文摘

为了准确识别的动态健康希勒,减少操作故障和生产事故希勒和进一步提高煤炭生产效率,希勒的动态健康评估方法提出了基于人工免疫算法。等关键技术体系框架,选择指标希勒动态健康评估,提供健康评估模型,该方法设计的流程图。一个仿真例子,精度为96%,根据收集到的数据从工业生产现场提供。此外,对比发现,该方法表现出更高的分类精度比基于回propagation-neural网络分类器(BP-NN)和支持向量机(SVM)方法。最后,该方法应用于希勒动态健康评估的工程问题。工业应用结果表明,本文研究成果可以用来结合希勒在综采工作面自动化控制系统。仿真和应用结果表明,该方法是可行的和超越他人。

1。介绍

由于地下地质条件的随机性和复杂性,希勒健康状况的评估将复杂性的特点,模糊性和不确定性,这可能影响煤炭生产,甚至危及操作者的生命。此外,由于穷人的矿业环境和希勒的复杂组件结构,希勒操作符不能准确估计希勒的工作状态,这可能会导致一些可怜的煤炭质量和开采效率低的问题。此外,越来越多的安全事故在煤矿是经常引起的。因此,有必要评估希勒的动态健康状况已成为一个具有挑战性的和重要的研究课题1]。

根据评估希勒的健康状况,这可以减少操作故障和生产事故希勒和进一步提高生产效率。近年来,许多研究有了一些成就希勒健康状况的诊断。多故障分类器基于改进支持向量机理论用于判断故障类型的煤炭希勒(2]。在[3),一个正确的和及时的诊断机理,希勒失败通过知识获取提供了模糊推理系统,它可以近似的专家经验。尽管许多研究成果提出了,他们有一些共同的缺点总结如下。首先,大多数研究不能证实健康程度明显。此外,它成本诊断时间长,不能用于实时健康评估。

动态健康评估主要是用于航天器在1970年代。目前,国内外研究人员的动态健康评估的建模方法,并提出了一些解决方案。density-based空间聚类的应用程序与噪声已被用于轴承的状态监测(4),一种新颖的基于动态贝叶斯网络的在线方法(DBNs)的估计SOH锂- (Li -)离子电池提出了(5),等等。然而,由于复杂的组件结构和糟糕的工作条件,没有对希勒健康评估的概念,本文试图提出。在实际开采条件下,一些关键指标参数与希勒健康状况有很强的关系。的关系在本质上是高度非线性的,所以很难建立一个全面的数学模型。当前方法和成熟的评估系统并不满意希勒健康状态评估。在本文中,我们试图提出一种新颖的希勒动态健康评估预测方法确定煤矿开采期间的健康状态。

第一个在1974年提出了人工免疫系统的数学模型,提出后续研究和讨论。人工免疫系统(AIS),作为一种新型的智能算法的方法,从生物免疫系统的启发,是预测的有效手段[6- - - - - -8]。AIS可以获得学习能力通过学习生物保护原则。根据上面的分析,一种新的预测方法希勒基于人工免疫算法的动态健康评估和评估系统是由样本数据验证的工业生产现场的操作参数。此外,它将证明人工免疫分类算法是一个更好的工具,由于其分类精度比基于回propagation-neural网络分类器(BP-NN)和支持向量机(SVM)方法。

本文的其余部分组织如下。一些相关作品中概述部分2。等关键技术体系框架,希勒动态健康评估,选择指标,并给出了建议的方法部分3。部分4提供了一个仿真例子和希勒的工业应用实例动态健康评估基于建议的方法来指定应用程序的效果。我们的结论进行了总结5。

