CN114154726B - 崩落法开采矿山铲运机出矿作业工时预测方法及系统 - Google Patents
崩落法开采矿山铲运机出矿作业工时预测方法及系统 Download PDFInfo
- Publication number
- CN114154726B CN114154726B CN202111478815.7A CN202111478815A CN114154726B CN 114154726 B CN114154726 B CN 114154726B CN 202111478815 A CN202111478815 A CN 202111478815A CN 114154726 B CN114154726 B CN 114154726B
- Authority
- CN
- China
- Prior art keywords
- suburban
- working
- wolves
- wolf
- scraper
- 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
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000007599 discharging Methods 0.000 title description 10
- 241000282461 Canis lupus Species 0.000 claims abstract description 84
- 239000002131 composite material Substances 0.000 claims abstract description 33
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000013329 compounding Methods 0.000 claims abstract description 4
- 150000001875 compounds Chemical class 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 117
- 241000282421 Canidae Species 0.000 claims description 73
- 238000005065 mining Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000005422 blasting Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种崩落法开采矿山铲运机出矿作业工时预测方法，包括：S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；S5、使用改进的郊狼算法对复合核函数的参数进行寻优，对预测模型进行训练，得到最优核函数参数；S6、输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值。
Description
技术领域
本发明涉及采矿装备作业工时预测技术领域，特别涉及一种崩落法开采矿山铲运机出矿作业工时预测方法及系统。
背景技术
地下矿山中，铲运机出矿作业工时是地下矿智能调度系统的数据支撑之一，铲运机作业工时预测的准确度，直接影响到调度系统决策的可靠性和实时性。因此如何精确的预测铲运机在不同作业环境下的出矿作业工时，是地下矿智能调度系统中的重要研究内容之一。精确的铲运机出矿作业工时预测方法，能够为地下矿山生产设备调度系统提供数据支持，提高生产设备运行效率，降低生产成本。
有关地下矿铲运机出矿作业工时预测的研究并不多见，在时间预测方面，研究领域多智能交通、成产制造、航空器滑行等领域。目前常见的预测方法有基于回归分析的时间预测方法和基于机器学习的预测方法。基于回归分析的预测方法不能适用状态变化较大的情况，会出现精度不稳定的问题，同时在建模过程中复杂度较高，不适合大规模推广。基于机器学习的预测方法有如神经网络、支持向量机、马尔科夫链、深度学习等。神经网络作为一种传统的预测模型，在时间预测领域得到了大量应用，但浅层的神经网络缺乏特征学习能力，对于状态变化较大的情况，需要建立大量神经元来寻求最优解，因而算法复杂度也会提高。基于深度学习的预测方法，随着网络结构的复杂，往往会出现过拟合、泛化能力差的问题。
发明内容
有鉴于此，本发明提出一种崩落法开采矿山铲运机出矿作业工时预测方法及系统。
一种崩落法开采矿山铲运机出矿作业工时预测方法，其包括如下步骤：
S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；
