CN114792177B - 综采工作面的多液压支架载荷预测方法、装置及电子设备 - Google Patents

综采工作面的多液压支架载荷预测方法、装置及电子设备 Download PDF

Info

Publication number
CN114792177B
CN114792177B CN202210721190.0A CN202210721190A CN114792177B CN 114792177 B CN114792177 B CN 114792177B CN 202210721190 A CN202210721190 A CN 202210721190A CN 114792177 B CN114792177 B CN 114792177B
Authority
CN
China
Prior art keywords
load data
column load
prediction model
support
data
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
Application number
CN202210721190.0A
Other languages
English (en)
Other versions
CN114792177A (zh
Inventor
巩师鑫
任怀伟
马英
杜毅博
赵国瑞
庞义辉
文治国
杜明
周杰
韩哲
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.)
CCTEG Coal Mining Research Institute
Original Assignee
CCTEG Coal Mining Research Institute
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 CCTEG Coal Mining Research Institute filed Critical CCTEG Coal Mining Research Institute
Priority to CN202210721190.0A priority Critical patent/CN114792177B/zh
Publication of CN114792177A publication Critical patent/CN114792177A/zh
Application granted granted Critical
Publication of CN114792177B publication Critical patent/CN114792177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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"
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D15/00—Props; Chocks, e.g. made of flexible containers filled with backfilling material
    • E21D15/14—Telescopic props
    • E21D15/46—Telescopic props with load-measuring devices; with alarm devices
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Structural Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种综采工作面的多液压支架载荷预测方法、装置、电子设备和存储介质。其中，包括：获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。

Description

综采工作面的多液压支架载荷预测方法、装置及电子设备
技术领域
本申请涉及煤矿工作面综采数据监测与分析挖掘技术领域，尤其涉及一种综采工作面的多液压支架载荷预测方法、装置、电子设备和存储介质。
背景技术
随着综采工作面智能化开采的不断深入发展，液压支架载荷变化规律在一定程度上反应了综采工作面上覆岩层的周期破断特征，液压支架载荷预测分析是实现对综采工作面周期来压超前预测预警的有效手段，对于改善液压支架适应性和围岩控制稳定性具有重要作用，相关技术中，综采工作面液压支架载荷预测方法一次性只能完成一个支架的载荷预测，然而综采工作面上百台支架则需要循环反复建立预测模型，消耗计算资源大、时间久，故亟需一种综采工作面多个液压支架的载荷预测方法。
发明内容
本申请提出一种综采工作面的多液压支架载荷预测方法、装置、电子设备和存储介质。
本申请第一方面实施例提出了一种综采工作面的多液压支架载荷预测方法，所述方法包括：获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据；从所述立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中所述预设时刻晚于所述初始时刻；将所述初始立柱载荷数据作为机器学习算法的输入，将所述目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到所述训练立柱载荷数据对应的支架载荷预测模型；获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型；将所述综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到所述目标支架载荷预测模型，以得到所述实时立柱载荷数据对应的预测立柱载荷结果。
