智采工作面中部液壓支架集群自動(dòng)化后人工調(diào)控決策模型

張錦濤，付翔，3，王然風(fēng)，王宏偉

（1.太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原 030024；2.太原理工大學(xué) 山西省煤礦智能裝備工程研究中心，山西 太原 030024；3.山西焦煤集團(tuán)有限責(zé)任公司 博士后工作站，山西 太原 030024；4.太原理工大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，山西 太原 030024）

0 引言

近幾年來國家大力推行煤礦智能化建設(shè)，我國煤礦智能化建設(shè)日新月異，發(fā)布了各類政策，擬定了行業(yè)標(biāo)準(zhǔn)，定義了煤礦智能化概念，建立了煤礦智能化基礎(chǔ)理論體系，構(gòu)建了煤礦智能化總體架構(gòu)，很大程度上支撐了煤炭行業(yè)的健康發(fā)展[1-4]。但我國煤礦綜采工作面地質(zhì)條件差別很大，目前煤礦智能化建設(shè)面臨著許多技術(shù)難題，尤其是智能化煤礦自適應(yīng)能力較差[5]，液壓支架自動(dòng)化后會(huì)出現(xiàn)丟架、直線度不平整、支架歪斜等異常工況，所以液壓支架自動(dòng)化后人工調(diào)控依然必不可少[6]。

針對液壓支架自適應(yīng)跟機(jī)問題，文獻(xiàn)[7-9] 簡化了綜采設(shè)備群全局最優(yōu)規(guī)劃問題，給出了液壓支架群組分布式協(xié)同控制方法；文獻(xiàn)[10]闡述了在大數(shù)據(jù)背景下，實(shí)現(xiàn)智能綜采裝備協(xié)同控制知識自學(xué)習(xí)、開采行為自決策、分布協(xié)同自運(yùn)行等目標(biāo)的理論基礎(chǔ)與方法體系；文獻(xiàn)[11]通過分析液壓支架自主跟機(jī)原理，提出了根據(jù)不同推移狀態(tài)模式，分段感知液壓支架推移行程并實(shí)現(xiàn)液壓支架自主跟機(jī)決策的方法；文獻(xiàn)[12]分析了綜采“三機(jī)”的行為約束規(guī)律，通過建立基于多智能體系統(tǒng)理論的綜采“三機(jī)”全局任務(wù)規(guī)劃及任務(wù)協(xié)調(diào)控制機(jī)制，實(shí)現(xiàn)了綜采“三機(jī)”協(xié)同調(diào)度運(yùn)行；文獻(xiàn)[13]從液壓支架精準(zhǔn)控制不同動(dòng)作角度研究了液壓支架的智能協(xié)同控制，為解決綜采工作面液壓支架在自主跟機(jī)過程中出現(xiàn)的控制精度低、協(xié)同性差、直線度無法滿足需求等問題提供了新思路；文獻(xiàn)[14-16]從綜采作業(yè)工序、穩(wěn)壓供液等不同角度對自動(dòng)跟機(jī)系統(tǒng)進(jìn)行了研究。上述研究主要從液壓支架自動(dòng)跟機(jī)角度出發(fā)，實(shí)現(xiàn)自動(dòng)跟機(jī)滿足生產(chǎn)要求的目標(biāo)，然而目前智采工作面的自動(dòng)化系統(tǒng)是以過程化控制為核心，自動(dòng)化后人工調(diào)控工況變化頻繁，但目前缺乏對生產(chǎn)過程中液壓支架自動(dòng)化后人工調(diào)控工況的知識發(fā)現(xiàn)，不利于工人快速判斷需人工調(diào)控的液壓支架架號。因此本文從判別液壓支架自動(dòng)化后動(dòng)作不達(dá)標(biāo)液壓支架架號出發(fā)，提出了智采工作面中部液壓支架集群自動(dòng)化后人工調(diào)控決策模型，對自動(dòng)化后人工調(diào)控工況進(jìn)行知識發(fā)現(xiàn)與邏輯推理，將自動(dòng)化后液壓支架架號進(jìn)行分類，找出需人工調(diào)控液壓支架架號，為減輕工人勞動(dòng)強(qiáng)度、提高生產(chǎn)效率提供了新思路。

1 液壓支架集群自動(dòng)化后人工調(diào)控操作工況

1.1 人工調(diào)控操作工況出現(xiàn)頻次

本文所用數(shù)據(jù)源自山西呂梁某煤礦3404 工作面的實(shí)際生產(chǎn)數(shù)據(jù)，該工作面為薄煤層工作面，工作面長度為200 m，采煤機(jī)機(jī)身長度約為12 m，有130 架液壓支架，液壓支架推移油缸最大行程為700 mm。

本文采集了3404 工作面2021-11-01-12-12 共42 d 的數(shù)據(jù)。通過初步篩選得到15 d 質(zhì)量較好的數(shù)據(jù)，然后對中部液壓支架（20-110 架）的立柱壓力數(shù)據(jù)、推移油缸行程數(shù)據(jù)、動(dòng)作數(shù)據(jù)和采煤機(jī)位置數(shù)據(jù)進(jìn)行分析，結(jié)合井下觀測記錄，對數(shù)據(jù)進(jìn)行人工可視化標(biāo)注后，得到的樣本數(shù)量統(tǒng)計(jì)結(jié)果見表1?？煽闯?5 d 內(nèi)共有899 個(gè)自動(dòng)化后人工調(diào)控工況樣本，占全部樣本的15.27%，由此可知目前智采工作面在液壓支架自動(dòng)跟機(jī)完成后需人工干預(yù)程度較大。

表1 樣本數(shù)量統(tǒng)計(jì)Table 1 Quantity statistics of samples

1.2 人工調(diào)控操作工況與正常工況數(shù)據(jù)

采用探索性可視化分析方法對上述數(shù)據(jù)樣本進(jìn)行篩選、補(bǔ)缺、標(biāo)注、比對、可視化等處理，結(jié)合工作面現(xiàn)場觀察采煤過程及與工人交流經(jīng)驗(yàn)等，總結(jié)液壓支架自動(dòng)跟機(jī)完成后人工操作規(guī)律，并根據(jù)強(qiáng)相關(guān)性和計(jì)算可行性原則，得出自動(dòng)跟機(jī)拉架距離、自動(dòng)跟機(jī)前后推移油缸行程變化量、采煤機(jī)與被操作液壓支架的位置差3 個(gè)關(guān)鍵特征。限于篇幅，本文以典型工況舉例分析。

2021-11-20T09:35-09:55，第20 號液壓支架在正常工況下特征值變化曲線如圖1 所示。液壓支架自動(dòng)跟機(jī)過程：自動(dòng)降柱-自動(dòng)拉架-自動(dòng)升柱-自動(dòng)推溜，從圖1（a）可看出，立柱壓力先由43.3 MPa降為0；然后進(jìn)行自動(dòng)拉架，推移油缸行程由700 mm變?yōu)?0 mm；接著自動(dòng)升柱，立柱壓力升高為30.3 MPa；最后自動(dòng)推溜，推移油缸行程逐漸增加到700 mm。根據(jù)此工作面作業(yè)規(guī)程，從整個(gè)過程的立柱壓力變化與推移油缸行程變化可判定此次液壓支架自動(dòng)跟機(jī)過程為正常跟機(jī)。正常跟機(jī)前后的推移油缸行程變化量接近于0，自動(dòng)跟機(jī)拉架距離略小于700 mm。從圖1（b）可看出在正常跟機(jī)時(shí)，自動(dòng)跟機(jī)支架與采煤機(jī)之間有8 架液壓支架，符合工作面作業(yè)規(guī)程。

圖1 第20 號液壓支架在正常工況下特征值變化曲線Fig.1 Change curves of characteristic value of No.20 hydraulic support under normal working conditions

2021-11-20T16:35-16:55，第20 號液壓支架在自動(dòng)跟機(jī)及自動(dòng)化后人工干預(yù)調(diào)控工況下特征值變化曲線如圖2 所示。從圖2（a）可看出，立柱壓力有2 次先降后升，推移行程也有2 次減小變化，根據(jù)此工作面作業(yè)規(guī)程，判斷第1 次立柱壓力變化與推移行程變化為自動(dòng)跟機(jī)導(dǎo)致，第2 次立柱壓力變化與推移行程變化為人工調(diào)控導(dǎo)致，兩者時(shí)間差約為5 min。自動(dòng)跟機(jī)時(shí)，立柱壓力先由46.9 MPa 降為0；然后進(jìn)行自動(dòng)拉架，推移油缸行程由700 mm 變?yōu)?10 mm，拉架距離小于600 mm，導(dǎo)致直線度不平整；接著自動(dòng)升柱，立柱壓力升高為38.4 MPa；最后自動(dòng)推溜，推移油缸行程逐漸增加到700 mm。人工調(diào)控目的是補(bǔ)足拉架距離，調(diào)整直線度，但人工調(diào)控時(shí)立柱壓力較高，為40.4 MPa，無法直接拉架，所以人工調(diào)控再次進(jìn)行降柱-拉架-升柱操作，此次人工調(diào)控行程變化量為65 mm，且人工拉架后不進(jìn)行推溜操作，推移油缸行程保持在635 mm。從圖2（b）可看出，自動(dòng)跟機(jī)液壓支架與采煤機(jī)之間有11 架液壓支架，人工調(diào)控液壓支架與采煤機(jī)之間有18 架液壓支架，人工調(diào)控液壓支架與采煤機(jī)的距離更遠(yuǎn)，這是因?yàn)楣と搜矙z具有隨機(jī)性且要保證工人安全。

圖2 第20 號液壓支架自動(dòng)跟機(jī)及自動(dòng)化后人工干預(yù)調(diào)控工況下特征值變化曲線Fig.2 Change curves of characteristic value of No.20 hydraulic support automatic following and manual lifting operation after automation

對比圖1 與圖2 可知，自動(dòng)跟機(jī)拉架距離、自動(dòng)跟機(jī)前后的推移油缸行程變化量、采煤機(jī)與被判斷液壓支架的位置差可作為判別液壓支架自動(dòng)跟機(jī)后是否進(jìn)行人工調(diào)控的重要特征。

2 液壓支架集群自動(dòng)化后人工調(diào)控決策模型

液壓支架集群自動(dòng)化后人工調(diào)控決策模型是一個(gè)包含數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征工程、分類模型和輸出的復(fù)雜模型，建模流程如圖3 所示。數(shù)據(jù)采集模塊為液壓支架集群自動(dòng)化后人工調(diào)控決策模型提供原始數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊對原始數(shù)據(jù)進(jìn)行異常值和缺失值處理、篩選、排序和相關(guān)性分析等數(shù)據(jù)準(zhǔn)備工作；特征工程模塊進(jìn)行特征值計(jì)算及標(biāo)準(zhǔn)化處理，為分類模型提供樣本集；分類模型對樣本集進(jìn)行劃分后，利用ID3 決策樹模型進(jìn)行分類，最后輸出正常工況下的液壓支架架號與需人工調(diào)控工況的液壓支架架號。

圖3 液壓支架集群自動(dòng)化后人工調(diào)控決策建模流程Fig.3 Manual regulation and control decision modeling process after automation of hydraulic support cluster

2.1 數(shù)據(jù)采集

智采工作面數(shù)據(jù)源是建立液壓支架集群自動(dòng)化后人工調(diào)控決策模型的基礎(chǔ)，包括設(shè)備狀態(tài)數(shù)據(jù)和動(dòng)作數(shù)據(jù)2 類，其中，狀態(tài)數(shù)據(jù)主要通過設(shè)備上安裝的傳感器獲取，動(dòng)作數(shù)據(jù)主要通過設(shè)備控制系統(tǒng)獲取。采集的數(shù)據(jù)通過工業(yè)萬兆環(huán)網(wǎng)上傳到地面調(diào)度室的關(guān)系數(shù)據(jù)庫進(jìn)行存儲(chǔ)，作為構(gòu)建模型的原始數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

由于智采工作面環(huán)境復(fù)雜，經(jīng)常發(fā)生傳感器損壞或因設(shè)備故障造成工作面停電，易導(dǎo)致數(shù)據(jù)采集出現(xiàn)異常（主要是由于傳感器內(nèi)部元件損壞）和丟失（一般是指數(shù)據(jù)傳輸線路斷開，常見于傳感器本身損壞、傳感器信號線損壞或工作面停電）。為了保證數(shù)據(jù)的完整性，采用時(shí)域相鄰值或經(jīng)驗(yàn)值填充的方法處理數(shù)據(jù)丟失的問題；針對數(shù)據(jù)異常問題，分情況進(jìn)行處理，單個(gè)異常值采用相鄰值替換，若異常數(shù)據(jù)較多則去除當(dāng)天數(shù)據(jù)。按照液壓支架的立柱壓力值、推移油缸行程值、動(dòng)作數(shù)據(jù)和采煤機(jī)位置數(shù)據(jù)對經(jīng)過異常值、缺失值處理后的數(shù)據(jù)進(jìn)行篩選，并對每種數(shù)據(jù)進(jìn)行時(shí)間排序，得到可用的數(shù)據(jù)，然后對此數(shù)據(jù)進(jìn)行相關(guān)性分析，得到自動(dòng)跟機(jī)前后推移油缸行程變化量、自動(dòng)跟機(jī)拉架距離、采煤機(jī)位置支架號與被判斷支架號的絕對差值3 個(gè)特征值。

2.3 特征工程

利用預(yù)處理后的數(shù)據(jù)進(jìn)行特征值計(jì)算，制作樣本集。首先確定液壓支架相鄰2 次拉架動(dòng)作發(fā)生時(shí)間，取相鄰2 次拉架動(dòng)作時(shí)間為截取數(shù)據(jù)的起始點(diǎn)與終止點(diǎn)；然后對每一時(shí)間段內(nèi)的液壓支架推移油缸行程數(shù)據(jù)、采煤機(jī)位置數(shù)據(jù)進(jìn)行計(jì)算。

式中：ΔX為自動(dòng)跟機(jī)前后的推移油缸行程變化量；x1為自動(dòng)跟機(jī)前推移油缸行程；x2為自動(dòng)跟機(jī)后推移油缸行程。

式中：Y為自動(dòng)跟機(jī)拉架距離；為第n個(gè)時(shí)間段的起始點(diǎn)Tn前t1時(shí)刻行程；為第n個(gè)時(shí)間段的起始點(diǎn)Tn后t2時(shí)刻行程。

式中：Δq為采煤機(jī)位置支架號與被判斷支架號的絕對差值；N為被判斷液壓支架架號；Q為采煤機(jī)位置所在支架號。

對自動(dòng)跟機(jī)前后推移油缸行程變化量、自動(dòng)跟機(jī)拉架距離、采煤機(jī)位置支架號與被判斷支架號的絕對差值進(jìn)行標(biāo)準(zhǔn)化處理，將不同量綱的數(shù)據(jù)按比例縮放到相同的數(shù)據(jù)范圍，轉(zhuǎn)化為無量綱的純數(shù)值，從而減少不同特征對模型的影響，保證結(jié)果的可靠性。處理結(jié)果作為模型實(shí)例化的樣本集。

2.4 自動(dòng)化后液壓支架工況分類模型

常見的分類算法有隨機(jī)森林、支持向量機(jī)（Support Vector Machine，SVM）、決策樹（分類樹）等，其中，隨機(jī)森林算法對于實(shí)時(shí)性要求很高的情況無法滿足；SVM 算法對大規(guī)模訓(xùn)練樣本無法實(shí)施；決策樹算法能夠直觀地給出詳細(xì)的分類過程，可在相對短的時(shí)間內(nèi)得到良好的分類效果。由于煤礦生產(chǎn)過程中數(shù)據(jù)量龐大，對模型實(shí)時(shí)性要求較高，故選擇決策樹算法對自動(dòng)化后液壓支架工況進(jìn)行分類。

ID3 決策樹是通過信息增益（熵）確定對每個(gè)內(nèi)部節(jié)點(diǎn)選擇哪個(gè)屬性進(jìn)行判斷，每個(gè)分支表示一種判斷結(jié)果的輸出，可以經(jīng)過一層或多層邏輯判斷實(shí)現(xiàn)操作類型分類。其學(xué)習(xí)的基本思想是以信息熵為度量構(gòu)造一棵熵值下降最快的樹，熵的表達(dá)式為

式中Pi為第i（i=1,2,···,m，m為節(jié)點(diǎn)屬性編號）個(gè)支架動(dòng)作概率值，當(dāng)Pi接近于1 時(shí)，熵值H接近于0，即熵值越小，則判定選擇的節(jié)點(diǎn)屬性效果越好，反之則判定選擇的節(jié)點(diǎn)屬性效果越差。

在分類算法的基礎(chǔ)上，對樣本集進(jìn)行人工標(biāo)注，得到1 036 個(gè)樣本，每個(gè)樣本包含液壓支架架號、自動(dòng)跟機(jī)前后推移油缸行程變化量、自動(dòng)跟機(jī)拉架距離、采煤機(jī)位置支架號與被判斷支架號絕對差值和所屬類別5 個(gè)數(shù)據(jù)，其中正常工況樣本為675 個(gè)，自動(dòng)化后人工調(diào)控樣本為361 個(gè)。

3 模型構(gòu)建及評估

3.1 模型構(gòu)建

將人工標(biāo)注后的樣本集按照比例8∶2 劃分訓(xùn)練集和測試集。利用決策樹算法和訓(xùn)練集構(gòu)建分類模型，利用測試集進(jìn)行分類效果評價(jià)。

構(gòu)建決策樹模型的過程可分為生長和剪枝2 個(gè)過程。生長過程主要是選取最佳變量及尋找最佳分割點(diǎn)。剪枝過程是找到最佳變量和分割點(diǎn)后將其他影響模型精度的樹枝剪掉，剪枝操作可降低過擬合風(fēng)險(xiǎn)，減少建模時(shí)間，提高模型的泛化能力，使模型達(dá)到最佳效果。經(jīng)過剪枝操作后選取決策樹模型的最大深度為5 層。

3.2 模型評估

將決策樹與傳統(tǒng)K 最近鄰（K-Nearest Neighbor，KNN）、SVM、邏輯回歸（Logistic Regression，LR）等分類算法進(jìn)行分類效果對比，結(jié)果見表2?？煽闯鯧NN 算法與LR 算法的訓(xùn)練集準(zhǔn)確率較低，說明KNN 算法與LR 算法泛化能力不足；SVM 算法的訓(xùn)練集準(zhǔn)確率較高，但測試集準(zhǔn)確率較低，說明SVM 算法存在過擬合問題；決策樹算法的訓(xùn)練集與測試集準(zhǔn)確率最高，說明決策樹算法的泛化能力與過擬合能力較其他算法好。

表2 模型準(zhǔn)確率統(tǒng)計(jì)Table 2 Model accuracy statistics %

4 結(jié)語

智采工作面中部液壓支架集群自動(dòng)化后人工調(diào)控決策模型以工作面集控中心所采集的生產(chǎn)數(shù)據(jù)為基礎(chǔ)，利用大數(shù)據(jù)挖掘技術(shù)與機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)液壓支架自動(dòng)化后工況的分類。首先，通過量化自動(dòng)化后人工調(diào)控工況出現(xiàn)頻次，證明了目前智采工作面人工干預(yù)程度較高。然后，利用大數(shù)據(jù)挖掘技術(shù)，對比分析自動(dòng)化后人工操作工況數(shù)據(jù)與正常工況數(shù)據(jù)，深入挖掘智采工作面生產(chǎn)過程數(shù)據(jù)中蘊(yùn)含的自動(dòng)化后人工控制行為邏輯，找到自動(dòng)化后人工干預(yù)工況數(shù)據(jù)規(guī)律。最后，運(yùn)用機(jī)器學(xué)習(xí)算法，根據(jù)自動(dòng)化后人工干預(yù)工況數(shù)據(jù)規(guī)律，通過相關(guān)性分析得到自動(dòng)跟機(jī)前后推移油缸行程變化量、自動(dòng)跟機(jī)拉架距離、采煤機(jī)位置支架號與被判斷支架號絕對差值3 個(gè)特征值，結(jié)合實(shí)際生產(chǎn)過程數(shù)據(jù)量與實(shí)時(shí)性需求，提出基于決策樹算法的智采工作面液壓支架集群自動(dòng)化后工況分類模型，智能識別需人工調(diào)控液壓支架架號。模型實(shí)例化結(jié)果表明，決策樹算法的測試集準(zhǔn)確率為93.75%，與KNN、SVM 與LR 等分類算法相比，決策樹算法的準(zhǔn)確率高，泛化能力強(qiáng)，擬合能力強(qiáng)，說明基于決策樹算法的分類模型可以很好地區(qū)分液壓支架自動(dòng)化后的正常工況與人工調(diào)控工況，為幫助工人快速定位自動(dòng)化后人工調(diào)控液壓支架架號提供了新的理論基礎(chǔ)。