CN109826626B - 一种智能的采煤机切割模式识别系统 - Google Patents

Abstract

本发明公开了一种智能的采煤机切割模式识别系统，该系统由传感模块和控制模块组成。传感模块测量采煤机工作时的电机的运行速度、电流和电压，并将这些数据传到控制模块。控制模块结合参数智能优化算法和GBDT分类器根据运行数据智能地识别出当前地质条件，并将结果传输到采煤机使采煤机及时调节切割模式。本发明克服目前采煤机切割模式识别中检测设备复杂、识别准确度不够高的不足，以电机的运行速度、电流和电压为检测信号，检测设备简单且检测信号与切割模式之间有着可靠的对应关系；选用GBDT算法作为分类器，识别准确性高；使用改进的优化算法对分类器的参数进行优化，进一步提高识别的准确性。

Description

一种智能的采煤机切割模式识别系统

技术领域

本发明涉及煤矿开采领域，尤其涉及一种智能的采煤机切割模式识别系统。

背景技术

采煤机是全机械化采煤工作区的关键设备。为了保证设备的平稳运行，防止机电部件的损坏，实现采煤的自动化控制，减少工作面的人员数量，对采煤机的切割模式进行识别具有重要的意义。

采煤机切割模式识别主要基于煤岩界面的识别，目前煤岩界面的识别方法有伽马射线散射法，雷达探测法、震动测试法、光学测量技术、热敏测量技术等。尽管上述研究在切割模式识别上给出了大量有价值的实验数据和结果，但仍然有一些共同的缺点。首先，上述检测设备复杂，要求地质条件恶劣，在实际生产中不能满足广泛的应用。其次，目前所采用的识别方法不能准确地识别切割模式。

发明内容

为了克服目前采煤机切割模式识别中检测设备复杂、识别准确度不够高的不足，本发明的目的在于提供一种智能的采煤机切割模式识别系统，该系统以电机的运行速度、电流和电压为检测信号，检测设备简单且检测信号与切割模式之间有着可靠的对应关系；利用改进的智能优化算法确定模型的最优参数，提高识别的准确度。

本发明的目的是通过以下技术方案来实现的：一种智能的采煤机切割模式识别系统，该系统由传感模块和控制模块组成。各模块的连接方式为：传感模块测量采煤机工作时的电机的运行速度、电流和电压，并将这些数据传到控制模块；控制模块根据运行数据智能地识别出当前地质条件，并将结果传输到采煤机使采煤机及时调节切割模式。控制模块中包含煤岩界面识别模型，模型使用梯度提升树GBDT作为分类器，并使用优化算法对GBDT的两个参数n_estimators和learning_rate进行优化，其中n_estimators表示最大的弱学习器的个数，learning_rate表示每个弱学习器的权重缩减系数。优化步骤如下：

(1)以最大的弱学习器的个数n_estimators和每个弱学习器的权重缩减系数learning_rate为优化目标。随机初始化N个粒子，每个粒子的初始位置为p_i(0)＝(p_i1(0),p_i2(0)),i＝1,2,…,N,设定p_min1≤p_i1≤p_max1，p_min2≤p_i2≤p_max2，初始速度为v_i(0)＝(v_i1(0),v_i2(0)),v_min1≤v_i1≤v_max1，v_min2≤v_i2≤v_max2，当前迭代次数t＝0，最大迭代次数为t_max，其中下标min和max分别表示对应变量的最小值和最大值。设定N的范围为[10,100]，p_min1＝10，p_max1＝10²，p_min2＝10^-4，p_max2＝1，v_min1＝1，v_max1＝50，v_min2＝10-⁴，v_max2＝0.05，t_max的范围为[10,100]。

(2)将每个粒子的当前位置p_i(t)＝(p_i1(t),p_i2(t))作为参数n_estimators和learning_rate的值来设定GBDT分类器的参数。分类器的输入为电极的运行速度、电流和电压，输出为对应的煤岩界面类型，有煤界面、岩界面和煤岩混合界面三种。将所有具有完整输入输出对的样本分为训练集与测试集，训练集输入GBDT分类器中进行训练，并计算测试集的分类准确率fit_i(t)。记fit_worst(t)＝min_{j∈{1，...，N}}fit_j(t),fit_best(t)＝max_{j∈{1，...，N}}fit_j(t)，分别表示此次迭代所有粒子中最高的分类准确率和最低的分类准确率。截止到迭代次数t所有粒子中取得最高分类准确率的粒子的位置记为p_global＝(p_gloabl1,p_global2)。截止到迭代次数t每个粒子最低的分类准确率记为fit_i-worst。

(3)每一个粒子的加速度a_i(t)由如下得到：

其中rand_j为[0,1]之间的随机数，m_i(t)表示粒子i的绝对质量，M_i(t)表示粒子i的相对质量，G(t)表示随迭代次数变化的引力参数，R_ij表示粒子i与粒子j之间的距离，F_ij(t)表示粒子j对粒子i的作用力，ε为很小的常数，一般取10^-10，F_i(t)表示其他所有粒子对粒子i的作用力的总和，a_i(t)代表粒子i的加速度。

(4)更新粒子的速度v_i：

对于每个粒子，若fit_i(t)<fit_i(t-1)，则按照公式(8)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+c₁(t)×rand_i1×a_i(t)+c₂(t)×rand_i2×(p_global-p_i(t)) (8)

若fit_i(t)≥fit_i(t-1)，则以

的概率按照公式(8)更新粒子速度，以

的概率按照公式(9)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+rand_i×a_i(t) (9)

在公式(8)和公式(9)中，w为惯性系数，c₁、c₂为加速度系数：

且rand_i、rand_i1、rand_i2为[0,1]之间的随机数，fit_i-worst表示截止到迭代次数t粒子i的最低分类准确率。

(5)更新粒子的位置p_i：

p_i(t+1)＝p_i(t)+v_i(t+1) (13)

(6)迭代次数t＝t+1。利用更新后的速度和位置重复步骤(2)-(5)，直到满足t＝t_max则停止迭代。迭代结束后记录使得测试集分类准确率最高的粒子的位置，将其确定为GBDT分类器参数n_estimators和learning_rate的值。在该参数设置下训练GBDT分类器，得到最终的煤岩界面识别模型。

最后将未知分类结果的传感模块测量得到的电机的运行速度、电流和电压信号输入到步骤(6)中得到的最终的煤岩界面识别模型，分析得到具体的煤岩界面类型，再将结果传到采煤机，使之根据当前煤岩界面类型智能地调整切割模式。

本发明的有益效果主要表现在：本发明以电机的运行速度、电流和电压为检测信号，检测设备简单且检测信号与切割模式之间有着可靠的对应关系；选用GBDT算法作为分类器，识别准确性高；使用改进的优化算法对分类器的参数进行优化，进一步提高识别的准确性。

附图说明

图1是本发明的结构示意图。

图2是本发明控制模块中参数优化流程图。

具体实施方式

下面根据附图具体说明本发明。

参照图1，一种智能的采煤机切割模式识别系统，该系统由传感模块2和控制模块3组成，其中控制模块3由参数智能优化部分4以及GBDT分类器5构成。各模块的连接方式为：传感模块2测量采煤机1工作时的电机的运行速度、电流和电压，并将这些数据传到控制模块3；控制模块根据运行数据智能地识别出当前地质条件，并将结果传输到采煤机1使采煤机及时调节切割模式。控制模块中包含煤岩界面识别模型，模型使用梯度提升树GBDT作为分类器，并使用优化算法对GBDT的两个参数n_estimators和learning_rate进行优化，其中n_estimators表示最大的弱学习器的个数，learning_rate表示每个弱学习器的权重缩减系数。

参照图2，优化步骤如下：

(1)以最大的弱学习器的个数n_estimators和每个弱学习器的权重缩减系数learning_rate为优化目标。随机初始化N个粒子，每个粒子的初始位置为p_i(0)＝(p_i1(0),p_i2(0)),i＝1,2,…,N,设定p_min1≤p_i1≤p_max1，p_min2≤p_i2≤p_max2，初始速度为v_i(0)＝(v_i1(0),v_i2(0)),v_min1≤v_i1≤v_max1，v_min2≤v_i2≤v_max2，当前迭代次数t＝0，最大迭代次数为t_max，其中下标min和max分别表示对应变量的最小值和最大值。设定N的范围为[10,100]，p_min1＝10，p_max1＝10²，p_min2＝10^-4，p_max2＝1，v_min1＝1，v_max1＝50，v_min2＝10^-4，v_max2＝0.05，t_max的范围为[10,100]。

(2)将每个粒子的当前位置p_i(t)＝(p_i1(t),p_i2(t))作为参数n_estimators和learning_rate的值来设定GBDT分类器的参数。分类器的输入为电极的运行速度、电流和电压，输出为对应的煤岩界面类型，有煤界面、岩界面和煤岩混合界面三种。将所有具有完整输入输出对的样本分为训练集与测试集，训练集输入GBDT分类器中进行训练，并计算测试集的分类准确率fit_i(t)。记fit_worst(t)＝min_{j∈{1，...，N}}fit_j(t),fit_best(t)＝max_{j∈{1，...，N}}fit_j(t)，分别表示此次迭代所有粒子中最高的分类准确率和最低的分类准确率。截止到迭代次数t所有粒子中取得最高分类准确率的粒子的位置记为p_global＝(p_gloabl1,p_global2)。截止到迭代次数t每个粒子最低的分类准确率记为fit_i-worst。

(3)每一个粒子的加速度a_i(t)由如下得到：

其中rand_j为[0,1]之间的随机数，m_i(t)表示粒子i的绝对质量，M_i(t)表示粒子i的相对质量，G(t)表示随迭代次数变化的引力参数，R_ij表示粒子i与粒子j之间的距离，F_ij(t)表示粒子j对粒子i的作用力，ε为很小的常数，一般取10^-10，F_i(t)表示其他所有粒子对粒子i的作用力的总和，a_i(t)代表粒子i的加速度。

(4)更新粒子的速度v_t：

对于每个粒子，若fit_i(t)<fit_i(t-1)，则按照公式(8)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+c₁(t)×rand_i1×a_i(t)+c₂(t)×rand_i2×(p_global-p_i(t)) (8)

若fit_i(t)≥fit_i(t-1)，则以

的概率按照公式(8)更新粒子速度，以

的概率按照公式(9)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+rand_i×a_i(t) (9)

在公式(8)和公式(9)中，w为惯性系数，c₁、c₂为加速度系数：

且rand_i、rand_i1、rand_i2为[0,1]之间的随机数，fit_i-worst表示截止到迭代次数t粒子i的最低分类准确率。

(5)更新粒子的位置p_i：

p_i(t+1)＝p_i(t)+v_i(t+1) (13)

(6)迭代次数t＝t+1。利用更新后的速度和位置重复步骤(2)-(5)，直到满足t＝t_max则停止迭代。迭代结束后记录使得测试集分类准确率最高的粒子的位置，将其确定为GBDT分类器参数n_estimators和learning_rate的值。在该参数设置下训练GBDT分类器，得到最终的煤岩界面识别模型。

最后将未知分类结果的传感模块2测量得到的电机的运行速度、电流和电压信号输入到步骤(6)中得到的最终的煤岩界面识别模型，分析得到具体的煤岩界面类型，再将结果传到采煤机1，使之根据当前煤岩界面类型智能地调整切割模式。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种智能的采煤机切割模式识别系统，其特征在于：该系统由传感模块和控制模块组成；采煤机的切割模式受到地质条件变化的影响，与切割载荷有对应关系，而切割载荷可以通过采煤机的电机运行数据反映出来；所述传感模块测量采煤机工作时的电机的运行速度、电流和电压，并将这些数据传到控制模块；所述控制模块根据运行数据智能地识别出当前地质条件，并将结果传输到采煤机使采煤机及时调节切割模式；控制模块中包含煤岩界面识别模型，模型使用梯度提升树GBDT作为分类器，并使用优化算法对GBDT的两个参数n_estimators和learning_rate进行优化，其中n_estimators表示最大的弱学习器的个数，learning_rate表示每个弱学习器的权重缩减系数；优化步骤如下：

(1)以最大的弱学习器的个数n_estimators和每个弱学习器的权重缩减系数learning_rate为优化目标；随机初始化N个粒子，每个粒子的初始位置为p_i(0)＝(p_i1(0),p_i2(0)),i＝1,2,…,N,设定p_min1≤p_i1≤p_max1，p_min2≤p_i2≤p_max2，初始速度为v_i(0)＝(v_i1(0),v_i2(0)),v_min1≤v_i1≤v_max1，v_min2≤v_i2≤v_max2，当前迭代次数t＝0，最大迭代次数为t_max，其中下标min和max分别表示对应变量的最小值和最大值；设定N的范围为[10,100]，p_min1＝10，p_max1＝10²，p_min2＝10^-4，p_max2＝1，v_min1＝1，v_max1＝50，v_min2＝10^-4，v_max2＝0.05，t_max的范围为[10,100]；

(2)将每个粒子的当前位置p_i(t)＝(p_i1(t),p_i2(t))作为参数n_estimators和learning_rate的值来设定GBDT分类器的参数；分类器的输入为电极的运行速度、电流和电压，输出为对应的煤岩界面类型，有煤界面、岩界面和煤岩混合界面三种；将所有具有完整输入输出对的样本分为训练集与测试集，训练集输入GBDT分类器中进行训练，并计算测试集的分类准确率fit_i(t)；记fit_worst(t)＝min_j∈{1，...，N_}fit_j(t)，fit_best(t)＝max_{j∈{1，...，N}}fit_j(t)，分别表示此次迭代所有粒子中最高的分类准确率和最低的分类准确率；截止到迭代次数t所有粒子中取得最高分类准确率的粒子的位置记为p_global＝(p_gloabl1,p_global2)；截止到迭代次数t每个粒子最低的分类准确率记为fit_i-worst；

(3)每一个粒子的加速度a_i(t)由如下得到：

其中rand_j为[0,1]之间的随机数，m_i(t)表示粒子i的绝对质量，M_i(t)表示粒子i的相对质量，G(t)表示随迭代次数变化的引力参数，R_ij表示粒子i与粒子j之间的距离，F_ij(t)表示粒子j对粒子i的作用力，ε为很小的常数，一般取10^-10，F_i(t)表示其他所有粒子对粒子i的作用力的总和，a_i(t)代表粒子i的加速度；

(4)更新粒子的速度v_i：

对于每个粒子，若fit_i(t)<fit_i(t-1)，则按照公式(8)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+c₁(t)×rand_i1×a_i(t)+c₂(t)×rand_i2×(p_glo_bal-p_i(t)) (8)

若fit_i(t)≥fit_i(t-1)，则以

的概率按照公式(8)更新粒子速度，以

的概率按照公式(9)更新粒子速度：

v_i(t+1)＝w(t)×v_i(t)+rand_i×a_i(t) (9)

在公式(8)和公式(9)中，w为惯性系数，c₁、c₂为加速度系数：

且rand_i、rand_i1、rand_i2为[0,1]之间的随机数，fit_i-worst表示截止到迭代次数t粒子i的最低分类准确率；

(5)更新粒子的位置p_i：

p_i(t+1)＝p_i(t)+v_i(t+1) (13)

(6)迭代次数t＝t+1；利用更新后的速度和位置重复步骤(2)-(5)，直到满足t＝t_max则停止迭代；迭代结束后记录使得测试集分类准确率最高的粒子的位置，将其确定为GBDT分类器参数n_estimators和learning_rate的值；在该参数设置下训练GBDT分类器，得到最终的煤岩界面识别模型；

将未知分类结果的传感模块测量得到的电机的运行速度、电流和电压信号输入到步骤(6)中得到的最终的煤岩界面识别模型，分析得到具体的煤岩界面类型，再将结果传到采煤机，使之根据当前煤岩界面类型智能地调整切割模式。

Images