CN109854242B - 一种基于混沌理论的采煤机滚筒自动预测系统 - Google Patents

一种基于混沌理论的采煤机滚筒自动预测系统 Download PDF

Info

Publication number
CN109854242B
CN109854242B CN201910016087.4A CN201910016087A CN109854242B CN 109854242 B CN109854242 B CN 109854242B CN 201910016087 A CN201910016087 A CN 201910016087A CN 109854242 B CN109854242 B CN 109854242B
Authority
CN
China
Prior art keywords
coal mining
mining machine
height
roller
calculating
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
Application number
CN201910016087.4A
Other languages
English (en)
Other versions
CN109854242A (zh
Inventor
徐志鹏
蒋雅萍
刘兴高
张泽银
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910016087.4A priority Critical patent/CN109854242B/zh
Publication of CN109854242A publication Critical patent/CN109854242A/zh
Application granted granted Critical
Publication of CN109854242B publication Critical patent/CN109854242B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于混沌理论的采煤机滚筒自动预测系统，该系统由传感模块和控制模块组成。传感模块测量滚筒采煤机工作时的滚筒高度时间序列，并把时间序列传到控制模块；控制模块预测下一时刻的滚筒高度，并将预测值传给到采煤机，使采煤机根据预测结果自动调整滚筒高度。其中控制模块包含一个基于梯度提升树GBDT的滚筒高度预测器和基于混沌理论的时间序列相空间重构器。克服目前采煤机滚筒高度的记忆截割算法没有考虑到时间序列的混沌特性的不足，确定最小嵌入维数以保证训练样本的数量，进一步提高预测的准确性。

