本发明专利技术提供了一种矿山凿岩装备作业工时预测方法及装置，其方法包括：获取矿山凿岩装备的历史作业工时以及影响历史作业工时的多种样本数据；利用相关性分析，将多种样本数据划分为不相关的多个因素特征组，多个因素特征组中的每一个因素特征组均包括多个因素特征；构建特征降维神经网络，并通过特征降维神经网络确定多个因素特征的优化权重值；根据优化权重值确定与多个因素特征组一一对应的多个降维样本；构建全连接神经网络模型，并利用多个降维样本和历史作业工时对全连接神经网络进行训练及优化，确定工时预测模型；根据工时预测模型对矿山凿岩装备作业工时进行预测。本发明专利技术提高了工时预测的精度和速度。明提高了工时预测的精度和速度。明提高了工时预测的精度和速度。
【技术实现步骤摘要】
一种矿山凿岩装备作业工时预测方法及装置
[0001]本专利技术涉及凿岩装备作业工时预测
，具体涉及一种矿山凿岩装备作业工时预测方法及装置。
技术介绍
[0002]在时间要求方面，矿山开采时只掌控整体的时间安排，对于各工序作业时间的精准控制较少，这就导致了各工序作业时间的离散化，从而影响开采过程中的整体时间规划以及各周期的开采进程。在时间安排方面，生产过程中所需时间的最长的矿山机械是铲运机，其次是凿岩装备，然而影响凿岩工时的因素较铲运机运行时长的因素多。因此，分析凿岩工时与其影响因素的联系将关系到矿山精准调度以及智能矿山的建设。
[0003]现如今，关于工时预测的研究多见于飞机寿命、水流预测、制造厂地生产工时、空气污染程度预测等，有关矿山机械作业工时的预测研究较少。研究较多的工时预测方法包括神经网络、机器学习、线性回归、最小二乘回归、学习曲线、统计分析等。除此之外，也存在一些针对不同问题的需要而特别设计的预测方法。
[0004]在已有的预测方法中，基于数学理论分析的统计计算、线性回归等方法虽然可以明确的解释学习过程，然而计算过程较为复杂，模型精确度不高，泛化误差较大。基于机器学习的神经网络预测方法，虽然难以解释学习过程，但是其预测精度较高，然而当输入层参数较多时，其模型容量较大，学习速度变慢。
技术实现思路
[0005]有鉴于此，有必要提供一种矿山凿岩装备作业工时预测方法及装置，用以解决现有技术中存在的无法同时兼顾预测精度和预测速度的技术问题。
[0006]为了解决上述技术问题，本专利技术提供了一种矿山凿岩装备作业工时预测方法，包括：
[0007]获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据；
[0008]利用相关性分析，将所述多种样本数据划分为不相关的多个因素特征组，所述多个因素特征组中的每一个因素特征组均包括多个因素特征；
[0009]构建特征降维神经网络，并通过所述特征降维神经网络确定所述多个因素特征的优化权重值；
[0010]根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本；
[0011]构建全连接神经网络模型，并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化，确定工时预测模型；
[0012]根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。
[0013]在一些可能的实现方式中，所述特征降维神经网络包括依次设置的第一输入层、至少一个第一隐含层以及第一输出层，所述第一输入层的神经元个数与所述多种样本数据的种类数相同，所述第一输出层的神经元个数与所述多个因素特征组的个数相同。
[0014]在一些可能的实现方式中，所述通过所述特征降维神经网络确定所述多个因素特征的优化权重值，包括：
[0015]确定所述多个因素特征的初始权重值；
[0016]基于改进的差分进化算法对所述初始权重值进行优化，获得所述优化权重值。
[0017]在一些可能的实现方式中，所述基于改进的差分进化算法对所述初始权重值进行优化，获得所述优化权重值，包括：
[0018]步骤1、根据所述初始权重值生成初始种群，并确定最大进化代数以及适应度阈值；
[0019]步骤2、将所述初始种群作为父代种群，并计算所述父代种群中各个个体的适应度值；
[0020]步骤3、判断所述父代种群中是否存在适应度值小于所述适应度阈值的个体，若存在，则所述初始权重值为所述优化权重值；若不存在，则确定目标变异策略；
[0021]步骤4、基于所述目标变异策略对所述父代种群进行变异和交叉，获得临时种群；
[0022]步骤5、将所述父代种群与所述临时种群相对应的每一个体的适应度值进行比较，选择适应度值较小的个体组成新父代种群；
[0023]步骤6、判断进化代数是否大于所述最大进化代数，若大于，则所述新父代种群对应的权重值为所述最优权重值，若不大于，则返回步骤4。
[0024]在一些可能的实现方式中，所述适应度值为所述特征降维神经网络的最小训练误差值；所述计算所述父代种群中各个个体的适应度值包括：
[0025]将所述各个个体在所述特征降维神经网络中进行至少两次训练，并获得至少两个训练误差值；
[0026]将所述至少两个训练误差值中较小的训练误差值作为所述适应度值。
[0027]在一些可能的实现方式中，所述确定目标变异策略包括：
[0028]确定至少两个备选变异策略；
[0029]根据所述至少两个变异策略分别对所述父代种群进行变异，生成与所述至少两个变异策略一一对应的至少两个变异结果；
[0030]将所述至少两个变异结果中变异个体的适应度值小于预设适应度值的个数较多的变异结果所对应的备选变异策略作为所述目标变异策略。
[0031]在一些可能的实现方式中，所述多个降维样本为：
[0032]x
′
i
＝∑ω
j
x
j
[0033]式中，x
i
’
为第i个因素特征组对应的降维样本；x
j
为第i个因素特征组中第j个因素特征；ω
j
为第i个因素特征组中第j个因素特征的优化权重值。
[0034]在一些可能的实现方式中，所述利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化，确定工时预测模型，包括：
[0035]将所述多个降维样本和所述历史作业工时按照预设比例划分为训练样本和测试样本；
[0036]利用所述训练样本对所述全连接神经网络模型进行训练，确定所述全连接神经网络模型的模型初始权重和模型初始偏差值；
[0037]利用所述测试样本，基于蝴蝶算法对所述模型初始权重和模型初始偏差值进行优
化，获得模型优化权重和模型优化偏差值，从而确定所述工时预测模型。
[0038]在一些可能的实现方式中，所述多种样本数据包括数值型数据和字符型数据；在获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据之后还包括：
[0039]将所述数值型数据进行归一化处理；
[0040]将所述字符型数据划分为多个等级并用数字表示所述等级。
[0041]另一方面，本专利技术还提供一种矿山凿岩装备作业工时预测装置，包括：
[0042]样本数据获取单元，用于获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据；
[0043]相关性分析单元，用于利用相关性分析，将所述多种样本数据划分为不相关的多个因素特征组，所述多个因素特征组中的每一个因素特征组均包括多个因素特征；
[0044]权重优化单元，用于构建特征降维神经网络，并通过所述特征降维神经网络确定所述多个因素特征的优化权重值；
[0045]样本降维单元，用于根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本；
[0046]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种矿山凿岩装备作业工时预测方法，其特征在于，包括：获取矿山凿岩装备的历史作业工时以及影响所述历史作业工时的多种样本数据；利用相关性分析，将所述多种样本数据划分为不相关的多个因素特征组，所述多个因素特征组中的每一个因素特征组均包括多个因素特征；构建特征降维神经网络，并通过所述特征降维神经网络确定所述多个因素特征的优化权重值；根据所述优化权重值确定与所述多个因素特征组一一对应的多个降维样本；构建全连接神经网络模型，并利用所述多个降维样本和所述历史作业工时对所述全连接神经网络进行训练及优化，确定工时预测模型；根据所述工时预测模型对所述矿山凿岩装备作业工时进行预测。2.根据权利要求1所述的矿山凿岩装备作业工时预测方法，其特征在于，所述特征降维神经网络包括依次设置的第一输入层、至少一个第一隐含层以及第一输出层，所述第一输入层的神经元个数与所述多种样本数据的种类数相同，所述第一输出层的神经元个数与所述多个因素特征组的个数相同。3.根据权利要求2所述的矿山凿岩装备作业工时预测方法，其特征在于，所述通过所述特征降维神经网络确定所述多个因素特征的优化权重值，包括：确定所述多个因素特征的初始权重值；基于改进的差分进化算法对所述初始权重值进行优化，获得所述优化权重值。4.根据权利要求3所述的矿山凿岩装备作业工时预测方法，其特征在于，所述基于改进的差分进化算法对所述初始权重值进行优化，获得所述优化权重值，包括：步骤1、根据所述初始权重值生成初始种群，并确定最大进化代数以及适应度阈值；步骤2、将所述初始种群作为父代种群，并计算所述父代种群中各个个体的适应度值；步骤3、判断所述父代种群中是否存在适应度值小于所述适应度阈值的个体，若存在，则所述初始权重值为所述优化权重值；若不存在，则确定目标变异策略；步骤4、基于所述目标变异策略对所述父代种群进行变异和交叉，获得临时种群；步骤5、将所述父代种群与所述临时种群相对应的每一个体的适应度值进行比较，选择适应度值较小的个体组成新父代种群；步骤6、判断进化代数是否大于所述最大进化代数，若大于，则所述新父代种群对应的权重值为所述最优权重值，若不大于，则返回步骤4。5.根据权利要求4所述的矿山凿岩装备作业工时预测方法，其特征在于，所述适应度值为所述特征降维神经网络的最小训练误差值；所述计算所述父代种群中各个个体的适应度值包括：将所述各个个体在所述特征降维神经网络中进行至少两次训练，并获得至少两个训练误差值；将所述至少两个训练误差值中较小的训练误差值作为所述适应度值。6.根据权利要求4所述的矿山凿岩装备作业工时预测方法，其特征在于，所述确...
【专利技术属性】
技术研发人员：李宁，冯书照，周阳，贾明滔，池秀文，王李管，任高峰，叶海旺，王其洲，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。