CN109826626B - 一种智能的采煤机切割模式识别系统 - Google Patents
一种智能的采煤机切割模式识别系统 Download PDFInfo
- Publication number
- CN109826626B CN109826626B CN201910015729.9A CN201910015729A CN109826626B CN 109826626 B CN109826626 B CN 109826626B CN 201910015729 A CN201910015729 A CN 201910015729A CN 109826626 B CN109826626 B CN 109826626B
- Authority
- CN
- China
- Prior art keywords
- particle
- coal
- fit
- mining machine
- coal mining
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Combined Means For Separation Of Solids (AREA)
- Feedback Control In General (AREA)
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
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pi(0)=(pi1(0),pi2(0)),i=1,2,…,N,设定pmin1≤pi1≤pmax1,pmin2≤pi2≤pmax2,初始速度为vi(0)=(vi1(0),vi2(0)),vmin1≤vi1≤vmax1,vmin2≤vi2≤vmax2,当前迭代次数t=0,最大迭代次数为tmax,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],pmin1=10,pmax1=102,pmin2=10-4,pmax2=1,vmin1=1,vmax1=50,vmin2=10-4,vmax2=0.05,tmax的范围为[10,100]。
(2)将每个粒子的当前位置pi(t)=(pi1(t),pi2(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fiti(t)。记fitworst(t)=minj∈{1,...,N}fitj(t),fitbest(t)=maxj∈{1,...,N}fitj(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pglobal=(pgloabl1,pglobal2)。截止到迭代次数t每个粒子最低的分类准确率记为fiti-worst。
(3)每一个粒子的加速度ai(t)由如下得到:
其中randj为[0,1]之间的随机数,mi(t)表示粒子i的绝对质量,Mi(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,Rij表示粒子i与粒子j之间的距离,Fij(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,Fi(t)表示其他所有粒子对粒子i的作用力的总和,ai(t)代表粒子i的加速度。
(4)更新粒子的速度vi:
对于每个粒子,若fiti(t)<fiti(t-1),则按照公式(8)更新粒子速度:
vi(t+1)=w(t)×vi(t)+c1(t)×randi1×ai(t)+c2(t)×randi2×(pglobal-pi(t)) (8)
vi(t+1)=w(t)×vi(t)+randi×ai(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randi、randi1、randi2为[0,1]之间的随机数,fiti-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pi:
pi(t+1)=pi(t)+vi(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=tmax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pi(0)=(pi1(0),pi2(0)),i=1,2,…,N,设定pmin1≤pi1≤pmax1,pmin2≤pi2≤pmax2,初始速度为vi(0)=(vi1(0),vi2(0)),vmin1≤vi1≤vmax1,vmin2≤vi2≤vmax2,当前迭代次数t=0,最大迭代次数为tmax,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],pmin1=10,pmax1=102,pmin2=10-4,pmax2=1,vmin1=1,vmax1=50,vmin2=10-4,vmax2=0.05,tmax的范围为[10,100]。
(2)将每个粒子的当前位置pi(t)=(pi1(t),pi2(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fiti(t)。记fitworst(t)=minj∈{1,...,N}fitj(t),fitbest(t)=maxj∈{1,...,N}fitj(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pglobal=(pgloabl1,pglobal2)。截止到迭代次数t每个粒子最低的分类准确率记为fiti-worst。
(3)每一个粒子的加速度ai(t)由如下得到:
其中randj为[0,1]之间的随机数,mi(t)表示粒子i的绝对质量,Mi(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,Rij表示粒子i与粒子j之间的距离,Fij(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,Fi(t)表示其他所有粒子对粒子i的作用力的总和,ai(t)代表粒子i的加速度。
(4)更新粒子的速度vt:
对于每个粒子,若fiti(t)<fiti(t-1),则按照公式(8)更新粒子速度:
vi(t+1)=w(t)×vi(t)+c1(t)×randi1×ai(t)+c2(t)×randi2×(pglobal-pi(t)) (8)
vi(t+1)=w(t)×vi(t)+randi×ai(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randi、randi1、randi2为[0,1]之间的随机数,fiti-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pi:
pi(t+1)=pi(t)+vi(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=tmax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pi(0)=(pi1(0),pi2(0)),i=1,2,…,N,设定pmin1≤pi1≤pmax1,pmin2≤pi2≤pmax2,初始速度为vi(0)=(vi1(0),vi2(0)),vmin1≤vi1≤vmax1,vmin2≤vi2≤vmax2,当前迭代次数t=0,最大迭代次数为tmax,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],pmin1=10,pmax1=102,pmin2=10-4,pmax2=1,vmin1=1,vmax1=50,vmin2=10-4,vmax2=0.05,tmax的范围为[10,100];
(2)将每个粒子的当前位置pi(t)=(pi1(t),pi2(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fiti(t);记fitworst(t)=minj∈{1,...,N}fitj(t),fitbest(t)=maxj∈{1,...,N}fitj(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pglobal=(pgloabl1,pglobal2);截止到迭代次数t每个粒子最低的分类准确率记为fiti-worst;
