强鲁棒的具有长短时记忆能力的采煤机记忆截割系统的制作方法
本发明涉及信号处理领域和深度学习领域，特别地，涉及具有长短时记忆能力的强鲁棒的采煤机记忆截割系统
背景技术：
目前，世界各国都在努力发展经济，能源需求持续增长。煤炭在世界一次能源消耗中占比极大。然而，煤炭安全生产一直是制约煤炭生产的重要因素。因此，大力提高煤矿开采过程的自动化、机械化、信息化水平至关重要。采煤机作为采煤工作面关键设备，在采煤生产过程中具有重要意义，截割滚筒高度的调整与控制是采煤机在井下工作面采煤时人工操控采煤机的关键工序，采煤机截割滚筒高度控制的准确性直接决定着煤炭含矸量、煤炭回收率、顶底板的平整性。近年来，国产采煤机在结构、牵引方式、主控系统等方面都有长足的发展，然而采煤机滚筒的自动调高技术一直没有实质性的突破，传统采煤机截割策略需要频繁人工调整摇臂高度导致效率和精度低，已成为工作面自动化进程的瓶颈。
技术实现要素：
针对目前采煤产业复杂工作条件下对采煤机截割高度自动化预测的迫切需求，本发明的目的在于提供预测精度高、普适性好的具有长短时记忆能力的强鲁棒采煤机记忆截割系统，以期克服采用人工调整存在的精度低、速度慢等方面不足，为提高采煤过程生产率和资源的利用率提供技术基础。
本发明解决其技术问题所采用的技术方案是：强鲁棒的具有长短时记忆能力的采煤机记忆截割系统，包括数据预处理模块、采煤机截割高度长短时记忆网络模型(lstm)建模模块、采煤机截割高度长短时记忆网络模型(lstm)预测模块以及在线矫正模块。数据采集传感器、数据库、强鲁棒的具有长短时记忆能力的采煤机记忆截割系统以及结果显示模块依次相连，所述数据采集传感器对采煤机历史截割高度信号进行采集，并将数据储存到所述的数据库中，数据库中包含历史采煤机截割高度数据为强鲁棒的具有长短时记忆能力的采煤机记忆截割系统提供数据支持。强鲁棒的具有长短时记忆能力的采煤机记忆截割系统预测得到的结果将通过结果显示模块输出显示。
进一步地，数据预处理模块用以进行采煤机截割高度数据预处理，采用如下过程完成：
(1)从数据库中采集n个采煤机截割高度信号h＝(h1,h2,…,hn)。
(2)对采煤机截割高度信号数据进行归一化处理，得到归一化数据
(3)相空间重构。对归一化处理后的数据进行重构，重构过程如下：
其中，xi为输入特征，yi为标签，d为嵌入维度，i＝1,2,…,n-d。
进一步地，采煤机截割高度lstm模型建模模块用以建立采煤机截割高度lstm预测模型，采用如下过程完成：
(1)建立lstm模型。lstm的核心在于通过三个控制门来控制单元的状态，从而控制单元的长短时记忆。其数学表达如下：
(1.1)遗忘门。遗忘门负责生成记忆权重ft控制上一时刻的状态ct-1有多少保存到当前时刻的单元状态ct，记忆权重计算公式如下：
ft＝σ(wf[ht-1，xt]+bf)，(3)其中，wf是遗忘门的权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bf为遗忘门偏置，σ为sigmoid函数
.(1.2)输入门。输入门负责生成输入权重it及当前时刻输入单元状态
it＝σ(wi[ht-1，xt]+bi)，(4)
其中，wi为输入门权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bi为输入门偏置，σ为sigmoid函数；wc为输入状态权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bc为输入状态偏置，tanh为双曲正切函数
(1.3)生成当前单元状态ct。当前状态由遗忘门ft、上一时刻单元状态ct-1、输入门it和当前输入单元状态
(1.4)输出门。输出门负责生成输出权重ot控制当前状态ct有多少作为当前时刻的隐层输出ht。其计算公式为：
ot＝σ(wo[ht-1，xt]+bo)，(7)
ht-1＝ot*tanh(ct)，(8)其中，wo为输出门权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bo为输出状态偏置，tanh为双曲正切函数。
(2)设置lstm的输入维度、隐层维度、隐层节点数、隐层数量等网络结构参数。
(3)设置模型优化器、学习率、模型迭代次数等训练参数。
(4)设置均方根误差(mse)作为损失函数loss，其计算公式为：
其中hi为观察值，
(5)在线训练至损失函数值收敛，选取最优网络参数，生成采煤机截割高度lstm预测模型。
进一步地，采煤机截割高度lstm模型预测模块用以利用训练好的采煤机截割高度lstm预测模型，结合历史采煤机截割高度数据对未来采煤机截割高度进行预测。采用如下过程完成：
(1)从数据库中获取当前时刻t的历史d个采样点的采煤机截割高度数据ht＝(ht,ht-1,…,ht-d+1)；
(2)对测试数据进行标准化：
(3)将标准化后的数据
fopt为训练好的采煤机截割高度lstm预测模型，
进一步地，在线矫正模块用于解决采煤机截割高度lstm模型在不同强干扰环境不同工况下的外部有色噪声的影响所导致的模型失配问题，进一步提升采煤机截割高度lstm模型的鲁棒性(即普适效果)和置信度，得到强鲁棒的采煤机截割高度lstm模型。采用如下过程完成：
(1)时刻t采集预测的采煤机截割高度的真实值在t时刻即可采样得到，由此可以判断模型预报值得准确性。将预报误差大于均方根误差(rmse)的样本对作为“难”样本加入训练集：
|ya(t)-yp(t)>rmse(12)
其中ya(t)为t时刻采煤机截割高度的真实值，yp(t)为t时刻采煤机截割高度的预测值。
(2)在新的训练集上微调训练采煤机截割高度lstm预测模型，以解决复杂工况下的模型失配问题，提高模型的适应性和鲁棒性。
进一步地，采煤机截割高度lstm模型预测模块得到的结果将通过结果显示模块输出显示。
本发明的技术构思为：本发明对采煤机截割高度数据进行预处理，并利用lstm网络对预处理后的数据进行非线性拟合，并于在线运行过程中不断矫正模型失配问题，从而建立强鲁棒的具有长短时记忆能力的采煤机记忆截割系统。
本发明的有益效果主要表现在：1、基于长短时记忆网络(lstm)的采煤机截割高度预测模型，可以综合利用采煤机截割高度序列的长时和短时的记忆信息，准确地在线预测采煤机截割高度；2、通过不断地模型在线矫正，解决复杂工作环境下的模型失配问题，进一步提高模型的鲁棒性。
附图说明
图1强鲁棒的具有长短时记忆能力的采煤机记忆截割系统的基本硬件结构图；
图2强鲁棒的具有长短时记忆能力的采煤机记忆截割系统的功能模块图；
图3在线矫正模块流程图。
具体实施方式
下面根据附图具体说明本发明。
实施例1
参考图1、图2、图3，强鲁棒的具有长短时记忆能力的采煤机记忆截割系统，包括数据预处理模块5、采煤机截割高度长短时记忆网络模型(lstm)建模模块6、采煤机截割高度长短时记忆网络模型(lstm)预测模块7以及在线矫正模块8。数据采集传感器1、数据库2、强鲁棒的具有长短时记忆能力的采煤机记忆截割系统3以及结果显示模块4依次相连，所述数据采集传感器1对采煤机历史截割高度信号进行采集，并将数据储存到所述的数据库2中，数据库中2包含历史采煤机截割高度数据为强鲁棒的具有长短时记忆能力的采煤机记忆截割系统3提供数据支持。强鲁棒的具有长短时记忆能力的采煤机记忆截割系统3预测得到的结果将通过结果显示模块4输出显示。
进一步地，数据预处理模块5用以进行采煤机截割高度数据预处理，采用如下过程完成：
(1)从数据库2中采集n个采煤机截割高度信号h＝(h1,h2,…,hn)。
(2)对采煤机截割高度信号数据进行归一化处理，得到归一化数据
(3)相空间重构。对归一化处理后的数据进行重构，重构过程如下：
其中，xi为输入特征，yi为标签，d为嵌入维度，i＝1,2,…,n-d。
进一步地，采煤机截割高度lstm模型建模模块6用以建立采煤机截割高度lstm预测模型，采用如下过程完成：
(1)建立lstm模型。lstm的核心在于通过三个控制门来控制单元的状态，从而控制单元的长短时记忆。其数学表达如下：
(1.1)遗忘门。遗忘门负责生成记忆权重ft控制上一时刻的状态ct-1有多少保存到当前时刻的单元状态ct，记忆权重计算公式如下：
ft＝(wf[ht-1,xt]+bf)，(3)
其中，wf是遗忘门的权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bf为遗忘门偏置，σ为sigmoid函数
.(1.2)输入门。输入门负责生成输入权重it及当前时刻输入单元状态
it＝σ(wi[ht-1，xt]+bi)，(4)
其中，wi为输入门权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bi为输入门偏置，σ为sigmoid函数；wc为输入状态权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bc为输入状态偏置，tanh为双曲正切函数
(1.3)生成当前单元状态ct。当前状态由遗忘门ft、上一时刻单元状态ct-1、输入门it和当前输入单元状态
(1.4)输出门。输出门负责生成输出权重ot控制当前状态ct有多少作为当前时刻的隐层输出ht。其计算公式为：
ot＝σ(wo[ht-1,xt]+bo),(7)
ht-1＝ot*tanh(ct)，(8)其中，wo为输出门权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bo为输出状态偏置，tanh为双曲正切函数。
(2)设置lstm的输入维度、隐层维度、隐层节点数、隐层数量等网络结构参数。
(3)设置模型优化器、学习率、模型迭代次数等训练参数。
(4)设置均方根误差(mse)作为损失函数loss，其计算公式为：
其中hi为观察值，
(5)在线训练至损失函数值收敛，选取最优网络参数，生成采煤机截割高度lstm预测模型。
进一步地，采煤机截割高度lstm模型预测模块7用以利用训练好的采煤机截割高度lstm预测模型，结合历史采煤机截割高度数据对未来采煤机截割高度进行预测。采用如下过程完成：
(1)从数据库2中获取当前时刻t的历史d个采样点的采煤机截割高度数据ht＝(ht,ht-1,…,ht-d+1)；
(2)对测试数据进行标准化：
(3)将标准化后的数据
fopt为训练好的采煤机截割高度lstm预测模型，
进一步地，参考图3，在线矫正模块8用于解决采煤机截割高度lstm模型在不同强干扰环境不同工况下的外部有色噪声的影响所导致的模型失配问题，进一步提升采煤机截割高度lstm模型的鲁棒性(即普适效果)和置信度，得到强鲁棒的采煤机截割高度lstm模型。采用如下过程完成：
(1)时刻t采集预测的采煤机截割高度的真实值在t时刻即可采样得到，由此可以判断模型预报值得准确性。将预报误差大于均方根误差(rmse)的样本对作为“难”样本加入训练集：
|ya(t)-yp(t)|＞rmse，(12)其中ya(t)为t时刻采煤机截割高度的真实值，yp(t)为t时刻采煤机截割高度的预测值。
(2)在新的训练集上微调训练采煤机截割高度lstm预测模型，以解决复杂工况下的模型失配问题，提高模型的适应性和鲁棒性。
进一步地，采煤机截割高度lstm模型预测模块7得到的结果将通过结果显示模块4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。
- 还没有人留言评论。精彩留言会获得点赞！