CN110033128B - 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 - Google Patents

基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 Download PDF

Info

Publication number
CN110033128B
CN110033128B CN201910201362.XA CN201910201362A CN110033128B CN 110033128 B CN110033128 B CN 110033128B CN 201910201362 A CN201910201362 A CN 201910201362A CN 110033128 B CN110033128 B CN 110033128B
Authority
CN
China
Prior art keywords
scraper conveyor
load
layer
prediction network
load prediction
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.)
Active
Application number
CN201910201362.XA
Other languages
English (en)
Other versions
CN110033128A (zh
Inventor
赵栓峰
郭帅
贺海涛
郭卫
王渊
王鹏飞
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.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201910201362.XA priority Critical patent/CN110033128B/zh
Publication of CN110033128A publication Critical patent/CN110033128A/zh
Application granted granted Critical
Publication of CN110033128B publication Critical patent/CN110033128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，首先采集预训练样本，得到预测刮板输送机负载RBM的训练集S；构建刮板输送机负载预测网络结构；对刮板输送机负载RBM进行预训练，判断训练结果是否满足误差，如果满足误差则对刮板输送机负载预测网络进行微调，依次输入测试样本，采用交叉熵函数计算各层误差，采用梯度下降使各层误差最小；如果不满足误差则返回对刮板输送机负载RBM重新进行预训练。本发明以玻尔兹曼机的概率生成特性和刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。能使刮板输送机自动适应其负载变化情况以及使得采煤工作面三机协同工作更加有效合理。

