基于数据挖掘的煤矿机电设备运行状态预测方法研究

发布时间：2024-02-15 19:16

　　随着煤炭科技水平的不断提升,煤矿机电设备的安全可靠运行成为研究的热点。对于煤矿企业来说,机电设备的运行状态变化规律往往“隐喻”在大量复杂的数据中,需要深入研究煤矿机电设备状态信息的智能表征,从中挖掘出隐藏的价值信息,用此来表述机电设备的历史运行状态。通过历史的运行状态数据预知煤矿机电设备的未来运行状态、并对其进行健康状态评价,对机电设备采取相应的预防性措施,这己成为设备健康维护的基本模式。因此,本文深入研究基于数据挖掘的煤矿机电设备运行状态预测方法。首先,针对单一预测模型对煤矿机电设备运行状态预测精度低、适用性差的问题,深入分析ARIMA预测模型、灰色GM(1,1)预测模型以及BP神经网络预测模型的结构原理,提出AGB组合预测模型方法,通过调节各单一模型权重参数验证AGB组合预测模型预测精度。其次,针对煤矿机电设备运行状态数据量大、数据利用率低、单机进行海量数据挖掘速度慢等问题等,利用MapReduce技术,提出双MapReduce挖掘预测框架,建立双MapReduce的运行状态数据挖掘预测模型,利用MapReducel对监测数据的特征提取,利用MapReduce2对特征数据进行预测分...

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图2.1聚类算法最终结果

的数据为煤矿机电设备监测数据，每类设备的参数维度单一且都日志记录方式为“逢变记录”，即参数发生变化时才记录参数值和在正常运行时参数变化较为频繁，经过预处理后这些数据会呈现点。时序数据的挖掘预测一般需要分析现有的时间序列数据的模未来一段时间内的数据，也就是说，时序数据挖掘预测是通过....

图2.4BP网络的拓扑结构

图2.4BP网络的拓扑结构经网络算法也使用梯度下降法（gradientdescent），以单个样本的均方对权重进行调节。可以看出：BP算法首先将误差反向传播给隐层神出层的连接权重与输出层神经元的阈值；接着根据隐含层神经元的入层到隐含层的连接权值与隐含层神经元的阈值[70....

图2.5Sigmod函数曲线

图2.4BP网络的拓扑结构经网络算法也使用梯度下降法（gradientdescent），以单个样本的均方误对权重进行调节。可以看出：BP算法首先将误差反向传播给隐层神经元出层的连接权重与输出层神经元的阈值；接着根据隐含层神经元的均方入层到隐含层的连接权值与隐含层神经元的....

图2.6GM(1,1)模型预测结果对比

表2.5GM(1,1)模型预测误差分析冷却水压数据预测值残差1.251.25—1.341.37-0.031.411.43-0.021.281.48-0.201.411.54-0.131.781.601.181.861.660.20....

本文编号：3900209