智能精準開采大數據分析決策系統關鍵技術

馬 騁，宋 燾

(陜西陜煤黃陵礦業有限公司，陜西 延安 727307)

0 引言

智慧煤礦建設是煤炭行業高質量發展的必然要求[1-3]。煤炭占我國一次能源供給的 70%左右，在我國能源結構中的主體地位短時間內難以被替代[4]，并且將長期影響我國能源結構與供給。伴隨著地質勘探技術的不斷升級，互聯網、大數據、人工智能等高新技術不斷被引進煤礦開采，必然伴隨著智能化開采技術的不斷升級。因此，國內各高校、研究單位紛紛開展了智能開采的相關研究。目前來看，行業內以黃陵礦業公司“可視化遠程干預型”為引領的智能化開采技術主要依靠“液壓支架自動跟機+采煤機記憶截割+可視化遠程干預控制”來監控采煤作業的全過程。但存在著遠程干預控制頻繁、記憶截割應用率低等問題[5-8]。究其根本原因還是智能化開采關鍵技術難題尚未攻克，綜采工作面大數據融合應用率低。智能化綜采工作面設備繁多，數據龐大，現有監控系統無論在硬件還是軟件配置上，均無法滿足大數據的采集、融合、分析、處理和決策[9-12]。因此，基于動態地質模型大數據融合迭代規劃控制策略的智能開采技術研究項目，通過地面鉆探、井下鉆探、巷道測量與寫實和槽波勘探等物探手段來構建工作面三維初始模型；再聯合應用慣性導航技術、雷達定位技術和大數據分析決策技術也修正模型，實現工作面前方范圍的地質透明；最后通過井下精準控制中心來完成對采煤機和液壓支架的精準控制，而大數據智能分析決策系統是本項目的智慧“大腦”，是實現智能精準開采的關鍵。

1 主要技術路線

通過構建大數據智能分析決策系統，研發綜采智能化管控平臺，利用大數據融合技術實現對綜采工作面不同設備的多種通信協議數據的統一、轉換、關聯、分類和存儲。通過地質模型網格化，選擇進風巷停采點處煤層底板作為基準零點，進行相對坐標傳遞，在相對坐標系中依據煤層頂底板、推進度、俯仰角等信息建立各設備的數據化開采模型。融合應用開采工藝和綜采自動化控制技術、慣性導航技術和雷達測距技術來不斷對透明地質模型和規劃截割模型修正更新，分析得出綜采設備精準控制決策信息，最終實現智能精準開采，技術路線如圖1所示。

圖1 技術路線Fig.1 Technology roadmap

2 綜采智能化管控平臺建設

2.1 硬件環境搭建

2.1.1 硬件環境搭建

采用5臺SR650運算服務器和1臺DE2000H存儲服務器組成硬件設備集群，每臺SR650配置64內存3條，18核CUP 2顆；存儲服務器DE2000H配置1.8 T硬盤24塊，集群合計CUP為180核，硬盤容量為43.2 T，內存為990 G。對服務器硬件設備集群進行網絡環境搭建和Windows Server 2016虛擬化平臺部署，使用Vcenter對虛擬化平臺統一管理。

2.1.2 網絡環境搭建

采用3臺Hadoop集群虛擬機，3臺Spark算法引擎虛擬機，3臺Web應用虛擬機，1臺Nginx反向代理虛擬機，7臺MySQL數據庫虛擬機組成。物理主機和虛擬主機分別部署于通過VLAN連接在192.168.18.70/80和192.168.19.1/254兩個網段內。

2.2 軟件界面設計

2.2.1 大數據智能分析決策平臺首頁界面

大數據智能分析決策平臺首頁主要展示系統運行狀態和結果集，如圖2所示。主要展示內容有采煤工藝決策規劃截割模型、三機協同策略、采煤工藝的結果展示，以及規劃截割模型的執行效果統計、ETL(數據倉庫技術)數據運營機制下的系統數據吞吐量、多源異構數據的融合效率、采煤機規劃截割執行率的統計分析等。

