CN109902830A - 基于混沌理论和集成学习的采煤机截割高度预测系统 - Google Patents

Abstract

本发明公开了基于混沌理论和集成学习的采煤机截割高度预测系统，用于对采煤机截割高度进行预测，包括数据预处理模块、混沌特性计算模块、相空间重构模块、采煤机截割高度极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型建模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。本发明能够挖掘采煤机截割高度序列的混沌特性，并快速准确地预测采煤机截割高度。

Description

基于混沌理论和集成学习的采煤机截割高度预测系统

技术领域

本发明涉及信号处理领域、混沌理论领域和集成学习领域，尤其涉及结合混沌理论和集成学习的采煤机截割高度预测系统。

背景技术

目前，世界各国都在努力发展经济，能源需求持续增长。煤炭在世界一次能源消耗中占比极大。然而，煤炭安全生产一直是制约煤炭生产的重要因素。因此，大力提高煤矿开采过程的自动化、机械化、信息化水平至关重要。采煤机作为采煤工作面关键设备，在采煤生产过程中具有重要意义，截割滚筒高度的调整与控制是采煤机在井下工作面采煤时人工操控采煤机的关键工序，采煤机截割滚筒高度控制的准确性直接决定着煤炭含矸量、煤炭回收率、顶底板的平整性。近年来，国产采煤机在结构、牵引方式、主控系统等方面都有长足的发展，然而采煤机滚筒的自动调高技术一直没有实质性的突破，传统采煤机截割策略需要频繁人工调整摇臂高度导致效率和精度低，已成为工作面自动化进程的瓶颈。

发明内容

针对目前采煤产业复杂工作条件下对采煤机截割高度自动化预测的迫切需求，本发明的目的在于提供高精度的基于混沌理论和集成学习的采煤机截割高度预测系统，以期克服采用人工调整存在的精度低、速度慢等方面不足，对实现绿色、经济、高效、精细化煤炭开采具有重要意义。

本发明解决其技术问题所采用的技术方案是：基于混沌理论和集成学习的采煤机截割高度预测系统，包括据预处理模块、混沌特性计算模块、相空间重构模块、采煤机截割高度极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型建模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、基于混沌理论和集成学习的采煤机截割高度预测系统以及结果显示模块依次相连，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基于混沌理论和集成学习的采煤机截割高度预测系统提供数据支持。基于混沌理论和集成学习的采煤机截割高度预测系统预测得到的结果将通过结果显示模块输出显示。

进一步的，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，得到归一化数据归一化方法如下：

进一步地，混沌特性计算模块用以结合混沌理论，对采煤机截割高度序列的相关混沌特性参数，采用如下过程完成：

(1)计算相空间延迟时间。采用自相关法计算相空间延迟时间，其原理是提取序列间的自相关性。一般地，对于时间序列{h(i)|i＝1，2，…，n}，判断{h(i)}与{h(i+τ)}的相关性是通过计算其自相关函数C(τ)来实现的：

其中观察时间延迟曲线，取C(τ)第一次下降到零时所对应的τ为所需的延迟时间。

(2)计算相空间嵌入维数。采用改进的虚假邻近点法(Cao方法)计算相空间嵌入维数，在m维相空间中，每个相点为Y_i(m)＝(h(i)，h(i+τ)，…，h(i+(m-1)τ))都存在某个距离内最近邻点其距离为 当相空间的维数从m增加到m+1时，这两个相点的距离会发生变化。定义

记a(i,m)关于i均值E(m)为

为研究E(m)的变化情况E₁(m)，定义

其中，a(i,m)为当相空间的维数从m增加到m+1时相点距离变化程度、E(m)为相点距离变化的均值，E₁(m)为相点距离变化均值的变化度量函数。

对于随机系统产生的时间序列，E₁(m)不会随着m的增加而达到饱和值，对于混沌序列，当m大于某个m₀时，E₁(m)会停止变化。Cao方法定义了以下变量来辨别完全随机型号和确定混沌信号，定义

其中E^*(m)为Cao方法定义的相点距离变化的均值，E₂(m)为Cao方法定义的相点距离变化均值的变化度量函数。

由于随机时间序列的将来值与过去值独立，所以对任何m，E₂(m)将等于1，而对于确定性系统的观测时间序列，E₂(m)显然与m有关，可以通过对E₁(m)趋于稳定性的值以及E₂(m)是否为常值1的观察来确定时间序列重构相空间的最小嵌入维数。

