CN113719283B - 一种矿山凿岩装备作业工时预测方法及装置 - Google Patents
一种矿山凿岩装备作业工时预测方法及装置 Download PDFInfo
- Publication number
- CN113719283B CN113719283B CN202111042558.2A CN202111042558A CN113719283B CN 113719283 B CN113719283 B CN 113719283B CN 202111042558 A CN202111042558 A CN 202111042558A CN 113719283 B CN113719283 B CN 113719283B
- Authority
- CN
- China
- Prior art keywords
- neural network
- dimension reduction
- factor
- rock drilling
- working hours
- 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
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 66
- 239000011435 rock Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003205 fragrance Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 241000255777 Lepidoptera Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种矿山凿岩装备作业工时预测方法及装置,其方法包括:获取矿山凿岩装备的历史作业工时以及影响历史作业工时的多种样本数据;利用相关性分析,将多种样本数据划分为不相关的多个因素特征组,多个因素特征组中的每一个因素特征组均包括多个因素特征;构建特征降维神经网络,并通过特征降维神经网络确定多个因素特征的优化权重值;根据优化权重值确定与多个因素特征组一一对应的多个降维样本;构建全连接神经网络模型,并利用多个降维样本和历史作业工时对全连接神经网络进行训练及优化,确定工时预测模型;根据工时预测模型对矿山凿岩装备作业工时进行预测。本发明提高了工时预测的精度和速度。
Description
技术领域
本发明涉及凿岩装备作业工时预测技术领域,具体涉及一种矿山凿岩装备作业工时预测方法及装置。
背景技术
在时间要求方面,矿山开采时只掌控整体的时间安排,对于各工序作业时间的精准控制较少,这就导致了各工序作业时间的离散化,从而影响开采过程中的整体时间规划以及各周期的开采进程。在时间安排方面,生产过程中所需时间的最长的矿山机械是铲运机,其次是凿岩装备,然而影响凿岩工时的因素较铲运机运行时长的因素多。因此,分析凿岩工时与其影响因素的联系将关系到矿山精准调度以及智能矿山的建设。
现如今,关于工时预测的研究多见于飞机寿命、水流预测、制造厂地生产工时、空气污染程度预测等,有关矿山机械作业工时的预测研究较少。研究较多的工时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、统计分析等。除此之外,也存在一些针对不同问题的需要而特别设计的预测方法。
在已有的预测方法中,基于数学理论分析的统计计算、线性回归等方法虽然可以明确的解释学习过程,然而计算过程较为复杂,模型精确度不高,泛化误差较大。基于机器学习的神经网络预测方法,虽然难以解释学习过程,但是其预测精度较高,然而当输入层参数较多时,其模型容量较大,学习速度变慢。
发明内容
有鉴于此,有必要提供一种矿山凿岩装备作业工时预测方法及装置,用以解决现有技术中存在的无法同时兼顾预测精度和预测速度的技术问题。
为了解决上述技术问题,本发明提供了一种矿山凿岩装备作业工时预测方法,包括:
获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据;
利用相关性分析,将所述多种样本数据划分为不相关的多个因素特征组,所述多个因素特征组中的每一个因素特征组均包括多个因素特征;
构建特征降维神经网络,并通过所述特征降维神经网络确定所述多个因素特征的优化权重值;
根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本;
构建全连接神经网络模型,并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型;
根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。
在一些可能的实现方式中,所述特征降维神经网络包括依次设置的第一输入层、至少一个第一隐含层以及第一输出层,所述第一输入层的神经元个数与所述多种样本数据的种类数相同,所述第一输出层的神经元个数与所述多个因素特征组的个数相同。
在一些可能的实现方式中,所述通过所述特征降维神经网络确定所述多个因素特征的优化权重值,包括:
确定所述多个因素特征的初始权重值;
基于改进的差分进化算法对所述初始权重值进行优化,获得所述优化权重值。
在一些可能的实现方式中,所述基于改进的差分进化算法对所述初始权重值进行优化,获得所述优化权重值,包括:
