采煤机运行状态数据分布式实时预测模型

张俭让， 刘睿卿， 李学文， 王智鹏， 史振东

(1.西安科技大学 安全科学与工程学院， 陕西 西安 710054；2.教育部西部矿井开采及灾害防治重点实验室， 陕西 西安 710054)

0 引言

随着煤矿智能化的发展，数据量的增长异常迅猛。采煤机是综采“三机”之一，其工作环境复杂，自身安装有多个传感器，采样频率高，数据量大[1-2]。采煤机运行状态数据属于动态的时间序列数据，可用于采煤机运行状态的实时分析判断及预测。对采煤机运行状态数据进行实时采集与分析处理，可一定程度上保障采煤机及人员安全，对采煤机智能化运行具有重要意义[3]。

目前机械设备的状态预测方法仍然大量使用传统机器学习方法，如自回归模型[4]、隐马尔科夫模型[5]、BP神经网络预测模型[6]等。这些模型在预测少量数据时取得了不错的效果，但面对大量数据应用时往往效果不理想。

Storm是一种开源的分布式实时大数据处理框架，具有适用场景广泛、可伸缩性高、无数据丢失的特点，适用于大量时间序列流数据的实时处理[7-8]。因此，本文在Storm框架基础上进行采煤机运行状态预测。循环神经网络在处理与时间序列相关的数据方面取得了良好效果，但在反向传播过程中，随着层数增多，会出现梯度消失或者爆炸现象，对模型的拟合程度有较大影响。门控循环单元(Gate Recurrent Unit，GRU)是循环神经网络的一种变体，其解决了长距离时序数据预测中容易出现的梯度爆炸和消失问题，应用于金融时间序列预测[9]、电力负荷预测[10]等领域时取得了良好效果。因此，本文采用GRU预测采煤机的时序数据，结合Storm框架和GRU实现采煤机运行状态预测。

1 Storm数据流模型

Storm的核心组件主要包括主控节点(Nimbus)和从节点(Supervisor)。Nimbus节点主要负责资源分配和任务调度，Supervisor节点负责接收Nimbus分配的任务，管理和启动所有的工作(Worker)。1个Supervisor对应4个Worker,1个Worker对应1个拓扑(Topology)，Topology由Stream、Spout和Bolt组成。Stream即数据流；Spout充当采集器的角色，实现与数据源的连接；Bolt为业务逻辑运算节点，订阅多个Spout，实现业务处理、连接运算等操作。Storm数据流模型基本结构如图1所示。

图1 Storm数据流模型基本结构

2 GRU结构及原理

GRU结构如图2所示。其中xt为t时刻的输入值，ct为记忆细胞，ht为t时刻隐藏单元的历史信息，at为重写的记忆细胞的候选值，ot为t时刻的输出值，rt为重置门，ut为更新门。GRU通过记忆细胞ct将历史数据信息保存下来，用于数据预测。当t时刻实际数据xt到达时，结合隐藏单元历史信息ht-1，通过更新门和重置门控制上一个单元有多少信息可以保留，当前单元有多少信息可以添加到记忆细胞ct并传递给下一个单元，通过激活函数输出当前时刻的预测值ot。常用的激活函数为tanh，K类别分类问题可以选用softmax作为激活函数。为了简化描述，设置输出的激活函数为softmax函数，隐藏层的激活函数为tanh函数。

图2 GRU结构

更新门ut用于确定上一隐藏层中的记忆信息，重置门rt用于确定上一隐藏层中的遗忘信息，记忆细胞候选值at用于确定当前的记忆内容，记忆细胞ct用于确定当前要保留的信息，其计算公式分别为

ut=σ(wu[ct-1,xt]+bu)

(1)

rt=σ(wr[ct-1,xt]+br)

(2)

at=tanh(wh[rtct-1,xt]+bc)

(3)

ct=utat+(1-ut)ct-1

(4)

式中：σ为sigmoid函数；wu，wr，wh分别为更新门ut、重置门rt和记忆细胞候选值at的更新权值;bu，br，bc分别为更新门ut、重置门rt和记忆细胞候选值at的偏差值。

3 基于Storm的采煤机运行状态数据分布式实时预测模型

3.1 预测模型原理

基于Storm的采煤机运行状态数据分布式实时预测模型如图3所示。采煤机运行状态数据是以固定时间间隔源源不断地产生，本文结合在煤矿收集的采煤机运行状态数据，在Hadoop分布式存储数据库中通过crontab编写定时读取数据的脚本，用来模拟采煤机的实时数据流。将流数据传送到不同的消息队列Spout中，Spout将数据以元组流的形式发送给相应Bolt，通过多个Bolt实现对数据的预处理、预测、误差计算及存储，最终实现对采煤机运行状态数据的实时预测[11]。

图3 基于Storm的采煤机运行状态数据分布式实时预测模型

3.2 Hadoop分布式存储数据库

为方便管理海量的采煤机运行状态数据，基于Hadoop[12]设计数据存储结构，包括1张索引表和多张数据表[13]。索引表包括监测点位置、预测模型、预警阈值上界TUBn(n为监测点数)和下界TLBn，见表1。数据表通过行增长的方式模拟时间序列，每一列代表某个监测点所采集的时间序列数据，见表2，其中m为时间点数,Datanm为监测数据。在实际生产中，各个测点的实时运行数据会以固定时间间隔存入Hadoop中，经主控节点Nimbus的调配传入 Spout中进行处理。

表1 索引表

表2 数据表

3.3 Spout设计

Spout通过调用nextTuple()方法从Hadoop中提取相应监测点的信息，将信息封装后传递给Bolt，具体步骤如下：

(1) 连接Hadoop，从相应监测点的数据表中读取n个数据。

(2) 判断数据序列长度是否达到预测的历史数据样本容量N，达到则进行步骤(4)，否则进行步骤(3)。

(3) 从数据库读取新数据，将新数据添加到序列末尾，跳回步骤(2)。

(4) 将数据封装成元组形式发送到预处理Bolt。

3.4 Bolt设计

Bolt接收Spout传递的元组，通过多个Bolt调用execute()方法，分别实现数据的预处理、预测、误差计算和存储，具体步骤[14]如下：

(1) 预处理Bolt接收从Spout传递来的元组，解析对应监测点的N个数据；导入python包处理异常值，并将数据标准化，以元组形式发送到GRU预测Bolt。

(2) 预测Bolt接收预处理Bolt传递的标准化后的数据，导入训练好的GRU模型，预测下一时刻的数据，并等待该时刻实际数据，将预测数据和实际数据一起发送到预警Bolt。

(3) 预警Bolt根据设定的阈值判断是否要预警，将预测结果和预警信息发送到存储Bolt。

(4) 存储Bolt接收数据并存储。

4 实验分析

4.1 实验环境及过程

以某矿综采工作面MG400930-WD电牵引采煤机的数据为例，取采煤机中的截割部电动机电流、截割部电动机温度、牵引部电动机电流、牵引部电动机转速、调高泵工作压力、调高泵工作转速、冷却水压、变频器电流8种监测数据(依次用a—h表示)各1 000条作为实验数据。

首先进行GRU模型训练。对原始数据中的缺失值、异常值及噪声进行预处理，将预处理后的数据作为输入数据。将输入数据以7∶3的比例分为训练集和测试集。隐藏层针对训练集进行训练，通过优化函数Adam、损失函数MSE调节模型的超参数，以损失值最小作为调优准则对模型进行优化。

通过训练找到GRU的最优参数，在Hadoop上模拟实时数据流，设置基本时间窗口为1 min。在主控节点Nimbus调控下，将8种测试集数据并行输入8个Worker中，在各自的拓扑中完成对数据的预测和预警。

4.2 实验结果

GRU超参数寻优结果见表3，其中C1—C7分别为寻优训练次数、学习率、神经元数量、权重衰减、时间步数、每次训练样本数、隐藏层数。从表3可看出，8种监测数据在GRU模型中收敛的训练次数不同，但均小于500次，收敛速度较快。

表3 GRU超参数寻优结果

将训练好的GRU导入Bolt中，用测试集模拟实时数据流，各测试集中300个点的真实值和预测结果对比如图4所示。

a) 截割部电动机电流

4.3 结果分析

4.3.1 GRU预测结果评价

采用平均绝对误差(MAE)、均方根误差(RMSE)及拟合优度(R2)作为GRU拟合程度的评价指标，其计算公式分别为

(5)

如果我们回到一般城邦的具体的人员构成上，就会发现，在寡头制和平民制中，穷人阶层和富人阶层可以得到很好的混合，即形成一个人数较多的中产阶层，他们既不太穷，又不太富，而是拥有中等家资。这是贫富混合得适中、恰到好处的一个阶层。如果他们执政，则可以兼得平民制和寡头制的好处，能服务于所有公民；同时，这种财富状况对于他们的政治美德培养是一个极好的基础，因为他们“最容易听从理性”[2](P144)，可以避免人的两种极端的性格品质。这样的城邦就是尽可能地由平等或同等的人所组成，这样他们之间就能坦荡地交往，并且产生出公民友谊，所以，这样的城邦就将是现实中最优良的城邦，能得到最出色的治理。

(6)

(7)

GRU预测结果评价指标对比见表4。

表4 评价指标对比

拟合优度R2的值越接近1，MAE和RMSE的值越接近0，效果越好。由表4可知，因为原始数据较大，数据类型d和f的MAE和RMSE的值相对较大，而其余类型的原始数据较小，误差也相对较小。8种数据的MAE和RMSE均接近0，初步判断GRU可作为预测模型。8种数据的R2均达到0.9以上，说明基于Storm的分布式时间序列实时预测模型适用于采煤机运行状态数据的预测。

4.3.2 预警的准确性

根据经验和误差要求，设定各类实验数据的阈值，见表5，其中Ie1，Ie2分别截割部电动机、牵引部电动机的额定电流，Ie1=87 A，Ie2=105 A。

表5 数据阈值设定

根据阈值设定，将各类数据的状态分为正常、注意和故障3种。当采煤机运行时，若数据未达到注意值，则状态为正常，工作性能稳定，无需采取措施；若数据达到注意值而未达到故障阈值，则状态为注意；若数据达到故障阈值，则状态为故障。预测Bolt在得到预测数据而实际数据未到时，对数据状态进行预测并作出相应预警[15]。测试集的各数据预测状态与实际状态的对比结果如图5所示，其中纵坐标1，2，3分别表示正常、注意和故障3种状态。各类数据的预警准确率见表6。

(a) 截割部电动机电流

从表6可看出，除冷却水压外，其余数据的预警准确率均达到95%以上，满足实际应用要求。由于冷却水压数据值较小，注意值和故障阈值间隔很小，预测时误差偏大，但也达到85%以上，准确率较高，具有一定的实用价值。

表6 预警准确率

4.3.3 处理时间

实验模拟从传感器得到数据并传入Hadoop中，Storm从Hadoop中读取数据，主控节点Nimbus通过Zookeeper监控和分配任务，通过Supervisor节点将具体的处理逻辑交由Worker完成。分别测量将流数据传入Spout中所需要的时间，Spout将数据分发给Bolt所需要的时间，预处理Bolt、预测Bolt、预警Bolt和存储Bolt所需要的总时间，结果见表7。

表7 预测模型处理时间

从表7可看出，数据库、Worker中Spout和各Bolt针对流数据的处理速度较快，整个预警过程共10 s左右，远低于测点数据采集间隔(1 min)， 因此，可满足应用要求。

5 结论

(1) 提出基于Storm的采煤机运行状态数据分布式实时预测模型，结合Hadoop 数据库，模拟实际生产中采煤机时间序列运行数据，采用深度学习中的GRU对数据进行处理，实现对采煤机运行状态数据的预测和预警。

(2) 实验结果表明：GRU收敛速度较快，且拟合优度达到0.9以上；各种数据状态预测的准确率均达到85%以上，整个预警过程仅需10 s左右，远低于测点数据采集间隔(1 min)，模型的预警准确率和效率均能满足要求。

(3) Storm框架仍需进行包括负载均衡、集群调优等优化，以更好地满足应用要求，下一步将对此进行研究。