基于极限学习机的采煤机功率预测算法研究.pdf

第4 l 卷第3 期煤炭学报 V o l _ 4 1N o ．3 2 0 1 6 年3 月J O U R N A LO FC H I N AC O A LS O C I E T Y M a r ．2 0 1 6 丁华，常琦，杨兆建，等．基于极限学习机的采煤机功率预测算法研究[ J ] ．煤炭学报，2 0 1 6 ，4 1 3 7 9 4 8 0 0 ．d o i 1 0 ．1 3 2 2 5 ／j ．c n k i j c c s ．2 0 1 5 ．0 9 2 8 D i n gH u a ，c h a n gQ i ，Y a n gz h a o j i a n ，e ta 1 ．R e s e a r c ho nt h ea l g o I i t h mo fs h e a r e rp o w e rp r e d i c t i o nb a s e do ne x t r e m el e 咖i n gm a c h i n e [ J ] J o u m a l0 fC h i n aC o a lS o c i e t y ，2 0 1 6 ，4 1 3 7 9 4 8 0 0 ．d o i 1 0 ．1 3 2 2 5 “．c n k i ．j c c s ．2 0 1 5 ．0 9 2 8 基于极限学习机的采煤机功率预测算法研究 丁华1 ’2 ，常琦1 ’2 ，杨9 I 建1 ’2 ，刘建成1 ’3 1 ．太原理工大学机械工程学院，山西太原0 3 0 0 2 4 ；2 ．煤矿综采装备山西省重点实验室，山西太原0 3 0 0 2 4 ；3 ．s c h o o lo fE n g i n e e r i n ga n dc o m - p u t e rS c i e n c e ，U n i v e r s i t yo f I h eP a c i 6 c ，S t o c k t o n ，C A9 5 2 1 1 ，U n i t e dS t a t e s 摘要为减少对领域专家的过分依赖，实现企业专家经验知识的继承，面向采煤机方案设计中总 体技术参数的确定过程，结合采煤机条件属性与决策属性间的映射关系，提出了基于极限学习机的 采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数，利用递进方式比选确定激励函数， 随机产生输入权值及隐元偏置，由此计算隐层节点输出矩阵、隐层与输出层连接权重，进而完成建 模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业 的实例数据进行算例分析，将其与基于支持向量机回归预测模型进行对比，实验结果表明，E L M 模 型可实现6 0 0m s 内完成单次功率预测，预测值与真实值平均相对误差在2 ．5 ％以内。其预测精度 优于S V M 模型，且在学习速度方面优势明显，推理效率显著提高。 关键词采煤机；功率预测；极限学习机；支持向量机；模型推理 中图分类号T D 4 2 1 ．6 文献标志码A文章编号0 2 5 3 9 9 9 3 2 0 1 6 0 3 0 7 9 4 0 7 R e s e a r c ho nt h ea l g o r i t l l I I lo fs h e a r e rp o w e rp r e d i c t i o nb a s e do n e x t r e m el e a r I l i n gm a c h i n e D I N GH u a l 一，C H A N GQ i1 一，Y A N GZ h a o - j i a n l ”，L I UJ i a n - c h e n 9 1 ，3 1 ．加砌“把旷胁如帆如o fE 愕i 船e 而凡g ，死毋咖n ‰泐阿毋妒死c 加f o g y ，死i 弘n n0 3 0 0 2 4 ，吼i 阳；2 ．s o M iK e y 如6 0 r n ￡o ∥旷F M 渺 如c ∽泌dc o Ⅱf 肘沁 i 增印M 如Ⅲ瓜，％咖∞0 3 0 0 2 4 ，c i M ；3 ．5 如0 0 f 矿魄i M r i 增。