S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；
S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；
S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；
S5、使用改进的郊狼算法对复合核函数的参数进行寻优，分别输入两种工况的训练样本对预测模型进行训练，得到最优核函数参数；
S6、在预测模型中输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值，最后将两种工况下的预测值相加，再加上固定的卸矿时间得到铲运机一个作业循环的作业工时预测值。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，
所述步骤S1中铲运机出矿作业中运输工况包括运矿和返回环节。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，
所述步骤S2包括：
S21、确定影响铲运机作业工时的第一因素；
S22、通过计算各影响铲运机作业工时的第一因素之间的Spearman（斯皮尔曼）相关系数，根据相关系数，选取相关性弱的影响因素作为影响两种工况作业工时的影响因素。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，影响两种工况作业工时的影响因素包括：
对于铲装工况，人员方面：驾驶员职业技能等级A1、从事相关工作时长A2；机器方面：铲齿强度A3、铲齿磨损程度A4；环境方面：矿石爆破块度A5、矿石硬度A6、矿石松散系数A7、工作面氧气浓度A8；
对于运输工况：人员方面：驾驶员职业技能等级B1、从事相关工作时长B2；机器方面：行驶速度B3、轮胎磨损程度B4、转向次数B5、矿石载重量B6；环境方面：行驶路面粗糙度B7、巷道氧含量B8。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S4中构建复合核函数的最小二乘支持向量机作业工时预测模型包括：
S41、核函数选取：，Laplacian核函数：，为核函数带宽，Laplacian核函数将向量之间的L2距离调整为L1距离；选取具有全局属性的多项式核函数：，其中为特征向量组，对应任意两组影响因素样本数据，为多项式的次数，为非负整数；
S42、构造复合核函数：，式中为两种核函数的权重系数；为多项式核函数；为Laplacian核函数；
S43、将复合核函数带入到最小二乘支持向量机模型中，构建基于复合核函数的最小二乘支持向量机预测模型。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S5包括：
S51、确定需要进行寻优的参数：两种核函数和的权重系数、的参数、的参数、最小二乘支持向量机惩罚参数；
S52、使用模拟退火算法SA的更新机制对郊狼算法的更新机制进行改进；
S53、将训练样本代入预测模型，得到对应的预测值，计算预测模型的预测值和真实值之间的误差，构建改进的郊狼算法的适应度函数；
S54、设置改进的郊狼算法的终止条件，在达到终止条件时，终止迭代。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S52包括：
S521、设置郊狼种群的群体数，每个群体郊狼个数，变量维度，终止条件等参数；
S522、初始化郊狼种群，时刻第个狼群内第个郊狼的社会状态为：
其中，分别表示第维数值的上、下界，为[0,1]范围内的随机实数；
S523、计算郊狼的适应度：；
S524、郊狼群体更新，找到当前群体内的头狼，计算郊狼群文化趋势。
式中，为时刻狼群中所有郊狼在为奇数时第维度的社会状态的中位数；
郊狼群中郊狼个体的更新，计算头狼和郊狼群文化趋势对当前时刻对应的郊狼群内个体更新产生的影响，有：
式中，为郊狼群中两头随机个体；
在标准郊狼个体的更新公式中引入了衰减系数：，式中为当前迭代次数，改进后的个体更新公式为：，式中为[0,1]之间的随机数；
更新郊狼个体适应度：
选择郊狼个体：引入模拟退化算法的更新机制对郊狼个体进行更新：若，则接受为新个体；若，则以的概率接受为新个体，其中为当前迭代次数；
S525、记录当前群体的出生和死亡：郊狼优化算法中，离散概率和关联概率影响郊狼群中个体的文化多样性，被定义为：；
新郊狼的出生定义为：
式中，定义是第个狼群内的随机郊狼，定义是两个随机维数，为决策变量的第维的上下界内的随机数，为[0,1]内的随机数；
假定表示当前幼狼存能力强于群体中的郊狼，表示当前群体中郊狼的数量，若为1且成立，即当前狼的生存能力比当前群体中唯一一只郊狼个体生存能力强，则幼狼存活，群体中唯一一只郊狼死亡；若大于1且成立，则幼狼存活，群体中年龄最大的郊狼死亡；其他情况下，幼狼死亡；