圖2 大數據平臺首頁界面Fig.2 Home page interface of big data

2.2.2 地質數據界面

地質數據：界面主要展示透明地質模型“CT”切片數據的獲取和解析、采煤機導航信息、工作面推進進程、地質環境變化的應對策略，主要展示內容如圖3所示。

圖3 地質數據界面Fig.3 Interface of geological data

2.2.3 采煤機規劃界面

該界面主要展示采煤機規劃模型及執行效果，主要展示內容如圖4所示。

圖4 采煤機規劃界面Fig.4 Interface of shearer planning

傾角曲線：透明地質模型“CT”切片的采樣點傾角值、采煤機傾角測量值、慣性導航系統測量值比對結果。

俯仰角曲線：采煤機推進方向的2組透明地質模型“CT”切片間俯仰角、采煤機俯仰角測量值、慣性導航系統測量值比對結果。

測量曲線：透明地質模型“CT”切片的高度值、采煤機采高臥底測量值、慣性導航系統底板高度測量曲線比對結果。

推進曲線：慣性導航系統測量的底板高度曲線和推進傾斜度測量展示。

采煤機規劃截割曲線：加成角度調整、規劃補償、傳感器定差補償前后，采煤機規劃截割曲線的結果比對。

整定曲線：展示針對可預測的地質環境變化，采煤機規劃截割曲線的規劃整定策略。

截割曲線及地質和采高臥底曲線：比對系統擬合的采煤機實際截割曲線與慣性導航系統測量曲線、透明地質模型“CT”切片頂底板標高曲線。

干預分析：統計人為干預采煤機截割姿態、速度的頻次。

2.2.4 電液控規劃界面

該界面主要展示液壓支架規劃模型，主要展示內容如圖5所示。

圖5 電液控規劃界面Fig.5 Interface of electro-hydraulic control planning

支架推進度及姿態測量值比對：展示液壓支架推移行程傳感器與慣性導航系統測量值的比對結果；透明地質模型“CT”切片的角度信息與慣性導航系統對俯仰角曲線，傾角曲線的測量值比對結果。

電液控跟機參數：預測的液壓支架中部跟機參數模型的液壓損耗與開采效能指標。

規劃刀：展示規劃刀液壓支架推移曲線。

推移行程：檢測液壓支架及推移傳感器測量值。

測量、整定、驗證刀推移曲線比對：比對驗證刀、整定刀和測量刀的推移曲線。

上竄下滑：展示上竄下滑測量結果及修正策略。

2.2.5 采煤工藝界面

該界面主要展示規劃截割工藝模型、負荷平衡調速參數設置及調整結果，主要展示內容如圖6所示。

規劃截割工藝段決策：展示選定的采煤機規劃截割工藝段折返點信息。

圖6 采煤機工藝界面Fig.6 Interface of shearer process

規劃截割工藝模型及效能預測：展示選定的規劃截割工藝模型參數組，及預測時耗和回采率指標。

規劃截割的采煤機與液壓支架協同模型展示：選定的規劃截割三機協同模型可視化展示。

負荷平衡：監測運輸三機運行負荷與開采速度。

運輸負荷與截割速度關系：運輸三機負荷與截割速度的比對展示。

調速效果監測：監測負荷調整策略的執行效果。

負荷平衡調整參數組：主要為展示負荷平衡調整參數組。

3 關鍵技術探究

3.1 大數據融合技術

3.1.1 主要通信協議的接入方法

綜采設備采用的通信協議各不相同，需要平臺進行統一規范。本工作面配套設備涉及的通信協議主要包括CAN(采煤機、慣性導航)、TCP/IP(三機集控)、OPC(電液控)等。針對工作面設備的傳輸協議各異問題，定制研發相關驅動和交互方法，實現多源數據的采集獲取，使用數據融合模塊進行數據的過濾、清洗、數據格式轉換，通過Mqtt(數據發布/訂閱傳輸協議)以及TCP/IP(傳輸控制協議/因特網互聯協議)將數據流以JSON字符串的形式發送，根據數據流標識將數據分類存儲于HDFS(分布式文件系統)內。

