[发明专利]煤质成分实时精准检测设备的大数据分析方法

权利要求书

1.煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述方法包括如下步骤：

步骤A1：将煤质的六大成分值和环境光源感应的输出值经过换算模型处理后，输出两组数据，一组为七个原始电伏信号，另一组为经“煤质数值分析模型”处理后的六大成分数据；

步骤A2：将经过“煤质数值分析模型”处理后的六大成分数据和七个原始电伏信号输入到大数据整理、存储、挖掘管理平台，其中，

所述步骤A1和A2的“煤质数值分析模型”为对煤质6大成分值的所有数据统一结构，同时按不同的特性算法，对所有数据按共性、差异和剩余三种类型进行分类、整理；

步骤A3：通过大数据整理、存储、挖掘管理平台对两组数据进行共性、差异和剩余三种类型的分类和整理；

步骤A4：将大数据整理、存储、挖掘管理平台处理后的数据输出到共性数据库、差异数据库和剩余数据库中。

2.根据权利要求1所述的煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述步骤A3和A4的大数据整理、存储、挖掘管理平台的算法为带记忆和裂变的修正K-Means算法。

3.根据权利要求2所述的煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述带记忆和裂变的修正K-Means算法包括如下步骤：

步骤B1：将煤质的六大成分分别记为Ci(Q、M、A、V、Fc、S)，将Q、V、S三个特性值对应三维空间X、Y、Z轴，其中，Q为煤的发热量，M为煤的水分，A为煤的灰分，V为煤的挥发分，Fc为煤的固定碳，S表示煤的含硫量；

步骤B2：初始化煤种的数量K，K对应为煤种专家系统煤种的数量，当煤质成分实时精准检测设备的煤种专家系统扩充煤种数量时，深度学习系统会自动增加K的值；

步骤B3：自动存储上次数据挖掘输出的数据为K个质心点对应数据，并采用“记忆部分核心算法”处理数据；

步骤B4：将“记忆部分核心算法”处理后的数据进行“修正K-Means核心算法”处理；

步骤B5：将“修正K-Means核心算法”处理后的数据输出到“裂变部分核心算法”进行处理，最后将处理好的数据存储到共性数据库、差异数据库和剩余数据库中。

4.根据权利要求3所述的煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述步骤B3的“记忆部分核心算法”包括如下步骤：

步骤C1:煤质成分实时精准检测设备将自动存储上次数据挖掘时找到的K个质心点，定义为Zi，i＝1、2…K，算法初始化质心点，定义为Si，i＝1、2…K；

步骤C2：令Zi＝Si。

5.根据权利要求3所述的煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述步骤B3的“修正K-Means核心算法”包括如下步骤：

步骤D1：对Ci(Q、V、S)里的V和S值分别乘以1000，以保持Q、V、S三位同步；

步骤D2：再将Ci(Q、V、S)里的三个特性值进行欧式平方误差和运算；

其中，C为当前选定的临时质心，Cx为煤质的热量值，Cy为煤质的挥发值，Ci为除C外的其它的数据，Cx.q为在X轴的发热量成分值；Cy.q表示为在Y轴挥发量值,Cx.s为在X轴煤质的含硫成分值；Cy.s为在Y轴含硫量值，Cx.v在X轴挥化分值；Cy.v表示在Y轴挥发量值，n为数据库数据的数量；

步骤D3：如果SSE已经收敛，则找到了K个质心点，输出SSE所对应的K个质心点，输出数据进行“裂变部分核心算法”，否则继续执行步骤D1和步骤D2。

6.根据权利要求3所述的煤质成分实时精准检测设备的大数据分析方法,其特征在于，所述步骤B5的“裂变部分核心算法”包括如下步骤：

步骤E1：令挖掘到的K个质心点为Ci，i＝1、2、3……K,当前煤质为C，进行欧式平方误差和；

Cmin＝MIN(Dis(C,Ci))

其中，C.q为当前煤质的发热量成分值；C.s为当前煤质的含硫成分值；Ci.v当前煤质的挥化分值；Ci.q为第i个质心点的热值成分值；Ci.S为第i个质心点的含硫成分值；Ci.v为第i个质心点的挥化分值；Cmin＝MIN(Dis(C,Ci))指K个质心点中离当前C点距离最短的质心点；

步骤E2：找到与当前煤质C最佳的质心点Cmin后，再以Cmin点为中心，Cmin所在的聚类为数据源，运用“修正K-Means算法”，在这个聚类中找出最终的3个质心点，如果找到了SSE对应的三个质心点，将SSE对应的三个质心点，定义为Co1、Co2和Co3，这三个煤质数据将是本系统数据挖掘的最终结果；如果没有找到SSE对应的三个质心点则继续执行“修正K-Means算法”。