(3)最大Lyapunov指数。小数据量法计算最大Lyapunov指数，对于n维动力系统，每一维上都存在一个Lyapunov指数表示系统在该维上的发散程度，最大的Lyapunov指数λ₁决定轨道发散即覆盖在整个吸引子的快慢。若λ₁>0，则系统至少为一维混沌，否则为非混沌，因此，最大Lyapunov指数是判断混沌存在的一个重要依据。小数据量法的计算步骤如下：

(3.1)确定延迟时间τ和嵌入维数m，重构相空间R_i＝(h(i)，h(i+τ),…,h(i+(m-1)τ))∈R^m，其中i＝1,2,…,n-(m-1)τ；

(3.2)对时间序列{h(i)|i＝1,2,…,n}进行FFT变换(快速傅里叶变换)，计算出平均周期P；

(3.3)寻找Y_j的最邻近点Y_j1，并限制短暂分离d_j(0)＝min||R_j-R_j1||₂,|j-j1|>P，其中P为时间序列的平均周期，d_j(0)为第j个参考点R_j和最近邻点R_j1的初始距离；

(3.4)计算邻近对的i个离散时间步后的距离d_j(i)，d_j(i)＝||R_j-R_j1||，i＝1,2,…,min(n-(m-1)τ-j,n-(m-1)τ-j1)；

(3.5)对每个i，计算点的值，其中q是d_j(i)≠0的个数；

(3.6)用最小二乘法拟合(3.5)中的各点，直线的斜率就是最大Lyapunov指数λ₁。

进一步地，相空间重构模块根据混沌特性计算模块的结果，对归一化处理后的截割高度序列进行重构。

(1)对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算出的延迟时间τ和嵌入维数m对截割高度序列进行重构，重构方法如下：

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，采煤机截割高度XGBoost模型建模模块用以建立采煤机截割高度XGBoost预测模型。采用上面得到的重构数据集进行模型训练，建立基于混沌理论和集成学习XGBoost的采煤机截割高度模型：

Y＝f(X)， (9)

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，采煤机截割高度XGBoost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)根据混沌特性计算模块的结果，对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算出的延迟时间τ和嵌入维数m从数据库中获取当前时刻t的历史采样点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。

进一步的，采煤机截割高度XGBoost模型预测模块获得的截割高度预报结果通过结果显示模块输出显示。

本发明的技术构思为：本发明对采煤机截割高度数据进行预处理，结合混沌理论对采煤机截割高度序列的混沌特性进行分析；根据混沌特性分析结果，对序列进行相空间重构，充分利用混沌序列的短期可预测性，并利用集成学习XGBoost模型对相空间重构后的数据进行非线性拟合，建立基于混沌理论和集成学习的采煤机截割高度预测系统。

本发明的有益效果主要表现在：1、基于混沌理论分析采煤机截割高度序列的混沌特性，可以充分挖掘出采煤机截割高度序列的短期可预测的能力，并利用计算得到的混沌特性参数对采煤机截割高度序列进行相空间重构，生成更完善的数据集，为建立采煤机截割高度预测模型提供数据基础；2、利用快速而鲁棒的集成学习Boosting分支的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。

附图说明

图1基于混沌理论和集成学习的采煤机截割高度预测系统的基本硬件结构图；

图2基于混沌理论和集成学习的采煤机截割高度预测系统的功能模块图；

具体实施方式

下面根据附图具体说明本发明。

实施例1

参考图1、图2，基于混沌理论和集成学习的采煤机截割高度预测系统，包括数据预处理模块5、混沌特性计算模块6、相空间重构模块7、采煤机截割高度极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型建模模块8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9。现场数据采集传感器1、数据库2、基于混沌理论和集成学习的采煤机截割高度预测系统3以及结果显示模块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基于混沌理论和集成学习的采煤机截割高度预测系统3提供数据支持，基于混沌理论和集成学习的采煤机截割高度预测系统3预测得到的结果将通过结果显示模块4输出显示。

