CN109886420B - 一种自适应的采煤机截割高度智能预测系统 - Google Patents

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

一种自适应的采煤机截割高度智能预测系统

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,…,h_n)。

(2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值

(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，x_i为输入特征，y_i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N_s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Y_s作为训练集,采集N_v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Y_v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＝[y_i,y_i,…,y_n-1-(m-1)τ]为标签序列，X＝x₁,x₂,..,x_n-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；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (4)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (5)

其中i＝1,2,…,m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik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f_i。并将当前各粒子的位置和适应度存储在各粒子的P_i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P_g。

其中

分别代表计算值和真实值

2.3)更新粒子群惯性权重系数μ(t)

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t_max＝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(P_g)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P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为粒子位置在P_i时的粒子群优化算法适应度值；f(P_g)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P_i和种群极值P_g；

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；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(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H_t＝(h_t,h_t-τ,…,h_t-(m-1)τ)，对测试数据进行标准化：

(2)将标准化后的测试数据重构成相空间

(3)将重构后的测试数据

作为预测输入，利用训练好的采煤机截割高度XGBoost模型预测模型对采煤机截割高度进行预测：

其中，f_opt为训练好的采煤机截割高度XGBoost模型，

为预测的采煤机截割高度。

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,…,h_n)。

(2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值

(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，x_i为输入特征，y_i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N_s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Y_s作为训练集,采集N_v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Y_v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＝[y_i,y_i,…,y_n-1-(m-1)τ]为标签序列，X＝x₁,x₂,..,x_n-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；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (4)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (5)

其中i＝1,2,…,m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik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f_i。并将当前各粒子的位置和适应度存储在各粒子的P_i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P_g。

其中

分别代表计算值和真实值

2.3)更新粒子群惯性权重系数μ(t)

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t_max＝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(P_g)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P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为粒子位置在P_i时的粒子群优化算法适应度值；f(P_g)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P_i和种群极值P_g；

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；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(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H_t＝(h_t,h_t-τ,…,h_t-(m-1)τ)，对测试数据进行标准化：

(2)将标准化后的测试数据重构成相空间

(3)将重构后的测试数据

作为预测输入，利用训练好的采煤机截割高度XGBoost模型预测模型对采煤机截割高度进行预测：

其中，f_opt为训练好的采煤机截割高度XGBoost模型，

为预测的采煤机截割高度。

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，...，h_n)；

(1.2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值

(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，x_j为输入特征，y_j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N_s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Y_s作为训练集，采集N_v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Y_v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，...，y_n-1-(q-1)τ]为标签序列，X＝x₁，x₂，..，x_n-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；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (4)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (5)

其中，i＝1，2，...，m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik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f_i；并将当前各粒子的位置存储在各粒子的P_i中，选取种群中适应值最优粒子的位置存储于种群最优值P_g；

其中，

分别代表计算值和真实值；

3.2.3)更新粒子群惯性权重系数μ(d)

其中，μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，d_max＝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(P_g)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P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为第i个粒子在粒子位置在P_i时的粒子群优化算法适应值；f(P_g)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P_i和种群最优值P_g；

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；v_ik(d+1)是第i个粒子的第k个分量在第d+1次迭代的速度，v_ik(d)是第i个粒子的第k个分量在第d次迭代的速度，r_ik(d+1)是第i个粒子的第k个分量在第d+1次迭代的位置，r_ik(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H_t＝(h_t，h_t-τ，...，h_t-(q-1)τ)，对测试数据进行标准化：

(4.2)将标准化后的测试数据重构成相空间

(4.3)将重构后的测试数据

作为预测输入，利用训练好的采煤机截割高度XGBoost预测模型对采煤机截割高度进行预测：

其中，f_opt为训练好的采煤机截割高度XGBoost预测模型，

为预测的采煤机截割高度。

Images