Description

基于受限玻尔兹曼机的刮板输送机负载自适应预测方法
技术领域
本发明涉及井下刮板输送机，具体涉及刮板输送机负载的预测方法。
背景技术
采煤机、液压支架和刮板输送机(简称三机)的协同工作是实现综采工作面“自动化”和“少人化”的必要条件，综采工作面自动化的关键技术是三机在工作过程中能够适应煤层地质条件的变化，以合理的采煤机截割路径、牵引速度和截割滚筒高度自动切割煤壁，液压支架能够根据采煤机的截割情况自动的进行降柱、推溜及移架等工作，采煤机、液压支架和刮板输送机之间可以根据工况自动调整自己的工作状态，适应综采工作面其它机电装备的工作。其中刮板输送机作为综采工作面必不可少的运输设备，其可靠性对整个采煤系统有着非常重要的作用。刮板输送机的负载随采煤机割煤速度和行走方向的变化而变化，且存在突然加载的情况，导致刮板输送机负载增加，容易造成故障停机，同时会消耗较多能量，从而影响生产效率和经济效益。实现对刮板输送机负载的预测可为“三机”的协同控制提供条件。
在综采工作面采煤的过程中形成的刮板输送机负载具有自身的规律性。若能够通过某种无监督的学习方法获取其蕴含的本质规律，就可以实现刮板输送机负载的预测。而受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。受此启发本发明提出以玻尔兹曼机的概率生成特性，以刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。
发明内容
本发明的目的是提供一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，以实现对刮板输送机负载的预测。
一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，首先从刮板输送机的变频器采集训练网络需要的数据样本，之后构建负载预测网络结构模型，确定网络层数和单元数目；然后对该负载预测网络模型进行预训练，最后通过最小化交叉熵函数对预测网络的参数进行微调，使之满足误差要求。
具体包括以下步骤：
1)采集预训练样本，得到预测刮板输送机负载RBM的训练集S
采集的具体方式为：以PLC为主机，刮板输送机变频器为从机，PLC每隔2秒向刮板输送机变频器发送一次指令，然后采集从刮板输送机变频器返回来的电流与电压数据，最后将接收到的电流与电压数据存储在计算机中；为了减少训练样本的采集时间，在多个刮板输送机工作状况相同的同类型综采面并行采集数据；
其中S＝(X1，X2，X3，.........，X70000)，其中i＝1，2，3，4，……7000；Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，ci,j为tj时刻的电流值；di,j是tj时刻的电压值，tj+1-tj＝2s；
为了使训练时的迭代过程更加迅速，需要对采集到的电流值进行归一化处理，通过公式
Figure GDA0003919982380000031
与
Figure GDA0003919982380000032
使得所有的电流电压值落在0到1之间；
2)构建刮板输送机负载预测网络结构
刮板输送机负载预测网络，共有四层网络：可见层、隐藏层、全连接层、输出层；用v表示可见层，用h表示隐藏层；其中可见层单元数目nv＝3000；隐藏层单元数目nh＝2500；全连接层单元数目为2500；输出层单元数目为1000；
3)对受限玻尔兹曼机(RBM)进行预训练
在预训练时，通过迭代算法找到合适的预测刮板输送机负载RBM的参数θ，θ＝(W，a，b)，其中W是负载预测网络的隐藏层与可见层的权重矩阵，a是负载预测网络可见层的偏置向量，b是负载预测网络隐藏层的偏置向量；设置学习率为ε，学习率影响迭代时的步长；用随机产生于[0,1]上的两个随机数，分别作为负载预测网络可见层的阈值δ1与负载预测网络隐藏层的阈值δ2；
预训练前先随机初始化预测刮板输送机负载RBM的参数θ，再输入训练样本；
给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，当
Figure GDA0003919982380000033
或
Figure GDA0003919982380000034
大于δ1时，此时负载预测网络的可见层神经单元为激活状态，即为“1”，否则为“0”，当可见层神经单元状态为“1”时，意味着其对应的负载状态不常见，所以被激活；于是就可以得到刮板输送机负载预测网络可见层所有神经单元的状态，为“0”或“1”；
给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)时，负载预测网络的可见层到隐藏层第j个单元的输出为：
Figure GDA0003919982380000041
