CN114722924A - 压力预测方法及装置、存储介质、终端 - Google Patents

Abstract

本发明公开了一种压力预测方法及装置、存储介质、终端，涉及矿山压力技术领域，主要目的在于解决压力预测准确性低的问题。包括：采集液压支架推进过程的初始行程数据、以及初始压力数据；根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。主要用于矿山开采过程的压力预测。

Description

压力预测方法及装置、存储介质、终端

技术领域

本发明涉及矿山压力技术领域，特别是涉及一种压力预测方法及装置、存储介质、终端。

背景技术

在矿体没有开采之前，岩体处于平衡状态。在矿体开采之后，形成了地下空间，破坏了岩体的原始应力，引起岩体应力重新分布，寻求新的应力平衡，在顶板上方形成了暂时平衡的岩石松动圈，这时工作面支架主要支撑的是松动圈内岩石重量。由于进行采掘活动而在巷道及回采工作面周围岩体中，以及在支架上所引起的力，叫做顶板来压。顶板来压与矿井安全密切相关，若顶板来压过大且不进行泄压处理，将容易造成冒顶、压架等安全事故。通过对顶板来压进行预测，能够对顶板来压做异常预警及预先处置，从而达到预防为主，综合治理的矿井安全生产要求。

现有顶板来压预测方法，主要针对中高煤层的开采设备及开采环境，并基于顶板来压的时间周期规律进行预测。但是，顶板来压预测值的误差会随时间的推移不断增大，且无法与综合采矿的掘进深度建立直接联系，需要进行二次计算，导致顶板来压预测的准确性较低，复杂度较高，对于开采环境的适用性较低。

发明内容

有鉴于此，本发明提供一种压力预测方法及装置，主要目的在于现有顶板来压预测的准确性较低，复杂度较高，对于开采环境的适用性较低的问题。

依据本发明一个方面，提供了一种压力预测方法，包括：

采集液压支架推进过程的初始行程数据、以及初始压力数据；

根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述预测模型包括第一预测子模型、第二预测子模型，所述利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

利用所述第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到第一预测数据；

利用所述第二预测子模型对所述第一预测数据进行周期、趋势、残差分解，得到周期数据、趋势数据、残差数据；

利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系，所述利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

利用所述周期预测模型对所述周期数据进行拟合得到第一拟合数据；

利用所述趋势预测模型对所述趋势数据进行拟合得到第二拟合数据；

利用所述残差预测模型对所述残差数据进行拟合得到第三拟合数据；

对所述第一拟合数据、所述第二拟合数据、所述第三拟合数据进行叠加，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述根据所述初始行程数据确定至少一次移架过程的累计移架距离，包括：

对所述初始行程数据进行预处理，并从所述预处理的结果中确定至少一个行程最大值及一个行程最小值，所述预处理包括滤波处理、去重处理；

计算所述行程最大值与所述行程最小值之间的向量距离，并根据所述向量距离确定至少一个行程组合，所述行程组合包括一个所述行程最大值及一个所述行程最小值；

根据所述行程组合进行累计计算，得到至少一次移架过程的累计移架距离。

进一步地，所述将对应所述移架过程的所述初始压力数据进行分类，确定所述移架过程的压力值，包括：

按照预设标签对所述初始压力数据进行分类处理，得到多个压力数据类别，所述预设标签对应所述移架过程的多个压力阶段，所述移架过程的多个阶段包括初撑阶段、增阻阶段、恒阻阶段、降阻阶段、异常阶段；

计算所述多个压力数据类别中最大数据量类别及最小数据量类别的中心值，并将所述中心值中的较大值作为所述移架过程的压力值。

进一步地，所述采集液压支架推进过程的初始行程数据、以及初始压力数据之前，所述方法还包括：

构建包含第一预测子模型、第二预测子模型的初始预测模型，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系；

