【技术实现步骤摘要】
一种采煤机健康状态智能评估方法、装置及相关组件
[0001]本专利技术涉及设备维护
，具体涉及一种采煤机健康状态智能评估方法、装置及相关组件。
技术介绍
[0002]随着大数据、人工智能等技术的发展，煤炭工业逐步迈进智能化时代，其中，以提升煤炭开发效率和智能化水平，作为煤矿智能化核心的煤矿智能装备需具有良好的适应性和可靠性，综采设备健康状态评价、预测与维护是煤矿智能化发展的保障。
[0003]在实际应用场景下，采煤机集机电液环节于一体，承担着截煤和装煤两项任务，长期运行在地质条件复杂、环境恶劣的工作面，准确评估其健康状态能为采煤机的维护保养提供依据、进而保证设备的正常运转。
[0004]目前，现有的采煤机健康状态评估方法仅专注于采煤机当前时段的健康状态，即基于当前时段的健康状态监测数据判定采煤机的健康状态，会造成评价结果的可靠性低。
技术实现思路
[0005]本专利技术的目的是提供一种采煤机健康状态智能评估方法、装置及相关组件，旨在解决现有对采煤机的健康状态评估存在精确度度低问题。
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种采煤机健康状态智能评估方法，其特征在于，包括：获取采煤机在相邻多个时间段中各目标位置的监测数据；利用K均值算法对各所述时间段中对应的所有所述监测数据进行动态聚类分析，并基于动态聚类分析得到的聚类结果去除相似监测数据；利用预训练的双向长短期记忆网络模型对去除相似监测数据后的所述监测数据进行分类，输出分类结果；基于预设的采煤机健康状态评价规则，用所有所述分类结果进行模糊综合评价，计算当前时间段的采煤机健康评分。2.根据权利要求1所述的采煤机健康状态智能评估方法，其特征在于，所述利用K均值算法对各所述时间段中对应的所有所述监测数据进行动态聚类分析，包括：将每一所述时间段中所有所述监测数据以状态矩阵的方式存储在数据集中，其中，不同目标位置的监测数据位于所述状态矩阵的不同行；按下式对所述状态矩阵进行归一化：其中，s
i
表示第i行归一化后的监测数据，x
i
表示第i行的监测数据；基于归一化后的所述状态矩阵，设置n个初始聚类中心，并将所述状态矩阵的各行监测数据s分别作为样本；对所述初始聚类中心与样本s进行迭代计算，若满足以下条件：||s
‑
z
j
(m)||＜||s
‑
z
i
(m)||，(i，j＝1，2，...，n且i≠j)，则s∈f
j
(m)，其中，z
i
(m)表示第m次迭代时，第i个聚类中心；f
j
(m)表示第m次迭代时，第j个聚类中心的聚类域；按照下式计算新的聚类中心：其中，N
i
为第i个聚类域f
i
(m)中的样本个数；在满足Z
i
(m+1)＝Z
i
(m)的条件后，所有样本被聚类分成n类。3.根据权利要求2所述的采煤机健康状态智能评估方法，其特征在于，所述基于动态聚类分析得到的聚类结果去除相似监测数据，包括：按下式计算各样本到所属聚类中心的距离d(x，c)：d(x，c)＝(x
‑
c)[(x
‑
c)]
T
；其中，质心c为聚类域中各样本的均值；对于每一所述目标聚类中心，遍历对应的所有样本，保留最小的d(x，c)所对应的样本，并将该样本对应的原始监测数据作为目标监测数据，并删除其余样本对应的原始监测数据。4.根据权利要求1所述的采煤机健康状态智能评估方法，其特征在于，所述利用预训练的双向长短期记忆网络模型对去除相似监测数据后的所述监测数据进行分类，输出分类结果，包括：将去除相似监测数据后的状态矩阵输入至预训练的双向长短期网络模型中的序列输
入层，依次经过第一BiLSTM层、第一丢弃层、第二BiLSTM层、第二丢弃层、全连接层、softmax函数激活层和分类层，输出分类结果向量。5.根据权利要求4所述的采煤机健康状态智能评估方法，其特征在于，所述利用预训练的双向长短期记忆网络模型对去除相似监测数据后的所述监测数据进行分类，输出分类结果之前，包括：利用粒子群算法优化所述双向长短期网络模型中的目标超参数，其中，所述目标超参数包括第一BiLSTM层的隐藏单元数、第一丢弃层的丢弃率、第二BiLSTM层的隐藏单元数、第二丢弃层的丢弃率、初始学习率、最大迭代数、小批量大小。6.根据权利要求5所述的采煤机健康状态智能评估方法，其特征在于，所述利用粒子群算法优化所述双向长短期网络模型中的目标超参数，包括：基于所述目标超参数的取值范围[h
min
，h
max
]，初始化种群中各粒子的速度和位置，其中，初始值按下式计算：h＝rand*(h
技术研发人员：牛乃平，霍鹏飞，张鹏腾，刘宏杰，张国富，崔世杰，高波，田慕琴，
申请(专利权)人：山西科达自控股份有限公司，
类型：发明
国别省市：
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。