bj为刮板输送机负载预测网络隐藏层第j个神经单元的偏置，Wi,j指的是刮板输送机负载预测网络可见层第i个神经单元与隐藏层第j个神经单元的权重，Xi为负载预测网络的输入；再用sigmoid函数作为激活函数，通过下式来计算刮板输送机负载预测网络隐藏层神经单元的激活概率，若激活概率大于δ2，则隐藏层神经单元的状态值为“1”，否则为“0”；
Figure GDA0003919982380000042
其中sigmoid(x)＝1/(1+ex)，hj指的是刮板输送机负载预测网络隐藏层第j个神经单元，v为刮板输送机负载预测网络可见层。
得到隐藏层单元状态后，可通过下式求出刮板输送机负载预测网络重构可见层v*的状态
Figure GDA0003919982380000043
vi *指的是刮板输送机负载预测网络重构可见层第i个神经单元，ai *为重构可见层第i个神经单元的偏置，Wj,i指的是隐藏层第j个神经单元与可见层第i个神经单元的权重；
得到刮板输送机负载预测网络重构可见层单元状态后，可通过下式再次计算出重构隐藏层h*的状态，
Figure GDA0003919982380000051
hj *指的是重构隐藏层第j个神经单元，bj *为重构隐藏层第j个神经单元的偏置；W* i,j为重构可见层第i个单元到重构隐藏层第j个单元的权重。
然后用迭代算法不断迭代更新参数w、a、b，减少预测刮板输送机负载RBM的误差；更新方法如下：
Wk+1←Wk+ε[p(h＝1|v)vT-p(h*＝1|v*)v*T]
ak+1←ak+ε×(v-v*)
bk+1←bk+ε×[p(h＝1|v)-p(h*＝1|v*]
4)刮板输送机负载预测网络的微调
预测刮板输送机负载RBM训练完成后，采用梯度下降法最小化交叉熵代价函数的方法来调整刮板输送机负载预测网络的参数；
用和采集预训练样本同样的方法，采集微调负载预测网络参数的数据集
Figure GDA0003919982380000052
同时采集每个
Figure GDA0003919982380000053
对应的标签数据
Figure GDA0003919982380000054
其中
Figure GDA0003919982380000055
该标签数据用来和实际刮板输送机负载预测网络的输出进行比较；
输入样本前须给定初始参数，即随机确定全连接层与输出层的参数θ1＝(W1,b1)。
向刮板输送机负载预测网络输入样本
Figure GDA0003919982380000056
得到的在第i个输入样本下的输出为Yi；
其交叉熵为：
Figure GDA0003919982380000061
其中m为输入刮板输送机负载预测网络的样本数目。
交叉熵函数对刮板输送机负载预测网络全连接层到输出层权重和偏置的偏导数分别为：
Figure GDA0003919982380000062
Figure GDA0003919982380000063
得到其导数之后采用梯度下降法使得交叉熵函数最小，确定此时的参数，直到微调负载预测网络参数的数据集里的每个样本都使用后，最终会得到最优的参数；得到这些参数意味着刮板输送机负载预测网络的实际输出的电流电压与理论输出的电流电压误差已经达到了最小；因此在实际采煤过程中，给该网络输入一组电流电压信号，就能预测出未来刮板输送机负载的变化情况。
本发明的特点是：本发明以玻尔兹曼机的概率生成特性和刮板输送机的历史负载数据为样本，学习其中蕴含的特征规律，以预测未来的刮板输送机负载特性。能使刮板输送机自动适应其负载变化情况以及使得采煤工作面三机协同工作更加有效合理。
附图说明
图1是采集刮板输送机变频器电信号的工作简图。
图2是预测刮板输送机的RBM的网络结构图。
图3是预测刮板输送机的RBM的工作流程图。
具体实施方式
受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络，本发明的目的在于通过受限玻尔兹曼机以实现对刮板输送机负载的预测。
为实现上述目标本发明采取如下技术方案：
如图3所示，一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，包括以下步骤：
1)采集与处理数据
本发明采集的数据为刮板输送机变频器的电流与电压信号。
先采集预训练所需数据，数据采集的具体方式为：以PLC为主机，刮板输送机变频器为从机，通过MODBUS通信程序实现PLC与变频器之间的通信，连接方式如图1所示。PLC向变频器发送指令的同时也在接收变频器返回的电流与电压信号，每隔2秒向刮板输送机变频器发送一次指令，然后采集一次返回来的电流与电压信号，最后将接收到的电信号存储在计算机中。
为了减少训练样本的采集时间，在多个刮板输送机工作状况相同的同类型综采面上并行采集数据。
共采集70000组预训练样本，每组包含1500对电流与电压数据。预测刮板输送机负载RBM预训练的训练集为S＝(X1，X2，X3，.........，X70000)，其中
