煤礦智能化技術在機械工程自動化中的應用

梁國明

（扎賚諾爾煤業(yè)有限責任公司職工教育培訓中心，內蒙古呼倫貝爾 021410）

社會生產和人們生活都離不開能源，我國是煤碳資源大國，雖說現(xiàn)如今煤炭逐漸退出了民眾生活能源行業(yè)，但是火力發(fā)電、煤化工等行業(yè)的持續(xù)發(fā)展壯大，促使煤炭需求量仍然居高不下，由此可見，煤礦行業(yè)依然具備非常良好的發(fā)展前景。與其他社會生產活動相比，煤礦開采生產作業(yè)不僅工作環(huán)境和工作條件惡劣，安全風險也相對較高，因此很有必要將煤礦智能化技術與煤礦機械工程進行有機融合，以便在有效降低煤礦開采人力資源需求量的基礎上，進一步提高煤礦開采生產效率及煤礦生產安全性，同時也借此推動煤礦行業(yè)的現(xiàn)代化、智能化發(fā)展，但是要想實現(xiàn)以上目的，還需要針對采煤機與液壓支架協(xié)同作業(yè)控制技術及BP 神經網絡參數優(yōu)化進行更加深入細致的研究探討。

1 煤礦智能化技術特點

1.1 數據轉化為結果

智能煤礦技術具備高效的數據轉換能力，相比較傳統(tǒng)的數據轉換和處理工作效率得到了極大提升，其依托計算機設備具有強大的計算能力，進行數據處理時，不僅數倍于傳統(tǒng)的數據處理效率，同時擁有極高的準確性。除此之外，利用智能技術還能夠處理多種類型的數據，如語音、圖像等，并且該技術還能夠以豐富的類型顯示數據處理結果，通過動畫或者圖片的方式將數據處理結果進行直觀的顯示，使得數據處理和數據展示達到了新的高度。

1.2 精度與效率的提升

當前，針對智能化技術在機械自動化領域的實踐應用主要集中在RISC 高速芯片以及處理器的處理能力提升，通過應用智能化技術使得計算性能和計算效率得到了大幅提升。利用智能技術，使得煤礦在采煤作業(yè)時可以通過多個不同的芯片處理器的控制實現(xiàn)煤礦作業(yè)的自動化控制目標，并且保證該控制過程具備較高的準確性。

1.3 操作簡單

智能煤礦技術具備較強的同步控制能力，因此在煤礦智能技術應用中顯示出了較為完善的控制能力。因為控制系統(tǒng)依賴多個不同的系統(tǒng)對其提供技術支持，所以在對智能技術進行調整和控制時具備較好的便捷性。智能技術所組成的系統(tǒng)通常不會單獨存在，通過不同技術的有效組合能夠實現(xiàn)性能提升以及降低漏洞的能力，并且能夠有效地提升機械自動化水平。

1.4 煤礦智能化特點

煤礦所采用的智能化和自動化技術之間存在著本質的區(qū)別，智能技術的主要作用是長期有效地提升產品的質量。將智能技術應用在機械工程自動化控制系統(tǒng)中能夠極大地提升生產流程的智能化水平；通過應用智能化系統(tǒng)，能夠較好地提升工程機械的生產效率，降低工人的工作量；通過優(yōu)化和調整還能夠有效地加強工人和機器之間的互動能力。

2 采煤機與液壓支架協(xié)同控制

2.1 協(xié)同工序的意義

煤礦綜采系統(tǒng)所包含的回采作業(yè)工藝流程能夠將液壓支架以及采煤機的操作工序進行細分，形成多個不同的子流程，通過對這些子流程的有效搭配，能夠實現(xiàn)采煤機和液壓支架操作工序的協(xié)調。

2.2 協(xié)同控制邏輯

煤礦在進行回采作業(yè)時，主要依靠采煤機和液壓支架事先設定的協(xié)同工作機制完成回采作業(yè)，不同的設備在協(xié)同作業(yè)的過程中可能會存在動作不統(tǒng)一、不同步的沖突狀態(tài)。工作面在進截煤、移架的過程中，采煤機的工作速度如果不能夠被有效控制，可能會導致液壓支架的跟機自動移架區(qū)段和刮板輸送區(qū)段出現(xiàn)區(qū)域重合的問題，還可能出現(xiàn)截面端頭三角煤區(qū)域斜切進刀時，刮板輸送機呈現(xiàn)進刀姿態(tài)時，采煤機才開始進刀截煤的情況。這些問題都和采煤機以及液壓支架事先設定的工作流程存在差異，為了避免這些情況發(fā)生，就要在采煤機和液壓支架的工作控制流程中增加協(xié)同作業(yè)控制邏輯，該控制邏輯應當由針對采煤機的牽引方向控制條件以及對自動跟機移架運行狀況和判定觸發(fā)動作三個流程形成的控制邏輯組成，各個協(xié)同作業(yè)工序如下：

（1）協(xié)同作業(yè)工序1。在支架推移裝載機上設置傳感器，該傳感器的主要作用是當采煤機運行的狀態(tài)中，判斷端頭支架移架的行程，當該行程小于移架到位的標準數值時，表明端頭支架已經移架到位，此時采煤機可以繼續(xù)截煤工作。如果該數值超過了標準數值，則表明端頭支架還沒有移架到位，采煤機會停止截煤工作。

（2）協(xié)同作業(yè)工序2。在支架推移裝載機上設置傳感器，該傳感器的主要作用是當采煤機運行的狀態(tài)中，判斷端頭支架推移轉載機的行程，當該行程等于支架推移轉載機到位的標準數值時，表明支架推移轉載機已經移架到位，此時采煤機可以繼續(xù)截煤工作。如果該數值小于標準數值，則表明支架推移轉載機還沒有移架到位，采煤機會停止截煤工作。

（3）協(xié)同作業(yè)工序3。采煤機在開展截煤作業(yè)時，會對自動跟機移架支架的數量進行判斷，如果支架數量超過了同時移架數量設定標準值，表明支架在相同時間內沒有完成跟機移架操作，需要采煤機降速運行，如果該數值小于移架數量設定標準值，采煤機會以正常的速度或加速運行。

（4）協(xié)同作業(yè)工序4。當截煤過程中采煤機到達機尾時，需要對跟機自動補充移架區(qū)段內的支架移架行程進行判斷，如果該行程小于標準數值，則說明支架已經全部處于正確位置，采煤機會繼續(xù)朝機頭方向運動，如果自動補充移架區(qū)段內的支架移架行程超過了標準數值，則表明支架還沒有拉移到位，采煤機會以此觸發(fā)停止運行的命令。

（5）協(xié)同作業(yè)工序5。為了能夠有效地清潔機尾浮煤，需要采煤機在機頭三角區(qū)段進行往返運行，此時三角區(qū)段內的支架全部處于閉鎖狀態(tài)。

（6）協(xié)同作業(yè)工序6。當采煤機處于斜切進刀作業(yè)時，一旦采煤機運行到端頭支架推移轉載機的傳感器位置時，需要對三角區(qū)段的支架形成進行數值判斷，如果該行程數值小于拉移位置的數值，則表明三角區(qū)段的支架拉移已經符合采煤機的運行需要，采煤機會繼續(xù)截煤的作業(yè)狀態(tài)。相反，如果該數值超過了臨界值，表明支架還未拉移到位，采煤機會觸發(fā)停止運行的命令。

（7）協(xié)同作業(yè)工序7。采煤機運行至截三角煤作業(yè)區(qū)時，如果運行至端頭支架自動跟機移架傳感器時，傳感器會判斷機尾端頭支架的行程狀態(tài)數值，如果該數值大于規(guī)定臨界值，則表明轉載機推移位置正常，符合采煤機繼續(xù)運行的條件。如果該數值小于標準數值，則說明轉載機推移位置未到指定位置，采煤機此時會停止工作。

（8）協(xié)同作業(yè)工序8。當需要對機尾三角區(qū)的浮煤進行清理時，需要采煤機在機尾三角區(qū)往返工作，該狀態(tài)下，三角區(qū)段的支架動作呈閉鎖狀態(tài)。

3 BP神經網絡參數優(yōu)化

3.1 BP神經網絡介紹

神經網絡是當前人工智能領域中的重要技術分支。其中BP 神經網絡是重要的算法類型，也被稱為反向傳播網絡模型，該模型的算法主要由激勵傳播和權重更新兩部分組成，在實現(xiàn)一層正向計算的同時，將計算結果利用反向傳播網絡進行迭代，完成同步雙向傳輸的目標。通過梯度下降算法不斷地調整參數來保證更新頻率，利用這個原理可以實現(xiàn)輸入層和隱含層的權重更新，使得最終的輸出結果呈現(xiàn)出最優(yōu)的結果，隨著權重更新迭代的次數不斷提升，這種狀態(tài)呈現(xiàn)出更加穩(wěn)定的態(tài)勢。遺傳算法的核心與自然界中的生物進化過程極為相似，通過局部的搜索，能夠找到問題的最佳解決方案，對于后續(xù)的預測輸出有著積極的促進作用，模擬算法一般采用針對外部信息進行搜集的方式進行參數優(yōu)化工作。

3.2 BP神經網絡參數優(yōu)化

通過不同的函數所組成的GA-BP 模型作為基礎進行訓練，然后將相關樣本導入不同的地圖中模型中進行訓練，使得準確率得到極大提升，通過SIGMIOD 來激活GA-BP 模型獲得了超過90%的準確率，同時具備較高的運算速度。通過針對隱含的數據與測試數據進行誤差分析，該過程使用GA-BP 組合模型來開展隱含層數的訓練過程。

3.3 移架動作仿真分析

依據分析結果可得出，當隱含層數為5時，最終的計算誤差最小。當神經網絡迭代次數達到9次時，其中有3次處于較好的狀態(tài)，以這些參數來作為初始化數據，并利用上位機進行監(jiān)測，總共采集了2 000個樣本數據，選擇其中的1 900個數據作為訓練數據集，將采煤機的速度以及臨近支架的距離作為參數變量進行計算，最終輸出的數值為移架距離，迭代次數為100次。

針對訓練所需要數據，通常由輸入，輸出以及網絡節(jié)點構成適應度函數作為基礎來計算個體適應度數值，該算法的適應性受到交叉概率的影響，交叉概率的數值通常以個體產生速度快慢的數值決定，該數值處于較高狀態(tài)時，遺傳算法的特性會受到個體的影響，具備較高適應性的個體可能會因此被忽略。如果該數值過小，則可能會影響種群進化的效率。變異概率的數值作為參數同樣產生了較大的影響，如果該數值較小，則可能會導致新個體的生成受到抑制，使得種群多樣性受到影響。如果該數值過大，那么個體的適應性會下降，同樣抑制種群的進化效率。在對該過程進行模擬后可以得知，要想保證模型的準確率，就需要不斷調整PC 和PM 的數值。訓練過程中，雖然適應度會發(fā)生變化，但是在超過20次迭代之后，整體數值的穩(wěn)定性都會得到有效改善。

3.4 主機試驗分析

為了能夠有效地驗證智能化采煤的應用效果，以某礦山的綜采工作面為例，該工作面的煤層類型為山西組3煤，煤層厚度為9m，平均傾角為9°，工作面整體推進長度為2312m，工作面長度為293m，探明儲量為821萬t。通過前期勘測可以得知，該煤層整體穩(wěn)定性較好，具備較小的傾角，綜采作業(yè)面的場地條件符合智能化采煤的需求。通過對綜采作業(yè)面的采集數據模型進行測試，選擇LASC 軟件來開展推移千斤頂的精度測試，以綜采作業(yè)面的3個支架開展500 mm 移架測試，另選了其他兩個支架作600 mm 的移架測試。在對組合模型進行調整時，為了降低移架距離的誤差，通過組合網絡控制的方法實現(xiàn)了誤差有效降低的目的，表明組合網絡控制模型具備較好的性能，使得支架跟機推移的精度得到了有效增強。通過控制系統(tǒng)的參與，使得牽引速度在全煤工況下得到有效提升，這種提升是建立在森林模型控制狀態(tài)下的生產率提升，綜采截割的總體能源消耗水平也提升了4%。夾矸工況下，利用森林模型所提升的生產率約為6%，能耗提升了超過30%。煤巖工況下，即使使用了森林模型，各個技術參數的變化與傳統(tǒng)的牽引速度控制水平相當。其預測準確度對比圖如圖1。

圖1 模型控制平臺運行下的預測準確度與傳統(tǒng)方式準確度對比

4 結束語

在當今社會上，人工智能技術與互聯(lián)網技術是在各個領域發(fā)展中均能發(fā)揮助力作用的現(xiàn)代化高新技術，正是由于人工智能技術和互聯(lián)網技術的廣泛應用，推動了社會各個方面的智能化發(fā)展。在未來的煤礦開采生產作業(yè)中，煤礦智能化技術與機械工程自動化的融合應用極可能會成為一種趨勢，而煤礦智能化技術在煤礦機械工程自動化中的科學性應用，也勢必會成促進行業(yè)整體發(fā)展的巨大動力，因此，應對此進行更加深入、更加廣泛的探索研究。