在本申请的一个实施例中，所述获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据，包括：采集所述综采工作面倾向方向对应的多液压支架的候选立柱载荷数据；对所述候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据；将所述标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，所述将所述标准立柱载荷数据作为立柱载荷数据，还包括：根据所述标准立柱载荷数据的数据特征，将所述综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域；将任一所述多液压支架区域的标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，所述获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型，包括：获取所述立柱载荷数据中的测试立柱载荷数据；将所述测试立柱载荷数据输入到所述支架载荷预测模型，以得到所述测试立柱载荷数据在所述预设时刻的预测立柱载荷数据；根据预测立柱载荷数据与所述预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定所述支架载荷预测模型的预测精度；将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型。
在本申请的一个实施例中，所述方法还包括：在所述预测精度小于预设精度阈值的情况下，调整所述机器学习算法的参数，直至所述算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为所述目标支架载荷预测模型。
本申请提出一种综采工作面的多液压支架载荷预测方法，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。
本申请第二方面实施例提出了一种综采工作面的多液压支架载荷预测装置，所述装置包括：第一获取模块，用于获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据；第二获取模块，用于从所述立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中所述预设时刻晚于所述初始时刻；训练模块，用于将所述初始立柱载荷数据作为机器学习算法的输入，将所述目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到所述训练立柱载荷数据对应的支架载荷预测模型；比较模块，用于获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型；生成模块，用于将所述综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到所述目标支架载荷预测模型，以得到所述实时立柱载荷数据对应的预测立柱载荷结果。
在本申请的一个实施例中，所述第一获取模块，包括：采集单元，用于采集所述综采工作面倾向方向对应的多液压支架的候选立柱载荷数据；预处理单元，用于对所述候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据；生成单元，用于将所述标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，所述生成单元，具体用于：根据所述标准立柱载荷数据的数据特征，将所述综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域；将任一所述多液压支架区域的标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，所述比较模块，具体用于：获取所述立柱载荷数据中的测试立柱载荷数据；将所述测试立柱载荷数据输入到所述支架载荷预测模型，以得到所述测试立柱载荷数据在所述预设时刻的预测立柱载荷数据；根据预测立柱载荷数据与所述预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定所述支架载荷预测模型的预测精度；将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型。
在本申请的一个实施例中，所述装置还包括：调整模块，用于在所述预测精度小于预设精度阈值的情况下，调整所述机器学习算法的参数，直至所述算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为所述目标支架载荷预测模型。
本申请提出一种综采工作面的多液压支架载荷预测装置，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。
本申请第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时实现本申请实施例中的综采工作面的多液压支架载荷预测方法。
本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时本申请实施例中的综采工作面的多液压支架载荷预测方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请实施例所提供的一种综采工作面的多液压支架载荷预测方法的流程示意图；
图2是本申请实施例所提供的另一种综采工作面的多液压支架载荷预测方法的流程示意图；
图3是本申请实施例所提供的另一种综采工作面的多液压支架载荷预测方法的流程示意图；
图4是本申请实施例所提供的另一种综采工作面的多液压支架载荷预测方法的流程示意图；
图5是本申请实施例所提供一种综采工作面的多液压支架载荷预测装置的结构示意图；
图6是本申请实施例所提供另一种综采工作面的多液压支架载荷预测装置的结构示意图；
图7是本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的综采工作面的多液压支架载荷预测方法、装置和电子设备。
图1是本申请实施例所提供的一种综采工作面的多液压支架载荷预测方法的流程示意图。其中，需要说明的是，本实施例提供的综采工作面的多液压支架载荷预测方法的执行主体为综采工作面的多液压支架载荷预测装置，该综采工作面的多液压支架载荷预测装置可以由软件和/或硬件的方式实现，该实施例中的综采工作面的多液压支架载荷预测装置可以配置电子设备中，本实施例中的电子设备可以包括服务器，该实施例对电子设备不作具体限定。
图1是本申请实施例所提供的一种综采工作面的多液压支架载荷预测方法的流程示意图。
如图1所示，该综采工作面的多液压支架载荷预测方法可以包括：
步骤101，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据。
在一些实施例中，立柱载荷数据可以包括综采工作面倾向方向所有的液压支架的立柱载荷数据，也可以是综采工作面倾向方向中有关联性的多个液压支架的立柱载荷数据，但不仅限于此。
步骤102，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中预设时刻晚于初始时刻。
在一些实施例中，训练立柱载荷数据的数据量可以是立柱载荷数据的数据量的80%，但不仅限于此。
在一些实施例中，初始时刻可以是综采工作面倾向方向对应的多液压支架产生立柱载荷数据的任一时刻，该实施例对此不做具体限定。
在一些实施例中，预设时刻可以是根据实际多液压支架需要进行载荷预测的时刻，预设时刻可以是初始时刻后的下一时刻，也可以是初始时刻后的下K个时刻，但不仅限于此。
步骤103，将初始立柱载荷数据作为机器学习算法的输入，将目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到训练立柱载荷数据对应的支架载荷预测模型。
在一些实施例中，将初始时刻的下一时刻的立柱载荷数据作为目标立柱载荷数据为例，得到训练立柱载荷数据对应的支架载荷预测模型的一种实施方式可以为，将初始初始立柱载荷数据作为机器学习算法的输入，而初始时刻的下一时刻的多液压支架的目标立柱载荷数据为机器学习算法的输出，以此训练出多输入多输出的超前一刀的支架载荷预测模型。
在另一些实施例中，将初始时刻后K个时刻的立柱载荷数据作为目标立柱载荷数据为例，得到训练立柱载荷数据对应的支架载荷预测模型的一种实施方式可以为，将初始初始立柱载荷数据作为机器学习算法的输入，而初始时刻后K个时刻的多液压支架的目标立柱载荷数据为机器学习算法的输出，以此训练出多输入多输出的超前K刀的支架载荷预测模型。
在一些实施例中，机器学习算法可以为多输入多输出单层神经网络模型，还可以是支持向量机算法，但不仅限于此，该实施例对此不做具体限定。
其中，在利用训练立柱载荷数据对机器学习算法的训练过程中，训练立柱载荷数据的重复次数代训练可以不低于5，一个批次batch的训练立柱载荷数据训练迭代次数可以不低于100，但不仅限于此。
步骤104，获取支架载荷预测模型的预测精度，并将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
在一些实施例中，预设精度阈值可以是由相关技术人员设定的，但不仅限于此。
在一些实施例中，可以通过调整机器学习算法的参数，从而优化支架载荷预测模型的预测精度，以使得预测精度大于或等于预设精度阈值，从而得到高精度的目标支架载荷预测模型，实现对综采工作面倾向方向对应的多液压支架的实时立柱载荷数据的精准预测。
其中，目标支架载荷预测模型可以是最终综采工作面倾向方向液压支架载荷的一次性预测模型，但不仅限于此。
步骤105，将综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到目标支架载荷预测模型，以得到实时立柱载荷数据对应的预测立柱载荷结果。
在一些实施例中，若目标支架载荷预测模型为超前K刀的模型，则预测立柱载荷结果为实时立柱载荷数据后的K个时刻的立柱载荷数据，根据K个时刻的立柱载荷数据，判断综采工作面倾向方向对应的多液压支架在K个时刻的载荷是否超载荷，实现对综采工作面倾向方向对应的多液压支架的实时立柱载荷数据的超前K刀预测。
本申请提出一种综采工作面的多液压支架载荷预测方法，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。
为清楚的理解本申请，下面结合图2对综采工作面的多液压支架载荷预测方法的处理过程进行示例性描述，其中，该实施例是对上述实施例的进一步细化或者扩展。
如图2所示，该综采工作面的多液压支架载荷预测方法可以包括：
步骤201，采集综采工作面倾向方向对应的多液压支架的候选立柱载荷数据。
在一些实施例中，候选立柱载荷数据可以是综采工作面倾向方向对应的多液压支架上的传感器采集的数据，但不仅限于此。
步骤202，对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据。
在一些实施例中，标准化预处理可以包括候选立柱载荷数据的异常数据剔除、采样时间对齐、缺失数据补齐和采样时间重置，但不仅限于此，该实施例对此不做具体限定。
其中，异常数据剔除具体指的是根据综采工作面倾向方向对应液压支架的支护工艺，对采集到的候选立柱载荷数据进行异常分析，包括液压支架立柱候选载荷数据不能为零，停车停产时候选立柱载荷数据恒定不变的数据，即剔除载荷值为0的候选立柱载荷数据和长期恒定不变的候选立柱载荷数据。
多个液压支架候选立柱载荷数据的时间对齐和缺失数据补齐具体指的是当各个液压支架的候选立柱载荷数据采集时间点不一致时，需要按照一定的采样周期对已获取的候选立柱载荷数据进行重采样，若某一时间点未采集到某液压支架实际立柱载荷数据，以该支架最近时刻采集的立柱载荷数据代替，从而获得综采工作面倾向方向上等时间距上多个液压支架的候选立柱载荷数据。
采样时间重置具体指的是在所有液压支架数据的时间对齐、缺失数据补齐和异常数据剔除操作的基础上，对候选立柱载荷数据进行重采样，获得较低采样频率的候选立柱载荷数据。
综上，可以通过异常数据剔除、采样时间对齐、缺失数据补齐和采样时间重置对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据。
步骤203，将标准立柱载荷数据作为立柱载荷数据。
步骤204，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中预设时刻晚于初始时刻。
步骤205，将初始立柱载荷数据作为机器学习算法的输入，将目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到训练立柱载荷数据对应的支架载荷预测模型。
步骤206，获取支架载荷预测模型的预测精度，并将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
步骤207，将综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到目标支架载荷预测模型，以得到实时立柱载荷数据对应的预测立柱载荷结果。
其中，需要说明的是，关于步骤204至步骤207的具体实现方式，可参见上述实施例中的相关描述。
本申请提出一种综采工作面的多液压支架载荷预测方法，采集综采工作面倾向方向对应的多液压支架的候选立柱载荷数据，对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据，并将标准立柱载荷数据作为立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于对综采工作面倾向方向对应的多液压支架的候选立柱载荷数据进行预处理，增强立柱载荷数据的质量，提高综采工作面多液压支架载荷的预测结果。
图3是本申请实施例所提供的另一种综采工作面的多液压支架载荷预测方法的流程示意图。
步骤301，采集综采工作面倾向方向对应的多液压支架的候选立柱载荷数据。
步骤302，对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据。
其中，需要说明的是，关于步骤301至步骤302的具体实现方式，可参见上述实施例中的相关描述。
步骤303，根据标准立柱载荷数据的数据特征，将综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域。
在一些实施例中，由于综采工作面上覆岩层运移存在区域峰值特征，综采工作面倾向方向不同位置的液压支架载荷分布差异较为显著，为提高综采工作面倾向方向的多液压支架的标准立柱载荷数据的预测精度，可以根据标准立柱载荷数据的数据特征，将综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域，从而根据任一多液压支架区域的标准立柱载荷数据进行多液压支架区域的区域支架载荷预测模型。
其中，可以理解的是，标准立柱载荷数据的数据特征可以包括多个液压支架的支架位置以及多个液压支架的标准立柱载荷数据之间的相关性，从而根据多个液压支架的位置以及标准立柱载荷数据之间相关性对综采工作面倾向方向对应的多液压支架进行区域划分。
例如，在综采工作面具有175台液压支架的情况下，可根据标准立柱载荷数据相关性和液压支架位置将多个液压支架划分为5个区域，其中，区域一可以有30个液压支架，区域二可以有35个液压支架，区域三可以有45个液压支架，区域四可以有40个液压支架，区域五可以有35个液压支架，但不仅限于此。
步骤304，将任一多液压支架区域的标准立柱载荷数据作为立柱载荷数据。
在一些实施例中，可以将上述区域一至区域5中的任一多液压支架区域的标准立柱载荷数据作为立柱载荷数据，其中，可以以区域一为例，将区域一中的30个液压支架的标准立柱载荷数据作为立柱载荷数据。
步骤305，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中预设时刻晚于初始时刻。
步骤306，将初始立柱载荷数据作为机器学习算法的输入，将目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到训练立柱载荷数据对应的支架载荷预测模型。
综上，区域一的立柱载荷数据为例，具体地，确定区域一内初始时刻的30个初始立柱载荷数据为输入，而区域一内初始时刻的下一时刻的30个目标立柱载荷数据为输出，以此建立区域一30个输入30个输出的超前一刀的区域支架载荷预测模型，或者，确定区域一内初始时刻的30个初始立柱载荷数据为输入，而区域一内初始时刻的后面k个时刻的30个目标立柱载荷数据为输出，以此建立区域一的30个输30个输出的超前k刀的支架载荷预测模型。
在另一些实施例中，对于具有175台液压支架且划分了5个区域的综采工作面，区域一到区域五，五个区域均可以采用多输入多输出单层神经网络模型进行模型建立，也可以根据数据量的多少，选择其他算法，如，区域一、区域二和区域五采用支持向量机算法，区域三和区域四采用多输入多输出单层神经网络模型。
其中，利用五个区域的训练立柱载荷数据进行区域支架载荷预测模型的训练，要求五个区域的训练立柱载荷数据的重复次数代训练不低于5，一个批次batch的训练立柱载荷数据的训练迭代次数不低于100。
在另一些实施例中，可以根据各个多液压支架区域的立柱载荷数据，训练出各个多液压支架区域各自对应的支架载荷预测模型，例如，在多液压支架区域为区域一至区域五五个区域的情况下，对区域一至区域五中各自对应的立柱载荷数据进行训练，以分别得到区域一至区域五的五个不同的支架载荷预测模型。
步骤307，获取支架载荷预测模型的预测精度，并将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
步骤308，将综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到目标支架载荷预测模型，以得到实时立柱载荷数据对应的预测立柱载荷结果。
本申请提出一种综采工作面的多液压支架载荷预测方法，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，采集综采工作面倾向方向对应的多液压支架的候选立柱载荷数据，对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据，根据标准立柱载荷数据的数据特征，将综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域，将任一多液压支架区域的标准立柱载荷数据作为立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于综采工作面倾向方向对应的多液压支架进行区域划分，以根据多液压支架区域对应的立柱载荷数据训练出目标支架载荷预测模型，以对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面倾向方向上不同区域对应多液压支架载荷的局部精准预测。
图4是本申请实施例所提供的另一种综采工作面的多液压支架载荷预测方法的流程示意图。
步骤401，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据。
步骤402，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中预设时刻晚于初始时刻。
步骤403，将初始立柱载荷数据作为机器学习算法的输入，将目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到训练立柱载荷数据对应的支架载荷预测模型。
其中，需要说明的是，关于步骤401至步骤403的具体实现方式，可参见上述实施例中的相关描述。
步骤404，获取立柱载荷数据中的测试立柱载荷数据。
在一些实施例中，立柱载荷数据可以包括训练立柱载荷数据和测试立柱载荷数据，其中，测试立柱载荷数据的数据量要远小于训练立柱载荷数据，例如，训练立柱载荷数据的数据量可以为立柱载荷数据的数据量的80%，测试立柱载荷数据的数据量可以为立柱载荷数据的数据量的20%，但不仅限于此。
步骤405，将测试立柱载荷数据输入到支架载荷预测模型，以得到测试立柱载荷数据在预设时刻的预测立柱载荷数据。
步骤406，根据预测立柱载荷数据与预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定支架载荷预测模型的预测精度。
在一些实施例中，预设时刻采集的实时立柱载荷数据可以是通过传感器采集的实时立柱载荷数据。
在一些实施例中，预测立柱载荷数据与实时立柱载荷数据的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)、均方根误差(Root Mean Square Error,RMSE)以及平均绝对误差(Mean Absolute Error, MAE)的计算方式可以为：
Figure 848516DEST_PATH_IMAGE001
其中，
Figure 243725DEST_PATH_IMAGE002
为实时立柱载荷数据的数值，
Figure 995780DEST_PATH_IMAGE003
为预测立柱载荷数据的数值，n为预测立柱载荷数据的数据个数。
其中，可以理解的是，平均绝对百分比误差MAPE、均方根误差RMSE以及平均绝对误差MAE的值越小，则支架载荷预测模型的预测精度越高，相反，平均绝对百分比误差MAPE、均方根误差RMSE以及平均绝对误差MAE的值越大，则支架载荷预测模型的预测精度越低。
步骤407，将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
在一些实施例中，在预测精度小于预设精度阈值的情况下，调整机器学习算法的参数，直至算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为目标支架载荷预测模型。
步骤408，将综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到目标支架载荷预测模型，以得到实时立柱载荷数据对应的预测立柱载荷结果。
本申请提出一种综采工作面的多液压支架载荷预测方法，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，获取立柱载荷数据中的测试立柱载荷数据，将测试立柱载荷数据输入到支架载荷预测模型，以得到测试立柱载荷数据在预设时刻的预测立柱载荷数据，根据预测立柱载荷数据与预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定支架载荷预测模型的预测精度，将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，从支架载荷预测模型中选取出高精度的目标支架载荷预测模型，提高对综采工作面倾向方向对应多液压支架载荷的预测精度。
图5是本申请实施例所提供一种综采工作面的多液压支架载荷预测装置的结构示意图。
如图5所示，该综采工作面的多液压支架载荷预测装置500包括：第一获取模块501、第二获取模块502、训练模块503、比较模块504和生成模块505，其中：
第一获取模块501，用于获取综采工作面倾向方向对应的多液压支架的立柱载荷数据。
第二获取模块502，用于从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中预设时刻晚于初始时刻。
训练模块503，用于将初始立柱载荷数据作为机器学习算法的输入，将目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到训练立柱载荷数据对应的支架载荷预测模型。
比较模块504，用于获取支架载荷预测模型的预测精度，并将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
生成模块505，用于将综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到目标支架载荷预测模型，以得到实时立柱载荷数据对应的预测立柱载荷结果。
本申请提出一种综采工作面的多液压支架载荷预测装置，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。
在本申请的一个实施例中，图6是本申请实施例所提供另一种综采工作面的多液压支架载荷预测装置的结构示意图，如图6所示，该综采工作面的多液压支架载荷预测装置600还可以包括：第一获取模块601、第二获取模块602、训练模块603、比较模块604和生成模块605，其中，第一获取模块601包括采集单元6011、预处理单元6012和生成单元6013，其中，装置还包括调整模块606。
其中，关于第一获取模块601、第二获取模块602、训练模块603、比较模块604和生成模块605的详细描述请参考图5所示实施例中第一获取模块501、第二获取模块502、训练模块503、比较模块504和生成模块505的说明，此处不在进行描述。
在本申请的一个实施例中，如图6，第一获取模块501，包括：
采集单元6011，用于采集综采工作面倾向方向对应的多液压支架的候选立柱载荷数据。
预处理单元6012，用于对候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据。
生成单元6013，用于将标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，生成单元6013，具体用于：
根据标准立柱载荷数据的数据特征，将综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域。
将任一多液压支架区域的标准立柱载荷数据作为立柱载荷数据。
在本申请的一个实施例中，如图6所示，比较模块604，具体用于：
获取立柱载荷数据中的测试立柱载荷数据。
将测试立柱载荷数据输入到支架载荷预测模型，以得到测试立柱载荷数据在预设时刻的预测立柱载荷数据。
根据预测立柱载荷数据与预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定支架载荷预测模型的预测精度。
将预测精度大于或等于预设精度阈值的支架载荷预测模型作为目标支架载荷预测模型。
在本申请的一个实施例中，如图6所示，装置还包括：
调整模块606，用于在预测精度小于预设精度阈值的情况下，调整机器学习算法的参数，直至算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为目标支架载荷模型。
本申请提出一种综采工作面的多液压支架载荷预测装置，获取综采工作面倾向方向对应的多液压支架的立柱载荷数据，从立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据并作为机器学习算法的输入，再将训练立柱载荷数据中预设时刻的目标立柱载荷数据，作为机器学习算法的输出进行模型训练，以得到支架载荷预测模型，并将满足预测精度阈值的支架载荷预测模型作为目标支架载荷预测模型，再将实时立柱载荷数据输入到目标支架载荷预测模型，以得到预测立柱载荷结果，由此，基于目标支架载荷预测模型对多液压支架的实时立柱载荷数据进行预测，实现对综采工作面多液压支架载荷的一次性精准预测。
如图7所示，是根据本申请一个实施例的电子设备的框图。
如图7所示，该电子设备包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机指令。
处理器702执行指令时实现上述实施例中提供的综采工作面的多液压支架载荷预测方法。
进一步地，电子设备还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机指令。
存储器701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。
处理器702，用于执行程序时实现上述实施例的综采工作面的多液压支架载荷预测方法。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry Standard Architecture，简称为ISA）总线、外部设备互连（PeripheralComponent，简称为PCI）总线或扩展工业标准体系结构（Extended Industry StandardArchitecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器（Central Processing Unit，简称为CPU），或者是特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种综采工作面的多液压支架载荷预测方法，其特征在于，所述方法包括：
获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据；
从所述立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中，所述预设时刻晚于所述初始时刻；
将所述初始立柱载荷数据作为机器学习算法的输入，将所述目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到所述训练立柱载荷数据对应的支架载荷预测模型；
获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型；
将所述综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到所述目标支架载荷预测模型，以得到所述实时立柱载荷数据对应的预测立柱载荷结果；
所述获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据，还包括：
采集所述综采工作面倾向方向对应的多液压支架的候选立柱载荷数据；
对所述候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据；将所述标准立柱载荷数据作为立柱载荷数据；
所述将所述标准立柱载荷数据作为立柱载荷数据，包括：
根据所述标准立柱载荷数据的数据特征，将所述综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域，所述标准立柱载荷数据的数据特征包括多个液压支架的支架位置以及多个液压支架的标准立柱载荷数据之间的相关性；
将任一所述多液压支架区域的标准立柱载荷数据作为立柱载荷数据；根据各个液压支架区域的标准立柱载荷数据，训练出各个液压支架区域各自对应的支架载荷预测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型，包括：
获取所述立柱载荷数据中的测试立柱载荷数据；
将所述测试立柱载荷数据输入到所述支架载荷预测模型，以得到所述测试立柱载荷数据在所述预设时刻的预测立柱载荷数据；
根据预测立柱载荷数据与所述预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定所述支架载荷预测模型的预测精度；
将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述预测精度小于预设精度阈值的情况下，调整所述机器学习算法的参数，直至所述算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为所述目标支架载荷预测模型。
4.一种综采工作面的多液压支架载荷预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取所述综采工作面倾向方向对应的多液压支架的立柱载荷数据；
第二获取模块，用于从所述立柱载荷数据中的训练立柱载荷数据中获取初始时刻的初始立柱载荷数据，以及预设时刻的目标立柱载荷数据，其中，所述预设时刻晚于所述初始时刻；
训练模块，用于将所述初始立柱载荷数据作为机器学习算法的输入，将所述目标立柱载荷数据作为机器学习算法的输出进行模型训练，以得到所述训练立柱载荷数据对应的支架载荷预测模型，其中，还包括：根据各个液压支架区域的标准立柱载荷数据，训练出各个液压支架区域各自对应的支架载荷预测模型；
比较模块，用于获取所述支架载荷预测模型的预测精度，并将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型；
生成模块，用于将所述综采工作面倾向方向对应的多液压支架的实时立柱载荷数据输入到所述目标支架载荷预测模型，以得到所述实时立柱载荷数据对应的预测立柱载荷结果；
所述第一获取模块，包括：
采集单元，用于采集所述综采工作面倾向方向对应的多液压支架的候选立柱载荷数据；
预处理单元，用于对所述候选立柱载荷数据进行标准化预处理，以得到标准立柱载荷数据；
生成单元，用于将所述标准立柱载荷数据作为立柱载荷数据；
所述生成单元，具体用于：
根据所述标准立柱载荷数据的数据特征，将所述综采工作面倾向方向对应的多液压支架进行区域划分，以得到多个不同数据特征的多液压支架区域，所述标准立柱载荷数据的数据特征包括多个液压支架的支架位置以及多个液压支架的标准立柱载荷数据之间的相关性；
将任一所述多液压支架区域的标准立柱载荷数据作为立柱载荷数据。
5.根据权利要求4所述的装置，其特征在于，所述比较模块，具体用于：
获取所述立柱载荷数据中的测试立柱载荷数据；
将所述测试立柱载荷数据输入到所述支架载荷预测模型，以得到所述测试立柱载荷数据在所述预设时刻的预测立柱载荷数据；
根据预测立柱载荷数据与所述预设时刻采集的实时立柱载荷数据的平均绝对百分比误差、均方根误差以及平均绝对误差，确定所述支架载荷预测模型的预测精度；
将所述预测精度大于或等于预设精度阈值的所述支架载荷预测模型作为目标支架载荷预测模型。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
调整模块，用于在所述预测精度小于预设精度阈值的情况下，调整所述机器学习算法的参数，直至所述算法调整后训练的候选支架载荷预测模型的候选预测精度大于或等于预设精度阈值，以作为所述目标支架载荷预测模型。
7.一种电子设备，其特征在于，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一所述的综采工作面的多液压支架载荷预测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的综采工作面的多液压支架载荷预测方法。
CN202210721190.0A 2022-06-24 2022-06-24 综采工作面的多液压支架载荷预测方法、装置及电子设备 Active CN114792177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721190.0A CN114792177B (zh) 2022-06-24 2022-06-24 综采工作面的多液压支架载荷预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721190.0A CN114792177B (zh) 2022-06-24 2022-06-24 综采工作面的多液压支架载荷预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114792177A CN114792177A (zh) 2022-07-26
CN114792177B true CN114792177B (zh) 2022-09-23

Family

ID=82462767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721190.0A Active CN114792177B (zh) 2022-06-24 2022-06-24 综采工作面的多液压支架载荷预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114792177B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208032B (zh) * 2013-03-20 2016-04-13 辽宁工程技术大学 一种基于小波和混沌优化lssvm的周期来压预测方法
CN109653779B (zh) * 2019-01-09 2020-05-22 天地科技股份有限公司 一种综采工作面采煤循环内液压支架载荷的动态预测方法
CN109815565B (zh) * 2019-01-09 2022-11-22 天地科技股份有限公司 一种综采液压支架载荷的分段预测方法
CN111832150B (zh) * 2020-03-03 2024-05-14 天地科技股份有限公司 一种矿压预测方法、装置及电子设备
CN112906143B (zh) * 2020-09-09 2022-03-25 中煤科工开采研究院有限公司 一种考虑数据分布域适应的综采工作面矿压预测模型建立方法
CN112200373A (zh) * 2020-10-15 2021-01-08 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Longwall face roof disaster prediction algorithm based on data model driving;Yihui Pang等;《research square》;20210131;全文 *
大采高综采工作面矿压观测及其显现规律研究;胡国伟等;《太原理工大学学报》;20060320(第02期);全文 *
时间窗设置对综采工作面矿压预测精度的影响研究;李泽萌;《电脑与电信》;20200410(第04期);全文 *

Also Published As

Publication number Publication date
CN114792177A (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
US7107187B1 (en) Method for modeling system performance
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN110646820B (zh) Rtk定位数据的质检方法、装置、设备和存储介质
CN110868241A (zh) 基于多模型的地下电缆故障预警方法和装置
EP3859676A1 (en) Method in constructing a model of a scenery and device therefor
CN110737021A (zh) 断层识别的方法及其模型训练方法、装置
CN110391840A (zh) 太阳同步轨道卫星遥测参数异常判断方法和系统
JP2020134300A (ja) 予測方法、予測プログラム及び情報処理装置
CN110866634A (zh) 基于模型选择的地下电缆故障预警方法和装置
CN113376327A (zh) 基于大数据的环境监测信息管理方法及系统
CN110775181B (zh) 车辆安全状态监测方法、装置、计算机设备及存储介质
CN112950771A (zh) 一种围岩结构的检测方法、系统及相关组件
CN114792177B (zh) 综采工作面的多液压支架载荷预测方法、装置及电子设备
CN110245147B (zh) 区块链数据处理方法、装置、可读存储介质和计算机设备
CN110532969B (zh) 基于多尺度图像分割的斜坡单元划分方法
CN113298194A (zh) 一种基于多传感器的数据融合方法、系统及存储介质
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN114624791A (zh) 雨量测量方法、装置、计算机设备及存储介质
CN110766794B (zh) 断层几何结构获取方法、装置和计算机设备
CN113032229A (zh) 一种java性能测试方法、系统及介质
CN112765770B (zh) 一种水土流失遥感动态监测方法及系统
CN110501129B (zh) 井架的振动检测方法、设备及终端设备
CN117646657B (zh) 一种泥水盾构下穿技术的监测预警系统
CN117809433B (zh) 一种支持精准融合预警的物联网关设备处理方法及系统
CN118038633A (zh) 一种滑坡地质灾害监测预警方法及装置

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