[发明专利]矿山凿岩装备作业工时智能预测方法

说明书

本发明提供了一种矿山凿岩装备作业工时智能预测方法，包括：采集装备作业工时历史数据并进行Pearson相关性分析，选择无相关影响因素作为预测模型中的变量；根据采集的某一影响因素变化下的作业工时绘制散点分布图；采用Origin软件拟合以确定对应的函数关系式；通过线性叠加并加上误差项，构建多变量共同的预测模型；将作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练集样本变换为k个相互独立且不相交的子集；在训练集样本中进行k(k‑1)/2次交叉验证，利用差分进化算法计算预测模型的变量参数值，再利用测试样本进行泛化能力测试；本发明所建立的作业工时预测模型能够有效减小泛化误差并具有较高预测精度，具有较高的实际应用价值。

技术领域

本发明属于采矿装备作业工时预测技术领域，具体涉及一种能够有效减小泛化误差并具有较高预测精度的矿山凿岩装备作业工时智能预测方法。

背景技术

矿山开采方式粗放，作业过程离散，凿岩是矿山开采过程中的主要工序之一，如何合理确定凿岩接续工序的间隔时间，减少作业装备和人员的等待过程，是提升矿山开采效率的关键。同时，矿山开采过程的少人化、无人化发展是必然趋势，不同工序作业装备的无缝衔接是实现这一目标的关键，因此，快速准确的预测凿岩装备作业工时，将为生产精准调度及智能矿山建设提供支撑。

在作业时间预测方面，研究对象多见于飞机寿命、制造厂地生产工时、水流预测、空气污染程度等，而有关矿山凿岩装备作业工时的预测研究较为少见。已有的预测方法包括神经网络、机器学习、线性回归、最小二乘回归、学习曲线等。另外，也存在一些针对不同问题需要而特别设计的解决方法。

虽然神经网络的学习和机器学习可以解决大部分的作业工时预测问题，但是神经网络和机器学习在数据集的学习过程中只充当一个黑匣子的功能，对于学习过程的可解释性不足，而且利用神经网络的学习需要大量的数据样本，以保证预测精确度。而对于纯粹使用数学统计分析方法预测作业工时，其过程计算较为复杂，最后所得到的预测模型，虽然满足训练误差较小，但是其泛化误差较大。

发明内容

针对现有技术的不足，本发明提供一种矿山凿岩装备作业工时智能预测方法，该方法通过融合数理统计分析和深度学习算法，构建凿岩装备作业工时预测函数模型，借助深度学习中的范数惩罚约束进行参数优化，避免预测函数模型结果出现过拟合或欠拟合现象，同时可以有效减小泛化误差，提高模型预测精度。

一种矿山凿岩装备作业工时智能预测方法，其特征在于，该预测方法包括以下步骤：

步骤1、采集一定量的矿山凿岩装备作业工时历史数据，并对影响作业工时的因素进行Pearson相关性分析，从而选择一定置信度水平下的无相关影响的因素作为工时预测模型中的变量；

步骤2、根据采集的某一影响因素变化条件下的凿岩装备作业工时，绘制作业工时的散点分布图；

步骤3、采用Origin软件进行拟合操作，确定单一变量情况下的凿岩装备作业工时函数计算关系式；

步骤4、将所述步骤3得到的函数关系式通过线性叠加并加上误差项，构建多变量共同作用下的作业工时预测模型；

步骤5、将所述步骤1中经过Pearson相关性分析得到的凿岩装备作业工时历史数据分为训练样本和测试样本，并按交叉验证分类法将训练样本变换为k个相互独立且不相交的子集，并进行k(k-1)/2次交叉验证；

步骤6、将训练样本数据进行k(k-1)/2次交叉验证，利用改进的差分进化算法计算作业工时预测模型的变量参数值，再利用测试样本对作业工时预测模型的泛化能力进行测试。

优选地，所述步骤2中采集某一影响因素变化条件下凿岩装备作业工时包括：动态调整某一影响因素的量化值，不予控制相同置信度水平下具有相关性的影响因素，保证采集的凿岩装备作业工时实际数据的完整性，并将无相关性影响因素的量化值看作常量；并利用此过程采集每种无相关影响的因素变化条件下的凿岩装备作业工时数据n组，每组采集m次。