[發明專利]一種基于CNN-LSTM神經網絡的采運裝備速度協同控制方法

在審

• 申請號: 202211239379.2
• 申請日: 2022-10-11
• 公開（公告）號: CN115657475A
• 公開（公告）日: 2023-01-31
• 發明（設計）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）人: 中國礦業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京淮海知識產權代理事務所(普通合伙) 32205
• 代理人: 李佩鴻

一種基于CNN?LSTM神經網絡的采運裝備速度協同控制方法，將采煤機、刮板機原始數據劃分為訓練集、驗證集和測試集；將訓練集輸入CNN?LSTM神經網絡模型中，當未達到最大訓練輪數時，建立同時刻狀態下采煤機、刮板機的預測模型的總損失函數以及其之間協同關系的總損失函數，并進行參數更新，重新輸入LSTM層再次進行訓練，輸出預測模型結果，使其直到達到最大訓練輪數；測試集輸入訓練好的預測模型中，輸出采煤機速度預測、刮板機預測速度，計算CNN?LSTM預測模型的評價指標。本發明實現對采煤機、刮板機速度的協同控制，提高其之間的協同工作效率、以及控制精度，更好地適應綜采工作面的環境和設備變化。

技術領域

本發明涉及煤礦開采技術領域，具體涉及一種基于CNN-LSTM神經網絡的采運裝備速度協同控制方法。

背景技術

現有礦區煤炭開采為實現工作面無人化，需要將綜放工作面機電裝備智能化相互關聯，采煤機和刮板機作為綜采工作面兩大核心裝備，其運行過程中發生過載、停機等故障將嚴重影響煤礦開采的效率；

當采煤機和刮板機同時運行時，所在工作面特性、設備結構參數以及雙機之間速度協同都將影響煤礦開采的效率，而其之間的速度協同是減少能耗、提高開采效率、降低故障率的重要因素；

具體的為，采煤機和刮板機的協同工作過程本質就是連續生產線上生產與運輸相互配合，采煤機的采煤量決定了刮板機的載煤量，刮板機在運輸過程中的過載問題很大程度上由于采煤機與刮板機之間的協同工作效率較低；在采煤高度一定的情況下，采煤機的牽引速度決定了其采煤量，由于采煤機在工作面往復運行，刮板機循環運轉并在機頭端卸載，因此采煤機的運行方向、位置和刮板機的卸載速度即鏈速，對刮板機的載煤量有重要影響，即當采煤機速度過大時，采煤量增加，使得刮板機的載煤量(易出現過載)增大，而當采煤機速度過小時，采煤量減少，刮板機運行時無效功耗較大；

現有一些采煤機、刮板機的速度需要保持工作面底板平整的情況下、進行一定控制使兩者速度相匹配，當進行速度預測時，一方面其采用單一算法使得預測結果易出現偏差，另一方面實際工作面環境復雜，缺少采煤機、刮板機之間負載關聯性，造成協同控制精度不高。

發明內容

本發明目的在于提供一種基于CNN-LSTM神經網絡的采運裝備速度協同控制方法，實現對采煤機、刮板機速度的協同控制，提高其之間的協同工作效率、以及控制精度，更好地適應綜采工作面的環境和設備變化。

為實現上述目的，本一種基于CNN-LSTM神經網絡的采運裝備速度協同控制方法，具體包括以下步驟：

步驟一，采集井下采煤機、刮板機運行原始數據；

步驟二，將步驟一中的采煤機、刮板機原始數據歸一化后分別劃分為訓練集、驗證集和測試集；

步驟三，將相應劃分的訓練集輸入CNN-LSTM神經網絡模型中，輸入數據先由上層CNN神經網絡進行特征提取、再傳遞到下層LSTM神經網絡中進行訓練，后經全連接層、輸出層后輸出采煤機預測模型、刮板機預測模型的結果；

步驟四，當未達到最大訓練輪數時，建立同時刻狀態下采煤機預測模型的總損失函數loss₁、刮板機預測模型總損失函數loss₂、以及采煤機預測速度與刮板機預測速度之間協同關系的總損失函數Loss；

計算相應的采煤機、刮板機的損失值并進行參數更新，并通過優化算法對更新的參數進行優化使其快速收斂；然后將收斂后的參數重新輸入至步驟三中的LSTM層再次進行訓練，重新輸出采煤機預測模型、刮板機預測模型的結果；

并循環使其直到達到最大訓練輪數；

步驟五，當達到最大訓練輪數時，停止訓練，并輸出在驗證集上總損失值Loss最小值情況下、相應的采煤機預測模型與刮板機預測模型；