利用获取的训练样本数据对所述初始预测模型进行训练，得到训练完成的预测模型，所述训练样本数据包括行程样本数据、压力样本数据。

进一步地，所述方法还包括：

构建初始预测模型，所述初始预测模型为所述第一预测子模型；

利用获取的训练样本数据对所述第一预测子模型进行训练，得到已经训练完成的第一预测子模型；

利用所述已经训练完成的第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

依据本发明另一个方面，提供了一种压力预测装置，包括：

采集模块，用于采集液压支架推进过程的初始行程数据、以及初始压力数据；

确定模块，用于根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

预测模块，用于利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述预测模块包括：

第一预测单元，用于利用所述第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到第一预测数据；

分解单元，用于利用所述第二预测子模型对所述第一预测数据进行周期、趋势、残差分解，得到周期数据、趋势数据、残差数据；

第二预测单元，用于利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述第二预测单元具体用于利用所述周期预测模型对所述周期数据进行拟合得到第一拟合数据；利用所述趋势预测模型对所述趋势数据进行拟合得到第二拟合数据；利用所述残差预测模型对所述残差数据进行拟合得到第三拟合数据；对所述第一拟合数据、所述第二拟合数据、所述第三拟合数据进行叠加，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述确定模块包括：

预处理单元，用于对所述初始行程数据进行预处理，并从所述预处理的结果中确定至少一个行程最大值及一个行程最小值，所述预处理包括滤波处理、去重处理；

第一计算单元，用于计算所述行程最大值与所述行程最小值之间的向量距离，并根据所述向量距离确定至少一个行程组合，所述行程组合包括一个所述行程最大值及一个所述行程最小值；

第二计算单元，用于根据所述行程组合进行累计计算，得到至少一次移架过程的累计移架距离

进一步地，所述确定模块包括：

分类单元，用于按照预设标签对所述初始压力数据进行分类处理，得到多个压力数据类别，所述预设标签对应所述移架过程的多个压力阶段，所述移架过程的多个阶段包括初撑阶段、增阻阶段、恒阻阶段、降阻阶段、异常阶段；

第三计算单元，用于计算所述多个压力数据类别中最大数据量类别及最小数据量类别的中心值，并将所述中心值中的较大值作为所述移架过程的压力值。

进一步地，所述装置还包括：

构建模块，用于构建包含第一预测子模型、第二预测子模型的初始预测模型，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系；

训练模块，用于利用获取的训练样本数据对所述初始预测模型进行训练，得到训练完成的预测模型，所述训练样本数据包括行程样本数据、压力样本数据。

进一步地，所述装置还包括：

所述构建模块，还用于构建初始预测模型，所述初始预测模型为所述第一预测子模型；

所述训练模块，还用于利用获取的训练样本数据对所述第一预测子模型进行训练，得到已经训练完成的第一预测子模型；

所述预测模块，还用于利用所述已经训练完成的第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述压力预测方法对应的操作。

根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述压力预测方法对应的操作。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种压力预测方法及装置、存储介质、终端，本发明实施例通过采集液压支架推进过程的初始行程数据、以及初始压力数据；根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，建立了累计移架距离与压力值之间的联系，充分考虑了压力随累计移架距离变化的内部增长趋势，同时，避免了将时间对应压力转换为距离对应压力的二次计算，从而有效降低了压力预测的复杂度，提升了压力预测的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种压力预测方法流程图；

图2示出了本发明实施例提供的另一种压力预测方法流程图；

图3示出了本发明实施例提供的一种累计移架距离与预测压力值关系图；

图4示出了本发明实施例提供的又一种压力预测方法流程图；

图5示出了本发明实施例提供的一种推移距离与压力值关系图；

图6示出了本发明实施例提供的一种预测模型训练流程示意图；

图7示出了本发明实施例提供的一种压力预测装置组成框图；

图8示出了本发明实施例提供的一种终端的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

针对现有顶板来压预测方法，主要针对中高煤层的开采设备及开采环境，并基于顶板来压的时间周期规律进行预测。但是，顶板来压预测值的误差会随时间的推移不断增大，且无法与综合采矿的掘进深度建立直接联系，需要进行二次计算，导致顶板来压预测的准确性较低，复杂度较高，对于开采环境的适用性较低的问题。本发明实施例提供了一种压力预测方法，如图1所示，该方法包括：

101、采集液压支架推进过程的初始行程数据、以及初始压力数据。

本发明实施例中，液压支架是一种利用液体压力产生支撑力并实现自动移设来进行顶板支护和管理的一种液压动力装置。在综合机械化采煤的过程中，采面围岩产生的压力以外载的形式作用在液压支架上，液压支架的各支承件合力与顶板作用在液压支架上的外载合力相等。其中，顶板作用在液压支架上的外载合力也称顶板来压。液压支架依靠其内部油缸的往复伸缩运动产生向前的推力，从而实现整体液压支架向前移动，也称移架。油缸进行一次完整伸缩的时间为一个油缸伸缩周期，一个油缸伸缩周期内液压支架向前移动的过程，为一次移架过程。液压支架向前推进的过程中，由液压支架内部的行程传感器采集油缸的伸缩行程数据，即初始行程数据，压力传感器采集顶板来压数据，即初始压力数据。

