一种基于多模态数据融合的煤矿碳排放动态核算系统的制作方法

本发明涉及深度学习碳核算，尤其涉及一种基于多模态数据融合的煤矿碳排放动态核算系统。

背景技术：

1、煤矿开采是甲烷等温室气体的重要工业排放源，构建精准高效的碳排放动态核算系统是实现“双碳”目标的关键技术路径。现有技术已在煤矿碳排放核算方面进行了诸多探索。

2、在核算方法上，已有技术包括煤矿乏风中温室气体排放量计量方法、煤炭产品碳足迹计算方法等。在系统架构上，部分方案通过数据采集模块、数据处理模块和碳排放核算模块构建煤矿碳排放核算管理系统；部分方案基于数字孪生与lstm构建碳排放预测模型；部分方案将碳足迹与bim模型融合，实现矿井全周期碳排放计量。在数据融合方面，已有研究通过企业erp系统获取生产能耗和供应链能耗数据进行自动化碳核算与智能修正；通过构建多源异构数据融合模型，实现煤炭行业甲烷排放的时空动态监测与精准核算。

3、然而，现有技术仍存在以下不足。第一，数据来源相对单一或融合层次较浅，多数方案依赖单一类型数据源，对多源异构数据的融合多停留在统计层面，未能充分挖掘不同模态数据之间的深层非线性关联。第二，现有核算模型多采用固定结构的神经网络或传统回归方法，其模型复杂度与数据分布特征之间缺乏自适应匹配机制，在面对不同采区、不同工况条件下排放特征的显著差异时泛化能力受限。第三，在多分支网络结构中，各分支对最终核算结果的贡献采用静态加权或平均处理，缺乏根据输入数据动态调整分支权重的竞争筛选机制，导致模型在复杂工况下难以聚焦于最相关的特征通道，影响核算精度与可解释性。

技术实现思路

1、本发明的一个目的在于提出一种基于多模态数据融合的煤矿碳排放动态核算系统，本发明充分结合多项式树突网络、多模态数据融合、空间自适应阶数分配机制以及分支竞争门控路由机制，详细描述了煤矿碳排放从多源数据采集、多维特征转化、树突分支阶数自适应回归、分支间竞争筛选与历史累积门控、胞体汇聚核算到全矿井空间加权汇总的全过程，具备异构数据融合能力强、模型复杂度自适应匹配、核算结果可解释性高、分支噪声抑制有效和跨采区泛化性能好的优点。

2、根据本发明实施例的基于一种基于多模态数据融合的煤矿碳排放动态核算系统，包括：

3、数据预处理模块，用于采集煤矿多源监测数据，将多源监测数据转化为多维特征向量；

4、数据分发模块，用于将多维特征向量输入全部多项式树突分支；

5、多项式树突分支阶数自适应模块，用于以可学习空间自适应阶数为多项式次数对多维特征向量做多项式回归输出初步响应值，各多项式树突分支的空间自适应阶数在训练中各自收敛至独立数值；

6、门控路由筛选模块，用于接收同一神经元内全部多项式树突分支的初步响应值，计算各初步响应值的软最大竞争权重，对过去若干个时刻内各软最大竞争权重进行计算得到历史贡献累积值，对各多项式树突分支当前的软最大竞争权重进行计算，得到门控激活值，将门控激活值低于动态阈值的多项式树突分支输出置零，将门控激活值不低于动态阈值的多项式树突分支输出传递至胞体；

