一种矿压预测方法、装置及电子设备
技术领域
本发明涉及煤矿开采技术领域,尤其涉及一种矿压预测方法、装置及电子设备。
背景技术
在煤矿开采领域,液压支架是维护综采工作面围岩稳定的主要支护设备,液压支架的立柱压力(即矿压)不仅是支护强度的表征,其变化规律在一定程度上也可以反应上覆岩层的破断特征,所以对于矿压的有效预测可以作为研究支护质量和上覆岩层特性的关键部分,同时也是实现对采场顶板来压等动力灾害超前预测预警的有效手段,对于指导煤矿安全生产有着重要意义。
目前,综采工作面液压支架矿压预测方式大致分为三类:一是基于统计学与模糊数学等非确定性数学方法;二是基于矿压理论确定顶板结构,并发掘其物理力学规律的确定性方法;三是基于大量矿压观测数据,利用计算机进行分析预测的系统科学或智能技术方法。
但是,无论是使用传统方法还是智能技术对液压支架的矿压进行超前预测,均只考虑目标液压支架矿压的时间相关性,即利用偏相关和自相关分析等方法根据目标液压支架前几个时刻的矿压去预测其下一时刻的矿压,然而,随着对预测精度要求的提高,目前的矿压预测方法已不能满足预测精度要求。
发明内容
有鉴于此,本发明实施例提供一种矿压预测方法、装置及电子设备,能够提高矿压预测的精度。
第一方面,本发明实施例提供一种矿压预测方法,包括:
获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;
根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;
以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;
将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。
可选的,所述根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,包括:
根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数;
将与所述目标液压支架之间的相关系数大于目标值的液压支架作为样本液压支架。
可选的,所述根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数,包括:
根据所述矿压观测数据,建立原始数据矩阵,所述原始数据矩阵中的每一列数据对应其中一个所述液压支架在所述目标时间段内的矿压观测数据,所述原始数据矩阵中的每一行数据对应所述目标时间段内的其中一个时刻各液压支架的矿压观测数据;
将所述原始数据矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述原始数据矩阵中各个列向量之间的相关系数;
将除目标液压支架之外的各所述液压支架对应的列向量与所述目标液压支架对应的列向量之间的相关系数,作为各所述液压支架与所述目标液压支架之间的相关系数。
可选的,所述将与目标液压支架的相关系数大于目标值的液压支架作为样本液压支架,包括:
将与目标液压支架的相关系数大于目标值的液压支架作为待选液压支架;
判断所述待选液压支架与所述目标液压支架在所述综采工作面内是否相邻;
若是,则将所述待选液压支架作为样本液压支架;
若否,则继续判断位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数是否均大于所述目标值;
若是,则将所述待选液压支架作为样本液压支架。
可选的,所述将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,包括:
将所述目标液压支架、以及所述样本液压支架在第三时间段内对应的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第三时刻的矿压预测数据,其中,所述第三时间段和所述第三时刻位于所述目标时间段内,且所述第三时间段位于所述第一时间段之后,所述第三时间段与所述第一时间段的时间长度相等,所述第三时刻为所述第三时间段之外的下一时刻;
确定所述矿压预测数据与第三时刻时所述目标液压支架对应的矿压观测数据之间的误差率;
判断所述误差率是否小于目标误差率;
若是,则将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据。
第二方面,本发明实施例还提供一种矿压预测装置,包括:
获取模块,用于获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;
