基于GA-SVR的采煤機概念設計模型研究

田 琴，楊兆建，丁 華，王義亮

（太原理工大學 機械工程學院，太原 030024）

基于GA-SVR的采煤機概念設計模型研究

田 琴，楊兆建，丁 華，王義亮

（太原理工大學 機械工程學院，太原 030024）

0 引言

產品的概念設計直接影響產品的后續設計過程，決定著產品的性能、質量、成本等，因此，雖然概念設計處于產品設計的初級階段，但卻是最關鍵的階段[1]。自Pahl和Beitz于1984年在《Engineering Design》一書中提出概念設計以來，很多專家和學者對這一概念進行了研究和拓展。其中，French定義概念設計為：“概念設計首先是要弄清設計要求和條件，然后生成框架式的廣泛意義上的解”。這里所謂“框架式的解”包含了兩方面的內容：一是功能分析與功能結構設計，二是產品總體技術參數的確定。目前，采煤機的整體結構已相對穩定，因此，總體技術參數的初步確定是采煤機概念設計的主要內容。

在采煤機概念設計中，設計者基于用戶需求和采煤機使用條件，確定采煤機概念設計的原始參數，以這些參數為輸入條件。文獻[2]提出基于實例推理的采煤機概念設計方法，有效利用已有的設計經驗得到滿足新的設計要求的概念設計方案，但對于無法實現實例推理的情況，并沒有給出有效的解決方法。文獻[3]提出了通過支持向量機回歸模型實現采煤機概念設計創新設計的思想，但并未建立真正有效地模型。本文在此基礎上提出基于GA-SVR的采煤機概念設計模型，該模型實現了采煤機概念設計的創新設計。

1 采煤機概念設計流程及設計參數的確定

1.1 采煤機概念設計流程

傳統采煤機設計主要依靠設計者的經驗進行設計，如圖1所示，首先整理用戶需求確定原始參數，然后設計者通過經驗設計得到輸出參數。

圖1 傳統采煤機設計流程

圖2 采煤機概念設計流程

在此基礎上，本文提出了新的概念設計方法，如圖2所示，整理用戶需求確定原始參數后，根據原始參數在實例庫中實例相似度尋找最相似實例，如果有相似實例則輸出設計方案，如果無相似實例則進行模型推理，得到新設計方案，并存入實例庫中，擴充實例庫內容，提高今后實例推理的匹配率。

1.2 概念設計參數的確定

概念設計參數包括輸入參數與輸出參數。設計者基于用戶需求和采煤機使用條件進行總體設計，首先確定采煤機概念設計的主要原始參數作為輸入參數：采高、截深、煤質硬度、煤層傾角、牽引速度和牽引力；經過模型推理要得到采煤機的截割部功率、牽引部功率、裝機總功率、滾筒直徑和整機質量等參數作為輸出參數，以便為下一個設計階段提供必要的設計基礎[2,3]。

2 SVR模型

假設根據某概率分布P(x,y)(x∈Rn,y∈R)生成如下樣本：

支持向量機回歸（SVR）就是希望找到適當的實值函數f(x)= ω ·φ(xi)+b來擬合這些訓練點，使：

最小，其中c為損失函數。

在P(x,y)未知的情況下，無法直接最小化R[f]，可通過下式來估計：

最小化式（3）等價于最優化問題：

式（4）的對偶形式為：

現有研究從宏觀、中觀和微觀不同視角對金融結構影響產業結構升級的機理進行了深入分析，而在各不同傳導途徑中技術進步都扮演著非常重要的角色。主要表現為以下三個方面：(1)在合理高效的金融結構下，資金向著收益率高的部門流動，資金集聚與導向提供激勵，促進技術進步，從而產業結構得以優化提升；(2)國際技術轉移尤其是技術引進推動了我國經濟結構的調整，其中金融結構發揮著重要的作用；(3)金融結構通過刺激“企業家精神”、影響企業的融資約束等因素，影響企業技術創新，推動產業結構高度化。

