CN112364560A - 矿山凿岩装备作业工时智能预测方法 - Google Patents

矿山凿岩装备作业工时智能预测方法 Download PDF

Info

Publication number
CN112364560A
CN112364560A CN202011120280.1A CN202011120280A CN112364560A CN 112364560 A CN112364560 A CN 112364560A CN 202011120280 A CN202011120280 A CN 202011120280A CN 112364560 A CN112364560 A CN 112364560A
Authority
CN
China
Prior art keywords
drilling equipment
rock drilling
working hours
samples
prediction model
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.)
Granted
Application number
CN202011120280.1A
Other languages
English (en)
Other versions
CN112364560B (zh
Inventor
李宁
冯书照
郭宇航
贾明滔
池秀文
王李管
王其洲
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011120280.1A priority Critical patent/CN112364560B/zh
Publication of CN112364560A publication Critical patent/CN112364560A/zh
Application granted granted Critical
Publication of CN112364560B publication Critical patent/CN112364560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种矿山凿岩装备作业工时智能预测方法，包括：采集装备作业工时历史数据并进行Pearson相关性分析，选择无相关影响因素作为预测模型中的变量；根据采集的某一影响因素变化下的作业工时绘制散点分布图；采用Origin软件拟合以确定对应的函数关系式；通过线性叠加并加上误差项，构建多变量共同的预测模型；将作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练集样本变换为k个相互独立且不相交的子集；在训练集样本中进行k(k‑1)/2次交叉验证，利用差分进化算法计算预测模型的变量参数值，再利用测试样本进行泛化能力测试；本发明所建立的作业工时预测模型能够有效减小泛化误差并具有较高预测精度，具有较高的实际应用价值。