确定模块,用于根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;
模型建立模块,用于以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;
数据输出模块,用于将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。
可选的,所述确定模块包括:
第一确定单元,用于根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数;
第二确定单元,用于将与所述目标液压支架之间的相关系数大于目标值的液压支架作为样本液压支架。
可选的,所述第一确定单元包括:
第一子单元,用于根据所述矿压观测数据,建立原始数据矩阵,所述原始数据矩阵中的每一列数据对应其中一个所述液压支架在所述目标时间段内的矿压观测数据,所述原始数据矩阵中的每一行数据对应所述目标时间段内的其中一个时刻各液压支架的矿压观测数据;
第二子单元,用于将所述原始数据矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述原始数据矩阵中各个列向量之间的相关系数;
第三子单元,用于将除目标液压支架之外的各所述液压支架对应的列向量与所述目标液压支架对应的列向量之间的相关系数,作为各所述液压支架与所述目标液压支架之间的相关系数。
可选的,所述第二确定单元包括:
第四子单元,用于将与目标液压支架的相关系数大于目标值的液压支架作为待选液压支架;
第五子单元,用于判断所述待选液压支架与所述目标液压支架在所述综采工作面内是否相邻;
第六子单元,用于在所述待选液压支架与所述目标液压支架在所述综采工作面内相邻的情况下,则将所述待选液压支架作为样本液压支架;
第七子单元,用于在所述待选液压支架与所述目标液压支架在所述综采工作面内不相邻的情况下,继续判断位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数是否均大于所述目标值;
第八子单元,用于在位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数均大于所述目标值的情况下,将所述待选液压支架作为样本液压支架。
可选的,所述数据输出模块包括:
第一输入单元,用于将所述目标液压支架、以及所述样本液压支架在第三时间段内对应的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第三时刻的矿压预测数据,其中,所述第三时间段和所述第三时刻位于所述目标时间段内,且所述第三时间段位于所述第一时间段之后,所述第三时间段与所述第一时间段的时间长度相等,所述第三时刻为所述第三时间段之外的下一时刻;
误差率确定单元,用于确定所述矿压预测数据与第三时刻时所述目标液压支架对应的矿压观测数据之间的误差率;
判断单元,用于判断所述误差率是否小于目标误差率;
第二输入单元,用于在所述误差率小于目标误差率的情况下,将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据。
第三方面,本发明实施例还提供一种电子设备,所述电子设备包括:
壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;
电源电路,用于为上述电子设备的各个电路或器件供电;
存储器用于存储可执行程序代码;
处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行上述任一实施例所述的矿压预测方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任一实施例所述的矿压预测方法。
本发明的实施例提供的矿压预测方法、装置及电子设备,通过获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。这样,训练矿压预测模型时不仅考虑到了目标液压支架的矿压观测数据的时间相关性,还考虑到了目标液压支架和各样本液压支架的矿压观测数据的空间相关性,克服了目前对液压支架的矿压进行超前预测时只考虑目标液压支架矿压的时间相关性、而没有考虑在工作面依次布置的液压支架的矿压的空间相关性,导致在进行矿压预测时不仅浪费了大量的有效信息,同时获得的矿压预测数据精度较低的问题,有效提高了建立的所述矿压预测模型对矿压的预测精度,实现对后续顶板剧烈来压时段提前做出可靠的判断和分析的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的实施例提供的矿压预测方法的一种流程图;
图2为本发明的实施例提供的矿压预测方法的一种详细流程图;
图3为本发明一实施例中的长短时记忆神经网络模型某神经元的输入输出示意图;
图4为本发明一实施例中的第13台液压支架的矿压预测模型输出的矿压预测数据与实际矿压数据的对比图;
图5为图4中的矿压预测数据与实际矿压数据之间的误差率示意图;
图6是目前仅考虑第13台液压支架矿压序列时间相关性的矿压预测数据与实际矿压数据的对比图;
图7为图6中的矿压预测数据与实际矿压数据之间的误差率示意图;
图8为本发明的实施例提供的矿压预测装置的一种结构示意图;
图9为本发明的实施例提供的电子设备的一种结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
第一方面,本发明的实施例提供一种矿压预测方法,能够提高矿压预测的精度。
如图1所示,本发明的实施例提供的矿压预测方法可以包括:
S101、获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;
本步骤中,所述液压支架是维护所述综采工作面围岩稳定的支护设备,各所述液压支架可以并排布置在所述综采工作面内;每个所述液压支架对应有一组矿压观测数据,每一组矿压观测数据是依照给定的采样率对其中一个液压支架的支柱压力进行观测的结果,即每一组矿压观测数据为时间序列数据,各组矿压观测数据的矿压采集时间点相同。
可选的,可以从矿压观测数据的数据库中获取目标时间段内各液压支架的矿压观测数据。
S102、根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;
本步骤中,可以从所述各液压支架中选取任意一个液压支架作为所述目标液压支架,并可以通过皮尔逊相关系数(Pearson correlation coefficient)分析等方法,确定与所述目标液压支架存在空间相关性的样本液压支架,从而增加后续本步骤中训练目标液压支架的矿压预测模型时的相关特征输入。
S103、以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;
本步骤中,所述第一时间段内可以包括一个矿压采集时间点,也可以包括一个以上的矿压采集时间点;所述第一时刻是指位于所述第一时间段之后的下一个矿压采集时间点所在的时刻;所述深度学习模型可以为循环神经网络模型,循环神经网络具有记忆性、参数共享并且图灵完备(Turing completeness),因此在对序列的非线性特征进行学习时具有一定优势,具体的,所述深度学习模型可以采用循环神经网络模型中的长短时记忆神经网络模型。
在通过深度学习模型建立目标液压支架的矿压预测模型时,可以取多组第一时间段和第一时刻(每个第一时间段对应一个第一时刻,各组的第一时间段以及第一时刻互不相同,每个所述第一时间段内所包含的矿压采集时间点的个数相同),以使所述深度学习模型可以根据多组输入变量和输出变量建立所述目标液压支架的矿压预测模型。举例而言,目标时间段内包括N(N为大于1 的正整数)个矿压采集时间点,则最多可以取N-1组所述第一时间段和第一时刻。
S104、将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。
本步骤中,所述第二时间段与所述第一时间段的时间长度相等,是指所述第二时间段内所包含的矿压采集时间点的个数与所述第一时间段内所包含的矿压采集时间点的个数相同;本步骤中采用与所述矿压预测模型建立时相同的输入规则,将与所述第一时间段的时间长度相等、且位于所述目标时间段尾部的第二时间段内的矿压观测数据输入所述矿压预测模型,即可使所述矿压预测模型输出目标液压支架在所述目标时间段之外的下一时刻的矿压预测数据。应当理解的是,所述第二时刻与所述目标时间段内的最后一个矿压采集时间点之间的时间长度,与所述目标时间段内两个相邻的矿压采集时间点之间的时间长度相等。
本实施例提供的矿压预测方法,通过获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。这样,训练矿压预测模型时不仅考虑到了目标液压支架的矿压观测数据的时间相关性,还考虑到了目标液压支架和各样本液压支架的矿压观测数据的空间相关性,克服了目前对液压支架的矿压进行超前预测时只考虑目标液压支架矿压的时间相关性、而没有考虑在工作面依次布置的液压支架的矿压的空间相关性,导致在进行矿压预测时不仅浪费了大量的有效信息,同时获得的矿压预测数据精度较低的问题,有效提高了建立的所述矿压预测模型对矿压的预测精度,实现对后续顶板剧烈来压时段提前做出可靠的判断和分析的目的。
可选的,在上述实施例中,所述根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,可以包括:根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数;将与所述目标液压支架之间的相关系数大于目标值的液压支架作为样本液压支架。
本实施例,通过设置所述目标值,可以将与目标液压支架之间的相关性较大的液压支架作为所述样本液压支架,从而使根据所述样本液压支架和所述目标液压支架的矿压观测数据建立的矿压预测模型更加精准。举例而言,所述目标值可以取0.5、0.7等。
作为上述实施例的一可选实施方式,所述根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数,可以包括:根据所述矿压观测数据,建立原始数据矩阵,所述原始数据矩阵中的每一列数据对应其中一个所述液压支架在所述目标时间段内的矿压观测数据,所述原始数据矩阵中的每一行数据对应所述目标时间段内的其中一个时刻各液压支架的矿压观测数据;将所述原始数据矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述原始数据矩阵中各个列向量之间的相关系数;将除目标液压支架之外的各所述液压支架对应的列向量与所述目标液压支架对应的列向量之间的相关系数,作为各所述液压支架与所述目标液压支架之间的相关系数。
本实施例,所述原始数据矩阵中的各行数据之间按照时间顺序进行排列,即相邻两行数据之间对应的矿压采集时间点也相邻。由于综采工作面实际生产中并非长期连续生产,每天均会有一定时间进行设备检修,因此在计算所述原始数据矩阵中的各列向量之间的相关系数之前,还可以对所述原始数据矩阵进行预处理。
具体的,所述将所述原始数据矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述原始数据矩阵中各个列向量之间的相关系数,可以包括:对所述原始数据矩阵中的矿压观测数据进行数据缺失检验并补齐数据、以及剔除停机和断电数据操作,得到待分析数据矩阵,所述待分析数据矩阵的行数小于或等于所述原始数据矩阵的行数,所述待分析矩阵的列数等于所述原始数据矩阵的列数;将所述待分析矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述待分析矩阵中各个列向量之间的相关系数。
本实施例中,在检测到数据缺失时,可以利用与缺失数据所对应的液压支架相关的液压支架在同一时刻的矿压观测数据的平均值填补;具体的,假设d
i(t) 为缺失数据(即各所述液压支架中的第i个液压支架在t时刻的数据缺失),且与所述缺失数据所对应的液压支架相关的液压支架的个数大于1时,则填充到该位置的数据可以为
其中,K为与缺失数据所对应的液压支架相关的液压支架的个数,s为第s台与缺失数据所对应的液压支架相关的液压支架;而当与所述缺失数据d
i(t)所对应的液压支架相关的液压支架的个数仅为1时,则填充到该位置的数据可以为d
i(t)=d
s(t);而当所述缺失数据d
i(t)所对应的液压支架没有相关的液压支架时,则填充到该位置的数据可以为
其中,d
i-1(t)为所述缺失数据所对应的液压支架左侧的液压支架在t时刻的矿压观测数据,d
i+1(t)为所述缺失数据所对应的液压支架右侧的液压支架在t时刻的矿压观测数据。
具体的,所述将所述待分析矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述待分析矩阵中各个列向量之间的相关系数,可以包括:将所述待分析矩阵标记为D′m×n,以数据矩阵D′m×n的每一列为单位,记为n个列向量,即D′m×n有n个列向量,标记为D′m×n=[d1,d2,d3,L,dn];然后利用皮尔逊相关系数分析法计算n个列向量彼此之间的相关系数,得出该段时间内的相关系数矩阵A,A可以具体表示为
其中,aij,i∈[1,n],j∈[1,n]表示的是第i个列向量di和第j个列向量dj的相关系数,且aij=aji,因此,矩阵A为对称矩阵;可以理解的是,当i=j时,指的是自身与自身的相关性,这时aij=1;因此,在实际应用中,可以仅看矩阵A的上三角矩阵A′,即
作为本发明实施例的一可选实施方式,所述将与目标液压支架的相关系数大于目标值的液压支架作为样本液压支架,包括:将与目标液压支架的相关系数大于目标值的液压支架作为待选液压支架;判断所述待选液压支架与所述目标液压支架在所述综采工作面内是否相邻;若是,则将所述待选液压支架作为样本液压支架;若否,则继续判断位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数是否均大于所述目标值;若是,则将所述待选液压支架作为样本液压支架。
举例而言,对于目标液压支架,其左、右两侧的液压支架依次记为左1,左 2,左3,...和右1,右2,右3,...,若左1对应的液压支架与目标液压支架之间的相关系数大于目标值,又根据左1对应的液压支架与目标液压支架相邻,则可以将左1对应的液压支架作为其中一个样本液压支架;若左2对应的液压支架与目标液压支架之间的相关系小于目标值,这时即使左3对应的液压支架与目标液压支架之间的相关系数大于目标值,左3对应的液压支架也不能作为样本液压支架,目标液压支架右侧的样本液压支架的选择同理。而当目标液压支架为综采工作面的第一个或最后一个液压支架时(即所述目标液压支架只存在单侧相邻的液压支架),在确定与所述目标液压支架相对应的样本液压支架时,只需考虑所述目标液压支架一侧的液压支架即可。
在上述实施例中,当通过皮尔逊相关系数法计算后发现没有或只有一个液压支架与目标液压支架之间的相关系数大于目标值时,则可以根据液压支架的空间分布特点,选取目标液压支架左、右侧各一个液压支架作为样本液压支架。
作为本发明实施例的一可选实施方式,所述将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,可以包括:将所述目标液压支架、以及所述样本液压支架在第三时间段内对应的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第三时刻的矿压预测数据,其中,所述第三时间段和所述第三时刻位于所述目标时间段内,且所述第三时间段位于所述第一时间段之后,所述第三时间段与所述第一时间段的时间长度相等,所述第三时刻为所述第三时间段之外的下一时刻;确定所述矿压预测数据与第三时刻时所述目标液压支架对应的矿压观测数据之间的误差率;判断所述误差率是否小于目标误差率;若是,则将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据。
本实施例中,所述第三时间段与所述第一时间段的时间长度相等,是指所述第三时间段内所包含的矿压采集时间点的个数与所述第一时间段内所包含的矿压采集时间点的个数相同;所述第三时间段位于所述第一时间段之后,是指所述第三时间段内的第一个矿压采集时间点位于所述第一时间段内的第一个矿压采集时间点之后;所述第三时刻是指位于所述第三时间段之后的下一个矿压采集时间点所在的时刻。
当步骤103中取了多组第一时间段和第一时刻作为所述矿压预测模型的训练数据时,则根据相同的道理,在本实施例中也可以取多组第三时间段和第三时刻作为所述矿压预测模型的测试数据,这时,应当理解的是,各第三时间段中时间最靠前的第三时间段位于各第一时间段中时间最靠后的第一时间段之后。
本实施例,在通过所述矿压预测模型预测位于所述目标时间段之外的矿压数据之前,还对所述矿压预测模型的预测精度进行了测试,当所述矿压预测模型的预测精度符合要求后,才允许使用所述矿压预测模型进行实际应用,从而提高了矿压预测数据的可靠性。
具体的,在本发明的一可选实施例中,可以取所述待分析矩阵中的前70%~90%的矿压观测数据作为训练数据,将剩下的矿压观测数据作为测试数据,其中,所述训练数据具体指所述第一时间段和第一时刻的数据,所述测试数据具体指所述第三时间段和第三时刻的数据,应当理解的是,所述待分析矩阵中的前 70%~90%的矿压观测数据是指,按照矿压采集时间点由先到后的顺序对待分析矩阵中的各数据行进行排序,将排在前70%~90%的数据行中的矿压观测数据作为所述待分析矩阵中的前70%~90%的矿压观测数据。举例而言,可以取所述待分析矩阵中的前80%的矿压观测数据作为训练数据。
下面通过具体实施例对本发明实施例提供的矿压预测方法进行详细说明。
本发明所使用的数据来自某煤矿综采工作面175台液压支架的矿压观测数据。基于此,如图2所示,本发明实施例提供的矿压预测方法包括:
S201、从数据库中获取目标时间段内整个综采工作面各液压支架的矿压观测数据,所述矿压观测数据为时间序列数据;
例如:整个综采工作面有175台液压支架,在所述目标时间段内,矿压采集时间点为8929个,相邻的两个矿压采集时间点之间的时间长度相等,则每个所述液压支架对应有8929个矿压观测数据。
S202、根据所述矿压观测数据,建立原始数据矩阵,所述原始数据矩阵中的每一列数据对应其中一个所述液压支架在所述目标时间段内的矿压观测数据,所述原始数据矩阵中的每一行数据对应所述目标时间段内的其中一个矿压采集时间点各液压支架的矿压观测数据;
例如:所述原始数据矩阵可以标记为Dm×n,其中,数据行数m=8929,数据列数n=175。
S203、对所述原始数据矩阵中的矿压观测数据进行数据缺失检验并补齐数据、以及剔除停机和断电数据操作,得到待分析数据矩阵,所述待分析数据矩阵的行数小于或等于所述原始数据矩阵的行数,所述待分析矩阵的列数等于所述原始数据矩阵的列数;
例如:在补齐原始数据矩阵D8929×175中的缺失数据以及剔除停机和断点数据后,得到待分析矩阵D′4063×175。
S204、将所述待分析矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述待分析矩阵中各个列向量之间的相关系数;
例如:待分析矩阵D′4063×175有175个列向量,标记为D′4063×175=[d1,d2,d3,L,d175];然后利用皮尔逊相关系数分析法计算175个列向量彼此之间的相关系数,得出相关系数矩阵A,A可以具体表示为:
其中,aij,i∈[1,n],j∈[1,n]表示的是第i个列向量di和第j个列向量dj的相关系数。
S205、将除目标液压支架之外的各所述液压支架对应的列向量与所述目标液压支架对应的列向量之间的相关系数,作为各所述液压支架与所述目标液压支架之间的相关系数;
例如,选择第13台液压支架作为所述目标液压支架。
S206、将与目标液压支架的相关系数大于目标值的液压支架作为待选液压支架;
例如:所述目标值取0.5,根据S204中所计算的相关系数矩阵A,获知与第13台液压支架的相关系数大于0.5的液压支架分别为第12、第14台和第16 台液压支架,相关系数分别为a13,12=0.708、a13,14=0.609、a13,16=0.501,则将所述第 12、第14台和第16台液压支架作为所述待选液压支架;第11和第15液压支架与第13台液压支架的相关系数分别为a13,11=0.327,a13,15=0.488,均小于0.5,相关性较小,不符合要求。
S207、判断所述待选液压支架与所述目标液压支架在所述综采工作面内是否相邻;
本步骤中,当所述待选液压支架与所述目标液压支架在所述综采工作面内相邻时,则将所述待选液压支架作为样本液压支架;例如,S206中的第12和第 14台液压支架分别与所述第13台液压支架相邻,则将第12和第14台液压支架作为样本液压支架。
S208、若所述待选液压支架与所述目标液压支架在所述综采工作面内不相邻,则继续判断位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数是否均大于所述目标值;
S209、若位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数均大于所述目标值,则将所述待选液压支架作为样本液压支架;
本步骤中,若至少有一个位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数小于所述目标值,则所述待选液压支架将不能作为样本液压支架。
例如,第16台液压支架与第13台液压支架不相邻,且位于第16台液压支架和第13台液压支架之间的第15台支架与第13台支架的相关系数小于0.5,则所述第16台支架不能作为样本液压支架。
S210、以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过长短时记忆神经网络模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一矿压采集时间点;
例如:记第一时刻为t+1,所述第一时间段内包括11个矿压采集时间点,则所述输入变量可以表示为:
所述输出变量可以表示为:P13(t+1),其中,t是指所述待分析矩阵中第一时刻的前一个矿压采集时间点所在的时刻,t-1是指所述待分析矩阵中位于第一时刻之前的第2个矿压采集时间点所在的时刻,以此类推,t-10是指所述待分析矩阵中位于第一时刻之前的第11个矿压采集时间点所在的时刻。由此建立3输入 1输出所述矿压预测模型。
其中,t可以取多个不同的值,以使长短时记忆神经网络模型根据多组矿压观测数据训练所述矿压预测模型。例如,对于待分析矩阵D′4063×175,选择前3251 行数据作为训练数据。长短时记忆神经网络模型中的网络结构包括1层输入层, 2层隐含层和1层输出层,其中输出层的节点数为15个,迭代次数为3000次,学习率为0.00005;为了更清晰地说明长短时记忆神经网络模型的输入输出变量情况,图3给出了长短时记忆神经网络模型一个隐含层神经元的输入输出变量。
S211、将所述目标液压支架、以及所述样本液压支架在第三时间段内对应的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第三时刻的矿压预测数据,其中,所述第三时间段和所述第三时刻位于所述目标时间段内,且所述第三时间段位于所述第一时间段之后,所述第三时间段与所述第一时间段的时间长度相等,所述第三时刻为所述第三时间段之外的下一时刻;
例如:采用与步骤210中相同的方法,取多组第三时间段内的数据作为测试数据分别输入所述矿压预测模型;对于待分析矩阵D′4063×175,可以选择前3251 行数据作为训练数据,后812行数据作为测试数据。
S212、确定所述矿压预测数据与第三时刻时所述目标液压支架对应的矿压观测数据之间的误差率;
所述误差率可以按照以下公式计算:
其中,所述真实值为所述目标液压支架在第三时刻时的矿压观测数据,所述预测值为所述矿压预测模型输出的所述目标液压支架在第三时刻的矿压预测数据。
S213、判断所述误差率是否小于目标误差率;
S214、若所述误差率小于目标误差率,则将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据。
利用上述矿压预测方法对所述第13台液压支架进行矿压预测后,可以得到图4所示的第13台液压支架的实际矿压数据和预测矿压数据的对比图,以及图 5所示的第13台液压支架的实际矿压数据和预测矿压数据之间的误差率示意图。
而图6是目前仅考虑第13台液压支架矿压序列时间相关性的预测结果与实际值的对比图,图7是图5预测结果与实际值的误差率示意图。
对图5和图7进行对比可知,本发明实施例所提供的矿压预测方法大大提高了矿压预测的精度。
除第13台液压支架之外的其余液压支架的矿压预测模型的建立也可遵循上述步骤完成。
第二方面,本发明的实施例提供一种矿压预测装置,能够提高矿压预测的精度。
如图8所示,本发明的实施例提供的矿压预测装置,包括:
获取模块31,用于获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;
确定模块32,用于根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;
模型建立模块33,用于以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;
数据输出模块34,用于将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。
本实施例提供的矿压预测装置,通过获取目标时间段内各液压支架的矿压观测数据,在所述目标时间段内,各所述液压支架布置在同一综采工作面内,所述矿压观测数据为时间序列数据;根据各所述液压支架对应的矿压观测数据,确定除目标液压支架之外的各所述液压支架中与所述目标液压支架相关的样本液压支架,其中,所述目标液压支架为所述各液压支架中的其中一个液压支架;以所述目标液压支架以及所述样本液压支架在第一时间段内的矿压观测数据为输入变量,以所述目标液压支架在第一时刻的矿压观测数据为输出变量,通过深度学习模型建立目标液压支架的矿压预测模型,其中,所述第一时间段和所述第一时刻位于所述目标时间段内,且所述第一时刻为在所述第一时间段之外的下一时刻;将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据,其中,所述第二时间段与所述第一时间段的时间长度相等,且所述第二时间段的最大值与所述目标时间段的最大值重合,所述第二时刻为所述目标时间段之外的下一时刻。这样,训练矿压预测模型时不仅考虑到了目标液压支架的矿压观测数据的时间相关性,还考虑到了目标液压支架和各样本液压支架的矿压观测数据的空间相关性,克服了目前对液压支架的矿压进行超前预测时只考虑目标液压支架矿压的时间相关性、而没有考虑在工作面依次布置的液压支架的矿压的空间相关性,导致在进行矿压预测时不仅浪费了大量的有效信息,同时获得的矿压预测数据精度较低的问题,有效提高了建立的所述矿压预测模型对矿压的预测精度,实现对后续顶板剧烈来压时段提前做出可靠的判断和分析的目的。
可选的,所述确定模块包括:
第一确定单元,用于根据各所述液压支架的矿压观测数据,确定除目标液压支架之外的各所述液压支架与所述目标液压支架之间的相关系数;
第二确定单元,用于将与所述目标液压支架之间的相关系数大于目标值的液压支架作为样本液压支架。
可选的,所述第一确定单元包括:
第一子单元,用于根据所述矿压观测数据,建立原始数据矩阵,所述原始数据矩阵中的每一列数据对应其中一个所述液压支架在所述目标时间段内的矿压观测数据,所述原始数据矩阵中的每一行数据对应所述目标时间段内的其中一个时刻各液压支架的矿压观测数据;
第二子单元,用于将所述原始数据矩阵中的每一列数据作为一个列向量,利用皮尔逊相关系数分析法计算所述原始数据矩阵中各个列向量之间的相关系数;
第三子单元,用于将除目标液压支架之外的各所述液压支架对应的列向量与所述目标液压支架对应的列向量之间的相关系数,作为各所述液压支架与所述目标液压支架之间的相关系数。
可选的,所述第二确定单元包括:
第四子单元,用于将与目标液压支架的相关系数大于目标值的液压支架作为待选液压支架;
第五子单元,用于判断所述待选液压支架与所述目标液压支架在所述综采工作面内是否相邻;
第六子单元,用于在所述待选液压支架与所述目标液压支架在所述综采工作面内相邻的情况下,则将所述待选液压支架作为样本液压支架;
第七子单元,用于在所述待选液压支架与所述目标液压支架在所述综采工作面内不相邻的情况下,继续判断位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数是否均大于所述目标值;
第八子单元,用于在位于所述待选液压支架和所述目标液压支架之间的液压支架与所述目标液压支架之间的相关系数均大于所述目标值的情况下,将所述待选液压支架作为样本液压支架。
可选的,所述数据输出模块包括:
第一输入单元,用于将所述目标液压支架、以及所述样本液压支架在第三时间段内对应的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第三时刻的矿压预测数据,其中,所述第三时间段和所述第三时刻位于所述目标时间段内,且所述第三时间段位于所述第一时间段之后,所述第三时间段与所述第一时间段的时间长度相等,所述第三时刻为所述第三时间段之外的下一时刻;
误差率确定单元,用于确定所述矿压预测数据与第三时刻时所述目标液压支架对应的矿压观测数据之间的误差率;
判断单元,用于判断所述误差率是否小于目标误差率;
第二输入单元,用于在所述误差率小于目标误差率的情况下,将所述目标液压支架以及所述样本液压支架在第二时间段内的矿压观测数据输入所述矿压预测模型,以使所述矿压预测模型输出所述目标液压支架在第二时刻的矿压预测数据。
第三方面,本发明的实施例还提供一种电子设备,能够提高矿压预测的精度。
如图9所示,本发明的实施例提供的电子设备,可以包括:壳体41、处理器42、存储器43、电路板44和电源电路45,其中,电路板44安置在壳体41 围成的空间内部,处理器42和存储器43设置在电路板44上;电源电路45,用于为上述电子设备的各个电路或器件供电;存储器53用于存储可执行程序代码;处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前述任一实施例提供的矿压预测方法。
处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤,可以参见前述实施例的描述,在此不再赘述。
上述电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
相应的,本发明的实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现前述实施例提供的任一种矿压预测方法,因此也能实现相应的技术效果,前文已经进行了详细说明,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
为了描述的方便,描述以上装置是以功能分为各种单元/模块分别描述。当然,在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,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。因此,本发明的保护范围应以权利要求的保护范围为准。