基于受限玻尔兹曼机的刮板输送机负载自适应预测方法技术

本发明专利技术公开了一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，首先采集预训练样本，得到预测刮板输送机负载RBM的训练集S；构建刮板输送机负载预测网络结构；对刮板输送机负载RBM进行预训练，判断训练结果是否满足误差，如果满足误差则对刮板输送机负载预测网络进行微调，依次输入测试样本，采用交叉熵函数计算各层误差，采用梯度下降使各层误差最小；如果不满足误差则返回对刮板输送机负载RBM重新进行预训练。本发明专利技术以玻尔兹曼机的概率生成特性和刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。能使刮板输送机自动适应其负载变化情况以及使得采煤工作面三机协同工作更加有效合理。

Self-adaptive load forecasting method for scraper conveyor based on restricted Boltzmann machine

【技术实现步骤摘要】
基于受限玻尔兹曼机的刮板输送机负载自适应预测方法
本专利技术涉及井下刮板输送机，具体涉及刮板输送机负载的预测方法。
技术介绍
采煤机、液压支架和刮板输送机(简称三机)的协同工作是实现综采工作面“自动化”和“少人化”的必要条件，综采工作面自动化的关键技术是三机在工作过程中能够适应煤层地质条件的变化，以合理的采煤机截割路径、牵引速度和截割滚筒高度自动切割煤壁，液压支架能够根据采煤机的截割情况自动的进行降柱、推溜及移架等工作，采煤机、液压支架和刮板输送机之间可以根据工况自动调整自己的工作状态，适应综采工作面其它机电装备的工作。其中刮板输送机作为综采工作面必不可少的运输设备，其可靠性对整个采煤系统有着非常重要的作用。刮板输送机的负载随采煤机割煤速度和行走方向的变化而变化，且存在突然加载的情况，导致刮板输送机负载增加，容易造成故障停机，同时会消耗较多能量，从而影响生产效率和经济效益。实现对刮板输送机负载的预测可为“三机”的协同控制提供条件。在综采工作面采煤的过程中形成的刮板输送机负载具有自身的规律性。若能够通过某种无监督的学习方法获取其蕴含的本质规律，就可以实现刮板输送机负载的预测。而受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。受此启发本专利技术提出以玻尔兹曼机的概率生成特性，以刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。
技术实现思路
本专利技术的目的是提供一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，以实现对刮板输送机负载的预测。一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，首先从刮板输送机的变频器采集训练网络需要的数据样本，之后构建负载预测网络结构模型，确定网络层数和单元数目；然后对该负载预测网络模型进行预训练，最后通过最小化交叉熵函数对预测网络的参数进行微调，使之满足误差要求。具体包括以下步骤：1)采集预训练样本，得到预测刮板输送机负载RBM的训练集S采集的具体方式为：以PLC为主机，刮板输送机变频器为从机，PLC每隔2秒向刮板输送机变频器发送一次指令，然后采集从刮板输送机变频器返回来的电流与电压数据，最后将接收到的电流与电压数据存储在计算机中；为了减少训练样本的采集时间，在多个刮板输送机工作状况相同的同类型综采面并行采集数据；其中S＝(X1，X2，X3，.........