蒯c o 唧u ￡e rs c 据M ，‰妇”扛y 矿￡ e ‰扣，s ￡o 以￡o n ，c A 9 5 2 l l ，№i ￡甜＆o f e s A b s t r a c t I no r d e rt on o te x c e s s i v e l yr e l yo nd o m a i ne x p e r t sa n dt h ei n h e r i te x p e r i m e n t a lk n o w l e d g eo ft h ee x p e r t s ，t h i s p a p e rp r e s e n t sap r e d i c t i o nm o d e lo fs h e a r e rp o w e rb a s e do nE x t r e m ek a m i n gM a c h i n e E L M ，a n dc o m b i n e dw i t h t h em a p p i n gr e l a t i o n s h i pb e t w e e nc o n d i t i o na n r i b u t e sa n dd e c i s i o na t t r i b u t e sf b rt h eo v e r a l ld e s i g nt e c h n i c a lp a r a m e t e r sd e t e 珊i n a t i o ni nt h ed e s i g np m c e s s ．T h em o d e li sb u i l ta n do p t i m i z e db yi d e n t i f y i n gt h eo p t i m u mn u m b e ro fn e u r o n so nh i d d e nl a y e rw i t hg e n e t i ca l g o r i t h m ，d e t e 珊i n i n gt h ee x c i t a t i o nf h n c t i o nw i t hp r o g r e s s i V ec o m p a r i s o n ，r a n d o m l y g e n e r a t i n gi n p u tw e i g h t sa n dh i d d e ne l e m e n t sb i a sa n dc a l c u l a t i n gh i d d e nl a y e rn o d e so u t p u tm a t r i x ，h i d d e nl a y e ra n d o u t p u tl a v e rc o n n e c t i o nw e i g h t s ．T h em o d e lc o u l do u t p u tt h ep r e d i c t i v ev a l u e so fs h e a r e rp o w e ra c c o r d i n gt o d i f f e r e n to - r i g i n a lc o n d i t i o n si n p u tb yu s e r s ．R e a ld e s i g nd a t aw e r ea d o p t e dt od oa l g o r i t h ma n a l y s i sa n d c o n t r a s te x p e r i m e n tw i t h t h er e a s o n i n gm o d e lb a s e do nS u p p o r tV e c t o rM a c h i n e S V M ．T h er e s u l t ss h o wt h a tE L Mm o d e lc a nb eu s e dt oc o m p l e t eas i n g l ep o w e rp r e d i c t i o ni n6 0 0m s ．T h ea v e r a g er e l a t i v e e I T o ro fp r e d i c t e dV a l u e sa n dI ．