CN106295873A - 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法 - Google Patents

一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法 Download PDF

Info

Publication number
CN106295873A
CN106295873A CN201610643449.9A CN201610643449A CN106295873A CN 106295873 A CN106295873 A CN 106295873A CN 201610643449 A CN201610643449 A CN 201610643449A CN 106295873 A CN106295873 A CN 106295873A
Authority
CN
China
Prior art keywords
data
coal
prediction residual
roller height
winning machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610643449.9A
Other languages
English (en)
Other versions
CN106295873B (zh
Inventor
马宏伟
齐爱玲
毛清华
张旭辉
吴海雁
陈翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201610643449.9A priority Critical patent/CN106295873B/zh
Publication of CN106295873A publication Critical patent/CN106295873A/zh
Application granted granted Critical
Publication of CN106295873B publication Critical patent/CN106295873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，包括步骤：一、预测用滚筒高度数据序列获取：获取当前工作面后侧的6～8个工作面开采过程中的采煤机记忆截割数据；二、滚筒高度初步预测；三、滚筒高度初步预测结果修正，过程如下：建立预测残差的马尔可夫链、马尔可夫预测、滚筒高度预测数据组计算和采煤机调高数据组获取；四、调高轨迹获取：数据处理设备根据步骤304中得出的当前工作面开采过程中的采煤机调高数据组，获得当前工作面的采煤机调高轨迹。本发明方法步骤简单、设计合理且实现简便、使用效果好，方法步骤简单、设计合理且实现简便、使用效果好，基于灰色马尔可夫链进行调高轨迹预测，预测精度高。

Description

一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法
技术领域
本发明属于煤层开采技术领域，尤其是涉及一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法。
背景技术
采煤机是煤矿机械化开采的核心装备，其自动化程度决定了综采工作面的自动化水平，实现采煤机滚筒自动调高不仅是实现采煤工作面生产过程自动化的重要环节，并且对延长机器寿命、提高设备可靠性、保障工人安全、提高煤炭质量等具有重要意义，对采煤机械的智能化控制及煤炭工业的可持续发展也有较大的促进作用。为了实现综采工作面采煤机调高的自动化和智能化，确保准确识别煤岩，高效割煤，需要对采煤机的截割轨迹进行预测，从而实现采煤机滚筒的自动调高和自适应截割。目前，国内外采煤机自动调高一般采用记忆截割方法，该方法主要依赖于上一刀滚筒调高数据，缺少下一刀煤层数据，很难适应煤层的起伏变化。为了提高采煤机滚筒调高的准确性，学者们在采煤机滚筒轨迹预测方面进行了多方面的研究，取得了一定的成果，但算法的可靠性、实时性和准确性还存在诸多不足，在工作面采煤机滚筒调高控制上显见成功应用。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其方法步骤简单、设计合理且实现简便、使用效果好，基于灰色马尔可夫链进行调高轨迹预测，预测精度高。
为解决上述技术问题，本发明采用的技术方案是：一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于，该方法包括以下步骤：
步骤一、预测用滚筒高度数据序列获取：采用数据处理设备从数据存储器中预先建立的采煤机调高数据库内获取待开采煤层中当前工作面后侧的n个工作面开采过程中的采煤机调高数据组；所获取的n个所述采煤机调高数据组中的滚筒高度数据组成预测用滚筒高度数据序列，每个所述采煤机调高数据组中的滚筒高度数据均组成一个滚筒高度数据组；所述预测用滚筒高度数据序列中的n个所述滚筒高度数据组按照开采先后顺序由前至后排列，每个所述滚筒高度数据组中均包括m个截割位置处的所述滚筒高度数据；其中，n和m均为正整数，n＝6～8，m≥5；m个所述截割位置沿工作面长度方向由前至后进行排列；
所述采煤机调高数据库内按照开采先后顺序由前至后存储有所述待开采煤层中当前已完成开采的所有工作面开采过程中的所述采煤机调高数据组；所述采煤机调高数据库内存储的所述采煤机调高数据组的数量不少于m个；
采用采煤机对任一个所述工作面进行割煤过程中，均采用采煤机记忆截割控制系统对m个截割位置处的滚筒截割姿态数据进行记录，获得该工作面开采过程中的所述采煤机调高数据组，并将所获得的所述采煤机调高数据组同步存储至所述采煤机调高数据库内；所述采煤机记忆截割控制系统包括数据处理器和与数据处理器连接的数据存储器，所述数据处理器与数据处理设备连接；
所述采煤机调高数据组包括对所述待开采煤层进行一刀割煤过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态数据均为该截割位置处采煤机的截割滚筒的三维坐标数据，所述截割滚筒的三维坐标数据中Z轴坐标数据为滚筒高度数据；
所述预测用滚筒高度数据序列记作X(0)；X(0)＝(x(0)(1),x(0)(2),x(0)(3),...,x(0)(n))，其中x(0)(k)为所述预测用滚筒高度数据序列中的第k个所述滚筒高度数据组，其中k为正整数且k＝1、2、3、…、n；x(0)(k)中的第h个所述滚筒高度数据记作x(0)(k,h)，其中h为正整数且h＝1、2、3、…、m；
步骤二、滚筒高度初步预测：采用数据处理设备且调用灰色预测模型构建模块，对步骤一中所获取的所述预测用滚筒高度数据序列进行处理，建立灰色预测模型；再根据所建立的所述灰色预测模型，采用数据处理设备处理得出所述待开采煤层的n+1个所述工作面开采过程中的滚筒高度初步预测结果；
其中，第k'个所述工作面开采过程中的滚筒高度初步预测结果记作k'为正整数且k'＝1、2、3、…、n、n+1；中包括m个滚筒高度初步预测值；
所得出的前n个所述工作面开采过程中的滚筒高度初步预测结果组成预测用滚筒高度数据序列，所述预测用滚筒高度数据序列中的n个所述滚筒高度初步预测结果按照开采先后顺序由前至后排列；所述预测用滚筒高度数据序列记作 中的第k个所述滚筒高度初步预测结果记作 中的第h个所述滚筒高度初步预测值记作
第n+1个所述工作面开采过程中的滚筒高度初步预测结果记作 为采用采煤机对当前工作面进行开采过程中的所述滚筒高度初步预测结果；中的第h个所述滚筒高度初步预测值记作
步骤三、滚筒高度初步预测结果修正，过程如下：
步骤301、建立预测残差的马尔可夫链：采用数据处理设备且调用差值运算模块，对步骤一中所述预测用滚筒高度数据序列与步骤二中所述预测用滚筒高度数据序列进行差值运算，得出预测残差的马尔可夫链；
所述预测残差的马尔可夫链，记作 为所述预测残差的马尔可夫链中的第k组预测残差，中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤302、马尔可夫预测：采用数据处理设备且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理，预测出所述预测残差的马尔可夫链中的第n+1组预测残差
中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤30、滚筒高度预测数据组计算：根据步骤二中所述的和步骤302中所述的采用数据处理设备计算得出当前工作面开采过程中的滚筒高度预测数据组
中包括当前工作面开采过程中m个截割位置处的滚筒高度预测值，中第h个截割位置处的滚筒高度预测值记作
步骤304、采煤机调高数据组获取：根据步骤30中所述的当前工作面开采过程中的滚筒高度预测数据组并结合当前工作面开采过程中m个截割位置处截割滚筒的平面位置信息，采用数据处理设备得出当前工作面开采过程中的所述采煤机调高数据组，所得出的所述采煤机调高数据组中包括当前工作面开采过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态预测数据均为预测出的该截割位置处的滚筒截割姿态数据；
