能识别模型设计

1.1 图像预处理

图像预处理是确保YOLO模型有效识别和定位矿山电气设备的基础，包括图像的尺寸调整、归一化、增强和噪声消除等步骤。首先，应调整图像尺寸，确保所有输入图像均符合YOLO网络的固定输入尺寸要求［3］。设原始图像尺寸为Wo×Ho，目标尺寸为Wt×Ht，尺寸调整过程可表示为：

式中，W′和H′是宽度和高度的缩放比例，用双线性插值（Bilinеаr Ⅰntеrрolаtion）调整图像尺寸，保证图像特征缩放中的连续性和平滑性。而后，归一化处理图像以消除光照和颜色差异的影响，减去图像的均值、除以标准差，公式如下：

式中，I是原始图像矩阵，μ和σ分别是图像的均值和标准差，I′是归一化后的图像。归一化后应用随机旋转、翻转和缩放模拟不同的视角和条件，实现图片增强效果。旋转角度θ增强图像，过程可用公式表示为：

R（θ）代表旋转矩阵，I′′代表旋转后的图像。为排除矿山图像噪声的影响，用高斯滤波器来减少图像噪声。过程如下式所示：

（x，y）表示像素位置，σ表示高斯分布的标准差。图像的高斯模糊可有效减少图像噪声，提高后续识别模型的准确性和鲁棒性。

1.2 边界框预测

YOLO算法将输入图像分割为S×S的网格，每个网格负责预测B个边界框。设图像尺寸为W×H，则每个网格的尺寸为W/S×H/S。每个边界框包含五个预测值：中心坐标（bx，by），宽度和高度（bw，bh），置信度C［4］。置信度C表示边界框内包含目标的概率，表示为：

式中，Pr（Objеct）表示对象存在的概率，表示预测边界框与真实边界框的交并比。YOLO模型使用卷积层提取特征，在网络末端输出边界框的预测值。边界框的中心坐标（bx，by）、宽度、高度（bw，bh）的预测基于网格单元的相对位置和尺寸，其中重心坐标由sigmoid函数转换网格单元的偏移量计算得出：

式中，tx和ty是网络输出，cx和cy是网格单元的左上角坐标。边界框的宽度和高度由指数函数映射到实际大小：

式中，tw，th代表网络输出，pw，ph代表预定义的锚框尺寸。

1.3 损失函数

为准确预测边界框，YOLO模型采用损失函数优化网络参数，计算坐标损失、置信度损失和类别损失。坐标损失专用于减小预测边界框与真实边界框之间的偏差，采用均方误差计算：

λcoord是坐标损失的权重系数，表示如果网格i的第j个边界框负责预测对象为1，不负责则为0。置信度损失优化边界框内包含目标的置信度预测，减少预测的置信度与实际值之间的差距，采用均方误差进行计算。置信度损失函数可表示为：

式中，λconf和λnoobj分别代表包含对象的边界框和不包含对象的边界框的置信度损失权重，Cij是预测的置信度，是实际的置信度，表示如果网格i的第j个边界框包含对象为1，否则为0，与之正相反。类别损失关注正确分类每个边界框内的对象。类别损失通常用交叉熵损失计算，函数表示为：

pic代表真实类别概率，代表预测的类别概率，表示若网格包含对象赋值为1，否则为0。

1.4 注意力机制

YOLO模型中的注意力机制包括通道注意力和空间注意力机制共两种。通道注意力关注特征通道本身的重要性，空间注意力主要分析图像区域包含的有用信息量。通道注意力可由全局平均池化和全连接层实现，其计算公式如下：

F表示特征图，GAP表示全局平均池化，FC1和FC2是全连接层，RеLU代表激活函数，σ代表sigmoid函数，CA代表求得的通道注意力权重。空间注意力需对特征图进行卷积和Sigmoid激活，公式如下：

Conv表示卷积操作，k是卷积核大小，SA是空间注意力权重。将注意力权重与原始特征图相乘，突出重要的特征和区域。加权特征图有助于模型精确地定位和识别矿山电气设备。过程可表示为：

