一种自适应的采煤机截割高度智能预测系统技术方案

本发明专利技术公开了一种自适应的采煤机截割高度智能预测系统，用于对采煤机截割高度进行智能预测，包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块。克服目前已有的采煤机截割高度智能预测系统识别精度低，鲁棒性差，普适性差的不足，本发明专利技术适用范围广，预测精度高，鲁棒性强，可应用于实际生产过程中提高采煤机生产安全性。

An Adaptive Intelligent Prediction System for Cutting Height of Shearer

The invention discloses an adaptive intelligent prediction system for shearer cutting height, which is used for intelligent prediction of shearer cutting height, including input data preprocessing module, shearer cutting height limit gradient lifting model modeling module, intelligent optimization module and shearer cutting height limit gradient lifting model prediction module. To overcome the shortcomings of the existing intelligent prediction system of shearer cutting height, such as low recognition accuracy, poor robustness and poor universality, the invention has wide application scope, high prediction accuracy and strong robustness, and can be applied to improve the production safety of Shearer in actual production process.

【技术实现步骤摘要】
一种自适应的采煤机截割高度智能预测系统
本专利技术涉及煤炭开采领域，尤其涉及一种自适应的采煤机截割高度智能预测系统。
技术介绍
在现代煤矿开采中，采煤机是综采工作面不可或缺的设备，采煤机滚筒的自动调高装置是为了适应煤层厚度的变化及顶、底板的起伏而设计的。此装置现阶段依旧依赖于人工调整。采用人工调整存在着精度低、速度慢、并存在安全隐患。采煤机截割高度预测实现自动调高是实现自动化开采，提高采煤效率的重大关键技术。目前，国内外学者针对采煤机截割高度预测方面进行了多方面的研究，主要包括以下技术：雷达探测法、γ射线探测法、记忆截割模板等。上述方法存在以下的缺点。一方面，由于井下煤层和围岩条件的复杂性，传感信号特征难以准确、可靠判断煤岩分界，识别率低。另一方面，对于记忆截割模板，当煤层厚度或者煤层走向角度发生变化时，记忆截割模板失配。以上问题导致传统的高度预测方法识别精度低，鲁棒性差，普适性差，无法投入实际生产应用。
技术实现思路
为了克服目前已有的采煤机截割高度预测系统识别精度低，鲁棒性差，普适性差的不足，本专利技术的目的在于提供一种自适应的采煤机截割高度智能预测系统。本专利技术根据已有的历史采煤机截割高度数据组建立模型来预测下一时刻的截割高度。不仅无需安装额外的传感器或修改采煤机的机械部件，而且可用于恶劣的工作条件。本专利技术易于操作，适用范围广，预测精度高，保障井下安全作业。本专利技术解决其技术问题所采用的技术方案是：一种自适应的采煤机截割高度智能预测系统，包括输入数据预处理模块、采煤机截割高度极限梯度提升(eXtremeGradientBoosting，XGBoost)模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升(eXtremeGradientBoosting，XGBoost)模型预测模块。现场数据采集传感器、数据库、一种自适应的采煤机截割高度智能预测系统以及输出显示模块依次相连，所述现场数据采集传感器对采煤机历史截割高度信号进行采集，并将数据储存到所述的数据库中，数据库中包含历史采煤机截割高度数据为一种自适应的采煤机截割高度智能预测系统提供数据支持。进一步地，所述输入数据预处理模块用以进行采煤机截割高度数据预处理，采用如下过程完成：(1)从数据库中采集n个采煤机截割高度信号H＝(h1,h2,…,hn)。(2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值(3)相空间重构。对归一化处理后的数据进行重构，计算出的延迟时间τ和嵌入维数m对截割高度序列进行重构，重构方法如下,获得n-1-(m-1)τ组输入输出样本对：其中，xi为输入特征，yi为标签，i＝1,2,…,n-1-(m-1)τ。进一步地，所述采煤机截割高度XGBoost预测模型建模模块，根据现场数据采集传感器采集到已有历史的截割高度数据组，建立采煤机截割高度预测模型。(1)从数据库中采集Ns个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Ys作为训练集,采集Nv个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Yv作为测试集；(2)采用训练集进行监督训练，得到基于Xgboost的采煤机截割高度预测模型：Y＝f(X)(3)其中Y＝[yi,yi,…,yn-1-(m-1)τ]为标签序列，X＝x1,x2,..,xn-1-(m-1)τ为输入序列，f是XGBoost采煤机截割高度模型。进一步地，所述智能寻优模块，用以对Xgboost的重要参数：学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成：(1)对于学习率和Tree-based的基础参数采用网格搜索方法：learning_rate＝0.05～0.3,stride＝0.05max_depth＝2～7,stride＝1即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride1＝0.05在0.05～0.3范围内进行搜索；max_depth最大树深度以步长stride2＝1在2～7范围内进行搜索。(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。2.1)随机产生初始粒子群速度和位置；vik＝U×(vmax-vmin)+vminvmin≤v≤vmax(4)rik＝U×(rmax-rmin)+rminrmin≤r≤rmax(5)其中i＝1,2,…,m，m代表种群规模，vik表示第i个粒子的第k个分量的速度，rik表示第i个粒子的第k个分量的位置，U为[0,1]间均匀分布的随机数2.2)计算第i个粒子的适应度fi。并将当前各粒子的位置和适应度存储在各粒子的Pi中，选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg。其中分别代表计算值和真实值2.3)更新粒子群惯性权重系数μ(t)其中μmax＝0.9为μ的上限值，μmin＝0.2为μ的下限值，tmax＝150为最大迭代次数。2.4)设定初始温度；一般采用初温T为：其中f(Pg)为粒子群最优适应度值。2.5)计算各粒子接收概率。加入模拟退火算法的机制，采用如下公式计算各Pi适配值，即替换种群最优值的概率：其中，f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值；f(Pg)为粒子群最优适应度值。2.6)更新粒子的速度和位置，产生新的群体，并更新各粒子的个体极值Pi和种群极值Pg；其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为迭代次数；vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，vik(t)是第i个粒子的第k个分量在第t次迭代的速度，rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，rik(t)是第i个粒子的第k个分量在第t次迭代的位置，D是待寻优的参数个数，k＝1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；2.7)进行退温处理；T＝δT(11)其中δ为退火速度，设置为0.95。2.8)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2.2)继续迭代；其中，粒子群规模为50－100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；(3)重复步骤(1)和步骤(2)，将优化好的模型在验证集上进行测试，选取训练集验证集上正确率率最高的模型作为最优模型。进一步地，所述采煤机截割高度XGBoost预测模型预测模块用以利用训练好的采煤机截割高度XGBoost预测模型，结合历史采煤机截割高度数据对未来采煤机截割高度进行预测。采用如下过程完成：(1)数据库中获取当前时刻t的采煤机截割高度数据Ht＝(ht,ht-τ,…,ht-(m-1)τ)，对测试数据进行标准化：(2)将标准化后的测试数据重构成相空间(3)将重构后的测试数据作为预测输入，利用训练好的本文档来自技高网...

【技术保护点】
1.一种自适应的采煤机截割高度智能预测系统，其特征在于：包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块。

【技术特征摘要】
1.一种自适应的采煤机截割高度智能预测系统，其特征在于：包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块。2.根据权利要求1所述输入数据预处理模块用以进行采煤机截割高度数据预处理，采用如下过程完成：(1)从数据库中采集n个采煤机截割高度信号H＝(h1,h2,…,hn)。(2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值(3)相空间重构。对归一化处理后的数据进行重构，计算出的延迟时间τ和嵌入维数m对截割高度序列进行重构，重构方法如下,获得n-1-(m-1)τ组输入输出样本对：其中，xi为输入特征，yi为标签，i＝1,2,…,n-1-(m-1)τ。3.根据权利要求1所述自适应的采煤机截割高度智能预测系统，其特征在于：所述采煤机截割高度XGBoost预测模型建模模块根据现场数据采集传感器采集到已有历史的截割高度数据组，建立采煤机截割高度预测模型。具体为：(1)从数据库中采集Ns个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Ys作为训练集,采集Nv个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Yv作为测试集；(2)采用训练集进行监督训练，得到基于Xgboost的采煤机截割高度预测模型：Y＝f(X)(3)其中，Y＝[yi,yi,…,yn-1-(m-1)τ]为标签序列，X＝x1,x2,..,xn-1-(m-1)τ为输入序列，f是XGBoost采煤机截割高度模型。4.根据权利要求1所述自适应的采煤机截割高度智能预测系统，其特征在于：所述智能寻优模块用以对Xgboost的重要参数：学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成：(1)对于学习率和Tree-based的基础参数采用网格搜索方法：learning_rate＝0.05～0.3,stride1＝0.05max_depth＝2～7,stride2＝1即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride1＝0.05在0.05～0.3范围内进行搜索；max_depth最大树深度以步长stride2＝1在2～7范围内进行搜索。(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。具体包括如下子步骤：2.1)随机产生初始粒子群速度和位置；vik＝U×(vmax-vmin)+vminvmin≤v≤vmax(4)rik＝U×(rmax-r...

【专利技术属性】
技术研发人员：徐志鹏，何淑婷，刘兴高，张泽银，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33