CN109886420B - 一种自适应的采煤机截割高度智能预测系统 - Google Patents
一种自适应的采煤机截割高度智能预测系统 Download PDFInfo
- Publication number
- CN109886420B CN109886420B CN201910015715.7A CN201910015715A CN109886420B CN 109886420 B CN109886420 B CN 109886420B CN 201910015715 A CN201910015715 A CN 201910015715A CN 109886420 B CN109886420 B CN 109886420B
- Authority
- CN
- China
- Prior art keywords
- cutting height
- coal mining
- mining machine
- particle
- value
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自适应的采煤机截割高度智能预测系统,用于对采煤机截割高度进行智能预测,包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块。克服目前已有的采煤机截割高度智能预测系统识别精度低,鲁棒性差,普适性差的不足,本发明适用范围广,预测精度高,鲁棒性强,可应用于实际生产过程中提高采煤机生产安全性。
Description
技术领域
本发明涉及煤炭开采领域,尤其涉及一种自适应的采煤机截割高度智能预测系统。
背景技术
在现代煤矿开采中,采煤机是综采工作面不可或缺的设备,采煤机滚筒的自动调高装置是为了适应煤层厚度的变化及顶、底板的起伏而设计的。此装置现阶段依旧依赖于人工调整。采用人工调整存在着精度低、速度慢、并存在安全隐患。采煤机截割高度预测实现自动调高是实现自动化开采,提高采煤效率的重大关键技术。
目前,国内外学者针对采煤机截割高度预测方面进行了多方面的研究,主要包括以下技术:雷达探测法、γ射线探测法、记忆截割模板等。上述方法存在以下的缺点。一方面,由于井下煤层和围岩条件的复杂性,传感信号特征难以准确、可靠判断煤岩分界,识别率低。另一方面,对于记忆截割模板,当煤层厚度或者煤层走向角度发生变化时,记忆截割模板失配。以上问题导致传统的高度预测方法识别精度低,鲁棒性差,普适性差,无法投入实际生产应用。
发明内容
为了克服目前已有的采煤机截割高度预测系统识别精度低,鲁棒性差,普适性差的不足,本发明的目的在于提供一种自适应的采煤机截割高度智能预测系统。本发明根据已有的历史采煤机截割高度数据组建立模型来预测下一时刻的截割高度。不仅无需安装额外的传感器或修改采煤机的机械部件,而且可用于恶劣的工作条件。本发明易于操作,适用范围广,预测精度高,保障井下安全作业。
本发明解决其技术问题所采用的技术方案是:一种自适应的采煤机截割高度智能预测系统,包括输入数据预处理模块、采煤机截割高度极限梯度提升(eXtreme GradientBoosting,XGBoost)模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型预测模块。现场数据采集传感器、数据库、一种自适应的采煤机截割高度智能预测系统以及输出显示模块依次相连,所述现场数据采集传感器对采煤机历史截割高度信号进行采集,并将数据储存到所述的数据库中,数据库中包含历史采煤机截割高度数据为一种自适应的采煤机截割高度智能预测系统提供数据支持。
进一步地,所述输入数据预处理模块用以进行采煤机截割高度数据预处理,采用如下过程完成:
(1)从数据库中采集n个采煤机截割高度信号H=(h1,h2,…,hn)。
(3)相空间重构。对归一化处理后的数据进行重构,计算出的延迟时间τ和嵌入维数m对截割高度序列进行重构,重构方法如下,获得n-1-(m-1)τ组输入输出样本对:
其中,xi为输入特征,yi为标签,i=1,2,…,n-1-(m-1)τ。
进一步地,所述采煤机截割高度XGBoost预测模型建模模块,根据现场数据采集传感器采集到已有历史的截割高度数据组,建立采煤机截割高度预测模型。
(1)从数据库中采集Ns个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Ys作为训练集,采集Nv个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Yv作为测试集;
(2)采用训练集进行监督训练,得到基于Xgboost的采煤机截割高度预测模型:
Y=f(X) (3)
其中Y=[yi,yi,…,yn-1-(m-1)τ]为标签序列,X=x1,x2,..,xn-1-(m-1)τ为输入序列,f是XGBoost采煤机截割高度模型。
进一步地,所述智能寻优模块,用以对Xgboost的重要参数:学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成:
(1)对于学习率和Tree-based的基础参数采用网格搜索方法:
learning_rate=0.05~0.3,stride=0.05
max_depth=2~7,stride=1
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值,在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride1=0.05在0.05~0.3范围内进行搜索;max_depth最大树深度以步长stride2=1在2~7范围内进行搜索。
(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
2.1)随机产生初始粒子群速度和位置;
vik=U×(vmax-vmin)+vmin vmin≤v≤vmax (4)
rik=U×(rmax-rmin)+rmin rmin≤r≤rmax (5)
其中i=1,2,…,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数
2.2)计算第i个粒子的适应度fi。并将当前各粒子的位置和适应度存储在各粒子的Pi中,选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg。
2.3)更新粒子群惯性权重系数μ(t)
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,tmax=150为最大迭代次数。