e a lV a l u ei sw i t h i n 2 ．5 ％．T h ep r e d i c t i o na c c u r a c vo ft h ep r o p o s e dm o d e li sb e t t e rt h a nt h a t o fS V Mm o d e la n di ti so fa na p p a r e n ta d V a n - t a g eo v e rS V Mm o d e li nl e a m i n gs p e e d ．T h er e a s o n i n ge m c i e n c yh a sb e e ni m p m V e ds i g n i 6 c a n t l y ． 收稿日期2 0 1 5 0 6 2 9修回日期2 0 1 5 一0 9 0 3 责任编辑许书阁 基金项目国家留学基金资助项目 2 叭4 0 6 9 3 5 0 3 0 ；山西省科技重大专项资助项目 2 0 l l l l 0 1 0 4 0 ；企业技术开发资助项目 1 4 3 0 6 0 4 3 0 一J 作者简介丁华 1 9 7 9 一 ，女，山西太原人，副教授，硕士生导师，博士。E m a i l d i n g h u a 2 0 0 2 1 6 3 ．c o m 第3 期丁华等基于极限学习机的采煤机功率预测算法研究 7 9 5 K e yw o r d s s h e a r e r ；p o w e rp r e d i c t i o n ；e x t r e m e1 e a m i n gm a c h i n e ；s u p p o r tV e c t o rm a c h i n e ；m o d e lb a s e dr e a s o n i n g 智慧制造是制造业信息化发展到一定程度时的 产物。中国工程院李伯虎院提出，新的工业革命 中，制造模式是基于数字化、网络化、智能化制造技术 的敏捷、绿色、协同、个性服务和社会化的一种智慧制 造⋯。各大工程机械行业企业逐渐从“制造”向“智 造”方向发展，煤机行业也随着此技术浪潮不断发 展。 采煤机设计是对经验要求较高的行业之一，设计 的成败很大程度上取决于设计专家的经验。面临采 煤机的新设计任务时，设计专家总是要与以前相类似 的成熟方案相比较，凭借直觉和经验，以生产的经验 数据为设计依据，借助类比、模拟和试凑等方法进行 设计，这种传统设计方法逐渐曝露出效率低、过设计、 缺乏科学合理的推理模型等弊端，如何采用高效的推 理技术对参数关系进行建模和预测是采煤机智能设 计研究中的关键问题。 支持向量机 S u p p o nV e c t o rM a c h i n e ，S V M 为解 决智能设计中参数预测问题的主流算法之一，已成功 应用于文本分类，图像识别，回归分析等领域，但其存 在待优化参数较多、耗费大量机器内存及运算时间长 等缺陷，直接制约了其使用范围。 极限学习机 E x t r e m eL e a m i n gM a c h i n e ，E L M 为 1 种新型前馈神经网络机器学习方法，具有泛化性能 好、学习速度快等优点，近几年引起了国内外学者的 广泛关注。R a v i n e s hC ．D e o 等利用极限学习机对澳 大利亚东部1 9 5 7 2 0 1 1 年有效干旱指数进行学习预 测，并将其与传统的人工神经网络进行对比，证明了 模型的有效性和高效性拉1 。王保义等提出在线序列 优化的极限学习机短期电力负荷预测模型。3J 。潘华 贤等将极限学习机引入储层渗透率的预测，并与支持 向量机预测模型对比，验证了极限学习机在学习速度 上的优势HJ 。刘念等提出1 种基于核函数极限学习 机的分布式光伏功率预测模型，通过粒子群算法优化 模型参数提高预测精度∞1 。上述文献对极限学习机 进行了研究并取得了一些成果，但对激励函数、隐藏 节点个数寻优等参数优化的深入研究较少，且未涉及 采煤机设计领域。 采煤机设计参数确定过程是一个具有多输入、多 输出、不确定性及多干扰源的复杂非线性系统，有许 多难以确定的特殊环境和复杂工况，采煤机功率的确 定需要考虑多种复杂因素的综合作用。