CN109886421A - 基于集成学习的群智能采煤机切割模式识别系统 - Google Patents
基于集成学习的群智能采煤机切割模式识别系统 Download PDFInfo
- Publication number
- CN109886421A CN109886421A CN201910015762.1A CN201910015762A CN109886421A CN 109886421 A CN109886421 A CN 109886421A CN 201910015762 A CN201910015762 A CN 201910015762A CN 109886421 A CN109886421 A CN 109886421A
- Authority
- CN
- China
- Prior art keywords
- coalcutter
- cut mode
- module
- colony intelligence
- xgboost
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于集成学习的群智能采煤机切割模式识别系统,用以对采煤机的切割模型进行识别,包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型建模模块、群智能寻优模块以及采煤机切割未知信号识别模块。本发明能够准确识别采煤机切割模式,采用集成学习算法建立采煤机切割模式识别模型,通过为建模过程添加群智能寻优过程,避免了参数人为选择的随机性导致的模型准确度和置信度下降的问题。
Description
技术领域
本发明涉及信号处理领域、群智能优化领域和集成学习领域,尤其涉及一种结合集成学习和群智能优化算法的采煤机切割模式识别系统。
背景技术
我国正全力发展经济,对能源的需求日益增长。煤炭占据了一次能源消耗量70%左右,是国家经济的重要支柱之一。大力提高采煤过程的自动化,机械化和信息化水平,减少井下工作人员的数量是采煤行业的发展方向和趋势。采煤机作为采煤工作面的关键设备,在煤炭生产过程中具有重要意义。解决采煤机的切割模式识别问题,是提高自动化程度的前提。
切割模式识别是指识别采煤机是否正在切割煤或岩石。切割模式识别一直是国内外的研究热点。已经出现的多种切割模式识别方法包括雷达探测法、图像分析法、γ射线探测法等。上述方法都存在一些共同的缺点。一方面,识别率受地质条件的影响,使检测设备的成本大大提高。另一方面,上述方法设备的安装过于复杂,并需要特定的地质条件,导致系统难以维护。以上问题导致传统的方法识别精度低,鲁棒性差,无法投入实际生产使用。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种识别精度高、鲁棒性强的基于集成学习的采煤机切割模式识别系统。由于切割模式与切割负荷之间存在相关关系,受到电机运行状态的影响。因此,本发明根据电机运行数据与切割模式之间关系建立模型来识别采煤机切割模式。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与特定的地质条件。本发明易于操作,适用范围广,识别精度高,鲁棒性强,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:基于集成学习的群智能采煤机切割模式识别系统,包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtremeGradient Boosting,XGBoost)模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块。数据采集传感器、数据库、基于集成学习的群智能采煤机切割模式识别系统以及结果显示模块依次相连,所述数据采集传感器对采煤机切割时的速度、电流、电压等工作参数进行采集,部分数据可以对切割模式进行人工标注作为标签,并将数据储存到所述的数据库中。数据库中带切割模式标签的历史采煤机截割工作参数数据为基于集成学习的群智能采煤机切割模式识别系统提供数据支持。基于集成学习的群智能采煤机切割模式识别系统识别得到的结果将通过结果显示模块输出显示。
进一步地数据预处理模块用以进行采煤机切割数据预处理,采用如下过程完成:
(1)从数据库中采集1个采煤机切割信号,其特征分别为xi,i=1,2,...d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
进一步地,采煤机切割模式识别XGBoost模型建模模块用以建立采煤机切割XGBoost识别模型,采用如下过程完成:
(1)从数据库中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集,采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集;
(2)采用训练集进行监督训练,得到基于XGBoost的采煤机切割模式识别模型:
Y=f(X)。 (2)
进一步地,群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等的优化。采用如下过程完成:
(1)对于重要基础参数学习率和最大树深度采用网格搜索方法:
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stride为网格搜索步长。
(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;
(2.2)计算种群多样性指数D(t):
其中,Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,表示F(Gbest(t))表示对应的适应度值,m是粒子群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值;
(2.3)更新粒子群学习速率参数μ(t):
(2.4)更新粒子的速度和位置,产生新的群体;
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,m为粒子群规模;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,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R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;
(2.5)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;否则返回第(2.2)步继续迭代;
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,采煤机未知切割模式识别模块,利用训练好最优XGBoost采煤机切割模式识别模型的对新采集的采煤机未知切割信号进行识别。采用如下过程完成:
(1)对新采集到的采煤机未知切割信号Xt进行预处理:
(2)利用自适应寻优模块优化后的XGBoost最优识别模型对采煤机未知切割进行识别:
其中,fopt为优化后的最优模型,为预测的未知采煤机切割类别。
进一步地,采煤机未知切割模式识别模块获得的切割模式识别结果通过结果显示模块输出显示。
本发明的技术构思为:本发明对采煤机切割数据进行预处理,并利用Xgboost算法对预处理后的数据进行非线性拟合,引入参数自适应方法,从而建立基于集成学习的群智能采煤机切割模式识别系统及方法。