步骤1、根据所述初始权重值生成初始种群,并确定最大进化代数以及适应度阈值;
步骤2、将所述初始种群作为父代种群,并计算所述父代种群中各个个体的适应度值;
步骤3、判断所述父代种群中是否存在适应度值小于所述适应度阈值的个体,若存在,则所述初始权重值为所述优化权重值;若不存在,则确定目标变异策略;
步骤4、基于所述目标变异策略对所述父代种群进行变异和交叉,获得临时种群;
步骤5、将所述父代种群与所述临时种群相对应的每一个体的适应度值进行比较,选择适应度值较小的个体组成新父代种群;
步骤6、判断进化代数是否大于所述最大进化代数,若大于,则所述新父代种群对应的权重值为所述最优权重值,若不大于,则返回步骤4。
在一些可能的实现方式中,所述适应度值为所述特征降维神经网络的最小训练误差值;所述计算所述父代种群中各个个体的适应度值包括:
将所述各个个体在所述特征降维神经网络中进行至少两次训练,并获得至少两个训练误差值;
将所述至少两个训练误差值中较小的训练误差值作为所述适应度值。
在一些可能的实现方式中,所述确定目标变异策略包括:
确定至少两个备选变异策略;
根据所述至少两个变异策略分别对所述父代种群进行变异,生成与所述至少两个变异策略一一对应的至少两个变异结果;
将所述至少两个变异结果中变异个体的适应度值小于预设适应度值的个数较多的变异结果所对应的备选变异策略作为所述目标变异策略。
在一些可能的实现方式中,所述多个降维样本为:
x′i=∑ωjxj
式中,xi’为第i个因素特征组对应的降维样本;xj为第i个因素特征组中第j个因素特征;ωj为第i个因素特征组中第j个因素特征的优化权重值。
在一些可能的实现方式中,所述利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型,包括:
将所述多个降维样本和所述历史作业工时按照预设比例划分为训练样本和测试样本;
利用所述训练样本对所述全连接神经网络模型进行训练,确定所述全连接神经网络模型的模型初始权重和模型初始偏差值;
利用所述测试样本,基于蝴蝶算法对所述模型初始权重和模型初始偏差值进行优化,获得模型优化权重和模型优化偏差值,从而确定所述工时预测模型。
在一些可能的实现方式中,所述多种样本数据包括数值型数据和字符型数据;在获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据之后还包括:
将所述数值型数据进行归一化处理;
将所述字符型数据划分为多个等级并用数字表示所述等级。
另一方面,本发明还提供一种矿山凿岩装备作业工时预测装置,包括:
样本数据获取单元,用于获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据;
相关性分析单元,用于利用相关性分析,将所述多种样本数据划分为不相关的多个因素特征组,所述多个因素特征组中的每一个因素特征组均包括多个因素特征;
权重优化单元,用于构建特征降维神经网络,并通过所述特征降维神经网络确定所述多个因素特征的优化权重值;
样本降维单元,用于根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本;
预测模型训练单元,用于构建全连接神经网络模型,并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型;
工时预测单元,用于根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。
采用上述实施例的有益效果是:本发明提供的矿山凿岩装备作业工时预测方法,相比于现有技术中的基于机器学习的神经网络预测方法,首先利用相关性分析,将多种样本数据划分为多个因素特征组,并对因素特征组中的多个因素特征的权重值进行优化,基于优化权重值确定与多个因素特征组一一对应的多个降维样本,大大降低了全连接神经网络模型的输入数据,从而减轻全连接神经网络的训练强度,提高全连接神经网络的训练速度,从而提高对矿山凿岩装备作业工时预测的速度。并且,利用相关性分析和特征降维神经网络对多种样本数据进行降维,还可减小相关性数据对工时预测的影响,提高降维过程的可解释性,并可有效减小泛化误差,提高矿山凿岩装备作业工时的预测精度。
进一步地,本发明提供的矿山凿岩装备作业工时预测方法,可精准的预测凿岩装备的作业工时,可以为后续生产过程中的装备调度提供依据,有效减少装备的等待时间,提高矿山的生产效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1为本发明提供的矿山凿岩装备作业工时预测方法的一个实施例流程示意图;
图2为本发明图1中S103的一个实施例流程示意图;
图3为本发明图2中S202的一个实施例流程示意图;
图4为本发明图3中S302的一个实施例流程示意图;
图5为本发明图3中S303的一个实施例流程示意图;
图6为本发明图1中S105的一个实施例流程示意图;
图7为本发明提供的矿山凿岩装备作业工时预测装置的一个实施例结构示意图;
图8为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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,本领域技术人员在没有做出创造性劳动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。