S526、群体变迁：郊狼有时会脱离群体变为孤狼或者加入别的群体，以实现种群多样化，其发生概率为：，该概率决定了被驱逐的郊狼位置；
S527、更新郊狼的年龄，模拟个体随时间的推移而成长的过程，对个体年龄进行更新；
S528、判断终止条件，若满足条件则输出适应能力最优的郊狼；否则返回步骤S524继续迭代。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S53中设置改进的郊狼算法的适应度函数的具体方法为：步骤S531、计算预测模型的预测值和真实值的误差，构建适应度函数为：，式中：为第个样本的预测值，为第个样本的真实值；为样本数据大小。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述S54中设置改进的郊狼算法的终止条件的具体方法为：终止条件设为或者循环迭代次数。
本发明还提供一种崩落法开采矿山铲运机出矿作业工时预测系统，其通过上述任一项所述的崩落法开采矿山铲运机出矿作业工时预测方法实现。
实施本发明提供的崩落法开采矿山铲运机出矿作业工时预测方法及系统与现有技术相比具有以下有益效果：通过分析崩落法开采矿山铲运机出矿作业环境，选取影响铲运机出矿作业工时的因素，将这些因素通过最小二乘支持向量机预测模型和作业工时联系起来。并构造复合核函数对最小二乘支持向量机算法进行改进，融合各单一核函数的优点，提高预测模型的预测精度和泛化能力。
附图说明
图1是本发明实施例的崩落法开采矿山铲运机出矿作业工时预测方法流程图；
图2是本发明实施例的铲运机出矿作业工时预测算法流程图；
图3为本发明实施提供的实例中的预测值和真实值对照图；
图4为本发明实施提供的实例中的预测值和真实值之间的绝对误差图。
具体实施方式
针对现有技术的缺陷，本发明提出了一种崩落法开采矿山铲运机出矿作业工时预测方法，其包括如下步骤：
S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；
S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；
S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；
S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；
S5、使用改进的郊狼算法对复合核函数的参数进行寻优，分别输入两种工况的训练样本对预测模型进行训练，得到最优核函数参数；
S6、在预测模型中输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值，最后将两种工况下的预测值相加，再加上固定的卸矿时间得到铲运机一个作业循环的作业工时预测值。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，
所述步骤S1中铲运机出矿作业中运输工况包括运矿和返回环节。
所述步骤S1中收集铲运机在两个工况下的作业时间数据，具体方法为：铲运机出矿作业中铲装、运输、卸矿为一个工作循环，其中运输包括运矿和返回，铲装和运输两种工况的作业时间会受到作业环境的影响，且影响因素不同，卸矿时间较短且不易受环境影响。因此将铲运机出矿分为铲装和运输两类工况，分别收集铲运机在两种工况的作业工时。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，
所述步骤S2包括：
S21、确定影响铲运机作业工时的第一因素；
可选地，通过从人、机器、环境三方面考虑影响铲运机作业工时的第一因素。
S22、通过计算各影响铲运机作业工时的第一因素之间的斯皮尔曼Spearman相关系数，根据相关系数，选取相关性弱的影响因素作为影响两种工况作业工时的影响因素。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，影响两种工况作业工时的影响因素包括：
对于铲装工况，人员方面：驾驶员职业技能等级A1、从事相关工作时长A2；机器方面：铲齿强度A3、铲齿磨损程度A4；环境方面：矿石爆破块度A5、矿石硬度A6、矿石松散系数A7、工作面氧气浓度A8；
对于运输工况：人员方面：驾驶员职业技能等级B1、从事相关工作时长B2；机器方面：行驶速度B3、轮胎磨损程度B4、转向次数B5、矿石载重量B6；环境方面：行驶路面粗糙度B7、巷道氧含量B8。
可选地，所述步骤S3中构建数据集的具体步骤为：
步骤S31、根据收集的铲装作业工时，采集每个工时对应的影响因素数据；相同的，根据收集的运输作业工时，采集每个工时对应的影响因素数据；
