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
与
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X
i=(c
i,1,c
i,2,c
i,3,......,c
i,1500;d
i,1,d
i,2,d
i,3,....,d
i,1500),当
或
大于δ
1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:
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”;
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
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,
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
同时采集每个
对应的标签数据
其中
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
得到的在第i个输入样本下的输出为Y
i;
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:
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=(X
1,X
2,X
3,.........,X
70000),其中
c
i,j为t
j时刻的电流值;d
i,j是t
j时刻的电压值,t
j+1-t
j=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
与
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X
i=(c
i,1,c
i,2,c
i,3,......,c
i,1500;d
i,1,d
i,2,d
i,3,....,d
i,1500),当
或
大于δ
1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:
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”。
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。
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,
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
同时采集每个
对应的标签数据
其中
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
得到的在第i个输入样本下的输出为Y
i。
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:
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:
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。