[发明专利]一种自适应的采煤机截割高度智能预测系统

权利要求书

1.一种自适应的采煤机截割高度智能预测系统，其特征在于：包括输入数据预处理模块、采煤机截割高度极限梯度提升模型建模模块、智能寻优模块以及采煤机截割高度极限梯度提升模型预测模块；

所述输入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：

(1.1)从数据库中采集n个采煤机截割高度信号H＝(h₁，h₂，...，h_n)；

(1.2)对采煤机截割高度信号数据进行归一化处理，得到归一化特征值

(1.3)相空间重构：根据延迟时间τ和嵌入维数q对归一化处理后的数据进行重构，重构方法如下，获得n-1-(q-1)τ组输入输出样本对：

其中，x_j为输入特征，y_j为标签，j＝1，2，...，n-1-(q-1)τ；

所述采煤机截割高度极限梯度提升模型建模模块根据现场数据采集传感器采集到的已有历史截割高度数据组建立采煤机截割高度预测模型；具体为：

(2.1)从数据库中采集N_s个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Y_s作为训练集，采集N_v个相空间重构后的采煤机截割高度数据组及其所对应的采煤机下一时刻截割高度标签Y_v作为测试集；

(2.2)采用训练集进行监督训练，得到基于XGBoost的采煤机截割高度预测模型：

Y＝f(X) (3)

其中，Y＝[y₁，y₂，...，y_n-1-(q-1)τ]为标签序列，X＝x₁，x₂，..，x_n-1-(q-1)τ为输入序列，f是XGBoost采煤机截割高度模型；

所述智能寻优模块用以对XGBoost的重要参数：学习率learning_rate、最大树深度max_depth、最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma进行优化；采用如下过程完成：

(3.1)对于学习率和最大树深度采用网格搜索方法：学习率learning_rate以步长stride₁＝0.05在0.05～0.3范围内进行搜索；最大树深度max_depth以步长stride₂＝1在2～7范围内进行搜索；

(3.2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma采用自适应粒子群算法进行寻优；具体包括如下子步骤：

3.2.1)随机产生初始粒子群速度和位置；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (4)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (5)

其中，i＝1，2，...，m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik表示第i个粒子的第k个分量的位置，U为[0，1]间均匀分布的随机数；

3.2.2)计算第i个粒子的适应值f_i；并将当前各粒子的位置存储在各粒子的P_i中，选取种群中适应值最优粒子的位置存储于种群最优值P_g；

其中，分别代表计算值和真实值；

3.2.3)更新粒子群惯性权重系数μ(d)

其中，μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，d_max＝150为最大迭代次数；

3.2.4)设定初始温度；采用的初始温度T为：

其中，f(P_g)为粒子群最优适应值；

3.2.5)计算各粒子接收概率；加入模拟退火算法的机制，采用如下公式计算各P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为第i个粒子在粒子位置在P_i时的粒子群优化算法适应值；f(P_g)为粒子群最优适应值；

3.2.6)更新粒子的速度和位置，产生新的群体，并更新各粒子的粒子位置P_i和种群最优值P_g；

其中，α₁是个体加速度参数，α₂是全局加速度参数，和是0-1之间的随机数，d为迭代次数；v_ik(d+1)是第i个粒子的第k个分量在第d+1次迭代的速度，v_ik(d)是第i个粒子的第k个分量在第d次迭代的速度，r_ik(d+1)是第i个粒子的第k个分量在第d+1次迭代的位置，r_ik(d)是第i个粒子的第k个分量在第d次迭代的位置，D是待寻优的参数个数，k＝1，2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；

3.2.7)进行退温处理；

T＝δT (11)

其中，δ为退火速度，设置为0.95；

3.2.8)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回3.2.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应值选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；

(3.3)重复步骤(3.1)和步骤(3.2)，将优化好的模型在验证集上进行测试，选取验证集上正确率最高的模型作为最优模型；

所述采煤机截割高度极限梯度提升模型预测模块用以利用训练好的采煤机截割高度XGBoost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：

(4.1)从数据库中获取当前时刻t的采煤机截割高度数据H_t＝(h_t，h_t-τ，...，h_t-(q-1)τ)，对测试数据进行标准化：

(4.2)将标准化后的测试数据重构成相空间

(4.3)将重构后的测试数据作为预测输入，利用训练好的采煤机截割高度XGBoost预测模型对采煤机截割高度进行预测：

其中，f_opt为训练好的采煤机截割高度XGBoost预测模型，为预测的采煤机截割高度。