需要说明的是，行程传感器及压力传感器均为液压支架设备的组成部件，能够准确采集液压支架内部的准确行程数据及压力数据，且不需要增加额外的数据采集设备，在保证数据准确性的同时，大大降低了数据采集及压力预测的成本。此外，基于实时采集并回传的液压支架内部油缸的伸缩行程数据及液压支架的顶板来压数据进行预测，能够实现压力的实时预测及反馈，从而提升预测的时效性。

102、根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值。

本发明实施例中，为了建立挖掘深度与顶板来压之间的联系，需要得到液压支架至少一次移架过程的累计移架距离。其中，累计移架距离为当前移架过程与在前移架过程产生的累计移动距离。例如，第一次移架过程的移架距离为15，第二次移架过程的移架距离为20，则第一次移架过程的累计移架距离为15，第二次移架过程的累计移架距离为35。由于液压支架向前移动是借助油缸回缩过程产生的推力完成的，因此，基于油缸伸缩行程数据(初始行程数据)，可以确定每次移架过程的累计移架距离，通过对移架距离进行累计计算，确定累计移架距离。

本发明实施例中，在得到至少一次移架过程的累计移架距离之后，需要确定每次移架过程对应的压力值，以建立累计移架距离与压力值之间的联系。由于在一次移架过程中液压支架承受的压力值是不断变化的，且行程数据的变化频率要大大低于压力数据的变化频率，一次移架过程将产生大量的初始压力数据，因此，需要对大量的初始压力数据进行分类处理，以从大量的压力数据中提取出最具代表性的压力值作为每次移架过程的压力值。

需要说明的是，将一次移架过程作为确定累计移架距离及压力值的最小单位，能够充分利用油缸伸缩行程数据得到准确的累计移架距离，并且能够对初始行程数据及初始压力数据进行有效的划分，使基于初始行程数据及初始压力数据得到的累计移架距离及压力值形成对应关系，从而建立累计移架距离与压力值之间的联系，即挖掘深度与顶板来压之间的联系。

103、利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

本发明实施例中，为了实现对压力的准确预测，将每次移架过程对应的累计移架距离及压力值作为有代表性的标注数据，并将初始行程数据以及所述初始压力数据作为两个标注数据之间的过程数据，填充到标注数据之间，(若仅有一次移架过程的累计移架距离及压力值，则将初始行程数据及初始压力数据填充至该移架距离及压力值之前)以形成用于输入到预测模型的完整的[距离，压力]序列，将该[距离，压力]序列输入预先训练完成的压力预测模型中，从而得到目标累计移架距离及对应该目标累计移架距离的预测压力值。其中，预测模型输出的预测值可以为对下一次移架过程的压力值的预测，也可以为对向后多次移架过程的压力值的预测，本发明实施例不对此处做具体限定。此外，为了进一步减少数据处理量，还可以用过滤处理后的初始行程数据，及过滤处理后的初始行程数据所对应的初始压力数据替代初始行程数据及初始压力数据作为预测模型的输入。

需要说明的是，由于不同厚度的煤层煤质的硬度不同，例如，极薄煤层的硬度就比较大，导致开采进程耗时较长，若基于时序周期进行预测处理，则数据量将非常庞大，存在大量的冗余数据。因此，基于距离及行程数据进行预测处理能够大大降低模型的计算量，从而提升模型计算效率，同时，提升该压力预测方法对于不同厚度煤层的适用性。此外，通过将每次移架过程的累计移架距离及压力值作为标注值，与初始行程数据及初始压力数据行程构成完整的[距离，压力]数据序列，能够在提升数据准确性的同时，确保模型输入的数据量，从而有效提升压力预测的准确性。

在一个本发明实施例中，为了进一步说明及限定，如图2所示，步骤103所述利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

201、利用所述第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到第一预测数据。

202、利用所述第二预测子模型对所述第一预测数据进行周期、趋势、残差分解，得到周期数据、趋势数据、残差数据。

203、利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

本发明实施例中，第一预测子模型的基础模型为自回归移动平均模型(ARIMA：Autoregressive Integrated Moving Average Model)，ARIMA为用于进行时间序列预测的统计模型，预测原理为基于时间轴的时序差分算法，根据时间序列[时间，数据]的差分值来预测新数据值的。为了使该模型能够对非时间序列的[距离，压力]序列进行预测处理，对该模型的时间轴、时间周期、时间索引属性进行了改进，具体为将时间序列的时间轴在源码中改为数值型的行程轴，将时间周期默认的周期间隔数值12改为当前[距离，压力]序列的训练周期值27，以及将预测方法中时间索引属性修改为行程数值类型索引。利用改进后的ARIMA对[距离，压力]序列进行预测处理，得到目标累计移架距离及对应目标累计移架距离的压力值预测结果，即第一预测数据，且第一测试数据中累计移架距离所对应的压力值呈现周期特性、趋势特性及偏差特性。进而，利用训练完成的第二预测子模型对第一预测数据进行周期、趋势、残差分解以得到每种特征数据的权重，并分别对每种特征数据进行拟合处理，以得到目标累计移架距离对应的预测压力值。其中，第一预测子模型的基础模型也可以选用马尔科夫算法模型、长短期记忆模型，本发明实施例对此不做具体限定。

需要说明的是，将改进后的ARIMA模型作为第一预测子模型，并基于第一预测子模型得到的第一预测数据，利用第二预测子模型进行进一步的预测处理，能够有效避免预测模型出现过拟合，从而提升模型预测的准确性。

在一个本发明实施例中，为了进一步说明及限定，步骤203所述利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

利用所述周期预测模型对所述周期数据进行拟合得到第一拟合数据；利用所述趋势预测模型对所述趋势数据进行拟合得到第二拟合数据；利用所述残差预测模型对所述残差数据进行拟合得到第三拟合数据；对所述第一拟合数据、所述第二拟合数据、所述第三拟合数据进行叠加，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

本发明实施例中，在得到表征周期、趋势、残差的特征数据之后，为了有针对性的对数据进行处理，针对不同的特征数据利用相互之间并行的三个预测分别进行拟合处理。具体地，周期预测模型选用改进后的ARIMA模型，利用改进后的ARIMA模型中的周期处理子模块对周期数据进行周期拟合，得到更为精确的周期数据，即第一拟合数据；趋势预测模型选用多项式非线性回归模型，利用该模型对趋势数据进行拟合，得到更为精确的趋势数据，即第二拟合数据；残差预测模型选用改进后的ARIMA模型，利用改进后的ARIMA模型中的残差处理子模块，得到更为精确的残差数据，即第三拟合数据。进一步，将第一拟合数据、第二拟合数据、第三拟合数据进行相加，得到目标累计移架距离及预测压力值。

需要说明的是，经过实践验证，通过对第一预测数据进行周期、趋势、残差分解，并分别对分解得到的表征周期特性、趋势特性、残差特性的特征数据进行有针对性的拟合处理，能够有效提升每种特征数据的准确性，从而提升压力值预测的准确性。此外，为了方便预测数据的查看，可以基于预测得到的目标累计移架距离及预测压力值生成目标累计移架距离与预测压力值关系图，如图3所示，通过对预测压力数据进行可视化处理，能够使用户更为直观的获取预测压力值随液压支架推移的变化情况，从而提升用户体验。

