强鲁棒改进群智能优化的采煤机切割模式识别系统的制作方法

本发明涉及采煤机切割模式识别领域，尤其涉及强鲁棒改进群智能优化的采煤机切割模式识别系统。

背景技术：

现代煤炭开采逐步机械化，采煤机作为综合机械化采煤成套装备的主要组成部分，提高了生产效率，增加了煤炭产量，减少了重大恶性事故的发生，其智能化、自动化水平是实现综采工作面“无人化”或“少人化”关键因素，因此，通过采集采煤机信息对采煤机截割模式进行识别，对采煤机实现自动化、智能化具有重要意义。

当前主要通过煤岩界面识别方法来识别采煤机切割模式，以解决采煤机的自动截割和自适应控制问题，但当前的采煤机切割模式识别技术准确度低，且适应性差，难以满足对采煤机切割模式识别的准确度、可靠性和适应性的要求。因此，一种鲁棒性强、准确度高、自动化水平高的切割模式识别系统具有重要的现实意义。

技术实现要素：

针对采煤机工作环境差，安全问题严重，而当前采煤机智能化和自动化水平较低、适应能力差的问题，本发明的目的在于提供强鲁棒改进群智能优化的采煤机切割模式识别系统，采用机器学习算法建立模型，模型参数采用改进的群智能算法优化，模型可以在线修正，具有效率高、准确度高、鲁棒性强等优点。

本发明的目的是通过以下技术方案来实现的：强鲁棒改进群智能优化的采煤机切割模式识别系统，包括数据预处理模块、采煤机切割模式识别模型建模模块、改进的寻优模块、采煤机切割模式识别模块、在线修正模块。现场数据采集传感器、数据库、强鲁棒改进群智能优化的采煤机切割模式识别系统、显示模块依次相连，所述现场数据采集传感器对采煤机电机电压、电流、转速等信息进行采集，并将采煤机信息储存到所述的数据库中，数据库中包含历史采煤机数据及其对应的切割模式标签，标签根据煤层和岩层对采煤机造成负载的不同设置为6种切割模式：无载，微载，轻载，正常，重载，超载，数据库为强鲁棒改进群智能优化的采煤机切割模式识别系统提供所需数据。

进一步地，数据预处理模块用以进行采煤机数据预处理，采用如下过程完成：

1)从数据库中提取一个采煤机信号，其特征分别为xi，i＝1，2，...d，d为特征维度，分别代表传感器采集的多种信息，信息采集越详细对模型建立越有益，但至少包含电机电压、电流、转速；

2)对该特征做如下处理得到归一化特征其中xmin为xi的最小值，xmax为xi的最大值：

进一步地，采煤机切割模式识别模型建模模块用以建立采煤机切割模式识别模型，采用如下过程完成：

1)从数据库中提取ns个采煤机数据xs及其所对应的切割模式标签ys作为训练集，提取nv个采煤机数据xv及其所对应的切割模式标签yv作为测试集；

2)初始化rf算法参数，最大随机特征个数m＝d，子样本个数即子决策树个数n＝100，采用上面得到的训练集进行rf模型训练，得到采煤机切割模式识别模型：

y＝h(x)(12)

进一步地，改进的寻优模块采用一种新型的混沌修正的粒子群算法对rf的参数m、n进行优化。采用如下过程完成：

1)随机产生第1代初始粒子即初始解的速度和位置；

vjk(1)＝u×(vmax-vmin)+vminvmin≤v≤vmax(13)

rjk(1)＝u×(rmax-rmin)+rminrmin≤r≤rmax(14)

其中j＝1，2，...，m，m＝100为群规模，k＝1，2分别对应待寻优的参数m、n，vjk(1)和rjk(1)分别表示第j个粒子的第k个分量在第1代的速度和位置，u为[0，1]间均匀分布的随机数。

2)计算第j个粒子的适应度fj：

其中分别代表真实值、计算值即预测值。

3)更新惯性权重系数μ(t)：

其中μmax＝0.9为μ的上限值，μmin＝0.2为μ的下限值，tmax＝150为最大迭代次数。

4)更新粒子的速度和位置，产生新的群体；

其中，和是[0，1]间的随机数；p^jbest、gbest分别是第j个粒子的历史最优解和整个群的最优解。

5)判断是否连续五次迭代全局最优解不变或达到最大迭代次数tmax＝150。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

6)根据下式判断粒子的进化是否停滞以避免早熟：

其中，δ²是群适应度方差，h²是早熟阈值，是所有粒子适应度平均值。

若不满足该条件，则直接返回2)继续执行；否则，保留当前代中适应度最优的前20％，并将剩余80％粒子根据混沌思想按下式进行重新构造后再继续：

其中，rmin、rmax分别代表r的最小值和最大值。

7)重复以上步骤，将得到最优参数代入采煤机切割模式识别模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优模型。

进一步地，采煤机切割模式识别模块利用训练好的最优采煤机切割模式识别模型对新采集的采煤机数据进行实时切割模式识别。采用如下过程完成：

1)对新采集的采煤机数据x^new进行归一化处理得到

2)利用改进寻优模块优化后的最优识别模型对采煤机数据进行切割模式识别：

其中hopt为优化后的最优模型，为识别的切割模式。

进一步地，在线修正模块对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据，而采煤机工作环境复杂，如果新采集的数据与数据库中的数据偏离较大，那模型对该数据的识别准确度就会下降，即模型失配，因此为了提高模型的鲁棒性和对新环境的适应性，引入模型修正模块，从而进一步提高对采煤机切割模式识别的准确度，最终得到强鲁棒改进群智能优化的采煤机切割模式识别模型。在线修正策略采用如下过程完成：

1)由时刻τ采集的采煤机数据识别的采煤机切割模式，其真实值可能在未来的τ+n时刻得到，由此可以判断模型识别的准确性。将识别错误的采煤机数据作为“奇异”样本点加入训练集；

2)利用改进的寻优模块重新在线优化rf参数，得到新的最优采煤机切割模式识别模型，以解决复杂或陌生环境下的模型失配问题，进一步提高模型识别准确度。

进一步地，显示模块将采煤机切割模式识别模块获得的切割模式通过显示屏进行输出显示。

本发明的技术构思为：本发明使用机器学习算法由采煤机切割模式数据库建立采煤机切割模式识别模型，对实时采集的采煤机数据进行切割模式识别，引入了改进的参数优化方法得到了更好的优化效果，同时对模型进行在线修正提高适应性，从而建立强鲁棒改进群智能优化的采煤机切割模式识别系统。

本发明的有益效果主要表现在：1、使用机器学习算法建立了采煤机切割模式识别模型，可以实时对采集的采煤机数据进行处理以自动识别当前采煤机切割模式；2、参数通过改进的粒子寻优算法进行自动寻优，寻优效果好、识别准确度高；3、实时对模型进行在线修正，使得识别模型在复杂和陌生环境下能够自动适应，模型鲁棒性强、适应度高，同时提高了切割模式识别的准确度。

附图说明

图1强鲁棒改进群智能优化的采煤机切割模式识别系统的硬件连接图；

图2强鲁棒改进群智能优化的采煤机切割模式识别系统的功能模块图；

图3采用混沌思想修正的群智能优化算法流程图；

图4在线修正策略流程图。

具体实施方式

下面根据附图和实施例进一步说明本发明：

参考图1、图2，现场数据采集传感器1、数据库2、强鲁棒改进群智能优化的采煤机切割模式识别系统3、显示模块4依次相连，所述强鲁棒改进群智能优化的采煤机切割模式识别系统3包括数据预处理模块5、采煤机切割模式识别模型建模模块6、采煤机切割模式识别模块7、改进的寻优模块8、在线修正模块9。所述现场数据采集传感器1对采煤机电机电压、电流、转速信息进行采集，并将采煤机信息储存到所述的数据库2中，数据库2中包含历史采煤机数据及其对应的切割模式标签，标签根据煤层和岩层对采煤机造成负载的不同设置为6种切割模式：无载，微载，轻载，正常，重载，超载，数据库2为强鲁棒改进群智能优化的采煤机切割模式识别系统3提供所需数据。

数据预处理模块5用以进行采煤机数据预处理，采用如下过程完成：

1)从数据库2中提取一个采煤机信号，其特征分别为xi，i＝1，2，...d，d为特征维度，分别代表传感器采集的多种信息，信息采集越详细对模型建立越有益，但至少包含电机电压、电流、转速；

2)对该特征做如下处理得到归一化特征其中xmin为xi的最小值，xmax为xi的最大值：

采煤机切割模式识别模型建模模块6用以建立采煤机切割模式识别模型，采用如下过程完成：

1)从数据库2中提取ns个采煤机数据xs及其所对应的切割模式标签ys作为训练集，提取nv个采煤机数据xv及其所对应的切割模式标签yv作为测试集；

2)初始化rf算法参数，最大随机特征个数m＝d，子样本个数即子决策树个数n＝100，采用上面得到的训练集进行rf模型训练，得到采煤机切割模式识别模型：

y＝h(x)(22)

改进的寻优模块8采用一种新型的混沌修正的粒子群算法对rf的参数m、n进行优化。寻优算法流程如图3所示，具体步骤如下：

1)随机产生第1代初始粒子即初始解的速度和位置；

vjk(1)＝u×(vmax-vmin)+vminvmin≤v≤vmax(23)

rjk(1)＝u×(rmax-rmin)+rminrmin≤r≤rmax(24)

其中j＝1，2，...，m，m＝100为群规模，k＝1，2分别对应待寻优的参数m、n，vjk(1)和rjk(1)分别表示第j个粒子的第k个分量在第1代的速度和位置，u为[0，1]间均匀分布的随机数。

2)计算第j个粒子的适应度fj：

其中分别代表真实值、计算值即预测值。

3)更新惯性权重系数μ(t)：

其中μmax＝0.9为μ的上限值，μmin＝0.2为μ的下限值，tmax＝150为最大迭代次数。

4)更新粒子的速度和位置，产生新的群体；

其中，和是[0，1]间的随机数；p^jbest、gbest分别是第j个粒子的历史最优解和整个群的最优解。

5)判断是否连续五次迭代全局最优解不变或达到最大迭代次数tmax＝150。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

6)根据下式判断粒子的进化是否停滞以避免早熟：

其中，δ²是群适应度方差，h²是早熟阈值，是所有粒子适应度平均值。

若不满足该条件，则直接返回2)继续执行；否则，保留当前代中适应度最优的前20％，并将剩余80％粒子根据混沌思想按下式进行重新构造后再继续：

其中，rmin、rmax分别代表r的最小值和最大值。

7)重复以上步骤，将得到最优参数代入采煤机切割模式识别模型建模模块6，并将模型在测试集上进行测试，选取正确率最高的模型作为最优模型。

进一步地，采煤机切割模式识别模块7利用训练好的最优采煤机切割模式识别模型对新采集的采煤机数据进行实时切割模式识别。采用如下过程完成：

1)对新采集的采煤机数据x^new进行归一化处理得到

2)利用改进的寻优模块8优化后的最优识别模型对采煤机数据进行切割模式识别：

其中hopt为优化后的最优模型为识别的切割模式。

在线修正模块9对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据，而采煤机工作环境复杂，如果新采集的数据与数据库2中的数据偏离较大，那模型对该数据的识别准确度就会下降，即模型失配，因此为了提高模型的鲁棒性和对新环境的适应性，引入模型修正模块，从而进一步提高对采煤机切割模式识别的准确度，最终得到强鲁棒改进群智能优化的采煤机切割模式识别模型。在线修正策略流程如图4所示，采用如下过程完成：

1)由时刻τ采集的采煤机数据识别的采煤机切割模式，其真实值可能在未来的τ+n时刻得到，由此可以判断模型识别的准确性。将识别错误的采煤机数据作为“奇异”样本点加入训练集；

2)利用改进的寻优模块8重新在线优化rf参数，得到新的最优采煤机切割模式识别模型，以解决复杂或陌生环境下的模型失配问题，进一步提高模型识别准确度。

显示模块4将采煤机切割模式识别模块7获得的切割模式通过显示屏进行输出显示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。