[发明专利]一种基于神经网络的采煤机稳态样本分析方法及装置

权利要求书

1.一种基于神经网络的采煤机稳态样本分析方法，其特征在于，包括以下步骤：

S1：判定采煤机负样本数量，设置阈值a，当负样本数量a，定义为少量负样本，当负样本数量≥a，定义为足够负样本；

S2、在足够负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，并根据该稳态结果进行学习，学习包括以下步骤：

a1、数据处理：将原始数据归一化，按照稳态结果对应各种参数的形式进行存储；

a2、神经网络搭建：根据输入参数，设定神经网络参数输入节点数，根据输出二进制位数设定神经网络输出节点数；

a3、神经网络训练：将原始数据按照1:2～1:3分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反相传播算法调整内部参数，并得到预测精度；

a4、神经网络调整：调整隐含层层数和隐含层节点数，重复a3步骤，记录不同节点下的回归精度；

a5、结果选取：选取回归精度最高的神经网络参数作为最终结果，进行采煤机稳态样本智能化识别；

S3、在少量负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，使用三重训练算法进行学习，学习包括以下步骤：

b1、数据处理：将原始数据归一化，将有负样本的数据按照稳态结果对应各种参数的形式进行存储，并设定为L；将无负样本的数据按照同一时间的特征进行存储，并设定为U；

b2、神经网络搭建：搭建3个不同的神经网络H1、H2和H3，根据输入参数，设定神经网络参数输入节点个数，根据输出二进制位数设定神经网络输出节点数；

b3、负样本扩大：将已标记样本L(xi,yi)构造为具有差异性训练集的L1、L2和L3，同样的方法将未标记样本U(xj)构造得到训练集U1、U2和U3，根据训练集L1、L1和L3分别三个神经网络，训练完成后将U1输入到H2和H3中进行判别，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中，同样，将U2输入到H1和H3中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4，对U3同样处理，将U3输入到H1和H2中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中；使得L4中获得足量的负样本；

b4、神经网络训练将L1、L2、L3和L4中的负样本输入到神经网络中训练，得到最终的神经网络；

S4、在无负样本条件下，采集健康状态下采煤机的健康参数数据，将采煤机稳态情况分为正常和可能故障状态，设定健康状态下稳态结果并进行学习，学习包括以下步骤：

c1、数据处理：将原始数据归一化，将同一时间的健康参数添加稳态参数p,得到稳态参数对应的健康参数；

c2、神经网络搭建：根据输入参数，设定神经网络参数输入节点个数，根据输出为1个设定神经网络输出节点，设定隐含层为2层，隐含节点设定为其中m＝39为输入节点数，n＝1为输出节点数，a取值1到10之间；

c3：神经网络训练：将原始数据按照1:7～1:10分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反向传播算法调整内部参数，并且得到预测精度，将测试样本中人工加入参数偏差极大的样本作为负样本用以测试，设定神经网络测试样本的输出值为a,定义k＝|a-0.9|为偏离参数，定义e为偏离常数，若k大于等于e,则认为测试样本为可能故障状态，若k小于e，则认为测试数据为健康状态；

c4、参数调整：分别在6-10区间内调整参数h，0.3-0.5区间内调整e，得出在无负样本条件下神经网络最优学习参数。

2.根据权利要求1所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述采煤机稳态情况测定模块包括控制状态模块、自检状态模块、记忆截割状态模块、割煤状态模块、牵引状态模块、速度状态模块、启动状态模块、语音状态模块、割煤方向模块和配置状态模块，对应二进制数的位数与模块数量相等。

3.根据权利要求2所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述a3过程中，将原始数据按照3：7分为测试数据和训练数据。