在一个本发明实施例中，为了进一步说明及限定，如图4所示，步骤102所述根据所述初始行程数据确定至少一次移架过程的累计移架距离，包括：

301、对所述初始行程数据进行预处理，并从所述预处理的结果中确定至少一个行程最大值及一个行程最小值。

302、计算所述行程最大值与所述行程最小值之间的向量距离，并根据所述向量距离确定至少一个行程组合。

303、根据所述行程组合进行累计计算，得到至少一次移架过程的累计移架距离。

本发明实施例中，由于不同煤层高度所对应的开采环境不同，使用的液压支架设备不同。例如，中高煤层的开采空间较大，地质结构相对稳定，可以采用大型的四立柱液压支架；而极薄煤层开采空间小，地质结构变化大，要求设备小型化，多采用两立柱的液压支架。为了提升压力预测对于不同开采环境的适用性，根据极薄煤层移架过程的数据特点，对初始行程数据进行处理。由于在极薄煤层的移架过程中，受工作面空间的限制少有护帮板，同时地质较硬，液压支架油缸的伸缩刚性受到影响，时常出现回弹现象，导致传感器采集的数据出现较大抖动，极薄煤层的工作面环境恶劣，影响传感器工作，导致采集到异常数据，以及由液压支架传感器采集的初始行程数据为带有白噪声的离散行程数据，存在周期性波动。因此，需要对初始行程数据进行滤波，以去除抖动数据、周期波动数据及异常数据。针对初始行程数据中的抖动数据，采用限幅滤波法，将低于预设阈值的抖动数据过滤掉。其中，预设阈值可以根据液压支架油缸的实际回弹经验值设定，并且为了降低每次过滤处理的数据量，可以设定过滤目标数据所对应的时间范围。本发明实施例对上述预设阈值及预设时间范围不做具体限定。针对初始行程数据中的周期性波动数据，采用平滑算术平均滤波法，首先设定预设长度的数据队列，每次移除前一时刻的旧行程数据，添加当前时刻的新行程数据，然后计算当前整个队列的均值，来代表最新的行程数据，用于去除数据的周期性波动，其中，数据队列的预设长度可以根据实际需求自定义，本发明实施例此处不做具体限定。针对初始行程数据中的异常数据，采用程序滤波，将超出油缸量程范围的异常数据过滤掉。上述滤波方法也可以选用其他相同作用的滤波方法进行替换，本发明实施例此处不做具体限定。

本发明实施例中，由于液压支架一次移架过程的移架距离等于液压支架油缸每一个伸缩行程周期中收缩的最大行程值，而收缩的最大行程值等于一个伸缩行程周期中初始行程数据的最大值与最小行程值的差值，因此，可以根据一个伸缩行程周期中初始行程数据的最大值及最小值计算出液压支架的移架距离，并根据在前移架过程移架距离进行累计计算，得到此次移架过程的累计移架距离。此处，利用差分法计算初始行程数据中的最大值和最小值。为了避免在利用差分法计算最值过程中出现梯度消失，首先，对过滤后的初始行程数据先进行去重处理，然后，针对去重后的初始行程数据，利用差分法求得一个最大值集合及一个最小值集合。利用向量距离算法对最大值集合与最小值集合中的数值进行遍历计算，得到每个最大值与每个最小值之间的向量距离，并将向量距离最小的一对最大值与最小值确定为一个行程组合，一个行程组合的最大值、最小值对应一个伸缩行程周期中行程数据的最大值、最小值。进一步地，根据每个行程组合的最大值、最小值计算得到一次移架过程的移架距离，并根据在前移架过程移架距离进行累计计算，得到此次移架过程的累计移架距离。其中，向量距离算法可以为欧氏距离算法也可以为曼哈顿距离算法，本发明实施例不做具体限定。

需要说明的是，基于极薄煤层移架过程采集的压力数据及行程数据特点，对初始行程数据进行预处理，充分考虑了极端开采环境对开采工作面、液压支架设备的限制及影响。当应用于开采空间更大，地质条件更稳定的中高煤层的开采过程中时，能够更好的保证压力预测的准确性，从而在保证压力预测准确性的同时，大大提升压力预测方法的适用范围。

在一个本发明实施例中，为了进一步说明及限定，如图4所示，步骤102所述将对应所述移架过程的所述初始压力数据进行分类，确定所述移架过程的压力值，包括：

304、按照预设标签对所述初始压力数据进行分类处理，得到多个压力数据类别。

305、计算所述多个压力数据类别中最大数据量类别及最小数据量类别的中心值，并将所述中心值中的较大值作为所述移架过程的压力值。

本发明实施例中，在一次移架过程中，每个行程数据会对应多个压力数据，压力数据的数据量比较大，为了确定一次移架过程的压力值，需要从大量数据中确定一个有代表性的压力数据作为整个移架过程的压力值。由于在移架过程产生的压力数据会随液压支架的推移距离发生变化，且呈现集中的变化趋势，如图5所示，因此，将大量压力数据进行分类划分，并根据分类后的多个类别确定出该移架过程的压力值。根据液压支架的工作原理将一次移架过程分为初撑阶段、增阻阶段、恒阻阶段，考虑到此过程中还存在压力下降的情况，以及顶部突然来压的异常情况，将整个移架过程细化为初撑阶段、增阻阶段、恒阻阶段、降阻阶段、异常阶段五个阶段。利用高斯混合聚类算法按照上述五个阶段对初始压力数据进行分簇，并计算每个压力值属于每个簇类别的可能性概率。当出现新的压力数据时，根据得到的每个压力值属于每个簇类别的可能性概率，结合贝叶斯后验证概率公式：P＝max{P初撑＝(初撑簇|当前压力数据)，P增阻＝(增阻簇|当前压力数据)，P恒阻＝(恒阻簇|当前压力数据)，P降阻＝(降阻簇|当前压力数据)，P来压＝(来压簇|当前压力数据)，P异常＝(异常簇|当前压力数据)}(1)；确定当前压力数据属于某一分簇对应的最大概率，并将该数据分配到最大概率对应的簇类别。在完成分簇后，确定包含数据量最大和数据量最小的两个簇类别，并计算数据量最大簇类别和数据量最小簇类别的中心值。由于压力值预测是为了防止压力过大造成事故，因此，将中心值中最大的压力数据确定为一次移架过程的压力值。