2。文献综述

最近的出版物相关本文主要关心两个研究流:动态健康评估方法和人工免疫算法。在本节中,我们试图总结相关文献。

2.1。动态健康评估方法

为动态健康评估的问题,许多研究已经完成自上次几十年。在[9),Zhong-Bin等人开发了一个远程监控平台的希勒利用虚拟样机技术实现远程监控的希勒完全机械化采用煤矿的脸。在[10),周等人提出了一个新颖的方法基于煤炭楼层高度变化作为一个重要因素,模糊优化理论来改善希勒内存的实现精密切割。在[11],p . w .谢霆锋和y l .谢霆锋设计一个创新的系统安装在轿车或卡车运行在道路和提供瞬时发动机健康评估和诊断。在[12),黑色和Winiewicz为内部网络提供了一种方法和装置设备动态健康监测增加网络设备可用性。在[13),Vichare Pecht提出实践的状态和当前状态的研究领域的电子预测和健康管理。在[14],Pecht和Jaai评估实践的状态预测和健康管理的信息和electronics-rich系统。在[15),杨等人提出了一种准确识别的希勒晚地下煤和岩石条件和振动分析的故障诊断的方法。在[16),阴等人设计了一个嵌入式健康评价体系以满足连续监测的要求我特殊的齿轮箱。在[17),Mascarenas等人研究了结构健康监测的vibrohaptic人机界面。在[18],Cerda先生等人研究了桥梁结构健康监测的间接方法允许宽,然而划算,桥股票报道。在[19],Zubizarreta-Rodriguez和Vasudevan引入了一个新的多传感器测量框架状态监测的无刷直流电机(BLDCM)轴承。在[4),Kerroumi等人介绍了一个动态分类方法受到DBSCAN聚类方法对一般机器状态监测和轴承。在[5),他在网上等人提出了一种新颖的方法估计SOH锂-(李)离子电池基于动态贝叶斯网络(DBNs)。在[20.),赫尔曼等人引入了结构健康监测的原则(SHM),疲劳的纤维树脂复合材料的基本知识,这些原则的可能应用在汽车行业。

2.2。人工免疫算法

人工免疫算法是在1986年首先提出的农民(21]。它是能够识别小说形状没有预先程式编制基于学习的能力,内存和模式识别。在[22),石黑浩等人提出了一种新的分散consensus-making系统从生物免疫系统的启发和适应机制,可以用来构造一个合适的免疫网络足够的行为选择。在[23),唐等人描述了一种新的多元模式免疫网络基于生物免疫反应网络。在[24],Abbattista等人提出了利用免疫网络模型设计联想记忆。在[25),邓小平等人提出了一个基于模糊逻辑资源分配和存储单元修剪人工免疫识别系统(播出)提高播出的资源分配机制和减少记忆细胞。在[26),德卡斯特罗和冯Zuben提出克隆选择原理的计算实现显式地考虑亲和力成熟的免疫反应。在[27),春等人提出了一种新的方法采用免疫算法(IA)作为形状优化的搜索方法的一种电磁装置。在[28),Endoh等人提出了一个基于免疫优化算法模型,并应用它th代理“旅行推销员问题tsp。在[29日),石黑浩等人提出了一种新的推理/ consensus-making系统由生物免疫系统的启发,并将该方法应用于自主移动机器人的行为仲裁作为一个实际的例子。在[30.),伤害等人开发了一个自适应分布式基于主体基于生物免疫系统防御策略在一个层次分层架构。在[31日),锅等人提出了一种免疫优势基于人工免疫系统的克隆选择多目标算法,进一步提高优化算法的性能调整机车辅助弹簧负载。在[32],Souza等人提出了两个新的方法来解决电力分配系统的重新配置问题(EDS)使用Copt-aiNet(人工免疫网络用于组合优化)和Opt-aiNet(优化)人工免疫网络算法。在[33)、张等人提出了一种新颖的模糊混合量子人工免疫聚类算法基于云模型(C-FHQAI)来解决随机问题。在[34),Savsani等人提出的影响与Biogeography-Based优化(偏硼酸钡)技术与人工免疫算法(AIA)和蚁群优化(ACO)两种不同的方式。在[35),郭等人都致力于提出一种聚类分析算法是人工免疫网络(aiNet)和集成则算法(aiNet)。

2.3。讨论

根据上述研究,许多健康评估方法,如density-based空间聚类和动态贝叶斯网络,已应用于轴承的状态监测,网络设备动态健康监测,等等。但是还没有相关研究动态希勒健康评估方法。考虑人工免疫算法的优越性和普遍性,本文准备使用这个人工智能算法预测的动态健康状况希勒。进行仿真实验和应用实例,证明了该方法是可行的和有效的。