Figure GDA0003919982380000071
ci,j为tj时刻的电流值；di,j是tj时刻的电压值，tj+1-tj＝2s。
为了使训练时的迭代过程更迅速，需要对采集到的电流数据进行归一化处理。通过公式
Figure GDA0003919982380000081
与
Figure GDA0003919982380000082
使得所有的电流电压值落在0到1之间。
2)刮板输送机负载预测网络结构的确定
本发明采用受限玻尔兹曼机实现对刮板输送机负载的预测，其网络结构如图2所示，共有四层网络。图中用v表示刮板输送机负载预测网络的可见层，用h表示负载预测网络的隐藏层。其中可见层可见单元数目为nv，因为每个训练样本包含1500个电流信号与1500个电压信号，所以取nv＝3000。隐藏层单元数目为nh取nh＝2500。全连接层单元数目为2500。本发明中用500个时刻的电流和500个时刻的电压作为标签数据与刮板输送机负载预测网络的实际输出进行比较，所以输出层单元数目为1000。
3)刮板输送机负载预测网络的预训练
受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。
本发明要通过训练RBM以实现对刮板输送机负载的预测，训练样本的原始数据为采集到的电流与电压数据。
在预训练时，通过迭代算法可以找到合适的预测刮板输送机负载的RBM的参数θ，θ＝(W，a，b)，其中W是负载预测网络的隐藏层与可见层的权重矩阵，a是负载预测网络可见层的偏置向量，b是负载预测网络隐藏层的偏置向量。设置学习率为ε，学习率影响迭代时的步长。用随机产生于[0,1]上的两个随机数，分别作为负载预测网络可见层的阈值δ1与负载预测网络隐藏层的阈值δ2。
预训练前先随机初始化预测刮板输送机负载的RBM的参数θ，再输入训练样本。
给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)，当
Figure GDA0003919982380000091
或
Figure GDA0003919982380000092
大于δ1时，此时负载预测网络的可见层神经单元为激活状态，即为“1”，否则为“0”，当该单元状态为“1”时，意味着其对应的负载状态不常见，所以被激活。于是就可以得到刮板输送机负载预测网络可见层所有神经单元的状态，为“0”或“1”。
给定负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，....,di，1500)时，负载预测网络的可见层到隐藏层第j个单元的输出为：
Figure GDA0003919982380000093
bj为刮板输送机负载预测网络隐藏层第j个神经单元的偏置，Wi,j指的是刮板输送机负载预测网络可见层第i个神经单元与隐藏层第j个神经单元的权重，Xi为负载预测网络的输入；
再用sigmoid函数作为激活函数，通过下式来计算刮板输送机负载预测网络隐藏层单元的激活概率，若激活概率大于δ2隐藏层神经单元的状态值为“1”，否则为“0”。
Figure GDA0003919982380000094
其中sigmoid(x)＝1/(1+e-x)。hj指的是刮板输送机负载预测网络隐藏层第j个神经单元，v为刮板输送机负载预测网络可见层。
得到隐藏层单元状态后，可通过下式求出刮板输送机负载预测网络重构可见层v*的状态。
Figure GDA0003919982380000101
vi *指的是刮板输送机负载预测网络重构可见层第i个神经单元，ai *为重构可见层第i个神经单元的偏置，Wj,i指的是隐藏层第j个神经单元与可见层第i个神经单元的权重；
得到刮板输送机负载预测网络重构可见层单元状态后，可通过下式再次计算出重构隐藏层h*的状态，
Figure GDA0003919982380000102
hj *指的是重构隐藏层第j个神经单元，bj *为重构隐藏层第j个神经单元的偏置；W* i,j为重构可见层第i个单元，到重构隐藏层第j个单元的权重。
然后用迭代算法不断迭代更新参数w、a、b，减少预测刮板输送机负载RBM的误差。更新方法如下：
Wk+1←Wk+ε[p(h＝1|v)vT-p(h*＝1|v*)v*T]
ak+1←ak+ε×(v-v*)
bk+1←bk+ε×[p(h＝1|v)-p(h*＝1|v*]
4)刮板输送机负载预测网络的微调
当预测刮板输送机负载的RBM预训练完成后，还需要对负载预测网络参数进行调整。
用和采集预训练样本同样的方法，采集微调负载预测网络参数的数据集
Figure GDA0003919982380000111
同时采集每个
Figure GDA0003919982380000112
对应的标签数据
Figure GDA0003919982380000113
其中