Description

矿山凿岩装备作业工时智能预测方法
技术领域
本发明属于采矿装备作业工时预测技术领域，具体涉及一种能够有效减小泛化误差并具有较高预测精度的矿山凿岩装备作业工时智能预测方法。
背景技术
矿山开采方式粗放，作业过程离散，凿岩是矿山开采过程中的主要工序之一，如何合理确定凿岩接续工序的间隔时间，减少作业装备和人员的等待过程，是提升矿山开采效率的关键。同时，矿山开采过程的少人化、无人化发展是必然趋势，不同工序作业装备的无缝衔接是实现这一目标的关键，因此，快速准确的预测凿岩装备作业工时，将为生产精准调度及智能矿山建设提供支撑。
在作业时间预测方面，研究对象多见于飞机寿命、制造厂地生产工时、水流预测、空气污染程度等，而有关矿山凿岩装备作业工时的预测研究较为少见。已有的预测方法包括神经网络、机器学习、线性回归、最小二乘回归、学习曲线等。另外，也存在一些针对不同问题需要而特别设计的解决方法。
虽然神经网络的学习和机器学习可以解决大部分的作业工时预测问题，但是神经网络和机器学习在数据集的学习过程中只充当一个黑匣子的功能，对于学习过程的可解释性不足，而且利用神经网络的学习需要大量的数据样本，以保证预测精确度。而对于纯粹使用数学统计分析方法预测作业工时，其过程计算较为复杂，最后所得到的预测模型，虽然满足训练误差较小，但是其泛化误差较大。
发明内容
针对现有技术的不足，本发明提供一种矿山凿岩装备作业工时智能预测方法，该方法通过融合数理统计分析和深度学习算法，构建凿岩装备作业工时预测函数模型，借助深度学习中的范数惩罚约束进行参数优化，避免预测函数模型结果出现过拟合或欠拟合现象，同时可以有效减小泛化误差，提高模型预测精度。
一种矿山凿岩装备作业工时智能预测方法，其特征在于，该预测方法包括以下步骤：
步骤1、采集一定量的矿山凿岩装备作业工时历史数据，并对影响作业工时的因素进行Pearson相关性分析，从而选择一定置信度水平下的无相关影响的因素作为工时预测模型中的变量；
步骤2、根据采集的某一影响因素变化条件下的凿岩装备作业工时，绘制作业工时的散点分布图；
步骤3、采用Origin软件进行拟合操作，确定单一变量情况下的凿岩装备作业工时函数计算关系式；
步骤4、将所述步骤3得到的函数关系式通过线性叠加并加上误差项，构建多变量共同作用下的作业工时预测模型；
步骤5、将所述步骤1中经过Pearson相关性分析得到的凿岩装备作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练样本变换为k个相互独立且不相交的子集，并进行k(k-1)/2次交叉验证；
步骤6、将训练样本数据进行k(k-1)/2次交叉验证，利用改进的差分进化算法计算作业工时预测模型的变量参数值，再利用测试样本对作业工时预测模型的泛化能力进行测试。
优选地，所述步骤2中采集某一影响因素变化条件下凿岩装备作业工时包括：动态调整某一影响因素的量化值，不予控制相同置信度水平下具有相关性的影响因素，保证采集的凿岩装备作业工时实际数据的完整性，并将无相关性影响因素的量化值看作常量；并利用此过程采集每种无相关影响的因素变化条件下的凿岩装备作业工时数据n组，每组采集m次。
优选地，所述步骤3中确定单一变量情况下的凿岩装备作业工时函数计算关系式的方法包括：选取单一变量的n组样本数据中，假定每组样本数据都服从高斯分布
Figure BDA0002731759420000031
采用最大似然估计值
Figure BDA0002731759420000032
作为凿岩装备作业工时的预测值
Figure BDA0002731759420000033
然后获得最大似然估计后的相关变量与作业工时散点图；
对单因素变量分析中样本数据散点图出现波动较大的情况，采用三次样条曲线插值法进行平滑，
对于单因素变量分析中样本数据波动较小而数据点较为分散的情况，采用Lagrange插值法进行插值；采用插值方法在增加样本数据点个数的同时，利用origin软件的函数拟合得到单因素变量与凿岩装备作业工时的函数关系式为
Figure BDA0002731759420000034
Figure BDA0002731759420000035
优选地，所述步骤4中构建多变量共同作用下的作业工时预测模型的方法包括：根据所述步骤3得到的单因素变量与凿岩装备作业工时的函数关系式
Figure BDA0002731759420000036
Figure BDA0002731759420000037
单一因素变量函数关系中可能包含有多个参数因子，用θj表示，再将该函数关系式通过线性叠加并加上误差项，最终构建出带未知参数的凿岩装备作业工时预测模型为t＝∑Jfj(xj，θj)+ε＝f(x，θ)+ε，其中向量θ的元素数量大于向量x，ε是误差项，期望E(ε)＝0。