7、胞体求和模块，用于对传递至胞体的多项式树突分支输出求和，得到膜电位值；

8、神经元核算模块，用于将膜电位值通过激活函数映射后输出核算数值；

9、全矿井汇总模块，用于将所有神经元输出的核算数值按空间坐标加权汇总，得到全矿井碳排放总量核算值。

10、可选的，所述数据预处理模块的将多源监测数据转化为多维特征向量包括以下步骤：

11、接入甲烷浓度传感器、风速传感器、温度传感器、通风机负压传感器和采掘设备功率计量终端，采集各监测点在连续时间窗口内的原始时序数据；

12、以各传感器历史均值和相邻点位当前测量值的加权和替换缺失时刻数据；

13、以当前时刻前后各两个时刻测量值的中位数替换当前时刻测量值；

14、以系统时钟为基准，对采样频率低于基准的数据线性插值升采样，对高于基准的数据等间隔降采样；

15、以各通道全局均值和标准差将数据映射至零均值单位方差分布；

16、将各通道数据按传感器类别和空间位置编码为多维特征向量。

17、可选的，所述数据分发模块的多维特征向量输入全部多项式树突分支具体包括如下步骤：

18、接收来自数据预处理模块的多维特征向量，获取当前神经元的总分支数量，将多维特征向量复制为与总分支数量相同的多份副本，将每份副本分别发送至一个对应的多项式树突分支的输入端；

19、各多项式树突分支接收相同维度的多维特征向量副本，在同一时刻各多项式树突分支以该副本作为输入执行并行多项式回归计算，各分支的计算过程相互独立且无数据交互。

20、可选的，所述多项式树突分支阶数自适应模块以可学习空间自适应阶数为多项式次数对多维特征向量做多项式回归输出初步响应值具体为：

21、每个多项式树突分支接收来自数据分发模块的多维特征向量，此多维特征向量包含若干个维度，每个维度对应一个空间位置下一种物理量的归一化测量值；

22、每个多项式树突分支配置一个独立的空间自适应阶数参数，此参数在系统初始化时赋予随机初始值，在训练过程中作为可学习参数参与梯度下降更新；

23、多项式树突分支以空间自适应阶数的数值作为多项式回归的最高次幂，对多维特征向量的各个维度进行带权多项式展开，将每个维度的测量值分别计算一次幂项、二次幂项直至此分支阶数次幂项，各幂次项分别乘以对应的可训练权重系数后进行累加，同时加入可训练偏置项，得到此分支的多项式回归计算值；

24、多项式树突分支将计算得到的多项式回归计算值作为初步响应值，通过分支激活函数进行非线性映射后输出，分支激活函数将任意实数输入压缩至零到一区间内，映射结果即为此分支输出的初步响应值。

25、可选的，所述各多项式树突分支的空间自适应阶数在训练中各自收敛至独立数值具体为：

26、在系统训练阶段，基于标注的碳排放核算真值构建碳核算损失函数；

27、在损失函数中引入对各多项式树突分支空间自适应阶数的压缩激励项，压缩激励项对各分支的空间自适应阶数施加向数值减小方向压缩的激励作用；

28、采用梯度下降优化算法对全部可训练参数进行联合更新，每个空间自适应阶数参数的梯度由两部分叠加组成，第一部分来源于碳核算损失函数通过多项式回归展开式反向传播至此分支的梯度信号，第二部分来源于压缩激励项对此分支的梯度信号；

29、两部分梯度信号共同驱动各空间自适应阶数沿使总损失函数减小的方向移动；

30、各分支与各分支之间不存在阶数参数的共享约束和耦合约束，每个分支的空间自适应阶数仅接收来自自身分支内部多项式回归部分的梯度信号和压缩激励项对此分支的梯度信号，不接收来自其他分支的梯度信号；

31、在训练迭代次数达到预设上限或总损失函数变化量低于预设收敛阈值时终止训练，各分支的空间自适应阶数因梯度来源独立和梯度演化路径不同，在训练结束时各自收敛至互不相同的独立数值。

32、可选的，所述门控路由筛选模块的接收同一神经元内全部多项式树突分支的初步响应值并计算各初步响应值的软最大竞争权重具体为：

33、门控路由筛选模块获取当前神经元内全部多项式树突分支输出的初步响应值，同一神经元内的分支数量为若干个，每个分支输出一个初步响应值，全部初步响应值构成一个实数集合；

34、门控路由筛选模块对全部初步响应值执行软最大竞争权重计算，门控路由筛选模块将各分支的软最大竞争权重作为此分支在当前时刻的竞争得分。

35、可选的，所述门控路由筛选模块的将门控激活值低于动态阈值的多项式树突分支输出置零、将门控激活值不低于动态阈值的多项式树突分支输出传递至胞体具体为：

36、门控路由筛选模块获取各多项式树突分支当前的软最大竞争权重，获取历史累积模块输出的各分支历史贡献累积值，将每个分支当前的软最大竞争权重与对应的历史贡献累积值进行计算，计算结果作为此分支的门控激活值；