步骤S32、分别随机选取两种工况下的数据样本的80%作为训练样本，余下的数据作为测试样本。
步骤S31中的采集影响因素数据，其中人员方面的影响因素可由矿山生产人员资料查阅得到，关于驾驶员职业技能等级，根据国家职业资格证书制度，对于铲运机驾驶员一共设置了初级工、中级工、高级工、技师、高级技师五个级别，可以用数字1,2,3,4,5代替；铲齿磨损程度，选取铲齿磨损体积与完整铲齿体积的比值来表示；轮胎磨损程度，选取轮胎花纹磨损深度与崭新花纹深度的比值来表示，其中氧气浓度由地下矿巷道氧气浓度检测系统自动采集得到。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S4中构建复合核函数的最小二乘支持向量机作业工时预测模型包括：
S41、核函数选取：，Laplacian核函数：，为核函数带宽，Laplacian核函数将向量之间的L2距离调整为L1距离；选取具有全局属性的多项式核函数：，其中为特征向量组，对应任意两组影响因素样本数据，为多项式的次数，为非负整数。
核函数是最小二乘支持向量机的核心内容，对于不同的数据应选择适用的核函数与数据匹配。其中最经典的就是高斯核函数（BRF）：其中常数，虽然高斯核函数被广泛使用，但是该核函数的性能对参数十分敏感，参数设置不好会导致精确度降低。因此本文选择Laplacian核函数：，为核函数带宽，Laplacian核函数将向量之间的L2距离调整为L1距离，能够使核函数对参数的依赖性降低。同时为保证复合核函数具有较强的泛化能力，选取具有全局属性的多项式核函数：，其中为特征向量组，为多项式的次数，为非负整数。
S42、构造复合核函数：，式中为两种核函数的权重系数；为多项式核函数；为Laplacian核函数；
复合核函数构造方式：根据核函数的Mercer定理和核函数运算法则，复合核函数构造方式有：（1）线性组合；（2）乘积组合；（3）复合式，即线性组合和乘积组合的线性叠加。为了充分发挥各单一核函数的自身优势，本发明选取第三种构造方式构造如下复合核函数：，式中为两种核函数的权重系数；为多项式核函数；为Laplacian核函数。复合核函数中需要确定的参数有：两种核函数的权重系数，多项式核函数的参数，Laplacian核函数的参数。
S43、将复合核函数带入到最小二乘支持向量机模型中，构建基于复合核函数的最小二乘支持向量机预测模型。
最小二乘支持向量机（LSSVM）是在标准支持向量机（SVM）的基础上进行的推广，具有标准支持向量机解决非线性、高维问题、小样本的优点，同时降低了计算复杂度，提高了求解速度。将复合核函数带入到最小二乘支持向量机模型中，构建基于复合核函数的最小二乘支持向量机预测模型。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S5包括：
S51、确定需要进行寻优的参数：两种核函数和的权重系数、的参数、的参数、最小二乘支持向量机惩罚参数；
S52、针对郊狼优化算法（COA）全局搜索能力不足的问题，使用模拟退火算法SA的更新机制对郊狼算法的更新机制进行改进；
S53、将训练样本代入预测模型，得到对应的预测值，计算预测模型的预测值和真实值之间的误差，构建改进的郊狼算法的适应度函数；
S54、设置改进的郊狼算法的终止条件，在达到终止条件时，终止迭代。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S52包括：
S521、设置郊狼种群的群体数，每个群体郊狼个数，变量维度，终止条件等参数；
S522、初始化郊狼种群，时刻第个狼群内第个郊狼的社会状态为：
其中，分别表示第维数值的上、下界，为[0,1]范围内的随机实数；
S523、计算郊狼的适应度：；
S524、郊狼群体更新，找到当前群体内的头狼，计算郊狼群文化趋势。
式中，为时刻狼群中所有郊狼在为奇数时第维度的社会状态的中位数；
郊狼群中郊狼个体的更新，计算头狼和郊狼群文化趋势对当前时刻对应的郊狼群内个体更新产生的影响，有：
式中，为郊狼群中两头随机个体；
标准郊狼优化算法一直保持恒定的更新机制，弱化了搜索能力，本发明结合模拟退火的温度衰减思想，在标准郊狼个体的更新公式中引入了衰减系数：，式中为当前迭代次数，改进后的个体更新公式为：
，式中为[0,1]之间的随机数；
更新郊狼个体适应度：
选择郊狼个体：为了改正标准COA算法易陷入局部最优的不足，增大算法跳出局部最优的概率，引入模拟退化算法的更新机制对郊狼个体进行更新：若，则接受为新个体；若，则以的概率接受为新个体，其中为当前迭代次数；
S525、记录当前群体的出生和死亡：郊狼优化算法中，离散概率和关联概率影响郊狼群中个体的文化多样性，被定义为：；
新郊狼的出生定义为：
式中，定义是第个狼群内的随机郊狼，定义是两个随机维数，为决策变量的第维的上下界内的随机数，为[0,1]内的随机数；