在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种矿山凿岩装备作业工时预测方法及装置,以下分别进行说明。
图1为本发明提供的矿山凿岩装备作业工时预测方法的一个实施例流程示意图,如图1所示,矿山凿岩装备作业工时预测方法包括:
S101、获取矿山凿岩装备的历史作业工时以及影响历史作业工时的多种样本数据;
S102、利用相关性分析,将多种样本数据划分为不相关的多个因素特征组,多个因素特征组中的每一个因素特征组均包括多个因素特征;
S103、构建特征降维神经网络,并通过特征降维神经网络确定多个因素特征的优化权重值;
S104、根据优化权重值确定与多个因素特征组一一对应的多个降维样本;
S105、构建全连接神经网络模型,并利用多个降维样本和历史作业工时对全连接神经网络进行训练及优化,确定工时预测模型;
S106、根据工时预测模型对矿山凿岩装备作业工时进行预测。
与现有技术相比,本发明实施例提供的矿山凿岩装备作业工时预测方法,首先利用相关性分析,将多种样本数据划分为多个因素特征组,并对因素特征组中的多个因素特征的权重值进行优化,基于优化权重值确定与多个因素特征组一一对应的多个降维样本,大大降低了全连接神经网络模型的输入数据,从而减轻全连接神经网络的训练强度,提高全连接神经网络的训练速度,从而提高对矿山凿岩装备作业工时预测的速度。并且,利用相关性分析和特征降维神经网络对多种样本数据进行降维,还可减小相关性数据对工时预测的影响,提高降维过程的可解释性,并可有效减小泛化误差,提高矿山凿岩装备作业工时的预测精度。
进一步地,本发明实施例提供的矿山凿岩装备作业工时预测方法,可精准的预测凿岩装备的作业工时,可以为后续生产过程中的装备调度提供依据,有效减少装备的等待时间,提高矿山的生产效率。
在本发明的一些实施例中,影响历史作业工时的多种样本数据可根据专家建议进行确定。
在本发明的具体实施例中,步骤S101中影响历史作业工时的多种样本数据可包括岩体强度、裂隙面密度、回转扭矩、气缸的压气压力、钻头的纯钻速、钎头形状、剩余寿命、钻孔深度、直径、凿岩机的冲击输出功率和冲击频率这 11种样本数据。
在本发明的具体实施例中,步骤S102中的多个因素特征组的个数为5,即:将11种样本数据划分为不相关的5组因素特征组。
在本发明的一些实施例中,特征降维神经网络包括依次设置的第一输入层、至少一个第一隐含层以及第一输出层,第一输入层的神经元个数与多种样本数据的种类数相同,第一输出层的神经元个数与多个因素特征组的个数相同。即:第一输入层的神经元个数为11,第一输出层的神经元个数为5。
在本发明的具体实施例中,特征降维神经网络包括两层隐含层,两层隐含层的维度分别为9和7。
在本发明的一些实施例中,如图2所示,步骤S103包括:
S201、确定多个因素特征的初始权重值;
S202、基于改进的差分进化算法对初始权重值进行优化,获得优化权重值。
通过改进的差分算法对初始权重值进行优化,获得优化权重值,可提高多个降维样本的可靠性,从而可提高矿山凿岩设备工时预测的准确性。
步骤S201中的初始权重值为随机生成的,具体地随机算法在此不做限定。
在本发明的一些实施例中,如图3所示,步骤S202包括:
S301、根据初始权重值生成初始种群,并确定最大进化代数以及适应度阈值;
S302、将初始种群作为父代种群,并计算父代种群中各个个体的适应度值;
S303、判断父代种群中是否存在适应度值小于适应度阈值的个体,若存在,则初始权重值为优化权重值;若不存在,则确定目标变异策略;
S304、基于目标变异策略对父代种群进行变异和交叉,获得临时种群;
S305、将父代种群与临时种群相对应的每一个体的适应度值进行比较,选择适应度值较小的个体组成新父代种群;
S306、判断进化代数是否大于最大进化代数,若大于,则新父代种群对应的权重值为最优权重值,若不大于,则返回S304。
通过确定目标变异策略对父代种群进行变异,可提高变异过程的可靠性,进而提高最优权重值的可靠性,因此,可进一步提高工时预测的准确度。
在本发明的具体实施例中,初始种群中个体的总数为50,最大进化代数为200,适应度阈值为10-6,变异算子为0.4,交叉算子为0.1。
在本发明的一些实施例中,适应度值为特征降维神经网络的最小训练误差值,因此,为了避免训练过程中存在的误差,导致适应度值不准确,进而导致获得的优化权重值不可靠,如图4所示,步骤S302包括:
S401、将各个个体在特征降维神经网络中进行至少两次训练,并获得至少两个训练误差值;
S402、将至少两个训练误差值中较小的训练误差值作为适应度值。
通过将各个个体在特征降维神经网络中训练至少两次,可避免由于训练过程中的误差导致适应度值不可靠的技术问题,实现提高获得的优化权重值可靠性的技术效果。
在本发明的具体实施例中,将各个个体在特征降维神经网络中进行5次训练。
为了提高变异策略的可靠性,在本发明的一些实施例中,如图5所示,步骤S303中的确定目标变异策略包括:
S501、确定至少两个备选变异策略;
S502、根据至少两个变异策略分别对父代种群进行变异,生成与至少两个变异策略一一对应的至少两个变异结果;
S503、将至少两个变异结果中变异个体的适应度值小于预设适应度值的个数较多的变异结果所对应的备选变异策略作为目标变异策略。
通过变异结果从至少两个备选变异策略中选取目标变异策略,可确保目标变异策略的可靠性,从而提高矿山凿岩装备工时预测的准确性。