37、门控路由筛选模块将当前时刻全部多项式树突分支门控激活值的平均值进行计算，作为动态阈值。

38、门控路由筛选模块将每个分支的门控激活值与动态阈值进行比较，将门控激活值低于动态阈值的分支判定为低贡献分支，将此分支输出的初步响应值置为零值，阻断该分支信号向胞体的传递；

39、门控路由筛选模块将门控激活值不低于动态阈值的分支判定为高贡献分支，将此分支输出的初步响应值保留原始数值传递至胞体，允许此分支信号参与胞体求和运算；

40、门控路由筛选模块在每一时刻重新计算全部分支的软最大竞争权重、门控激活值和动态阈值，使各分支的激活状态随输入数据的变化而动态切换。

41、可选的，所述胞体求和模块的对传递至胞体的多项式树突分支输出求和，得到膜电位值具体包括如下步骤：

42、获取门控路由筛选模块传递至胞体的全部多项式树突分支初步响应值，各初步响应值为门控路由筛选模块中门控激活值不低于动态阈值的分支所输出的原始数值；

43、将所有获取到的初步响应值在胞体内部进行汇聚，汇聚后所得数值作为神经元的胞体总输入值；

44、将胞体总输入值作为神经元的膜电位值输出至神经元核算模块。

45、可选的，所述神经元核算模块的将膜电位值通过激活函数映射后输出核算数值具体包括如下步骤：

46、神经元核算模块接收胞体求和模块输出的膜电位值；

47、神经元核算模块将膜电位值作为激活函数的输入变量，激活函数采用将输入变量压缩至零到一区间内的单调递增函数，经函数映射后输出一个介于零到一之间的核算数值；

48、神经元核算模块将核算数值作为神经元对当前输入数据对应空间位置的碳排放强度表征值输出至全矿井汇总模块。

49、可选的，所述全矿井汇总模块的将所有神经元输出的核算数值按空间坐标加权汇总，得到全矿井碳排放总量核算值具体包括如下步骤：

50、接收全部神经元核算模块输出的核算数值，每个核算数值附带此神经元对应的井下空间坐标标签；

51、根据各神经元空间坐标标签，在三维空间坐标系中建立核算数值与空间位置的映射关系，每个空间坐标位置对应一个核算数值；

52、为每个空间坐标位置分配一个空间权重系数；

53、对每个空间坐标位置的核算数值与对应的空间权重系数进行计算相乘，得到各空间位置的加权核算值；

54、将全部空间位置的加权核算值在空间维度上进行聚合汇总，汇总所得数值作为全矿井碳排放总量核算值输出。

55、本发明的有益效果是：

56、（1）通过为每个多项式树突分支独立配置可学习的空间自适应阶数，使模型能够根据不同采区、不同工况条件下的数据非线性特征自动匹配最优多项式次数，各分支阶数在训练中各自收敛至独立数值，实现一分支一阶数的精细化复杂度分配，解决了传统固定阶数多项式回归在复杂数据分布下欠拟合或过拟合的问题，显著提升全矿井碳排放核算精度；

57、（2）通过门控路由筛选模块引入分支间软最大竞争机制与时间衰减历史累积，使同一神经元内各树突分支根据输入数据动态竞争，仅将门控激活值不低于动态阈值的分支输出传递至胞体，有效抑制低贡献分支的噪声干扰，使模型在传感器数据波动、通信丢包等井下条件下保持稳定核算性能，多项式回归的显式表达式赋予核算结果良好的可解释性，便于现场工程师追溯核算依据；

58、（3）门控路由筛选模块在每一时刻重新计算全部分支的软最大竞争权重、门控激活值和动态阈值，使各分支激活状态随输入数据变化而动态切换，推理阶段仅激活高贡献分支参与胞体求和，大幅降低单次核算的计算开销，适配煤矿边缘端算力约束，阶数自适应与分支竞争的双重机制使模型对不同采区地质条件、不同生产阶段的排放特征均具备良好的跨场景泛化能力。