2.4)设定初始温度;一般采用初温T为:
其中f(Pg)为粒子群最优适应度值。
2.5)计算各粒子接收概率。加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值;f(Pg)为粒子群最优适应度值。
2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的个体极值Pi和种群极值Pg;
其中,α1是个体加速度参数,α2是全局加速度参数,和是0-1之间的随机数,t为迭代次数;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
2.7)进行退温处理;
T=δT (11)
其中δ为退火速度,设置为0.95。
2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回2.2)继续迭代;
其中,粒子群规模为50-100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应度选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
(3)重复步骤(1)和步骤(2),将优化好的模型在验证集上进行测试,选取训练集验证集上正确率率最高的模型作为最优模型。
进一步地,所述采煤机截割高度XGBoost预测模型预测模块用以利用训练好的采煤机截割高度XGBoost预测模型,结合历史采煤机截割高度数据对未来采煤机截割高度进行预测。采用如下过程完成:
(1)数据库中获取当前时刻t的采煤机截割高度数据Ht=(ht,ht-τ,…,ht-(m-1)τ),对测试数据进行标准化:
本发明的技术构思为:本发明对采煤机截割高度数据进行预处理,对序列进行相空间重构,基于XGBoost算法对重构后的数据建立采煤机截割高度模型,对采煤机未来截割高度进行预测;引入智能寻优方法,对模型参数进行不断优化提高预测精确度,从而建立基于一种自适应的采煤机截割高度智能预测系统。
本发明的有益效果主要表现在:1.利用XGBoost算法建立的采煤机截割高度预测模型,可以快速、准确而鲁棒地在线预测采煤机截割高度。可用于恶劣环境下,适用范围广,预测精度高;2、引入智能寻优算法对模型参数进行自动寻优,避免了人为设定的随机性,提高了模型自适应能力和可靠性。
附图说明
图1一种自适应的采煤机截割高度智能预测系统的整体架构图;
图2一种自适应的采煤机截割高度智能预测系统的功能模块图;
图3一种自适应的采煤机截割高度智能预测系统的智能寻优模块算法流程图。
具体实施方式
下面根据附图具体说明本发明。
参考图1、图2,一种自适应的采煤机截割高度智能预测系统的整体架构图,涉及现场数据采集传感器1、数据库2、一种自适应的采煤机截割高度智能预测系统3、输出显示模块4、输入数据预处理模块5、采煤机截割高度极限梯度提升(eXtreme Gradient Boosting,XGBoost)预测模型建模模块6、智能寻优模块7、采煤机截割高度极限梯度提升(eXtremeGradient Boosting,XGBoost)预测模型预测模块8。所述现场数据采集传感器1、数据库2、一种自适应的采煤机截割高度智能预测系统3、输出显示模块4依次相连,所述现场数据采集传感1器对采煤机历史截割高度信号进行采集,并将数据储存到所述的数据库2中,数据库2中包含历史采煤机截割高度数据为一种自适应的采煤机截割高度智能预测系统3提供数据支持,一种自适应的采煤机截割高度智能预测系统3预测得到的结果将通过结果显示模块4输出显示。
进一步地,所述输入数据预处理模块5用以进行采煤机截割高度数据预处理,采用如下过程完成:
(1)从数据库2中采集n个采煤机截割高度信号H=(h1,h2,…,hn)。
(3)相空间重构。对归一化处理后的数据进行重构,计算出的延迟时间τ和嵌入维数m对截割高度序列进行重构,重构方法如下,获得n-1-(m-1)τ组输入输出样本对:
其中,xi为输入特征,yi为标签,i=1,2,…,n-1-(m-1)τ。
进一步地,所述采煤机截割高度XGBoost预测模型建模模块6,根据现场数据采集传感器1采集到已有历史的截割高度数据组,建立采煤机截割高度模型,来预测下一时刻的截割高度。
(1)从数据库2中采集Ns个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Ys作为训练集,采集Nv个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Yv作为测试集;
(2)采用训练集进行监督训练,得到基于Xgboost的采煤机截割高度预测模型:
Y=f(X) (3)
其中Y=[yi,yi,…,yn-1-(m-1)τ]为标签序列,X=x1,x2,..,xn-1-(m-1)τ为输入序列,f是XGBoost采煤机截割高度模型。
进一步地,所述智能寻优模块7,用以对Xgboost的重要参数:学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成:
(1)对于学习率和Tree-based的基础参数采用网格搜索方法:
learning_rate=0.05~0.3,stride=0.05
max_depth=2~7,stride=1
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值,在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride1=0.05在0.05~0.3范围内进行搜索;max_depth最大树深度以步长stride2=1在2~7范围内进行搜索。
(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
2.1)随机产生初始粒子群速度和位置;
vik=U×(vmax-vmin)+vmin vmin≤v≤vmax (4)
rik=U×(rmax-rmin)+rmin rmin≤r≤rmax (5)
其中i=1,2,…,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数
2.2)计算第i个粒子的适应度fi。并将当前各粒子的位置和适应度存储在各粒子的Pi中,选取种群中适应值最优粒子的位置和适应值存储于种群最优值Pg。
2.3)更新粒子群惯性权重系数μ(t)
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,tmax=150为最大迭代次数。