假定表示当前幼狼存能力强于群体中的郊狼，表示当前群体中郊狼的数量，若为1且成立，即当前狼的生存能力比当前群体中唯一一只郊狼个体生存能力强，则幼狼存活，群体中唯一一只郊狼死亡；若大于1且成立，则幼狼存活，群体中年龄最大的郊狼死亡；其他情况下，幼狼死亡；
S526、群体变迁：郊狼有时会脱离群体变为孤狼或者加入别的群体，以实现种群多样化，其发生概率为：，该概率决定了被驱逐的郊狼位置；
S527、更新郊狼的年龄，模拟个体随时间的推移而成长的过程，对个体年龄进行更新；
S528、判断终止条件，若满足条件则输出适应能力最优的郊狼；否则返回步骤S524继续迭代。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述步骤S53中设置改进的郊狼算法的适应度函数的具体方法为：步骤S531、计算预测模型的预测值和真实值的误差，构建适应度函数为：，式中：为第个样本的预测值，为第个样本的真实值；为样本数据大小。
在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，所述S54中设置改进的郊狼算法的终止条件的具体方法为：终止条件设为或者循环迭代次数。
本发明还提供一种崩落法开采矿山铲运机出矿作业工时预测系统，其通过上述任一项所述的崩落法开采矿山铲运机出矿作业工时预测方法实现。
实施本发明提供的崩落法开采矿山铲运机出矿作业工时预测方法及系统与现有技术相比具有以下有益效果：1、本发明将铲运机出矿作业分成铲装和运输两个工况，分别对两种工况进行分析，利用Spearman相关系数甄别个影响因素之间的相关性，选取无相关性的8种影响因素指标，收集两类影响因素数据进行两类工况的作业时间预测。最终的铲运机出矿作业时间是由两种工况时间预测值之和，更加贴近实际出矿作业状态，预测值更可靠。
2、本发明提出的混合核函数的最小二乘支持向量机预测模型，针对单一核函数存在的不足，选取多项式核函数和Laplacian核函数进行线性组合以及乘积组合构建复合核函数，使预测模型既具备局部核函数学习能力强的优点，同时又具备全局核函数泛化能力强的优势，改进后的最小二乘支持向量机预测模型具有更强的适应能力和更快的收敛速度。
3、本发明提出的改进的郊狼算法对混合核函数的最小二乘支持向量机预测模型的参数进行寻优，针对标准郊狼优化算法全局搜索能力不足的问题，使用模拟退火的个体更新机制对郊狼算法进行改进，增强了优化算法跳出局部最优的能力；选择均方根误差（RMSE）作为改进郊狼算法适应度函数，能够更好的反映出预测值和真实值之间的偏差，寻优得到最优参数，降低了按经验选择参数的不准确性，增强了预测模型的学习能力和泛化能力，提高了预测精度。
以下结合图1-图4，对本发明实施例的原理进行进一步解释。
步骤1、根据崩落法开采矿山铲运机出矿作业环境，确定铲运机铲装工况下的作业工时影响因素如下。
从人、机器环境三方面考虑从人、机器、环境三方面考虑影响铲运机铲装作业工时的因素，收集相应的影响因素数据，计算各影响因素之间的Spearman相关系数，根据相关系数，选取相关性弱的影响因素作为工时预测指标，最终得到如下指标，人员方面：驾驶员职业技能等级A1、从事相关工作时长A2；机器方面：铲齿强度A3、铲齿磨损程度A4；环境方面：矿石爆破块度A5、矿石硬度A6、矿石松散系数A7、工作面氧气浓度A8。
步骤2、采集铲运机铲装作业工时以及对应的影响因素数据，本案例样本数据共152组，按照80%的比例随机抽取训练样本，训练样本122组，测试样本30组，部分数据如下表。
样本数据表（部分）
步骤3、构建复合核函数的最小二乘支持向量机作业工时预测模型。选择多项式核函数和Laplacian核函数两种核函数进行线性组合和乘积组合的叠加，构建复合核函数：，其中为两种核函数的权重系数；为多项式核函数:，为多项式次数；为Laplacian核函数：，为核函数带宽；为训练样本。构建的复合核函数能够兼顾全局核函数和局部核函数的优点，能同时具备较强的学习能力和泛化能力。将复合核函数代入最小二乘支持向量机模型中，构建基于复合核函数的最小二乘支持向量机预测模型。
步骤4、中使用万有引力算法对复合核函数的最小二乘支持向量机参数进行寻优，得到最优参数的具体方法为：
步骤4.1、确定需要进行寻优的参数：两种核函数的权重系数、多项式核函数参数、Laplacian核函数、最小二乘支持向量机惩罚参数，共5个参数，初始化参数：自变量维度取4，取值范围[0,1]，其他参数取值范围[1,100]；
步骤4.2、确定郊狼算法的参数，取10，取20，最大迭代次数取100，支持向量机类型选取“函数估计（f）”；
步骤4.3、确定适应度函数，计算预测模型的预测值和真实值的误差，构建适应度函数为：，式中：为第个样本的预测值，为第个样本的真实值；为样本数据大小；
步骤4.4、设置郊狼优化算法的终止条件：或者循环迭代次数。
