[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡的初撐力、末阻力識別方法、存儲介質

有效

• 申請?zhí)枺?/td>: 201810740573.6
• 申請日: 2018-07-07
• 公開（公告）號: CN109272007B
• 公開（公告）日: 2021-07-02
• 發(fā)明（設計）人: 楊藝;王宇;王科平;張旭和;李華敏;李冰峰;李新偉;崔立志
• 申請（專利權）人: 河南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州中原專利事務所有限公司 41109
• 代理人: 張春;李想

本發(fā)明提供的基于深度神經(jīng)網(wǎng)絡的初撐力、末阻力識別方法，包括以下步驟：S1：采集液壓支架不同時間的檢測數(shù)據(jù)，所檢測數(shù)據(jù)的每個數(shù)據(jù)點均包括時間數(shù)據(jù)和壓力數(shù)據(jù)；S2：為每個數(shù)據(jù)點設置具有四個屬性的標注數(shù)據(jù)，所述標注數(shù)據(jù)的四個屬性分別為：初撐力點、末阻力點、正常點、非正常點；S3：采集的檢測數(shù)據(jù)和對應的標注數(shù)據(jù)形成輸入數(shù)據(jù)的訓練樣本，依據(jù)訓練樣本訓練深度神經(jīng)網(wǎng)絡；S4：建立基于深度神經(jīng)網(wǎng)絡的預測模型；S5：現(xiàn)場采集液壓支架的檢測數(shù)據(jù)并送入到訓練好的深度神經(jīng)網(wǎng)絡中，輸出每個數(shù)據(jù)點的分類結果。本發(fā)明能通過深度神經(jīng)網(wǎng)絡對液壓支架的數(shù)據(jù)自動提取特征，并通過大量樣本訓練得到精確的預測結果。

技術領域

本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡的液壓支架初撐力點、末阻力點自動識別方法。

背景技術

目前井下液壓支架的頂板控制方法是以手動方法完成，操作工人根據(jù)經(jīng)驗設定固定的初撐力使液壓柱上升。當出現(xiàn)片幫、頂煤下放不利等情況時，再手動操作液壓支架的掩護梁、液壓柱等做出相應的操作。人工操作不能從工作面頂板的整體動態(tài)狀況綜合考慮，無法有效兼顧工作面層級的性能，更無法實現(xiàn)液壓支架群的自動控制，其根本原因是缺乏液壓支架群系統(tǒng)層級的控制模型。

液壓支架是煤礦綜放工作面安全支護的核心設備，初撐力和末阻力是兩個重要的技術指標。初撐力是液壓支架初次加壓的數(shù)值，是液壓支架主動作用于頂板的數(shù)據(jù)依據(jù)，也是采場支護質量評價的重要依據(jù)；末阻力是液壓支架泄壓前的頂板壓力值，是頂板壓力的直接反應，并可據(jù)此分析得出上覆巖層的動態(tài)特性。

目前，井下液壓支架上安裝有壓力檢測設備，檢測液壓支架承受壓力，其檢測原理是：當壓力有變化時，每2秒檢測液壓支架的壓力數(shù)據(jù)；然后工作人員根據(jù)收集的壓力數(shù)據(jù)，分析頂板的動態(tài)特性及液壓支架的支撐力調整，如圖1所示。

目前，初撐力和末阻力點的檢測方法主要是人工標識法和梯度變化法（尚未見文獻說明）。梯度變化法是通過檢測兩點間的變化率來確定初撐力和末阻力點。由于開采過程中液壓支架收到頂板壓力復雜，造成目前的梯度變化法錯誤率較高。

發(fā)明內容

本發(fā)明的目的在于建立一種基于深度神經(jīng)網(wǎng)絡的液壓支架初撐力、末阻力自動識別方法，實現(xiàn)采集數(shù)據(jù)的自動分類識別，并提高識別準確度。

本發(fā)明采用以下技術方案：

基于深度神經(jīng)網(wǎng)絡的初撐力、末阻力識別方法，包括以下步驟：

S1：采集液壓支架不同時間的檢測數(shù)據(jù)，所檢測數(shù)據(jù)的每個數(shù)據(jù)點均包括時間數(shù)據(jù)和壓力數(shù)據(jù)；

S2：為每個數(shù)據(jù)點設置具有四個屬性的標注數(shù)據(jù)，所述標注數(shù)據(jù)的四個屬性分別為：初撐力點、末阻力點、正常點、非正常點；

S3：采集的檢測數(shù)據(jù)和對應的標注數(shù)據(jù)形成輸入數(shù)據(jù)的訓練樣本，依據(jù)訓練樣本訓練深度神經(jīng)網(wǎng)絡；

S4：建立基于深度神經(jīng)網(wǎng)絡的預測模型；

S5：現(xiàn)場采集液壓支架的檢測數(shù)據(jù)并送入到訓練好的深度神經(jīng)網(wǎng)絡中，輸出每個數(shù)據(jù)點的分類結果。

所述S3中，首先構造深度神經(jīng)網(wǎng)絡，然后通過訓練樣本訓練深度神經(jīng)網(wǎng)絡，完成深度神經(jīng)網(wǎng)絡的預測模型的建立。

所述深度神經(jīng)網(wǎng)絡包括依次相連的包括：第一類卷積層、第一類池化層、第二類卷積層、第三類卷積層、第四類卷積層、第二類池化層、第一類全卷積層、第二類全卷積層、第一類反卷積層、第二類反卷積層、softmax層，其中第一類池化層的池化結構通過第二類卷積層后，與第一類反卷積層輸出的結構相加后再依次進入到第二類反卷積層、softmax層。

第一類卷積層的卷積核為[13，1，64]，步幅為[1，2]；

第一類池化層的步幅為[2，1]；

第二類卷積層包括串聯(lián)的三個卷積層，每個卷積層的卷積核為[3，1，128]，步幅為[1，1]；