本文利用极 限学习机的优势，即能从不确定关系中通过建模、训 练和测试得到预测值，无需考虑现实复杂的设计条 件，通过训练得到的极限学习机模型解决采煤机功率 预测问题。在基于支持向量机推理模型扣。7o 研究基 础上，提出了1 种基于极限学习机的采煤机功率预测 模型，利用遗传算法优选最佳隐层神经元个数，利用 递进方式比选确定激励函数，提高了预测准确率和效 率。采用真实采煤机设计实例数据进行算法分析，测 试改进算法的预测准确率，与支持向量机模型进行实 验对比，结果表明该方法预测精度较高，且学习效率 明显提高。 l 极限学习机 极限学习机旧。1 钆为1 种新型的单隐层前馈神经 网络 S i n g l e h i d d e nL a y e r F e e d f o r w a r dN e u r a l N e t w o r k s ，s L F N s 学习算法。传统神经网络学习算 法 如B P 算法 需要人为设置大量训练参数，且易产 生局部最优解。而E L M 只需要设置网络隐层神经元 个数，算法执行过程中隐层无需迭代，随机产生输入 权值以及隐元偏置，通过计算隐层输出矩阵的广义逆 来确定输出权值，在保证网络良好泛化性能的同时， 极大程度地提高了前向神经网络学习速度，并且产生 惟一的最优解。 假设有Ⅳ个任意样本，含有L 个隐层节点的单 隐层神经网络可以表示为 L ∑p i g W 乃 6 i q i √ 1 ，2 ，⋯，Ⅳ I2 l 1 其中，x i ，o ．分别为输入与输出； W 伽l l2 t J l 2 埘2 lt t ，2 2 埘L l训此 r 卢，，届，2⋯卢，。 。I 卢z 一 卢z ⋯卢z 。 p21 ． ． ． ． 1 ‘． L 卢。。卢此⋯卢加 2 分别为输入层与隐层连接权重及隐层与输出层 连接权重，埘i i 为输入层第i 个神经元与隐层第．『个神 经元间的连接权值；届。为隐层第，个神经元与输出层 第后个神经元间的连接权值；g 戈 为激励函数；西为 隐层神经元偏置，6 [ 6 。，6 ，⋯，6 。] 小6 ；为第i 个神 经元偏置值。 单隐层神经网络学习的目标是使得输出的误差 n n n ‰ ‰；％ ● ● ● ● ● ● ● ● 7 9 6 煤炭学报 2 0 1 6 年第4 1 卷 最小，即 ，v l i m ∑№一训 o 3 为了训练单隐层神经网络，希望得到彬“，6 f ， 卢f 使得 0 日 彬’，6 。～ 卢i 1 一r 刈 珊l | 日 彬，6 i 卢i 一驯，江1 ，2 ，⋯，￡ 4 等价于 ，v L ． E ∑【∑卢。g 彬■ 6 i 一o ] 2 5 训练单隐层神经网络可以转化为求解1 个线性系统 邶 丁’，并且输出权重卢可以被确定 卢“ 日 r 7 6 式中，日为隐层节点输出矩阵；日‘为矩阵日的 M o o r e P e n r o s e 广义逆。 2 采煤机功率预测模型 2 ．1 预测模型 采煤机功率预测模型可表示为J s u ，A ，y ，力， 其中，u 为采煤机产品的非空有限集合；A 为产品属 性 如采高、截深、煤质硬度、牵引速度、煤层倾角等 的非空有限集合；y u 。。。圪，圪为属性。的值域；， u 地_ y 为产品的每个属性赋予的一个信息值，对任 意o ∈A ，z ∈u 以x ，口 ∈圪为产品的各属性值，其数 据以关系二维表的形式表示。要预测的采煤机功率， 可利用决策表形式表示，r u ，A ，c ，D 为1 个决策 表，A c u D ，C n D D ，其中，C 为条件属性集{ 采高 C 1 ，截深c 2 ，煤层倾角C 3 ，牵引速度c 4 ，牵引力c 5 ， 煤质硬度c 6 } ；D 为决策属性集{ 截割部功率P ∽牵 引部功率P 。，，装机总功率P ；} 。根据条件属性与决 策属性之间的关系，构建采煤机功率的预测模型。 M o d e l E L M W ，6 ，卢，g 戈 ，￡ 7 式中，w ，卢分别为输人层与隐层连接权重及隐层与 输出层连接权重；g 戈 为激励函数；L 为隐层节点个 数。 P i 。 M o d e l C 1 ，C 3 ，c 5 ，c 6 8 P 。。 M o d e l C 1 ，c 3 ，c 4 ，c 5 9 P i M o d e l C l ，C 3 ，c 4 ，c 5 ，c 6 1 0 2 ．