其中，为了进一步降低数据处理量，可以在对初始行程数据进行过滤及去重的同时，将被过滤和去重处理剔除掉的初始行程数据所对应的初始压力数据一并剔除，并记录去重处理过程剔除掉的初始行程数据和初始压力数据，在计算得到累计移架距离之后，将去重剔除掉的初始行程数据和初始压力数据补回数据中，用于对移架过程压力值的计算，对此，本发明实施例不做具体限定。

需要说明的是，利用聚类方式对压力数据进行分簇，能够得到压力数量的整体分布情况，进一步从最大数量簇类别和最小数据量类别的中心值中确定压力值，在关注数据量最为集中的压力数据的同时，关注到数据量最小的压力异常值，能够更为全面的反应移架过程的压力值，从而提升压力值预测的准确性。

在一个本发明实施例中，为了进一步说明及限定，所述方法还包括：

构建包含第一预测子模型、第二预测子模型的初始预测模型，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系。

利用获取的训练样本数据对所述初始预测模型进行训练，得到训练完成的预测模型，所述训练样本数据包括行程样本数据、压力样本数据。

本发明实施例中，行程样本数据及压力样本数据可以为多次移架过程的累计移架距离及压力值在经过建立映射关系及归一化去量纲处理后的行程数据及压力数据，其中，累计移架距离和压力值为基于初始行程数据及初始压力数据确定的，确定过程与步骤301～305相同，本发明实施例在此不再赘述。利用行程样本数据及压力样本数据训练第一预测子模型，并利用X-11-ARIMA分解方法将第一预测子模型的预测结果分解为周期数据、趋势数据、残差数据，并利用得到的周期数据、趋势数据、残差数据分别训练周期预测模型、趋势预测模型、残差预测模型，并将训练完成的周期预测模型、趋势预测模型、残差预测模型进行模型集成，得到集成子模型，即第二预测子模型，进而得到训练完成的预测模型。其中，集成子模型中的周期预测模型、趋势预测模型、残差预测模型之间为并行的关系。并且在预测模型的实际应用过程中，第二预测子模型能够基于训练完成的参数对第一预测数据进行周期、趋势、残差分解。此外，还可以在累计移架距离和压力值的基础上，增加过滤处理后的初始行程数据，以及与过滤处理后的初始行程数据对应的初始压力数据共同作为训练样本数据对初始预测模型进行训练，以提升训练样本数据量，从而提升模型训练的准确性。

需要说明的是，在训练样本数据量较少时，可以基于第一预测子模型得到压力预测结果，在训练样本数据量较大时，在第一预测子模型的基础上增加第二预测子模型，能够有效提升模型的泛化能力，从而提升压力预测的准确性。

需要说明的是，在完成模型训练及集成之后，可以将预测模型通过应用程序接口(WebAPI)搭建的Web网站或打包为可执行文件发布到，以供外部访问并调取压力预测结果。此外，在模型发布之后，还可以基于实际压力值对预测压力值进行检测，当预测压力值与实际压力值的偏差超出预设偏差阈值时，可以对预测模型进行更新训练，以提升压力值预测的准确性，同时，应用程序接口提供了手动更新模型参数的接口，可以对预测模型的参数进行修改。其中，预设阈值可以根据实际经验自定义，本发明实施例不做具体限定。