步骤四、调高轨迹获取：所述数据处理设备根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，获得当前工作面的采煤机调高轨迹。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤一中所述当前工作面后侧的n个工作面为所述待开采煤层中n个连续布设的工作面，n个所述工作面中位于最前侧的工作面为与所述当前工作面相邻的前一个所述工作面。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，再采用数据处理设备将得出的所述采煤机调高数据组存储至所述采煤机调高数据库内。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，根据所得出的所述采煤机调高数据组，采用采煤机对所述待开采煤层的当前工作面进行开采；
采用采煤机对当前工作面进行割煤过程中，采用数据处理设备对m个截割位置处的滚筒截割姿态数据进行记录，所记录的m个截割位置处的滚筒截割姿态数据组成当前工作面开采过程中的所述采煤机调高数据组，并采用数据处理设备将此时获得的当前工作面开采过程中的所述采煤机调高数据组同步存储至预先建立的采煤机调高数据库内。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤四中进行调高轨迹获取时，根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，采用数据处理设备且调用曲线拟合模块拟合出当前工作面开采过程中的采煤机调高轨迹。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；
所述待开采煤层的任一个所述工作面开采过程中的m个所述截割高度采集位置分别位于该工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，该工作面的相邻已开采工作面为位于该工作面后侧且与该工作面相邻的工作面；
当前工作面开采过程中的m个所述截割高度采集位置分别位于当前工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，当前工作面的相邻已开采工作面为位于当前工作面后侧且与当前工作面相邻的工作面。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；
步骤一中进行预测用滚筒高度数据序列获取之前，先以所述待开采煤层的工作面长度方向为X轴、所述待开采煤层的工作面推进方向为Y轴且以竖直方向为Z轴建立三维空间直角坐标系；
每个所述采煤机调高数据组中m个所述滚筒截割姿态数据的Y轴坐标数据均相同；
所述采煤机调高数据库内的所有采煤机调高数据组中第k个所述滚筒截割姿态数据的X轴坐标数据均相同。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤一、步骤二和步骤三中m个所述截割位置均按照工作面长度方向由后向前进行布设；
步骤二中所述灰色预测模型为无偏灰色预测模型；
步骤二中进行灰色预测模型建立之前，先根据步骤一中所述预测用滚筒高度数据序列，采用数据处理设备获取m个所述截割位置的截割高度数据序列；每个所述截割位置的截割高度数据序列均包括n个所述滚筒高度数据，n个所述滚筒高度数据按照开采先后顺序由前至后进行排列；
其中，m个所述截割位置中第h个所述截割位置的截割高度数据序列记作 由所述预测用滚筒高度数据序列中n个所述滚筒高度数据组的第h个所述滚筒高度数据组成，
步骤二中处理得出的n+1个所述工作面开采过程中的滚筒高度初步预测结果由m个所述截割位置的截割高度初步预测结果组成；每个所述截割位置的截割高度初步预测结果均包括n+1个所述滚筒高度初步预测值，n+1个所述滚筒高度初步预测值按照开采先后顺序由前至后进行排列；
m个所述截割位置中第h个所述截割位置的截割高度初步预测结果记作
由m个所述截割位置的截割高度初步预测结果中第k'个所述滚筒高度初步预测值组成；
步骤二中进行滚筒高度初步预测时，采用数据处理设备对m个所述截割位置的截割高度初步预测结果分别进行预测；m个所述截割位置的截割高度初步预测结果的预测方法均相同；
对m个所述截割位置中第h个所述截割位置的截割高度初步预测结果进行预测时，先采用数据处理设备且调用灰色预测模型构建模块，对进行处理，并根据处理结果建立无偏灰色预测模型，过程如下：
步骤201、灰生成：调用灰生成算法模块，对进行灰生成，获得的生成数据序列x(1)(h)；
其中，x(1)(h)＝(x(1)(1,h),x(1)(2,h),x(1)(3,h),...,x(1)(n,h))；所述生成数据序列x(1)(h)中包括n个生成数据，所述生成数据序列x(1)(h)中的第k个所述生成数据记作x(1)(k,h)；
步骤202、紧邻均值序列生成：调用紧邻均值序列生成模块，对步骤201中所述生成数据序列进行处理，生成所述生成数据序列的紧邻均值序列Z(1)(h)；其中Z(1)(h)＝(z(1)(2,h),z(1)(3,h),...,z(1)(n,h))；
所述紧邻均值序列Z(1)中包括n-1个紧邻均值，所述紧邻均值序列Z(1)中的第s-1个所述紧邻均值记作z(1)(s,h)，z(1)(s,h)＝0.5x(1)(s,h)+0.5x(1)(s-1,h)；其中，x(1)(s,h)为所述生成数据序列x(1)(h)中的第s个所述生成数据，x(1)(s-1,h)为所述生成数据序列x(1)(h)中的第s-1个所述生成数据；其中，s为正整数且s＝2、3、…、n；
步骤203、无偏灰色预测模型的二级参数求解：调用二级参数求解模块，对所建立无偏灰色预测模型的四个二级参数C、D、E和F分别进行求解；
其中， x(0)(s,h)为中的第s个所述滚筒高度数据；
步骤204、无偏灰色预测模型的一级参数求解：根据步骤203中求解出的所建立灰色预测模型的四个二级参数C、D、E和F，调用一级参数求解模块，对所建立灰色预测模型的两个一级参数a和b分别进行求解；
其中，
步骤205、无偏灰色参数求解：根据步骤204中求解出的所建立无偏灰色预测模型的两个一级参数a和b，调用无偏灰色参数求解模块，对所建立灰色预测模型的两个无偏灰色参数α和β分别进行求解；
其中，
步骤206、无偏灰色预测模型建立：根据步骤205中求解出的所建立无偏灰色预测模型的两个无偏灰色参数α和β，调用无偏灰色预测模型建立模块，建立无偏灰色预测模型；所建立的无偏灰色预测模型为：其中，x(0)(1,h)为中的第1个所述滚筒高度数据，k”为正整数且k”≥1；
步骤206中建立所述无偏灰色预测模型后，采用数据处理设备且根据所建立的所述无偏灰色预测模型，获得m个所述截割位置中第h个所述截割位置的截割高度初步预测结果其中， 中的第g个所述滚筒高度初步预测值g为正整数且g＝1、2、3、…、n+1。
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤301中所述预测残差的马尔可夫链中包括m×h个所述预测残差；
步骤302中采用数据处理设备且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理时，过程如下：
步骤3021、状态划分：根据步骤301中所述预测残差的马尔可夫链中的m×h个所述预测残差，采用数据处理设备对所述预测残差的状态进行划分，获得所述预测残差的J个状态；所述预测残差的J个状态中的第j个状态记作状态j，其中J为正整数且J≥3，j为正整数且j＝1、…、J；
步骤3022、一步转移概率矩阵计算：根据步骤301中所述预测残差的马尔可夫链中m×h个所述预测残差，采用数据处理设备且调用一步转移概率矩阵模块，计算得出所述预测残差的一步转移概率矩阵；
所述一步转移概率矩阵为J阶方阵，所述一步转移概率矩阵中的第i行第j数据记作Pij，其中Pij为所述预测残差由状态i转移至状态j的转移概率；i为正整数且i＝1、…、J；
步骤3023、马尔可夫预测：采用数据处理设备对第n+1组预测残差中m个截割位置处的预测残差分别进行预测，第n+1组预测残差中m个截割位置处预测残差的预测方法均相同；
其中，对中第h个截割位置处的预测残差进行预测时，包括以下步骤：
步骤A1、根据步骤301中所述预测残差的马尔可夫链，获得第n组预测残差中第h个截割位置处的预测残差
步骤A2、根据步骤3021中所述预测残差的J个状态划分结果，对步骤A1中所述预测残差的状态进行判断，得出所述预测残差的状态；
所述预测残差的状态记作状态i'，其中i'为正整数且i'＝1、…、J；
步骤A3、根据步骤A2中判断得出的所述预测残差的状态i'，并结合步骤3022中所述一步转移概率矩阵，得出所述预测残差的最大转移概率；
所述预测残差的最大转移概率记作Pi'j'，Pi'j'为所述一步转移概率矩阵中的第i'行第j'列数据，其中j'为正整数且j'＝1、2、…、J；
步骤A4、根据步骤A3中得出的所述预测残差的最大转移概率Pi'j'，得出所述预测残差的状态；
所述预测残差的状态为状态j'；
步骤A5、根据步骤A4中得出的所述预测残差的状态j'，并结合步骤3021中所述预测残差的J个状态划分结果，得出所述预测残差
上述一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征是：步骤3021进行状态划分时，先找出m×h个所述预测残差中的最大值和最小值，所找出的最大值为预测残差最大值且其记作所找出的最小值为预测残差最大值且其记作再从区间中选取J-1个数值，所选取的J-1个数值组成状态划分端点数据列，所述状态划分端点数据列中的J-1个数值按照数值从小到大的顺序由前至后进行排列，所述状态划分端点数据列中的第j”个数值记作再利用所选取的J-1个数值将区间划分为J个区间，划分好的J个区间为分别为所述预测残差的J个状态的状态区间；其中，j”为正整数且j”＝1、2、…、J-1；