优选地，所述步骤5中将所述步骤1得到的凿岩装备作业工时历史数据分为训练样本和测试样本的方法包括：
步骤5.1、随机选取凿岩装备作业工时历史数据样本集的20％数据作为测试样本，余下的全部数据作为训练样本；
步骤5.2、将训练样本分为没有交集的k组子集，随机选取两组作为验证样本，再进行k(k-1)/2次交叉验证，以降低测试样本的泛化误差。
优选地，所述步骤6中计算作业工时预测模型变量参数值的方法包括：
步骤6.1、根据矿山凿岩装备作业工时历史数据中的训练样本数据，利用改进的差分进化算法，以MSEtrain最小化为目标函数，求解凿岩作业工时预测模型t＝f(x，θ)+ε中的所有参数θ；
步骤6.2、利用矿山凿岩装备作业工时历史数据中验证样本数据求解合适的超参数λ，以控制θ的权重衰减程度，进一步改进优化参数θ；
步骤6.3、对多组交叉验证的训练样本和验证样本进行所述步骤6.1和所述步骤6.2的操作，得到k(k-1)/2组权重衰减优化的参数θ，然后对所得到的交叉验证参数值取平均值，最终确定预测模型中的参数值。
优选地，所述步骤6.2中求解超参数λ以控制θ的权重衰减程度的方法包括：
步骤6.2.1、根据所述步骤6.1得到的参数θ，构造L2正则化代价函数
Figure BDA0002731759420000041
步骤6.2.2、从验证样本中选取小批量的样本，通过对代价函数进行随机梯度下降计算，得出参数θ的随机梯度估计值；
步骤6.2.3、将参数θ的随机梯度估计值代入验证集数据的目标函数J(θ；x，t)中，利用改进的差分进化算法，以目标函数最小化优化求解超参数λ；
步骤6.2.4、根据得到的超参数λ，从整个验证样本中确定权重衰减优化之后的参数θ。
与现有技术相比，本发明具有以下优点：
1、本发明提供的矿山凿岩装备作业工时智能预测方法，根据矿山实际的岩体状态以及凿岩作业装备的性能，较为准确地预测凿岩装备的作业工时，在此作业工时的基础上，可以对各生产工序的装备进行精准的调度，有效地减少装备的等待时间，进而提高矿山的生产效率。
2、本发明中构建并训练得到的预测模型，不同于其他的数学模型，其他数学模型包含的参数个数与变量数相等。而本发明中每一个变量对应一种函数关系，函数关系不同，每一种函数关系中的参数个数也不相同，因此参数数量比变量数要多。除此之外，变量的函数类型越复杂，模型越复杂，其模型容量也越大，对应的参数个数也越多，考虑所有的参数值将有助于提高预测模型的准确性。
3、本发明在预测模型的参数优化时，在验证样本数据中利用L2正则化的代价函数，加入使权重衰减的超参数，然后对超参数进行优化求解，最终得出权重衰减之后的参数。通过对训练样本数据和验证样本数据的学习，两次优化预测模型的参数，较大程度地增强模型的泛化能力，防止发生模型过拟合或欠拟合的情况。
附图说明
图1为本发明的实施中矿山凿岩装备作业工时智能预测方法的流程图；
图2为本发明的实施中优化算法的流程图；
图3为本发明的实施例中一组样本的目标函数值随进化代数的差分进化曲线示意图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，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。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
如图1所示，本实施例提供了一种矿山凿岩装备作业工时智能预测方法，该预测方法将数理统计分析、优化算法和深度学习中的惩罚函数结合在一起，进行矿山凿岩装备作业工时智能预测模型的构建，具体包括以下步骤：
步骤1、采集大量的矿山凿岩装备作业工时历史数据，数据中包含有各影响因素的数值量以及作业工时等信息，为了确定各影响因素之间的相关性关系，利用Pearson相关性分析法
Figure BDA0002731759420000051
对影响作业工时的因素进行分析。在95％置信度水平下：如果相关性检验分析结果中，各影响因素间呈现线性无关关系，则需要对每一个影响因素与作业工时进行单独的函数关系式计算；如果影响因素间存在相关性关系，则在相关性影响因素中选择具有代表性的一个或多个线性无关的影响因素进行凿岩装备作业工时的数据采集。最终选取采集的影响因素都可以认为是线性无关的。
对实际采集的矿山凿岩装备作业工时数据进行Pearson相关性分析，最终选取的线性无关性因素有钻孔深度、钻孔直径、冲击功率、回转扭矩、冲击频率、岩体强度，将这六种影响因素作为预测模型的因素变量。