在具体应用场景中，训练样本数据提取、训练初始预测模型及服务发布流程，如图6所示，包括：1、对移架生产数据中的行程数据及对应行程数据的矿压数据进行去抖动处理、数据滤波处理，得到原始数据。2、对原始数据进行去重处理。3、根据去重处理后的数据计算行程数据中的极大值与极小值，并根据极大值与极小值进行累计计算得到累计移架距离。4、提取与移架距离关联匹配的生产矿压数据，并对矿压数据进行异常值处理。5、将去重的矿压数据回填至数据集对数据集进行更新得到初始训练集。6、利用高斯混合聚类对初始训练集中的压力数据按照数据标签进行分簇。7、利用贝叶斯筛选得到分簇后的最大数据量类别及最小数据量类别。8、通过数值筛选得到单点矿压数据(对应一次移架过程的压力值)。9、数据集更新：将矿压数据与累计移架距离进行关联映射，并进行归一化去量纲，得到最终训练集。10、利用原始数据与最终训练集对改进的ARIMA进行训练，并进行稳定性检测。11、对ARIMA的输出结果进行周期、趋势、残差分。12、利用分解后的周期数据训练周期模型，利用分解后的趋势数据训练趋势模型，利用分解后的残差数据训练残差模型。13、对训练完成的周期模型、趋势模型、残差模型进行模型集成。14、对集成后的预测模型进行服务发布。15、监听服务请求，并进行处理。

在一个本发明实施例中，为了进一步说明及限定，所述方法还包括：

构建初始预测模型，所述初始预测模型为所述第一预测子模型；

利用获取的训练样本数据对所述第一预测子模型进行训练，得到已经训练完成的第一预测子模型；

利用所述已经训练完成的第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

本发明实施例中，第一预测子模型可以作为独立的预测模型实现对累计移架距离及对应压力值的预测，相比于包含第一预测子模型和第二预测子模型的预测模型，虽然预测精度较低，但模型训练难度、运行处理工作量均有所下降，且具有较高的预测效率，可以应用于预测效率要求高于预测精度要求的应用场景中。

本发明提供了一种压力预测方法，本发明实施例通过采集液压支架推进过程的初始行程数据、以及初始压力数据；根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，建立了累计移架距离与压力值之间的联系，充分考虑了压力随累计移架距离变化的内部增长趋势，同时，避免了将时间对应压力转换为距离对应压力的二次计算，从而有效降低了压力预测的复杂度，提升了压力预测的准确性。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种压力预测装置，如图7所示，该装置包括：

采集模块41，用于采集液压支架推进过程的初始行程数据、以及初始压力数据；

确定模块42，用于根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

预测模块43，用于利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述预测模块包括：

第一预测单元，用于利用所述第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到第一预测数据；

分解单元，用于利用所述第二预测子模型对所述第一预测数据进行周期、趋势、残差分解，得到周期数据、趋势数据、残差数据；

第二预测单元，用于利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述第二预测单元具体用于利用所述周期预测模型对所述周期数据进行拟合得到第一拟合数据；利用所述趋势预测模型对所述趋势数据进行拟合得到第二拟合数据；利用所述残差预测模型对所述残差数据进行拟合得到第三拟合数据；对所述第一拟合数据、所述第二拟合数据、所述第三拟合数据进行叠加，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

进一步地，所述确定模块包括：

预处理单元，用于对所述初始行程数据进行预处理，并从所述预处理的结果中确定至少一个行程最大值及一个行程最小值，所述预处理包括滤波处理、去重处理；

第一计算单元，用于计算所述行程最大值与所述行程最小值之间的向量距离，并根据所述向量距离确定至少一个行程组合，所述行程组合包括一个所述行程最大值及一个所述行程最小值；

第二计算单元，用于根据所述行程组合进行累计计算，得到至少一次移架过程的累计移架距离。

进一步地，所述确定模块包括：

分类单元，用于按照预设标签对所述初始压力数据进行分类处理，得到多个压力数据类别，所述预设标签对应所述移架过程的多个压力阶段，所述移架过程的多个阶段包括初撑阶段、增阻阶段、恒阻阶段、降阻阶段、异常阶段；

第三计算单元，用于计算所述多个压力数据类别中最大数据量类别及最小数据量类别的中心值，并将所述中心值中的较大值作为所述移架过程的压力值。

进一步地，所述装置还包括：

构建模块，用于构建包含第一预测子模型、第二预测子模型的初始预测模型，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系；