J个所述区间中的第j个区间为状态j的状态区间；状态j的状态区间的两个端点值分别记作和且当j＝1时，当2≤j≤J时，当j＝J时，当1≤j≤J-1时，
步骤3022中所述的其中mj为m×h个所述预测残差中位于状态j的状态区间内的所有预测残差的总数量，mi为m×h个所述预测残差中位于状态i的状态区间内的所有预测残差的总数量；
步骤A2中对步骤A1中所述预测残差的状态进行判断时，根据所述预测残差所处的状态区间，对所述预测残差的状态进行判断；所述预测残差位于状态i'的状态区间内；
步骤A3中所述预测残差的最大转移概率Pi'j'为所述一步转移概率矩阵的第i'行数据中数值最大的数据；
步骤A5中所述预测残差其中和为状态j'的状态区间的两个端点值，且
本发明与现有技术相比具有以下优点：
1、方法步骤简单、设计合理且实现简便，投入成本低。
2、采用实时更新的预测用滚筒高度数据序列进行预测，既使运算速度得到提高，增强了预测的时效性，又能够保证采煤机调高轨迹预测用原始数据序列的动态更新和预测精度。
3、方法设计合理且实现方便，包括预测用滚筒高度数据序列获取、滚筒高度初步预测、滚筒高度初步预测结果修正和调高轨迹获取。
4、运算速度快，预测时间小于2s。
5、预测精度高，先基于灰色预测模型获取滚筒高度初步预测结果，再采用马尔可夫链模型对滚筒高度初步预测结果进行修正，能有效保证预测精度。采用马尔可夫链模型对滚筒高度初步预测结果进行修正时，采用基于预测残差的修正方法，设计合理且修正结果准确。
6、使用效果好且实用价值高，采用基于灰色马尔科夫链预测模型进行预测，灰色理论的研究对象主要是不确定性系统，以“少量信息明确、大量信息不明确”的“小样本”和“不确定”为特点，十分适合用于缺乏数据的采煤机调高轨迹预测，但是其预测是基于指数的预测，对随机波动序列预测效果较差，需要马尔科夫链模型来对其进行修正，两者实现良好的互补性。采用本发明充分利用灰色预测理论和马尔科夫链各自的优点和互补性，达到更高的预测精度。为了动态修正三维煤层数据，提高调高轨迹精度，基于滑动窗口进行预测，具有预测精度高、运算速度快等特点。首先，实时获取预测用滚筒高度数据序列，并利用实时获取的预测用滚筒高度数据序列预测出采煤机下一刀的调高轨迹，并且随着工作面的推进不断根据滑动窗口进行预测，能够适应工业现场要求，便于推广使用。并且，根据实时获取的预测用滚筒高度数据序列进行轨迹预测，能有效减少运算处理的数据量，提高预测精度和速度。同时，利用无偏灰色模型的无偏灰色参数进行初步预测，与传统灰色参数建立预测模型存在本质区别，具有预测精度高、预测速度快等优点。同时，采用马尔可夫链模型对滚筒高度初步预测结果进行修正时，基于期望值(即预测残差的期望值)进行修正，修正结果更准确。
综上所述，本发明方法步骤简单、设计合理且实现简便、使用效果好，方法步骤简单、设计合理且实现简便、使用效果好，基于灰色马尔可夫链进行调高轨迹预测，预测精度高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明采煤机记忆截割控制系统、开采状态监测装置与数据处理设备的电路原理框图。
图3为本发明采煤机沿工作面上行过程中的使用状态参考图。
图4为本发明采煤机处于仰采时的使用状态参考图。
图5为本发明预测出调高轨迹的仿真示意图。
附图标记说明:
1—采煤机； 1-1—截割滚筒； 2—数据处理设备；
3-1—机身倾角传感器； 3-2—摇臂回转角度传感器；
3-3—行走位置检测单元； 3-4—数据处理器；
3-5—俯仰角检测单元； 4—数据存储器。
具体实施方式
如图1所示一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，包括以下步骤：
步骤一、预测用滚筒高度数据序列获取：采用数据处理设备2从数据存储器4中预先建立的采煤机调高数据库内获取待开采煤层中当前工作面后侧的n个工作面开采过程中的采煤机调高数据组；所获取的n个所述采煤机调高数据组中的滚筒高度数据组成预测用滚筒高度数据序列，每个所述采煤机调高数据组中的滚筒高度数据均组成一个滚筒高度数据组；所述预测用滚筒高度数据序列中的n个所述滚筒高度数据组按照开采先后顺序由前至后排列，每个所述滚筒高度数据组中均包括m个截割位置处的所述滚筒高度数据；其中，n和m均为正整数，n＝6～8，m≥5；m个所述截割位置沿工作面长度方向由前至后进行排列；
所述采煤机调高数据库内按照开采先后顺序由前至后存储有所述待开采煤层中当前已完成开采的所有工作面开采过程中的所述采煤机调高数据组；所述采煤机调高数据库内存储的所述采煤机调高数据组的数量不少于m个；
采用采煤机1对任一个所述工作面进行割煤过程中，均采用采煤机记忆截割控制系统对m个截割位置处的滚筒截割姿态数据进行记录，获得该工作面开采过程中的所述采煤机调高数据组，并将所获得的所述采煤机调高数据组同步存储至所述采煤机调高数据库内；所述采煤机记忆截割控制系统包括数据处理器3-4和与数据处理器3-4连接的数据存储器4，所述数据处理器3-4与数据处理设备2连接；
所述采煤机调高数据组包括对所述待开采煤层进行一刀割煤过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态数据均为该截割位置处采煤机1的截割滚筒1-1的三维坐标数据，所述截割滚筒1-1的三维坐标数据中Z轴坐标数据为滚筒高度数据；
所述预测用滚筒高度数据序列记作X(0)；X(0)＝(x(0)(1),x(0)(2),x(0)(3),...,x(0)(n))，其中x(0)(k)为所述预测用滚筒高度数据序列中的第k个所述滚筒高度数据组，其中k为正整数且k＝1、2、3、…、n；x(0)(k)中的第h个所述滚筒高度数据记作x(0)(k,h)，其中h为正整数且h＝1、2、3、…、m；
步骤二、滚筒高度初步预测：采用数据处理设备2且调用灰色预测模型构建模块，对步骤一中所获取的所述预测用滚筒高度数据序列进行处理，建立灰色预测模型；再根据所建立的所述灰色预测模型，采用数据处理设备2处理得出所述待开采煤层的n+1个所述工作面开采过程中的滚筒高度初步预测结果；
其中，第k'个所述工作面开采过程中的滚筒高度初步预测结果记作k'为正整数且k'＝1、2、3、…、n、n+1；中包括m个滚筒高度初步预测值；
所得出的前n个所述工作面开采过程中的滚筒高度初步预测结果组成预测用滚筒高度数据序列，所述预测用滚筒高度数据序列中的n个所述滚筒高度初步预测结果按照开采先后顺序由前至后排列；所述预测用滚筒高度数据序列记作 中的第k个所述滚筒高度初步预测结果记作 中的第h个所述滚筒高度初步预测值记作
第n+1个所述工作面开采过程中的滚筒高度初步预测结果记作 为采用采煤机1对当前工作面进行开采过程中的所述滚筒高度初步预测结果；中的第h个所述滚筒高度初步预测值记作
步骤三、滚筒高度初步预测结果修正，过程如下：
步骤301、建立预测残差的马尔可夫链：采用数据处理设备2且调用差值运算模块，对步骤一中所述预测用滚筒高度数据序列与步骤二中所述预测用滚筒高度数据序列进行差值运算，得出预测残差的马尔可夫链；
所述预测残差的马尔可夫链，记作 为所述预测残差的马尔可夫链中的第k组预测残差，中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤302、马尔可夫预测：采用数据处理设备2且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理，预测出所述预测残差的马尔可夫链中的第n+1组预测残差
中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤303、滚筒高度预测数据组计算：根据步骤二中所述的和步骤302中所述的采用数据处理设备2计算得出当前工作面开采过程中的滚筒高度预测数据组
中包括当前工作面开采过程中m个截割位置处的滚筒高度预测值，中第h个截割位置处的滚筒高度预测值记作
步骤304、采煤机调高数据组获取：根据步骤303中所述的当前工作面开采过程中的滚筒高度预测数据组并结合当前工作面开采过程中m个截割位置处截割滚筒1-1的平面位置信息，采用数据处理设备2得出当前工作面开采过程中的所述采煤机调高数据组，所得出的所述采煤机调高数据组中包括当前工作面开采过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态预测数据均为预测出的该截割位置处的滚筒截割姿态数据；
步骤四、调高轨迹获取：所述数据处理设备2根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，获得当前工作面的采煤机调高轨迹。
本实施例中，所述采煤机1为双滚筒采煤机。
实际使用时，所述采煤机1也可以为单滚筒采煤机。所述双滚筒采煤机包括两个滚筒，实际进行煤层开采时，两个所述滚筒的采高不同，两个所述滚筒中一个滚筒的采高较高，另一个滚筒的采高较低。
采用本发明能对所述双滚筒采煤机中两个滚筒的调高轨迹分别进行预测。所述截割滚筒1-1为采煤机1中的任一个滚筒。
本实施例中，步骤一中所述的n＝8。
因而，采用本发明进行轨迹预测之前，需采煤机1完成所述待开采煤层的前8个工作面的开采过程。并且，所述待开采煤层的前8个工作面的开采过程均为人为控制进行开采。
实际使用时，可根据具体需要，对n的取值大小分别进行相应调整。
