數字孿生驅動的掘進工作面出風口風流智能調控系統

龔曉燕，雷可凡，吳群英，崔小強，吳 悅，朱 斌，楊富強，張紅兵，劉 輝

(1.西安科技大學 機械工程學院，陜西 西安 710054; 2.陜西陜煤陜北礦業有限公司，陜西 榆林 719000; 3.長安大學 工程機械學院，陜西 西安 710064)

隨著“智慧礦山”概念的提出和普及，我國煤炭開采已朝著智能化無人化開采階段發展[1-4]。目前煤炭以井工開采為主，主要包括綜掘與綜采2種方式，其中綜采技術裝備已實現國產化系列裝備為智能化發展奠定了良好的基礎，而綜掘工作面自動化發展卻相對滯后[5]。由于掘進斷面尺寸和掘進速度的不斷提升，傳統“粗放式”通風總量的控制模式實時監測控制、災害異常預警與應急決策能力不足，已不能滿足當下對綠色、高效精細化智能通風的要求，且風筒出風口風流狀態不能實時動態變化[6-7]，導致掘進工作面死角區瓦斯難以稀釋排出，部分區域粉塵質量濃度最高可達1 500 mg/m3，遠遠超過煤礦安全規程要求的4 mg/m3標準[8]，嚴重危害作業人員身體健康，影響煤礦的安全高效開采。國內外學者研究發現掘進工作面風筒安裝位置、直徑大小及距掘進工作面前后位置等參數對瓦斯粉塵場的運移分布具有顯著作用[9-14]。在“工業4.0”等時代大背景下，新一代信息技術如數字孿生技術[15-16]、虛擬現實技術[17-18]、智能協同控制等技術[19-20]已經在煤機行業快速應用并取得了很大進展。其中“數字孿生”技術作為一種在信息世界刻畫物理世界、仿真物理世界、優化物理世界、可視化物理世界的重要技術，具有實時同步、雙向映射、高保真度等特性[21]，能夠更好地提高通風智能化程度。

筆者課題組提出的風筒出風口風流動態調控技術及裝備研制的基礎上[22-24]，引入數字孿生技術，將數字信息與掘進工作面出風口風流智能調控物理系統相融合，建立數字孿生驅動的出風口風流智能調控系統。通過孿生數據驅動智能預測及調控決策服務系統運行，完成對物理系統巷道風速、瓦斯體積分數及粉塵質量濃度等數據的實時采集和智能預測，以及對風流調控裝置的智能調控。通過實時仿真、虛實映射和迭代優化，實現了物理系統和虛擬系統的數據交互，滿足了煤礦掘進工作面智能化通風的發展需求。

1 系統實現的整體框架及運行流程

1.1 整體框架模型及組成

系統整體框架如圖1所示，由智能預測及調控決策服務系統、出風口風流智能調控物理系統、虛擬系統和掘進通風孿生數據4部分組成。

(1)智能預測及調控決策服務系統主要負責在掘進通風孿生數據的驅動下，為風流智能調控裝置提供智能決策，驅動風筒調控參數的迭代優化。通過實時監測系統感知和采集到的樣本數據，結合時間序列預測技術對巷道瓦斯體積分數及粉塵質量濃度進行預測，并采用遺傳算法對通風孿生數據進行挖掘，為風流調控提供決策依據，通過智能調控系統將信號傳遞給PLC控制器，結合傳感器將數據反饋給上位機系統最終實現風筒出風口風流狀態的智能調控。

(2)出風口風流智能調控物理系統由風流智能調控裝置、瓦斯粉塵發生裝置、實時監測系統、局部通風機、風筒及掘進機等組成，其三維模型示意如圖2所示。其中，風流智能調控裝置是整個物理系統的核心組成，通過PLC控制可實現風筒出風口距掘進工作面前后位置、出風口角度偏轉和口徑開合等調控功能;實時監測系統由風速傳感器、瓦斯體積分數及粉塵質量濃度傳感器、測距傳感器、數據采集儀和上位機監測顯示系統等組成，可實現掘進巷道不同區域的風速、瓦斯體積分數及粉塵質量濃度等數據的感知和實時采集，以及風流智能調控裝置調控狀態的在線監測。