步骤2、根据采集的某一影响因素变化条件下的凿岩装备作业工时，绘制作业工时的散点分布图。
在该步骤中，采集某一影响因素变化条件下凿岩装备作业工时的过程为：动态调整某一影响因素的量化值，不予控制相同95％置信度水平下具有线性相关性的影响因素，保证采集的凿岩装备作业工时实际数据的完整性，将与其具有无相关性的影响因素的量化值看作常量。
并利用此过程采集每种无相关影响的因素变化条件下的凿岩装备作业工时数据n组，每组采集m次。通过此方法对步骤1得到的六种无相关性因素进行单独的作业工时统计，所选择的各样本数据量见表1。
表1单因素变量样本数据表
Figure BDA0002731759420000061
步骤3、采用Origin软件进行拟合操作，确定单一变量情况下的凿岩装备作业工时函数计算关系式。
具体为：分析步骤2采集到的样本数据，定义单一变量的多组样本数据中，每组样本数据都服从高斯分布
Figure BDA0002731759420000071
采用最大似然估计值
Figure BDA0002731759420000072
作为凿岩装备作业工时的预测值
Figure BDA0002731759420000073
然后绘制最大似然估计后的变量与作业工时的散点图。
对单因素变量分析中样本数据的散点图出现波动较大的情况，采用三次样条曲线插值法进行平滑；对于单因素分析中样本数据波动较小，而数据点较为分散的情况时，采用Lagrange插值法进行插值。进行插值后的样本数据量见表1。
与此同时，根据每一组样本数据的散点图，判断其大致属于哪一函数类型，然后利用origin软件的函数拟合操作，得出该函数类型的二维图形，如果二维图形与样本数据的散点图重合度较高，则将二维图形对应的函数表达式作为该组样本的单因素变量与凿岩装备作业工时的函数关系表达式为
Figure BDA0002731759420000074
最终得到的各函数关系式见表1。
步骤4、将步骤3得到的函数关系式通过线性叠加并加上误差项，构建多变量共同作用下的作业工时预测模型。
具体为：将表1中各个函数关系式的参数用未知参数θj表示，然后通过线性叠加，并加上误差项，最终构建的带未知参数的凿岩装备的作业工时预测模型为
Figure BDA0002731759420000075
Figure BDA0002731759420000076
ε是误差项，可以不计算具体数值，期望E(ε)＝0。
步骤5、将步骤1中经过Pearson相关性分析得到的凿岩装备作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练样本变换为k个相互独立且不相交的子集，并进行k(k-1)/2次交叉验证。
训练样本数据的作用是通过优化算法的计算，从样本数据中得出预测模型的参数值；测试样本数据的作用是计算预测模型的泛化误差，测试预测模型的性能。该步骤5的具体分类过程如下：
步骤5.1、随机选取凿岩装备作业工时历史数据样本集的20％作为预测模型的测试样本，余下的全部数据作为训练样本。根据矿山实际情况，采集的矿山历史钻孔数据样本有40个，其中32个样本数据作为训练样本数据，剩余的8个样本数据作为测试样本数据。
步骤5.2、将训练样本分为没有交集的8个子集，每个子集中包含有4个样本数据。在每一次交叉验证时，随机选取其中两个子集的训练样本数据作为验证样本，剩余子集依然作为训练样本，这样总共可以进行28次交叉验证，从而降低测试样本的泛化误差。
步骤6、将训练样本数据进行k(k-1)/2次交叉验证，利用改进的差分进化算法计算作业工时预测模型的变量参数值，再利用测试样本对作业工时预测模型的泛化能力进行测试。
在步骤6中，为了最终确定预测模型，需要先计算出预测模型中的变量参数值，然后测试预测模型的泛化能力，具体过程包括以下步骤：
步骤6.1、选取一组交叉验证样本集，对其训练样本数据进行分析，利用图2所示的算法流程计算该组训练样本数据下的预测模型初始参数值，算法步骤如下：
(1)初始化种群，其中种群中每一个体的规模D为11，确定种群规模NP为50，最大进化代数G为200，初始变异算子F0为0.4，交叉算子CR为0.1，终止阈值zzyz为10-6。
(2)计算初始种群中每个个体的目标函数值，
Figure BDA0002731759420000081
Figure BDA0002731759420000082
其中
Figure BDA0002731759420000083
表示训练集中预测的作业工时，ttrain表示训练集样本数据中的作业工时，然后判断fitV0是否小于zzyz，若小于，则终止；否则继续。