由于n为所述预测用滚筒高度数据序列内所包括采煤机调高数据组的数量，而每个所述采煤机调高数据组均包括对所述待开采煤层进行一刀割煤过程中m个截割位置处的滚筒截割姿态数据，因而所述预测用滚筒高度数据序列内包括对所述待开采煤层进行n刀割煤过程中的所述采煤机调高数据组。实际使用时，可根据具体需要(主要包括采煤机调高轨迹的预测精度、预测速度以及所建立煤层模型的精度)，对n的取值大小进行调整。实际使用时，根据预测出的采煤机调高轨迹，能建立所述需开采煤层的三维模型(即煤层模型)。其中，采煤机调高轨迹的预测精度越高，n的取值越大；采煤机调高轨迹的预测速度越快，n的取值越小；所建立煤层模型的精度越高，n的取值越大。
本实施例中，步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；
步骤一中进行预测用滚筒高度数据序列获取之前，先以所述待开采煤层的工作面长度方向为X轴、所述待开采煤层的工作面推进方向为Y轴且以竖直方向为Z轴建立三维空间直角坐标系；
每个所述采煤机调高数据组中m个所述滚筒截割姿态数据的Y轴坐标数据均相同；
所述采煤机调高数据库内的所有采煤机调高数据组中第k个所述滚筒截割姿态数据的X轴坐标数据均相同。
本实施例中，步骤一、步骤二中和步骤三中m个所述截割位置均按照X轴的正方向由前至后进行排列或均按照X轴的负方向由前至后进行排列。
步骤一中每个所述滚筒高度数据组中的m个所述滚筒高度数据、每个所述采煤机调高数据组中的m个所述滚筒截割姿态数据和步骤303中包括中的m个所述滚筒高度预测值的存储前后顺序均与m个所述截割位置的前后顺序一致。因而，步骤一中每个所述滚筒高度数据组中的m个所述滚筒高度数据、每个所述采煤机调高数据组中的m个所述滚筒截割姿态数据和步骤303中包括中的m个所述滚筒高度预测值均分别与m个所述截割位置一一对应。
本实施例中，步骤304中当前工作面开采过程中每个截割位置处截割滚筒1-1的平面位置信息，均包括该截割位置处截割滚筒1-1的X轴坐标数据和Y轴坐标数据。
本实施例中，所述采煤机1上还装有开采状态监测装置。
如图2所示，所述开采状态监测装置包括对采煤机1的机身倾角α进行实时检测的机身倾角传感器3-1、对采煤机1的俯仰角β进行实时检测的俯仰角检测单元3-5、对截割滚筒1-1所安装摇臂的回转角度进行实时检测的摇臂回转角度传感器3-2和对采煤机1的行走位置进行实时检测的行走位置检测单元3-3，所述机身倾角传感器3-1、俯仰角检测单元3-5、摇臂回转角度传感器3-2和行走位置检测单元3-3均与数据处理器3-4连接。其中，机身倾角α为沿工作面长度方向上采煤机1的机身与水平面之间的夹角；俯仰角β为沿工作面推进方向上采煤机1的机身与水平面之间的夹角；所述摇臂的回转角度也称为摇臂摆角且其记作θ。
实际使用时，所述机身倾角传感器3-1、俯仰角检测单元3-5、摇臂回转角度传感器3-2和行走位置检测单元3-3将所检测信号同步传送至数据处理器3-4；所述数据处理器3-4按照预先设定的采样频率，对机身倾角传感器3-1、俯仰角检测单元3-5、摇臂回转角度传感器3-2和行走位置检测单元3-3所检测信号进行采集，并将所采集信息同步上传至数据处理设备2。本实施例中，所述机身倾角传感器3-1和俯仰角检测单元3-5均为倾角传感器且二者均安装在采煤机1的机身上。所述摇臂以铰接方式安装在采煤机1的机身上，所述摇臂回转角度传感器3-2安装在所述摇臂上，所述行走位置检测单元3-3安装在采煤机1的机身上，通过行走位置检测单元3-3对采煤机1所处位置的三维坐标数据进行检测。
采用采煤机1进行开采过程中，当采煤机1的机身沿工作面长度方向由后向前逐渐向上倾斜时，说明此时采煤机1处于沿工作面上行过程，详见图3；当采煤机1的机身沿工作面长度方向由后向前逐渐向下倾斜时，说明此时采煤机1处于沿工作面下行过程。如图4所示，当采煤机1的机身沿工作面推进方向上由后向前逐渐向上倾斜时，说明此时采煤机1处于仰采状态；当采煤机1的机身沿工作面推进方向上由前向后逐渐向下倾斜时，说明此时采煤机1处于俯采状态。
本实施例中，所述机身倾角传感器3-1、俯仰角检测单元3-5、摇臂回转角度传感器3-2和行走位置检测单元3-3输出的信号均为4mA～20mA的电流信号。
本实施例中，所述数据处理器3-4为PLC控制器。并且，预先设定的采样频率为25kHz。
实际使用过程中，所述数据处理器3-4将所采集信息同步上传至数据处理设备2后，所述数据处理设备2根据采集到的机身倾角传感器3-1、俯仰角检测单元3-5、摇臂回转角度传感器3-2和行走位置检测单元3-3所检测信息，能同步换算出此时所述采煤机1的所述滚筒高度数据。
其中，对所述采煤机1的所述滚筒高度数据进行换算之前，先判断此时采煤机1的开采状态：当判断得出此时采煤机1处于沿工作面上行过程且处于仰采状态时，根据公式H＝Lsin(θ+α)+H2+Stanβ，计算得出此时采煤机1的所述滚筒高度数据H；当判断得出此时采煤机1处于沿工作面上行过程且处于俯采状态时，根据公式H＝Lsin(θ-α)+H2+Stanβ，计算得出此时采煤机1的所述滚筒高度数据H；当判断得出此时采煤机1处于沿工作面下行过程且处于仰采状态时，根据公式H＝Lsin(θ+α)+H2-Stanβ，计算得出此时采煤机1的所述滚筒高度数据H；当判断得出此时采煤机1处于沿工作面下行过程且处于俯采状态时，根据公式H＝Lsin(θ-α)+H2-Stanβ，计算得出此时采煤机1的所述滚筒高度数据H。
其中，L为所述摇臂的长度，H2为摇臂底端固定点(所述摇臂在采煤机1的机身上的固定点)到所述待开采煤层1的底板(具体是所述底板的上表面)之间的距离，S为截割滚筒1-1至采煤机1机身的距离(即截割滚筒1-1的中部至采煤机1的机身中部之间的距离)。一旦采煤机1确定，所述的S、L和H2均为已知参数。其中，所述待开采煤层的底板(具体是所述底板的上表面)为参考面。
本实施例中，所述行走位置检测单元3-3为对采煤机1的平面位置信息进行实时检测的位置检测单元，采煤机1的平面位置信息包括采煤机1机身的X轴坐标数据和Y轴坐标数据。所述行走位置检测单元3-3为二自由度位移检测装置。所述数据处理设备2根据采煤机1的平面位置信息，并结合截割滚筒1-1与采煤机1的机身之间的位置关系，能简便得出截割滚筒1-1的平面位置信息。
实际使用时，也可以在所述截割滚筒1-1的中部布设一个滚筒位置检测单元，所述滚筒位置检测单元为对截割滚筒1-1的平面位置信息(即截割位置)进行实时检测的位置检测单元。因而，所述滚筒位置检测单元为二自由度位移检测装置。
本实施例中，为计算简便，使所述截割滚筒1-1的平面位置信息与采煤机1的平面位置信息相同。
步骤一中所述截割滚筒1-1的三维坐标数据中，Z轴坐标数据为所述滚筒高度数据H，X轴坐标数据为行走位置检测单元3-3检测到的采煤机1在沿工作面长度方向上的位移数据，Y轴坐标数据为行走位置检测单元3-3检测到的采煤机1在沿工作面推进方向上的位移数据。
本实施例中，对所述待开采煤层进行开采过程中，完成一个工作面开采称为完成一刀割煤。对所述待开采煤层进行开采过程中，按照开采先后顺序，对开采工作面进行编号，按照开采先后顺序所述待开采煤层的工作面编号分别为1、2、3、…。
其中，所述截割滚筒1-1的三维坐标数据中，Y轴坐标数据也可以根据公式y＝n'×Δh计算得出，其中n'为当前截割刀数(即当前工作面的编号)，Δh为采煤机截深(即采煤机1的截割深度)。本实施例中，Δh＝0.8m。
本实施例中，步骤一中所述当前工作面后侧的n个工作面为所述待开采煤层中n个连续布设的工作面，n个所述工作面中位于最前侧的工作面为与所述当前工作面相邻的前一个所述工作面。
实际使用时，步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，再采用数据处理设备2将得出的所述采煤机调高数据组存储至所述采煤机调高数据库内。
本实施例中，步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，根据所得出的所述采煤机调高数据组，采用采煤机1对所述待开采煤层的当前工作面进行开采；
采用采煤机1对当前工作面进行割煤过程中，采用数据处理设备2对m个截割位置处的滚筒截割姿态数据进行记录，所记录的m个截割位置处的滚筒截割姿态数据组成当前工作面开采过程中的所述采煤机调高数据组，并采用数据处理设备2将此时获得的当前工作面开采过程中的所述采煤机调高数据组同步存储至预先建立的采煤机调高数据库内。
本实施例中，采用采煤机1对待开采煤层的任一个所述工作面进行开采时，采用的割煤方式均为双向割煤方式。
实际进行开采时，所采用的割煤方式也可以为单向割煤方式。
本实施例中，步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；所述待开采煤层的任一个所述工作面开采过程中的m个所述截割高度采集位置分别位于该工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，该工作面的相邻已开采工作面为位于该工作面后侧且与该工作面相邻的工作面；
当前工作面开采过程中的m个所述截割高度采集位置分别位于当前工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，当前工作面的相邻已开采工作面为位于当前工作面后侧且与当前工作面相邻的工作面。
对所述待开采煤层的任一个工作面进行开采过程中，相邻两个所述截割高度采集位置之间的间距为1m～5m。
本实施例中，相邻两个所述截割高度采集位置之间的间距为3m。
本实施例中，步骤一中所述预测用滚筒高度数据序列也称为原始数据序列。
步骤一、步骤二和步骤三中m个所述截割位置均按照工作面长度方向由后向前进行布设；
步骤二中所述灰色预测模型为无偏灰色预测模型；