2 预测模型的参数寻优 极限学习机E L M 中，输入层与隐层连接权重w 、 隐层与输出层连接权重卢、隐层神经元偏置6 及隐层 节点输出矩阵日均由隐层神经元个数L 确定。为确 定最佳隐层神经元个数，利用遗传算法进行参数寻 优。 某个体被选择的概率为 F 戈i 』∑型一 1 1 ∑八戈。 i 1 式中，n 为种群数量；八戈i 为个体戈i 的适应度。 适应度函数为 F i t 八石 一八z 一M s E 1 2 选择操作后，将群体中个体随机配对，在每组染 色体串中随机设置交叉点进行单点交叉，以产生新个 体。为维持群体多样性，改善遗传算法局部搜索能 力，交叉操作后对染色体进行离散变异操作。为提高 算法收敛效率，保护当前代最优个体免受遗传操作破 坏，采用最优保留策略，使最优个体不参与交叉及变 异操作而直接保留至下一代1 | 。完成参数优化之 后，输出最佳隐层神经元个数，并绘制最大适应度及 平均适应度曲线。 2 ．3 基于G A E L M 的采煤机功率预测算法 根据上述理论基础，基于G A E L M 的采煤机功 率预测算法流程如图1 所示，算法描述如下 计算隐层与输出 层连接权重， 开始 二工二 数据载入 确定激励函数反，眠6 计算隐层节点输出矩阵日 划分训练集、测试集数据 归一化分离条件属性、决 策属性条件属性约简降维 程序随机设定输入层与 隐层连接权重形及隐层 神经元偏置6 利用遗传算法优选 隐层神经元个数￡ 产生训练集 二工二 训练建模 ≮兰兰多 r 蕊两 I 是 立 生 测 试 集 L 』k ≤兰兰吵 章 厂莉 图l基于G A E L M 的采煤机功率预测算法流程 F i 昏1 F l o wc h a to fs h e a r e rp o w e rp r e d i c t i o na l g o r i t h m S t e p l 载人实验数据，随机选取样本数据7 5 ％作 训练集，其余为测试集。 s t e p 2 将数据归一化至[ 一1 ，1 ] ，使其处于同一数 量级，以消除不同指标间量纲影响；分离条件属性及 决策属性并对条件属性进行降维约简，有效保留输入 与不同输出间决策关系，2 者可降低计算复杂度，加 第3 期丁华等基于极限学习机的采煤机功率预测算法研究 7 9 7 快程序收敛。 S t e p 3 利用遗传优化算法选定隐层神经元个数； 程序随机设定输人层与隐层连接权重及隐层神经元 偏置。 S t e p 4 由输入层与隐层连接权重、隐层神经元偏 置及选定的激励函数 以均方误差作适应度评价指 标 计算隐层节点输出矩阵。 s t e p 5 计算隐层与输出层连接权重。 s t e p 6 以训练集数据对模型进行训练，并以此进 行第1 次精度检测，预测误差应控制在5 ％以内，若 精度满足则保存模型，否则重复S t e p 3 。 s t e p 7 以测试集数据再次检测模型精度，若达到 上述精度要求则输出模型。 3 实验与分析 3 ．1 采煤机功率的样本选择 实验样本数据来源于某采煤机制造企业，样本数 据共计5 7 9 条，随机选取其7 5 ％ 4 3 4 条 作为训练 集，其余1 4 5 条为测试集。为更好地挖掘输入参数采 高 m 、截深 m 、煤质硬度 ／ 、煤层倾角 。 、牵引 力 k N 及牵引速度 m ／m i n 与输出参数截割部功 率 k N 、牵引部功率 k N 及装机总功率 k N 间内 在联系，实验分别以极限学习机 E L M 与支持向量 机 s V M 对样本进行学习，训练得到推理模型后进 行功率预测。 3 ．2 基于G A E L M 的功率预测实验 以采煤机牵引部功率预测实验组为例，首先利用 遗传算法确定其最佳隐层神经元个数，遗传算法进化 代数、种群数量、染色体长度、交叉概率等运行参数选 定值等见表1 ，优化结果如图2 所示，得到牵引部功 率预测实验组的最佳隐层神经元个数为1 4 即图2 中B e s t Ⅳ值取整 。 表l 遗传算法运行参数 T a b l e1G e n e t i ca l g o r i t h mo p e r a t i n gp a r 锄e t e r s 确定隐层神经元个数后，还需对激励函数进行选 定，常用激励函数如下 s i g m o i d 函数 1 g 训戈 6 2 再面声i 而 1 3 s i n e 函数 g 埘戈 6 s i n 加算 6 1 4 8 ．