(3)对初始种群进行变异和交叉操作，其中变异操作中的变异算子采用自适应变异算子，
Figure BDA0002731759420000084
得到临时种群。
(4)将初始种群与临时种群相对应的每一个体的目标函数进行比较，选择目标函数值较小的个体组成新的种群。
(5)进化代数加一，判断终止条件，若不满足，对新种群继续(3)步骤。
最终得到的是该组交叉验证样本集中的训练集数据的参数值。其中一组样本的目标函数值随进化代数的差分进化曲线图如图3所示，可见40个样本的均方误差小于10000，单个样本的误差值在100s左右。
步骤6.2、为了防止步骤6.1中求解参数导致模型过拟合，并且提高预测模型的泛化能力，可以利用超参数λ控制参数的权重衰减，超参数求解过程可以分为如下几个步骤：
步骤6.2.1、根据步骤6.1得到的参数θ值，构造L2正则化代价函数
Figure BDA0002731759420000091
Figure BDA0002731759420000092
其中损失函数J(θ；x，t)为所选取样本集的最小均方误差MSE。
步骤6.2.2、从步骤6.1选取的交叉验证样本集中的验证样本数据中随机选择50％的数据样本，然后通过代价函数的随机梯度下降计算，得出参数θ的随机梯度估计值，
Figure BDA0002731759420000093
其中n为一组交叉验证样本集中验证样本数据的规模，
Figure BDA0002731759420000094
η为自定义的学习率，λ为控制参数权重衰减的超参数，参数θ中自由项b的随机梯度估计为
Figure BDA0002731759420000095
步骤6.2.3、给定初始的超参数λ的值为0，然后根据步骤6.2.2的方法计算参数θ的随机梯度估计值，接着将参数θ的随机梯度估计值代入验证样本数据，重新计算样本集的损失函数J(θ；x，t)，并将损失函数作为目标函数，利用图2所示的算法流程，以目标函数最小化，优化求解超参数λ。
步骤6.2.4、根据得到的超参数λ，然后再从该组交叉验证样本集中的验证样本数据，利用步骤6.2.2的方法计算出这一组交叉验证样本集的权重衰减优化后的参数θ。
步骤6.3、对多组交叉验证的训练样本和验证样本进行步骤6.1和6.2的操作，能得到k(k-1)/2组权重衰减优化的参数θ，然后对所得到的参数值取平均值，就是最终的预测模型参数值，即在步骤5.2中，进行了28次交叉验证，也将得到28组θ值，所有组的子集进行交叉验证之后，最终的参数值可以取28组θ值的平均值。
将参数值带入预测模型中得出多变量共同作用下的凿岩装备作业工时预测模型的方程解
Figure BDA0002731759420000101
Figure BDA0002731759420000102
步骤6.4、测试预测方程的泛化能力，首先通过已经得到的预测方程计算整个训练集样本的最小均方误差MSEtrain，以测试集样本数据集的测试误差
Figure BDA0002731759420000103
作为测试标准。通过步骤6.1、6.2和6.3对矿山凿岩装备作业工时历史数据样本的处理，最终得出的θ值见表2。
表2预测模型中的参数值
θ 值
θ<sub>1</sub> 1.3196
θ<sub>2</sub> -0.3771
θ<sub>3</sub> -0.6661
θ<sub>4</sub> -0.4193
θ<sub>5</sub> 0.7441
θ<sub>6</sub> 0.4782
θ<sub>7</sub> 2.9962
θ<sub>8</sub> -0.0064
θ<sub>9</sub> -6.5282
θ<sub>10</sub> -2.7446
θ<sub>11</sub> -2.3870
θ<sub>12</sub> -3.1281
然后将θ值带入预测模型，对测试样本数据进行逐个的误差检测，计算出各样本的误差见表3。
表3测试集样本的误差值
样本序号 误差值/s
1 11.003
2 12.268
3 51.678
4 45.269
5 36.582
6 43.920
7 34.699
8 47.389
9 20.052
10 19.994
11 27.812
12 48.206
13 47.163
14 33.931
通过表3的结果可以看出，每个样本的误差可以控制在1分钟内。
虽然单个样本的最大工时预测误差接近该样本作业工时的30％，但是对于整个凿岩工序来说，钻孔数目较多，平均误差就会有所降低，预测模型的性能也会提高。因此就凿岩机长期工作的情况来看，预测模型的预测结果具有借鉴价值，可以作为矿山生产过程中各工序接替作业的时间安排参考标准。