在本发明的一些实施例中,包括三个备选变异策略,第一种备选变异策略为:当前种群中各个个体向当前最优个体方向变异;第二种备选变异策略为:当前种群中各个个体在原个体的邻域范围变异;第三种备选变异策略为:当前种群中各个个体在全局范围内的随机变异。
具体地,第一种备选变异策略为:
第二种备选变异策略为:
第三种备选变异策略为:
Vn=10-20*rand
式中,Vbest为当前种群最优个体;F为变异算子;Vr1和Vr2为当前种群中随机选择的个体;Vn为变异后的个体;Vn’为Vn变异之前的个体;rand随机函数。
在本发明的一些实施例中,多个降维样本为:
x′i=∑ωjxj
式中,xi’为第i个因素特征组对应的降维样本;xj为第i个因素特征组中第j个因素特征;ωj为第i个因素特征组中第j个因素特征的优化权重值。
由上述公式可以看出:每个降维样本为每一个因素特征组中的多个因素特征的线性加权。
在本发明的一些实施例中,全连接神经网络模型包括第二输入层、4个第二隐含层和第二输出层,其中,第二输入层的神经元个数为5,第二输出层的神经元个数为1。即:全连接神经网络模型输入的数据为多个降维样本,输出的数据为工时。其中,4个隐含层的维度分别为8、7、5、3。
在本发明的一些实施例中,如图6所示,步骤S105包括:
S601、将多个降维样本和历史作业工时按照预设比例划分为训练样本和测试样本;
S602、利用训练样本对全连接神经网络模型进行训练,确定全连接神经网络模型的模型初始权重和模型初始偏差值;
S603、利用测试样本,基于蝴蝶算法对模型初始权重和模型初始偏差值进行优化,获得模型优化权重和模型优化偏差值,从而确定工时预测模型。
通过蝴蝶算法对全连接神经网络模型的模型初始权重和模型初始偏差值进行优化,可以提高全连接神经网络模型的学习精度,进而提高工时预测模型的精度。
在本发明的具体实施例中,训练样本和测试样本的比例为8∶2。
在本发明的一些实施例中,步骤S603包括:
(1)种群初始化。将初步得到的各连接层的权重、偏差值依次排列为向量,作为一个蝴蝶位于食物源的位置,然后每次只随机改变该位置的一个参数,最终产生49个不同的蝴蝶位置,将其合并组成规模为50的初始种群。
(2)将初始种群作为父代种群,然后计算父代种群中蝴蝶个体的适应度。将蝴蝶位置带入全连接神经网络模型的结构中,然后通过该网络模型,利用测试集样本计算该网络模型的误差值,并将其作为种群个体的适应度值I,记录当前最优个体。
(3)声明变量c,α,g*,p。其中p为开关概率,来转换普通的全局搜索和密集的局部搜索;g*表示目前为止的蝴蝶最优位置。
(4)确定种群中每个蝴蝶的香味。通过公式f=CIα计算蝴蝶香味,其中c为感觉因子,I为蝴蝶个体的适应度值,α为幂指数。
(5)比较父代种群蝴蝶个体的香味值,找出最优的香味,赋值给g*。
(6)选定一个随机值r=rand(0,1),如果r<p,采用公式对父代种群中的蝴蝶个体进行全局搜索;反之如果r>p,采用公式对父代种群中的蝴蝶个体进行局部搜索。式中xi t表示第i个蝴蝶在第t次迭代中的蝴蝶位置;xk t和xj t表示从父代种群中随机选择的第k只和第j只蝴蝶。对父代种群中的所有个体搜索完之后,生成子代种群。
(7)对子代种群进行适应度比较,并将子代种群的最优个体与当前最优个体进行适应度比较。若子代种群的最优个体较优,则替代当前最优个体;反之继续。
(8)将父代种群和其子代种群合并,然后进行适应度值的比较,从混合种群中选取适应度值较优的50个个体组成下一父代种群。
(9)判断迭代次数G是否到达200。否,转至步骤(4);是,结束。
在本发明的一些实施例中,由于多种样本数据有数值型数据和字符型数据,例如:钻孔深度为数值型数据,钎头形状为字符型数据,因此,为了便于后续处理,在步骤S101之后还包括:
将数值型数据进行归一化处理;
将字符型数据划分为多个等级并用数字表示等级。
具体地,对于钎头形状,根据钎头形状的主观复杂程度进行等级划分,并用数字表示等级。
为了更好实施本发明实施例中的矿山凿岩装备作业工时预测方法,在矿山凿岩装备作业工时预测方法基础之上,对应的,如图7所示,本发明实施例还提供了一种矿山凿岩装备作业工时预测装置700,包括:
样本数据获取单元701,用于获取矿山凿岩装备的历史作业工时以及影响历史作业工时的多种样本数据;
相关性分析单元702,用于利用相关性分析,将多种样本数据划分为不相关的多个因素特征组,多个因素特征组中的每一个因素特征组均包括多个因素特征;
权重优化单元703,用于构建特征降维神经网络,并通过特征降维神经网络确定多个因素特征的优化权重值;
样本降维单元704,用于根据优化权重值确定与多个因素特征组一一对应的多个降维样本;
预测模型训练单元705,用于构建全连接神经网络模型,并利用多个降维样本和历史作业工时对全连接神经网络进行训练及优化,确定工时预测模型;
工时预测单元706,用于根据工时预测模型对矿山凿岩装备作业工时进行预测。
上述实施例提供的矿山凿岩装备作业工时预测装置700可实现上述矿山凿岩装备作业工时预测方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述矿山凿岩装备作业工时预测方法实施例中的相应内容,此处不再赘述。