3所示。基于人工免疫算法的动态健康评估方法

3.1。该方法的框架

希勒的一些实时运行指标通常用于分类希勒自信号的健康状况可以描述其动态特性。为了确定希勒的动态健康状况,需要以下三个过程。这些过程是评估指标选择、数据采集和初始化和多类分类器的训练和测试。希勒的提出条件分类方法动态健康状态如图1。该方法主要包括三个关键步骤:指标选择、数据初始化和数据训练和分类。首先,选择最有效的指标评估希勒的健康状况非常重要,因为过度的评估指标将减少主要指标的影响,导致一个不正确的结果。然后,所有的规范化对象模式中的数据对象集,属性值是在单位时间内和样本数据分为四种类型。最后,人工免疫算法对希勒的动态健康状况进行分类。

3.2。选择评价指标

希勒的系统是由许多子系统组成。建立一个科学合理的评价体系是希勒的健康状态评估的基础。根据实际操作情况,希勒和引用其他健康评估系统,评估后果希勒健康可分为四种典型的模式:正常模式、过渡模式,异常模式,和危险模式。给出了每种类型的操作的定义如下。

正常模式。在工作过程中,希勒变化的卫生指标,都在正常范围内。采煤机正常工作。

过渡模式。在工作过程中,一个或两个卫生指标希勒有广泛变化的偶尔,不危险线。希勒的希勒正常工作,与此同时,职工必须发现问题并解决它。

异常模式。在工作过程中,希勒有广泛变化的卫生指标持续,不危险线。希勒的工人应该停止煤炭生产之前返回正常。

危险的方式。在工作过程中,希勒的健康指标的一些突然改变,危险线。希勒的工人应该立即停止煤炭生产。

通过设置故障阈值根据操作情况下,四个模式的希勒健康状况逐步下降。四个不同的健康模式可以采用相应的操作指导煤矿工人,分别。

希勒的系统是由许多子系统组成。的数据的历史记录和实时监控子系统或多或少反映了希勒的健康状况。然而,在实际应用中,我们必须选择最有效的指标评估希勒和消除下属的健康状况指标,过高评估指标将减少主要指标的影响,导致一个不正确的结果。根据专家的经验和希勒的实际工作条件,动态健康状况取决于实时监控数据。本文的关键是希勒的实时健康评估的内容。因此,评估希勒的动态健康状况,我们选择九实时运行指标:牵引速度,正确的切割电机电流和左切割电机电流,正确的牵引电机电流和左边的牵引电机电流,正确的切割电机温度和左切割电机温度,正确的牵引电机温度和左牵引电机温度。有测试数据表明,牵引速度的映射关系希勒的工作负荷。监视牵引速度的变化可以反映一定程度的工作负荷。此外,作为最重要的信息判断希勒操作状态,减少电机电流和牵引电机电流可以影响牵引速度、切割鼓高度、工作负荷、煤岩特征,等等。两者的区别电流是切割电机电流直接与工作负荷的比例,而牵引电机电流可以全面描述拉电阻。最后,变化缓慢的降低电机温度和牵引电机温度可以表示一般的工作负载和负载在一段时间内。九个指标可以清楚地反映希勒操作状态。动态健康评估模型的评估指标可以如图希勒2。

3.3。定义探测器设置

根据希勒的九个指标动态健康评估方法上面定义,我们可以确定未知模式对象为nine-dimensional属性空间,显示详细的定义1。对应的四个模式希勒动态健康评估后果,多级分类器是由四个探测器:正常模式(),过渡模式(),异常模式(),和危险模式()。任何一个non-self-class对象(对象的类的模式)可以被认可的th检测器(),除了自身阶级对象(对象的类的模式)。换句话说,每个探测器只有无法识别相应的类对象的特定模式的评估结果。免疫分类器模型的动态健康评估希勒如图3。

之前建立基于人工免疫算法的动态健康评估模型,给出了多类分类器的相关定义如下。

定义1。每个模式对象可以表示为维向量,是数据集的模式对象,,在那里模式对象的属性的数量和对象是属性类的模式。

定义2。探测器设置模式中可以识别所有特定类型的数据对象集。每个成员的探测器叫做受体,标记为,。受体也有类似的结构模式对象。

定义3。受体可以识别模式的任何一个特定类型的对象。之间的相似程度,受体和模式对象可以测量关联: 在哪里是探测器组,。
模式对象的欧几里得距离吗和探测器。
关联的函数值在0和1之间。越相似模式之间的值对象和探测器,函数值越大的亲和力。

