于 寧 孫業(yè)新 陳洪月

遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院，阜新，123000

0 引言

采煤機(jī)是煤礦開(kāi)采最重要的設(shè)備。由于采煤工作面不均勻圍巖、堅(jiān)硬夾矸等因素的影響，采煤機(jī)滾筒在截割過(guò)程中易受到強(qiáng)烈的沖擊，導(dǎo)致截割滾筒的截齒異常磨損或搖臂內(nèi)的齒輪斷齒失效等[1-2]，因此，研究采煤機(jī)的滾筒載荷識(shí)別與預(yù)測(cè)方法對(duì)采煤機(jī)工作狀態(tài)監(jiān)測(cè)與預(yù)警具有重要意義。

截割載荷預(yù)測(cè)在煤礦裝備智能化領(lǐng)域一直是研究熱點(diǎn)與難題。郝志勇等[3]通過(guò)實(shí)驗(yàn)采集銷軸和壓力環(huán)的三向應(yīng)變，采用小波分解降噪并進(jìn)行載荷譜分形關(guān)聯(lián)維數(shù)計(jì)算，研究了滾筒截割載荷分布規(guī)律；李曉豁等[4]基于MATLAB/GUI研發(fā)了滾筒截割載荷模擬系統(tǒng)，依據(jù)滾筒參數(shù)和煤巖信息預(yù)測(cè)截割載荷，解決了截割載荷計(jì)算困難問(wèn)題；劉春生等[5]提出了一種改進(jìn)分?jǐn)?shù)階Tikhonov正則化載荷識(shí)別算法，對(duì)截割載荷有較好的識(shí)別效果。目前，有不少學(xué)者應(yīng)用神經(jīng)網(wǎng)絡(luò)識(shí)別與預(yù)測(cè)截割載荷。張強(qiáng)等[6]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合的煤巖識(shí)別方法，依據(jù)實(shí)驗(yàn)提取截割過(guò)程中的振動(dòng)、電流等信號(hào)特征，預(yù)測(cè)了滾筒的截割軌跡。劉春生等[7]建立了基于熵權(quán)的正則化神經(jīng)網(wǎng)絡(luò)載荷譜預(yù)測(cè)模型，提出了依據(jù)有限楔入角的載荷譜的預(yù)測(cè)方法，實(shí)現(xiàn)不同楔入角的截割載荷預(yù)測(cè)。蔣干[8]采用IFOA-RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了單一傳感信號(hào)下的煤巖截割狀態(tài)識(shí)別，經(jīng)過(guò)D-S證據(jù)理論融合，最終得到了煤巖截割載荷識(shí)別結(jié)果。毛君等[9]將深度信念網(wǎng)絡(luò)(deep belief network，DBN)應(yīng)用于滾筒載荷預(yù)測(cè)，經(jīng)過(guò)實(shí)驗(yàn)測(cè)試得到了良好的載荷預(yù)測(cè)效果，結(jié)果表明DBN預(yù)測(cè)模型特征提取能力強(qiáng)，且優(yōu)于BP神經(jīng)網(wǎng)絡(luò)(BPNN)。

綜上所述，在數(shù)據(jù)量龐大且復(fù)雜的條件下，DBN可以實(shí)現(xiàn)特征自主學(xué)習(xí)，在預(yù)測(cè)精度上優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，而應(yīng)用DBN的載荷預(yù)測(cè)研究較少。在上述學(xué)者對(duì)截割載荷的研究基礎(chǔ)上，本文提出了一種改進(jìn)的DBN載荷預(yù)測(cè)模型，在DBN的基礎(chǔ)上，結(jié)合貝葉斯正則化(BR)方法和粒子群優(yōu)化(PSO)算法，建立了基于BR-PSO-DBN的滾筒載荷預(yù)測(cè)模型。

1 DBN的改進(jìn)

1.1 DBN

DBN由多層無(wú)監(jiān)督受限玻爾茲曼機(jī)(restricted Boltzmann machine，RBM)和一層有監(jiān)督的反向傳播網(wǎng)絡(luò)堆疊而成[10]。DBN包含兩個(gè)學(xué)習(xí)過(guò)程：前向無(wú)監(jiān)督堆疊和后向有監(jiān)督微調(diào)。前向無(wú)監(jiān)督堆疊過(guò)程為：將第一個(gè)RBM的輸出作為第二個(gè)RBM的輸入，依此類推，采用貪婪學(xué)習(xí)算法進(jìn)行預(yù)訓(xùn)練，實(shí)現(xiàn)從前到后的無(wú)監(jiān)督學(xué)習(xí)，初步確定網(wǎng)絡(luò)權(quán)重。后向有監(jiān)督微調(diào)過(guò)程為：從DBN網(wǎng)絡(luò)最后一層開(kāi)始精調(diào)網(wǎng)絡(luò)各層的參數(shù)，根據(jù)標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，采用BP算法微調(diào)初始網(wǎng)絡(luò)權(quán)重，得到最優(yōu)的網(wǎng)絡(luò)參數(shù)。