Description

一种基于混沌理论的采煤机滚筒自动预测系统
技术领域
本发明涉及煤矿开采领域，尤其涉及一种基于混沌理论的采煤机滚筒自动预测系统。
背景技术
综采工作面的采煤装备中由采煤机、刮板输送机和液压支架组成的“三机”是配套、协调工作的，采煤机依靠工作面刮板输送机导向并在其上移动，而工作面刮板输送机与液压支架又互为支点进行移驾和推溜。采煤机主要用于完成工作面的落煤与装煤。采煤机的控制包括滚筒调高控制和机身水平牵引控制。采煤机自动调高是自动化采煤的重要环节，并且对提高煤炭质量、延长机器寿命、提高设备的可靠性、保障工人安全都有着重要意义。
在运用记忆截割方式之前，主要通过研究煤岩物理界面识别方法进行采煤机调高控制，但是许多技术难题有待解决。之后，以美国JOY公司、德国Eickhoff公司和德国DBT公司为代表的煤机企业提出了采煤机记忆截割法，即根据以往高度预测下一时刻的高度，该方法实现简单，但是对于地质条件有一定要求，不是直接识别煤岩分界，是一种间接识别技术，属于半自动调高。目前，也有研究者提出采用单纯灰色预测方式改进传统采煤机记忆截割算法，该算法工作效率比传统方法的高。但所有的记忆截割算法都没有考虑到时间序列的混沌特性，在预测过程中存在一定误差。
发明内容
为了克服目前采煤机滚筒高度的记忆截割算法没有考虑到时间序列的混沌特性的不足，本发明的目的在于提供一种可靠的采煤机切割模式识别系统，该系统基于混沌理论对采煤机滚筒高度时间序列进行相空间重构，利用梯度提升树GBDT预测器自动预测系统，提高预测的准确性。
本发明的目的是通过以下技术方案来实现的：一种基于混沌理论的采煤机滚筒自动预测系统，该系统由传感模块、控制模块组成。各模块的连接方式为：传感模块测量滚筒采煤机工作时的滚筒高度时间序列，并把时间序列传到控制模块；控制模块预测下一时刻的滚筒高度，并将预测值传给到采煤机，使采煤机根据预测结果自动调整滚筒高度。
其中传感模块测量滚筒采煤机工作时连续n个采样时间点的滚筒高度(x1,x2,…,xn)，n>100，并把时间序列(x1,x2,…,xn)传到控制模块。
进一步地，控制模块包含一个基于梯度提升树GBDT的滚筒高度预测器和时间序列的相空间重构器。首先对时间序列(x1,x2,…,xn)，进行混沌特性分析，完成相空间重构，具体步骤为：
(1)计算赫斯特指数H：
(1.1)计算每t长度序列的均值
Figure BDA0001939119270000021
和标准差S(t)，t＝1,2,…,n：
Figure BDA0001939119270000022
Figure BDA0001939119270000023
(1.2)计算累积离差zt：
Figure BDA0001939119270000024
(1.3)计算极差R(t)：
Figure BDA0001939119270000025
(1.4)绘制ln(t)～lnR(t)/S(t),t＝1,2,…,n曲线，并用最小二乘法拟合，拟合直线的斜率即为赫斯特指数H。
(1.6)当H≠0.5时，时间序列(x1,x2,…,xn)为非标准的随机序列，而是服从持久的、有偏的随机过程，满足混沌的前提条件，跳到步骤(2)。否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)。
(2)计算延迟时间τ0：
平均互信信息量I(τ)为：
Figure BDA0001939119270000026
绘制τ～I(τ)，τ＝1,2,...,n曲线，取曲线的第一个极小值点对应的时间作为相空间重构的延迟时间τ0。
(3)计算最小嵌入维数mmin:
(3.1)延迟时间为τ0的m维相空间中，第t个相点矢量记为:
Figure BDA0001939119270000027
(3.2)定义变量a(t,m)为：
Figure BDA0001939119270000028
其中
Figure BDA0001939119270000031
为Xm(t)以最大范数为距离公式的最近邻点；距离公式采用最大范数，即
Figure BDA0001939119270000032
(3.3)a(t,m)关于t的均值E(m)为：
Figure BDA0001939119270000033
(3.4)定义a(t,m)的均值比E1(m)、最近邻点绝对值均值E*(m)和绝对值均值比E2(m)分别为：
Figure BDA0001939119270000034
Figure BDA0001939119270000035
Figure BDA0001939119270000036
绘制m～E1(m)和m～E2(m)曲线，m＝1,2,3,…,n，当m>m0时，E1(m)趋于稳定性的值且E2(m)为常值1，选取满足要求的最小的m0为最小嵌入维数mmin。
(4)计算最大李雅普诺夫指数λ1：
(4.1)对时间序列(x1,x2,…,xn)进行快速傅里叶变换，计算其平均周期P。
(4.2)延迟时间为τ0的mmin维相空间中，第t个相点矢量记为:
Figure BDA0001939119270000037
(4.3)找到相点
Figure BDA0001939119270000038
的最近邻点
Figure BDA0001939119270000039
同时限制其在相空间中短时分离：
Figure BDA00019391192700000310
(4.4)针对相空间中的任一相点
Figure BDA00019391192700000311
求得其对应邻点对的j个离散时间后的距离为：
Figure BDA00019391192700000312
(4.5)对于每个j，求出所有的ln(dt(j))的平均y(j)，即：
Figure BDA00019391192700000313
式中，q是dt(j)≠0的个数，ε是一个很小的常数，ε＝0.01。
(4.6)绘制j～y(j)曲线，用最小二乘法拟合该曲线，则回归直线的斜率就是该时间序列的最大李雅普诺夫指数λ1。
(4.7)若λ1＞0，则时间序列(x1,x2,…,xn)为混沌序列，重构方法如下：
否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)。