步骤4.5、初始化种群，计算个体的适应度，并寻找当前群体的最优个体郊狼定为头狼，计算郊狼种群的群体社会趋势。
步骤4.6、更新郊狼群体，并进行群体的出生和死亡操作，进行郊狼群体变迁，保持群体的多样性。
步骤4.7、判断终止条件，若满足条件则输出适应能力最优的郊狼；否则返回步骤5.2.4继续迭代。
输入样本数据进行迭代求解，图3为郊狼算法的适应度曲线，得到最优参数。
步骤5、将改进的郊狼优化算法搜索得到的最优参数输入的基于混合核函数的最小二乘支持向量机预测模型中，输入训练样本和测试样本，计算得到测试样本的预测值。
最终铲运机出矿作业工时预测模型输出的铲装作业工时预测值和真实值如下图3，计算预测值和真实值之间的绝对误差如图4，由图3和图4可看出，大多数组数据的预测误差保持在5s之内，个别数据误差达到了15s。本发明提出的基于复合核函数的最小二乘支持向量机铲运机出矿作业工时预测模型精度能够满足矿山实际的需要，且泛化能力较强，能够保持预测精度的稳定，具有较高的实际应用价值。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，其包括如下步骤：
S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；
S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；
S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；
S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；
S5、使用改进的郊狼算法对复合核函数的参数进行寻优，分别输入两种工况的训练样本对预测模型进行训练，得到最优核函数参数；
S6、在预测模型中输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值，最后将两种工况下的预测值相加，再加上固定的卸矿时间得到铲运机一个作业循环的作业工时预测值。
2.如权利要求1所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，
所述步骤S1中铲运机出矿作业中运输工况包括运矿和返回环节。
3.如权利要求2所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，
所述步骤S2包括：
S21、确定影响铲运机作业工时的第一因素；
S22、通过计算各影响铲运机作业工时的第一因素之间的斯皮尔曼Spearman相关系数，根据相关系数，选取相关性弱的影响因素作为影响两种工况作业工时的影响因素。
4.如权利要求3所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，影响两种工况作业工时的影响因素包括：
对于铲装工况，人员方面：驾驶员职业技能等级A1、从事相关工作时长A2；机器方面：铲齿强度A3、铲齿磨损程度A4；环境方面：矿石爆破块度A5、矿石硬度A6、矿石松散系数A7、工作面氧气浓度A8；
对于运输工况：人员方面：驾驶员职业技能等级B1、从事相关工作时长B2；机器方面：行驶速度B3、轮胎磨损程度B4、转向次数B5、矿石载重量B6；环境方面：行驶路面粗糙度B7、巷道氧含量B8。
5.如权利要求1所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，所述步骤S4中构建复合核函数的最小二乘支持向量机作业工时预测模型包括：
S41、核函数选取：Laplacian核函数：，为核函数带宽，Laplacian核函数将向量之间的L2距离调整为L1距离；选取具有全局属性的多项式核函数：，其中为特征向量组，对应任意两组影响因素样本数据，为多项式的次数，为非负整数；
S42、构造复合核函数：，式中为两种核函数的权重系数；为多项式核函数；为Laplacian核函数；
S43、将复合核函数带入到最小二乘支持向量机模型中，构建基于复合核函数的最小二乘支持向量机预测模型。
6.如权利要求1所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，所述步骤S5包括：
S51、确定需要进行寻优的参数：两种核函数和的权重系数、的参数、的参数、最小二乘支持向量机惩罚参数；
S52、使用模拟退火算法SA的更新机制对郊狼算法的更新机制进行改进；
S53、将训练样本代入预测模型，得到对应的预测值，计算预测模型的预测值和真实值之间的误差，构建改进的郊狼算法的适应度函数；
S54、设置改进的郊狼算法的终止条件，在达到终止条件时，终止迭代。
