买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉唐山昌宏科技有限公司申请的专利矿用提升钢丝绳智能检测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117350710B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311394965.9，技术领域涉及：G06Q10/20；该发明授权矿用提升钢丝绳智能检测系统是由陆立明;刘晓利;双永顺;于伟平;张军;龚立志;高振岭设计研发完成，并于2023-10-26向国家知识产权局提交的专利申请。

本矿用提升钢丝绳智能检测系统在说明书摘要公布了：本发明创造涉及智慧采矿和机器学习领域，具体为矿用提升钢丝绳智能检测系统，包括集成传感器模块、数据预处理模块、特征提取模块、机器学习模块、实时监测模块和数据分析与维护建议模块，传感器模块负责实时采集钢丝绳的关键数据，数据预处理模块对原始数据进行滤波、校准、缺失值处理和标准化，特征提取模块从处理后的数据中提取关键特征，用于后续的机器学习分析，机器学习模块使用训练数据来构建模型，实现对钢丝绳状态的监测和异常检测，实时监测模块通过实时处理和规则引擎，监测和识别任何异常情况，数据分析与维护建议模块提供详细的数据分析和维护建议。能够全面、智能地监测矿用提升钢丝绳的状态，有助于降低维护成本和提高设备可靠性。

本发明授权矿用提升钢丝绳智能检测系统在权利要求书中公布了：1.矿用提升钢丝绳智能检测系统，其特征在于，包括集成传感器模块、数据预处理模块、特征提取模块、机器学习模块、实时监测模块、数据分析与维护建议模块，传感器模块负责实时采集钢丝绳关键参数的数据，包括张力、振动和温度，为后续分析提供了基础数据，数据预处理模块对原始数据进行滤波、校准和标准化，提高了数据的质量和可靠性；特征提取模块通过高级信号处理技术，从海量数据中提取出有用的特征，为机器学习建模提供了支持，机器学习模块利用历史数据训练模型，实现了异常检测和预测分析，从而提高了对钢丝绳状态的准确性；实时监测模块通过持续监测钢丝绳状态，及时感知异常情况，并根据预定规则采取自动化反应；数据分析与维护建议模块通过对数据的深度分析，提供了详细的数据分析和维护建议，帮助运维人员更好地理解数据、识别问题并规划维护工作，降低了维护成本；从传感器模块采集到的原始数据通过数据预处理模块进行处理和优化，以确保数据分析和算法能够获得高质量的输入，数据预处理模块采用滤波技术，以去除传感器数据中的噪声和干扰，这些噪声来自传感器本身、电磁干扰、环境振动因素，基于贝塞尔函数的基础上，提出了适用于矿用提升钢丝绳智能检测系统的窗函数ωn，能够平衡主瓣宽度和副瓣抑制，并且可以做到精细频谱控制，以克服来自传感器本身、电磁干扰、环境振动的噪声或信号衰减，提出的窗函数ωn表达如下： 其中，n为窗函数的样本索引，α为控制主瓣宽度和副瓣抑制的参数，若α→0会导致更窄的主瓣，但会增加副瓣的幅度N为窗口长度，k为索引数；若传感器存在校准偏差，数据预处理模块通过应用校准系数来校正传感器输出，确保了传感器测量值与实际物理量之间的一致性，构建多项式模型：Dcalibratedt＝a0+a1Lt+a2L2t+...+akLkt；其中，Dcalibratedt为传感器输出值，a0，a1，a2，...，ak是待估计的校准系数，L为实际负载，为了估计校准系数，通过采集已知负载L下的传感器测量值Dfiltered，L实际负载下的数据集合为：L＝{L1，DfilteredL1，L2，DfilteredL2，...，LK，DfilteredLK}，其中K为采集的数据点数量，L1，L2，...，LK分别为第1，2，...