The invention discloses a group intelligent shearer cutting pattern recognition system based on integrated learning, which is used to identify the shearer cutting model, including data preprocessing module, eXtreme Gradient Boosting (XGBoost) model modeling module, group intelligent optimization module and shearer cutting unknown signal recognition module. The invention can accurately identify the cutting mode of shearer, and establishes the cutting mode recognition model of shearer by using integrated learning algorithm. By adding group intelligent optimization process to the modeling process, the problem of model accuracy and confidence decline caused by the randomness of parameter artificial selection is avoided.
【技术实现步骤摘要】
基于集成学习的群智能采煤机切割模式识别系统
本专利技术涉及信号处理领域、群智能优化领域和集成学习领域,尤其涉及一种结合集成学习和群智能优化算法的采煤机切割模式识别系统。
技术介绍
我国正全力发展经济,对能源的需求日益增长。煤炭占据了一次能源消耗量70%左右,是国家经济的重要支柱之一。大力提高采煤过程的自动化,机械化和信息化水平,减少井下工作人员的数量是采煤行业的发展方向和趋势。采煤机作为采煤工作面的关键设备,在煤炭生产过程中具有重要意义。解决采煤机的切割模式识别问题,是提高自动化程度的前提。切割模式识别是指识别采煤机是否正在切割煤或岩石。切割模式识别一直是国内外的研究热点。已经出现的多种切割模式识别方法包括雷达探测法、图像分析法、γ射线探测法等。上述方法都存在一些共同的缺点。一方面,识别率受地质条件的影响,使检测设备的成本大大提高。另一方面,上述方法设备的安装过于复杂,并需要特定的地质条件,导致系统难以维护。以上问题导致传统的方法识别精度低,鲁棒性差,无法投入实际生产使用。
技术实现思路
为了克服上述现有技术的不足,本专利技术的目的在于提供一种识别精度高、鲁棒性强的基于集成学习的采煤机切割模式识别系统。由于切割模式与切割负荷之间存在相关关系,受到电机运行状态的影响。因此,本专利技术根据电机运行数据与切割模式之间关系建立模型来识别采煤机切割模式。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与特定的地质条件。本专利技术易于操作,适用范围广,识别精度高,鲁棒性强,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:基于集成学习的 ...
【技术保护点】
1.基于集成学习的群智能采煤机切割模式识别系统,其特征在于:包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块。
【技术特征摘要】
1.基于集成学习的群智能采煤机切割模式识别系统,其特征在于:包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtremeGradientBoosting,XGBoost)模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块。2.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述数据预处理模块用以进行采煤机切割数据预处理,采用如下过程完成:(1)从数据库中采集1个采煤机切割信号,其特征分别为xi,i=1,2,...d,d为特征维度;(2)对样本特征进行归一化处理,得到归一化特征值3.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述采煤机切割模式识别XGBoost模型建模模块用以建立采煤机切割XGBoost识别模型,采用如下过程完成:(1)从数据库中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集,采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集。(2)采用训练集进行监督训练,得到基于XGBoost的采煤机切割模式识别模型:Y=f(X)。(2)4.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述群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等的优化。采用如下过程完成:(1)对于重要基础参数学习率和最大树深度采用网格搜索方法:learning_rate=0.05~0.3,stride=0.05;mnx_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stride为网格搜索步长。(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。(...
【专利技术属性】
技术研发人员:徐志鹏,古有志,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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。