摘要：在科学技术持续发展中，电气设备系统是金属矿山资源开采的基础，其设备工作性能和安全性直接关系到矿山区域的开采安全。为解决以往金属矿山电气设备使用中的故障问题，选择以人工智能技术加快推动智能化矿山建设工作，设计符合要求的电气监测与控制系统，既可以及时发现电气设备运行的异常问题，也能够按照设定程序进行预防和维护，以此保障金属矿山开采的安全。本文以智能化矿山建设为研究主题，设计了基于YOYO模型的智能识别模型和基于CNN自适应控制模型，并依托测试结果表明，模型在具体运用中有效。

　　关键词：智能化；矿山；电气监测；控制系统

　　电气设备是金属矿山开采的基础保障，直接关系矿山企业经济效益实现和开采安全。但是，以往矿山电气设备管理中，更多是依靠传统方式进行监测和控制，并不能及时发现其中的异常问题，甚至影响正常开采作业。同时，矿山电气设备数量众多，涉及的种类和型号不同，增加了管理的复杂程度，促使矿山电气设备智能化需求显著增加。基于这种情况，借助智能化矿山建设工作的开展，搭建针对性的电气监测与控制系统，既可快速识别电气设备运行状态和环境变化，为控制系统提供及时准确的数据支持，有效预防电气设备故障产生，也能够降低意外停机事件的出现，甚至能够调整优化电气设备维护方案，以此实现金属矿山安全生产目标。

　　1智能化矿山电气监测模型设计

       1.1图像预处理

　　在智能化矿山电气监测模型设计中，主要依托YOLO模型的作用，其可以对电气设备识别和定位，从而保障监测工作的顺利开展。为确保这一模型发挥作用，先要对采集到的图像进行预处理，通过图像大小调整、归一化、增强及噪声消除等，从而得到真实可靠的图像信息。首先，调整图像大小，让全部输入图像都达到YOYO网络的输入要求。为此，设所有采集到的图像大小是Q0×R0，符合要求的尺寸是Qn×Rn，大小调节需要利用图像宽度和高度的缩放比例两个数值，只需要利用双线性插值，就能够实现图像大小的调节，也能确保图像特征得到保留。其次，因图像采集过程受到外界光照、颜色等因素的影响，导致部分图像并不准确，直接会影响后续识别效果，这就需要借助归一化处理，从而消除上述因素的消极影响。从具体层面而言，先利用采集到的初始图像数据减去初始图像的均值，再除以初始图像的标准差，从而得到归一化处理后的图像。一般情况下，在归一化处理完成后，应当再次对图像进行旋转、缩放等，从而确保图像效果最佳。而旋转角度对图像效果产生一定影响，但是旋转角度需要利用旋转矩阵乘以旋转后得到的图像，才能判断对图像带来的影响大小。为避免金属矿山开采及其他活动形成的噪声对图像带来影响，应当依托高斯滤波器进一步减少图像中的噪声，利用像素位置乘以高斯分布的标准差，就可清除其中噪音的影响。从实际运用而言，从金属矿山电气设备运行过程采集得到的图像，如果其高斯模糊，能够很好控制其中的噪声，也为后续识别模型运用奠定良好的基础，以此提升识别精度和鲁棒性。

　　1.2边界框预测

　　在研究过程中，针对边界框预测是需要利用YOLO算法实现，其将输入图像全部分割为相同大小的网格，每个网格都可以预测一个边界框。基于这种情况，图像大小是Q×R，每个网格大小是Q/A×R/A。在每个边界框中，都涉及坐标（Zx,Zy）、高度（Zk）、宽度（Zh）、置信度（G）四个预测值。而置信度可以体现每个边界框内包含目标的概率，但是需要利用目标存在的概率乘以边界框与预测边界框的交并比。其中，目标存在的概率以Ci（Object）表示；边界框与预测边界框的交并比用IoU表示。针对YOLO模型而言，是充分发挥卷积层的作用，获取了其中的特征，也可以输出预测边界框。但是，每个边界框的坐标、宽度、高度三个数值都是需要借助网格单元的基础数据得到，而其中需要使用的重心坐标，只能利用sigmoid函数得到，且利用网络输出的数值、网络单元上的坐标，以此得到具体的数值。基于此，可以得到边界框的实际大小，但是需要利用指数函数映射，才能获取每个边界框的宽度和高度。