Figure GDA0003919982380000114
该标签数据用来和实际刮板输送机负载预测网络的输出进行比较。
输入样本前须给定初始参数,即随机确定全连接层与输出层的参数θ1＝(W1,b1)。
向刮板输送机负载预测网络输入样本
Figure GDA0003919982380000115
得到的在第i个输入样本下的输出为Yi。
采用交叉熵作为代价函数，代价函数是描述预测电流值与实际值误差的函数，最小化代价函数即就是使得预测电流值和实际电流值的误差最小，从而提高预测的精度。代价函数最小时对应的参数即需要求得的参数。故可以通过最小化代价函数的方法来求解最优参数。其交叉熵为：
Figure GDA0003919982380000116
其中m为输入刮板输送机负载预测网络的样本数目。
交叉熵函数对刮板输送机负载预测网络全连接层到输出层权重和偏置的偏导数分别为：
Figure GDA0003919982380000117
Figure GDA0003919982380000118
得到其导数之后采用梯度下降法使得交叉熵函数最小，确定此时的参数，直到微调负载预测网络参数的数据集里的每个样本都使用后，最终会得到最优的参数。得到这些参数意味着刮板输送机负载预测网络的实际输出的电流电压与理论输出的电流电压误差已经达到了最小。因此在实际采煤过程中，给该网络输入一组电流电压信号，就能预测出未来刮板输送机负载的变化情况，对实际生产具有重要意义。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：首先确定RBM初始化参数，采集预训练样本，得到预测刮板输送机负载RBM的训练集S；构建刮板输送机负载预测网络结构；对刮板输送机负载RBM进行预训练，判断训练结果是否满足误差，如果满足误差则对刮板输送机负载预测网络进行微调，依次输入测试样本，采用交叉熵函数计算各层误差，采用梯度下降使各层误差最小；如果不满足误差则返回对刮板输送机负载RBM重新进行预训练知道满足误差为止；
具体包括以下步骤：
1)采集预训练样本，得到预测刮板输送机负载RBM的训练集S
S＝(X1，X2，X3，......，X70000)，其中i＝1，2，3，4，……，70000；Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，......,di，1500)，ci,j为tj时刻的电流值；di,j是tj时刻的电压值，tj+1-tj＝2s；
为了使训练时的迭代过程更加迅速，需要对采集到的电流值和电压值进行归一化处理，通过公式
Figure FDA0003919982370000011
与
Figure FDA0003919982370000012
使得所有的电流电压值落在0到1之间；
2)构建刮板输送机负载预测网络结构
刮板输送机负载预测网络，共有四层网络：可见层、隐藏层、全连接层、输出层；用v表示可见层，用h表示隐藏层；其中可见层单元数目nv＝3000；隐藏层单元数目nh＝2500；全连接层单元数目为2500；输出层单元数目为1000；
3)对受限玻尔兹曼机(RBM)进行预训练
①在预训练时，通过迭代算法找到合适的预测刮板输送机负载RBM的参数θ，θ＝(W，a，b)，其中W是负载预测网络的隐藏层与可见层的权重矩阵，a是负载预测网络可见层的偏置向量，b是负载预测网络隐藏层的偏置向量；设置学习率为ε，学习率影响迭代时的步长；用随机产生于[0,1]上的两个随机数，分别作为负载预测网络可见层的阈值δ1与负载预测网络隐藏层的阈值δ2；
②预训练前先随机初始化预测刮板输送机负载RBM的参数θ，再输入训练样本；
③再用sigmoid函数作为激活函数，计算刮板输送机负载预测网络隐藏层神经单元的激活概率；
④得到隐藏层单元状态后，求出刮板输送机负载预测网络重构可见层v*的状态；
⑤得到刮板输送机负载预测网络重构可见层单元状态后，计算出重构隐藏层h*的状态；
⑥然后用迭代算法不断迭代更新参数W、a、b，减少预测刮板输送机负载RBM各层的误差；
4)刮板输送机负载预测网络的微调
预测刮板输送机负载RBM训练完成后，采用梯度下降法最小化交叉熵代价函数的方法来调整刮板输送机负载预测网络的参数；
用和采集预训练样本同样的方法，采集微调负载预测网络参数的数据集
Figure FDA0003919982370000031
同时采集每个
Figure FDA0003919982370000032
对应的标签数据Yi 0，其中
Figure FDA0003919982370000033
该标签数据用来和实际刮板输送机负载预测网络的输出进行比较；
输入样本前须给定初始参数,即随机确定全连接层与输出层的参数θ1＝(W1,b1)；
向刮板输送机负载预测网络输入样本
Figure FDA0003919982370000034
得到在第i个输入样本下的输出为Yi；