定义4。 是一个选择阈值选择的受体和值在0和1之间。选择阈值是很重要的,因为它选择哪些受体应该从探测器设置在训练的步骤。

定义5。 是探测器的检测阈值集。检测阈值的值是正确分类探测器的关键,因为它决定哪些探测器应该激活步骤的测试。

3.4。建立评价模型

在本节中,建立动态健康评估模型的流动提供了基于人工免疫算法的细节。它主要包括三个步骤。

3.4.1。数据初始化

这一步可以被看作是一个数据预处理阶段。每个模式对象表示为一个能量向量,。所有对象数据模式的评价指标标准化的对象集,属性值是在单位时间内和。的四种模式对应于希勒动态健康评估后果,模式对象的训练数据集分为四种类型:正常模式(),过渡模式(),异常模式(),和危险模式()。

3.4.2。训练检测器集

训练阶段的目的是为每个模式对象生成一个有效的检测器。生成检测器给出的步骤如下。

步骤1。进行预处理作为self-data组,,所以non-self-data集是由其他预处理的数据集,。初始检测器是空的,。

步骤2。生成随机选择探测器。

步骤3。计算之间的亲和力和;如果、删除从(消极的选择)。

步骤4。计算之间的亲和力和;如果、删除从(积极的选择)。

第5步。删除的个人,如果它可以认可。

步骤6。如果,探测器完成,和迭代完成后,;否则,回头的一步2。

使用相同的负选择算法生成检测器,重复计算从类对象的四倍类对象所有的检测器集,直到每一个探测器可以区分自身阶级对象和non-self-class对象。检测器的生成过程如图4。

3.4.3。测试探测器设置

区分对象和non-self-class对象自身阶级,所有探测器用于循环消除对新样本的测试步骤。对一个新样本的负选择测试的流程图如图5。

是未知的样本数据为输入模式对象。然后,计算值之间的和所有探测器。如果数据可以被探测器 、数据不属于该模式对象。重复这个过程,直到所有探测器进行测试。最后的结果将下列情形之一。

案例1。如果模式对象唯一不能被探测器,然后模式对象属于类对象。

例2。如果模式对象不能被两个或两个以上的探测器,设置一个新的测试阈值。计算的值之间的和未激活的探测器。重复这个过程,直到只有一个探测器仍未激活的。然后,模式对象属于相应的模式对象的最后一个未激活的探测器。

例3。如果模式对象可以被所有探测器,设置一个新的测试阈值。计算的值之间的和所有的探测器。重复这个过程,直到只有一个探测器仍未激活的。然后,模式对象属于相应的模式对象的最后一个未激活的探测器。

4所示。仿真例子和应用

4.1。仿真例子

在本节中,提出了仿真例子来验证该方法的可行性和有效性。

示例数据从希勒在22210年收购了中平能化集团的工作面内的6号我的。根据评估模型的预测方法的希勒动态健康评估,获得的数据归一化,这样对象数据被表示为一个能量向量,,。初始化模式中的数据对象集,属性值是在单位时间内,。模式对象的训练数据集被分成四种类型:正常模式(),过渡模式(),异常模式(),和危险模式()。如表所示11000组数据被随机选择探测器设置和过去的200组训练被用来测试分类训练检测器的性能。

基于人工免疫算法的后评估模型训练,多类分类器的评估系统由四个探测器,每个探测器只能认不出相应类对象的特定模式的评估结果。事实上,如果只输入模式对象不能被一个探测器,然后对象属于这个类对象的模式。

在训练阶段,能获得一个评估系统。为了验证模型的准确性,其余200样本用于测试其性能。预测结果如图6。如图6只有8个测试样本分类错误的,用红笔圈出来。纵坐标值1、2、3、4与四个评估的后果希勒动态健康模式,和识别精度的四个探测器分别为96%,94%,98%,和96%,分别。总体平均分类精度为96%,满足工程要求。测试结果表明,该方法较低的执行偏差,可以应用希勒动态评估的健康。

为了表明基于人工免疫算法的评估模型的优越性,基于回propagation-neural网络评估模型(BP-NN)和支持向量机(SVM)提供了解决上述的问题的例子。训练样本和测试样本是一样的。模拟环境的配置三个算法统一及相关参数与上面的例子。基于BP-NN评估模型的预测结果如图7。如图7,21个测试样本被误诊和一些样品有很大偏差的实际情况。四种医疗模式的分类精度是90%,86%,90%,和92%,总体平均分类精度为89.5%。