7.如权利要求6所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，所述步骤S52包括：
S521、设置郊狼种群的群体数，每个群体郊狼个数，变量维度，终止条件等参数；
S522、初始化郊狼种群，时刻第个狼群内第个郊狼的社会状态为：
其中，分别表示第维数值的上、下界，为[0,1]范围内的随机实数；
S523、计算郊狼的适应度：；
S524、郊狼群体更新，找到当前群体内的头狼，计算郊狼群文化趋势；
式中，为时刻狼群中所有郊狼在为奇数时第维度的社会状态的中位数；
郊狼群中郊狼个体的更新，计算头狼和郊狼群文化趋势对当前时刻对应的郊狼群内个体更新产生的影响，有：
式中，为郊狼群中两头随机个体；
在标准郊狼个体的更新公式中引入了衰减系数：，式中为当前迭代次数，改进后的个体更新公式为：，式中为[0,1]之间的随机数；
更新郊狼个体适应度：
选择郊狼个体：引入模拟退化算法的更新机制对郊狼个体进行更新：若，则接受为新个体；若，则以的概率接受为新个体，其中为当前迭代次数；
S525、记录当前群体的出生和死亡：郊狼优化算法中，离散概率和关联概率影响郊狼群中个体的文化多样性，被定义为：；
新郊狼的出生定义为：
式中，定义是第个狼群内的随机郊狼，定义是两个随机维数，为决策变量的第维的上下界内的随机数，为[0,1]内的随机数；
假定表示当前幼狼存能力强于群体中的郊狼，表示当前群体中郊狼的数量，若为1且成立，即当前狼的生存能力比当前群体中唯一一只郊狼个体生存能力强，则幼狼存活，群体中唯一一只郊狼死亡；若大于1且成立，则幼狼存活，群体中年龄最大的郊狼死亡；其他情况下，幼狼死亡；
S526、群体变迁：郊狼有时会脱离群体变为孤狼或者加入别的群体，以实现种群多样化，其发生概率为：，该概率决定了被驱逐的郊狼位置；
S527、更新郊狼的年龄，模拟个体随时间的推移而成长的过程，对个体年龄进行更新；
S528、判断终止条件，若满足条件则输出适应能力最优的郊狼；否则返回步骤S524继续迭代。
8.如权利要求7所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，所述步骤S53中设置改进的郊狼算法的适应度函数的具体方法为：步骤S531、计算预测模型的预测值和真实值的误差，构建适应度函数为：，式中：为第个样本的预测值，为第个样本的真实值；为样本数据大小。
9.根据权利要求6所述的崩落法开采矿山铲运机出矿作业工时预测方法，其特征在于，所述S54中设置改进的郊狼算法的终止条件的具体方法为：终止条件设为或者循环迭代次数。
10.一种崩落法开采矿山铲运机出矿作业工时预测系统，其特征在于，通过如权利要求1-9任一项所述的崩落法开采矿山铲运机出矿作业工时预测方法实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478815.7A CN114154726B (zh) | 2021-12-06 | 2021-12-06 | 崩落法开采矿山铲运机出矿作业工时预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478815.7A CN114154726B (zh) | 2021-12-06 | 2021-12-06 | 崩落法开采矿山铲运机出矿作业工时预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154726A CN114154726A (zh) | 2022-03-08 |
| CN114154726B true CN114154726B (zh) | 2024-07-02 |
Family
ID=80452907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111478815.7A Active CN114154726B (zh) | 2021-12-06 | 2021-12-06 | 崩落法开采矿山铲运机出矿作业工时预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154726B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113065582A (zh) * | 2021-03-19 | 2021-07-02 | 武汉科技大学 | 基于改进svm的淘洗机精矿品位在线预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| 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 |
-
2021
