隨著煤炭科技水平的不斷提升,煤礦機電設(shè)備的安全可靠運行成為研究的熱點。對于煤礦企業(yè)來說,機電設(shè)備的運行狀態(tài)變化規(guī)律往往“隱喻”在大量復(fù)雜的數(shù)據(jù)中,需要深入研究煤礦機電設(shè)備狀態(tài)信息的智能表征,從中挖掘出隱藏的價值信息,用此來表述機電設(shè)備的歷史運行狀態(tài)。通過歷史的運行狀態(tài)數(shù)據(jù)預(yù)知煤礦機電設(shè)備的未來運行狀態(tài)、并對其進行健康狀態(tài)評價,對機電設(shè)備采取相應(yīng)的預(yù)防性措施,這己成為設(shè)備健康維護的基本模式。因此,本文深入研究基于數(shù)據(jù)挖掘的煤礦機電設(shè)備運行狀態(tài)預(yù)測方法。首先,針對單一預(yù)測模型對煤礦機電設(shè)備運行狀態(tài)預(yù)測精度低、適用性差的問題,深入分析ARIMA預(yù)測模型、灰色GM(1,1)預(yù)測模型以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的結(jié)構(gòu)原理,提出AGB組合預(yù)測模型方法,通過調(diào)節(jié)各單一模型權(quán)重參數(shù)驗證AGB組合預(yù)測模型預(yù)測精度。其次,針對煤礦機電設(shè)備運行狀態(tài)數(shù)據(jù)量大、數(shù)據(jù)利用率低、單機進行海量數(shù)據(jù)挖掘速度慢等問題等,利用MapReduce技術(shù),提出雙MapReduce挖掘預(yù)測框架,建立雙MapReduce的運行狀態(tài)數(shù)據(jù)挖掘預(yù)測模型,利用MapReducel對監(jiān)測數(shù)據(jù)的特征提取,利用MapReduce2對特征數(shù)據(jù)進行預(yù)測分...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1聚類算法最終結(jié)果

的數(shù)據(jù)為煤礦機電設(shè)備監(jiān)測數(shù)據(jù)，每類設(shè)備的參數(shù)維度單一且都日志記錄方式為“逢變記錄”，即參數(shù)發(fā)生變化時才記錄參數(shù)值和在正常運行時參數(shù)變化較為頻繁，經(jīng)過預(yù)處理后這些數(shù)據(jù)會呈現(xiàn)點。時序數(shù)據(jù)的挖掘預(yù)測一般需要分析現(xiàn)有的時間序列數(shù)據(jù)的模未來一段時間內(nèi)的數(shù)據(jù)，也就是說，時序數(shù)據(jù)挖掘預(yù)測是通過....

圖2.4BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

圖2.4BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)經(jīng)網(wǎng)絡(luò)算法也使用梯度下降法（gradientdescent），以單個樣本的均方對權(quán)重進行調(diào)節(jié)�？梢钥闯觯築P算法首先將誤差反向傳播給隱層神出層的連接權(quán)重與輸出層神經(jīng)元的閾值；接著根據(jù)隱含層神經(jīng)元的入層到隱含層的連接權(quán)值與隱含層神經(jīng)元的閾值[70....

圖2.5Sigmod函數(shù)曲線

圖2.4BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)經(jīng)網(wǎng)絡(luò)算法也使用梯度下降法（gradientdescent），以單個樣本的均方誤對權(quán)重進行調(diào)節(jié)�？梢钥闯觯築P算法首先將誤差反向傳播給隱層神經(jīng)元出層的連接權(quán)重與輸出層神經(jīng)元的閾值；接著根據(jù)隱含層神經(jīng)元的均方入層到隱含層的連接權(quán)值與隱含層神經(jīng)元的....

圖2.6GM(1,1)模型預(yù)測結(jié)果對比

表2.5GM(1,1)模型預(yù)測誤差分析冷卻水壓數(shù)據(jù)預(yù)測值殘差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....

本文編號：3900209