圖1 數字孿生驅動的掘進工作面出風口風流智能調控系統整體框架模型Fig.1 Overall framework model of airflow intelligent control system for the air outlet of the tunneling face driven by digital twin

圖2 掘進工作面出風口風流智能調控物理系統組成Fig.2 Composition of physical system of airflow intelligent control system for the air outlet of the tunneling face

(3)出風口風流智能調控虛擬系統是通過虛擬現實技術構建的物理實體的虛擬場景。從幾何、行為、規則等多個維度對物理實體進行真實映射，實現物理實體與虛擬空間的實時交互和動態響應。在幾何維度，以數字化的方式創建物理實體的虛擬模型;在行為維度，映射物理實體的實時運行狀況;在規則維度，對風流智能調控裝置的調控過程進行仿真，并將運行結果反饋到智能預測及調控決策服務系統。

(4)掘進通風孿生數據主要由決策服務系統數據、物理系統數據、虛擬系統數據以及3者之間的融合數據構成。其融合數據是指經過規則、知識和算法，分析、處理挖掘后的數據。通過實時融合與處理，驅動物理系統與虛擬系統的雙向真實映射和實時交互。

1.2 系統運行流程

數字孿生掘進工作面出風口風流智能調控系統運行流程如圖3所示。系統利用實時監測模塊采集物理系統的傳感器信號，通過ZigBee技術將風速、瓦斯體積分數及粉塵質量濃度、激光測距等傳感器采集到的數據傳送到上位機顯示界面，并將數據傳輸到SQL數據庫中。智能預測模塊根據當前監測樣本數據，通過時間序列模型進行巷道瓦斯體積分數及粉塵質量濃度的智能預測分析，依據訓練集上的靜態學習模型在測試集上進行逐點預測并將預測結果輸出到決策評價模塊，之后根據煤礦安全規程標準等對智能預測結果進行判斷，引入小生境四段式編碼遺傳算法進行數據挖掘獲取相應風流智能調控規則。智能調控模塊利用GPRS無線傳輸技術將規則傳輸給PLC控制器以控制風流智能調控裝置動作，隨后進入下一階段繼續監測調控后的掘進巷道實時狀態，在此過程中用戶也可在Unity3D里直接通過可視化界面對風流智能調控裝置物理實體自主進行動作操縱。Unity3D為通風系統調控全過程的數據傳輸、數據讀取、規則獲取、動作操控等都提供了可視化界面，系統關鍵技術基本都寫成了后臺C#腳本以便Unity3D隨時調用各種技術，用戶也可人為對系統預測出的風流調控規則進行適當修正，并且可隨時查看每次調控過程的各項數據以方便對之后的參數調控方案進行調整，以此實現掘進工作面出風口風流狀態的智能調控。

圖3 數字孿生驅動的出風口風流智能調控系統運行流程Fig.3 Operation process of airflow intelligent control system air outlet based on digital twin

2 系統實現的關鍵技術

2.1 基于ZigBee自組網功能的實時監測技術

在智能預測及調控決策服務系統中需要實時監測并采集巷道風速、瓦斯體積分數及粉塵質量濃度等參數，需保證系統可以更長時間工作，故采用具有低成本、低功耗、低速率的ZigBee協議和無線傳感網絡來滿足需求[25]，選用CC2530作為模塊核心處理器。數據采集模塊將傳感器模塊輸出的風速、瓦斯、粉塵和距離模擬信號通過A/D轉換模塊將其轉換為數字信號，數字信號經過核心處理器CC2530處理之后通過RF射頻收發模塊將其傳輸到無線傳感網絡匯聚節點，并要求節點可以自動加入ZigBee無線網絡，實現流程如圖4所示。

圖4 基于ZigBee的實時監測流程Fig.4 Flow chart of real-time monitoring based on ZigBee

首先初始化傳感器節點，設置風速、瓦斯、粉塵和測距傳感器節點的參數，自動加入ZigBee網絡，程序掃描傳感器節點的設置時間，達到時間則開始采集風速、瓦斯體積分數、粉塵質量濃度和距離等實時數據;數據采集完成后如果定時器設置接收時間已到，則開始數據包的轉發，完成后進行下一次數據采集。

2.2 基于ARIMA模型的瓦斯體積分數及粉塵質量濃度智能預測技術

通過實時監測采集掘進巷道內瓦斯體積分數及粉塵質量濃度，若此時刻瓦斯體積分數及粉塵質量濃度未超出煤礦安全規程范圍標準，則對巷道瓦斯體積分數及粉塵質量濃度數據進行時間序列分析預測，獲取未來時刻的瓦斯體積分數及粉塵質量濃度數據，進一步為風流智能調控提供正確的預警信息，更有利于預防安全事故的發生。

差分自回歸整合移動平均(ARIMA)模型，作為時間序列預測分析方法之一，是對實際不滿足平穩時間序列的數據進行差分實現平穩性從而進行預測。其具體形式可以寫成ARIMA(p，d，q)，其中AR為自回歸模型;I為非平穩性；MA為移動平均模型;p為自回歸階數;d為使之成為平穩序列所做的差分階數;q為移動平均階數。

基于ARIMA模型的瓦斯體積分數及粉塵質量濃度智能預測流程如圖5所示。首先通過傳感器采集獲取瓦斯體積分數及粉塵質量濃度的實時監測樣本數據，利用單位根檢驗(ADF)法進行數據序列平穩性檢驗[26]，對非平穩數據進行d階差分運算化為平穩時間序列，繪制訓練集自相關ACF和偏自相關PACF圖，確定模型中的p，q值。由以上得到的p，d，q值建立瓦斯體積分數及粉塵質量濃度ARIMA預測模型，采用統計量方法對模型殘差序列進行白噪聲檢驗，利用已通過檢驗的模型對巷道瓦斯體積分數及粉塵質量濃度進行預測，獲取下一時刻瓦斯體積分數及粉塵質量濃度預測數據。

2.3 基于小生境四段式編碼遺傳算法的風流調控規則獲取技術

遺傳算法(Genetic Algorithm,GA)是一種通過模擬自然進化過程搜索最優解的方法。參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定5個要素組成了遺傳算法的核心內容。小生境(Niche)技術是通過讓個體在一定環境下進化，產生小生境域;然后在所有域內進化，取得極值;最后對比各極值，尋求全局最優解[27]。

本文構造了小生境四段式編碼遺傳算法，對具有連續屬性性質的出風口風流調控數據集進行數據挖掘。首先利用分段結構的染色體，將連續屬性離散化、屬性約簡和關聯規則提取集成，采用分段式二進制編碼方式建立四段式編碼GA的調控規則獲取算法，同時進行連續屬性最優分割點的搜索和出風口風流智能調控規則的獲取。其次引入小生境技術對適應度函數進行調整，采用共享機制完成選擇操作，劃分多個小生境域改善遺傳算法的局部尋優，保證群體的多樣性。數據的變換和歸約初步根據《煤礦安全規程》規定風速0.25～4 m/s、瓦斯體積分數不超過1%，粉塵質量濃度低于4 mg/m3標準，改進后的算法流程如圖6所示。

圖6 小生境四段式編碼GA調控規則獲取流程Fig.6 Flow chart for obtaining regulation rules of niche four-segment code of genetic algorithm

具體實現步驟如下:

(1)預處理。對不同掘進和通風方式下風場調控參數與風速、瓦斯體積分數及粉塵質量濃度關聯的樣本數據SampleData進行預處理，得到預處理后的數據集SD_P，初始化。對預處理后的風場調控樣本數據集SD_P進行四段式編碼，并剔除重復的編碼數據，作為初始化種群G(0)=InitPop。

(2)操作參數設定。根據初始化種群G(0)設置當前進化代數t=0，確定種群規模PopSize、個體基因型長度GenLen、最大的進化代數T、初始化交叉概率Pc、初始化變異概率Pm、精英保留的個數N。