(5)若(x1,x2,…,xn)不满足混沌特性，取延迟时间为τ0＝1，嵌入维数为mmin＝50，对序列(x1,x2,…,xn)进行重构：
Figure BDA0001939119270000042
将相空间重构后的X(i)、Y(i)(i＝1,2,…,K,K＝n-mmin·τ0)分别作为GBDT预测器的输入与输出，训练得到采煤机滚动高度预测模型。
将传感模块测量得到的序列X(K+1)输入到训练完成的采煤机滚动高度预测模型，预测Y(K+1)。
将预测值Y(K+1)传给采煤机，使采煤机根据预测结果自动调整滚筒高度。
本发明的有益效果主要表现在：本发明根据采煤机滚筒的高度时间序列预测下一时刻的高度，方法实现简单；采用集成学习算法GBDT作为预测器，预测准确率高；考虑时间序列的混沌特性，进行时间序列相空间重构，确定最小嵌入维数以保证训练样本的数量，进一步提高预测的准确性。
附图说明
图1是本发明的结构示意图。
图2是本发明相空间重构流程图。
具体实施方式
下面根据附图具体说明本发明。
参照图1，一种基于混沌理论的采煤机滚筒自动预测系统，该系统由传感模块2、控制模块3组成。各模块的连接方式为：传感模块2测量滚筒采煤机1工作时的滚筒高度时间序列，并把时间序列传到控制模块3；控制模块3预测下一时刻的滚筒高度，并将预测值传给到采煤机1，使采煤机1根据预测结果自动调整滚筒高度。控制模块3包含一个基于梯度提升树GBDT的滚筒高度预测器5和时间序列的相空间重构器4。
首先对滚筒高度的时间序列(x1,x2,…,xn)，n>100，进行混沌特性分析，完成相空间重构，参照图2，具体步骤为：
(1)计算赫斯特指数H：
(1.1)计算每t长度序列的均值
Figure BDA0001939119270000051
和标准差S(t)，t＝1,2,…,n：
Figure BDA0001939119270000052
Figure BDA0001939119270000053
(1.2)计算累积离差zt：
Figure BDA0001939119270000054
(1.3)计算极差R(t)：
Figure BDA0001939119270000055
(1.4)绘制ln(t)～lnR(t)/S(t),t＝1,2,…,n曲线，并用最小二乘法拟合，拟合直线的斜率即为赫斯特指数H。
(1.6)当H≠0.5时，时间序列(x1,x2,…,xn)为非标准的随机序列，而是服从持久的、有偏的随机过程，满足混沌的前提条件，跳到步骤(2)。否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)。
(2)计算延迟时间τ0：
平均互信信息量I(τ)为：
Figure BDA0001939119270000056
绘制τ～I(τ)，τ＝1,2,...,n曲线，取曲线的第一个极小值点对应的时间作为相空间重构的延迟时间τ0。
(3)计算最小嵌入维数mmin:
(3.1)延迟时间为τ0的m维相空间中，第t个相点矢量记为:
Figure BDA0001939119270000061
(3.2)定义变量a(t,m)为：
Figure BDA0001939119270000062
其中
Figure BDA0001939119270000063
为Xm(t)以最大范数为距离公式的最近邻点；距离公式采用最大范数，即
Figure BDA0001939119270000064
(3.3)a(t,m)关于t的均值E(m)为：
Figure BDA0001939119270000065
(3.4)定义a(t,m)的均值比E1(m)、最近邻点绝对值均值E*(m)和绝对值均值比E2(m)分别为：
Figure BDA0001939119270000066
Figure BDA0001939119270000067
Figure BDA0001939119270000068
绘制m～E1(m)和m～E2(m)曲线，m＝1,2,3,…,n，当m>m0时，E1(m)趋于稳定性的值且E2(m)为常值1，选取满足要求的最小的m0为最小嵌入维数mmin。
(4)计算最大李雅普诺夫指数λ1：
(4.1)对时间序列(x1,x2,…,xn)进行快速傅里叶变换，计算其平均周期P。
(4.2)延迟时间为τ0的mmin维相空间中，第t个相点矢量记为:
Figure BDA0001939119270000069
(4.3)找到相点
Figure BDA00019391192700000610
的最近邻点
Figure BDA00019391192700000611
同时限制其在相空间中短时分离：
Figure BDA00019391192700000612
(4.4)针对相空间中的任一相点
Figure BDA00019391192700000613
求得其对应邻点对的j个离散时间后的距离为：
Figure BDA00019391192700000614
(4.5)对于每个j，求出所有的ln(dt(j))的平均y(j)，即：
Figure BDA0001939119270000071
式中，q是dt(j)≠0的个数，ε是一个很小的常数，ε＝0.01。
(4.6)绘制j～y(j)曲线，用最小二乘法拟合该曲线，则回归直线的斜率就是该时间序列的最大李雅普诺夫指数λ1。
(4.7)若λ1＞0，则时间序列(x1,x2,…,xn)为混沌序列，重构方法如下：
Figure BDA0001939119270000072
否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)。
(5)若(x1,x2,…,xn)不满足混沌特性，取延迟时间为τ0＝1，嵌入维数为mmin＝50，对序列(x1,x2,…,xn)进行重构：
Figure BDA0001939119270000073
将相空间重构后的X(i)、Y(i)(i＝1,2,…,K,K＝n-mmin·τ0)分别作为GBDT预测器5的输入与输出，训练得到采煤机滚动高度预测模型。
将传感模块测量得到的序列X(K+1)输入到训练完成的采煤机滚动高度预测模型，预测Y(K+1)。
将预测值Y(K+1)传给采煤机1，使采煤机1根据预测结果自动调整滚筒高度。
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)