求解上述問題，可得支持向量機回歸函數：

常用的核函數有：線性核；多項式核；高斯（徑向基核函數或RBF）核；Sigmoid核。核函數的選擇直接決定了訓練模型的好壞。RBF核函數的優點表現如下：RBF核函數將樣本非線性地映射到高維空間，因此當條件屬性和決策屬性間為非線性關系時，選擇RBF核函數可以得到很好的訓練模型，而線性核函數無法做到這一點，實際上，線性核函數是RBF的一個特例[4]；其次，核函數參數的數量在很大程度上決定了模型的復雜程度，相對于多項式核函數，RBF含有較少的參數；最后，RBF核函數一般不會引發數據災難，比Sigmoid核函數更有效[5]。結合采煤機概念設計過程，輸入屬性與輸出屬性之間是非線性關系，因此綜合考慮算法的有效性與高效性，本文采用RBF核函數。

3 基于GA的SVR模型參數優化

對于ε-SVR模型，懲罰系數C、回歸誤差上限ε以及 RBF核函數的參數γ的優化選擇對回歸模型學習精度的好壞起著至關重要的作用。參數C的作用是在確定的特征空間中調節支持向量機置信范圍和經驗風險的比例；參數ε實際上相當于期望的回歸精度，誤差小于此值不懲罰，大于此值懲罰；參數γ主要影響樣本數據在高維特征空間中分布的復雜程度。目前，SVR參數選擇方法主要有經驗法和網格搜索，經驗法要求設計者對SVR理論有很深的認識，并有豐富的實踐經驗；而網格搜索的計算量非常大，設計者想通過以上兩種方法尋得最優參數有著很大的難度，而GA算法可以有效地解決這一難題[6,7]。

GA算法是基于自然選擇和生物遺傳過程而發展起來的一種隨機搜索優化算法，它將生物遺傳學的一些概念（如編碼、染色體、個體、適應值、種群、遺傳算子、父代、子代等）應用到工程實踐中，其優點在于：運算量小；易于設計者掌握，不需要設計者對問題有透徹的了解；能以很大的概率搜索到整體最優解。

設計算法步驟如下：

Step1：隨機產生初始種群，初步設定),,(γpC的搜索范圍以及GA中的一些參數：最大代數、種群規模、交叉概率、變異概率、淘汰概率、保護概率等 。

Step4：對當前種群進行選擇、雜交、變異等操作，產生新一代的種群。

Step5：依據設定的最大迭代次數，判斷是否達到終止條件，若未達到，則轉到Step2；否則轉到Step2，并以最好的個體作為最優解輸出。

3.1 數據預處理

在運用支持向量機回歸分析前，必須對數據進行預處理，這樣可以避免由于數據量綱差異導致預測結果的不準確。同時，由于核函數的建立依賴于特征向量的內積，如果不進行數據預處理，往往會引發數據災難。本文首先對數據樣本就行歸一化處理，歸一化公式為：

式中，n為樣本個數，k為參數個數。

3.2 模型初始參數的設定

初步設定（C,p,γ）的搜索范圍為：C∈(0,100),p∈ ( 0 ,0.1),γ∈(0,100)；終止代數為100，種群個數為20，雜交概率為0.9，交叉驗證折數為10。

3.3 預測結果分析

由于支持向量機回歸只適用于單輸出的回歸問題，本論文只對以截割部功率為輸出的預測結果進行分析。在matlab2008環境下，編寫遺傳算法參數優化程序，尋得最優參數對(C*,p*,γ*)=(14.9251,0.0265,0.0034)，使用林智仁開發的libsvm支持向量機工具箱，可得到適應度曲線（如圖3所示）以及訓練樣本和測試樣本回歸預測圖（如圖4所示）。

圖3 適應度曲線

圖4 樣本回歸預測圖

圖3以進化代數為橫坐標，適應度為縱坐標，繪制了適應度曲線，從圖中可以看出，最佳適應度是收斂的，在進化過程后期，可以得到一個較小的適應度值。

圖4表示出了樣本真實值與預測值，從圖中可以直觀地看到，除煤層厚度小于1.2的薄煤層采煤機之外，測試樣本的預測值與真實值很接近，經過計算，其最大誤差不超過5%，這驗證了該模型的有效性和準確性。

4 實例驗證

本文選取某采煤機制造企業的600個采煤機設計實例樣本，采用GA-SVR概念設計模型進行預測分析，驗證該模型的有效性和準確性。

表1 采煤機概念設計的樣本數據

采煤機概念設計的樣本數據如表1所示，隨機抽取350個樣本作為訓練樣本，250個樣本作為測試樣本。輸入參數為：采高x1(m)、截深x2(m)、煤質硬度x3、煤層傾角x4(°)、牽引速度x5(m/min)和牽引力x6(kN)，輸出參數為：截割部功率y1(kW)、牽引部功率y2(kW)、裝機總功率y3(kW)、滾筒直徑y4(m)和整機質量y5(t)。

5 結論

支持向量機模型可以挖掘出采煤機概念設計原始參數和輸出參數之間的關系，實現創新設計；遺傳算法可以實現模型參數的優化，基于GASVR的采煤機概念設計模型將二者結合可以得到最優的采煤機概念設計方案。該模型的建立，有效地繼承和共享了企業經驗知識，縮短了采煤機概念設計時間，節省了大量的設計成本和材料成本等。但是該模型并不適用于煤層厚度1.2m一下的采煤機概念設計，有待進一步研究。

[1]鄒慧君.機械系統概念設計[M].北京:機械工業出版社,2003.

[2]姚晶,楊兆建,丁華.基于實例推理的電牽引采煤機概念設計系統研究[J].煤炭學報.2011,32(03):15-17.

[3]丁華,楊兆建.采煤機概念設計融合推理模型研究與實踐[J].煤炭學報.2010,35(10):1748-1753.

[4]S. Keerthi,C.-J. Lin. Asymptotic behaviors of support vector machines with Gaussian kernel. Neural Computation, 2003,15(7):1667-1689.

[5]Vapnik. The Nature of Statistical Learning Theory.Springer-Verlag, New York,NY, 1995.

[6]吳洪兵,趙冉冉,吳鐵軍.基于GA-BP算法的齒輪箱故障診斷研究[J].煤礦機械.2012,33(11):279-281.

[7]曹振,李鑫.基于遺傳算法的零件工步優化研究[J].機械設計與制造.2009,12(12):6-7.

Research of shearer conceptual design model based on GA-sVR

TIAN Qin，YANG Zhao-jian，DING Hua，WANG Yi-liang

針對傳統采煤機概念設計采用類比方法，僅依靠設計者經驗進行設計，缺乏科學的推理模型的問題，為充分利用企業積累的設計經驗和采煤機設計實例中隱含的大量規則知識，本文將支持向量機回歸（Support Vector Regression，SVR）和遺傳算法（Genetic Algorithm，GA）相結合，面向采煤機總體參數確定過程，建立了基于GA-SVR的采煤機概念設計模型。利用SVR實現了客戶需求到采煤機總體技術參數的映射，利用GA算法對模型參數進行了優化，設計者進行參數調整，得到產品的的最優概念設計方案。該模型實現了產品的創新設計，通過工程實例驗證了該模型的有效性和準確性。

采煤機；概念設計；支持向量機；遺傳算法

田琴（1988 -），女，山西晉中人，碩士研究生，主要研究方向為機械設計及理論。

TH128

A

1009-0134(2014)05(下)-0052-03

10.3969/j.issn.1009-0134.2014.05(下).15

2013-12-09

山西省科技重大專項項目（20111101040）；山西省科學技術發展計劃項目（20110321005-04）；山西省青年科技研究基金（2012021022-6）