如图8所示,本发明还相应提供了一种电子设备800。该电子设备800包括处理器801、存储器802及显示器803。图8仅示出了电子设备800的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器802在一些实施例中可以是电子设备800的内部存储单元,例如电子设备800的硬盘或内存。存储器802在另一些实施例中也可以是电子设备800的外部存储设备,例如电子设备800上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card) 等。
进一步地,存储器802还可既包括电子设备800的内部储存单元也包括外部存储设备。存储器802用于存储安装电子设备800的应用软件及各类数据。
处理器801在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器802中存储的程序代码或处理数据,例如本发明中的矿山凿岩装备作业工时预测方法。
显示器803在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器803用于显示在电子设备800的信息以及用于显示可视化的用户界面。电子设备800的部件801-803通过系统总线相互通信。
在一实施例中,当处理器801执行存储器802中的矿山凿岩装备作业工时预测程序时,可实现以下步骤:
获取矿山凿岩装备的历史作业工时以及影响历史作业工时的多种样本数据;
利用相关性分析,将多种样本数据划分为不相关的多个因素特征组,多个因素特征组中的每一个因素特征组均包括多个因素特征;
构建特征降维神经网络,并通过特征降维神经网络确定多个因素特征的优化权重值;
根据优化权重值确定与多个因素特征组一一对应的多个降维样本;
构建全连接神经网络模型,并利用多个降维样本和历史作业工时对全连接神经网络进行训练及优化,确定工时预测模型;
根据工时预测模型对矿山凿岩装备作业工时进行预测。
应当理解的是:处理器801在执行存储器802中的矿山凿岩装备作业工时预测程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备800的类型不做具体限定,电子设备800可以为手机、平板电脑、个人数字助理(personal digital assistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备800也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的矿山凿岩装备作业工时预测方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种矿山凿岩装备作业工时预测方法,其特征在于,包括:
获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据;
利用相关性分析,将所述多种样本数据划分为不相关的多个因素特征组,所述多个因素特征组中的每一个因素特征组均包括多个因素特征;
构建特征降维神经网络,并通过所述特征降维神经网络确定所述多个因素特征的优化权重值;
根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本;
构建全连接神经网络模型,并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型;
根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。
2.根据权利要求1所述的矿山凿岩装备作业工时预测方法,其特征在于,所述特征降维神经网络包括依次设置的第一输入层、至少一个第一隐含层以及第一输出层,所述第一输入层的神经元个数与所述多种样本数据的种类数相同,所述第一输出层的神经元个数与所述多个因素特征组的个数相同。
3.根据权利要求2所述的矿山凿岩装备作业工时预测方法,其特征在于, 所述通过所述特征降维神经网络确定所述多个因素特征的优化权重值,包括:
确定所述多个因素特征的初始权重值;
基于改进的差分进化算法对所述初始权重值进行优化,获得所述优化权重值。
4.根据权利要求3所述的矿山凿岩装备作业工时预测方法,其特征在于, 所述基于改进的差分进化算法对所述初始权重值进行优化,获得所述优化权重值,包括:
步骤1、根据所述初始权重值生成初始种群,并确定最大进化代数以及适应度阈值;
步骤2、将所述初始种群作为父代种群,并计算所述父代种群中各个个体的适应度值;
步骤3、判断所述父代种群中是否存在适应度值小于所述适应度阈值的个体,若存在,则所述初始权重值为所述优化权重值;若不存在,则确定目标变异策略;
步骤4、基于所述目标变异策略对所述父代种群进行变异和交叉,获得临时种群;
步骤5、将所述父代种群与所述临时种群相对应的每一个体的适应度值进行比较,选择适应度值较小的个体组成新父代种群;
步骤6、判断进化代数是否大于所述最大进化代数,若大于,则所述新父代种群对应的权重值为最优权重值,若不大于,则返回步骤4。
5.根据权利要求4所述的矿山凿岩装备作业工时预测方法,其特征在于,所述适应度值为所述特征降维神经网络的最小训练误差值;所述计算所述父代种群中各个个体的适应度值包括:
将所述各个个体在所述特征降维神经网络中进行至少两次训练,并获得至少两个训练误差值;
将所述至少两个训练误差值中较小的训练误差值作为所述适应度值。
6.根据权利要求4所述的矿山凿岩装备作业工时预测方法,其特征在于, 所述确定目标变异策略包括:
确定至少两个备选变异策略;
根据所述至少两个变异策略分别对所述父代种群进行变异,生成与所述至少两个变异策略一一对应的至少两个变异结果;
将所述至少两个变异结果中变异个体的适应度值小于预设适应度值的个数较多的变异结果所对应的备选变异策略作为所述目标变异策略。
8.根据权利要求1所述的矿山凿岩装备作业工时预测方法,其特征在于,所述利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型,包括:
将所述多个降维样本和所述历史作业工时按照预设比例划分为训练样本和测试样本;
利用所述训练样本对所述全连接神经网络模型进行训练,确定所述全连接神经网络模型的模型初始权重和模型初始偏差值;
利用所述测试样本,基于蝴蝶算法对所述模型初始权重和模型初始偏差值进行优化,获得模型优化权重和模型优化偏差值,从而确定所述工时预测模型。
9.根据权利要求1所述的矿山凿岩装备作业工时预测方法,其特征在于,所述多种样本数据包括数值型数据和字符型数据;在获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据之后还包括:
将所述数值型数据进行归一化处理;
将所述字符型数据划分为多个等级并用数字表示所述等级。
10.一种矿山凿岩装备作业工时预测装置,其特征在于,包括:
样本数据获取单元,用于获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据;
相关性分析单元,用于利用相关性分析,将所述多种样本数据划分为不相关的多个因素特征组,所述多个因素特征组中的每一个因素特征组均包括多个因素特征;
权重优化单元,用于构建特征降维神经网络,并通过所述特征降维神经网络确定所述多个因素特征的优化权重值;
样本降维单元,用于根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本;
预测模型训练单元,用于构建全连接神经网络模型,并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化,确定工时预测模型;
工时预测单元,用于根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042558.2A CN113719283B (zh) | 2021-09-07 | 2021-09-07 | 一种矿山凿岩装备作业工时预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042558.2A CN113719283B (zh) | 2021-09-07 | 2021-09-07 | 一种矿山凿岩装备作业工时预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113719283A CN113719283A (zh) | 2021-11-30 |
CN113719283B true CN113719283B (zh) | 2023-01-17 |
Family
ID=78682124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042558.2A Active CN113719283B (zh) | 2021-09-07 | 2021-09-07 | 一种矿山凿岩装备作业工时预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113719283B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
CN110059348A (zh) * | 2019-03-12 | 2019-07-26 | 南京工程学院 | 一种轴向分相磁悬浮飞轮电机悬浮力数值建模方法 |
CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN111950696A (zh) * | 2020-06-29 | 2020-11-17 | 燕山大学 | 一种基于降维和改进神经网络的短期电力负荷预测方法 |
CN112364560A (zh) * | 2020-10-19 | 2021-02-12 | 武汉理工大学 | 矿山凿岩装备作业工时智能预测方法 |
CN112597694A (zh) * | 2020-05-28 | 2021-04-02 | 中国人民解放军陆军工程大学 | 基于神经网络的围岩变形预测系统及预测方法 |
-
2021
- 2021-09-07 CN CN202111042558.2A patent/CN113719283B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
CN110059348A (zh) * | 2019-03-12 | 2019-07-26 | 南京工程学院 | 一种轴向分相磁悬浮飞轮电机悬浮力数值建模方法 |
CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN112597694A (zh) * | 2020-05-28 | 2021-04-02 | 中国人民解放军陆军工程大学 | 基于神经网络的围岩变形预测系统及预测方法 |