1.2 引入BR法

多傳感器采集條件下，數(shù)據(jù)量增大，特征維度增加，RBM堆疊得到的DBN非常復(fù)雜，建立的模型容易發(fā)生過(guò)擬合現(xiàn)象。為避免過(guò)擬合問(wèn)題，增強(qiáng)網(wǎng)絡(luò)的泛化能力，本文引入BR法優(yōu)化每層RBM的訓(xùn)練函數(shù)，限制網(wǎng)絡(luò)規(guī)模的同時(shí)減小訓(xùn)練誤差。

根據(jù)BR法[11]，將RBM中的性能函數(shù)優(yōu)化為

Fw=αP+βEw

(1)

(2)

P0=P(v,h)∝exp(-E(v,h))=
exp(hTWv+bTv+aTh)

(3)

式中，F(xiàn)w為優(yōu)化的訓(xùn)練函數(shù)；Ew為復(fù)雜度懲罰項(xiàng)；P0為初始的訓(xùn)練函數(shù)；α、β為超參數(shù)；h、v分別表示隱含層和可視層；m、n分別為可視單元與隱藏單元數(shù)量；P為聯(lián)合概率分布；E(v,h)為該組態(tài)下的能量函數(shù)；W為顯層與隱層各單元之間的連接權(quán)值，W=[wij]；a、b分別為顯層與隱層各單元的偏置值。

如果α遠(yuǎn)大于β，則減小訓(xùn)練誤差，如果α遠(yuǎn)小于β，則減小網(wǎng)絡(luò)規(guī)模。

確定網(wǎng)絡(luò)結(jié)構(gòu)后，確定訓(xùn)練函數(shù)超參數(shù)α、β的取值。依據(jù)HINTON等[12]給出的正則化法超參數(shù)取值的經(jīng)驗(yàn)(α∈[0.5,1]，β∈[0,0.5])，本文通過(guò)實(shí)驗(yàn)隨機(jī)多次在取值范圍內(nèi)給α、β賦值，最后取網(wǎng)絡(luò)識(shí)別效果最佳的賦值。引入BR法優(yōu)化各層RBM，確定最優(yōu)的網(wǎng)絡(luò)模型規(guī)模以及超參數(shù)α、β，提高網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)的適應(yīng)能力。

1.3 引入PSO算法

為使網(wǎng)絡(luò)獲得最優(yōu)的網(wǎng)絡(luò)權(quán)重，引入PSO算法對(duì)傳統(tǒng)的BP算法加以改進(jìn)，強(qiáng)化網(wǎng)絡(luò)精調(diào)的能力。PSO算法通過(guò)隨機(jī)粒子種群迭代進(jìn)行尋優(yōu)，每次迭代通過(guò)跟蹤個(gè)體最優(yōu)解和全局最優(yōu)解來(lái)更新粒子的運(yùn)行速度和位置。首先初始化粒子群參數(shù)，種群F={F1,F2,…,Fn}，設(shè)第i個(gè)粒子在t次迭代的位置為Fi,t=(fi1,t,fi2,t,…，fiD,t)T，速度Vi,t=(vi1,t,vi2,t,…,viD，t)T，個(gè)體的最優(yōu)位置pi，t=(pi1，t,pi2，t,…,piD，t)T，全局的最優(yōu)位置pg，t=(pg1，t,pg2，t,…,pgD，t)T，則第i粒子在t+1次迭代時(shí)有：

vid，t+1=vid，t+c1r1(pid，t-xid，t)+c2r2(pgd，t-xid，t)

(4)

式中，d=1,2,…，D；i=1,2,…,n；r1、r2為樣本空間(0，1)內(nèi)的隨機(jī)數(shù)；c1、c2為加速因子。

PSO算法中如果個(gè)體最優(yōu)解多于全局最優(yōu)解，則會(huì)陷入局部最優(yōu)解，所以筆者引入慣性權(quán)重來(lái)平衡算法的尋優(yōu)能力：

w=wmax-(wmax-wmin)t/tmax

(5)