，X70000)，其中i＝1，2，3，4，……7000；Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，ci,j为tj时刻的电流值；di,j是tj时刻的电压值，tj+1-tj＝2s；为了使训练时的迭代过程更加迅速，需要对采集到的电流值进行归一化处理，通过公式与使得所有的电流电压值落在0到1之间；2)构建刮板输送机负载预测网络结构刮板输送机负载预测网络，共有四层网络：可见层、隐藏层、全连接层、输出层；用v表示可见层，用h表示隐藏层；其中可见层单元数目nv＝3000；隐藏层单元数目nh＝2500；全连接层单元数目为2500；输出层单元数目为1000；3)对受限玻尔兹曼机(RBM)进行预训练在预训练时，通过迭代算法找到合适的预测刮板输送机负载RBM的参数θ，θ＝(W，a，b)，其中W是负载预测网络的隐藏层与可见层的权重矩阵，a是负载预测网络可见层的偏置向量，b是负载预测网络隐藏层的偏置向量；设置学习率为ε，学习率影响迭代时的步长；用随机产生于[0,1]上的两个随机数，分别作为负载预测网络可见层的阈值δ1与负载预测网络隐藏层的阈值δ2；预训练前先随机初始化预测刮板输送机负载RBM的参数θ，再输入训练样本；给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，当或大于δ1时，此时负载预测网络的可见层神经单元为激活状态，即为“1”，否则为“0”，当可见层神经单元状态为“1”时，意味着其对应的负载状态不常见，所以被激活；于是就可以得到刮板输送机负载预测网络可见层所有神经单元的状态，为“0”或“1”；给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)时，负载预测网络的可见层到隐藏层第j个单元的输出为：bj为刮板输送机负载预测网络隐藏层第j个神经单元的偏置，Wi,j指的是刮板输送机负载预测网络可见层第i个神经单元与隐藏层第j个神经单元的权重，Xi为负载预测网络的输入；再用sigmoid函数作为激活函数，通过下式来计算刮板输送机负载预测网络隐藏层神经单元的激活概率，若激活概率大于δ2，则隐藏层神经单元的状态值为“1”，否则为“0”；其中sigmoid(x)＝1/(1+ex)，hj指的是刮板输送机负载预测网络隐藏层第j个神经单元，v为刮板输送机负载预测网络可见层。得到隐藏层单元状态后，可通过下式求出刮板输送机负载预测网络重构可见层v*的状态vi*指的是刮板输送机负载预测网络重构可见层第i个神经单元，ai*为重构可见层第i个神经单元的偏置，Wj,i指的是隐藏层第j个神经单元与可见层第i个神经单元的权重；得到刮板输送机负载预测网络重构可见层单元状态后，可通过下式再次计算出重构隐藏层h*的状态，hj*指的是重构隐藏层第j个神经单元，bj*为重构隐藏层第j个神经单元的偏置；W*i,j为重构可见层第i个单元到重构隐藏层第j个单元的权重。然后用迭代算法不断迭代更新参数w、a、b，减少预测刮板输送机负载RBM的误差；更新方法如下：Wk+1←Wk+ε[p(h＝1|v)vT-p(h*＝1|v*)v*T]ak+1←ak+ε×(v-v*)bk+1←bk+ε×[p(h＝1|v)-p(h*＝1|v*]4)刮板输送机负载预测网络的微调预测刮板输送机负载RBM训练完成后，采用梯度下降法最小化交叉熵代价函数的方法来调整刮板输送机负载预测网络的参数；用和采集预训练样本同样的方法，采集70000组微调网络参数的数据同时采集每个对应的标签数据该标签数据用来和实际刮板输送机负载预测网络的输出进行比较；输入样本前须给定初始参数，即随机确定全连接层与输出层的参数θ1＝(W1,b1)。微调负载预测网络参数的数据集其中向刮板输送机负载预测网络输入样本得到的在第i个输入样本下的输出为Yi；其交叉熵为：其中m为输入刮板输送机负载预测网络的样本数目。交叉熵函数对刮板输送机负载预测网络全连接层到输出层权重和偏置的偏导数分别为：得到其导数之后采用梯度下降法使得交叉熵函数最小，确定此时的参数，直到微调负载预测网络参数的数据集里的每个样本都使用后，最终会得到最优的参数；得到这些参数意味着刮板输送机负载预测网络的实际输出的电流电压与理论输出的电流电压误差已经达到了最小；因此在实际采煤过程中，给该网络输入一组电流电压信号，就能预测出未来刮板输送机负载的变化情况，对实际生产具有重要意义。本专利技术的特点是：本专利技术以玻尔兹曼机的概率生成特性和刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。能使刮板输送机自动适应其负载变化情况以及使得采煤工作面三本文档来自技高网...