       1.3损失函数

　　在金属矿山电气设备监测中，损失函数所发挥的作用重大，这源于监测过程受到诸多因素的影响，需要对其中各种损失进行估计，才能得到更加精确的监测结果，以此为电气设备控制奠定良好的基础。为更加精确地预测边界框，该模型引入了损失函数，能够自动对网络参数调整，并计算出多个损失数值，如置信度损失、坐标损失、类别损失等。①坐标损失。该损失本质上确定具体存在的边界框与预测上的差异，并且都运用了均方误差进行计算。在实际计算中，应当先对权重系数进行确定，也要明确预测对象的多少。②置信度损失。从实际运用而言，因使用模型得到的置信度仅仅是预测值，其与真实数值存在一定的差异，这就需要使用均方误差计算，才能得到具体的置信度损失。但是，置信度损失权重往往包括了两个部分，一部分是包含对象边界框的置信度损失权重，另一部分是没有包含对象边界框的置信度损失权重，才能得到真实可靠的损失情况。③类别损失。基于该模型运用中，每个边界框包含的对象并非属于一个类型，甚至存在多个类型，这就需要对其合理分类，以此为计算结果的真实性、可靠性奠定良好的基础。

　　1.4注意力机制

　　从YOLO模型可知，其存在的注意力机制并未只有一种，往往需要重点考虑通道和空间两种注意力机制。前者突出了特征通道的价值，而后者只是对图像包含的有效信息关注。一般情况下，通道注意力需要从全局、全层两个层面考虑。但是，在空间注意力中，只需要掌握特征图，并使用卷积、sigmoid进行激活。从具体使用而言，注意力权重、初始特征图是最为重要的要素，将其二者相乘，就可以找出最为关键的特征及区域。在实践过程中，加权特征图可以帮助金属矿山企业更快、更精确找出电气设备的位置，也可以识别各类电气设备。另外，该模型与其他监测方式不同，源于其充分发挥了注意力机制的作用，促使其算法得到健全，更能精确识别金属矿山中的电气设备，也可以适应更加复杂的矿山环境，以此为矿山安全开采奠定良好的基础。

　　2智能化矿山电气设备控制系统模型设计

       2.1状态评估

　　针对智能化矿山而言，电气设备控制系统建设是非常重要的，既可以取代传统人工控制，也可以降低电气设备维护保养的成本。在这种控制过程中，主要依托电气设备运行情况的评价，得出相应的数值后，就能够判断出电气设备是否存在异常情况。在金属矿山电气设备控制系统设计中，先要对电气设备运行状态评估，这就需要发挥CNN算法的作用，其可以从采集到的数据资料中提取到电气设备的数据特征。从实际采集而言，往往掌握的数据资料包含了电气设备运行的电流、温度等参数，其只需要经过CNN层处理后，就可以得到具体的特征向量。状态评估向量是利用卷积层的权重大小乘以卷积操作的过程，再加上卷积层的偏置，最后依托激活函数得到相应的数值。在得到了特征向量后，应当将其输入到全层中进行处理，从而获取状态评估向量。在这种情况下，就可以依靠状态评估向量计算每个金属矿山电气设备的运行状态，从而得到所有状态概率。在众多概率中，概率最高的状态是该电气设备运行状态评估的最终结果，也是需要受到矿山电气设备管理人员高度重视的内容。

　　2.2自适应策略生成

　　一般情况下，只要对电气设备运行状态评估后，就可以得到相应的评估结果，这为自动化控制策略生成奠定了良好的基础。但是，从具体操作策略转化中，需要发挥状态评估模型的作用，这一点对智能化控制系统是非常重要的。基于得到电气设备运行状态评估结果后，应当依托其转化为具体的控制操作，从而形成自适应策略。在研究过程中，依靠状态评估模型能够得到每个状态的分布概率，这为提前制定预定义控制行为提供了数据支持。只要控制策略生成后，就可以对其中存在的问题进行优化，也能够让电气设备保持正常的运行参数。在实际运行中，需要先得到效用值，其能够对金属矿山电气设备运行模式进行调整，从而发挥了能耗控制、故障预防、自动维护等作用。为更好地体现该模型的优势，就需要发挥强化学习算法Q-learning的作用，对当前形成的规则集进行优化。一般情况下，在整个控制系统中，每个控制操作都作为一个具体的行为，可按照优化后规则对行为进行调整，从而确保电气设备始终处于正常运行的参数。

　　3系统测试

       3.1实验准备

　　为测试智能化矿山电气监测与控制系统功能，选择甘肃某金属矿山为例，并且该矿山拥有的电气设备众多，如变压器、电缆、配电盘、温度传感器等，通过对实际矿山工作情况的模拟，采集了这些电气设备运行后的参数，获取了超过4500条的电流、电压、温度等数据。基于这种情况，将采集到的原始数据输入到智能化矿山电气监测与控制系统，测试了每个电气设备故障及工作环境变化，得到了系统在每种情况下的响应时间和调整策略。