2.4)设定初始温度;一般采用初温T为:
其中f(Pg)为粒子群最优适应度值。
2.5)计算各粒子接收概率。加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为粒子位置在Pi时的粒子群优化算法适应度值;f(Pg)为粒子群最优适应度值。
2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的个体极值Pi和种群极值Pg;
其中,α1是个体加速度参数,α=是全局加速度参数,和是0-1之间的随机数,t为迭代次数;vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度,vik(t)是第i个粒子的第k个分量在第t次迭代的速度,rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置,rik(t)是第i个粒子的第k个分量在第t次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
2.7)进行退温处理;
T=δT (11)
其中δ为退火速度,设置为0.95。
2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回2.2)继续迭代;
其中,粒子群规模为50-100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应度选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
(3)重复步骤(1)和步骤(2),将优化好的模型在验证集上进行测试,选取训练集验证集上正确率率最高的模型作为最优模型。
进一步地,所述采煤机截割高度XGBoost预测模型预测模块8用以利用训练好的采煤机截割高度XGBoost预测模型,结合历史采煤机截割高度数据对未来采煤机截割高度进行预测。采用如下过程完成:
(1)数据库2中获取当前时刻t的采煤机截割高度数据Ht=(ht,ht-τ,…,ht-(m-1)τ),对测试数据进行标准化:
进一步,输出显示模块4将采煤机截割高度XGBoost预测模型预测模块8获得的截割高度预报结果通过显示屏进行输出显示。
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)
1.一种自适应的采煤机截割高度智能预测系统,其特征在于:包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块;
所述输入数据预处理模块用以进行采煤机截割高度数据预处理,采用如下过程完成:
(1.1)从数据库中采集n个采煤机截割高度信号H=(h1,h2,...,hn);
(1.3)相空间重构:根据延迟时间τ和嵌入维数q对归一化处理后的数据进行重构,重构方法如下,获得n-1-(q-1)τ组输入输出样本对:
其中,xj为输入特征,yj为标签,j=1,2,...,n-1-(q-1)τ;
所述采煤机截割高度极限梯度提升模型建模模块根据现场数据采集传感器采集到的已有历史截割高度数据组建立采煤机截割高度预测模型;具体为:
(2.1)从数据库中采集Ns个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Ys作为训练集,采集Nv个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Yv作为测试集;
(2.2)采用训练集进行监督训练,得到基于XGBoost的采煤机截割高度预测模型:
Y=f(X) (3)
其中,Y=[y1,y2,...,yn-1-(q-1)τ]为标签序列,X=x1,x2,..,xn-1-(q-1)τ为输入序列,f是XGBoost采煤机截割高度模型;
所述智能寻优模块用以对XGBoost的重要参数:学习率learning_rate、最大树深度max_depth、最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma进行优化;采用如下过程完成:
(3.1)对于学习率和最大树深度采用网格搜索方法:学习率learning_rate以步长stride1=0.05在0.05~0.3范围内进行搜索;最大树深度max_depth以步长stride2=1在2~7范围内进行搜索;
(3.2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma采用自适应粒子群算法进行寻优;具体包括如下子步骤:
3.2.1)随机产生初始粒子群速度和位置;
vik=U×(vmax-vmin)+vmin vmin≤v≤vmax (4)
rik=U×(rmax-rmin)+rmin rmin≤r≤rmax (5)
其中,i=1,2,...,m,m代表种群规模,vik表示第i个粒子的第k个分量的速度,rik表示第i个粒子的第k个分量的位置,U为[0,1]间均匀分布的随机数;
3.2.2)计算第i个粒子的适应值fi;并将当前各粒子的位置存储在各粒子的Pi中,选取种群中适应值最优粒子的位置存储于种群最优值Pg;
3.2.3)更新粒子群惯性权重系数μ(d)
其中,μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,dmax=150为最大迭代次数;
3.2.4)设定初始温度;采用的初始温度T为:
其中,f(Pg)为粒子群最优适应值;
3.2.5)计算各粒子接收概率;加入模拟退火算法的机制,采用如下公式计算各Pi适配值,即替换种群最优值的概率:
其中,f(Pi)为第i个粒子在粒子位置在Pi时的粒子群优化算法适应值;f(Pg)为粒子群最优适应值;
3.2.6)更新粒子的速度和位置,产生新的群体,并更新各粒子的粒子位置Pi和种群最优值Pg;
其中,α1是个体加速度参数,α2是全局加速度参数,和是0-1之间的随机数,d为迭代次数;vik(d+1)是第i个粒子的第k个分量在第d+1次迭代的速度,vik(d)是第i个粒子的第k个分量在第d次迭代的速度,rik(d+1)是第i个粒子的第k个分量在第d+1次迭代的位置,rik(d)是第i个粒子的第k个分量在第d次迭代的位置,D是待寻优的参数个数,k=1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma;
3.2.7)进行退温处理;
T=δT (11)
其中,δ为退火速度,设置为0.95;