步骤二中进行灰色预测模型建立之前，先根据步骤一中所述预测用滚筒高度数据序列，采用数据处理设备2获取m个所述截割位置的截割高度数据序列；每个所述截割位置的截割高度数据序列均包括n个所述滚筒高度数据，n个所述滚筒高度数据按照开采先后顺序由前至后进行排列；
其中，m个所述截割位置中第h个所述截割位置的截割高度数据序列记作 由所述预测用滚筒高度数据序列中n个所述滚筒高度数据组的第h个所述滚筒高度数据组成，
步骤二中处理得出的n+1个所述工作面开采过程中的滚筒高度初步预测结果由m个所述截割位置的截割高度初步预测结果组成；每个所述截割位置的截割高度初步预测结果均包括n+1个所述滚筒高度初步预测值，n+1个所述滚筒高度初步预测值按照开采先后顺序由前至后进行排列；
m个所述截割位置中第h个所述截割位置的截割高度初步预测结果记作
由m个所述截割位置的截割高度初步预测结果中第k'个所述滚筒高度初步预测值组成；
步骤二中进行滚筒高度初步预测时，采用数据处理设备2对m个所述截割位置的截割高度初步预测结果分别进行预测；m个所述截割位置的截割高度初步预测结果的预测方法均相同；
对m个所述截割位置中第h个所述截割位置的截割高度初步预测结果进行预测时，先采用数据处理设备2且调用灰色预测模型构建模块，对进行处理，并根据处理结果建立无偏灰色预测模型，过程如下：
步骤201、灰生成：调用灰生成算法模块，对进行灰生成，获得的生成数据序列x(1)(h)；
其中，x(1)(h)＝(x(1)(1,h),x(1)(2,h),x(1)(3,h),...,x(1)(n,h))；所述生成数据序列x(1)(h)中包括n个生成数据，所述生成数据序列x(1)(h)中的第k个所述生成数据记作x(1)(k,h)；
步骤202、紧邻均值序列生成：调用紧邻均值序列生成模块，对步骤201中所述生成数据序列进行处理，生成所述生成数据序列的紧邻均值序列Z(1)(h)；其中Z(1)(h)＝(z(1)(2,h),z(1)(3,h),...,z(1)(n,h))；
所述紧邻均值序列Z(1)中包括n-1个紧邻均值，所述紧邻均值序列Z(1)中的第s-1个所述紧邻均值记作z(1)(s,h)，z(1)(s,h)＝0.5x(1)(s,h)+0.5x(1)(s-1,h)；其中，x(1)(s,h)为所述生成数据序列x(1)(h)中的第s个所述生成数据，x(1)(s-1,h)为所述生成数据序列x(1)(h)中的第s-1个所述生成数据；其中，s为正整数且s＝2、3、…、n；
步骤203、无偏灰色预测模型的二级参数求解：调用二级参数求解模块，对所建立无偏灰色预测模型的四个二级参数C、D、E和F分别进行求解；
其中， x(0)(s,h)为中的第s个所述滚筒高度数据；
步骤204、无偏灰色预测模型的一级参数求解：根据步骤203中求解出的所建立灰色预测模型的四个二级参数C、D、E和F，调用一级参数求解模块，对所建立灰色预测模型的两个一级参数a和b分别进行求解；
其中，
步骤205、无偏灰色参数求解：根据步骤204中求解出的所建立无偏灰色预测模型的两个一级参数a和b，调用无偏灰色参数求解模块，对所建立灰色预测模型的两个无偏灰色参数α和β分别进行求解；
其中，
步骤206、无偏灰色预测模型建立：根据步骤205中求解出的所建立无偏灰色预测模型的两个无偏灰色参数α和β，调用无偏灰色预测模型建立模块，建立无偏灰色预测模型；所建立的无偏灰色预测模型为：其中，x(0)(1,h)为中的第1个所述滚筒高度数据，k”为正整数且k”≥1；
步骤206中建立所述无偏灰色预测模型后，采用数据处理设备2且根据所建立的所述无偏灰色预测模型，获得m个所述截割位置中第h个所述截割位置的截割高度初步预测结果其中， 中的第g个所述滚筒高度初步预测值g为正整数且g＝1、2、3、…、n+1。
本实施例中，步骤2011中所述灰生成算法模块为AGO累加生成模块；
并且，所述生成数据序列x(1)(h)中的第k个所述生成数据记作x(1)(k,h)，其中g'为正整数且g'＝1、2、…、k。
本实施例中，步骤301中所述预测残差的马尔可夫链中包括m×h个所述预测残差；
步骤302中采用数据处理设备2且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理时，过程如下：
步骤3021、状态划分：根据步骤301中所述预测残差的马尔可夫链中的m×h个所述预测残差，采用数据处理设备2对所述预测残差的状态进行划分，获得所述预测残差的J个状态；所述预测残差的J个状态中的第j个状态记作状态j，其中J为正整数且J≥3，j为正整数且j＝1、…、J；
步骤3022、一步转移概率矩阵计算：根据步骤301中所述预测残差的马尔可夫链中m×h个所述预测残差，采用数据处理设备2且调用一步转移概率矩阵模块，计算得出所述预测残差的一步转移概率矩阵；
所述一步转移概率矩阵为J阶方阵，所述一步转移概率矩阵中的第i行第j数据记作Pij，其中Pij为所述预测残差由状态i转移至状态j的转移概率；i为正整数且i＝1、…、J；
步骤3023、马尔可夫预测：采用数据处理设备2对第n+1组预测残差中m个截割位置处的预测残差分别进行预测，第n+1组预测残差中m个截割位置处预测残差的预测方法均相同；
其中，对中第h个截割位置处的预测残差进行预测时，包括以下步骤：
步骤A1、根据步骤301中所述预测残差的马尔可夫链，获得第n组预测残差中第h个截割位置处的预测残差
步骤A2、根据步骤3021中所述预测残差的J个状态划分结果，对步骤A1中所述预测残差的状态进行判断，得出所述预测残差的状态；
所述预测残差的状态记作状态i'，其中i'为正整数且i'＝1、…、J；
步骤A3、根据步骤A2中判断得出的所述预测残差的状态i'，并结合步骤3022中所述一步转移概率矩阵，得出所述预测残差的最大转移概率；
所述预测残差的最大转移概率记作Pi'j'，Pi'j'为所述一步转移概率矩阵中的第i'行第j'列数据，其中j'为正整数且j'＝1、2、…、J；
步骤A4、根据步骤A3中得出的所述预测残差的最大转移概率Pi'j'，得出所述预测残差的状态；
所述预测残差的状态为状态j'；
步骤A5、根据步骤A4中得出的所述预测残差的状态j'，并结合步骤3021中所述预测残差的J个状态划分结果，得出所述预测残差
本实施例中，步骤3021进行状态划分时，先找出m×h个所述预测残差中的最大值和最小值，所找出的最大值为预测残差最大值且其记作所找出的最小值为预测残差最大值且其记作再从区间中选取J-1个数值，所选取的J-1个数值组成状态划分端点数据列，所述状态划分端点数据列中的J-1个数值按照数值从小到大的顺序由前至后进行排列，所述状态划分端点数据列中的第j”个数值记作再利用所选取的J-1个数值将区间划分为J个区间，划分好的J个区间为分别为所述预测残差的J个状态的状态区间；其中，j”为正整数且j”＝1、2、…、J-1；
J个所述区间中的第j个区间为状态j的状态区间；状态j的状态区间的两个端点值分别记作和且当j＝1时，当2≤j≤J时，当j＝J时，当1≤j≤J-1时，
步骤3022中所述的其中mj为m×h个所述预测残差中位于状态j的状态区间内的所有预测残差的总数量，mi为m×h个所述预测残差中位于状态i的状态区间内的所有预测残差的总数量；
步骤A2中对步骤A1中所述预测残差的状态进行判断时，根据所述预测残差所处的状态区间，对所述预测残差的状态进行判断；所述预测残差位于状态i'的状态区间内；
步骤A3中所述预测残差的最大转移概率Pi'j'为所述一步转移概率矩阵的第i'行数据中数值最大的数据；
步骤A5中所述预测残差其中和为状态j'的状态区间的两个端点值，且
实际进行开采时，所述待开采煤层的任一个工作面开采过程中的m个所述截割高度采集位置均相同。
本实施例中，所述的m＝40。
实际使用时，可根据工作面长度和相邻两个所述截割高度采集位置之间的间距，对m的取值大小进行相应调整。
步骤304中当前工作面开采过程中每个截割位置处的滚筒截割姿态数据均为滚筒中心点的三维坐标数据，所述滚筒中心点为截割滚筒1-1的几何中心点。步骤304中当前工作面开采过程中m个截割位置处的滚筒截割姿态数据分别为m个截割位置处的滚筒中心点的三维坐标数据。
本实施例中，步骤四中进行调高轨迹获取时，根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，采用数据处理设备2且调用曲线拟合模块拟合出当前工作面开采过程中的采煤机调高轨迹。
另外，步骤四中进行调高轨迹获取时，也可以根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，采用数据处理设备2且调用曲线拟合模块拟合出当前工作面开采过程中的采煤机调高轨迹。具体是利用m个截割位置处的滚筒中心点的三维坐标数据，拟合出采煤机调高轨迹。
本实施例中，完成所述待开采煤层的前8个工作面的开采过程后，获得前8刀割煤过程中40个截割位置处的滚筒截割姿态数据(即真实数据)；并且，再完成所述待开采煤层的第9个工作面的开采过程，获得第9刀割煤过程中40个截割位置处的滚筒高度数据(即真实数据)。其中，前8刀割煤过程中40个截割位置处的滚筒高度数据、第9刀割煤过程中40个截割位置处的实际滚筒高度数据和采用本发明预测出的第9刀割煤过程中40个截割位置处的滚筒高度数据(即预测数据)，详见表1：
表1 采煤机滚筒高度数据对比表 单位：m
由表1可知，采用本发明预测的最大绝对误差为0.015m，预测的平均相对误差为0.006m，预测结果准确且适应性强。并且，采用本发明预测出的第9刀割煤过程中的采煤机调高轨迹详见图5。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (10)

1.一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于，该方法包括以下步骤：
步骤一、预测用滚筒高度数据序列获取：采用数据处理设备(2)从数据存储器(4)中预先建立的采煤机调高数据库内获取待开采煤层中当前工作面后侧的n个工作面开采过程中的采煤机调高数据组；所获取的n个所述采煤机调高数据组中的滚筒高度数据组成预测用滚筒高度数据序列，每个所述采煤机调高数据组中的滚筒高度数据均组成一个滚筒高度数据组；所述预测用滚筒高度数据序列中的n个所述滚筒高度数据组按照开采先后顺序由前至后排列，每个所述滚筒高度数据组中均包括m个截割位置处的所述滚筒高度数据；其中，n和m均为正整数，n＝6～8，m≥5；m个所述截割位置沿工作面长度方向由前至后进行排列；
所述采煤机调高数据库内按照开采先后顺序由前至后存储有所述待开采煤层中当前已完成开采的所有工作面开采过程中的所述采煤机调高数据组；所述采煤机调高数据库内存储的所述采煤机调高数据组的数量不少于m个；
采用采煤机(1)对任一个所述工作面进行割煤过程中，均采用采煤机记忆截割控制系统对m个截割位置处的滚筒截割姿态数据进行记录，获得该工作面开采过程中的所述采煤机调高数据组，并将所获得的所述采煤机调高数据组同步存储至所述采煤机调高数据库内；所述采煤机记忆截割控制系统包括数据处理器(3-4)和与数据处理器(3-4)连接的数据存储器(4)，所述数据处理器(3-4)与数据处理设备(2)连接；
所述采煤机调高数据组包括对所述待开采煤层进行一刀割煤过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态数据均为该截割位置处采煤机(1)的截割滚筒(1-1)的三维坐标数据，所述截割滚筒(1-1)的三维坐标数据中Z轴坐标数据为滚筒高度数据；
所述预测用滚筒高度数据序列记作X(0)；X(0)＝(x(0)(1),x(0)(2),x(0)(3),...,x(0)(n))，其中x(0)(k)为所述预测用滚筒高度数据序列中的第k个所述滚筒高度数据组，其中k为正整数且k＝1、2、3、…、n；x(0)(k)中的第h个所述滚筒高度数据记作x(0)(k,h)，其中h为正整数且h＝1、2、3、…、m；
步骤二、滚筒高度初步预测：采用数据处理设备(2)且调用灰色预测模型构建模块，对步骤一中所获取的所述预测用滚筒高度数据序列进行处理，建立灰色预测模型；再根据所建立的所述灰色预测模型，采用数据处理设备(2)处理得出所述待开采煤层的n+1个所述工作面开采过程中的滚筒高度初步预测结果；
其中，第k'个所述工作面开采过程中的滚筒高度初步预测结果记作k'为正整数且k'＝1、2、3、…、n、n+1；中包括m个滚筒高度初步预测值；
所得出的前n个所述工作面开采过程中的滚筒高度初步预测结果组成预测用滚筒高度数据序列，所述预测用滚筒高度数据序列中的n个所述滚筒高度初步预测结果按照开采先后顺序由前至后排列；所述预测用滚筒高度数据序列记作 中的第k个所述滚筒高度初步预测结果记作 中的第h个所述滚筒高度初步预测值记作
第n+1个所述工作面开采过程中的滚筒高度初步预测结果记作 为采用采煤机(1)对当前工作面进行开采过程中的所述滚筒高度初步预测结果；中的第h个所述滚筒高度初步预测值记作
步骤三、滚筒高度初步预测结果修正，过程如下：
步骤301、建立预测残差的马尔可夫链：采用数据处理设备(2)且调用差值运算模块，对步骤一中所述预测用滚筒高度数据序列与步骤二中所述预测用滚筒高度数据序列进行差值运算，得出预测残差的马尔可夫链；
所述预测残差的马尔可夫链，记作 为所述预测残差的马尔可夫链中的第k组预测残差，中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤302、马尔可夫预测：采用数据处理设备(2)且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理，预测出所述预测残差的马尔可夫链中的第n+1组预测残差
中包括m个截割位置处的预测残差，中第h个截割位置处的预测残差记作
步骤303、滚筒高度预测数据组计算：根据步骤二中所述的和步骤302中所述的采用数据处理设备(2)计算得出当前工作面开采过程中的滚筒高度预测数据组
中包括当前工作面开采过程中m个截割位置处的滚筒高度预测值，中第h个截割位置处的滚筒高度预测值记作
步骤304、采煤机调高数据组获取：根据步骤303中所述的当前工作面开采过程中的滚筒高度预测数据组并结合当前工作面开采过程中m个截割位置处截割滚筒(1-1)的平面位置信息，采用数据处理设备(2)得出当前工作面开采过程中的所述采煤机调高数据组，所得出的所述采煤机调高数据组中包括当前工作面开采过程中m个截割位置处的滚筒截割姿态数据；每个截割位置处的滚筒截割姿态预测数据均为预测出的该截割位置处的滚筒截割姿态数据；
步骤四、调高轨迹获取：所述数据处理设备(2)根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，获得当前工作面的采煤机调高轨迹。
2.按照权利要求1所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤一中所述当前工作面后侧的n个工作面为所述待开采煤层中n个连续布设的工作面，n个所述工作面中位于最前侧的工作面为与所述当前工作面相邻的前一个所述工作面。
3.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，再采用数据处理设备(2)将得出的所述采煤机调高数据组存储至所述采煤机调高数据库内。
4.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤304中得出当前工作面开采过程中的所述采煤机调高数据组后，根据所得出的所述采煤机调高数据组，采用采煤机(1)对所述待开采煤层的当前工作面进行开采；
采用采煤机(1)对当前工作面进行割煤过程中，采用数据处理设备(2)对m个截割位置处的滚筒截割姿态数据进行记录，所记录的m个截割位置处的滚筒截割姿态数据组成当前工作面开采过程中的所述采煤机调高数据组，并采用数据处理设备(2)将此时获得的当前工作面开采过程中的所述采煤机调高数据组同步存储至预先建立的采煤机调高数据库内。
5.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤四中进行调高轨迹获取时，根据步骤304中得出的当前工作面开采过程中的所述采煤机调高数据组，采用数据处理设备(2)且调用曲线拟合模块拟合出当前工作面开采过程中的采煤机调高轨迹。
6.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；
所述待开采煤层的任一个所述工作面开采过程中的m个所述截割高度采集位置分别位于该工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，该工作面的相邻已开采工作面为位于该工作面后侧且与该工作面相邻的工作面；
当前工作面开采过程中的m个所述截割高度采集位置分别位于当前工作面的相邻已开采工作面开采过程中m个所述截割高度采集位置的正前方，当前工作面的相邻已开采工作面为位于当前工作面后侧且与当前工作面相邻的工作面。
7.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤一、步骤二和步骤三中所述截割位置均为截割高度采集位置；
步骤一中进行预测用滚筒高度数据序列获取之前，先以所述待开采煤层的工作面长度方向为X轴、所述待开采煤层的工作面推进方向为Y轴且以竖直方向为Z轴建立三维空间直角坐标系；
每个所述采煤机调高数据组中m个所述滚筒截割姿态数据的Y轴坐标数据均相同；
所述采煤机调高数据库内的所有采煤机调高数据组中第k个所述滚筒截割姿态数据的X轴坐标数据均相同。
8.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤一、步骤二和步骤三中m个所述截割位置均按照工作面长度方向由后向前进行布设；
步骤二中所述灰色预测模型为无偏灰色预测模型；
步骤二中进行灰色预测模型建立之前，先根据步骤一中所述预测用滚筒高度数据序列，采用数据处理设备(2)获取m个所述截割位置的截割高度数据序列；每个所述截割位置的截割高度数据序列均包括n个所述滚筒高度数据，n个所述滚筒高度数据按照开采先后顺序由前至后进行排列；
其中，m个所述截割位置中第h个所述截割位置的截割高度数据序列记作 由所述预测用滚筒高度数据序列中n个所述滚筒高度数据组的第h个所述滚筒高度数据组成，
步骤二中处理得出的n+1个所述工作面开采过程中的滚筒高度初步预测结果由m个所述截割位置的截割高度初步预测结果组成；每个所述截割位置的截割高度初步预测结果均包括n+1个所述滚筒高度初步预测值，n+1个所述滚筒高度初步预测值按照开采先后顺序由前至后进行排列；
m个所述截割位置中第h个所述截割位置的截割高度初步预测结果记作
由m个所述截割位置的截割高度初步预测结果中第k'个所述滚筒高度初步预测值组成；
步骤二中进行滚筒高度初步预测时，采用数据处理设备(2)对m个所述截割位置的截割高度初步预测结果分别进行预测；m个所述截割位置的截割高度初步预测结果的预测方法均相同；
对m个所述截割位置中第h个所述截割位置的截割高度初步预测结果进行预测时，先采用数据处理设备(2)且调用灰色预测模型构建模块，对进行处理，并根据处理结果建立无偏灰色预测模型，过程如下：