(4)選擇操作。對種群G(t)所有個體按照Ps(x)=Fit(x)/∑Fit(x)進行降序排列，并選擇前N個精英個體，保存在臨時的種群Temp1中，Ps(x)為個體被選擇的概率。

(5)對精英種群Temp1進行隨機分組單點交叉和簡單變異操作，得到新種群NewPop，和Temp1結合得到下一代種群G(t+1)。

(6)屬性約簡。檢查每條染色體中第1段調控參數條件屬性基因位是否全為0，若全是，則該調控屬性取值不影響規則的成立，屬性冗余，可以約簡掉。

(7)調控規則獲取。如果t=T，結束并分析表達輸出的規則;否則t=t+1，轉到步驟(3)。

2.4 基于GPRS的系統無線傳輸調控技術

GPRS網絡的基本功能是在移動終端與計算機通信網絡路由器之間提供分組傳遞業務，可分為2個部分:無線接入部分和核心網絡部分。無線接入部分負責在移動臺與基站子系統之間傳遞數據;核心網絡部分負責在基站子系統和標準數據通信網絡邊緣路由器之間中繼傳遞數據[28]。風流智能調控裝置安裝于風筒出風口前端與巷道本身的軟質風筒進行對接，選用西門子S7-200PLC可編程控制器作為裝置控制核心，上位機系統通過GPRS模塊采用TCP/IP協議與PLC控制器進行通信，控制PLC控制器進行步進電機動作來改變風筒出風口風流狀態，優化巷道風速、瓦斯及粉塵場，達到降低人員活動區域粉塵積聚的效果。控制系統框圖如圖7所示。

圖7 風流智能調控系統控制流程Fig.7 Framework diagram of system for airflow intelligent control

正常調控狀態:操作者可根據實際掘進工況設置調控裝置初始參數值，系統通過傳感器實時監測采集巷道瓦斯體積分數及粉塵質量濃度數據進行感知計算，判斷此時瓦斯體積分數及粉塵質量濃度是否超限，如若超過規定范圍，則根據超限值調用相應的風流調控規則進行智能調控，及時降低巷道瓦斯體積分數及粉塵質量濃度;若此時未超標，則通過ARIMA模型預測下一時刻瓦斯體積分數及粉塵質量濃度是否存在上升趨勢，若存在，則調用下一時刻瓦斯粉塵質量濃度值所對應的風流調控規則來提前控制風流智能調控裝置動作，降低瓦斯體積分數及粉塵質量濃度;若不存在上升趨勢，則保持原調控參數值不變繼續運轉。以此循環，實現智能調控系統的自決策及自控制。在調控過程中用戶也可人為的對系統預測出的風流調控規則進行適當的修正，并且可隨時查看每次調控過程的各項數據以方便對之后的參數調控方案進行調整。應急調控狀態:由于井下實際的操作環境復雜，在傳感器元件發生故障或瓦斯粉塵驟增時，可以通過手動切換開關，進行人工干預手動調節實現系統的應急操作。

2.5 基于Unity3D的數字化建模技術

以出風口風流智能調控物理系統為對象，首先在Pro/E軟件構建系統風流智能調控裝置虛擬樣機模型進行運動仿真分析，在此基礎上建立整體系統三維模型，之后將生成的系統數字模型導入3DMax中進行模型貼圖渲染、蒙皮及制作出風口各種運動動畫。完成后轉換為Unity3D支持的.FBX模型文件，在Unity3D中完成系統虛擬場景搭建和調控裝置動作編程等，通過Unity3D平臺中的C#腳本組件實現與風流調控裝置虛擬模型的映射交互。結合Unity3D平臺GUI類中的控件進行界面設計，在虛擬空間創建出風口風流智能調控物理系統的高保真虛擬模型，用以模擬掘進巷道中風速、瓦斯體積分數及粉塵質量濃度的實時變化，以及風流調控裝置的智能調控，為物理系統提供智能決策反饋。數字孿生掘進工作面出風口風流智能調控系統虛擬模型構建過程如圖8所示。

圖8 數字孿生出風口風流智能調控系統虛擬模型構建Fig.8 Construction of virtual model of airflow intelligent control system for the air outlet based on digital twin