进一步的，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，得到归一化数据归一化方法如下：

进一步地，混沌特性计算模块6用以结合混沌理论，对采煤机截割高度序列的相关混沌特性参数，采用如下过程完成：

(1)计算相空间延迟时间。采用自相关法计算相空间延迟时间，其原理是提取序列间的自相关性。一般地，对于时间序列{h(i)|i＝1,2,…,n}，判断{h(i)}与{h(i+τ)}的相关性是通过计算其自相关函数C(τ)来实现的：

其中观察时间延迟曲线，取C(τ)第一次下降到零时所对应的τ为所需的延迟时间。

(2)计算相空间嵌入维数。采用改进的虚假邻近点法(Cao方法)计算相空间嵌入维数，在m维相空间中，每个相点为Y_i(m)＝(h(i),h(i+τ),…,h(i+(m-1)τ))都存在某个距离内最近邻点其距离为 当相空间的维数从m增加到m+1时，这两个相点的距离会发生变化。定义

记a(i,m)关于i均值E(m)为

为研究E(m)的变化情况E₁(m)，定义

其中，a(i,m)为当相空间的维数从m增加到m+1时相点距离变化程度、E(m)为相点距离变化的均值，E₁(m)为相点距离变化均值的变化度量函数。

对于随机系统产生的时间序列，E₁(m)不会随着m的增加而达到饱和值，对于混沌序列，当m大于某个m₀时，E₁(m)会停止变化。Cao方法定义了以下变量来辨别完全随机型号和确定混沌信号，定义

其中E^*(m)为Cao方法定义的相点距离变化的均值，E₂(m)为Cao方法定义的相点距离变化均值的变化度量函数。

由于随机时间序列的将来值与过去值独立，所以对任何m，E₂(m)将等于1，而对于确定性系统的观测时间序列，E₂(m)显然与m有关，可以通过对E₁(m)趋于稳定性的值以及E₂(m)是否为常值1的观察来确定时间序列重构相空间的最小嵌入维数。

(3)最大Lyapunov指数。小数据量法计算最大Lyapunov指数，对于n维动力系统，每一维上都存在一个Lyapunov指数表示系统在该维上的发散程度，最大的Lyapunov指数λ₁决定轨道发散即覆盖在整个吸引子的快慢。若λ₁>0，则系统至少为一维混沌，否则为非混沌，因此，最大Lyapunov指数是判断混沌存在的一个重要依据。小数据量法的计算步骤如下：

(3.1)确定延迟时间τ和嵌入维数m，重构相空间R_i＝(h(i),h(i+τ),…,h(i+(m-1)τ))∈R^m，其中i＝1,2,…,n-(m-1)τ；

(3.2)对时间序列{h(i)|i＝1,2,…,n}进行FFT变换(快速傅里叶变换)，计算出平均周期P；

(3.3)寻找Y_j的最邻近点Y_j1，并限制短暂分离d_j(0)＝min||R_j-R_j1||₂,|j-j1|>P，其中P为时间序列的平均周期，d_j(0)为第j个参考点R_j和最近邻点R_j1的初始距离；

(3.4)计算邻近对的i个离散时间步后的距离d_j(i)，d_j(i)＝||R_j-R_j1||，i＝1,2,…,min(n-(m-1)τ-j,n-(m-1)τ-j1)；

(3.5)对每个i，计算点的值，其中q是d_j(i)≠0的个数；

(3.6)用最小二乘法拟合(3.5)中的各点，直线的斜率就是最大Lyapunov指数λ₁。

进一步地，相空间重构模块7根据混沌特性计算模块6的结果，对归一化处理后的截割高度序列进行重构。

(1)对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块6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：

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，采煤机截割高度XGBoost模型建模模块8用以建立采煤机截割高度XGBoost预测模型。采用上面得到的重构数据集进行模型训练，建立基于混沌理论和集成学习XGBoost的采煤机截割高度模型：

Y＝f(X)， (9)

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，采煤机截割高度XGBoost模型预测模块9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)根据混沌特性计算模块6的结果，对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块6计算出的延迟时间τ和嵌入维数m从数据库2中获取当前时刻t的历史采样点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。

进一步的，采煤机截割高度XGBoost模型预测模块9获得的截割高度预报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 (6)

1.基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：包括据预处理模块、混沌特性计算模块、相空间重构模块、采煤机截割高度极限梯度提升模型建模模块以及采煤机截割高度极限梯度提升模型预测模块。

2.根据权利要求1所述基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：所述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，得到归一化数据归一化方法如下：