Claims (7)

1.一种矿山凿岩装备作业工时智能预测方法，其特征在于，该预测方法包括以下步骤：
步骤1、采集一定量的矿山凿岩装备作业工时历史数据，并对影响作业工时的因素进行Pearson相关性分析，从而选择一定置信度水平下的无相关影响的因素作为工时预测模型中的变量；
步骤2、根据采集的某一影响因素变化条件下的凿岩装备作业工时，绘制作业工时的散点分布图；
步骤3、采用Origin软件进行拟合操作，确定单一变量情况下的凿岩装备作业工时函数计算关系式；
步骤4、将所述步骤3得到的函数关系式通过线性叠加并加上误差项，构建多变量共同作用下的作业工时预测模型；
步骤5、将所述步骤1中经过Pearson相关性分析得到的凿岩装备作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练样本变换为k个相互独立且不相交的子集，并进行k(k-1)/2次交叉验证；
步骤6、将训练样本数据进行k(k-1)/2次交叉验证，利用改进的差分进化算法计算作业工时预测模型的变量参数值，再利用测试样本对作业工时预测模型的泛化能力进行测试。
2.根据权利要求1所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤2中采集某一影响因素变化条件下凿岩装备作业工时包括：动态调整某一影响因素的量化值，不予控制相同置信度水平下具有相关性的影响因素，保证采集的凿岩装备作业工时实际数据的完整性，并将无相关性影响因素的量化值看作常量；并利用此过程采集每种无相关影响的因素变化条件下的凿岩装备作业工时数据n组，每组采集m次。
3.根据权利要求2所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤3中确定单一变量情况下的凿岩装备作业工时函数计算关系式的方法包括：选取单一变量的n组样本数据中，假定每组样本数据都服从高斯分布
Figure FDA0002731759410000021
采用最大似然估计值
Figure FDA0002731759410000022
作为凿岩装备作业工时的预测值
Figure FDA0002731759410000023
然后获得最大似然估计后的相关变量与作业工时散点图；
对单因素变量分析中样本数据散点图出现波动较大的情况，采用三次样条曲线插值法进行平滑，
对于单因素变量分析中样本数据波动较小而数据点较为分散的情况，采用Lagrange插值法进行插值；采用插值方法在增加样本数据点个数的同时，利用origin软件的函数拟合得到单因素变量与凿岩装备作业工时的函数关系式为
Figure FDA0002731759410000025
Figure FDA0002731759410000026
4.根据权利要求3所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤4中构建多变量共同作用下的作业工时预测模型的方法包括：根据所述步骤3得到的单因素变量与凿岩装备作业工时的函数关系式
Figure FDA0002731759410000024
单一因素变量函数关系中可能包含有多个参数因子，用θj表示，再将该函数关系式通过线性叠加并加上误差项，最终构建出带未知参数的凿岩装备作业工时预测模型为t＝∑Jfj(xj，θj)+ε＝f(x，θ)+ε，其中向量θ的元素数量大于向量x，ε是误差项，期望E(ε)＝0。
5.根据权利要求1所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤5中将所述步骤1得到的凿岩装备作业工时历史数据分为训练样本和测试样本的方法包括：
步骤5.1、随机选取凿岩装备作业工时历史数据样本集的20％数据作为测试样本，余下的全部数据作为训练样本；
步骤5.2、将训练样本分为没有交集的k组子集，随机选取两组作为验证样本，再进行k(k-1)/2次交叉验证，以降低测试样本的泛化误差。
6.根据权利要求1所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤6中计算作业工时预测模型变量参数值的方法包括：
步骤6.1、根据矿山凿岩装备作业工时历史数据中的训练样本数据，利用改进的差分进化算法，以MSEtrain最小化为目标函数，求解凿岩作业工时预测模型t＝f(x，θ)+ε中的所有参数θ；
步骤6.2、利用矿山凿岩装备作业工时历史数据中验证样本数据求解合适的超参数λ，以控制θ的权重衰减程度，进一步改进优化参数θ；
步骤6.3、对多组交叉验证的训练样本和验证样本进行所述步骤6.1和所述步骤6.2的操作，得到k(k-1)/2组权重衰减优化的参数θ，然后对所得到的交叉验证参数值取平均值，最终确定预测模型中的参数值。
7.根据权利要求6所述的矿山凿岩装备作业工时智能预测方法，其特征在于：
所述步骤6.2中求解超参数λ以控制θ的权重衰减程度的方法包括：
步骤6.2.1、根据所述步骤6.1得到的参数θ，构造L2正则化代价函数
Figure FDA0002731759410000031
步骤6.2.2、从验证样本中选取小批量的样本，通过对代价函数进行随机梯度下降计算，得出参数θ的随机梯度估计值；
步骤6.2.3、将参数θ的随机梯度估计值代入验证集数据的目标函数J(θ；x，t)中，利用改进的差分进化算法，以目标函数最小化优化求解超参数λ；
步骤6.2.4、根据得到的超参数λ，从整个验证样本中确定权重衰减优化之后的参数θ。
CN202011120280.1A 2020-10-19 2020-10-19 矿山凿岩装备作业工时智能预测方法 Active CN112364560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120280.1A CN112364560B (zh) 2020-10-19 2020-10-19 矿山凿岩装备作业工时智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120280.1A CN112364560B (zh) 2020-10-19 2020-10-19 矿山凿岩装备作业工时智能预测方法