3 系統實現及驗證

3.1 系統實現功能驗證

針對系統實時監測、決策評價、智能調控和虛實融合等4個方面，通過設計搭建數字孿生驅動的掘進工作面出風口風流智能調控系統實驗測試平臺進行了系統功能驗證，效果如圖9所示。

(1)實時監測。啟動出風口風流智能調控物理系統，模擬煤礦掘進過程，通過安裝在巷道內部的傳感器，實時采集巷道風速、瓦斯體積分數及粉塵質量濃度等數據，并存入SQL實時監測數據庫。

(2)決策評價。選取實時監測數據作為時間序列樣本數據，建立ARIMA模型進行下一時刻瓦斯體積分數及粉塵質量濃度的在線預測及決策評價分析，通過小生境編碼遺傳算法進行孿生數據挖掘及智能調控規則提取。

圖9 數字孿生出風口風流智能調控系統功能驗證Fig.9 Functional verification of airflow intelligent control system of air outlet based on digital twin

(3)智能調控。操作者可結合系統給出的風流智能調控規則，通過上位機軟件界面按鈕，觸發相應的功能來控制調控裝置實現風筒出風口風流狀態的智能調控，并編寫數據庫接口通過Unity3D實現虛實環境的數據交互。

(4)虛實融合。結合Unity3D虛擬現實軟件中Transform組件來控制在虛擬場景中風流智能調控裝置模型的前后位置(Position)，偏轉角度(Rotation)和口徑縮放(Scale)等程序指令實現相應調控動作，同步反饋調控裝置物理實體的運行過程，為操作者提供直觀的情景基礎。

3.2 智能調控效果驗證

為了直觀反應出風口風流智能調控系統調控效果，給定風量400 m3/min，以出風口距掘進工作面5 m為例進行智能調控效果驗證。整體系統實驗測試平臺風速、瓦斯及粉塵傳感器設置位置是根據《煤礦安全規程》和實際煤礦井下作業規程要求位置，結合數值模擬分析時得到的隱患位置處進行綜合考慮確定的。其中風速傳感器共7個，回風側0.3 m高度距端面1.0，1.5，2.0，3.0，4.0和5.0 m處各1個，司機位置處1個;瓦斯傳感器共6個，在掘進工作面兩上隅角和右下隅角各1個，回風側0.3 m高度距端面1.0，1.5和2.0 m處各1個;粉塵傳感器共7個，回風側0.3 m高度距端面1.0，1.5，2.0，3.0，4.0和5.0 m處各安1個，司機位置處1個。

由圖10可知相比傳統局部通風系統，通過智能調控系統調控出風口口徑為1.2 m，水平右偏15°，垂直上偏3°后，整體巷道回風側風速下降，司機位置處風速明顯上升;上隅角瓦斯體積分數由0.623%降低為0.306%，降低率達50.8%，下隅角瓦斯體積分數由0.991%降低為0.511%，降低率達48.4%;司機位置粉塵質量濃度值由1 180 mg/m3降低到695 mg/m3，單點降塵率達41.1%;回風側行人高度沿程粉塵質量濃度由430 mg/m3降低為150 mg/m3，降塵率達65%。

圖10 傳統局部通風與出風口風流智能調控系統調控效果對比Fig.10 Comparison of regulation effect between traditional local ventilation and airflow intelligent control system of air outlet

4 結 論

(1)借助孿生數據作為橋梁，完成了智能調控及決策評價服務系統、出風口風流智能調控物理系統和出風口風流智能調控虛擬系統3者的同步反饋、映射交互和感知計算。

(2)通過實驗測試平臺運行實例驗證了系統實時監測、決策評價、智能調控及虛實融合等關鍵技術的可行性，初步實現了物理系統巷道風流數據的實時監測采集和智能預測，以及風流調控裝置的自主決策和智能調控。

(3)以出風口距掘進工作面5 m為例，進行了風流智能調控下的風速、瓦斯及粉塵場調控效果對比分析，結果表明:相比調控前，整體巷道風速場分配合理，死角區瓦斯濃度最高可降低50.8%，粉塵場局部區域最高降塵率可達65%。