训练模块，用于利用获取的训练样本数据对所述初始预测模型进行训练，得到训练完成的预测模型，所述训练样本数据包括行程样本数据、压力样本数据。

进一步地，所述装置还包括：

所述构建模块，还用于构建初始预测模型，所述初始预测模型为所述第一预测子模型；

所述训练模块，还用于利用获取的训练样本数据对所述第一预测子模型进行训练，得到已经训练完成的第一预测子模型；

所述预测模块，还用于利用所述已经训练完成的第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

本发明提供了一种压力预测装置，本发明实施例通过采集液压支架推进过程的初始行程数据、以及初始压力数据；根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，建立了累计移架距离与压力值之间的联系，充分考虑了压力随累计移架距离变化的内部增长趋势，同时，避免了将时间对应压力转换为距离对应压力的二次计算，从而有效降低了压力预测的复杂度，提升了压力预测的准确性。

根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的压力预测方法。

图8示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。

如图8所示，该终端可以包括：处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述压力预测方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

采集液压支架推进过程的初始行程数据、以及初始压力数据；

根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

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，均应包括在本发明的保护范围之内。

Claims (10)

1.一种压力预测方法，其特征在于，包括：

采集液压支架推进过程的初始行程数据、以及初始压力数据；

根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

2.根据权利要求1所述的方法，其特征在于，所述预测模型包括第一预测子模型、第二预测子模型，所述利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

利用所述第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到第一预测数据；

利用所述第二预测子模型对所述第一预测数据进行周期、趋势、残差分解，得到周期数据、趋势数据、残差数据；

利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

3.根据权利要求2所述的方法，其特征在于，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系，所述利用所述第二预测子模型对所述周期数据、所述趋势数据、所述残差数据进行拟合处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值，包括：

利用所述周期预测模型对所述周期数据进行拟合得到第一拟合数据；

利用所述趋势预测模型对所述趋势数据进行拟合得到第二拟合数据；

利用所述残差预测模型对所述残差数据进行拟合得到第三拟合数据；

对所述第一拟合数据、所述第二拟合数据、所述第三拟合数据进行叠加，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述初始行程数据确定至少一次移架过程的累计移架距离，包括：

对所述初始行程数据进行预处理，并从所述预处理的结果中确定至少一个行程最大值及一个行程最小值，所述预处理包括滤波处理、去重处理；

计算所述行程最大值与所述行程最小值之间的向量距离，并根据所述向量距离确定至少一个行程组合，所述行程组合包括一个所述行程最大值及一个所述行程最小值；

根据所述行程组合进行累计计算，得到至少一次移架过程的累计移架距离。

5.根据权利要求1所述的方法，其特征在于，所述将对应所述移架过程的所述初始压力数据进行分类，确定所述移架过程的压力值，包括：

按照预设标签对所述初始压力数据进行分类处理，得到多个压力数据类别，所述预设标签对应所述移架过程的多个压力阶段，所述移架过程的多个阶段包括初撑阶段、增阻阶段、恒阻阶段、降阻阶段、异常阶段；

计算所述多个压力数据类别中最大数据量类别及最小数据量类别的中心值，并将所述中心值中的较大值作为所述移架过程的压力值。

6.根据权利要求1所述的方法，其特征在于，所述采集液压支架推进过程的初始行程数据、以及初始压力数据之前，所述方法还包括：

构建包含第一预测子模型、第二预测子模型的初始预测模型，所述第二预测子模型包括周期预测模型、趋势预测模型、残差预测模型，所述周期预测模型、所述趋势预测模型、所述残差预测模型之间为并行关系；

利用获取的训练样本数据对所述初始预测模型进行训练，得到训练完成的预测模型，所述训练样本数据包括行程样本数据、压力样本数据。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建初始预测模型，所述初始预测模型为所述第一预测子模型；

利用获取的训练样本数据对所述第一预测子模型进行训练，得到已经训练完成的第一预测子模型；

利用所述已经训练完成的第一预测子模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

8.一种压力预测装置，其特征在于，包括：

采集模块，用于采集液压支架推进过程的初始行程数据、以及初始压力数据；

确定模块，用于根据所述初始行程数据确定至少一次移架过程的累计移架距离，并将对应所述移架过程的所述初始压力数据进行分类处理，确定所述移架过程的压力值；

预测模块，用于利用已训练完成的预测模型对所述累计移架距离、所述压力值、所述初始行程数据以及所述初始压力数据进行预测处理，得到至少一个目标累计移架距离及与所述目标累计移架距离对应的预测压力值。

9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的压力预测方法对应的操作。

10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的压力预测方法对应的操作。

Images