地下矿山卡车运输循环作业工时集成预测方法技术

本发明专利技术提供一种地下矿山卡车运输循环作业工时集成预测方法，包括以下步骤：S1、将无轨运输卡车循环作业过程细化为6个阶段；S2、构建不同运输阶段下的作业工时影响因素指标体系；S3、采集不同运输阶段的卡车作业工时数据及影响因素指标数据；S4、基于Stacking集成学习框架，构建多模型融合的Stacking集成学习工时预测模型；S5、将采集到的作业工时数据以及对应的工时影响因素数据划分为训练集和测试集，以影响因素指标为输入、作业工时为输出，进行训练和测试，得到6个阶段对应的预测模型；通过待预测参数对6个阶段的作业工时分别进行预测，从而得到无轨运输卡车循环作业工时预测值，更符合矿山实际运输情况，提高作业工时预测精度。度。度。

【技术实现步骤摘要】
地下矿山卡车运输循环作业工时集成预测方法


[0001]本专利技术属于采矿装备作业工时预测
，具体涉及一种地下矿山卡车运输循环作业工时集成预测方法。

技术介绍

[0002]矿产资源是人类社会发展的重要物质基础和保障，根据埋藏深度的不同，获取矿产资源的方式主要包括露天开采和地下开采两种。从全球范围来看，地下开采方式仍然占据矿床开发利用的主导地位，随着矿产资源需求量的不断增加，地下矿山的开采规模也不断增大，大量机械化设备的应用已成为全球地下矿山生产建设的必然趋势。构建矿山运输设备实时精准调度系统是实现多装备连续、高效运输作业过程的关键，但目前的地下矿山车辆调度方法都没有考虑到运输设备行程时间对调度准确性的影响，在实际运用过程中容易出现调度计划超前或者滞后的问题。因此，地下矿山卡车行程时间预测是构建实时精准调度系统的必然要求。
[0003]目前对于矿山运输设备的作业时间预测的研究相对较少，大量的文献主要是针对城市道路和高速公路交通系统当中的车辆行程时间预测进行研究。按照预测模型划分，交通领域的行程时间预测方法可分为时间序列预测模型、交通参数预测模型以及影响因素预测模型。地下矿山道路存在车流密度小，时空关联性不强等问题，且运输卡车的行程时间受环境和人员影响较大，容易产生波动，基于时间序列或交通参数的预测方法不完全适用地下矿车辆行程时间的预测，而基于行程时间影响因素的预测模型更贴近矿山实际。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足之处，提供一种地下矿山卡车运输循环作业工时集成预测方法，根据卡车的位置和状态将卡车作业循环过程细化为6个阶段，结合每个阶段的特点，确定各阶段的行程时间影响因素指标，对6个阶段的卡车运行时间分别进行预测，更符合矿山实际运输情况，提高作业工时预测精度。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种地下矿山卡车运输循环作业工时集成预测方法，该预测方法包括以下步骤：
[0007]S1、针对地下矿无轨运输流程，根据运输卡车状态以及运行环境将无轨运输卡车循环作业过程细化为6个阶段；
[0008]S2、分析影响卡车作业时间的因素，构建不同运输阶段下的作业工时影响因素指标体系；
[0009]S3、采集不同运输阶段的卡车作业工时数据，并采集对应作业工时影响因素指标数据；
[0010]S4、基于Stacking集成学习框架，构建多模型融合的Stacking集成学习工时预测模型；
[0011]S5、将所述步骤S3中采集到的作业工时数据以及对应的工时影响因素数据划分为
训练集和测试集，以影响因素指标为输入、作业工时为输出，对所述6个阶段对应的模型进行训练和测试，分别得到6个阶段对应的预测模型；通过待预测参数对6个阶段的作业工时分别进行预测，从而得到无轨运输循环作业工时预测值。
[0012]较佳地，在所述步骤S1中，将卡车从装矿点行驶至卸矿点、再由卸矿点返回至装矿点作为一个循环作业过程，该过程包括3个路段：地下平巷路段、斜坡道路段以及地表路段，根据运输卡车在每个路段上的工作状态将循环作业过程拆分为6个阶段：重车平巷运行阶段、重车斜坡道上行阶段、重车地表运行阶段、空车地表返回阶段、空车斜坡道下行阶段、空车平巷返回阶段。
[0013]较佳地，在所述步骤S2中，基于实际矿山无轨运输情况，结合每个运输阶段的特点，选取影响运输卡车作业工时的影响因素，对选取的影响因素进行皮尔逊相关性分析，最终得到每个阶段的若干个相互独立的影响因素指标。
[0014]较佳地，在确定每个运输阶段的影响因素的过程中，根据矿山实际运输情况，在斜坡道路段，基于上下行车辆需要错车的情况，将下行空车错车红灯等待时间作为空车斜坡道下行阶段中影响作业工时的重要因素。
[0015]较佳地，在所述步骤S3中，通过计算运输卡车发生错车的概率将下行空车错车红灯等待时间分配至每一辆卡车的作业工时中，包括以下过程：
[0016]假设路线上正在运行的卡车数量为N，平巷路段长度为L1，斜坡道路段长度为L2，地表路段长度为L3，则卡车在斜坡道上需要错车等待的概率P为：式中，ρ1、ρ2、ρ3为卡车在3个路段上的时间系数，表示卡车在对应路段上行驶的难易程度；表示N辆车中两辆车相遇的组合数；则分配至每辆卡车行程时间当中的红灯等待时间为：t
w
＝T
w
×
P，式中，T
w