3.1.2 數據轉換方法

系統從各種設備及傳感器獲取到的數據，需要轉換成統一的標準格式，轉換方式主要包括直接映射、字段運算、參照轉換、字符串處理、差值補全等。直接映射是直接處理數據源字段和目標字段長度、精度均一致的原始數據。字段運算是對于數值型字段數據，需要對源數據進行數學運算后轉為目標字段。參照轉換時使用數據源的字段作為Key，去關聯數組，并對特定值搜索進行。字符串處理是對數據源的字符串字段進行檢索，從而獲取以字符串形式出現特定信息數值型值。差值補全是對連續數據中每個數據位是否為空進行判斷，并對空值數據位進行最近歷史有效值的回填。本項目通過邊采集邊轉換的方式進行數據處理，確保了數據傳輸的實時性。在此過程中對采集到的每條數據進行數據類型轉換、異常數據過濾、數據精度及單位變換、開關變量處理、數據范圍及報警判斷處理，最后將數據轉換成統一格式后進行數據傳輸。

3.2 模型數字化技術

基于“CT”切片技術對透明地質模型網格化。選擇進風巷停采點處煤層底板作為基準零點，進行相對坐標傳遞，在相對坐標系中依據煤層頂底板、推進度、俯仰角等信息建立各設備的數據化開采模型。基準點絕對坐標定位如圖7所示。

圖7 地質模型基準點絕對坐標定位Fig.7 Absolute coordinate positioning of datum point of geological model

3.3 分析決策技術

規劃截割工藝并建立開采效率和安全指標體系，根據開采效率和安全指標體系評定結果，規劃截割工藝的參數組合，修正規劃截割模型[13-15]。

工作面設備增強感知融合技術：傳感器作為工作面數據的主要采集器件，它的精確度直接影響平臺的決策結果精度和設備執行的控制精準度。礦用井下傳感器受到環境影響，普遍存在測量精度不高問題。通過歷史數據迭代訓練，實時對傳感器監測數據進行過濾、補償、更新。

規劃截割模型修正技術：通過對比規劃截割模型與執行結果的差值，實時反饋到大數據智能分析決策中心，利用執行效果評價體系和數據挖掘技術，對透明地質模型“CT”切片數據精度、角度轉換修正精度、工況導航位置精度、機械特性定差準確度、人工干預的學習修正準確度進行偏差原因分析，適時修正規劃截割模型，修正后再次下發驗證，直至偏差消失。

3.4 機器學習及故障自診斷技術

機器學習技術：機器學習技術是利用計算機語言表述的算法邏輯讓機器自主學習、不斷進步的一種技術。通過對采煤機的工況監測數據和預期規劃數據進行學習分析，利用數學算法實現數據的修正和更新。

設備故障自診斷技術：綜采工作面設備故障診斷系統是基于電流信號、潤滑油信息、冷卻系統信息等多信息融合的故障智能診斷技術，形成一套面向不同綜采設備故障在線診斷系統，實現采煤機及主要設備的故障診斷，提供維護和運行策略建議。基于大數據技術和邊緣計算的微服務架構研發的綜采工作面設備故障自診斷系統，通過研究模型、數據的設備健康預測方法，構建基于大數據算法的故障診斷、預測模型；根據工作面設備健康評估與維護決策指標分類，形成維修操作層、管理層和決策層的信息分層推送體系；基于設備預防、維護策略知識，評估運行效果，優化維護策略。

4 結論

(1)伴隨著大數據分析、模型數字化、機器學習、故障自診斷等技術的不斷發展，綜采工作面可以通過構建大數據智能分析決策系統，利用大數據融合技術實現對綜采工作面不同設備的多種通信協議數據的統一、轉換、關聯、分類和存儲。

(2)通過地質模型網格化，選擇進風巷停采點處煤層底板作為基準零點，進行相對坐標傳遞，在相對坐標系中依據煤層頂底板、推進度、俯仰角等信息，建立各設備的數據化開采模型。

(3)融合應用開采工藝和綜采自動化控制技術、慣性導航技術和雷達測距技術來不斷對透明地質模型和規劃截割模型修正更新，分析得出綜采設備精準控制決策信息，最終將當前基于記憶截割的“智能開采1.0”階段升級為基于透明地質規劃截割的“智能開采3.0”階段，實現由傳統的記憶割煤向三維空間感知和自動截割的技術跨越，具有很強的適應性和實用性。