融合傳感器數(shù)據(jù)和人工調(diào)控信息的工作面直線度智能預(yù)測(cè)

關(guān)鍵詞：工作面直線度；推移行程；傳感器數(shù)據(jù)；人工調(diào)控信息；工作面直線度

分析矩陣中圖分類號(hào)：TD355 文獻(xiàn)標(biāo)志碼：A

0引言

隨著科技進(jìn)步和生產(chǎn)力的發(fā)展，智能綜采工作面以液壓支架電液控制為核心的自動(dòng)化技術(shù)、以慣性導(dǎo)航為基礎(chǔ)的采煤機(jī)定位技術(shù)、煤礦大數(shù)據(jù)分析技術(shù)等發(fā)展迅速[1-5]，然而受限于開采環(huán)境、地質(zhì)條件，以及隨著割煤進(jìn)程產(chǎn)生的累計(jì)誤差，工作面直線度調(diào)控仍由人工介入干預(yù)[6]，極大影響了綜采工作面的智能化。

目前綜采工作面直線度調(diào)控主要包括感知液壓支架相對(duì)位置關(guān)系的調(diào)直和感知刮板輸送機(jī)彎曲度的調(diào)直。感知液壓支架相對(duì)位置關(guān)系的調(diào)直主要是通過在液壓支架上加裝外置傳感器來感知液壓支架間的相對(duì)位置，通過電液控制器控制支架拉架距離，保證液壓支架群組拉架后的直線度，進(jìn)而影響刮板輸送機(jī)直線度。盧春貴等[7]在支架與采煤機(jī)上安裝藍(lán)牙傳感器，根據(jù)藍(lán)牙信號(hào)強(qiáng)度推算相鄰支架的位置關(guān)系，進(jìn)而進(jìn)行工作面調(diào)直。張樹楠等[8]在液壓支架底板布置行程傳感器和傾角傳感器來測(cè)量相鄰支架位置關(guān)系，根據(jù)基準(zhǔn)支架求解液壓支架整體直線度，進(jìn)而進(jìn)行工作面調(diào)直。楊學(xué)軍等[9]設(shè)計(jì)了架間巡檢機(jī)器人來檢測(cè)液壓支架位姿和直線度，進(jìn)而進(jìn)行工作面直線度調(diào)控。牛劍峰[10]采用視頻巡檢裝置拍攝支架上的標(biāo)簽，通過計(jì)算支架偏移尺寸，為下一次移架提供補(bǔ)償量，進(jìn)而保證工作面直線度。感知刮板輸送機(jī)彎曲度的調(diào)直主要是通過慣性導(dǎo)航、視覺測(cè)量、光纖等感知刮板輸送機(jī)彎曲度，進(jìn)而通過支架電液控制器控制液壓油缸推移刮板輸送機(jī)進(jìn)行工作面直線度調(diào)控。李森[11]采用慣性導(dǎo)航技術(shù)測(cè)量采煤機(jī)軌跡，進(jìn)而推算刮板輸送機(jī)彎曲度，在此基礎(chǔ)上開發(fā)了工作面自動(dòng)找直系統(tǒng)。夏婷[12]、陳宇鳴[13]、楊波等[14]通過超聲波定位、無線傳感網(wǎng)絡(luò)定位、激光雷達(dá)等方式實(shí)現(xiàn)了刮板輸送機(jī)直線度的精確解算，為工作面直線度調(diào)控奠定了基礎(chǔ)。楊曌[15]、劉鵬坤[16]通過在液壓支架安裝高清攝像儀對(duì)刮板輸送機(jī)每節(jié)刮板進(jìn)行拍照、拼接，計(jì)算工作面直線度并生成各個(gè)支架需要調(diào)整的距離。方新秋等[17]、寧耀圣[18]在刮板輸送機(jī)上加裝光纖傳感器，利用長短期記憶（Long Short-Term Memory， LSTM）神經(jīng)網(wǎng)絡(luò)建立直線度誤差預(yù)測(cè)模型，生成刮板輸送機(jī)調(diào)直理論模型，預(yù)測(cè)下一次割煤循環(huán)的刮板輸送機(jī)軌跡，生成最佳推溜距離來控制液壓支架推移刮板輸送機(jī)。王學(xué)文等[19]基于虛擬現(xiàn)實(shí)技術(shù)與數(shù)字孿生技術(shù)建立了綜采支運(yùn)設(shè)備運(yùn)動(dòng)仿真模型，通過虛擬融合技術(shù)進(jìn)行支運(yùn)裝備位姿推演，利用虛實(shí)交互技術(shù)實(shí)現(xiàn)工作面虛擬檢測(cè)，在虛擬現(xiàn)實(shí)中對(duì)直線度行程進(jìn)行預(yù)測(cè)，生成最佳推移量并反饋至物理場(chǎng)景進(jìn)行直線度控制。

感知液壓支架相對(duì)位置關(guān)系的調(diào)直受限于綜采工作面惡劣環(huán)境，可能會(huì)降低外置傳感器的測(cè)量精度，增大相鄰支架位置關(guān)系的感知累計(jì)誤差，進(jìn)而導(dǎo)致工作面直線度調(diào)控精度降低。感知刮板輸送機(jī)彎曲度的調(diào)直所引入的慣性導(dǎo)航系統(tǒng)等設(shè)備昂貴、維護(hù)困難，且只根據(jù)刮板輸送機(jī)形狀推演工作面直線度調(diào)控，未能考慮刮板輸送機(jī)和液壓支架之間的間隙和人工調(diào)控的精度問題。工作面在應(yīng)用慣性導(dǎo)航等自動(dòng)調(diào)控技術(shù)后因?yàn)樵O(shè)備間隙和人工調(diào)控精度，直線度調(diào)控誤差在30～50 mm[20-21]，導(dǎo)致自動(dòng)化跟機(jī)后仍需要大量人工調(diào)控，使得工作面的現(xiàn)有傳感器數(shù)據(jù)包含了大量人工調(diào)控決策經(jīng)驗(yàn)，并且現(xiàn)有傳感器多安裝在設(shè)備內(nèi)部，不受工作面粉塵等因素影響。綜采工作面每天都有海量的生產(chǎn)數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫，這些數(shù)據(jù)中又包含大量的人工調(diào)控決策經(jīng)驗(yàn)，目前缺少對(duì)現(xiàn)有數(shù)據(jù)中大量人工調(diào)控決策經(jīng)驗(yàn)的分析與利用。

本文提出了融合傳感器數(shù)據(jù)和人工調(diào)控信息的工作面直線度智能預(yù)測(cè)方法。通過對(duì)工作面推進(jìn)過程中的支架推移油缸行程傳感器數(shù)據(jù)、采煤機(jī)位置數(shù)據(jù)、支架立柱壓力數(shù)據(jù)等傳感器數(shù)據(jù)進(jìn)行分析與挖掘，計(jì)算出刮板輸送機(jī)每一次割煤后的正常推溜調(diào)控距離、人工調(diào)整推溜調(diào)控距離，基于2 種調(diào)控距離構(gòu)建工作面直線度分析矩陣。結(jié)合人工調(diào)控決策經(jīng)驗(yàn)將直線度分析矩陣中提取的特征矩陣構(gòu)建為樣本，人工調(diào)控距離對(duì)應(yīng)的工況類型作為樣本標(biāo)簽。利用機(jī)器學(xué)習(xí)算法建立工作面直線度預(yù)測(cè)模型，將樣本集輸入到模型中進(jìn)行訓(xùn)練，最終根據(jù)工作面生產(chǎn)數(shù)據(jù)，預(yù)測(cè)對(duì)應(yīng)采煤過程的工作面直線度。

1工作面直線度智能預(yù)測(cè)

融合傳感器數(shù)據(jù)和人工調(diào)控信息的工作面直線度智能預(yù)測(cè)流程如圖1 所示。

1.1數(shù)據(jù)清洗

歷史生產(chǎn)數(shù)據(jù)來自山西潞安化工集團(tuán)高河煤礦2312 智能化綜放工作面， 該工作面共有液壓支架100 臺(tái)，其中工作面單臺(tái)液壓支架推移油缸最大行程800 mm。該工作面2023 年8 月31 日—9 月19 日間6 d（9 月5 日、8 日、9 日、10 日、14 日、15 日）未進(jìn)行生產(chǎn)，其余14 d 生產(chǎn)。該工作面作業(yè)規(guī)程為三八制，兩班生產(chǎn)一班檢修，在檢修期間工作面刮板輸送機(jī)和液壓支架停止動(dòng)作。根據(jù)工作面實(shí)際生產(chǎn)情況，對(duì)工作面支架推移油缸行程數(shù)據(jù)和采煤機(jī)位置數(shù)據(jù)按照時(shí)間順序進(jìn)行割煤循環(huán)劃分，其中采煤機(jī)位置數(shù)據(jù)為采煤機(jī)所處的支架架號(hào)， 繪制2023?09?06T08：30—11：30 生產(chǎn)時(shí)段40 號(hào)支架的推移油缸行程曲線和采煤機(jī)位置曲線，如圖2（a）所示。采煤機(jī)在第1 次斜切進(jìn)刀結(jié)束（T1 時(shí)刻）后開始割三角煤時(shí)，工作面支架與刮板輸送機(jī)應(yīng)全部完成拉架推溜操作。當(dāng)采煤機(jī)位置經(jīng)過40 號(hào)支架后，推移千斤頂以刮板輸送機(jī)為固定點(diǎn)縮小活動(dòng)油缸行程，實(shí)現(xiàn)向刮板輸送機(jī)方向拉移液壓支架，即拉架操作。當(dāng)采煤機(jī)位置經(jīng)過60 號(hào)支架后，推移千斤頂以液壓支架底座為固定點(diǎn)伸長活動(dòng)油缸，實(shí)現(xiàn)向煤壁方向推移刮板輸送機(jī)，即推溜操作。在第2 次斜切進(jìn)刀結(jié)束（T2 時(shí)刻）后再次開始割三角煤時(shí)，支架與刮板輸送機(jī)均停止動(dòng)作。相鄰2 次斜切進(jìn)刀結(jié)束時(shí)刻之間的時(shí)間間隔（如T1—T2 時(shí)間段）稱為一次割煤循環(huán)。工作面生產(chǎn)過程存在多個(gè)割煤循環(huán)，將推移千斤頂?shù)幕顒?dòng)油缸行程數(shù)據(jù)根據(jù)割煤循環(huán)進(jìn)行劃分，即將所有支架推移千斤頂?shù)幕顒?dòng)油缸行程數(shù)據(jù)匹配到每一次割煤循環(huán)時(shí)間段內(nèi)。將工作面的歷史數(shù)據(jù)根據(jù)割煤循環(huán)數(shù)d 和工作面支架數(shù)m 劃分為d×m 個(gè)時(shí)間段。繪制2023?09?06T09：55—10：30 生產(chǎn)時(shí)段40 號(hào)支架立柱壓力變化曲線和推移油缸行程變化曲線，如圖2（b）所示。液壓支架在進(jìn)行拉架前先進(jìn)行降柱操作，立柱壓力降到2.3 MPa 后進(jìn)行拉架操作，推移油缸行程從790 mm 降到0（即拉架到位），然后立刻進(jìn)行升柱，將立柱壓力補(bǔ)充至15 MPa以上，隨后逐步提升。期間逐步進(jìn)行推溜操作，推移油缸行程逐步上升到790 mm?？砂l(fā)現(xiàn)正常的拉架操作先減小立柱壓力而降柱，然后拉架，立柱壓力有明顯降低，而推溜則先增大立柱壓力而升架，升架滿足條件后才推溜，立柱壓力有明顯的上升。在第1 次拉架推溜操作結(jié)束后，工人對(duì)需要人工調(diào)整的支架再次進(jìn)行拉架推溜， 繪制2023?09?06T19： 40—20：00人工調(diào)整時(shí)段55號(hào)支架推移千斤頂?shù)牧⒅鶋毫ψ兓€和推移行程變化曲線，如圖2（c）所示。可見推移千斤頂?shù)幕顒?dòng)油缸行程變化引起立柱壓力發(fā)生波動(dòng)。

在矩陣B中取得當(dāng)前支架與其左右各n－1臺(tái)支架的刮板輸送機(jī)歷史2 次割煤循環(huán)的累計(jì)推進(jìn)距離，并加上歷史2 次割煤循環(huán)所有刮板輸送機(jī)累計(jì)推進(jìn)距離平均值，組成2×2n 矩陣，即

由于工作面液壓支架自動(dòng)推移的控制精度在47 mm 左右[22]，高精度的調(diào)控難以執(zhí)行，所以根據(jù)其結(jié)果所在區(qū)間（可根據(jù)實(shí)際生產(chǎn)需求對(duì)區(qū)間進(jìn)行劃分），結(jié)合工作面推移操作的控制精度選擇對(duì)應(yīng)的標(biāo)簽（標(biāo)簽是模型推薦的調(diào)整距離）。假設(shè)工作面支架的推移精度在50 mm，則當(dāng)C=0 時(shí)，對(duì)應(yīng)標(biāo)簽0；當(dāng)C 在區(qū)間0～150 mm 時(shí)，對(duì)應(yīng)標(biāo)簽100 mm；當(dāng)C 在區(qū)間150～250 mm 時(shí)，對(duì)應(yīng)標(biāo)簽200 mm；當(dāng)C 在區(qū)間250 mm 以上時(shí)，對(duì)應(yīng)標(biāo)簽300 mm。

1.4模型決策

機(jī)器學(xué)習(xí)的分類算法是一類通過從數(shù)據(jù)中學(xué)習(xí)并根據(jù)所學(xué)知識(shí)對(duì)新的、未見過的樣本進(jìn)行分類的算法。分類問題屬于監(jiān)督學(xué)習(xí)的一種類型，在這種問題中，目標(biāo)變量是離散的（通常是類別標(biāo)簽）。分類算法根據(jù)輸入特征來預(yù)測(cè)樣本所屬的類別。利用機(jī)器學(xué)習(xí)分類算法搭建工作面直線度預(yù)測(cè)模型，將訓(xùn)練集輸入到模型中進(jìn)行訓(xùn)練，用驗(yàn)證集來評(píng)估不同分類算法搭建的預(yù)測(cè)模型的準(zhǔn)確率。當(dāng)有新的割煤循環(huán)結(jié)束后，會(huì)制作當(dāng)前割煤循環(huán)的最新樣本，每個(gè)樣本均為3×2n 大小的矩陣。將樣本輸入模型進(jìn)行預(yù)測(cè)，模型會(huì)為每個(gè)樣本匹配最優(yōu)標(biāo)簽。

2實(shí)驗(yàn)分析

2.1樣本制作

高河煤礦2312智能化綜放工作面直線度調(diào)整時(shí)，工人需操作多臺(tái)支架來對(duì)刮板輸送機(jī)直線度進(jìn)行調(diào)整，對(duì)工作面歷史數(shù)據(jù)中452 次調(diào)整操作的支架數(shù)進(jìn)行統(tǒng)計(jì)，見表1。

該礦人工調(diào)整2 架的次數(shù)占比42.25%，由此可知n=2，則直線度調(diào)控特征矩陣為3×4 矩陣，即

受限于實(shí)際生產(chǎn)中人工調(diào)整及工作面直線度精度要求，不需要精確到毫米級(jí)的決策，因此當(dāng)C≤10 mm 時(shí)，標(biāo)簽為0；當(dāng)10 mm＜C＜150 mm 時(shí)，標(biāo)簽為100 mm； 當(dāng)150 mm≤C＜ 300 mm 時(shí)， 標(biāo)簽為200 mm；當(dāng)C≥300 mm 時(shí)，標(biāo)簽為300 mm。最終將該工作面的工況類型分為4 類。

對(duì)歷史數(shù)據(jù)進(jìn)行分段和清洗后，每次割煤循環(huán)每臺(tái)支架都可以生成一個(gè)直線度調(diào)控特征矩陣及對(duì)應(yīng)的工況類型，將生成的特征矩陣作為輸入預(yù)測(cè)模型的樣本，對(duì)應(yīng)的工況類型作為樣本標(biāo)簽。樣本統(tǒng)計(jì)結(jié)果見表2。

將標(biāo)注好的樣本以8∶2的比例劃分為訓(xùn)練集和測(cè)試集。

2.2模型評(píng)估

將訓(xùn)練集輸入到分別采用邏輯回歸（LogisticRegression， LR） 、傳統(tǒng)K 近鄰（K-Nearest Neighbors，KNN）、支持向量機(jī)（Support Vector Machine，SVM）、樸素貝葉斯（Naive Bayes，NB）、決策樹（Decision Tree，DT）、隨機(jī)森林（Random Forest，RF）等分類算法搭建的預(yù)測(cè)模型中進(jìn)行訓(xùn)練，并用測(cè)試集對(duì)模型預(yù)測(cè)效果進(jìn)行評(píng)估。不同預(yù)測(cè)模型的混淆矩陣如圖4 所示（橫縱坐標(biāo)0 代表直線度良好、1 代表調(diào)整100 mm、2 代表調(diào)整200 mm、3 代表調(diào)整300 mm），可看出RF算法在各類樣本預(yù)測(cè)中正確預(yù)測(cè)的樣本數(shù)量最多。

根據(jù)圖4 中各分類算法在326 個(gè)樣本中準(zhǔn)確預(yù)測(cè)的樣本個(gè)數(shù)，計(jì)算得到各分類算法綜合準(zhǔn)確率，見表3?？煽闯霾捎肦F 算法構(gòu)建的預(yù)測(cè)模型準(zhǔn)確率最高，為91.41%。

3應(yīng)用驗(yàn)證

3.1部署架構(gòu)

融合傳感器數(shù)據(jù)和人工調(diào)控信息的工作面直線度智能預(yù)測(cè)方法在高河煤礦2312 工作面進(jìn)行了應(yīng)用，部署架構(gòu)如圖5 所示。工作面生產(chǎn)過程中產(chǎn)生的采煤機(jī)位置數(shù)據(jù)、行程數(shù)據(jù)、壓力數(shù)據(jù)通過OPC 協(xié)議采集后經(jīng)過井下交換機(jī)傳輸并存儲(chǔ)在地面數(shù)據(jù)庫服務(wù)器中，根據(jù)采煤機(jī)位置變化檢測(cè)出采煤機(jī)在斜切進(jìn)刀結(jié)束進(jìn)行割三角煤工作時(shí)，全工作面刮板輸送機(jī)基本完成推進(jìn)。工作面直線度智能預(yù)測(cè)模型從數(shù)據(jù)庫中讀取數(shù)據(jù)，結(jié)合壓力數(shù)據(jù)對(duì)全工作面刮板輸送機(jī)正常推進(jìn)距離進(jìn)行計(jì)算，并從數(shù)據(jù)庫中檢索出歷史最近2 次割煤循環(huán)的累計(jì)行程數(shù)據(jù)。模型根據(jù)以上數(shù)據(jù)生成當(dāng)前割煤循環(huán)樣本集，樣本歸一化后輸入模型，可生成當(dāng)前割煤循環(huán)需要再次進(jìn)行調(diào)控的距離。將模型生成的決策結(jié)果及最終的刮板輸送機(jī)累計(jì)推進(jìn)距離分別存入數(shù)據(jù)庫中。利用HTML（Hypertext Markup Language）和CSS（Cascading Style Sheets）讀取數(shù)據(jù)庫中的靜態(tài)數(shù)據(jù)，搭建Web 前端頁面框架。利用Vue 讀取模型生成的決策結(jié)果、當(dāng)前割煤循環(huán)正常推進(jìn)距離等動(dòng)態(tài)數(shù)據(jù)，根據(jù)全工作面生成的調(diào)整策略的分布情況，對(duì)連續(xù)超過2 臺(tái)支架需要人工調(diào)整的區(qū)域在Web 端進(jìn)行標(biāo)注。在點(diǎn)擊標(biāo)注區(qū)域后會(huì)生成該區(qū)域的詳細(xì)決策意見，包含當(dāng)前區(qū)域架號(hào)及當(dāng)前區(qū)域推薦調(diào)整距離、直線度評(píng)價(jià)參數(shù)、當(dāng)前區(qū)域累計(jì)行程可視化3 個(gè)部分內(nèi)容。

3.2應(yīng)用結(jié)果

以2023?12?15T08：31—11：45發(fā)生的1次割煤循環(huán)為例，工作面直線度預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)結(jié)果對(duì)比如圖6 所示。圖中預(yù)測(cè)需要人工調(diào)整的支架39臺(tái)，其中18號(hào)、19號(hào)、33號(hào)、34 號(hào)、38 號(hào)、39 號(hào)支架受周圍區(qū)域調(diào)整的影響，當(dāng)前區(qū)域的直線度已經(jīng)不影響采煤機(jī)割煤運(yùn)行，所以人工選擇不進(jìn)行調(diào)控，實(shí)際進(jìn)行人工操作的支架33臺(tái)， 最終預(yù)測(cè)準(zhǔn)確率達(dá)84.61%。

在2023年12月25日至2024年1月9日、2024年2月26日至2024年3月10日（共30 d） 累計(jì)115 次割煤循環(huán)運(yùn)行后，最終的工作面直線度預(yù)測(cè)準(zhǔn)確率達(dá)81.4%。

4結(jié)論

1） 通過對(duì)支架推移油缸行程、支架壓力、采煤機(jī)位置等傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，劃分出刮板輸送機(jī)正常推進(jìn)距離和調(diào)整推進(jìn)距離兩類數(shù)據(jù)，從而構(gòu)建工作面直線度分析矩陣。通過特征工程對(duì)工作面直線度分析矩陣進(jìn)行特征提取，生成特征矩陣作為樣本，將人工調(diào)控距離對(duì)應(yīng)的工況類型作為樣本標(biāo)簽，采用機(jī)器學(xué)習(xí)分類算法構(gòu)建工作面直線度預(yù)測(cè)模型。

2） 實(shí)驗(yàn)結(jié)果表明，采用RF 算法搭建的工作面直線度預(yù)測(cè)模型準(zhǔn)確率最高，為91.41%。該模型在高河煤礦2312 工作面運(yùn)行30 d，對(duì)115 次割煤循環(huán)進(jìn)行工作面直線度預(yù)測(cè)，準(zhǔn)確率達(dá)81.4%，應(yīng)用效果良好。