CN117575046A - 多液压支架载荷模型训练和多液压支架载荷预测方法 - Google Patents
多液压支架载荷模型训练和多液压支架载荷预测方法 Download PDFInfo
- Publication number
- CN117575046A CN117575046A CN202410052401.5A CN202410052401A CN117575046A CN 117575046 A CN117575046 A CN 117575046A CN 202410052401 A CN202410052401 A CN 202410052401A CN 117575046 A CN117575046 A CN 117575046A
- Authority
- CN
- China
- Prior art keywords
- hydraulic support
- training
- data
- model
- target
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000003245 coal Substances 0.000 claims abstract description 106
- 238000012795 verification Methods 0.000 claims abstract description 58
- 238000005065 mining Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010200 validation analysis Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了一种多液压支架载荷模型训练和多液压支架载荷预测方法，包括：获取立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据、采煤机牵引速度数据和初始液压支架压力回归预测模型；将数据进行预处理，生成数据集；基于数据集生成训练数据集和验证数据集；基于训练数据集和验证数据集对初始液压支架压力回归预测模型进行训练，生成目标综采工作面液压支架的目标液压支架压力回归预测模型。通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
Description
技术领域
本公开涉及煤炭开采技术领域，尤其涉及一种多液压支架载荷模型训练和多液压支架载荷预测方法。
背景技术
液压支架群组是综采工作面顶板支撑、安全作业空间维护的重要装备群，其承压变化规律反应了工作面上覆岩层断裂运移规律，因此，通过采集液压支架压力开展数据驱动预测分析可实现对综采工作面顶板来压超前预测预警，对后续判断顶板岩层初次来压、周期来压等方面具有重要作用。
目前，综采工作面液压支架压力预测一般基于时间序列预测方法，即对于某一个支架按照时间顺序采集一系列压力数据，利用该支架的多个历史压力数据预测其未来时刻的压力值，本质为用自身值的变化规律来预测自己以后的值。然而，基于时间序列预测方法的支架压力预测输入特征较少，历史数据个数直接影响预测精度，长期预测效果较差，难以实现对液压支架的压力数据进行超前智能精准预测。因此，有必要结合综采工作面采场环境变化和工艺特点，增选合适的输入变量，融合其他参量的变化特征，并将时间序列预测转化为多输入回归预测，以提升液压支架压力预测效果。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的一个目的在于提出一种多液压支架载荷模型训练方法。
本公开的第二个目的在于提出一种多液压支架载荷预测方法。
本公开的第三个目的在于提出一种多液压支架载荷模型训练装置。
本公开的第四个目的在于提出一种多液压支架载荷预测装置。
本公开的第五个目的在于提出一种电子设备。
为达上述目的，本公开第一方面实施方式提出了一种多液压支架载荷模型训练方法，包括：获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型；将所述立柱压力数据、所述顶梁俯仰角数据、所述顶梁横滚角数据、所述采煤机截割位置数据和所述采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集；基于所述液压支架压力回归预测模型数据集生成训练数据集和验证数据集；基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成所述目标综采工作面液压支架的目标液压支架压力回归预测模型。
根据本公开的一个实施方式，所述基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成目标液压支架压力回归预测模型，包括：将所述训练数据集中的训练样本输入至所述初始液压支架压力回归预测模型中，并基于模型输出结果对所述初始液压支架压力回归预测模型进行调整，生成目标训练模型；基于所述验证数据集对所述目标训练模型进行验证，响应于验证通过，生成所述目标液压支架压力回归预测模型。
根据本公开的一个实施方式，所述将所述训练数据集中的训练样本输入至所述初始液压支架压力回归预测模型中，并基于模型输出结果对所述初始液压支架压力回归预测模型进行调整，生成目标训练模型，包括：基于所述模型输出结果和所述训练样本的立柱压力数据，计算训练损失值；基于所述训练损失值对所述初始液压支架压力回归预测模型的模型参数进行调整；重复上述步骤，直至所述训练损失值满足小于损失阈值，生成所述目标训练模型。
根据本公开的一个实施方式，所述基于所述验证数据集对所述目标训练模型进行验证，响应于验证通过，生成所述目标液压支架压力回归预测模型，包括：将所述验证数据集中的验证样本输入至所述目标训练模型中；基于所述目标训练模型的输出结果和所述验证样本立柱压力数据确定模型精度；响应于所述模型精度大于预设精度阈值，确定验证通过，生成所述目标液压支架压力回归预测模型。
根据本公开的一个实施方式，所述方法还包括：响应于模型精度小于或者等于所述预设精度阈值，确定验证不通过，将所述训练数据集中的训练样本输入至所述目标训练模型中，并基于模型输出结果对所述目标训练模型进行调整，以生成更新后的目标训练模型，基于所述验证数据集对更新后的目标训练模型进行验证，并获取更新后的目标训练模型的模型精度；重复上述步骤，直至验证通过，生成所述目标液压支架压力回归预测模型。
为达上述目的，本公开第二方面实施例提出了一种多液压支架载荷预测方法，包括：获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型，其中，所述目标液压支架压力回归预测模型为如第一方面实施例所示的多液压支架载荷模型训练方法训练得到的；将所述顶梁俯仰角数据、所述顶梁横滚角数据、采煤机截割位置数据和所述采煤机牵引速度数据，输入至所述目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
根据本公开的一个实施方式，所述获取目标液压支架压力回归预测模型之前，还包括：获取所述目标液压支架压力回归预测模型的建立时间；响应于所述建立时间大于预设时间阈值，通过如第一方面实施例所示的多液压支架载荷模型训练方法重新训练获取新的目标液压支架压力回归预测模型。
为达上述目的，本公开第三方面实施例提出了一种多液压支架载荷模型训练装置，包括：获取模块，用于获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型；生成模块，用于将所述立柱压力数据、所述顶梁俯仰角数据、所述顶梁横滚角数据、所述采煤机截割位置数据和所述采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集；划分模块，用于基于所述液压支架压力回归预测模型数据集生成训练数据集和验证数据集；训练模块，用于基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成所述目标综采工作面液压支架的目标液压支架压力回归预测模型。
为达上述目的，本公开第四方面实施例提出了一种多液压支架载荷预测装置，包括：调用模块，用于获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型，其中，所述目标液压支架压力回归预测模型为如第一方面实施例所示的多液压支架载荷模型训练方法训练得到的；预测模块，用于将所述顶梁俯仰角数据、所述顶梁横滚角数据、采煤机截割位置数据和所述采煤机牵引速度数据，输入至所述目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
为达上述目的，本公开第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本公开第一方面实施例所述的多液压支架载荷模型训练方法。
由此，通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力的预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
附图说明
图1是本公开一个实施方式的一种多液压支架载荷模型训练方法的示意图；
图2是本公开一个实施方式的另一种多液压支架载荷预测方法的示意图；
图3为本公开一种多液压支架载荷预测方法的流程示意图；
图4是本公开一个实施方式的一种多液压支架载荷模型训练装置的示意图；
图5是本公开一个实施方式的一种多液压支架载荷预测装置的示意图；
图6是本公开一个实施方式的一种电子设备的示意图。
具体实施方式
下面详细描述本公开的实施例，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，旨在用于解释本公开，而不能理解为对本公开的限制。
本公开技术方案中对数据的获取、存储、使用、处理等均符合相关法律法规的相关规定。
图1是本公开一个实施方式的一种多液压支架载荷模型训练方法的示意图，如图1所示，该多液压支架载荷模型训练方法包括以下步骤：
S101，获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型。
本申请实施例的多液压支架载荷模型训练方法可应用于井下液压支架的支架压力预测的场景中，本申请实施例的多液压支架载荷模型训练的执行主体可为本申请实施例的多液压支架载荷模型训练装置，该多液压支架载荷模型训练装置可以设置在电子设备上。
在本公开实施例中，目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据的获取方法可为多种，此处不作任何限定。
在一种可能实现的方式中，目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据可为历史的目标综采工作面液压支架的工况数据。
可选地，目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据还可为人工建立的。
在本公开实施例中，初始液压支架压力回归预测模型可为多种，此处不作任何限定。举例来说，初始液压支架压力回归预测模型可为神经网络模型、灰色预测模型等。
在一种可能实现的方式中，初始液压支架压力回归预测模型为输入为顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，且输出为立柱压力数据的深度神经网络，其中，网络中的权重参数是随机生成的。
在一种可能实现的方式中，可按照预设的采集周期进行数据的采集，该采集周期可根据实际的设计需要进行变更，此处不作任何限定。在一种可能实现的方式中，数据采集周期为1分钟 ，多个液压支架的立柱压力数据、多个液压支架的顶梁俯仰角数据、多个液压支架的顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据的数据量应至少分别为5760个，若上述数据采集周期为5分钟，多个液压支架的立柱压力数据、多个液压支架的顶梁俯仰角数据、多个液压支架的顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据的数据量应至少分别为1152个。
需要说明的是，本公开中的液压支架压力回归预测模型可以为多输入单输出模型，也可为多输入多输出模型，具体可根据实际的设计需要进行限定。其中，多输入单输出指的是，输入为单个支架的指定组数的顶梁俯仰角、顶梁横滚角、采煤机截割位置、采煤机牵引速度，输出为单个支架的一组压力；多输入多输出指的是，输入为多个支架的指定组数的顶梁俯仰角、顶梁横滚角、采煤机截割位置、采煤机牵引速度，输出为多个支架的一组压力。
S102，将立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集。
需要说明的是，液压支架压力回归预测模型数据集包括多个数据样本，每个数据样本是按照时间戳进行划分，即可将同一时间戳的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据生成一个数据样本。
在本公开实施例中，预处理的方法可为多种，此处不作任何限定。举例来说，预处理可包括数据筛选、数据补全、格式归一化等中的一种或者多种。通过对立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据进行预处理，可以提升后续的数据处理的效率和准确率，从而提升最终模型训练的效果。
S103，基于液压支架压力回归预测模型数据集生成训练数据集和验证数据集。
在获取到液压支架压力回归预测模型数据集后，可按照一定的比例将液压支架压力回归预测模型数据集划分为训练数据集和验证数据集，该比例可为提前设定好的，并可根据实际的设计需要进行变更，此处不作任何限定。
在一种可能实现的方式中，训练数据集和验证数据集的比例可为6:1，保证训练数据集占整个数据集的70%以上。
S104，基于训练数据集和验证数据集对初始液压支架压力回归预测模型进行训练，直至训练结束，生成目标综采工作面液压支架的目标液压支架压力回归预测模型。
需要说明的是，本公开中的目标液压支架压力回归预测模型为通过当前目标综采工作面液压支架的工况数据预测未来目标综采工作面液压支架的目标液压支架压力的模型，预测的未来时间段或者未来时刻此处不作任何限定，具体可根据实际的设计需要进行限定。
能够理解的是，模型的训练是个重复迭代的过程，通过不断地调整模型的网络参数进行训练，直到模型整体的损失函数值小于预设值，或者模型整体的损失函数值不再变化或变化幅度缓慢，模型收敛，得到训练好的模型，或者是达到预设的训练次数。在获取到训练好的模型后，可通过验证数据集对训练好的模型进行验证，以最终生成目标液压支架压力回归预测模型。
在本公开实施例中，首先获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型，然后将立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集，而后基于液压支架压力回归预测模型数据集生成训练数据集和验证数据集，最后基于训练数据集和验证数据集对初始液压支架压力回归预测模型进行训练，直至训练结束，生成目标综采工作面液压支架的目标液压支架压力回归预测模型。由此，通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力的预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
上述实施例中，基于训练数据集和验证数据集对初始液压支架压力回归预测模型进行训练，直至训练结束，生成目标液压支架压力回归预测模型，还可通过图2进一步解释，图2是本公开一个实施方式的另一种多液压支架载荷预测方法的示意图，该方法包括：
S201，将训练数据集中的训练样本输入至初始液压支架压力回归预测模型中，并基于模型输出结果对初始液压支架压力回归预测模型进行调整，生成目标训练模型。
在本公开实施例中，可首先基于模型输出结果和训练样本的立柱压力数据，计算训练损失值，然后基于训练损失值对初始液压支架压力回归预测模型的模型参数进行调整，最后重复上述步骤，直至训练损失值满足小于损失阈值，生成目标训练模型。
需要说明的是，本公开中的损失函数可为多种，此处不作任何限定，具体可根据实际的设计需要进行限定。
损失阈值为当前初始液压支架压力回归预测模型被认为训练完成的最大损失值，损失阈值为提前设定好的，并可根据实际的设计需要进行变更。
S202，基于验证数据集对目标训练模型进行验证，响应于验证通过，生成目标液压支架压力回归预测模型。
在本公开实施例中，在获取到目标训练模型后，可首先将验证数据集中的验证样本输入至目标训练模型中，然后基于目标训练模型的输出结果和验证样本立柱压力数据确定模型精度，最后响应于模型精度大于预设精度阈值，确定验证通过，生成目标液压支架压力回归预测模型。
精度值为描述当前目标训练模型输出的结果与真实结果差异的值，精度越大，说明当前目标训练模型输出的结果与真实结果差异越小。
需要说明的是，预设精度阈值为当前目标训练模型被认为验证通过的最小精度值，为提前设定好的，并可根据实际的设计需要进行变更，此处不作任何限定。在一种可能实现的方式中，预设精度阈值可为90％。
在本公开实施例中，首先将训练数据集中的训练样本输入至初始液压支架压力回归预测模型中，并基于模型输出结果对初始液压支架压力回归预测模型进行调整，生成目标训练模型，然后基于验证数据集对目标训练模型进行验证，响应于验证通过，生成目标液压支架压力回归预测模型。通过设定损失阈值和精度阈值，可以控制最终生成的目标液压支架压力回归预测模型的模型精度，增加本公开目标液压支架压力回归预测模型的不同场景下的实用性。
在本工公开实施例中，响应于模型精度小于或者等于预设精度阈值，确定验证不通过，将训练数据集中的训练样本输入至目标训练模型中，并基于模型输出结果对目标训练模型进行调整，以生成更新后的目标训练模型，基于验证数据集对更新后的目标训练模型进行验证，并获取更新后的目标训练模型的模型精度，重复上述步骤，直至验证通过，生成目标液压支架压力回归预测模型。
图3为本公开一种多液压支架载荷预测方法的流程示意图，该方法包括：
S301，获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型。
需要说明的是，本公开实施例中的目标液压支架压力回归预测模型为通过如图1和图2所示的多液压支架载荷模型训练方法训练得到的。
本公开中的目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据可为当前的目标综采工作面液压支架的工况数据，也可为人工输入的，此处不作任何限定。
S302，将顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，输入至目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
在本公开实施例中，首先获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型，然后将顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，输入至目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。由此，通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力的预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
需要说明的是，由于井下作业是一个持续作业的状态，因此面对这种动态变化的井下情况，目标液压支架压力回归预测模型无法做到持续支持这种动态的井下工况状态，因此需要根据实际情况进行更新。
在本公开实施例中，获取目标液压支架压力回归预测模型之前，可首先获取目标液压支架压力回归预测模型的建立时间，响应于建立时间大于预设时间阈值，通过如图1和图2所示的多液压支架载荷模型训练方法重新训练获取新的目标液压支架压力回归预测模型。
以此，可以保障当前进行预测的模型符合当前目标综采工作面液压支架的实际工况，提升预测的准确性。
与上述几种实施例提供的多液压支架载荷模型训练方法相对应，本公开的一个实施例还提供了一种多液压支架载荷模型训练装置，由于本公开实施例提供的多液压支架载荷模型训练装置与上述几种实施例提供的多液压支架载荷模型训练方法相对应，因此上述多液压支架载荷模型训练方法的实施方式也适用于本公开实施例提供的多液压支架载荷模型训练装置，在下述实施例中不再详细描述。
图4是本公开一个实施方式的一种多液压支架载荷模型训练装置的示意图，如图4所示，该多液压支架载荷模型训练装置400，包括：获取模块410、生成模块420、划分模块430和训练模块440。
其中，获取模块410，用于获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型；
生成模块420，用于将立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集；
划分模块430，用于基于液压支架压力回归预测模型数据集生成训练数据集和验证数据集；
训练模块440，用于基于训练数据集和验证数据集对初始液压支架压力回归预测模型进行训练，直至训练结束，生成目标综采工作面液压支架的目标液压支架压力回归预测模型。
在本公开的一个实施例中，训练模块440，还用于：将训练数据集中的训练样本输入至初始液压支架压力回归预测模型中，并基于模型输出结果对初始液压支架压力回归预测模型进行调整，生成目标训练模型；基于验证数据集对目标训练模型进行验证，响应于验证通过，生成目标液压支架压力回归预测模型。
在本公开的一个实施例中，训练模块440，还用于：基于模型输出结果和训练样本的立柱压力数据，计算训练损失值；基于训练损失值对初始液压支架压力回归预测模型的模型参数进行调整；重复上述步骤，直至训练损失值满足小于损失阈值，生成目标训练模型。
在本公开的一个实施例中，训练模块440，还用于：将验证数据集中的验证样本输入至目标训练模型中；基于目标训练模型的输出结果和验证样本立柱压力数据确定模型精度；响应于模型精度大于预设精度阈值，确定验证通过，生成目标液压支架压力回归预测模型。
在本公开的一个实施例中，训练模块440，还用于：响应于模型精度小于或者等于所述预设精度阈值，确定验证不通过，将所述训练数据集中的训练样本输入至所述目标训练模型中，并基于模型输出结果对所述目标训练模型进行调整，以生成更新后的目标训练模型，基于所述验证数据集对更新后的目标训练模型进行验证，并获取更新后的目标训练模型的模型精度；重复上述步骤，直至验证通过，生成所述目标液压支架压力回归预测模型。
通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力的预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
与上述几种实施例提供的多液压支架载荷预测方法相对应，本公开的一个实施例还提供了一种多液压支架载荷预测装置，由于本公开实施例提供的多液压支架载荷预测装置与上述几种实施例提供的多液压支架载荷预测方法相对应，因此上述多液压支架载荷预测方法的实施方式也适用于本公开实施例提供的多液压支架载荷预测装置，在下述实施例中不再详细描述。
图5是本公开一个实施方式的一种多液压支架载荷预测装置的示意图，如图 5所示，该多液压支架载荷预测装置500，包括：调用模块510、预测模块520。
其中，调用模块510，用于获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型。
预测模块520，用于将顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，输入至目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
在本公开的一个实施例中，调用模块510，还用于：获取目标液压支架压力回归预测模型的建立时间；响应于建立时间大于预设时间阈值，通过多液压支架载荷模型训练方法重新训练获取新的目标液压支架压力回归预测模型。
通过考虑顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据四个维度建立并训练生成目标液压支架压力回归预测模型，可以提升支架压力的预测效果，同时通过模型预测的方式，可以提升预测效率，降低预测成本。
为了实现上述实施例，本公开实施例还提出一种电子设备600，图6是本公开一个实施方式的一种电子设备的示意图，如图6所示，该电子设备600包括：处理器602和处理器通信连接的存储器601，存储器601存储有可被至少一个处理器执行的指令，指令被至少一个处理器602执行，以实现如本公开图1-图2实施例的多液压支架载荷模型训练方法，或者如图3实施例的多液压支架载荷预测方法。
为了实现上述实施例，本公开实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如本公开图1-图2实施例的多液压支架载荷模型训练方法，或者如图3实施例的多液压支架载荷预测方法。
为了实现上述实施例，本公开实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开图1-图2实施例的多液压支架载荷模型训练方法，或者如图3实施例的多液压支架载荷预测方法。
需要说明的是，来自用户的个人信息应当被收集用于合法且合理的用途，并且不在这些合法使用之外共享或出售。此外，应在收到用户知情同意后进行此类采集/共享，包括但不限于在用户使用该功能前，通知用户阅读用户协议/用户通知，并签署包括授权相关用户信息的协议/授权。此外，还需采取任何必要步骤，保卫和保障对此类个人信息数据的访问，并确保有权访问个人信息数据的其他人遵守其隐私政策和流程。
本申请预期可提供用户选择性阻止使用或访问个人信息数据的实施方案。即本公开预期可提供硬件和/或软件，以防止或阻止对此类个人信息数据的访问。一旦不再需要个人信息数据，通过限制数据收集和删除数据可最小化风险。此外，在适用时，对此类个人信息去除个人标识，以保护用户的隐私。
在前述各实施例描述中，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。
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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。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 (10)
1.一种多液压支架载荷模型训练方法，其特征在于，包括：
获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型；
将所述立柱压力数据、所述顶梁俯仰角数据、所述顶梁横滚角数据、所述采煤机截割位置数据和所述采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集；
基于所述液压支架压力回归预测模型数据集生成训练数据集和验证数据集；
基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成所述目标综采工作面液压支架的目标液压支架压力回归预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成所述目标综采工作面液压支架的目标液压支架压力回归预测模型，包括：
将所述训练数据集中的训练样本输入至所述初始液压支架压力回归预测模型中，并基于模型输出结果对所述初始液压支架压力回归预测模型进行调整，生成目标训练模型；
基于所述验证数据集对所述目标训练模型进行验证，响应于验证通过，生成所述目标液压支架压力回归预测模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述训练数据集中的训练样本输入至所述初始液压支架压力回归预测模型中，并基于模型输出结果对所述初始液压支架压力回归预测模型进行调整，生成目标训练模型，包括：
基于所述模型输出结果和所述训练样本的立柱压力数据，计算训练损失值；
基于所述训练损失值对所述初始液压支架压力回归预测模型的模型参数进行调整；
重复上述步骤，直至所述训练损失值满足小于损失阈值，生成所述目标训练模型。
4.根据权利要求2所述的方法，其特征在于，所述基于所述验证数据集对所述目标训练模型进行验证，响应于验证通过，生成所述目标液压支架压力回归预测模型，包括：
将所述验证数据集中的验证样本输入至所述目标训练模型中；
基于所述目标训练模型的输出结果和所述验证样本的立柱压力数据确定模型精度；
响应于所述模型精度大于预设精度阈值，确定验证通过，生成所述目标液压支架压力回归预测模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
响应于模型精度小于或者等于所述预设精度阈值，确定验证不通过，将所述训练数据集中的训练样本输入至所述目标训练模型中，并基于模型输出结果对所述目标训练模型进行调整，以生成更新后的目标训练模型，基于所述验证数据集对更新后的目标训练模型进行验证，并获取更新后的目标训练模型的模型精度；
重复上述步骤，直至验证通过，生成所述目标液压支架压力回归预测模型。
6.一种多液压支架载荷预测方法，其特征在于，包括：
获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型，其中，所述目标液压支架压力回归预测模型为如权利要求1-5中任一项所述的多液压支架载荷模型训练方法训练得到的；
将所述顶梁俯仰角数据、所述顶梁横滚角数据、采煤机截割位置数据和所述采煤机牵引速度数据，输入至所述目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
7.根据权利要求6所述的方法，其特征在于，所述获取目标液压支架压力回归预测模型之前，还包括：
获取所述目标液压支架压力回归预测模型的建立时间；
响应于所述建立时间大于预设时间阈值，通过如权利要求1-5中任一项所述的多液压支架载荷模型训练方法重新训练获取新的目标液压支架压力回归预测模型。
8.一种多液压支架载荷模型训练装置，其特征在于，包括：
获取模块，用于获取目标综采工作面液压支架的立柱压力数据、顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取待训练的初始液压支架压力回归预测模型；
生成模块，用于将所述立柱压力数据、所述顶梁俯仰角数据、所述顶梁横滚角数据、所述采煤机截割位置数据和所述采煤机牵引速度数据进行预处理，生成液压支架压力回归预测模型数据集；
划分模块，用于基于所述液压支架压力回归预测模型数据集生成训练数据集和验证数据集；
训练模块，用于基于所述训练数据集和所述验证数据集对所述初始液压支架压力回归预测模型进行训练，直至训练结束，生成所述目标综采工作面液压支架的目标液压支架压力回归预测模型。
9.一种多液压支架载荷预测装置，其特征在于，包括：
调用模块，用于获取目标综采工作面液压支架待预测的顶梁俯仰角数据、顶梁横滚角数据、采煤机截割位置数据和采煤机牵引速度数据，以及获取目标液压支架压力回归预测模型，其中，所述目标液压支架压力回归预测模型为如权利要求1-5中任一项所述的多液压支架载荷模型训练方法训练得到的；
预测模块，用于将所述顶梁俯仰角数据、所述顶梁横滚角数据、采煤机截割位置数据和所述采煤机牵引速度数据，输入至所述目标液压支架压力回归预测模型中，以获取目标综采工作面液压支架的预测支架压力。
10.一种电子设备，其特征在于，包括存储器、处理器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-5中任一项所述的多液压支架载荷模型训练方法，或者如权利要求6或7所述的多液压支架载荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410052401.5A CN117575046A (zh) | 2024-01-15 | 2024-01-15 | 多液压支架载荷模型训练和多液压支架载荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410052401.5A CN117575046A (zh) | 2024-01-15 | 2024-01-15 | 多液压支架载荷模型训练和多液压支架载荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117575046A true CN117575046A (zh) | 2024-02-20 |
Family
ID=89864628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410052401.5A Pending CN117575046A (zh) | 2024-01-15 | 2024-01-15 | 多液压支架载荷模型训练和多液压支架载荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575046A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112832867A (zh) * | 2020-12-31 | 2021-05-25 | 西安合智宇信息科技有限公司 | 一种融合开采数据及地质信息的开采视频建模方法 |
| CN114827144A (zh) * | 2022-04-12 | 2022-07-29 | 中煤科工开采研究院有限公司 | 一种煤矿综采工作面三维虚拟仿真决策分布式系统 |
| CN115310361A (zh) * | 2022-08-16 | 2022-11-08 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 |
| WO2023159336A1 (zh) * | 2022-02-22 | 2023-08-31 | 大连理工大学 | 一种深度自回归网络的轴流压气机失速喘振预测方法 |
-
2024
- 2024-01-15 CN CN202410052401.5A patent/CN117575046A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112832867A (zh) * | 2020-12-31 | 2021-05-25 | 西安合智宇信息科技有限公司 | 一种融合开采数据及地质信息的开采视频建模方法 |
| WO2023159336A1 (zh) * | 2022-02-22 | 2023-08-31 | 大连理工大学 | 一种深度自回归网络的轴流压气机失速喘振预测方法 |
| CN114827144A (zh) * | 2022-04-12 | 2022-07-29 | 中煤科工开采研究院有限公司 | 一种煤矿综采工作面三维虚拟仿真决策分布式系统 |
| CN115310361A (zh) * | 2022-08-16 | 2022-11-08 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王学文;谢嘉成;郝尚清;李娟莉;杨兆建;任芳;暴庆保;: "智能化综采工作面实时虚拟监测方法与关键技术", 煤炭学报, no. 06, 21 May 2020 (2020-05-21), pages 2 * |
| 范志忠;王耀辉;黄志增;: "支架压力和位态模糊识别的综放放煤模式", 辽宁工程技术大学学报(自然科学版), no. 11, 24 March 2016 (2016-03-24) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101681155A (zh) | 虚拟传感器系统和方法 | |
| CN111080015A (zh) | 盾构设备及其实时寿命的预测系统和预测方法 | |
| DE102019126195A1 (de) | Verfahren zur effizienten, simulativen Applikation automatisierter Fahrfunktionen | |
| KR102405924B1 (ko) | IoT 시계열 터널 데이터 및 데이터 증강 그리고 딥러닝 등을 활용한 위험 알람 시스템 및 방법 | |
| CN117575046A (zh) | 多液压支架载荷模型训练和多液压支架载荷预测方法 | |
| CN113705074A (zh) | 一种化工事故风险预测方法及装置 | |
| KR102557151B1 (ko) | 시계열 데이터의 품질을 개선하는 장치 및 방법 | |
| CN105630466A (zh) | 业务的控制方法及装置 | |
| CN111177878B (zh) | 衍生仿真场景筛选方法、装置和终端 | |
| CN107169045A (zh) | 一种基于时域特征的查询词自动补全方法与装置 | |
| CN115758269A (zh) | 液压支架安全阀开启状态的确定方法及系统 | |
| CN115587526A (zh) | 基于神经网络的车辆二氧化碳实时排放预测方法及系统 | |
| DE102016208076A1 (de) | Verfahren und vorrichtung zur auswertung eines eingabewerts in einem fahrerassistenzsystem, fahrerassistenzsystem und testsystem für ein fahrerassistenzsystem | |
| CN115618222A (zh) | 一种隧道掘进响应参数的预测方法 | |
| CN113538895A (zh) | 车辆调控方法、装置、系统及计算机存储介质 | |
| CN111427879A (zh) | 液压支架载荷缺失数据的修复方法、存储介质和电子设备 | |
| DE102019213826A1 (de) | Verfahren und Vorrichtung zum Betreiben einer Umfeldsensorik eines automatisierten Fahrzeugs | |
| DE102019220411A1 (de) | Vereinfachte Auswertung neuronaler Netze für effizientere Implementierung auf Hardware | |
| CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
| CN117706663B (zh) | 一种基于多元数据的冰雹降水现象质控方法及系统 | |
| CN118049274A (zh) | 煤矿开采方法、装置、电子设备和存储介质 | |
| CN111324979B (zh) | 钢轨的力学性能参数识别方法及终端设备 | |
| CN116246428A (zh) | 一种基于物联网的矿井水文动态监测与预警方法及设备 | |
| EP3644582B1 (de) | Verfahren, vorrichtung und zentraleinrichtung zum erkennen einer verteilungsverschiebung in einer daten- und/oder merkmalsverteilung von eingangsdaten | |
| CN109840501B (zh) | 一种图像处理方法及装置、电子设备、存储介质 |
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 |