工作面刮板輸送機運行形態(tài)監(jiān)測分析

李亮亮

（霍州煤電集團山西汾河焦煤股份有限公司，山西 洪洞 041600）

近年來，礦井機械化水平得到飛速發(fā)展，但對于設備運行狀態(tài)的監(jiān)測和預測卻很薄弱，尤其是對煤礦大量應用的刮板輸送機的運行形態(tài)監(jiān)測卻較少。 部分學者已對礦井設備運行狀態(tài)監(jiān)測和預測進行了相關研究，主要集中研究了采煤機和刮板輸送機協(xié)同運行狀態(tài)的監(jiān)測，通過采煤機單機的姿態(tài)和位置間接分析刮板輸送機的運行形態(tài)，均取得了良好的研究結果[1-4]。 但是在實際工程中，采煤機與刮板輸送機雖然是協(xié)同運行，地質條件的復雜性往往導致采煤機和刮板輸送機運行不協(xié)調的現(xiàn)象。

目前，只能被動了解工作面輸送機的運行形態(tài)，生產實際中，可通過調節(jié)刮板輸送機的液壓機構判斷輸送機的推進距離，但推進距離與機械設備的具體姿態(tài)位置有一定偏差，經常導致刮板輸送機與采煤機的不協(xié)調運行，無法實現(xiàn)設備的安全可靠運行。 因此，急需一種全新的方法實現(xiàn)刮板輸送機運行形態(tài)的提前預測，為實現(xiàn)工作面智能化開采提供便利。

1 機器學習理論

機器學習作為計算機領域的重要研究方法，已經實現(xiàn)了多學科、多領域、交叉式應用，其本質是通過計算機算法解析大量數(shù)據(jù)，得出具有一定規(guī)律的數(shù)值，通過已知的規(guī)律實現(xiàn)數(shù)據(jù)的提前預測，其類似于神經網絡。 計算機如同大腦神經網絡，在特定信息處理方式下，使得類似于大腦神經網絡的特定程序實現(xiàn)信息的自主學習，其更像函數(shù)中的映射關系，即輸入與輸出的關系。 神經網絡模型具有良好的實用性、強大的自學能力、數(shù)據(jù)處理規(guī)模大等優(yōu)點，在解決工程問題時，可將具有時序性的大量數(shù)據(jù)進行批量處理，進而得到基于時間序列的預測數(shù)據(jù)。

對應井下復雜的生產環(huán)境，采煤機割煤路徑隨時間發(fā)生變化，割煤路徑可能為非線性運動，且割煤作業(yè)易導致煤層底板破壞，致使刮板輸送機形態(tài)發(fā)生不規(guī)則的變化。 因此基于機器學習理論對刮板輸送機進行時間序列上的預測較為合理。

2 刮板輸送機運行形態(tài)監(jiān)測方法

刮板輸送機運行形態(tài)監(jiān)測方法主要采用核方法，基于SLT（小樣本統(tǒng)計）理論和優(yōu)化理論可以得到最佳的優(yōu)化結果，其實質是通過內積核函數(shù)對數(shù)據(jù)進行高維的映射，進而得到合理的前饋算法，該方法在圖像處理、故障識別和預測上具有良好的應用。

采煤過程中，巷道底板巖層性質已知，但是工作面地形的復雜性及采煤工藝對圍巖的破壞性，導致工作面推進期間，刮板輸送機的工作姿態(tài)呈現(xiàn)多樣性，且多具有隨機性和模糊性的特點。 因此，通過有效的方法建立合理的模型對于監(jiān)測設備運行狀態(tài)具有現(xiàn)實意義，本項研究主要通過該方法實現(xiàn)刮板輸送機運行形態(tài)的監(jiān)測和預測。

一般而言，刮板輸送機位于底板位置，底板巖層的形態(tài)變化直接影響刮板輸送機的運行狀態(tài)。 但由于刮板輸送機并非為一體化的剛體構件組成，其是由多個固定長度的構件通過中部槽剛體連接而成；因此刮板輸送機并不完全平行于底板，完全以平行底板形態(tài)判斷刮板輸送機的運行形態(tài)不合理，需要根據(jù)底板的實際形態(tài)判斷設備的運行形態(tài)。

為了提高模型的準確性，需要以實際檢測得到的底板形態(tài)作為基本參數(shù)，對參數(shù)進行歸一化處理，進而提高計算的計算速度和準確性。

刮板輸送機預測流程工藝圖如圖1 所示，首先根據(jù)實際統(tǒng)計數(shù)據(jù)，對數(shù)據(jù)進行劃分、測試及歸一化處理；隨后便可以運行模型，模型運行中，將預測數(shù)據(jù)和處理過后的數(shù)據(jù)進行誤差判斷，當誤差判斷結果小于5%時（是），則輸出預測結果，結束運行；當預測結果大于5%時（否），則需要返回，重新連接權重，運行模型，再進行誤差判斷，直至誤差值降低至5%以下，輸出預測結果。

圖1 刮板輸送機預測流程工藝

考慮到實際數(shù)據(jù)較多，直接使用核方法時結果誤差較大，因此，首先使用滾動預測模型構建數(shù)據(jù)處理的循環(huán)，減少了實測數(shù)據(jù)誤差對預測結果的影響，間接提高了核方法計算結果的準確性。 滾動預測模型中的數(shù)據(jù)處理循環(huán)主要通過for函數(shù)實現(xiàn)，將采煤機截割三次后底板的形態(tài)作為一組，將計算得到的結果作為標準預測值，然后不斷循環(huán)計算，得到最終的計算結果。

3 預測結果分析

結合回坡底煤礦礦井實際生產狀況及環(huán)境，在11-109 工作面相鄰的40 m范圍內布置40 個測點，每個測點距離1 m，統(tǒng)計不同測點處刮板輸送機的運行形態(tài)，得到圖2 所示的結果。 從圖2 中可以看出，真實測量值和理論預測值變化規(guī)律相近，隨著測點距離的增加，雖然呈現(xiàn)多鋒狀態(tài)，但是整體處于增加的趨勢。 由于數(shù)據(jù)過于密集，且實際測量值和理論測量值較相近，因此很難看出兩者之間的誤差，故繪制圖3 所示的誤差分析圖。 從圖3 中可以看出，刮板輸送機形態(tài)真實測量值和理論預測值有一定誤差，整體起伏較大，這是由于工作面的回采造成圍巖的非線性變形造成的，因此底板的變形也表現(xiàn)為非線性的無規(guī)律變化，致使刮板輸送機形態(tài)出現(xiàn)多樣性，但是整體誤差值較小，最大誤差值出現(xiàn)在測點位置40 m處，為1.8%，平均誤差為0.58%，說明了理論預測結果的準確性、可靠性。

圖2 刮板輸送機真實測量值與理論預測值對比

圖3 真實測量值與理論預測值誤差分析

本研究實現(xiàn)了復雜工況下刮板輸送機運行形態(tài)的監(jiān)測，得到了準確、 可靠的刮板輸送機運行形態(tài)，間接提高了工作面的生產效率?；跈C器學習理論的遠程三維形態(tài)監(jiān)測，及時掌握11-109 工作面刮板輸送機的運行信息，并及時調整設備，避免了設備彎曲角度過大造成的損壞，同時也為采煤機下滾筒的調高提供了可靠信息，保證了工作面的平整性。

4 結語

考慮到工作面回采期間刮板輸送機運行形態(tài)難以預測的問題，以機器學習理論為基礎，借助該方法、滾動預測模型等手段，對刮板輸送機運行形態(tài)進行了監(jiān)測研究。 通過對比分析刮板輸送機真實測量值與理論預測值，得到兩者之間的平均誤差值僅為0.58%，最大誤差值為1.8%，證明了基于機器學習理論預測刮板輸送機運行形態(tài)的可行性，高準確率、快速地計算預測，在實際工程中更加適用。 實際工程中及時發(fā)現(xiàn)刮板輸送機工作異常狀態(tài)，為調整刮板輸送機、采煤機滾筒及液壓支架等設備工作狀態(tài)提供了可靠信息，提高了工作面生產的安全性。