刮板输送机负载预测网络的交叉熵为：
Figure FDA0003919982370000035
其中m为输入刮板输送机负载预测网络的样本数目；
利用交叉熵函数求得刮板输送机负载预测网络全连接层到输出层权重和偏置的偏导数分别为：
Figure FDA0003919982370000036
Figure FDA0003919982370000037
得到其导数之后采用梯度下降法使得交叉熵函数最小，确定此时的参数，直到微调负载预测网络参数的数据集里的每个样本都使用后，最终会得到最优的参数；得到这些参数意味着刮板输送机负载预测网络的实际输出的电流电压与理论输出的电流电压误差已经达到了最小；因此在实际采煤过程中，给该网络输入一组电流电压信号，就能预测出未来刮板输送机负载的变化情况。
2.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：步骤3)②初始化预测刮板输送机负载RBM的参数θ的具体方法是：
给负载预测网络输入Xi＝(ci，1，ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，......,di，1500)，当
Figure FDA0003919982370000041
或
Figure FDA0003919982370000042
大于δ1时，此时负载预测网络的可见层神经单元为激活状态，即为“1”，否则为“0”，当可见层神经单元状态为“1”时，意味着其对应的负载状态不常见，所以被激活；于是就可以得到刮板输送机负载预测网络可见层所有神经单元的状态，为“0”或“1”；给负载预测网络输入Xi＝(ci，1,ci，2，ci，3，......，ci，1500；di，1，di，2，di，3，......,di，1500)时，负载预测网络的可见层到隐藏层第j个单元的输出为：
Figure FDA0003919982370000043
bj为刮板输送机负载预测网络隐藏层第j个神经单元的偏置，Wi,j指的是刮板输送机负载预测网络可见层第i个神经单元与隐藏层第j个神经单元的权重，Xi为负载预测网络的输入。
3.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：步骤3)③计算刮板输送机负载预测网络隐藏层神经单元的激活概率，若激活概率大于δ2，则隐藏层神经单元的状态值为“1”，否则为“0”；
Figure FDA0003919982370000044
其中sigmoid(x)＝1/(1+e-x)，hj指的是刮板输送机负载预测网络隐藏层第j个神经单元，v为刮板输送机负载预测网络可见层。
4.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：步骤3)④得到隐藏层单元状态后，可通过下式求出刮板输送机负载预测网络重构可见层v*的状态
Figure FDA0003919982370000051
vi *指的是刮板输送机负载预测网络重构可见层第i个神经单元，ai *为重构可见层第i个神经单元的偏置，Wj,i指的是隐藏层第j个神经单元到可见层第i个神经单元的权重。
5.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：步骤3)⑤得到刮板输送机负载预测网络重构可见层单元状态后，可通过下式再次计算出重构隐藏层h*的状态，
Figure FDA0003919982370000052
hj *指的是重构隐藏层第j个神经单元，bj *为重构隐藏层第j个神经单元的偏置；W* i,j为重构可见层第i个单元，到重构隐藏层第j个单元的权重。
6.如权利要求1所述的基于受限玻尔兹曼机的刮板输送机负载自适应预测方法，其特征是：步骤3)⑥更新方法如下：
Wk+1←Wk+ε[p(h＝1|v)vT-p(h*＝1|v*)v*T]
ak+1←ak+ε×(v-v*)
bk+1←bk+ε×[p(h＝1|v)-p(h*＝1|v*]。
CN201910201362.XA 2019-03-18 2019-03-18 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 Active CN110033128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910201362.XA CN110033128B (zh) 2019-03-18 2019-03-18 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910201362.XA CN110033128B (zh) 2019-03-18 2019-03-18 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法