本发明的有益效果主要表现在:1、引入快速鲁棒的集成学习算法,可以准确地在线预测采煤机未知切割信号工作模式,可用于恶劣环境下,适用范围广;2、引入群智能优化算法实现参数自适应、寻优效果好,解决了人为设定参数的随机性造成的准确度和置信度下降的问题,识别精度高;3、无需安装冗余传感器,易于操作,保障井下安全作业;
附图说明
图1基于集成学习的群智能采煤机切割模式识别系统的基本硬件结构图;
图2基于集成学习的群智能采煤机切割模式识别系统的功能模块图;
图3是群智能优化算法流程图;
具体实施方式
下面根据附图具体说明本发明。
参照图1、图2、图3所示,基于集成学习的群智能采煤机切割模式识别系统,包括数据预处理模块5、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型建模模块6、群智能寻优模块7以及采煤机未知切割模式识别模块8。数据采集传感器1、数据库2、基于集成学习的群智能采煤机切割模式识别系统3以及结果显示模块4依次相连,所述数据采集传感器1对采煤机切割时的速度、电流、电压等工作参数进行采集,部分数据可以进行人工标注作为标签,并将数据储存到所述的数据库2中。数据库2中带切割模式标签的历史采煤机截割工作参数数据为基于集成学习的群智能采煤机切割模式识别系统3提供数据支持。基于集成学习的群智能采煤机切割模式识别系统3识别得到的结果将通过结果显示模块4输出显示。
进一步地数据预处理模块5用以进行采煤机切割数据预处理,采用如下过程完成:
(1)从数据库2中采集1个采煤机切割信号,其特征分别为xi,i=1,2,...d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
进一步地,采煤机切割模式识别XGBoost模型建模模块6用以建立采煤机切割XGBoost识别模型,采用如下过程完成:
(1)从数据库2中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集,采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集;
(2)采用训练集进行监督训练,得到基于XGBoost的采煤机切割模式识别模型:
Y=f(X)。 (2)
进一步地,群智能寻优模块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等的优化。采用如下过程完成:
(1)对于重要基础参数学习率和最大树深度采用网格搜索方法:
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stride为网格搜索步长。
(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。参照图3所示。
(2.1)随机产生初始粒子群速度和位置;
(2.2)计算种群多样性指数D(t):
其中,Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,表示F(Gbest(t))表示对应的适应度值,m是粒子群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值;
(2.3)更新粒子群学习速率参数μ(t):
(2.4)更新粒子的速度和位置,产生新的群体;
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,m为粒子群规模;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,rtk(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,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R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;
(2.5)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;否则返回第(2.2)步继续迭代;
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,采煤机未知切割模式识别模块8,利用训练好最优XGBoost采煤机切割模式识别模型的对新采集的采煤机未知切割信号进行识别。采用如下过程完成:
(1)对新采集到的采煤机未知切割信号Xi进行预处理:
(2)利用自适应寻优模块优化后的XGBoost最优识别模型对采煤机未知切割进行识别:
其中,fopt为优化后的最优模型,为预测的未知采煤机切割类别。
进一步地,采煤机未知切割模式识别模块8获得的切割模式识别结果通过结果显示模块4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 (5)
1.基于集成学习的群智能采煤机切割模式识别系统,其特征在于:包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块。
2.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述数据预处理模块用以进行采煤机切割数据预处理,采用如下过程完成:
(1)从数据库中采集1个采煤机切割信号,其特征分别为xi,i=1,2,...d,d为特征维度;
(2)对样本特征进行归一化处理,得到归一化特征值
3.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述采煤机切割模式识别XGBoost模型建模模块用以建立采煤机切割XGBoost识别模型,采用如下过程完成:
(1)从数据库中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集,采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集。
(2)采用训练集进行监督训练,得到基于XGBoost的采煤机切割模式识别模型:
Y=f(X)。 (2)
4.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述群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等的优化。采用如下过程完成:
(1)对于重要基础参数学习率和最大树深度采用网格搜索方法:
learning_rate=0.05~0.3,stride=0.05;
mnx_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stride为网格搜索步长。
(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;
(2.2)计算种群多样性指数D(t):
其中,Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,表示F(Gbest(t))表示对应的适应度值,m是粒子群规模,ri(t)是第i个粒子在第t次迭代时的位置,F(ri(t))表示ri(t)对应的适应度值;
(2.3)更新粒子群学习速率参数μ(t):
(2.4)更新粒子的速度和位置,产生新的群体;
