[發明專利]一種基于神經網絡的采煤機穩態樣本分析方法及裝置

在審

• 申請號: 202011082621.0
• 申請日: 2020-10-12
• 公開（公告）號: CN112329817A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 李曉雪;曹宇;陸鵬;張鵬;惠恩明;張振良
• 申請（專利權）人: 鄂爾多斯應用技術學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 陳炳萍

1.一種基于神經網絡的采煤機穩態樣本分析方法，其特征在于，包括以下步驟：

S1：判定采煤機負樣本數量，設置閾值a，當負樣本數量a，定義為少量負樣本，當負樣本數量≥a，定義為足夠負樣本；

S2、在足夠負樣本條件下，將采煤機穩態依照測定模塊設定對應位數的二進制數，每位數中的0和1分別表示模塊狀態，所有位數的二進制數表示當前條件下的采煤機穩態情況，得到穩態結果，并根據該穩態結果進行學習，學習包括以下步驟：

a1、數據處理：將原始數據歸一化，按照穩態結果對應各種參數的形式進行存儲；

a2、神經網絡搭建：根據輸入參數，設定神經網絡參數輸入節點數，根據輸出二進制位數設定神經網絡輸出節點數；

a3、神經網絡訓練：將原始數據按照1:2～1:3分為測試數據和訓練數據，將訓練數據輸入到神經網絡中用以訓練，根據反相傳播算法調整內部參數，并得到預測精度；

a4、神經網絡調整：調整隱含層層數和隱含層節點數，重復a3步驟，記錄不同節點下的回歸精度；

a5、結果選取：選取回歸精度最高的神經網絡參數作為最終結果，進行采煤機穩態樣本智能化識別；

S3、在少量負樣本條件下，將采煤機穩態依照測定模塊設定對應位數的二進制數，每位數中的0和1分別表示模塊狀態，所有位數的二進制數表示當前條件下的采煤機穩態情況，得到穩態結果，使用三重訓練算法進行學習，學習包括以下步驟：

b1、數據處理：將原始數據歸一化，將有負樣本的數據按照穩態結果對應各種參數的形式進行存儲，并設定為L；將無負樣本的數據按照同一時間的特征進行存儲，并設定為U；

b2、神經網絡搭建：搭建3個不同的神經網絡H1、H2和H3，根據輸入參數，設定神經網絡參數輸入節點個數，根據輸出二進制位數設定神經網絡輸出節點數；

b3、負樣本擴大：將已標記樣本L(xi,yi)構造為具有差異性訓練集的L1、L2和L3，同樣的方法將未標記樣本U(xj)構造得到訓練集U1、U2和U3，根據訓練集L1、L1和L3分別三個神經網絡，訓練完成后將U1輸入到H2和H3中進行判別，若輸出結果一致，則將輸出結果作為穩態結果標記添加到L4中，同樣，將U2輸入到H1和H3中，若輸出結果一致，則將輸出結果作為穩態結果標記添加到L4，對U3同樣處理，將U3輸入到H1和H2中，若輸出結果一致，則將輸出結果作為穩態結果標記添加到L4中；使得L4中獲得足量的負樣本；

b4、神經網絡訓練將L1、L2、L3和L4中的負樣本輸入到神經網絡中訓練，得到最終的神經網絡；

S4、在無負樣本條件下，采集健康狀態下采煤機的健康參數數據，將采煤機穩態情況分為正常和可能故障狀態，設定健康狀態下穩態結果并進行學習，學習包括以下步驟：

c1、數據處理：將原始數據歸一化，將同一時間的健康參數添加穩態參數p,得到穩態參數對應的健康參數；

c2、神經網絡搭建：根據輸入參數，設定神經網絡參數輸入節點個數，根據輸出為1個設定神經網絡輸出節點，設定隱含層為2層，隱含節點設定為其中m＝39為輸入節點數，n＝1為輸出節點數，a取值1到10之間；

c3：神經網絡訓練：將原始數據按照1:7～1:10分為測試數據和訓練數據，將訓練數據輸入到神經網絡中用以訓練，根據反向傳播算法調整內部參數，并且得到預測精度，將測試樣本中人工加入參數偏差極大的樣本作為負樣本用以測試，設定神經網絡測試樣本的輸出值為a,定義k＝|a-0.9|為偏離參數，定義e為偏離常數，若k大于等于e,則認為測試樣本為可能故障狀態，若k小于e，則認為測試數據為健康狀態；

c4、參數調整：分別在6-10區間內調整參數h，0.3-0.5區間內調整e，得出在無負樣本條件下神經網絡最優學習參數。

2.根據權利要求1所述的基于神經網絡的采煤機穩態樣本分析方法，其特征在于，所述采煤機穩態情況測定模塊包括控制狀態模塊、自檢狀態模塊、記憶截割狀態模塊、割煤狀態模塊、牽引狀態模塊、速度狀態模塊、啟動狀態模塊、語音狀態模塊、割煤方向模塊和配置狀態模塊，對應二進制數的位數與模塊數量相等。

3.根據權利要求2所述的基于神經網絡的采煤機穩態樣本分析方法，其特征在于，所述a3過程中，將原始數據按照3：7分為測試數據和訓練數據。