智慧煤礦信息邏輯模型及開采系統決策控制方法

任懷偉，王國法，趙國瑞，曹現剛，杜毅博，李帥帥

(1.天地科技股份有限公司 開采設計事業部，北京 100013; 2.煤炭科學研究總院 開采研究分院,北京 100013; 3.西安科技大學 機械工程學院，陜西 西安 710054)

智慧煤礦及智能化開采將現代科學技術與傳統采礦科學融合發展，是煤礦開采領域的技術發展趨勢和當前研究的熱點問題。1999年提出的數字礦山的概念，是由數字地球延伸而來，即在礦山范圍內以三維坐標信息及其相關關系為基礎而組成的信息框架[1-2]。之后，地質探測、環境監測、開采裝備狀態等更加廣泛、深入的信息不斷融入，再輔以UWB超寬帶局部定位、虛擬現實等先進技術被引入到礦山開采數字信息的處理中，形成了基于GIS(地理信息系統)的一系列信息化、數字化礦山模型[3-6]。當前，數字煤礦已經實現了信息實時精準采集、遠程網絡傳輸、三維實景展現等功能，也實現了從井上到井下、從整個礦區到具體設備、從現場到遠程、從生產到安全的多層次立體信息集成[7-8]。

數字礦山更多強調的是信息的數字化表達。對礦山開采系統而言，復雜多變的地質環境、系統集成的作業工藝、高度關聯的生產調度都越來越需要智能化的決策和控制，近年來提出的智慧礦山[9]就是在數字信息的特征提取、邏輯推理及智能決策方面進行大量的研究[10-15]，以期從大量數據中挖掘特定關聯關系并推演出全新的運行邏輯。因而，為支持這一技術需求，煤礦信息框架不僅僅是三維地理坐標、環境、裝備等信息，還應包括數據間的相互關聯關系及其邏輯推理，包括功能關系、事件關系、物理關系的表達、辨識和處理等，從而形成支撐智慧煤礦的邏輯信息框架。

目前，從數字礦山向智慧礦山信息框架演進的過程中，存在3個核心問題未有效解決:一是信息關聯層次不清晰，基于“規則”的方法[16-17]只是建立了數據間的“表象”關聯狀態，未進行深度有效的挖掘，礦山生產預測難、監控難、效率低、安全事故多等問題一直不能有效解決。如何實現礦山大規模、多層次、非線性的時間、空間信息的耦合及關聯，并以此支撐資源的安全、高效開采活動成為了礦山工程領域發展過程中面臨的科學難題;二是框架結構不完善，現階段仍然是以數字礦山的數據獲取為核心的架構，而不是以數據利用為核心的架構[18-19]。智慧礦山缺乏系統的信息關聯機制、知識發現策略和統一的邏輯模型和再現方法，現有數字礦山的框架體系更多的演變成為智慧服務的基礎支持體系;三是缺少智能決策依據及有效控制方法。利用現代機械、電氣及人工智能技術解決礦山裝備控制難題、實現智能無人開采是智慧煤礦發展的核心目標之一。雖然突破了液壓支架跟機自動化、采煤機記憶截割、運輸系統煤流平衡、遠程遙控、一鍵啟停等多項關鍵技術，實現了簡單地質條件下的設備協同聯動自動運行[20-22]。然而，這些技術主要是從開采系統內部或單個環節取得的技術突破，無法組合起來實現更為復雜地質條件下的連續穩定開采。必須從系統級開展多種技術、數據的融合集成研究，解決數據不利用、信息不關聯、控制不智能的問題，從根本上提升煤礦的開采水平、生產效率及人員與設備安全保障能力。

為解決上述3方面的問題，筆者提出智慧煤礦邏輯模型，包括智能信息“實體”、智能匹配方法與推送策略，建立基于開采行為影響預測推理的煤礦智慧邏輯模型進化機制;提出智慧邏輯模型框架下的開采系統關聯關系模型，構建綜采設備群空間位姿關系運動學及動力學模型;提出時變多因素影響下開采設備群全局最優規劃和分布式協同控制方法，為構建智慧煤礦提供基礎理論與技術支撐。