　　3.2测试结果

　　在该系统测试过程中，重点开展了性能测试，主要对比监测精确率、控制策略执行率、系统处理延时、故障响应时间、系统运行稳定性等指标。通过得到的测试结果可知，经过优化后的智能化矿山电气监测与控制系统性能优于没有优化前的系统，能够满足智能化矿山电气监测与控制工作的需求。从具体测试结果可知，在测试过程中，将电气设备的电流、电压、温度等作为监测对象，从而得到了具体的性能指标。从未优化前的测试项目而言，其电流（9.99±0.54A）、电压（220.59±5.90V）、温度（32.09±3.29℃)、监测精确率（99.72±0.46%）、控制策略执行率（95.59±0.61%）、系统处理延时（21.43±1.36%）、故障响应时间（221.59±5.72%）、系统运行稳定性（99.06±0.53）；而优化后的测试过程中，其电流（10.03±0.52A）、电压（220.64±5.86V）、温度（32.73±3.33℃)、监测精确率（99.96±0.04%）、控制策略执行率（96.83±0.59%）、系统处理延时（19.35±1.26%）、故障响应时间（211.53±5.56%）、系统运行稳定性（99.97±0.03）。基于这种情况，从测试结果可知，在智能化矿山电气监测与控制系统优化后，并未对原有的监测和控制功能带来消极影响，甚至部分性能指标得到一定的改善，促使整个系统的功能更为强大，以此满足了金属矿山电气监测与控制工作的需求。

　　3.3系统成效

　　（1）数据处理精准化。在智能化矿山电气监测与控制系统使用后，因其监测过程获取了大量的数据资料，依托系统各项技术及设备的自动化处理，提高了数据处理精确度，从而及时发现了电气设备存在的问题，并采取针对性的预防和应对策略，避免了安全事故发生，以此保障开采人员的安全。从传统电气设备监测与控制工作而言，因一些操作人员并未按照要求对电气设备控制，增大了安全隐患，导致安全事故频发。基于该系统运用后，其可以充分发挥智能化技术的作用，科学合理处理采集到的数据资料，也会严格按照设备运行要求调整设备运行参数，从而实现设备的安全稳定运行。

　　（2）远程控制。智能化矿山电气监测与控制系统提供了远程控制功能，促使矿山电气设备管理人员可以随时随地对电气设备远程监测和控制，也会按照系统提示的需求进行适当调整，从而实现了电气设备的自动化管理。在实践过程中，充分发挥智能化矿山电气监测与控制系统的作用，可以按照矿山开采需求对电气设备实施控制，也实现了电气设备监测与调试的需求。智能化技术的参与所发挥的控制性能远远超过当前人工控制的精度和效率，也不会产生较大的监测与控制成本。

　　（3）参数调整。在智能化矿山电气监测与控制系统中，其是依靠参数调整实现电气设备的安全稳定运行，也可降低设备故障发生概率，从而保障开采作业的安全。如果从参数调整分析，其一直处于动态化的过程，并未一直按照一个固定参数进行调整，这源于电气设备运行期间会受到工作环境、运行时间等影响，导致其性能达到最佳的状态，就需要对运行参数进行调节，才能让其长期处于稳定地运行状态。该系统形成后，其参数调整较为科学合理，可使电气设备运行达到理想状态。另外，整个系统是借助智能化技术支撑形成的，主要是发挥参数调整的作用，从而实现电气设备的监测与控制功能发挥。因此，在金属矿山电气监测与控制中，应当认识到智能化技术发展的趋势和重要性，并结合矿山电气设备管理的实际需求，设计针对性的智能化系统，高效解决当前电气设备监测与控制的问题，降低电气设备故障产生速率，避免安全事故的发生，也可以保障矿山开采作业的安全，以此实现智能化矿山建设的目的。

　　4结语

　　本文探讨智能化矿山电气监测与控制系统，经过测试后，整个系统的自动监测与自适应控制都显示出较为强大的性能，充分说明系统优化后可以更好满足金属矿山处理复杂数据的需求，也可以提升电气设备检测与控制的精度和效率。从具体层面而言，本文所提出的YOLO模型是一种智能化识别技术，而CNN属于自适应控制策略，从而满足矿山电气监测与控制工作的需求。如果从YOLO模型而言，其具备智能化识别的功能，能够在矿山电气设备状态监测上体现出卓越的优势，也可以提高故障预测率，促使矿山设备维护人员及时对电气设备进行维护和检修。并且，依托卷积神经网络搭建的矿山电气控制系统，能够依托数据分析电气设备的运行情况，从而调整设备运行参数，促使其更能适应当前的工作需求和运行环境。基于两种模型形成的智能化矿山电气监测与控制系统，能够为矿山电气设备运行维护和保养提供强大的技术支持，也可以实现电气设备运行的稳定性和可靠性。