(6)

式中，w為第t次迭代的權(quán)重；C1、C2為第t次迭代的加速因子；wmax、wmin分別為最大和最小的慣性權(quán)重；tmax為最大迭代次數(shù)；Cmax、Cmin分別為最大和最小的加速因子。

式(5)能夠增強(qiáng)算法局部尋優(yōu)能力，式(6)能夠增強(qiáng)粒子個(gè)體的搜索能力和對(duì)全局的感知能力。改進(jìn)PSO算法的步驟如圖1所示。

圖1 改進(jìn)粒子群算法步驟Fig.1 Steps of improved particle swarm algorithm

1.4 改進(jìn)決策域更新系數(shù)

PSO算法是群智能算法之一，而收斂停滯一直是群智能算法的難題，因?yàn)樗惴ㄓ邢薜乃阉髂芰?，使種群可能收斂到一個(gè)停滯解[13]。為克服此問(wèn)題，本文通過(guò)改進(jìn)決策域更新系數(shù)來(lái)增大種群個(gè)體的決策域半徑。

引入指數(shù)分布系數(shù)對(duì)決策域更新系數(shù)β0進(jìn)行改進(jìn)：

β′=β0Ri

(7)

式中,Ri為指數(shù)分布系數(shù)。

與原更新系數(shù)相比，指數(shù)分布系數(shù)擴(kuò)大了算法的搜索范圍，加快了起始計(jì)算速度，增強(qiáng)了局部尋優(yōu)能力。

對(duì)引入指數(shù)分布系數(shù)的決策域更新系數(shù)做線性處理，以保證改進(jìn)后的算法在后期的搜索精度：

β′(t)=β′min+(β′max-β′min)t/tmax

(8)

種群迭代至后期時(shí)，算法的調(diào)整步長(zhǎng)減小，以實(shí)現(xiàn)最優(yōu)解的搜索精度。

綜合考慮算法的收斂速度和尋優(yōu)精度，采用遞減移動(dòng)步長(zhǎng)S，使算法整個(gè)過(guò)程始終保持較高的搜索強(qiáng)度，遞減的公式為

S=S0δtεδ∈(0,1)

(9)

式中，S0為初始步長(zhǎng)；δ為遞減系數(shù)；ε為待優(yōu)化問(wèn)題的問(wèn)題域。

改進(jìn)后的動(dòng)態(tài)決策域半徑更新公式為

(10)

式中,rs為螢火蟲(chóng)感知域；rdi為螢火蟲(chóng)i的動(dòng)態(tài)決策域；ni為鄰域的閾值；Ni(t)為螢火蟲(chóng)i在第t次的鄰居集合。

位置更新公式為

(11)

2 建立BR-PSO-DBN預(yù)測(cè)模型

本文以某型采煤機(jī)左截割部為實(shí)驗(yàn)對(duì)象，滾筒截割三向載荷和滾筒扭矩為預(yù)測(cè)目標(biāo)，輸入?yún)?shù)選取惰輪軸、連接架銷軸載荷和搖臂殼體應(yīng)變量，采煤機(jī)截割部結(jié)構(gòu)見(jiàn)圖2。

圖2 采煤機(jī)截割部結(jié)構(gòu)圖Fig.2 Structure diagram of cutting part of coalmining machine

(1)惰輪軸載荷。惰輪軸距離滾筒側(cè)最近，載荷傳遞損耗小，以惰輪軸載荷為特征參數(shù)，能夠提高截割載荷預(yù)測(cè)精度。實(shí)驗(yàn)中采用與惰輪軸外形相似且具有同等力學(xué)特性的傳感器[14]，實(shí)時(shí)監(jiān)測(cè)截割過(guò)程中惰輪軸的Y向和Z向受力情況。

(2)連接架銷軸載荷。連接架銷軸連接搖臂與連接架，滾筒截割載荷通過(guò)搖臂作用在連接架銷軸，因此連接架銷軸載荷可以作為預(yù)測(cè)截割載荷的特征參數(shù)。4個(gè)連接銷軸Y向和Z向受力狀況由具有相同強(qiáng)度的銷軸傳感器測(cè)得[15]。