，K个实际负载，定义损失函数为了寻找损失函数Loss的最小值，定义搜索因子集合S，第s个搜索因子满足s∈S，搜索因子的位置用xs表示，通过概率分布来选择下一个位置概率分布满足下式： 其中，为转移概率，x是搜索空间中的位置，τ为数据发酵度，η为启发因子，a和b为超参数，length为长度函数，用来求集合的长度，在每次迭代中，数据发酵度会根据搜索因子的搜索路径和损失函数值进行更新： 其中，γ为数据残留度，Lxs为搜索因子s在位置x的损失函数值，γτx考虑到了数据发酵度衰变，对于数据发酵度，应满足与数据熵值信息对等，对于τxs搜索因子s在位置x的数据发酵度，应满足： 通过更新后的数据发酵度，使得搜索因子更快迭代出最优解，得到损失函数的最小值，传感器数据在某些情况下可能会丢失或不完整，扩展更新所述实际负载下的数据集合L，使其具有时序性：L＝{t1，L1，DfilteredL1，t2，L2，DfilteredL2，...，tK，LK，DfilteredLK}；数据预处理模块通过如下公式来填补数据缺失的部分以保持数据的连续性： 其中LK-1，LK+1分别为第K-1，K+1个实际负载，D^为缺失的数据值，t+1为后一个时间点，t-1前一个时间点，针对不同应用需求，数据采样率需要调整，数据预处理模块降低或提高数据采样率，以适应后续处理步骤的要求，从而减少计算负荷或提高数据分辨率，数据预处理模块将预处理后的数据存储到数据库中并进行日志记录，跟踪数据质量和分析历史数据；特征提取模块首先需要选择合适的特征，包括张力、振动、温度的特征，以最好地描述钢丝绳的状态，其中张力对于所涉及的领域而言具有样本相关性，振动具有时频特性，通过扩展到频域分析能带来更快捷的计算结果，而温度具有时序性，小波变换来捕捉温度信号中的不同频率成分和变化趋势，为了能直接表示张力、振动、温度的特征的最好状态，定义特征综合值为Φ，满足： 其中，ZL,ZD，WD分别表示张力，振动，温度，fzL为张力函数，fZD为振动函数，fWD为温度函数，Δs为s的增量，wZL为张力权重，wZD为振动权重，wWD为温度权重，i*为虚数因子，Cs，λ为小波系数，使用排序函数sort对特征综合值为Φ进行排序，得到从优到劣的特征综合值：Φ*→sortΦZL，ZD，WD；其中，Φ*为从优到劣的特征综合值，征提取模块还需要确定提取的特征的维度，高维特征提供更多信息，但可能导致过拟合，因此，需要在信息增益和计算复杂度之间进行权衡，同时必须能够在实时性要求下快速提取特征，以便及时触发警报或采取措施；机器学习模块从传感器获得的数据以及特征提取模块提取的特征，以训练和部署机器学习模型来监测和识别钢丝绳的状态，对于机器学习，需要所述的从优到劣的特征综合值以及标签，进一步扩展数据集合L使其具有标识性：L＝{t1，L1，DfilteredL1，Φ1，y1，t2，L2，DfilteredL2，Φ2，y2，...，tK，LK，DfilteredLK，ΦK，yK}；其中，Φ1，Φ2，ΦK分别为第1个、第2个和第K个特征综合值，y1，y2，yK分别为第1个、第2个和第K个数据标签，定义机器学习模型参数为θ，满足： 其中，为了寻找最优机器学习模型参数θ*，定义迭代数为g，有： 其中θg为第g次迭代的机器学习模型参数，θg+1为第g+1次迭代的机器学习模型参数，α为学习率，用F2分数评估机器学习模型的好坏，定义： 其中ε为调节因子，TP为正类别样本，FP为负类别样本，Recall为召回率，ε越大，模型对召回率的重视程度就越高。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人唐山昌宏科技有限公司，其通讯地址为：063021 河北省唐山市开平区越河乡西王盼庄；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。