【技术保护点】
1.一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：首先确定RBM初始化参数，采集预训练样本，得到预测刮板输送机负载RBM的训练集S；构建刮板输送机负载预测网络结构；对刮板输送机负载RBM进行预训练，判断训练结果是否满足误差，如果满足误差则对刮板输送机负载预测网络进行微调，依次输入测试样本，采用交叉熵函数计算各层误差，采用梯度下降使各层误差最小；如果不满足误差则返回对刮板输送机负载RBM重新进行预训练知道满足误差为止。

【技术特征摘要】
1.一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：首先确定RBM初始化参数，采集预训练样本，得到预测刮板输送机负载RBM的训练集S；构建刮板输送机负载预测网络结构；对刮板输送机负载RBM进行预训练，判断训练结果是否满足误差，如果满足误差则对刮板输送机负载预测网络进行微调，依次输入测试样本，采用交叉熵函数计算各层误差，采用梯度下降使各层误差最小；如果不满足误差则返回对刮板输送机负载RBM重新进行预训练知道满足误差为止。2.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是具体包括以下步骤：1)采集预训练样本，得到预测刮板输送机负载RBM的训练集SS＝(X1，X2，X3，.........，X70000)，其中i＝1，2，3，4，……7000；Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，ci,j为tj时刻的电流值；di,j是tj时刻的电压值，tj+1-tj＝2s；为了使训练时的迭代过程更加迅速，需要对采集到的电流值进行归一化处理，通过公式与使得所有的电流电压值落在0到1之间；2)构建刮板输送机负载预测网络结构刮板输送机负载预测网络，共有四层网络：可见层、隐藏层、全连接层、输出层；用v表示可见层，用h表示隐藏层；其中可见层单元数目nv＝3000；隐藏层单元数目nh＝2500；全连接层单元数目为2500；输出层单元数目为1000；3)对受限玻尔兹曼机(RBM)进行预训练①在预训练时，通过迭代算法找到合适的预测刮板输送机负载RBM的参数θ，θ＝(W，a，b)，其中W是负载预测网络的隐藏层与可见层的权重矩阵，a是负载预测网络可见层的偏置向量，b是负载预测网络隐藏层的偏置向量；设置学习率为ε，学习率影响迭代时的步长；用随机产生于[0,1]上的两个随机数，分别作为负载预测网络可见层的阈值δ1与负载预测网络隐藏层的阈值δ2；②预训练前先随机初始化预测刮板输送机负载RBM的参数θ，再输入训练样本；③再用sigmoid函数作为激活函数，计算刮板输送机负载预测网络隐藏层神经单元的激活概率；④得到隐藏层单元状态后，求出刮板输送机负载预测网络重构可见层v*的状态；⑤得到刮板输送机负载预测网络重构可见层单元状态后，计算出重构隐藏层h*的状态；⑥然后用迭代算法不断迭代更新参数W、a、b，减少预测刮板输送机负载RBM各层的误差；4)刮板输送机负载预测网络的微调预测刮板输送机负载RBM训练完成后，采用梯度下降法最小化交叉熵代价函数的方法来调整刮板输送机负载预测网络的参数；用和采集预训练样本同样的方法，采集微调网络参数的数据集同时采集每个对应的标签数据该标签数据用来和实际刮板输送机负载预测网络的输出进行比较；输入样本前须给定初始参数,即随机确定全连接层与输出层的参数θ1＝(W1,b1)；微调负载预测网络参数的数据集其中向刮板输送机负载预测网络输入样本得到的在第i个输入样本下的输出为Yi；刮板输送机负载预测网络的交叉熵为：其中m为输入刮板输送机负载预测网络的样本数目；利用交叉熵函数求得刮板输送机负载预测网络全连接层到输出层权重和偏置的偏导数分别为：得到其导数之后采用梯度下降法使得交叉熵函数最小，确定此时的参数，直到微调负载预测网络参数的数据集里的...

【专利技术属性】
技术研发人员：赵栓峰，王鹏飞，贺海涛，郭卫，王渊，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61