为斜坡道下行阶段错车时规定的红灯等待时间。
[0017]较佳地，在所述步骤S3中，所述作业工时影响因素指标数据包括路面粗糙度指标，并且采用路面图像灰度处理方式计算地下矿无轨运输各路段路面粗糙度。
[0018]较佳地，所述路面图像灰度处理的过程包括以下步骤：
[0019]S31、等间隔选取测量路段五个测点，于测点正上方两米且垂直于路面架设照相机，拍摄路面图像；
[0020]S32、对获得的路面图像进行灰度处理，得到图像的每个像素点的灰度值；
[0021]S33、设每张图像的像素为N
×
M，p
ij
(i＝1,2,...,N；j＝1,2,...,M)为每个像素点的灰度数据，p
max
为各像素点灰度数据的最大值，则每张图像路面粗糙度R的计算公式为：
[0022]S34、将五个测点对应的图像路面粗糙度取平均即为测量路段的路面粗糙度，计算公式为：其中R
L
为测量路段的路面粗糙度，R1、R2、R3、R4、R5为五个测点的路面粗糙度。
[0023]较佳地，在所述步骤S4中，构建多模型融合的Stacking集成学习工时预测模型的过程包括：
[0024]S41、基于Stacking集成学习框架，选取随机森林RF、轻量级梯度提升机LightGBM、最小二乘支持向量机LSSVM作为Stacking集成学习框架中的基模型，各基模型的预测结果作为元模型的的输入；
[0025]S42、选取稳定性和精度均较好的极端梯度提升树XGBoost作为Stacking集成学习框架中的元模型，元模型的输出为最终的预测结果。
[0026]较佳地，在步骤S5中，以工时影响因素为输入参数，作业工时为输出参数，使用Python构建循环结构，对各单模型的超参数进行迭代，以平均绝对误差MAE作为预测结果的评价指标，寻求各模型的最优超参数。
[0027]较佳地，在所述步骤S5中，所述无轨运输循环作业工时预测值的过程为：
[0028]设6个运输阶段的预测值分别为t1、t2、t3、t4、t5、t6，则无轨运输循环作业工时预测值为：其中，t
w
为分配至每辆卡车行程时间当中的红灯等待时间。
[0029]与现有技术相比，本专利技术的有益效果为：
[0030](1)本专利技术根据卡车的位置和状态将卡车作业循环过程细化为6个阶段，结合每个阶段的特点，确定各阶段的行程时间影响因素指标，对6个阶段的卡车运行时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地下矿山卡车运输循环作业工时集成预测方法，其特征在于，该预测方法包括以下步骤：S1、针对地下矿无轨运输流程，根据运输卡车状态以及运行环境将无轨运输卡车循环作业过程细化为6个阶段；S2、分析影响卡车作业时间的因素，构建不同运输阶段下的作业工时影响因素指标体系；S3、采集不同运输阶段的卡车作业工时数据，并采集对应作业工时影响因素指标数据；S4、基于Stacking集成学习框架，构建多模型融合的Stacking集成学习工时预测模型；S5、将所述步骤S3中采集到的作业工时数据以及对应的工时影响因素数据划分为训练集和测试集，以影响因素指标为输入、作业工时为输出，对所述6个阶段对应的模型进行训练和测试，分别得到6个阶段对应的预测模型；通过待预测参数对6个阶段的作业工时分别进行预测，从而得到无轨运输循环作业工时预测值。2.根据权利要求1所述的地下矿山卡车运输循环作业工时集成预测方法，其特征在于：在所述步骤S1中，将卡车从装矿点行驶至卸矿点、再由卸矿点返回至装矿点作为一个循环作业过程，该过程包括3个路段：地下平巷路段、斜坡道路段以及地表路段，根据运输卡车在每个路段上的工作状态将循环作业过程拆分为6个阶段：重车平巷运行阶段、重车斜坡道上行阶段、重车地表运行阶段、空车地表返回阶段、空车斜坡道下行阶段、空车平巷返回阶段。3.根据权利要求1所述的地下矿山卡车运输循环作业工时集成预测方法，其特征在于：在所述步骤S2中，基于实际矿山无轨运输情况，结合每个运输阶段的特点，选取影响运输卡车作业工时的影响因素，对选取的影响因素进行皮尔逊相关性分析，最终得到每个阶段的若干个相互独立的影响因素指标。4.根据权利要求3所述的地下矿山卡车运输循环作业工时集成预测方法，其特征在于：在确定每个运输阶段的影响因素的过程中，根据矿山实际运输情况，在斜坡道路段，基于上下行车辆需要错车的情况，将下行空车错车红灯等待时间作为空车斜坡道下行阶段中影响作业工时的重要因素。5.根据权利要求4所述的地下矿山卡车运输循环作业工时集成预测方法，其特征在于：在所述步骤S3中，通过计算运输卡车发生错车的概率将下行空车错车红灯等待时间分配至每一辆卡车的作业工时中，包括以下过程：假设路线上正在运行的卡车数量为N，平巷路段长度为L1，斜坡道路段长度为L2，地表路段长度为L3，则卡车在斜坡道上需要错车等待的概率P为：式中，ρ1、ρ2、ρ3为卡车在3个路段上的时间系数，表示卡车在对应路段上行驶的难易程度；表示N辆车中两辆车相遇的组合数；则分配至每辆卡车行程时间当中的红灯等待时间为：t
w
＝T...

【专利技术属性】
技术研发人员：李宁，吴亚辉，刘鼎，王李管，王其洲，贾明滔，叶海旺，曹权薪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：