- 2021-12-06 CN CN202111478815.7A patent/CN114154726B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113065582A (zh) * | 2021-03-19 | 2021-07-02 | 武汉科技大学 | 基于改进svm的淘洗机精矿品位在线预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154726A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Differential evolution with adaptive mutation strategy based on fitness landscape analysis | |
| Yang et al. | A regression tree approach using mathematical programming | |
| Li et al. | Applying various algorithms for species distribution modelling | |
| CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN109685653A (zh) | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 | |
| CN114841257A (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN111798991A (zh) | 基于lstm的新冠肺炎疫情群体态势预测方法 | |
| CN111008685A (zh) | 基于生产者依概率反向再生机制的改进人工生态系统优化算法 | |
| CN114936639A (zh) | 一种渐进式的对抗训练方法及装置 | |
| Yardimci et al. | Shortest path optimization of haul road design in underground mines using an evolutionary algorithm | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN117766068B (zh) | 基于锆石成分预测斑岩型矿床类型和储量的机器学习方法 | |
| CN116050603A (zh) | 基于混合智能方法的暗挖隧道变形预测和优化方法及设备 | |
| CN114154726B (zh) | 崩落法开采矿山铲运机出矿作业工时预测方法及系统 | |
| CN112926251A (zh) | 一种基于机器学习的滑坡位移高精度预测方法 | |
| Lu et al. | Sales forecasting of IT products using a hybrid MARS and SVR model | |
| CN113284620B (zh) | 一种职业健康数据分析模型的建立方法 | |
| CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
| CN117950025A (zh) | 储层物性参数预测方法及装置 | |
| CN114357869A (zh) | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 | |
| Kihel et al. | A novel genetic grey wolf optimizer for global optimization and feature selection | |
| Rao et al. | Active learning strategies for the design of sustainable alloys | |
| CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
| Márquez-Grajales et al. | Surrogate-Assisted Symbolic Time-Series Discretization Using Multi-Breakpoints and a Multi-Objective Evolutionary Algorithm | |
| CN110335680A (zh) | 一种基于ɑ-RIPPER分类器的国民体质健康分析方法 |
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 | ||
| GR01 | Patent grant |