Publications (2)

Publication Number Publication Date
CN110033128A CN110033128A (zh) 2019-07-19
CN110033128B true CN110033128B (zh) 2023-01-31

Family

ID=67236191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910201362.XA Active CN110033128B (zh) 2019-03-18 2019-03-18 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法

Country Status (1)

Country Link
CN (1) CN110033128B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112499163B (zh) * 2020-11-10 2022-08-12 国家能源集团乌海能源有限责任公司 刮板输送机故障检测方法、存储介质及智能刮板输送机

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101603419A (zh) * 2009-07-09 2009-12-16 煤炭科学研究总院西安研究院 一种采煤工作面顺煤层透视的矿井直流电法探测方法
CN104729786A (zh) * 2015-03-24 2015-06-24 长沙理工大学 一种孔内灌浆压力的动态测量方法
CN105973594A (zh) * 2016-04-25 2016-09-28 西北工业大学 一种基于连续深度置信网络的滚动轴承故障预测方法
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置
CN106842918A (zh) * 2016-12-23 2017-06-13 中煤张家口煤矿机械有限责任公司 一种刮板输送机实时煤量的计算方法
CN108122173A (zh) * 2017-12-20 2018-06-05 国家电网公司 一种基于深度信念网络的多行业负荷预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4058289B2 (ja) * 2002-04-09 2008-03-05 株式会社東芝 プラント機器の寿命診断・保守管理方法および装置
US10423889B2 (en) * 2013-01-08 2019-09-24 Purepredictive, Inc. Native machine learning integration for a data management product
US9646262B2 (en) * 2013-06-17 2017-05-09 Purepredictive, Inc. Data intelligence using machine learning
US11445975B2 (en) * 2015-07-27 2022-09-20 Cn Medical Research Llc Methods and systems for improved prediction of fluid responsiveness
US20180284741A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection for a chemical production process

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101603419A (zh) * 2009-07-09 2009-12-16 煤炭科学研究总院西安研究院 一种采煤工作面顺煤层透视的矿井直流电法探测方法
CN104729786A (zh) * 2015-03-24 2015-06-24 长沙理工大学 一种孔内灌浆压力的动态测量方法
CN105973594A (zh) * 2016-04-25 2016-09-28 西北工业大学 一种基于连续深度置信网络的滚动轴承故障预测方法
CN106842918A (zh) * 2016-12-23 2017-06-13 中煤张家口煤矿机械有限责任公司 一种刮板输送机实时煤量的计算方法
CN106709820A (zh) * 2017-01-11 2017-05-24 中国南方电网有限责任公司电网技术研究中心 一种基于深度置信网络的电力系统负荷预测方法及装置
CN108122173A (zh) * 2017-12-20 2018-06-05 国家电网公司 一种基于深度信念网络的多行业负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A data-driven method for dynamic load forecasting of scraper conveyer based on rough set and multilayered self-normalizing gated recurrent network;Shuanfeng Zhao等;《Energy Reports》;20211130;全文 *
基于改进BP神经网络的刮板输送机负载预测方法研究;王艳萍等;《矿山机械》;20151010;18-20 *
美国矿山机械制造概况;许伟等;《矿山机械》(第03期);全文 *

Also Published As

Publication number Publication date
CN110033128A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
Wu et al. Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network
Qu et al. A deep learning model for concrete dam deformation prediction based on RS-LSTM
Zhao et al. Remaining useful life prediction of aircraft engine based on degradation pattern learning
Laredo et al. A neural network-evolutionary computational framework for remaining useful life estimation of mechanical systems
CN111080002A (zh) 基于深度学习的建筑用电负荷多步预测方法及系统
CN108584592A (zh) 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
CN109948833A (zh) 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN107169598A (zh) 一种基于深度学习的天气预测方法及系统
Datong et al. Online adaptive status prediction strategy for data-driven fault prognostics of complex systems
CN112381123A (zh) 一种基于时间序列预测方法的采煤机故障预测方法
CN105574604A (zh) 一种面向电网运行事件的监控预判分析系统
Tang et al. Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation
CN112879024A (zh) 一种盾构姿态动态预测方法、系统及设备
CN110033128B (zh) 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
Choo et al. Adaptive multi-scale prognostics and health management for smart manufacturing systems
Nasser et al. A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance
Chen et al. Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Shi et al. A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction
Wei et al. A three-stage multi-objective heterogeneous integrated model with decomposition-reconstruction mechanism and adaptive segmentation error correction method for ship motion multi-step prediction
Shao et al. Remaining useful life prediction considering degradation interactions of subsea Christmas tree: A multi-stage modeling approach
CN113807951A (zh) 一种基于深度学习的交易数据趋势预测方法和系统
Yang et al. Physics-informed multi-state temporal frequency network for RUL prediction of rolling bearings
CN113408190A (zh) 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhao Shuanfeng

Inventor after: Guo Shuai

Inventor after: He Haitao

Inventor after: Guo Wei

Inventor after: Wang Yuan

Inventor after: Wang Pengfei

Inventor before: Zhao Shuanfeng

Inventor before: Wang Pengfei

Inventor before: He Haitao

Inventor before: Guo Wei

Inventor before: Wang Yuan

GR01 Patent grant
GR01 Patent grant