5 8 ．O 7 ．5 蜊7 ．O 蟊6 ．5 6 ．0 5 ．5 5 ．O 图2 隐层神经元个数寻优 F i g ．20 p t i m i z a t i o no fh i d d e nl a y e rn e u r o n sn u m b e r H a r d l i m 函数 g c 加石 6 ， { 三二耄三； c 5 ， 为分析不同激励函数对模型精度的影响，令隐层 神经元个数从l 开始递增，分别以s 唔m o i d ，s i n e 及 H a r d l i m 为激励函数进行学习，取训练集均方误差为 评价标准，结果如图3 所示。 图3 激励函数比选实验 F i g ．3E x p e d m e n to fe x c i t a t i o nf u n c t i o nc o m p 撕s i o n 由图3 可知，隐层神经元个数L 取较小值时，模 型精度不理想，随着L 值的增大误差逐渐减小。其中 H a r d l i m 函数呈起伏且未收敛，s 唔m o i d 函数和s i n e 函 数随着￡值的增大误差逐步趋于稳定，￡值达到1 4 时，2 者均方误差最小且其后保持恒定。因此选择实 验结果较好的s i g m o i d 函数作为激励函数，此处选定 激励函数的同时也验证了遗传算法最佳隐层神经元 个数优化结果的可靠性。 选定隐层神经元个数为1 4 及s 培m o i d 激励函数 后，利用E L M 对训练集进行学习建模，得到采煤机牵 引部功率预测结果曲线如图4 所示。图中上半部分 为训练集预测曲线，下半部分为测试集预测曲线。为 保证模型不失一般性，训练集是在样本总体中随机抽 取7 5 ％生成，若以此直接绘图，图形呈散点状不利观 察。为更好地展示模型预测值与样本真实值偏差关 系及得到有规律便于观察的结果图，在数据预处理部 分对随机抽得的训练集数据按其在原样本中的递增 顺序进行排列。 图4 宏观地展示了训练集牵引部功率真实值与 7 9 8 煤炭 学报 2 0 1 6 年第4 1 卷 图4 牵引部功率预测结果曲线 E L M F i g ．4G r a p ho ft r a c t i o np o w e rp I ℃d i c t i o nr e s u l t s E L M 模型预测值的整体偏差情况，其中蓝色曲线为牵引部 功率真实值，红色曲线为模型经训练后得出的牵引部 功率预测值。理想状态应为预测值与真实值无限接 近，表现于图中即红色曲线覆盖蓝色曲线。目前的实 验结果是除极少数预测值存在偏差之外，其余曲线可 实现无偏差全覆盖。 3 ．3 基于S V M 的功率预测实验 基于支持向量机回归理论的预测方法是利用核 函数 如径向基核、多项式核 将问题从低维空间向 高维空间进行映射并求解，引入松弛系数f 以及惩罚 参数c ，得到占一支持向量回归机 s S V R 。s S V R 待优化的参数包括误差惩罚参数c 、径向基核参数盯 及不敏感参数s ，优化参数之后还应选定恰当的核函 数2 3 。。经参数初选及遗传算法寻优，决策函数选 用径向基核函数，如下式 y - g 加窆 云 一云 e x p - 掣1 i 1 6 优化后得到的牵引部功率实验组s V M 模型参 数，包括误差惩罚参数值为2 ．2 5 45 、径向基核参数值 为1 ．3 9 27 、不敏感参数值为0 ．0 1 02 。 利用s V M 对训练集进行学习建模，得到采煤机 牵引部功率实验结果，如图5 所示。由图5 可看 出，S V M 模型预测值在各点处均存在偏差，两曲线未 完全重合。与之前E L M 模型预测的结果图相比较， E I m 预测效果较好。 图5 牵引部功率预测结果曲线 s V M F i g ．5 G r a p ho ft r a c t i o np o w e rp r e d i c t i o nr e s u l t s S V M 3 ．4G A E L M 与S V M 的预测性能对比 3 ．2 ，3 ．3 节以图形方式宏观地对比了两模型预 测精度，为进一步量化比较2 种模型的预测性能， 以相同数据作为输入，分别得到牵引部功率、截割 部功率及装机总功率的E L M ，S V M 模型。