1.一种基于混沌理论的采煤机滚筒自动预测系统，其特征在于：该系统由传感模块、控制模块组成；
所述传感模块测量滚筒采煤机工作时连续n个采样时间点的滚筒高度(x1,x2,…,xn)，n>100，并把时间序列(x1,x2,…,xn)传到控制模块；
所述控制模块包含一个基于梯度提升树GBDT的滚筒高度预测器和时间序列的相空间重构器；首先对时间序列(x1,x2,…,xn)，进行混沌特性分析，完成相空间重构，具体步骤为：
(1)计算赫斯特指数H：
(1.1)计算每t长度序列的均值
Figure FDA0002469961280000011
和标准差S(t)，t＝1,2,…,n：
Figure FDA0002469961280000012
Figure FDA0002469961280000013
(1.2)计算累积离差zt：
Figure FDA0002469961280000014
(1.3)计算极差R(t)：
Figure FDA0002469961280000015
(1.4)绘制ln(t)～lnR(t)/S(t),t＝1,2,…,n曲线，并用最小二乘法拟合，拟合直线的斜率即为赫斯特指数H；
(1.6)当H≠0.5时，时间序列(x1,x2,…,xn)为非标准的随机序列，而是服从持久的、有偏的随机过程，满足混沌的前提条件，跳到步骤(2)；否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)；
(2)计算延迟时间τ0：
平均互信信息量I(τ)为：
Figure FDA0002469961280000016
绘制τ～I(τ)，τ＝1,2,...,n曲线，取曲线的第一个极小值点对应的时间作为相空间重构的延迟时间τ0；
(3)计算最小嵌入维数mmin:
(3.1)延迟时间为τ0的m维相空间中，第t个相点矢量记为:
Figure FDA0002469961280000021
(3.2)定义变量a(t,m)为：
Figure FDA0002469961280000022
其中
Figure FDA0002469961280000023
为Xm(t)以最大范数为距离公式的最近邻点；距离公式采用最大范数，即
Figure FDA0002469961280000024
(3.3)a(t,m)关于t的均值E(m)为：
Figure FDA0002469961280000025
(3.4)定义a(t,m)的均值比E1(m)、最近邻点绝对值均值E*(m)和绝对值均值比E2(m)分别为：
Figure FDA0002469961280000026
Figure FDA0002469961280000027
Figure FDA0002469961280000028
绘制m～E1(m)和m～E2(m)曲线，m＝1,2,3,…,n，当m>m0时，E1(m)趋于稳定性的值且E2(m)为常值1，选取满足要求的最小的m0为最小嵌入维数mmin；
(4)计算最大李雅普诺夫指数λ1：
(4.1)对时间序列(x1,x2,…,xn)进行快速傅里叶变换，计算其平均周期P；
(4.2)延迟时间为τ0的mmin维相空间中，第t个相点矢量记为:
Figure FDA0002469961280000029
(4.3)找到相点
Figure FDA00024699612800000210
的最近邻点
Figure FDA00024699612800000211
同时限制其在相空间中短时分离：
Figure FDA00024699612800000212
(4.4)针对相空间中的任一相点
Figure FDA00024699612800000213
求得其对应邻点对的j个离散时间后的距离为：
Figure FDA0002469961280000031
(4.5)对于每个j，求出所有的ln(dt(j))的平均y(j)，即：
Figure FDA0002469961280000032
式中，q是dt(j)≠0的个数，ε是一个很小的常数，ε＝0.01；
(4.6)绘制j～y(j)曲线，用最小二乘法拟合该曲线，则回归直线的斜率就是该时间序列的最大李雅普诺夫指数λ1；
(4.7)若λ1＞0，则时间序列(x1,x2,…,xn)为混沌序列，重构方法如下：
Figure FDA0002469961280000033
否则，(x1,x2,…,xn)不满足混沌特性，跳到步骤(5)；
(5)若(x1,x2,…,xn)不满足混沌特性，取延迟时间为τ0＝1，嵌入维数为mmin＝50，对序列(x1,x2,…,xn)进行重构：
Figure FDA0002469961280000034
将相空间重构后的X(i)、Y(i)，i＝1,2,…,K,K＝n-mmin·τ0，分别作为GBDT预测器的输入与输出，训练得到采煤机滚动高度预测模型；
将传感模块测量得到的序列X(K+1)输入到训练完成的采煤机滚动高度预测模型，预测Y(K+1)；
将预测值Y(K+1)传给采煤机，使采煤机根据预测结果自动调整滚筒高度。
CN201910016087.4A 2019-01-08 2019-01-08 一种基于混沌理论的采煤机滚筒自动预测系统 Expired - Fee Related CN109854242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910016087.4A CN109854242B (zh) 2019-01-08 2019-01-08 一种基于混沌理论的采煤机滚筒自动预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910016087.4A CN109854242B (zh) 2019-01-08 2019-01-08 一种基于混沌理论的采煤机滚筒自动预测系统