基于支持向量机的评估模型的预测结果如图8。如图8,23个测试样本被误诊和一些样品有很大偏差的实际情况。四种医疗模式的分类精度是92%,86%,88%,和90%,总体平均分类精度为88.5%。这是观察到,该方法有更好的分类性能和性能比竞争的方法。与人工免疫算法的好处在不确定的领域,提出了分类器可以获得比单一BP-NN和SVM分类器更高的分类精度。

4.2。进一步讨论

为了进一步比较和分析支持向量机的整体性能,BP-NN,人工智能,同样的1200个样本都尝试了。在这个例子中,一定数量的样本,用培训大小(),是随机选择的数据作为训练样本,从剩余的200个样本是随机选择的样品作为测试样本。然后每个学习算法训练和测试200次,记录分类错误率作为最终结果。在这项研究中,训练例子的大小不同。也就是说,我们在算法运行几个试验与训练规模从100年到1000年不等。分类错误率(分类错误时间和吗总测试时间)是选为指标来表达的结果作为一个比例的最优解。

图9情节的这个指标(分类错误率)为每个审判问题大小的函数。可以看出,所有试验的分类错误率降低非线性和人工智能的分类精度优于BP-NN和支持向量机。

从图9,很明显,AI的分类错误率下降速度最快的在不同的训练比BP-NN大小和拥有更强的泛化能力大小和SVM的训练。更重要的是,人工智能的分类精度比较高的和鲁棒性。因此,人工智能算法可以获得相对较高的精度提供了一个有效的动态健康评估希勒的支持工具。

4.3。工业应用

在本节中,基于该方法的系统被开发和应用领域的希勒动态健康评估,如图10。

如图10显示,“网关控制器”和“地面监控中心”是用于控制和监测采煤机运行参数。基于该方法的系统上传到网关控制器。牵引速度、左切割电机电流、正确的切割电机电流,左边牵引电机电流、牵引电机电流,左边切割电机温度,降低电机温度,左边牵引电机温度,收集和正确的牵引电机温度每1 Hz的希勒控制器和收集到的数据传输到网关控制器。然后,希勒的变化动态健康评估结果确定并显示在监控界面希勒动态健康评估”。

为了说明该方法的应用效果,希勒是运行在从135.0到150.0工作面内的手动操作。动态健康评估曲线的基础上,提出了分类器如图11的纵坐标值1、2、3和4表示四个健康类:正常模式、过渡模式,异常模式,和危险模式。曲线显示两个明显的变化在A和b段的纵坐标值从1到3,这意味着希勒健康状况突然改变从正常模式异常模式。一些操作参数的变化绘制在图12。切割电机电流明显增加时,正确的切割鼓减少135.0米至138.5米之间的地板上,左侧切割鼓减少146.0米至148.0米之间的屋顶。希勒的结果动态健康评估的基础上,提出系统几乎完全符合实际切削希勒的地位。

5。结论和未来的工作

本文的主要贡献是,方法基于人工免疫算法的评估希勒动态健康状况。建议的方法的详细的流程,其中包括三个关键的步骤,也就是说,评价指标选择、数据采集和初始化和多类分类器的训练和测试。为了验证该方法的可行性和效率,提供了一个仿真例子和一些与其他算法进行了比较。仿真结果表明,该方法优于他人。最后,该方法应用于希勒动态健康评估的工程问题。工业应用结果表明,本文研究成果可以用来结合采煤机自动化控制系统和有明显的效率在降低工作面内的运行故障和生产事故希勒和进一步提高煤炭生产效率。人工免疫算法可以获得相对较高的精度提供了一种有效的支持工具为希勒动态健康评估。

在未来的研究中,作者计划调查提出的一些改进方法。可能的改进可能包括人工免疫算法的组合与其它智能算法更好的性能。此外,该方法在动态健康评估的应用领域值得进一步研究的作者。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

共同基金的支持中国的国家自然科学基金(没有。U1510117),中国国家重点基础研究计划:关键基础研究无人采矿设备深陷危险煤层(没有。重点学科2014 cb046301),程序开发(PAPD)江苏高等教育机构、生产、研究和创新基金合作项目在江苏省(BY2014107)进行本研究。