2 种模型 各运行3 0 次，以训练集、测试集M A P E ，训练集、测 试集M s E ，训练时间，隐层数目 支持向量个数 为 评价指标，取3 0 次试验结果比较预测精度，结果见 表2 。 表2E L M 与S V M 模型预测性能对比 T a b l e2E L Mm o d e lp r e d i c t i o np e r f o 珊a n c ec o m p a r e d 砌t hS V Mm o d e l 分析表2 可知，E I 朋模型平均相对误差及均方 误差指标均优于S V M 模型 如牵引部功率测试集平 均相对误差，E L M 模型为1 ．6 1 6 ，S V M 模型为2 ．3 9 8 ； 牵引部功率测试集均方误差，E L M 模型为 1 ．7 2 7 ，s V M 模型为2 ．0 1 7 。此外，因E L M 模型仅需 优化隐层神经元个数，训练时间明显短于s V M 模 型 如牵引部功率建模计算时间，E L M 为0 ．5 6 2s ，s V M 为5 6 ．0 6 3s ，相差9 9 ．7 6 倍 ，学习速 度优势明显。 表2 验证了E L M 模型各项指标均优于S V M 模 加∞舳∞∞加 ∞∞鲫∞∞加 ≥l／料雷箍而斟 ≥脚罄嚣示斟 第3 期丁华等基于极限学习机的采煤机功率预测算法研究 7 9 9 型，为了更加精确地对比两模型输出的功率预测值， 从测试集样本1 4 5 组数据 含2 1 组有误差的数据 中随机抽取了7 组数据 含1 组有误差的数据 构成 表3 。分析表3 可知，预测结果数据中，S V M 模型预 测值在各点处均有偏差，E L M 模型仅有1 处存在偏 差外，其余预测值偏差为o 。可见，E L M 模型的预测 精度较高。 E L M 模型个别结果存在偏差的原因是由于原始 样本数据造成的，与E M L 模型本身无关。因为相同 的E L M 模型，使用参数相同，对于不同的输入数据， 大部分结果是零偏差，个别存在偏差的预测结果平均 相对误差在2 ．5 ％以内。对个别存在偏差实验结果 的深入分析以及进一步验证E M L 得到的功率值与企 业实例中的功率值哪个更优可作为今后的研究内容。 表3E L M 与S V M 模型预测值对比 T a b l e3E L Mm o d e lp r e d i c 廿帆v a l u ec o m p a r e dw i t h 洲Mm o d e l 4 结论 1 基于极限学习机的采煤机功率预测模型，通 过遗传算法选定最佳隐层神经元个数，利用递进方式 比选确定激励函数，可获得较高的预测精度，预测平 均相对误差在2 ．5 ％以内。 2 预测算法具有较高的计算效率，在标准配置 处理器上可实现6 0 0m s 内完成单次功率预测，学习 速度方面较基于s V M 的预测算法有了显著的提高， 节约了预测时间，提高了推理速度，更利于工程实践 应用。 3 预测模型具有较好地适应性，在采煤机总体 技术参数的预测中，除截割部功率、牵引部功率和装 机总功率之外的其他决策属性，利用该预测模型也能 正常推理且精度满足要求，有利于该模型的拓展应 用。该方法不仅可以提高参数预测的准确度，而且可 显著提高推理效率。 参考文献 [ 1 ] 李伯虎，张霖，任磊，等．云制造典型特征、关键技术与应用[ J ] ． 计算机集成制造系统，2 0 1 2 ，1 8 7 1 3 4 5 一1 3 5 6 ． L iB o h u ，Z h a n gL i n ，R e nL e i ，e ta 1 ．T y p i e a lc h a r a c t e r i s t i c s ，t e c h n o l o g i e sa n da p p l i c a t i o n so fc l o u dm a n u f a c t u d n g [ J ] ．c o m p u t e rI n t e 铲a t e dM a n u f 吾c t u r i n gS y s t e m s ，2 0 1 2 ，1 8 7 1 3 4 5 一1 3 5 6 ． [ 2 ] R a v i n e s hcD e o ，M e h m e tS a h i n ．A p p l i c a t i o no ft h ee x t r e m el e a m i n gm a c h i n ea l g o r i l h mf o r t h 。 