1 基于信息實體的智慧煤礦邏輯模型

信息的相互有效關聯是智慧煤礦系統的基本特征和要求。雖然在前期研究過程中，初步建立了智慧煤礦八大系統[10]內的數據關聯關系，但并未形成統一、有效的數據信息編碼格式及模型，難以完成更深層次的信息處理、知識挖掘與運用，因而無法建立更高抽象層次的智慧煤礦概念認知框架，無法實現物理對象、邏輯關聯、特征信息的統一表征和處理。為此，需要建立一種層級清晰、分類明確、覆蓋全面的智慧煤礦基礎數據元。該數據元將實際煤礦的物理對象及相互關聯關系統一抽象映射為一個信息“實體”，在此基礎上提出信息“實體”之間交互、融合、聯想、衍生的機理機制，才能為深層次研究煤礦海量信息之間的關聯關系提供有效方法。

1.1 智慧煤礦信息實體及虛實映射機理

各種數據、信息關聯特征都需要合適的表達方式和存儲結構。好的表達結構既要全面、準確反映被描述對象的特征，又要有利于數據的關聯、融合與推理。交通、環保、地理信息等領域[3]都建立了基礎數據元的標準表達。智慧煤礦數據元也要有統一的描述模型，需首先對數據進行分類，再確定數據格式。

1.1.1智慧煤礦信息實體建模

礦山數據有非地測數據和地測數據、內部數據和外部數據[3]等不同的分類和描述方法。基于對煤礦物理對象及其關聯關系的理論建模，本文從數據信息的類型、屬性和層次關系3個維度對數據進行分類。

(1)煤礦數據信息類型。

煤礦物理對象及其關聯關系信息的類型依據礦井信息的領域分為16種類型[23]，類型名稱或簡稱的英文首字母縮寫組成代碼，見表1。

(2)煤礦數據屬性。

智慧礦山數據在數據來源、分類領域、結構形式與數據特點方面具備不同數據屬性特征[24],如圖1所示。

(3)層次關系。

智慧礦山數據有從基礎到高級應用的依賴關系，底層為上層服務，上層調用底層。定義數據元或信息實體必須明確數據的層次。按照通用的智慧礦山技術架構，數據層次一般在3～7層，這里設置4個層，設備感知、網絡傳輸、決策支持層和決策層(應用層)。

表1 智慧礦山數據信息類型
Table 1 Data information types of intelligent mines

本文通過提取不同種類、不同屬性、不同層次、不同狀態的抽象數據，提出多源、異構關系數據的統一描述方法，一方面描述物理實體對象，另一方面也反映物理實體之間的關聯關系。

圖2 信息實體單元Fig.2 Information entity

如圖2所示，信息實體單元(基本數據元)包括結構信息、屬性信息和功能信息3個元數據(基本字符段)。以本體和語義網技術為基礎，描述每個元數據的信息:結構信息主要反映物理對象的構成和參數，包括型號、尺寸、功率、零部件數量等信息;屬性信息主要包括物理對象的名稱、類型、材料、控制方式等信息;功能信息則是從使用者角度定義物理對象，包括物理對象的基本功能、壽命、可靠性、安全性等。

智慧煤礦信息實體的數學表達模型為

Oi={St|(M(p),S(n),…),Pr|(N(a),C(p),…),

Fc|(F(p),L(n),…)}

式中，Oi為第i個信息實體單元;St為實體單元的結構信息;M(p)為指針p指定的對象型號;S(n)為數字n表達的對象尺寸;Pr為實體單元的屬性信息;N(a)為字母描述的對象名稱;C(p)為指針p指定的對象控制方式;Fc為實體單元的功能信息;F(p)為指針p指定的對象基本功能;L(n)為數字n表達的對象壽命。

同時，在構建信息實體的基礎上建立基于大數據的智慧煤礦語義知識模型庫，形成智慧煤礦數據描述標準體系，規范化智慧邏輯模型表達形式。

1.1.2智慧煤礦信息虛實映射機理

在實際開采過程中，物理實體與其他實體、外部環境信息之間存在著物理邏輯、功能邏輯、事件邏輯3個方面關聯。為實現虛實映射，將物理實體間的3種關聯關系通過Apriori算法投影到物理、功能、事件3個邏輯空間，形成3類“投影信息實體”:① 物理空間“投影信息實體”包含了實體之間的三維空間位置、運動關聯等信息;② 功能空間“投影信息實體”反映了實體之間的生產順序、保障關聯等功能邏輯聯系;③ 事件空間“投影信息實體”則在特定事件中所有與當前實體發生信息關聯的實體集合。

基于3類投影信息實體可建立智慧煤礦各層次內部及外延對象間的邏輯關系模型，從而實現虛擬空間與物理空間實體各種對象和關系的統一、準確映射。

邏輯關系建模過程中，每個層次、每個類型的信息“實體”中的數據結構都來源于已經建立的智慧煤礦語義知識模型庫和基本數據類型數據庫。數據庫具有面向智慧煤礦地質、環境、裝備、管理的統一數據描述模型和接口標準。智慧邏輯模型可依據井下開采行為引發的實際物理實體變化和環境、需求的變化自動預測退了，構建新的關聯關系，始終保持物理空間和虛擬信息空間的實時映射，映射過程如圖3所示。

圖3 虛實映射技術路線Fig.3 Chart of virtual-real mapping

1.2 信息實體智能匹配、推送及智慧煤礦數據交互

1.2.1信息實體智能匹配與主動推送

智慧煤礦最為重要的是數據能夠高效流動和交互，才能實現信息的快速分析、處理和更新。現有數據“被動查找和調用”的方式無法滿足主動分析、智能決策的智慧煤礦信息流動和交互需求，為此，提出基于需求模型的信息實體智能匹配和主動推送策略。

(1)知識需求模型構建

如圖4所示，構建知識需求模型首先建立基本控制任務集，包括電機啟動與停止、轉速調節、控制閥開啟與停止、信號發出、接收信息等;隨后針對每一物理實體(控制對象)的控制任務定義所需的知識信息。這些信息來自于數字煤礦智能感知的大數據，包括環境數據、周圍設備狀態數據、控制要求、人員信息等。當人員、設備進入到某種場景、狀態或外部環境發生某些變化時，需求模型被激活，預先定義的對應物理實體控制任務的信息需求就被得出并調用。

圖4 知識需求模型構建Fig.4 Chart of knowledge modeling

(2)智能匹配與推送策略

通過知識需求模型得出的信息需求既有井下各類傳感器的基礎監測數據，也有生產、安全、管理要求數據。構建模糊綜合決策的智慧煤礦知識匹配規則，以信息需求中的條目作為關鍵詞進行匹配，所有與該條目相關的信息實體數據庫中的數據都被推送至操作功能庫。需求模型匹配并推送的信息包含著物理對象的空間狀態、變動觸發事件及其對開采生產環節的影響。在操作功能庫中，建立信息實體清洗、存儲、控制和管理等基本操作功能，形成概念邏輯、聯想、記憶和思維推理的信息實體操作機制，并分析這些推送的觸發數據及其二階行為模式得到相關參數變動趨勢，確定基于開采行為的知識過濾與最優解推送策略，最終在諸多匹配數據中得出需要的數據，并從操作功能庫推送給控制對象，由其自身智能控制系統給出最佳的控制方式和參數，如圖5所示。其中，f′1為綜采裝備運動函數的導數，反映裝備的變動趨勢;DP為需要匹配的信息實體;DR為已經在數據庫的中基準信息實體。

圖5 數據智能匹配與推送策略Fig.5 Data matching and pushing strategy

1.2.2智慧煤礦數據交互

智慧礦山數據流轉和交互有3種方式:層內流轉、層間由下到上流轉和層間由上到下流轉[24]，如圖6所示。

不同類型、屬性、層次的數據有著不同的交互和流轉方式，信息實體的智能匹配與主動推送要遵從數據的交互和流轉關系。基于數據的分類及屬性、層次描述，對相關數據元(信息實體)產生的主要層次和交互關系進行了詳細定義，見表2[24]。

圖6 智慧礦山數據流轉和交互Fig.6 Data transfer and interaction in smart mines

表2 數據元(信息實體)產生的主要層次和交互關系
Table 2 Main levels and interactions of data elements (information entities)

信息實體一級信息實體二級信息實體信息實體產生層次設備感知層決策支持層決策層數據流轉層次生產計劃√√決策層?決策支撐層生產管理備品備件管理√√設備感知層?決策支撐層?決策層設備維護計劃√√√設備感知層?決策層?決策支撐層人員調度√決策層?決策支撐層調度管理物資調度√決策層?決策支撐層綜合管理√決策層?決策支撐層設備狀態監控√√√設備感知層?決策支撐層?決策層機電運輸人員及車輛定位√√√設備感知層?決策支撐層?決策層視頻監控√√√設備感知層?決策支撐層?決策層……安全管理環境新監測√√√設備感知層?決策支撐層?決策層……

在網絡傳輸層面，不同層次的數據也對應著各自的通信協議。設備感知層的現場總線型終端設備采用RS485總線或CAN，Modbus總線。決策支持層的終端設備基于工業以太網TCP/IP協議制定數據交互規范，明確通信建立方式、數據組成、數據格式、數據類型等內容。決策層數據交互方式較多，文本型數據采用FTP協議交互;視頻數據采用GB/T 28181《安全防范視頻監控聯網系統信息傳輸、交換、控制技術要求》標準。通信聯絡采用SIP協議，標準工控類設備交互采用OPC/OPC UA接口標準。

對于標準監測、管理類數據，基于TCP/IP協議制定應用系統間交互接口規范，選用消息幀結構方式或XML格式化文本進行描述。

在實際數據與信息流動過程中，傳感器采集的數據需進行分解重構，分別從數據類型、屬性及層次等方面進行數據屬性的識別拆分;基于已有的多層次、多類型需求，結合應用及服務場景的特征提取，才能給出不同類型數據的定點推送方向和目標;同時，在信息實體基本操作功能庫的支持下，解決推送信息和目標的交互、融合問題，自動完成數據推送-接收。過程結束后，將以通知顯示、預測報警、程序控制、等待決策等形式呈現。

信息實體主動匹配與推送解決了智慧邏輯模型的信息流動方式難題，建立了“智慧數據流”的基本架構和運行模式。

1.3 基于開采行為預測推理的智慧邏輯模型進化機制

智慧邏輯模型的一個典型特征就是要有自我學習、自我更新的機制，因而信息實體的自動化建模、自我更新是構建多層次、多模式、多特征智慧邏輯模型的關鍵技術。煤礦掘進、割煤、支護、通風、排水等開采過程行為必然會帶來礦井地質力學狀態、環境特征、設備間相互關系等的變化，如何將這些動態變化同步反映到智慧邏輯模型的信息實體中是需要解決的基本問題之一。

這里提出了基于開采行為預測推理的智慧邏輯模型進化機制，基于開采行為對礦山地質條件、位移及壓力變化、設備空間及狀態變化影響的預測推理，形成依賴于時間變化的信息實體更新因子(該因子是行為動態變量與智慧邏輯模型更新參數間的函數關系);建立基于更新因子的信息實體動態更新方法和基于邊云計算的智慧邏輯模型協同進化策略，提出統一的煤礦智慧邏輯模型進化機制。

圖7 系統行為預測推理及自我優化方法Fig.7 System behavior forecast and self-optimization

上述研究給出的物理對象及關聯信息“實體化”、交互機制及進化更新策略，形成完整的智慧煤礦信息關聯邏輯框架，如圖8所示。

智慧邏輯模型建立了統一、有效的數據信息編碼格式，形成了層級清晰、分類明確、覆蓋全面的煤礦基礎數據元，解決了煤礦非結構化數據信息表達難題。同時，給出了基于信息實體的數據交互、融合、更新的機制，實現了更深層次的信息處理、知識挖掘與運用。智慧邏輯模型反映了煤礦系統、裝備構成的物理對象空間與多層次智能信息實體構成的信息空間的統一映射關系，實現了大數據驅動下的虛實系統實時映射。

2 智慧邏輯模型框架下的開采系統建模

煤礦開采由綜采工作面采煤機、液壓支架和刮板輸送機等有強運動關聯的設備群與運輸、通風等輔助弱關聯設備群協同工作，形成生產系統。煤礦智慧邏輯模型通過解決信息描述模型、信息交互方案以及進化更新機制3個基本問題，建立了煤礦信息表達、數據處理及自動更新的基本框架，其根本目的是實現采煤過程信息的處理及智能決策。實現生產系統的智能決策控制，需在智慧邏輯模型框架下利用獲取的信息實體數據建立整個綜采裝備群的內外部關系模型。

圖8 基于智能感知的煤礦智慧邏輯模型Fig.8 Coal mine smart logic model based on intelligent sensor

2.1 綜采設備群空間位姿關系運動學建模

綜采設備群空間位姿關系描述是智能化控制的基礎。當前，設備之間的位姿關系主要是基于設備間的相互連接約束及與工作面、巷道間的位置關系來描述。然而，在設備推進過程中會產生位置誤差的積累，同時工作面、巷道尺寸也在變化，原有的描述方法無法滿足智能控制中全局位姿變換的需要。因此，在智慧邏輯模型框架下必須建立新的空間位置關系統一描述方法。

如圖9所示，對于單一支架與刮板輸送機的連接，以液壓支架推桿與中部槽連接鉸接點為坐標原點，推桿推進方向為x方向，沿工作面方向為y方向，支架高度方向為z方向，考慮到連接誤差，相鄰支架在該坐標系中的坐標為

Li+1={Lx(xi,yi,zi)cos(β+Δβ)+Δx,Ly(xi,

yi,zi)+Δy,Lz(xi,yi,zi)sin(β+Δβ)+Δz}=

式中,Li(xi,yi,zi)={Lx(xi,yi,zi)，Ly(xi,yi,zi)，Lz(xi,yi,zi)}為第i個支架的坐標;Li+1為i+1個支架的坐標;Δx,Δy,Δz,Δβ分別為第i個支架在x，y，z軸向和繞y旋轉方向上的誤差;β為設備沿y軸旋轉的角度。

對于工作面設備群，以機頭液壓支架的坐標系為初始坐標系，其他支架、采煤機、刮板輸送機和轉載機、破碎機等均按連接關系依次形成相對坐標系，最后通過坐標系變換統一到初始坐標系中。

基于上述考慮隨機誤差的強關聯設備群空間坐標統一描述數學模型和相互驅動關系，可針對空間信息未知設備采用冗余串并聯機械機構的逆運動學求解方法建立綜采設備群空間位姿解算方程，并提出誤差傳遞及消除方法。

圖9 工作面設備群坐標系Fig.9 Coordinate of longwall equipment

上述方法的典型應用是，依據開采行為及突發狀況所需的設備位姿進行反饋鏈路分析，通過采用機器人運動解耦方法進行綜采設備群逆運動學求解，從而得出被控設備間位姿關系的最優解及運動控制參數。

2.2 開采環境-生產系統耦合關系建模

生產系統在井下的所有行為都受到采場環境的影響和約束，因而必須給出開采環境-生產系統的相互影響關系建模，才能為開采系統智能化控制提供依據。煤礦開采工藝、裝備運動方式及控制參數系統受圍巖結構(煤層條件)、支護及截割過程中的空間位置關系、相互作用力、環境(瓦斯、粉塵)等因素的影響[23]。

如圖10所示，耦合關系建模重點考慮煤層條件變化對割煤過程的影響、圍巖穩定性對支護的影響以及地質環境參數對推進工藝的影響，從而給出液壓支架推進、采煤機調高調速、工作面直線度等生產控制策略及參數。主要關聯關系見表3。

圖10 開采環境-生產系統耦合建模Fig.10 Coupling model between mining environment and equipment

開采環境生產系統開采工藝采煤機液壓支架厚度變化滾筒調高支護高度調節煤層條件傾角變化俯采/仰采機身角度調節擦頂移架斷層、陷落柱滾筒轉速機身角度調節支架跟隨……………………頂板垮落臨時支護清理落矸支架穩定控制圍巖穩定性煤壁片幫降低采高清理落煤護幫板打開超前巷道變形臨時支護聯動控制……………………粉塵濃度降塵降低滾筒轉速移架聯動控制地質環境參數瓦斯濃度通風/工藝參數調整降低采煤機速度支架跟隨……………………

模型中每一個關聯關系都是一個信息實體，其具體關聯參數和控制策略需依據具體條件進行定義和細化。開采裝備群的控制參量就來自于上述基于定量技術及定性經驗分析建立的開采環境-生產系統耦合關系模型。例如，采煤機的截割效率、運行穩定性、工藝節拍等參數與環境、圍巖等多個因素相關，因此在實際控制過程中，需對這些因素的影響程度(敏感性)進行多參量融合分析和評估，在一個特定目標策略驅動下給出最佳控制參數。

3 時變多因素影響下開采設備群全局最優規劃和分布式協同控制

在智慧邏輯模型框架下，結合采場環境-開采系統內外部關系模型，提出開采設備群全局最優規劃和分布式協同控制方法。

3.1 綜采設備群全局最優規劃策略

受圍巖條件復雜多變的影響，開采設備之間主要運行參數存在非線性耦合關系。生產計劃、采場環境、綜采設備狀況等都在不斷變化，為確保關鍵設備工作參數的匹配，采用無源控制方法消除時變多因素干擾對設備群協調控制穩定性和精度影響。以產量/能耗比為主要評價指標，綜合考慮地質條件、效率、人員、安全等因素，求解決非線性耦合條件下生產系統設備群全局最優規劃問題，并得到各子系統的分布式輸出。將綜采設備群全局最優控制歸結為一個二次積分模型的燃料最優規劃問題，如圖11所示，其中，γ+，γ-為滿足后面大括號中公式的點的集合;c為拋物線距離縱軸的距離,常數。

圖11 綜采設備群二次積分全局最優規劃模型Fig.11 Quadratic integral global optimal control model of longwall mining equipment

圖11中的x1，x2坐標代表一組控制參數(系統的狀態)。已知二階系統的狀態方程為

給定端點約束條件為

x(0)=[ξ1ξ2]T

x(tf)=[0 0]T

尋求有界閉集中的最優控制u*(t)，滿足不等式約束:

|u(t)|≤1 ?t∈[0,tf]

使系統由任意初始狀態x(0)，轉移到預定終態x(tf)，并使能耗目標函數取極小值:

式中，ξ1，ξ2為給定端點的初始位置的坐標值;tf為終點狀態的時間點;u(t)為設備運行軌跡的二階導數是與時間相關的函數。

圖11中不通過原點的平行線，是u=0的路徑序列，左側開口二次曲線是u=-1的路徑序列，右側開口二次曲線是u=1的路徑序列。綜采系統在3類路徑曲線上由任意初始狀態x(0)向終態x(tf)過渡。開關曲線γ以及坐標軸x1將相平面分成了4個區域，如圖12所示。

圖12 綜采設備群最優規劃開關曲線及優化路徑Fig.12 Optimal planning curve and optimal path of longwall mining equipment group

例如，系統初態若位于區域R4，則u*(t)={0,+1}，u*(t)={-1，0,+1}都可驅使系統狀態到達原點，但從圖12(b)可以看出，{0，+1}控制下的燃料消耗小于{-1，0，+1}的燃料消耗，因而{0，+1}為最優控制序列，且在各種情況下其響應時間最短。

在實際求解過程中，由于綜采系統運行是需要協調配合的，還有很多的邊界約束，因而上述優化過程是有前提的，必須考慮綜采系統運行參數之間的耦合關系。為支撐綜采設備群全局最優控制，將綜采系統典型工作工藝(中部割煤、割三角煤、過斷層等)定義為標準的控制模態。優化過程必然在某一控制模態內進行，通過優化參數組合達到能耗目標值。

整個綜采過程是一個具有多模態復雜生產工況的過程，在標準控制模態之間還存在著非標的過渡模態。這些過渡模態的參數控制和調整需要通過對相關數據采集和工藝分析，基于綜采設備調控極限能力，在設備群穩定受控的條件下確定路徑方案。

基于多模態控制的綜采設備群全局最優推進路徑規劃及控制策略可兼顧開采條件、設備能力、工藝流程及能量消耗，確保生產成本、效率的有效改善。

3.2 時變多因素影響下綜采設備群分布式控制

綜采設備群全局最優規劃給出的路徑方案和參數是總體控制目標，需要分解到每一臺具體執行設備。目前，采煤機、液壓支架及刮板輸送機都是單獨控制，近百架液壓支架也是集中控制方式，都無法自主完成總體最優控制目標。為此，給出時變多因素影響下綜采設備群分布式控制方法。如圖13所示，在每臺設備上都安設主控機構，都具有自身控制及與相鄰裝備通訊、協調運行的能力。在單機智能控制的基礎上可實現設備群的整體協同控制，大幅增強了開采系統智能化控制的適應性和靈活性。

首先解決工作面液壓支架群的分布式協調控制問題。沿工作面長度方向上，不同區段頂板下沉量不同、壓力不同，需要不同的液壓支架支護參數，但目前集中控制各個支架的參數都相同，無法滿足差異化的控制需求。這里基于開采環境-生產系統耦合作用模型，以頂板沿工作面長度方向上應力場梯度變化為控制變量，不同區段采取不同的控制策略，建立液壓支架群組分布式協同控制模型，數學表達式如下:

ui=uiα+uiβ，(i=1,2,…,n)

式中，uiα為立柱長度控制量，用于控制液壓支架高度;uiβ為平衡千斤頂長度控制量，用于控制液壓支架頂梁水平角度;二者共同決定液壓支架在某一時刻的姿態。取:

φ(vij)=sign(vj-vi)|vj-vi|k2

其中，xij為第j個支架對第i個支架壓力分擔量;vij為第j個支架對第i個支架轉矩分擔量;k1，k2分別為立柱長度控制參數和平衡千斤頂控制參數;αij為與支架位置相關的某一常數;vj，vi為第i和j個支架上分擔的轉矩;Ψ為與支架位置相關控制參數調整函數。由此可得，支架的姿態控制輸入ui可表述為以下形式:

上式說明，每一個支架的控制輸入都與相鄰支架的狀態相關，對于一個擁有n個支架個體的支護群組，在分布式協同控制輸入的作用下所有支架的姿態都與能夠適應其所在位置的頂板壓力，且能夠相互協調共同完成對工作面上覆圍巖的支護。

其他綜采設備同樣也需要分布式協同控制。全局最優規劃給出了既定的控制模態，然而實際開采過程中煤層結構、頂底板狀態以及傳感器數據時滯等時變因素對開采設備協調控制具有重要影響，必須建立同時考慮環境干擾和傳感器數據時延特性的分布式協同控制方法。這里采用多尺度信息交互分析方法預測綜采工作面環境變化時開采設備的運行狀態，并通過分布式協同控制做出響應。

如圖14所示，工作面傳感器數據采樣頻率不同，各種數據、信息進行描述的時候是多尺度的，處理這些數據過程中需要進行多尺度融合。為加快系統響應時間，環境數據的處理放在邊緣側，將環境信息的趨勢分析結果上傳至控制器;同時基于傳感器歷史數據進行大數據分析，采用深度學習算法預測設備控制模態。基于上述方法的開采設備群分布式控制可以克服時變因素的干擾和數據時延，滿足了控制的實時性、準確性要求，完成多目標、多約束條件下的設備群全局最優移進。

圖14 時變多因素影響下綜采設備群分布式控制Fig.14 Distributed control for longwall mining equipment group under the influence of time-varying multiple factors

4 結 論

(1)通過數據關聯關系特征提取，揭示更高抽象層次的智慧煤礦多源、異構關系數據的關聯關系，提出了信息“實體”之間交互、融合、聯想、衍生機制和虛實映射機理，提出基于知識需求模型的信息實體主動匹配與推送策略，構建基于開采行為預測推理的智慧邏輯模型進化機制，形成了層級清晰、結構明確、覆蓋全面的智慧煤礦信息框架模型;為深層次研究智慧煤礦海量信息之間的關聯關系提供有效方法。

(2)基于智慧煤礦邏輯模型，提出考慮隨機誤差的強耦合設備群空間坐標統一描述模型及各設備空間關聯坐標系轉換方法，建立開采環境-生產系統耦合關系模型;為實現煤礦數據的邏輯推理、智能決策和協同控制提供了有效方法和技術支撐。

(3)將綜采設備群全局最優規劃歸結為一個二次積分模型的燃料最優規劃問題，給出了液壓支架群組協同控制、同時考慮環境干擾和傳感器數據時延特性的分布式協同控制方法。為實現復雜地質條件下的裝備連續自主推進、大規模復雜生產系統高可靠性及智能決策控制提供基礎理論和關鍵技術支撐。

智慧煤礦發展是一個長期、漸進的過程，伴隨著多學科、多領域的技術突破。基于本文基礎架構和理論模型，各個相關技術可融合形成一個全面、可靠、高效的運行體系，并逐步衍生出新的知識、方法和工藝，推動煤礦開采智能化水平的不斷提升。目前，陜煤張家峁煤礦、延長石油巴拉素煤礦等都在大力建設智慧煤礦，本文研究成果已經用于整個信息化系統的基礎架構和生產系統的邏輯控制，并在實施過程中不斷的完善，有效推動了智慧煤礦技術的發展。后續將在不同環境下的感知、人工智能及設備健康狀態維修維護策略等關鍵技術方面繼續展開深入研究，逐步形成完整、標準的智慧煤礦運行體系，支撐煤炭行業高質量發展。