[发明专利]崩落法开采矿山铲运机出矿作业工时预测方法及系统

说明书

一种崩落法开采矿山铲运机出矿作业工时预测方法，包括：S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；S5、使用改进的郊狼算法对复合核函数的参数进行寻优，对预测模型进行训练，得到最优核函数参数；S6、输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值。

技术领域

本发明涉及采矿装备作业工时预测技术领域，特别涉及一种崩落法开采矿山铲运机出矿作业工时预测方法及系统。

背景技术

地下矿山中，铲运机出矿作业工时是地下矿智能调度系统的数据支撑之一，铲运机作业工时预测的准确度，直接影响到调度系统决策的可靠性和实时性。因此如何精确的预测铲运机在不同作业环境下的出矿作业工时，是地下矿智能调度系统中的重要研究内容之一。精确的铲运机出矿作业工时预测方法，能够为地下矿山生产设备调度系统提供数据支持，提高生产设备运行效率，降低生产成本。

有关地下矿铲运机出矿作业工时预测的研究并不多见，在时间预测方面，研究领域多智能交通、成产制造、航空器滑行等领域。目前常见的预测方法有基于回归分析的时间预测方法和基于机器学习的预测方法。基于回归分析的预测方法不能适用状态变化较大的情况，会出现精度不稳定的问题，同时在建模过程中复杂度较高，不适合大规模推广。基于机器学习的预测方法有如神经网络、支持向量机、马尔科夫链、深度学习等。神经网络作为一种传统的预测模型，在时间预测领域得到了大量应用，但浅层的神经网络缺乏特征学习能力，对于状态变化较大的情况，需要建立大量神经元来寻求最优解，因而算法复杂度也会提高。基于深度学习的预测方法，随着网络结构的复杂，往往会出现过拟合、泛化能力差的问题。

发明内容

有鉴于此，本发明提出一种崩落法开采矿山铲运机出矿作业工时预测方法及系统。

一种崩落法开采矿山铲运机出矿作业工时预测方法，其包括如下步骤：

S1、将铲运机出矿作业分为铲装和运输两个工况，分别收集两个工况的作业时间数据；

S2、分析两种工况的作业环境，分别确定影响两种工况作业工时的影响因素；

S3、根据收集的两种工况下的铲运机作业时间数据，采集影响两种工况作业工时的影响因素，构建数据集，将数据集中的数据分为训练样本和测试样本；

S4、将支持向量机中的多项式核函数和Laplacian核函数进行复合组合，构建复合核函数的最小二乘支持向量机预测模型；

S5、使用改进的郊狼算法对复合核函数的参数进行寻优，分别输入两种工况的训练样本对预测模型进行训练，得到最优核函数参数；

S6、在预测模型中输入相对应的测试样本，得到两种工况下的铲运机作业工时预测值，最后将两种工况下的预测值相加，再加上固定的卸矿时间得到铲运机一个作业循环的作业工时预测值。

在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，

所述步骤S1中铲运机出矿作业中运输工况包括运矿和返回环节。

在本发明所述的崩落法开采矿山铲运机出矿作业工时预测方法中，

所述步骤S2包括：

S21、确定影响铲运机作业工时的第一因素；

S22、通过计算各影响铲运机作业工时的第一因素之间的Spearman(斯皮尔曼)相关系数，根据相关系数，选取相关性弱的影响因素作为影响两种工况作业工时的影响因素。