3.根据权利要求1所述基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：所述混沌特性计算模块用以结合混沌理论，对采煤机截割高度序列的相关混沌特性参数，采用如下过程完成：

(1)计算相空间延迟时间。采用自相关法计算相空间延迟时间，其原理是提取序列间的自相关性。一般地，对于时间序列{h(i)|i＝1,2,…,n}，判断{h(i)}与{h(i+τ)}的相关性是通过计算其自相关函数C(τ)来实现的：

其中观察时间延迟曲线，取C(τ)第一次下降到零时所对应的τ为所需的延迟时间。

(2)计算相空间嵌入维数。采用改进的虚假邻近点法(Cao方法)计算相空间嵌入维数，在m维相空间中，每个相点为Y_i(m)＝(h(i),h(i+τ),…,h(i+(m-1)τ))都存在某个距离内最近邻点其距离为 当相空间的维数从m增加到m+1时，这两个相点的距离会发生变化。定义

记a(i,m)关于i均值E(m)为

为研究E(m)的变化情况E₁(m)，定义

其中，a(i,m)为当相空间的维数从m增加到m+1时相点距离变化程度、E(m)为相点距离变化的均值，E₁(m)为相点距离变化均值的变化度量函数。

对于随机系统产生的时间序列，E₁(m)不会随着m的增加而达到饱和值，对于混沌序列，当m大于某个m₀时，E₁(m)会停止变化。Cao方法定义了以下变量来辨别完全随机型号和确定混沌信号，定义

其中E^*(m)为Cao方法定义的相点距离变化的均值，E₂(m)为Cao方法定义的相点距离变化均值的变化度量函数。

由于随机时间序列的将来值与过去值独立，所以对任何m，E₂(m)将等于1，而对于确定性系统的观测时间序列，E₂(m)显然与m有关，可以通过对E₁(m)趋于稳定性的值以及E₂(m)是否为常值1的观察来确定时间序列重构相空间的最小嵌入维数。

(3)最大Lyapunov指数。小数据量法计算最大Lyapunov指数，对于n维动力系统，每一维上都存在一个Lyapunov指数表示系统在该维上的发散程度，最大的Lyapunov指数λ₁决定轨道发散即覆盖在整个吸引子的快慢。若λ₁>0，则系统至少为一维混沌，否则为非混沌，因此，最大Lyapunov指数是判断混沌存在的一个重要依据。小数据量法的计算步骤如下：

(3.1)确定延迟时间τ和嵌入维数m，重构相空间R_i＝(h(i),h(i+τ),…,h(i+(m-1)τ))∈R^m，其中i＝1,2,…,n-(m-1)τ；

(3.2)对时间序列{h(i)|i＝1,2,…,n}进行FFT变换(快速傅里叶变换)，计算出平均周期P；

(3.3)寻找Y_j的最邻近点Y_j1，并限制短暂分离d_j(0)＝min||R_j-R_j1||₂,|j-j1|>P，其中P为时间序列的平均周期，d_j(0)为第j个参考点R_j和最近邻点R_j1的初始距离；

(3.4)计算邻近对的i个离散时间步后的距离d_j(i)，d_j(i)＝||R_j-R_j1||，i＝1,2,…,min(n-(m-1)τ-j,n-(m-1)τ-j1)；

(3.5)对每个i，计算点的值，其中q是d_j(i)≠0的个数；

(3.6)用最小二乘法拟合(3.5)中的各点，直线的斜率就是最大Lyapunov指数λ₁。

4.根据权利要求1所述基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：所述相空间重构模块根据混沌特性计算模块结果，对归一化处理后的截割高度序列进行重构。

(1)对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算的延迟时间τ和嵌入维数m对截割高度序列进行重构，重构方法如下：

其中，x_i为输入特征，y_i为标签，i＝1,2,…,n-1-(m-1)τ。

5.根据权利要求1所述基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：所述采煤机截割高度XGBoost模型建模模块用以建立采煤机截割高度XGBoost预测模型。采用上面得到的重构数据集进行模型训练，建立基于混沌理论和集成学习XGBoost的采煤机截割高度模型：

Y＝f(X)， (9)

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。

6.根据权利要求1所述基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：所述采煤机截割高度XGBoost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)根据混沌特性计算模块的结果，对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算出的延迟时间τ和嵌入维数m从数据库中获取当前时刻t的历史采样点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。