[发明专利]一种矿山凿岩装备作业工时预测方法及装置

说明书

本发明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。本发明提高了工时预测的精度和速度。

技术领域

本发明涉及凿岩装备作业工时预测技术领域，具体涉及一种矿山凿岩装备作业工时预测方法及装置。

背景技术

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。

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。

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。

发明内容

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。

为了解决上述技术问题，本发明提供了一种矿山凿岩装备作业工时预测方法，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。

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。

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：

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。

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：

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；