(3)搖臂殼體應(yīng)變。搖臂作為截割部的重要組成部分，支撐整個(gè)滾筒，承受較大的滾筒截割載荷，所以在搖臂殼體兩側(cè)進(jìn)行應(yīng)力應(yīng)變測(cè)量。利用模態(tài)分析方法[16]研究搖臂變形規(guī)律，在搖臂采空面過(guò)渡位置和惰輪軸周?chē)氖芰^大區(qū)域內(nèi)布置12個(gè)應(yīng)變傳感器，并在應(yīng)變傳感器正上方安裝金屬防護(hù)板，以適應(yīng)截割煤巖時(shí)的復(fù)雜工況。傳感器布置如圖3所示，其中3、5、8號(hào)傳感器測(cè)量Z向應(yīng)變，余下傳感器測(cè)量Y向應(yīng)變。

圖3 搖臂殼體應(yīng)變值采集示意圖Fig.3 Schematic illustration of the collection of strainvalues of the rocker shell

將截割部滾筒所受三向截割載荷和扭矩作為輸出參數(shù)，實(shí)測(cè)數(shù)據(jù)通過(guò)截齒傳感器采集[17]。

綜上所述，采煤機(jī)滾筒載荷預(yù)測(cè)模型的輸入層包括22個(gè)神經(jīng)元，輸出層包括4個(gè)神經(jīng)元。構(gòu)建的BR-PSO-DBN模型如圖4所示，其中，C表示隱含層， W表示對(duì)應(yīng)計(jì)算過(guò)程。

圖4 BR-PSO-DBN預(yù)測(cè)模型Fig.4 BR-PSO-DBN forecasting model

BR-PSO-DBN預(yù)測(cè)模型包含2個(gè)BR-RBM隱含層，各隱含層內(nèi)神經(jīng)元個(gè)數(shù)由BR法優(yōu)化確定；預(yù)測(cè)模型采用BP-PSO算法進(jìn)行微調(diào)。

3 訓(xùn)練BR-PSO-DBN預(yù)測(cè)模型

在截割載荷預(yù)測(cè)之前，對(duì)BR-PSO-DBN預(yù)測(cè)模型進(jìn)行訓(xùn)練。

(1)數(shù)據(jù)處理。從實(shí)驗(yàn)數(shù)據(jù)中提取輸入樣本并構(gòu)建樣本空間，劃分訓(xùn)練樣本和測(cè)試樣本。樣本空間根據(jù)3種不同工況分為3個(gè)部分，分別在各區(qū)域內(nèi)中截取10 000個(gè)樣本數(shù)據(jù)。歸一化處理樣本數(shù)據(jù)，加快程序的運(yùn)行，公式為

x*=(x-xmin)/(xmax-xmin)

(12)

式中，xmin為樣本數(shù)據(jù)最小值；xmax為樣本數(shù)據(jù)最大值。

(2)數(shù)據(jù)融合。輸入層xi通過(guò)2層RBM和1層反饋層進(jìn)行數(shù)據(jù)融合，RBM作為一種生成式隨機(jī)神經(jīng)網(wǎng)絡(luò)，其聯(lián)合狀態(tài)的能量函數(shù)為

(13)

式中，I、J分別為顯性神經(jīng)元和隱性神經(jīng)元的個(gè)數(shù)。

RBM中隱層C1或C2中的神經(jīng)元hj被激活的概率為

(14)

判斷神經(jīng)元hj是否被激活的公式為

(15)

式中，u服從0～1均勻分布，即u～U(0,1)。

RBM為雙向連接，則重構(gòu)時(shí)隱層神經(jīng)元激活顯層神經(jīng)元的概率為

(16)

對(duì)反饋層采用BP算法，輸出神經(jīng)元表達(dá)式為

(17)

其權(quán)重表達(dá)式為

wji(t+1)=wji(t)+ηδpjopj

(18)

式中，η為微調(diào)學(xué)習(xí)速率；δpj為網(wǎng)絡(luò)預(yù)測(cè)誤差；opj為神經(jīng)元的輸出信號(hào)。

(3)無(wú)監(jiān)督學(xué)習(xí)。通過(guò)貝葉斯法優(yōu)化每層RBM的規(guī)模，固定隱元個(gè)數(shù)，確定超參數(shù)α、β和初始權(quán)值。預(yù)訓(xùn)練階段學(xué)習(xí)速率采用常用值0.1，每個(gè)RBM迭代200次。

(4)有監(jiān)督學(xué)習(xí)。輸入標(biāo)簽數(shù)據(jù)通過(guò)PSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)微調(diào),確定最優(yōu)權(quán)值，微調(diào)學(xué)習(xí)速率η同樣設(shè)置為0.1，最后保存訓(xùn)練好的網(wǎng)絡(luò)模型參數(shù)。具體流程見(jiàn)圖5。

圖5 BR-PSO-DBN具體流程圖Fig.5 BR-PSO-DBN specific flow chart

4 截割載荷測(cè)試實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于中煤張家口煤礦機(jī)械裝備實(shí)驗(yàn)室，模擬井下實(shí)際工況進(jìn)行采煤機(jī)截割載荷實(shí)驗(yàn)測(cè)試，實(shí)驗(yàn)系統(tǒng)的組成如圖6所示。

圖6 實(shí)驗(yàn)系統(tǒng)Fig.6 Experimental system

實(shí)驗(yàn)系統(tǒng)通過(guò)在螺旋滾筒下方安裝無(wú)線發(fā)射模塊采集截齒傳感器數(shù)據(jù)，在搖臂采空側(cè)安裝無(wú)線發(fā)射模塊對(duì)惰輪軸傳感器、搖臂應(yīng)變等數(shù)據(jù)進(jìn)行采集和無(wú)線傳輸，最后匯總顯示到PC端。

根據(jù)截煤經(jīng)驗(yàn)，采煤機(jī)搖臂割頂煤時(shí)比采煤機(jī)搖臂割底煤時(shí)更易發(fā)生應(yīng)變集中而造成搖臂損傷，并且隨搖臂擺角增大而顯著，因此實(shí)驗(yàn)中，左截割部在搖臂最大擺角35°條件下，分別測(cè)試采煤機(jī)空載、斜切進(jìn)刀和正常截割三種工況下不同速度時(shí)的受力。在采煤機(jī)空載階段牽引速度設(shè)為2 m/min，檢查采煤機(jī)行走過(guò)程中各傳感數(shù)據(jù)傳輸情況；當(dāng)采煤機(jī)行至26號(hào)架后以3 m/min行駛，進(jìn)入斜切進(jìn)刀截割過(guò)程；當(dāng)采煤機(jī)行至16號(hào)架時(shí)，進(jìn)入到正常截割階段，采煤機(jī)以3 m/min繼續(xù)截割至煤壁最左側(cè)停止，實(shí)驗(yàn)經(jīng)28 min結(jié)束，樣本數(shù)據(jù)采集完畢。測(cè)試時(shí)三機(jī)狀態(tài)如圖7所示，測(cè)試過(guò)程嚴(yán)格按照采煤機(jī)在煤礦井下的截割工藝運(yùn)作。

圖7 實(shí)驗(yàn)測(cè)試三機(jī)狀態(tài)Fig.7 Status of 3 experimental machines

數(shù)據(jù)處理后，由樣本數(shù)據(jù)中提取的100個(gè)測(cè)試實(shí)驗(yàn)數(shù)據(jù)點(diǎn)所構(gòu)成的連接架銷軸輸入樣本曲線(8組)、惰輪軸輸入樣本曲線(2組)、搖臂應(yīng)變輸入樣本曲線(12組)分別如圖8～圖10所示。

圖9 惰輪軸Y向和Z向輸入樣本Fig.9 Y and Z input samples of idler wheels

圖10 搖臂應(yīng)變輸入樣本Fig.10 Rocker strain input sample

5 數(shù)據(jù)對(duì)比分析

首先將測(cè)試樣本輸入到BR-PSO-DBN預(yù)測(cè)模型中，然后經(jīng)過(guò)數(shù)據(jù)融合處理，最后輸出對(duì)應(yīng)數(shù)據(jù)點(diǎn)的滾筒三向載荷和滾筒扭矩特征數(shù)據(jù)。將截齒傳感器實(shí)際測(cè)得的截割載荷數(shù)據(jù)與采煤機(jī)滾筒截割載荷預(yù)測(cè)模型得到的預(yù)測(cè)載荷數(shù)據(jù)進(jìn)行對(duì)比分析，通過(guò)載荷預(yù)測(cè)的精度來(lái)驗(yàn)證BR-PSO-DBN模型的準(zhǔn)確性。觀察圖11中滾筒載荷預(yù)測(cè)值與實(shí)測(cè)值曲線可知：預(yù)測(cè)曲線與實(shí)測(cè)曲線的變化規(guī)律較為相似，曲線中峰值點(diǎn)的位置是一一對(duì)應(yīng)的，說(shuō)明預(yù)測(cè)結(jié)果能夠準(zhǔn)確地反映滾筒實(shí)際載荷變化特征。

圖11 實(shí)測(cè)曲線與預(yù)測(cè)曲線對(duì)比 Fig.11 Comparison of measured and predicted curves

對(duì)實(shí)驗(yàn)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)作進(jìn)一步處理，得到預(yù)測(cè)與實(shí)測(cè)數(shù)據(jù)如表1所示，將截割載荷的BR-PSO-DBN預(yù)測(cè)值和實(shí)驗(yàn)值從平均值、最大值、最小值和標(biāo)準(zhǔn)偏差4個(gè)方面進(jìn)行比較：在X向和Y向上的滾筒截割載荷以及滾筒扭矩的預(yù)測(cè)值略小于實(shí)際測(cè)試值，在Z向的截割載荷預(yù)測(cè)值略大于實(shí)際測(cè)量值。4個(gè)載荷測(cè)試結(jié)果的相關(guān)系數(shù)分別為0.8370、0.8926、0.8765和0.9455，均在0.83以上，其中滾筒扭矩預(yù)測(cè)值與實(shí)際測(cè)試值的近似程度最高，達(dá)到了95%，說(shuō)明BR-PSO-DBN預(yù)測(cè)模型可以準(zhǔn)確地預(yù)測(cè)滾筒的截割扭矩，在X、Y和Z向上的截割載荷誤差相對(duì)較大，但預(yù)測(cè)值與實(shí)驗(yàn)值之間的相似度超過(guò)83%，證實(shí)了該預(yù)測(cè)值具有較高精度，BR-PSO-DBN模型預(yù)測(cè)截割載荷的方法具有可行性。

表1 預(yù)測(cè)與實(shí)測(cè)數(shù)據(jù)誤差對(duì)比分析

6 結(jié)論

(1)本文采用BR-PSO-DBN模型從多傳感器數(shù)據(jù)中抽取狀態(tài)特征信息融合，實(shí)現(xiàn)截割載荷的預(yù)測(cè)與辨識(shí)，解決了單一傳感器監(jiān)測(cè)效能低和截割載荷預(yù)測(cè)精度低的問(wèn)題。

(2)以深度信念網(wǎng)絡(luò)為框架，在無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)階段分別引入貝葉斯正則化和改進(jìn)的粒子群算法對(duì)傳統(tǒng)深度信念網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，建立了BR-PSO-DBN截割載荷預(yù)測(cè)模型。

(3)通過(guò)實(shí)驗(yàn)系統(tǒng)測(cè)試得到惰輪軸載荷數(shù)據(jù)、連接架銷軸載荷數(shù)據(jù)、搖臂應(yīng)變數(shù)據(jù)，歸一化處理后創(chuàng)建訓(xùn)練樣本和測(cè)試樣本，并導(dǎo)入訓(xùn)練樣本，獲得最優(yōu)的網(wǎng)絡(luò)參數(shù)，完成了BR-PSO-DBN模型的訓(xùn)練。

(4)輸入以22個(gè)變量的100組數(shù)據(jù)組成的測(cè)試樣本，輸出滾筒截割載荷和扭矩的預(yù)測(cè)數(shù)據(jù)，將預(yù)測(cè)曲線與現(xiàn)場(chǎng)實(shí)驗(yàn)系統(tǒng)實(shí)測(cè)曲線進(jìn)行比對(duì)，兩組曲線變化趨勢(shì)基本相同，對(duì)應(yīng)峰值基本一致。

(5)數(shù)據(jù)處理后，將兩種結(jié)果的相關(guān)系數(shù)進(jìn)行對(duì)比。BR-PSO-DBN預(yù)測(cè)模型對(duì)截割載荷預(yù)測(cè)精度達(dá)到了83%以上，其中滾筒扭矩預(yù)測(cè)精度最高，達(dá)到了95%，進(jìn)一步驗(yàn)證了截割載荷預(yù)測(cè)具有很高精度，預(yù)測(cè)方法能夠應(yīng)用到實(shí)際生產(chǎn)中對(duì)采煤機(jī)滾筒載荷進(jìn)行識(shí)別，提高采煤機(jī)截割煤巖安全狀態(tài)感知力。