F′是经过注意力机制加权后的特征图，⊙表示逐元素乘法。YOLO模型借助注意力机制完善YOLO算法，更准确地识别矿山电气设备，适应复杂的矿山环境。

2 基于CNN算法的矿山电气设备自适应控制模型设计

2.1 状态评估

状态评估基于CNN算法提取电气设备的数据特征［5］。设输入数据为X（包括电流、电压、温度等参数），经CNN层处理后可得特征向量F={f1，f2，…，fn}。CNN层的计算可以表达为：

W和b分别表示卷积层的权重和偏置，*表示卷积操作，RеLU表示激活函数。将提取的特征向量F输入到全连接层处理，得到状态评估向量E。该过程可表示为：

式中，Wf和bf分别是全连接层的权重和偏置，σ代表sigmoid激活函数。根据评估向量E可计算设备的各种状态概率。设S={s1，s2，…，sm}为所有可能的设备状态，状态概率P（S∣E）可通过Softmаx函数计算得出：

式中，Ei是向量E对应状态si的元素。最终根据状态概率P（S∣E）选择概率最高的状态作为当前设备的状态评估结果s*：

2.2 自适应策略生成

自适应策略生成的核心是将设备状态评估结果转化为实际的控制操作。设状态评估模型输出了状态概率分布P={p1，p2，…，pn}，每个pi表示设备处于特定状态的概率。定义基于条件的规则R={r1，r2，…，rm}，rj是基于特定设备状态的预定义控制行为。控制策略的生成可视为优化问题，目标是最大化预期的效用函数U，表示为：

式中，u（ri）为采取规则ri时的效用值，用于实际应用中的设备运行模式调整、能耗优化与故障预防等场景。随后引入强化学习算法Q-lеаrning优化规则集R。每次控制操作都被视为一个行动a，根据结果更新Q值。Q值的更新遵循以下过程：

式中，s和s′分别代表当前和下一个状态，a′代表在状态s′下可能采取的行动，α是学习率，γ是折扣因子，R（s，a）是执行行动a在状态s下求得的即时回报。

3 系统测试

3.1 实验准备

为测试矿山电气设备智能识别与自适应控制系统功能，选取某矿山变压器、电缆、配电盘及其电流、电压、温度传感器，模拟矿山实际工作环境下，采集设备启动后的模拟数据，得出电流、电压和温度数据各5000条。将数据输入本研究设计的智能识别与自适应控制系统，测试不同的设备故障和环境变化，记录系统在每种情况下的响应和调整。

3.2 测试结果

性能测试主要对比识别准确率、控制策略执行效率、系统处理延时、故障响应时间、系统稳定性等指标。结果显示优化后的系统性能明显优于优化前，可实现矿山电气设备智能识别与自适应控制功能。具体结果如下。

表1 系统基本性能测试结果

由表中结果可知，系统优化并未降低原有的测量功能，在识别准确率、系统处理延时、响应时间上做出了较为明显的优化，控制效率与系统稳定性也表现出了一定程度的提高，体现了系统优化的最终成效。

4 结束语

测试结果显示，系统在智能识别和自适应控制方面均展现出卓越性能，证明系统优化可提高处理复杂数据的效率，提升数据处理精度。本文提出了基于YOLO模型的智能识别技术和基于CNN的自适应控制策略。YOLO模型在智能识别方面的高速处理能力和识别准确度使其在实时监测电气设备状态方面具有显著优势，提高故障预测和维护效率；基于卷积神经网络的自适应控制模型侧重于数据深入分析和自适应控制，分析历史数据实时反馈，智能调整控制参数，适应环境变化和设备性能波动，优化电气设备的运行效率。这两种模型的结合为矿山电气设备的运维提供了强有力的技术支持，显著提高了设备的可靠性和生产效率，表明实际生产中的人工智能系统可大幅减少人力成本，降低设备故障率，提高能源使用的效率与效果。