3.2.8)判断是否符合算法终止条件,若符合,输出全局最优粒子及其代表的最优解,并结束迭代;否则返回3.2.2)继续迭代;
其中,粒子群规模为50-100,个体加速度参数为0.5,全局加速度参数为0.35,个体适应值选择错误率的相反数,终止条件为连续五次迭代全局最优解不变;
(3.3)重复步骤(3.1)和步骤(3.2),将优化好的模型在验证集上进行测试,选取验证集上正确率最高的模型作为最优模型;
所述采煤机截割高度极限梯度提升模型预测模块用以利用训练好的采煤机截割高度XGBoost预测模型,结合历史采煤机截割高度数据对未来采煤机截割高度进行预测;采用如下过程完成:
(4.1)从数据库中获取当前时刻t的采煤机截割高度数据Ht=(ht,ht-τ,...,ht-(q-1)τ),对测试数据进行标准化:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015715.7A CN109886420B (zh) | 2019-01-08 | 2019-01-08 | 一种自适应的采煤机截割高度智能预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015715.7A CN109886420B (zh) | 2019-01-08 | 2019-01-08 | 一种自适应的采煤机截割高度智能预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886420A CN109886420A (zh) | 2019-06-14 |
CN109886420B true CN109886420B (zh) | 2021-09-21 |
Family
ID=66925752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910015715.7A Expired - Fee Related CN109886420B (zh) | 2019-01-08 | 2019-01-08 | 一种自适应的采煤机截割高度智能预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886420B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988803A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种高置信度动态调整的雷达辐射源个体识别系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106440844B (zh) * | 2016-07-20 | 2019-06-18 | 长春工业大学 | 一种篦冷机刮板速度控制方法 |
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 |
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 |
CN108899936A (zh) * | 2018-08-31 | 2018-11-27 | 广东工业大学 | 一种基于模拟退火粒子群算法的波浪发电方法 |
-
2019
- 2019-01-08 CN CN201910015715.7A patent/CN109886420B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
Adaptive height adjusting strategy research of shearer cutting drum;W. Li et al;《Acta Montanistica Slovaca》;20111231;第16卷(第1期);第114-122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886420A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934337A (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN105956526A (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN111126434B (zh) | 基于随机森林的微震初至波到时自动拾取方法及系统 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN109977747A (zh) | 一种综合时空特征的煤矸识别系统 | |
CN109886420B (zh) | 一种自适应的采煤机截割高度智能预测系统 | |
CN114063153A (zh) | 一种自动反演震源机制解的方法与装置 | |
CN114757266A (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN108229011B (zh) | 一种页岩岩相发育主控因素判断方法、设备及存储设备 | |
CN113886989A (zh) | 一种基于机器学习的石油钻井的参数优化方法及系统 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
CN115828095A (zh) | 基于一维力数据和自注意力机制的土壤类型在线识别方法及系统 | |
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 | |
CN112989984B (zh) | 一种煤岩界面识别方法 | |
CN109635880B (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
CN109871864B (zh) | 强鲁棒改进群智能优化的采煤机切割模式识别系统 | |
CN109657404B (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 |
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: 20210921 Termination date: 20220108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |