基于XGBoost的采煤机健康状态评估方法研究

针对采煤机状态监测参数存在冗余性和数据类别不平衡等问题,在选取采煤机状态指标数据的基础上引入XGBoost集成学习算法对采煤机健康状态进行评估。首先,选择综合相关系数,即Spearman相关系数和Person相关系数进行综合用于表征采煤机状态数据变量间的相关关系,通过计算状态参数间的相关系数筛选出采煤机健康状态评估指标;根据专家经验对采煤机状态量进行等级划分,建立训练样本。整个样本采用XGBoost集成学习算法训练,通过交叉验证法选择合适参数,建立最优模型。最后,根据采煤机实例数据集进行模型验证和分析。实验结果表明：基于XGBoost的采煤机健康状态评估方法平均准确率可达98.50%,能有效解决数据集的不平衡问题和状态评估难题。     

基于MSCNN-GRU神经网络的采煤机摇臂剩余寿命预测

针对采煤机摇臂剩余使用寿命预测过程中数据高维度与时间序列相关信息难以挖掘等问题,提出一种多尺度卷积神经网络和门控循环单元神经网络融合的寿命预测方法。首先,利用多尺度卷积神经网络深层特征提取能力和门控循环单元神经网络的时间依赖特性,构建健康指标。其次,采用多项式拟合,预测状态值达到阈值1时的时间,实现摇臂RUL预测。试验结果表明,所提方法预测结果能够较好地接近真实寿命。     

基于CNN-XGBoost的采煤机健康状态评估

针对采煤机数据集类别数据不平衡导致评估准确率不高和单一评估算法局部搜索能力较弱等问题,提出一种基于卷积神经网络（CNN）和极端梯度提升算法（XGBoost）的采煤机健康状态评估方法。根据采煤机结构及工作原理构建健康状态评估指标体系,将预处理后的采煤机状态数据集输入CNN模型提取特征信息,利用XGBoost模型进行状态评估。实验结果表明：基于CNN-XGBoost的采煤机健康状态评估方法平均准确率可达95.4%,能有效解决数据集的不平衡问题和状态评估难题。