步骤201、灰生成：调用灰生成算法模块，对进行灰生成，获得的生成数据序列x(1)(h)；
其中，x(1)(h)＝(x(1)(1,h),x(1)(2,h),x(1)(3,h),...,x(1)(n,h))；所述生成数据序列x(1)(h)中包括n个生成数据，所述生成数据序列x(1)(h)中的第k个所述生成数据记作x(1)(k,h)；
步骤202、紧邻均值序列生成：调用紧邻均值序列生成模块，对步骤201中所述生成数据序列进行处理，生成所述生成数据序列的紧邻均值序列Z(1)(h)；其中Z(1)(h)＝(z(1)(2,h),z(1)(3,h),...,z(1)(n,h))；
所述紧邻均值序列Z(1)中包括n-1个紧邻均值，所述紧邻均值序列Z(1)中的第s-1个所述紧邻均值记作z(1)(s,h)，z(1)(s,h)＝0.5x(1)(s,h)+0.5x(1)(s-1,h)；其中，x(1)(s,h)为所述生成数据序列x(1)(h)中的第s个所述生成数据，x(1)(s-1,h)为所述生成数据序列x(1)(h)中的第s-1个所述生成数据；其中，s为正整数且s＝2、3、…、n；
步骤203、无偏灰色预测模型的二级参数求解：调用二级参数求解模块，对所建立无偏灰色预测模型的四个二级参数C、D、E和F分别进行求解；
其中， x(0)(s,h)为中的第s个所述滚筒高度数据；
步骤204、无偏灰色预测模型的一级参数求解：根据步骤203中求解出的所建立灰色预测模型的四个二级参数C、D、E和F，调用一级参数求解模块，对所建立灰色预测模型的两个一级参数a和b分别进行求解；
其中，
步骤205、无偏灰色参数求解：根据步骤204中求解出的所建立无偏灰色预测模型的两个一级参数a和b，调用无偏灰色参数求解模块，对所建立灰色预测模型的两个无偏灰色参数α和β分别进行求解；
其中，
步骤206、无偏灰色预测模型建立：根据步骤205中求解出的所建立无偏灰色预测模型的两个无偏灰色参数α和β，调用无偏灰色预测模型建立模块，建立无偏灰色预测模型；所建立的无偏灰色预测模型为：其中，x(0)(1,h)为中的第1个所述滚筒高度数据，k″为正整数且k″≥1；
步骤206中建立所述无偏灰色预测模型后，采用数据处理设备(2)且根据所建立的所述无偏灰色预测模型，获得m个所述截割位置中第h个所述截割位置的截割高度初步预测结果其中， 中的第g个所述滚筒高度初步预测值g为正整数且g＝1、2、3、…、n+1。
9.按照权利要求1或2所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤301中所述预测残差的马尔可夫链中包括m×h个所述预测残差；
步骤302中采用数据处理设备(2)且调用马尔科夫预测算法模块对步骤301中所述预测残差的马尔可夫链进行处理时，过程如下：
步骤3021、状态划分：根据步骤301中所述预测残差的马尔可夫链中的m×h个所述预测残差，采用数据处理设备(2)对所述预测残差的状态进行划分，获得所述预测残差的J个状态；所述预测残差的J个状态中的第j个状态记作状态j，其中J为正整数且J≥3，j为正整数且j＝1、…、J；
步骤3022、一步转移概率矩阵计算：根据步骤301中所述预测残差的马尔可夫链中m×h个所述预测残差，采用数据处理设备(2)且调用一步转移概率矩阵模块，计算得出所述预测残差的一步转移概率矩阵；
所述一步转移概率矩阵为J阶方阵，所述一步转移概率矩阵中的第i行第j数据记作Pij，其中Pij为所述预测残差由状态i转移至状态j的转移概率；i为正整数且i＝1、…、J；
步骤3023、马尔可夫预测：采用数据处理设备(2)对第n+1组预测残差中m个截割位置处的预测残差分别进行预测，第n+1组预测残差中m个截割位置处预测残差的预测方法均相同；
其中，对中第h个截割位置处的预测残差进行预测时，包括以下步骤：
步骤A1、根据步骤301中所述预测残差的马尔可夫链，获得第n组预测残差中第h个截割位置处的预测残差
步骤A2、根据步骤3021中所述预测残差的J个状态划分结果，对步骤A1中所述预测残差的状态进行判断，得出所述预测残差的状态；
所述预测残差的状态记作状态i'，其中i'为正整数且i'＝1、…、J；
步骤A3、根据步骤A2中判断得出的所述预测残差的状态i'，并结合步骤3022中所述一步转移概率矩阵，得出所述预测残差的最大转移概率；
所述预测残差的最大转移概率记作Pi'j'，Pi'j'为所述一步转移概率矩阵中的第i'行第j'列数据，其中j'为正整数且j'＝1、2、…、J；
步骤A4、根据步骤A3中得出的所述预测残差的最大转移概率Pi'j'，得出所述预测残差的状态；
所述预测残差的状态为状态j'；
步骤A5、根据步骤A4中得出的所述预测残差的状态j'，并结合步骤3021中所述预测残差的J个状态划分结果，得出所述预测残差
10.按照权利要求9所述的一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法，其特征在于：步骤3021进行状态划分时，先找出m×h个所述预测残差中的最大值和最小值，所找出的最大值为预测残差最大值且其记作所找出的最小值为预测残差最大值且其记作再从区间中选取J-1个数值，所选取的J-1个数值组成状态划分端点数据列，所述状态划分端点数据列中的J-1个数值按照数值从小到大的顺序由前至后进行排列，所述状态划分端点数据列中的第j″个数值记作再利用所选取的J-1个数值将区间划分为J个区间，划分好的J个区间为分别为所述预测残差的J个状态的状态区间；其中，j″为正整数且j″＝1、2、…、J-1；
J个所述区间中的第j个区间为状态j的状态区间；状态j的状态区间的两个端点值分别记作和且当j＝1时，当2≤j≤J时，当j＝J时，当1≤j≤J-1时，
步骤3022中所述的其中mj为m×h个所述预测残差中位于状态j的状态区间内的所有预测残差的总数量，mi为m×h个所述预测残差中位于状态i的状态区间内的所有预测残差的总数量；
步骤A2中对步骤A1中所述预测残差的状态进行判断时，根据所述预测残差所处的状态区间，对所述预测残差的状态进行判断；所述预测残差位于状态i'的状态区间内；
步骤A3中所述预测残差的最大转移概率Pi'j'为所述一步转移概率矩阵的第i'行数据中数值最大的数据；
步骤A5中所述预测残差其中和为状态j'的状态区间的两个端点值，且
CN201610643449.9A 2016-08-08 2016-08-08 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法 Active CN106295873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610643449.9A CN106295873B (zh) 2016-08-08 2016-08-08 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610643449.9A CN106295873B (zh) 2016-08-08 2016-08-08 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法

Publications (2)

Publication Number Publication Date
CN106295873A true CN106295873A (zh) 2017-01-04
CN106295873B CN106295873B (zh) 2017-10-03

Family

ID=57666398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610643449.9A Active CN106295873B (zh) 2016-08-08 2016-08-08 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法

Country Status (1)

Country Link
CN (1) CN106295873B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368928A (zh) * 2017-08-03 2017-11-21 西安科技大学 一种古建筑沉降的组合预测方法及系统
CN109657783A (zh) * 2019-01-08 2019-04-19 浙江大学 强鲁棒的具有长短时记忆能力的采煤机记忆截割系统
CN109854242A (zh) * 2019-01-08 2019-06-07 浙江大学 一种基于混沌理论的采煤机滚筒自动预测系统
CN109886420A (zh) * 2019-01-08 2019-06-14 浙江大学 一种自适应的采煤机截割高度智能预测系统
CN109902830A (zh) * 2019-01-08 2019-06-18 浙江大学 基于混沌理论和集成学习的采煤机截割高度预测系统
CN111309973A (zh) * 2020-01-21 2020-06-19 杭州安脉盛智能技术有限公司 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法
CN113821917A (zh) * 2021-08-31 2021-12-21 国能榆林能源有限责任公司 一种综采设备作业过程中已采区顶底板形状的估算方法
CN113882857A (zh) * 2020-07-03 2022-01-04 郑州煤机智能工作面科技有限公司 一种采煤机差异化记忆割煤方法及系统
CN114893761A (zh) * 2022-07-13 2022-08-12 克拉玛依市城投油砂矿勘探有限责任公司 一种基于蒸汽干度计量的蒸汽加热方法及系统
CN113882857B (zh) * 2020-07-03 2024-05-14 郑州煤机智能工作面科技有限公司 一种采煤机差异化记忆割煤方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6666521B1 (en) * 1999-05-11 2003-12-23 American Mining Electronics, Inc. System for controlling cutting horizons for continuous type mining machines
CN202731919U (zh) * 2012-07-30 2013-02-13 西安煤矿机械有限公司 一种采煤机自动截割控制系统
CN103399581A (zh) * 2013-07-10 2013-11-20 中国矿业大学 一种采煤机滚筒截割路径平整性实时自动调节方法
CN103775080A (zh) * 2013-12-31 2014-05-07 中国矿业大学 一种薄煤层无人工作面采煤机姿态角调整模型的构建方法
CN104481534A (zh) * 2014-11-06 2015-04-01 中国矿业大学 一种采煤机滚筒自动调高系统
CN104695957A (zh) * 2015-02-15 2015-06-10 山东科技大学 一种采煤机滚筒自动调高控制系统及其工作方法
CN104790948A (zh) * 2015-02-15 2015-07-22 山东科技大学 一种采煤机滚筒自动调高的控制方法
CN105422095A (zh) * 2015-11-26 2016-03-23 中国矿业大学 一种基于电机驱动控制的采煤机滚筒调高装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6666521B1 (en) * 1999-05-11 2003-12-23 American Mining Electronics, Inc. System for controlling cutting horizons for continuous type mining machines
CN202731919U (zh) * 2012-07-30 2013-02-13 西安煤矿机械有限公司 一种采煤机自动截割控制系统
CN103399581A (zh) * 2013-07-10 2013-11-20 中国矿业大学 一种采煤机滚筒截割路径平整性实时自动调节方法
CN103775080A (zh) * 2013-12-31 2014-05-07 中国矿业大学 一种薄煤层无人工作面采煤机姿态角调整模型的构建方法
CN104481534A (zh) * 2014-11-06 2015-04-01 中国矿业大学 一种采煤机滚筒自动调高系统
CN104695957A (zh) * 2015-02-15 2015-06-10 山东科技大学 一种采煤机滚筒自动调高控制系统及其工作方法
CN104790948A (zh) * 2015-02-15 2015-07-22 山东科技大学 一种采煤机滚筒自动调高的控制方法
CN105422095A (zh) * 2015-11-26 2016-03-23 中国矿业大学 一种基于电机驱动控制的采煤机滚筒调高装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊启高 等: "一种采用灰色马尔科夫组合模型的采煤机记忆截割算法", 《中南大学学报(自然科学版)》 *
邢永峰: "基于灰色马尔科夫模型的采煤机自适应截割策略研究", 《煤矿机械》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368928A (zh) * 2017-08-03 2017-11-21 西安科技大学 一种古建筑沉降的组合预测方法及系统
CN109902830B (zh) * 2019-01-08 2021-04-09 浙江大学 基于混沌理论和集成学习的采煤机截割高度预测系统
CN109854242A (zh) * 2019-01-08 2019-06-07 浙江大学 一种基于混沌理论的采煤机滚筒自动预测系统
CN109886420A (zh) * 2019-01-08 2019-06-14 浙江大学 一种自适应的采煤机截割高度智能预测系统
CN109902830A (zh) * 2019-01-08 2019-06-18 浙江大学 基于混沌理论和集成学习的采煤机截割高度预测系统
CN109657783A (zh) * 2019-01-08 2019-04-19 浙江大学 强鲁棒的具有长短时记忆能力的采煤机记忆截割系统
CN109657783B (zh) * 2019-01-08 2023-04-07 浙江大学 强鲁棒的具有长短时记忆能力的采煤机记忆截割系统
CN111309973A (zh) * 2020-01-21 2020-06-19 杭州安脉盛智能技术有限公司 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法
CN111309973B (zh) * 2020-01-21 2024-01-05 杭州安脉盛智能技术有限公司 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法
CN113882857A (zh) * 2020-07-03 2022-01-04 郑州煤机智能工作面科技有限公司 一种采煤机差异化记忆割煤方法及系统
CN113882857B (zh) * 2020-07-03 2024-05-14 郑州煤机智能工作面科技有限公司 一种采煤机差异化记忆割煤方法及系统
CN113821917A (zh) * 2021-08-31 2021-12-21 国能榆林能源有限责任公司 一种综采设备作业过程中已采区顶底板形状的估算方法
CN113821917B (zh) * 2021-08-31 2024-04-30 国能榆林能源有限责任公司 一种综采设备作业过程中已采区顶底板形状的估算方法
CN114893761A (zh) * 2022-07-13 2022-08-12 克拉玛依市城投油砂矿勘探有限责任公司 一种基于蒸汽干度计量的蒸汽加热方法及系统

Also Published As

Publication number Publication date
CN106295873B (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN106295873A (zh) 一种面向采煤机记忆截割的灰色马尔可夫链轨迹预测方法
CN106194181A (zh) 基于地质数据的智能化工作面煤岩界面识别方法
CN102797462B (zh) 一种采煤机自动截割控制系统及自动截割控制方法
CN107091089B (zh) 基于采煤机震源超前探测的采煤机自动调高装置及方法
CN108868807B (zh) 盾构掘进纠偏的智能控制方法
CN113379909B (zh) 一种透明工作面智能开采大数据分析决策方法和系统
WO2020119177A1 (zh) 壁式连采连充保水采煤及水资源运移监测、水害预警方法
CN109386291B (zh) 掘进机截割路径规划方法、装置及掘进机截割控制系统
CN101629807B (zh) 掘进机机身位姿参数测量系统及其方法
CN111223182B (zh) 一种综采工作面数字化开采模型构建系统及方法
CN104481534B (zh) 一种采煤机滚筒自动调高系统
Wojtal Deformation within foreland thrust sheets by populations of minor faults
CN103362507B (zh) 一种提高采煤机记忆截割执行精度的方法
CN202731919U (zh) 一种采煤机自动截割控制系统
AU2017363908A1 (en) Method for controlling attitude of longwall mining shearer based on coal-seam geographic information system
CN106296817A (zh) 一种基于地质数据的工作面煤层三维建模方法
CN109931958A (zh) 一种基于uwb采煤机工作面端头校准装置及方法
CN106194180A (zh) 基于滑窗与灰色马尔可夫链的采煤机调高轨迹预测方法
CN112814676A (zh) 基于综采工作面煤层三维模型构建的割煤轨迹动态修正方法
CN105806256B (zh) 一种巷道掘进示阔装置及其操作方法
CN112668109B (zh) 一种综采工作面截割路线模型建立方法
CN106256991B (zh) 一种采煤机记忆截割与记忆定位联合学习方法
CN116151482A (zh) 一种露天矿区的开采土方量预测方法、装置、设备及介质
CN114412459B (zh) 一种智能化综采工作面采煤机少传感无示教自动截割方法
CN104680305B (zh) 一种料场中物料存量的管理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant