CN112149255A - 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 - Google Patents
基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 Download PDFInfo
- Publication number
- CN112149255A CN112149255A CN202011057665.8A CN202011057665A CN112149255A CN 112149255 A CN112149255 A CN 112149255A CN 202011057665 A CN202011057665 A CN 202011057665A CN 112149255 A CN112149255 A CN 112149255A
- Authority
- CN
- China
- Prior art keywords
- hydraulic support
- neural network
- lstm neural
- working resistance
- working
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,该方法利用煤矿采煤工作面自开采以来收集到的液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t、液压支架工作阻力值F在LSTM神经网络中进行训练,训练后的LSTM神经网络可根据要求预测工作面任意位置及时间点的液压支架工作阻力。相比传统理论计算,本发明具有预测准确率高、可指导生产等优点,本发明同时为工作面液压支架工作阻力预测提供了一种新思路。
Description
技术领域
本发明属于煤矿矿压领域,具体涉及一种基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法。
背景技术
目前液压支架工作阻力一般采用经验公式或近似理论公式计算,但大多计算的是最大工作阻力,无法做到实时计算,且现行计算方法误差较大。近年来,随着人工智能技术的研究与发展越来越成熟,可将其应用于煤矿矿压预测。LSTM(Long-Short Term Memory)神经网络,即长短期记忆神经网络,可根据历史数据预测某一时间点的数值,非常适合用于液压支架工作阻力预测。
发明内容
本发明的目的在于提供一种基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法。
为实现上述目的,本发明采用如下的技术方案:
基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,该方法利用煤矿采煤工作面自开采以来收集到的液压支架工作阻力历史数据在LSTM神经网络中进行训练,训练后的LSTM神经网络根据要求预测此工作面任意位置及时间点的液压支架工作阻力预测值。
本发明进一步的改进在于,收集煤矿采煤工作面自开采以来的液压支架工作阻力历史数据,包括液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t、液压支架工作阻力值F。
本发明进一步的改进在于,将液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t作为LSTM神经网络的输入参数,将液压支架工作阻力值F作为LSTM神经网络的输出参数。
本发明进一步的改进在于,LSTM神经网络模型的输入层节点数为4,输出层节点数为1。
本发明进一步的改进在于,利用收集的历史数据对LSTM神经网络模型进行重复训练。
本发明进一步的改进在于,训练后的LSTM神经网络模型根据要求预测工作面任意位置处支架在未来任意时间点的工作阻力,即将预测位置及时间点输入,系统会自动确定预测位置液压支架,进而自动确定液压支架所在位置煤层底板中心处P(x、y、z)坐标值并输入到LSTM神经网络,即可输出此处液压支架在预测时间点的工作阻力预测值。
与现有技术相比,本发明至少具有如下有益的技术效果:
为了解决目前液压支架工作阻力无法实时计算,且计算误差大的现实问题,本发明采用人工智能技术中的LSTM神经网络进行工作面液压支架工作阻力预测。
LSTM神经网络目前被广泛用于语音识别、语言建模、情感分析、文本预测及基于时间序列的预测等领域。利用LSTM神经网络进行工作面液压支架工作阻力预测具有预测准确率高、可指导生产等优点。
本发明利用工作面液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t作为输入参数,以相应位置处液压支架工作阻力值F作为输出参数,建立了LSTM神经网络模型,为工作面液压支架工作阻力预测提供了一种与人工智能技术相结合的新思路。
附图说明
图1为本发明实施例的流程图。
图2为液压支架所在位置煤层底板中心处P(x、y、z)坐标点的位置示意图。
具体实施方式
应该指出,以下说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例
本实施例公开了一种基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,具体包括以下步骤:
步骤一:收集采煤工作面自开采以来的液压支架工作阻力历史数据,包括液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t、液压支架工作阻力值F。
步骤二:将收集到的液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t作为LSTM神经网络的输入参数,将液压支架工作阻力值F作为LSTM神经网络的输出参数。
步骤三:LSTM神经网络模型初始化,设置输入层节点数为4,输出层节点数为1,隐含层层数为1。
步骤四:建立LSTM神经网络模型,即建立输入参数(液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t)与输出参数(液压支架工作阻力值F)之间的LSTM神经网络模型。
步骤五:进行训练学习,即读入已记录的各输入参数样本,预测输出参数数值,并将预测输出参数数值与真实值进行比较,然后反向修正神经网络内层间的权重值。
步骤六:重复执行步骤五,直至训练完全部样本数据。
步骤七:训练结束后保存LSTM神经网络。
步骤八:输入工作面预测位置及时间点,系统会自动确定预测位置液压支架,进而自动确定液压支架所在位置煤层底板中心处P(x、y、z)坐标值并输入到LSTM神经网络,即可输出此处液压支架在预测时间点的工作阻力预测值。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,该方法利用煤矿采煤工作面自开采以来收集到的液压支架工作阻力历史数据在LSTM神经网络中进行训练,训练后的LSTM神经网络根据要求预测此工作面任意位置及时间点的液压支架工作阻力预测值。
2.根据权利要求1所述的基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,收集煤矿采煤工作面自开采以来的液压支架工作阻力历史数据,包括液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t、液压支架工作阻力值F。
3.根据权利要求2所述的基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,将液压支架所在位置煤层底板中心处P(x、y、z)坐标值、工作阻力记录时间t作为LSTM神经网络的输入参数,将液压支架工作阻力值F作为LSTM神经网络的输出参数。
4.根据权利要求3所述的基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,LSTM神经网络模型的输入层节点数为4,输出层节点数为1。
5.根据权利要求4所述的基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,利用收集的历史数据对LSTM神经网络模型进行重复训练。
6.根据权利要求5所述的基于LSTM神经网络的采煤工作面液压支架工作阻力预测方法,其特征在于,训练后的LSTM神经网络模型根据要求预测工作面任意位置处支架在未来任意时间点的工作阻力,即将预测位置及时间点输入,系统会自动确定预测位置液压支架,进而自动确定液压支架所在位置煤层底板中心处P(x、y、z)坐标值并输入到LSTM神经网络,即可输出此处液压支架在预测时间点的工作阻力预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057665.8A CN112149255A (zh) | 2020-09-30 | 2020-09-30 | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057665.8A CN112149255A (zh) | 2020-09-30 | 2020-09-30 | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149255A true CN112149255A (zh) | 2020-12-29 |
Family
ID=73894353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057665.8A Pending CN112149255A (zh) | 2020-09-30 | 2020-09-30 | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149255A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933409A (zh) * | 2023-01-06 | 2023-04-07 | 青岛哈尔滨工程大学创新发展中心 | 一种基于多物理场弱耦合的自适应调整时间步长的方法 |
CN117436678A (zh) * | 2023-12-21 | 2024-01-23 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110017161A (zh) * | 2019-05-16 | 2019-07-16 | 中国神华能源股份有限公司 | 综采工作面智能供液方法、存储介质、电子设备和系统 |
CN111678683A (zh) * | 2020-06-08 | 2020-09-18 | 中国矿业大学 | 煤矿智能化综采工作面顶板来压预测方法和装置 |
-
2020
- 2020-09-30 CN CN202011057665.8A patent/CN112149255A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110017161A (zh) * | 2019-05-16 | 2019-07-16 | 中国神华能源股份有限公司 | 综采工作面智能供液方法、存储介质、电子设备和系统 |
CN111678683A (zh) * | 2020-06-08 | 2020-09-18 | 中国矿业大学 | 煤矿智能化综采工作面顶板来压预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
李泽萌: "时间窗设置对综采工作面矿压预测精度的影响研究", 《电脑与电信》, no. 4, pages 14 - 18 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933409A (zh) * | 2023-01-06 | 2023-04-07 | 青岛哈尔滨工程大学创新发展中心 | 一种基于多物理场弱耦合的自适应调整时间步长的方法 |
CN115933409B (zh) * | 2023-01-06 | 2023-05-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于多物理场弱耦合的自适应调整时间步长的方法 |
CN117436678A (zh) * | 2023-12-21 | 2024-01-23 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
CN117436678B (zh) * | 2023-12-21 | 2024-04-12 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN109883699A (zh) | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 | |
CN106844949B (zh) | 一种用于实现机车节能操纵的双向lstm模型的训练方法 | |
CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
CN112149255A (zh) | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 | |
Ding et al. | Stationary subspaces-vector autoregressive with exogenous terms methodology for degradation trend estimation of rolling and slewing bearings | |
CN109934422B (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN111144281B (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
CN112130086A (zh) | 一种动力电池剩余寿命预测方法及系统 | |
CN115293197A (zh) | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 | |
CN110705179A (zh) | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 | |
CN114282725A (zh) | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN114117599A (zh) | 一种盾构姿态位置偏差预测方法 | |
CN109344960A (zh) | 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN116611556A (zh) | 一种基于混合神经网络的致密气井单井产量预测方法 | |
CN113640633B (zh) | 一种气体绝缘组合电器设备故障定位方法 | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
Wang et al. | The research of railway passenger flow prediction model based on BP neural network | |
CN111310920A (zh) | 将深度学习神经网络技术应用于信号采集装置的方法 |
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 |