Publications (2)

Publication Number Publication Date
CN112364560A true CN112364560A (zh) 2021-02-12
CN112364560B CN112364560B (zh) 2022-07-05

Family

ID=74508246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120280.1A Active CN112364560B (zh) 2020-10-19 2020-10-19 矿山凿岩装备作业工时智能预测方法

Country Status (1)

Country Link
CN (1) CN112364560B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570175A (zh) * 2021-09-27 2021-10-29 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN113719283A (zh) * 2021-09-07 2021-11-30 武汉理工大学 一种矿山凿岩装备作业工时预测方法及装置
CN113762620A (zh) * 2021-09-08 2021-12-07 上海明略人工智能(集团)有限公司 用于预测产品加工时间的方法及装置、电子设备、存储介质
CN114154726A (zh) * 2021-12-06 2022-03-08 武汉理工大学 崩落法开采矿山铲运机出矿作业工时预测方法及系统
WO2023221476A1 (zh) * 2022-05-19 2023-11-23 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) 一种基于机器学习预测船舶t梁焊接机器人作业时间的算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102966333A (zh) * 2012-11-09 2013-03-13 北京科技大学 一种矿山采场和巷道掘进工作面底眼防堵塞方法
US20150226052A1 (en) * 2013-08-30 2015-08-13 Landmark Graphics Corporation Estimating and predicting wellbore tortuosity
US20160017696A1 (en) * 2014-07-18 2016-01-21 Sridhar Srinivasan Determining One or More Parameters of a Well Completion Design Based on Drilling Data Corresponding to Variables of Mechanical Specific Energy
CN110598914A (zh) * 2019-08-21 2019-12-20 武汉理工大学 一种多因素影响下矿井灾害气体浓度区间预测方法及系统
CN110826714A (zh) * 2019-10-29 2020-02-21 大连海事大学 一种岩质基坑爆破参数动态调控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102966333A (zh) * 2012-11-09 2013-03-13 北京科技大学 一种矿山采场和巷道掘进工作面底眼防堵塞方法
US20150226052A1 (en) * 2013-08-30 2015-08-13 Landmark Graphics Corporation Estimating and predicting wellbore tortuosity
US20160017696A1 (en) * 2014-07-18 2016-01-21 Sridhar Srinivasan Determining One or More Parameters of a Well Completion Design Based on Drilling Data Corresponding to Variables of Mechanical Specific Energy
CN110598914A (zh) * 2019-08-21 2019-12-20 武汉理工大学 一种多因素影响下矿井灾害气体浓度区间预测方法及系统
CN110826714A (zh) * 2019-10-29 2020-02-21 大连海事大学 一种岩质基坑爆破参数动态调控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"《矿业研究与开发》第34卷论文总目次", 《矿业研究与开发》 *
李宁等: "矿山短期生产计划优化的多目标遗传粒子群算法", 《金属矿山》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113719283A (zh) * 2021-09-07 2021-11-30 武汉理工大学 一种矿山凿岩装备作业工时预测方法及装置
CN113719283B (zh) * 2021-09-07 2023-01-17 武汉理工大学 一种矿山凿岩装备作业工时预测方法及装置
CN113762620A (zh) * 2021-09-08 2021-12-07 上海明略人工智能(集团)有限公司 用于预测产品加工时间的方法及装置、电子设备、存储介质
CN113570175A (zh) * 2021-09-27 2021-10-29 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN113570175B (zh) * 2021-09-27 2022-01-04 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN114154726A (zh) * 2021-12-06 2022-03-08 武汉理工大学 崩落法开采矿山铲运机出矿作业工时预测方法及系统
CN114154726B (zh) * 2021-12-06 2024-07-02 武汉理工大学 崩落法开采矿山铲运机出矿作业工时预测方法及系统
WO2023221476A1 (zh) * 2022-05-19 2023-11-23 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) 一种基于机器学习预测船舶t梁焊接机器人作业时间的算法

Also Published As

Publication number Publication date
CN112364560B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN110070145B (zh) 基于增量聚类的lstm轮毂单品能耗预测
CN110544011B (zh) 一种智能化的体系作战效能评估和优化方法
CN112686464A (zh) 短期风电功率预测方法及装置
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN109063892A (zh) 基于bp-lssvm组合优选模型的工业电量预测方法
CN112363896A (zh) 日志异常检测系统
CN109919356A (zh) 一种基于bp神经网络区间需水预测方法
CN111967183A (zh) 一种配电网台区线损的计算方法和系统
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN111832703B (zh) 一种流程制造工业不规则采样动态序列建模方法
CN115221793A (zh) 一种隧道围岩变形预测方法及装置
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN114861759B (zh) 一种线性动态系统模型的分布式训练方法
CN115759438A (zh) 一种基于机器学习的大气污染分析预测方法及系统
CN108596781A (zh) 一种电力系统数据挖掘与预测整合方法
CN114862007A (zh) 一种面向碳酸盐岩气井的短周期产气量预测方法及系统
CN117365430A (zh) 一种页岩气单井日产量预测方法及系统

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
GR01 Patent grant
GR01 Patent grant