Publications (2)

Publication Number Publication Date
CN109854242A CN109854242A (zh) 2019-06-07
CN109854242B true CN109854242B (zh) 2020-09-11

Family

ID=66894136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910016087.4A Expired - Fee Related CN109854242B (zh) 2019-01-08 2019-01-08 一种基于混沌理论的采煤机滚筒自动预测系统

Country Status (1)

Country Link
CN (1) CN109854242B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410209B1 (ko) * 2011-12-19 2014-06-23 주식회사 한국무역정보통신 화주중심의 물류거점 최적화시스템
JP6364923B2 (ja) * 2014-04-24 2018-08-01 株式会社明電舎 予測装置及び予測方法
CN106295873B (zh) * 2016-08-08 2017-10-03 西安科技大学 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
CN107292390A (zh) * 2017-05-24 2017-10-24 重庆邮电大学 一种基于混沌理论的信息传播模型及其传播方法
CN107091089B (zh) * 2017-07-04 2019-01-11 中国矿业大学 基于采煤机震源超前探测的采煤机自动调高装置及方法
CN107491832A (zh) * 2017-07-12 2017-12-19 国网上海市电力公司 基于混沌理论的电能质量稳态指标预测方法
CN108412490B (zh) * 2018-03-14 2021-02-05 北京天地玛珂电液控制系统有限公司 一种采煤机调高控制方法和系统
CN108708720A (zh) * 2018-03-26 2018-10-26 太重煤机有限公司 采煤机截割高度自动调节控制方法
CN108830417B (zh) * 2018-06-13 2021-01-08 山东师范大学 一种基于arma和回归分析的生活能源消费预测方法及系统

Also Published As

Publication number Publication date
CN109854242A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN107632523B (zh) 一种硬岩tbm掘进控制参数智能决策方法及系统
CN109815565B (zh) 一种综采液压支架载荷的分段预测方法
CN109798138B (zh) 一种适用于综采工作面的液压支架的循环末阻力预测方法
CN109113771B (zh) 基于bp神经网络模型的液压支架电液自适应控制系统
CN103362507B (zh) 一种提高采煤机记忆截割执行精度的方法
CN110110740B (zh) 基于多时间尺度特征和神经网络的钻进过程工况识别方法
CN111898669B (zh) 一种基于机器学习的直流矿热炉异常事件预警系统
CN111963116B (zh) 一种自适应和智能分析决策的智能气田系统和方法
CN106295873B (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
CN114329810B (zh) 基于大数据的盾构机工作姿态实时预测方法
CN109653779B (zh) 一种综采工作面采煤循环内液压支架载荷的动态预测方法
CN116335925B (zh) 基于数据增强的煤矿井下乳化泵站智能调控系统
CN110728003B (zh) 一种井工煤矿工作面液压支架压力智能预测方法
CN111767003A (zh) 一种基于不同工况的采掘设备传感器数据自适应采集方法
CN111144001A (zh) 一种基于bp神经网络的矿山井筒工程tbm控制方法
CN109854242B (zh) 一种基于混沌理论的采煤机滚筒自动预测系统
CN111322082A (zh) 一种tbm滚刀状态监测及故障诊断方法、系统
CN114827144B (zh) 一种煤矿综采工作面三维虚拟仿真决策分布式系统
CN112983417A (zh) 一种煤矿采掘装备数据分析预警方法
CN112031839A (zh) 有限数据条件下的矿压时空双周期预测方法、装置及设备
CN114427430B (zh) 一种多井实时协同的钻井参数优化方法与系统
CN117424513A (zh) 基于皮带流量及轮斗电流实现恒流控制的控制方法及其系统
CN111402158A (zh) 一种综采工作面低照度雾尘图像清晰化方法
CN109902830B (zh) 基于混沌理论和集成学习的采煤机截割高度预测系统
CN108242025B (zh) 基于信息熵-区间数的砂岩油藏注水开发效果评价方法

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

Granted publication date: 20200911

Termination date: 20220108

CF01 Termination of patent right due to non-payment of annual fee