p r e d i c t i o n o f m o u l h l yE f f e c t j v e D m u g h tI n d e xj ne a s t e mA u s l r a l i a [ J ] ．A t m 0 8 p h e d cR e s e a r c h ， 2 0 1 5 ，1 5 3 5 1 2 5 2 5 ． [ 3 ]王保义，赵硕，张少敏．基于云计算和极限学习机的分布式电力 负荷预测算法[ J ] ．电网技术，2 0 1 4 ，3 8 2 5 2 6 5 3 1 ． W a “gB a o y i ，Z h a oS h u o ，Z h a n gS h a o m i n ．Ad i s t r i b u t e dl o a df o r e c a s t i n ga l g o r i t h mb a s e do nc l o u dc o m p u t i “ga n de x t r e m el e 锄i n gm a c h i n e [ J ] ．P o w e rs y s t e mT e c h n o l o g y ，2 0 1 4 ，3 8 2 5 2 6 5 3 1 ． [ 4 ]潘华贤，程国建，蔡磊．极限学习机与支持向量机在储层渗透率 预测中的对比研究[ J ] ．计算机工程与科学，2 0 1 0 ，3 2 2 1 3 卜 1 3 4 ． P a nH u “i a n ，C h e n gG u o j i a n ，C a ik i ．C o m p a r i s o n0 ft h ee x t r e m e l e 栅i “gm a c h i n ew i t ht h es u p p o r tv e c t o rm a c h i n ef o rr e s e r v o i rp e r - m e a b 订i t yp r e d i c t i o n [ J ] ．c o m p u t e rE n 舀n e e r i n g ＆s c i e n c e ，2 0 1 0 ， 3 2 2 1 3 l 1 3 4 ． [ 5 ] 刘念，张清鑫，李小芳．基于核函数极限学习机的分布式光伏短 期功率预测[ J ] ．农业工程学报，2 叭4 ，3 0 4 1 5 2 一1 5 9 ． L i u N i a n ，z h a “gQ i n g x i n ，L ix i a o f a n g ．D i s t r i b u t e dp h o t o v o l t a i c s h o r t t e 玎np o w e ro u t p u tf o r e c a s t i “gb a s e do ne x t r e m el e a m i n gm a ． c h i n ew i t hk e m e l [ J ] ．1 1 r a n s a c t i o n so f I h ec h i n e s es o c i e t yo fA g r i c u l t u r a lE n 百n e e r i n g ，2 0 1 4 ，3 0 4 1 5 2 一1 5 9 ． [ 6 ] 丁华，杨兆建．采煤机概念设计融合推理模型研究与实践[ J ] ． 煤炭学报，2 0 1 0 ，3 5 1 0 1 7 4 8 一1 7 5 3 ． D i n gH u a ，Y a n gz h a o j i a n ．R e s e a r c ha n dp r a c t i c eo fs h e a r e rc o n c e p - l u a l d e s i g nf u s i o nr e a s o n i “gm o d e l [ J ] ．J o u m a lo fc h i n ac o a lS o c i e ． t y ，2 0 l O ，3 5 1 0 1 7 4 8 1 7 5 3 ． [ 7 ] 丁华，杨兆建．面向知识工程的采煤机截割部现代设计方法与 系统[ J ] ．煤炭学报，2 0 1 2 ，3 7