CN111950696A (zh) * | 2020-06-29 | 2020-11-17 | 燕山大学 | 一种基于降维和改进神经网络的短期电力负荷预测方法 |
CN112364560A (zh) * | 2020-10-19 | 2021-02-12 | 武汉理工大学 | 矿山凿岩装备作业工时智能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113719283A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singaravel et al. | Deep-learning neural-network architectures and methods: Using component-based models in building-design energy prediction | |
Luque et al. | Parallel genetic algorithms: Theory and real world applications | |
CN109657805A (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
US8700548B2 (en) | Optimization technique using evolutionary algorithms | |
JP2023522567A (ja) | ニューラルネットワークを使った集積回路配置の生成 | |
US20120310870A1 (en) | Application configuration generation | |
US20220172802A1 (en) | Retrosynthesis systems and methods | |
AU2011283109A1 (en) | Systems and methods for predicting well performance | |
Osuna-Enciso et al. | A diversity metric for population-based metaheuristic algorithms | |
CN113574327A (zh) | 确定用于控制环境的因果模型 | |
Lee et al. | Statistical quality modeling of approximate hardware | |
Bouzarkouna et al. | Local-meta-model CMA-ES for partially separable functions | |
Jin | Compositional kernel learning using tree-based genetic programming for Gaussian process regression | |
WO2008156595A1 (en) | Hybrid method for simulation optimization | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
Luque et al. | Parallel genetic algorithms | |
Liu et al. | Quantum-inspired African vultures optimization algorithm with elite mutation strategy for production scheduling problems | |
CN113719283B (zh) | 一种矿山凿岩装备作业工时预测方法及装置 | |
Li et al. | Improved shuffled frog leaping algorithm on system reliability analysis | |
Elati et al. | Unsupervised learning for gene regulation network inference from expression data: a review | |
Drăgoi et al. | A neuro-evolutive technique applied for predicting the liquid crystalline property of some organic compounds | |
Singh et al. | Hybrid particle swarm optimization for pure integer linear solid transportation problem | |
Glassen et al. | Finding the mean in a partition distribution | |
CN115836298A (zh) | 能量约束下量化的自动选择和滤波器移除优化 | |
Liao et al. | Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations |
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 |