[發(fā)明專利]一種基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的采運(yùn)裝備速度協(xié)同控制方法在審
| 申請?zhí)枺?/td> | 202211239379.2 | 申請日: | 2022-10-11 |
| 公開(公告)號(hào): | CN115657475A | 公開(公告)日: | 2023-01-31 |
| 發(fā)明(設(shè)計(jì))人: | 閆海峰;周震;王忠賓;譚超;司壘;魏東;龔子耀;董紅帥;劉力奇;姚永成 | 申請(專利權(quán))人: | 中國礦業(yè)大學(xué) |
| 主分類號(hào): | G05B13/04 | 分類號(hào): | G05B13/04 |
| 代理公司: | 北京淮海知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32205 | 代理人: | 李佩鴻 |
| 地址: | 221000*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 cnn lstm 神經(jīng)網(wǎng)絡(luò) 采運(yùn) 裝備 速度 協(xié)同 控制 方法 | ||
1.一種基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的采運(yùn)裝備速度協(xié)同控制方法,其特征在于,具體包括以下步驟:
步驟一,采集井下采煤機(jī)、刮板機(jī)運(yùn)行原始數(shù)據(jù);
步驟二,將步驟一中的采煤機(jī)、刮板機(jī)原始數(shù)據(jù)歸一化后分別劃分為訓(xùn)練集、驗(yàn)證集和測試集;
步驟三,將相應(yīng)劃分的訓(xùn)練集輸入CNN-LSTM神經(jīng)網(wǎng)絡(luò)模型中,輸入數(shù)據(jù)先由上層CNN神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取、再傳遞到下層LSTM神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,后經(jīng)全連接層、輸出層后輸出采煤機(jī)預(yù)測模型、刮板機(jī)預(yù)測模型的結(jié)果;
步驟四,當(dāng)未達(dá)到最大訓(xùn)練輪數(shù)時(shí),建立同時(shí)刻狀態(tài)下采煤機(jī)預(yù)測模型的總損失函數(shù)loss1、刮板機(jī)預(yù)測模型總損失函數(shù)loss2、以及采煤機(jī)預(yù)測速度與刮板機(jī)預(yù)測速度之間協(xié)同關(guān)系的總損失函數(shù)Loss;
計(jì)算相應(yīng)的采煤機(jī)、刮板機(jī)的損失值并進(jìn)行參數(shù)更新,并通過優(yōu)化算法對更新的參數(shù)進(jìn)行優(yōu)化使其快速收斂;然后將收斂后的參數(shù)重新輸入至步驟三中的LSTM層再次進(jìn)行訓(xùn)練,重新輸出采煤機(jī)預(yù)測模型、刮板機(jī)預(yù)測模型的結(jié)果;
并循環(huán)使其直到達(dá)到最大訓(xùn)練輪數(shù);
步驟五,當(dāng)達(dá)到最大訓(xùn)練輪數(shù)時(shí),停止訓(xùn)練,并輸出在驗(yàn)證集上總損失值Loss最小值情況下、相應(yīng)的采煤機(jī)預(yù)測模型與刮板機(jī)預(yù)測模型;
步驟六,將步驟二中測試集輸入步驟五中訓(xùn)練好的預(yù)測模型中,輸出采煤機(jī)速度預(yù)測、刮板機(jī)預(yù)測速度,計(jì)算CNN-LSTM預(yù)測模型的評(píng)價(jià)指標(biāo)。
2.根據(jù)權(quán)利要求1所述的一種基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的采運(yùn)裝備速度協(xié)同控制方法,其特征在于,所述協(xié)同關(guān)系的總損失函數(shù)Loss,計(jì)算公式如下:
Loss=A·loss1+B·loss2+C·G
其中,loss1為采煤機(jī)預(yù)測模型的總損失函數(shù),loss2為刮板機(jī)預(yù)測模型總損失函數(shù),G為負(fù)載平穩(wěn)函數(shù);
A、B、C分別為相應(yīng)函數(shù)的比例系數(shù),(A+B+C)=1且均大于0。
3.根據(jù)權(quán)利要求2所述的一種基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的采運(yùn)裝備速度協(xié)同控制方法,其特征在于,所述采煤機(jī)預(yù)測模型的總損失函數(shù)loss1,計(jì)算公式如下:
loss1=a·Lδ(vc,vci)+b·f1+c·h
其中,a、b、c為相應(yīng)函數(shù)的比例系數(shù),(a+b+c)=1且均大于0;
Lδ(vc,vci)為采煤機(jī)的預(yù)測模型損失函數(shù),計(jì)算公式為:
其中,vc為同一時(shí)刻采煤機(jī)的真實(shí)速度值,vci為每輪采煤機(jī)速度預(yù)測的第i個(gè)值,δ為超參數(shù);
f1為采煤機(jī)速度平穩(wěn)性函數(shù),計(jì)算公式為:
其中,為每輪采煤機(jī)速度預(yù)測的平均值,m為采煤機(jī)中輪次總量;
h為預(yù)測時(shí)間段t內(nèi)采煤機(jī)總落煤量L1的反函數(shù),其計(jì)算公式為:
h=1/Max(L1)
其中,H為采煤機(jī)在t時(shí)間范圍內(nèi)的記憶截割高度,B為采煤機(jī)滾筒在t時(shí)間范圍內(nèi)的記憶截割深度,ρ為煤的密度值,k1為采煤機(jī)的產(chǎn)能修正系數(shù),vc(i+1)為每輪采煤機(jī)速度預(yù)測的第i+1個(gè)值。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國礦業(yè)大學(xué),未經(jīng)中國礦業(yè)大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202211239379.2/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇:液晶屏裝配裝置及液晶屏裝配方法
- 下一篇:一體化離子風(fēng)散熱裝置
- 圖像語義標(biāo)注的設(shè)備和方法及其模型的生成方法和系統(tǒng)
- 使用卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像處理
- 為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 采用嵌入式系統(tǒng)中的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模塊的人臉檢測
- 針對深度通道和卷積神經(jīng)網(wǎng)絡(luò)圖像和格式使用相機(jī)設(shè)備的方法和系統(tǒng)
- 處理卷積神經(jīng)網(wǎng)絡(luò)的方法
- CNN加速器和電子設(shè)備
- 一種基于混合神經(jīng)網(wǎng)絡(luò)的腦電時(shí)空特征學(xué)習(xí)與情感分類方法
- 一種基于FPGA的深度學(xué)習(xí)加速方法
- 用于高階長短期記憶網(wǎng)絡(luò)的系統(tǒng)和方法
- 基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷方法
- 基于注意力機(jī)制的時(shí)間序列預(yù)測方法、裝置及存儲(chǔ)介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡(luò)的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測方法及系統(tǒng)
- 用于預(yù)測血糖水平的循環(huán)神經(jīng)網(wǎng)絡(luò)裝置和系統(tǒng)
- 基于情景LSTM結(jié)構(gòu)網(wǎng)絡(luò)的微博情感分析方法
- 語音信號(hào)處理方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法
- 基于深度網(wǎng)絡(luò)AS-LSTM的命名實(shí)體識(shí)別系統(tǒng)及識(shí)別方法
- 硬件神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法、計(jì)算裝置、軟硬件協(xié)作系統(tǒng)
- 生成較大神經(jīng)網(wǎng)絡(luò)
- 神經(jīng)網(wǎng)絡(luò)的生成方法、生成裝置和電子設(shè)備
- 一種舌診方法、裝置、計(jì)算設(shè)備及計(jì)算機(jī)存儲(chǔ)介質(zhì)
- 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
- 脈沖神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法及相關(guān)轉(zhuǎn)換芯片
- 圖像處理方法、裝置、可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)設(shè)備
- 一種適應(yīng)目標(biāo)數(shù)據(jù)集的網(wǎng)絡(luò)模型微調(diào)方法、系統(tǒng)、終端和存儲(chǔ)介質(zhì)
- 用于重構(gòu)人工神經(jīng)網(wǎng)絡(luò)的處理器及其操作方法、電氣設(shè)備
- 一種圖像神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法及裝置