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,m为粒子群规模;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,Lbestik是第i个粒子的第k个分量到达过的最优解,Gbestk是第k个分量的全局最优解,R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;
(2.5)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;否则返回第(2.2)步继续迭代;
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。
5.根据权利要求1所述基于集成学习的群智能采煤机切割模式识别系统,其特征在于:所述采煤机未知切割模式识别模块,利用训练好最优XGBoost采煤机切割模式识别模型的对新采集的采煤机未知切割信号进行识别。采用如下过程完成:
(1)对新采集到的采煤机未知切割信号Xt进行预处理:
(2)利用自适应寻优模块优化后的XGBoost最优识别模型对采煤机未知切割进行识别:
其中,fopt为优化后的最优模型,为预测的未知采煤机切割类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015762.1A CN109886421B (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的群智能采煤机切割模式识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015762.1A CN109886421B (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的群智能采煤机切割模式识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886421A true CN109886421A (zh) | 2019-06-14 |
CN109886421B CN109886421B (zh) | 2021-09-21 |
Family
ID=66925780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910015762.1A Active CN109886421B (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的群智能采煤机切割模式识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886421B (zh) |
Cited By (2)
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 |
CN113469034A (zh) * | 2021-06-30 | 2021-10-01 | 鄂尔多斯应用技术学院 | 一种采煤机煤岩切割状态的融合识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
-
2019
- 2019-01-08 CN CN201910015762.1A patent/CN109886421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
Non-Patent Citations (2)
Title |
---|
刘泽: "采煤机摇臂振动信号分析及其截割模式识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
成晨 等: "智能化调参的XGBOOST算法及其在电信营销中的应用", 《邮电设计技术》 * |
Cited By (2)
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 |
CN113469034A (zh) * | 2021-06-30 | 2021-10-01 | 鄂尔多斯应用技术学院 | 一种采煤机煤岩切割状态的融合识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886421B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Perception model of surrounding rock geological conditions based on TBM operational big data and combined unsupervised-supervised learning | |
CN109902390B (zh) | 一种基于小样本扩充的有利储层发育区预测方法 | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN104318109A (zh) | 基于支持向量机的页岩气储层识别方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN109886421A (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN108520267A (zh) | 一种基于时空特征的水文遥测数据异常检测方法 | |
CN112232522A (zh) | 一种深部巷道支护方案智能推荐及动态优化方法 | |
CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
AU2023202864A1 (en) | Multi-source information fusion intelligent warning method and apparatus for coal and gas outburst | |
CN113779880A (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
CN116291271A (zh) | 一种基于随钻测试的岩土体参数反演方法及系统 | |
CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
CN106706119B (zh) | 一种基于信号频域特征的振动源识别方法及系统 | |
CN116307010A (zh) | 一种基于随机森林算法的钻井工况识别方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
CN115965273B (zh) | 一种页岩油水平井钻探过程中甜点评价方法 | |
CN116662899A (zh) | 一种基于自适应策略的含噪数据异常检测方法 | |
Wang | PCA-LSTM: An Impulsive Ground-Shaking Identification Method Based on Combined Deep Learning. | |
CN109886420A (zh) | 一种自适应的采煤机截割高度智能预测系统 | |
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 | |
CN114139648B (zh) | 一种尾矿充填管路异常智能检测方法及系统 |
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 |