(3)每一个粒子的加速度ai(t)由如下得到:
其中randj为[0,1]之间的随机数,mi(t)表示粒子i的绝对质量,Mi(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,Rij表示粒子i与粒子j之间的距离,Fij(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,Fi(t)表示其他所有粒子对粒子i的作用力的总和,ai(t)代表粒子i的加速度;
(4)更新粒子的速度vi:
对于每个粒子,若fiti(t)<fiti(t-1),则按照公式(8)更新粒子速度:
vi(t+1)=w(t)×vi(t)+c1(t)×randi1×ai(t)+c2(t)×randi2×(pglobal-pi(t)) (8)
vi(t+1)=w(t)×vi(t)+randi×ai(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randi、randi1、randi2为[0,1]之间的随机数,fiti-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pi:
pi(t+1)=pi(t)+vi(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=tmax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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015729.9A CN109826626B (zh) | 2019-01-08 | 2019-01-08 | 一种智能的采煤机切割模式识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015729.9A CN109826626B (zh) | 2019-01-08 | 2019-01-08 | 一种智能的采煤机切割模式识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109826626A CN109826626A (zh) | 2019-05-31 |
CN109826626B true CN109826626B (zh) | 2020-10-20 |
Family
ID=66861543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910015729.9A Expired - Fee Related CN109826626B (zh) | 2019-01-08 | 2019-01-08 | 一种智能的采煤机切割模式识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109826626B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795369B (zh) * | 2023-02-09 | 2023-05-26 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006031342A2 (en) * | 2004-08-19 | 2006-03-23 | Applied Imaging Corp. | Paraffin-control marker |
KR101491196B1 (ko) * | 2007-08-03 | 2015-02-06 | 스마트시그널 코포레이션 | 결함 패턴 매칭을 위한 퍼지 분류 접근 |
CN106407624B (zh) * | 2016-11-23 | 2019-04-30 | 太原理工大学 | 一种虚拟采煤机记忆截割方法 |
US10922717B2 (en) * | 2017-04-07 | 2021-02-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for activity recommendation |
CN108875955B (zh) * | 2017-05-10 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 基于参数服务器的梯度提升决策树的实现方法及相关设备 |
CN108960431A (zh) * | 2017-05-25 | 2018-12-07 | 北京嘀嘀无限科技发展有限公司 | 指标的预测、模型的训练方法及装置 |
CN206845180U (zh) * | 2017-06-12 | 2018-01-05 | 中国神华能源股份有限公司 | 一种煤岩识别装置 |
CN107269280B (zh) * | 2017-07-18 | 2019-12-27 | 山东科技大学 | 基于滚筒采煤机截割的煤岩识别装置 |
CN208109689U (zh) * | 2017-11-27 | 2018-11-16 | 宁夏广天夏电子科技有限公司 | 采煤工作面煤岩识别视频检测装置 |
CN108119140B (zh) * | 2017-12-29 | 2019-10-15 | 郑州智谷工业技术有限公司 | 一种采煤机掘进姿态调整系统 |
-
2019
- 2019-01-08 CN CN201910015729.9A patent/CN109826626B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109826626A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN107122860B (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN106053067A (zh) | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN109635879B (zh) | 一种参数最优的采煤机故障诊断系统 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN108549866B (zh) | 基于密集卷积神经网络的遥感飞机识别方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN115628930B (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
CN109826626B (zh) | 一种智能的采煤机切割模式识别系统 | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
Zhou et al. | An adaptive data driven model for characterizing rock properties from drilling data | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
Jiang et al. | Development of a core feature identification application based on the Faster R-CNN algorithm | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN114357887A (zh) | 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN107422373B (zh) | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 | |
CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
CN113901932A (zh) | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 | |
CN114482990A (zh) | 钻井溢流预警的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201020 Termination date: 20220108 |