液壓支架支護效果評價的動態分析

喬 晉

（晉能控股集團大陽泉煤炭有限責任公司，山西 陽泉 045000）

隨著采礦業的發展，煤礦的開采技術已經逐步從傳統的人工開采、半機械化開采轉向了智能化、信息化的開采模式[1-2]。傳統的人工開采、半機械化開采模式，無法對工作面設備的受力情況、生產數據進行分析進而對支架質量及支護效果做出及時評價，從而容易引發支架變形、垮塌等事故[3]。相較于傳統的人工開采、半機械化開采模式，智能化開采借助傳感器在開采工作面上收集的數據，及時對礦壓及支架支護效果進行評價，分析支架與頂板之間的受力特征，從而保障安全生產[4]。因此，支架的支護效果是評價安全生產的重要依據，傳統的人工支架無法滿足智能化開采的自動感知、工作面協同工作等特點，且由于對施工安全性保障較差，因此不能應用于智能化開采過程中[5]。目前針對支護支架的選擇，主要以液壓支架為主，雖然學者們采用模擬試驗或實際工程研究對液壓支架的支護效果進行了評價分析及改進，但由于煤礦在開采過程中是動態進行的，僅從支撐力、阻力及壓力分布情況等信息無法對支架的總體支護效果進行準確評判。本文以陽泉礦區煤礦為對象，針對其中使用的液壓支架，采用改進后的深度學習方法卷積神經網絡，對液壓支架的支護效果從不同維度進行動態分析對比，為強化液壓支架的智能化應用提供一定的參考依據。

1 概況

陽泉礦區屬大陽泉煤炭有限責任公司開發，礦區開發采用智能開采系統，通過在液壓支架工作面裝設智能傳感器，將工作面礦壓的規律以數據的形式傳輸到地面控制臺，經由地面控制臺分析完成后，對液壓支架與頂板的支撐狀態進行調整。

陽泉礦區內的井田含煤層屬上二疊統，已探明的含煤地層厚114～146 m，平均128 m。在剖面方向上，煤層穩定的可開采層較少，厚度約5.26 m。從垂直方向上看，含煤地層巖相組合主要分為上、中、下三段，其中上段厚度約為58 m，主要以砂巖、泥巖、泥灰巖和部分煤層構成，以平原沉積相為主；中段厚度約為29 m，主要以粉質砂巖、細砂巖、鐵質砂巖和煤線構成，以平原泥炭沼澤相為主，無可開采煤層；下段厚度約為38 m，以石灰巖為主，該段與煤層直接接觸，為煤層頂板，該區域屬于潮下沉積相，是可開采煤層的主要接壤區段。

2 研究方法

2.1 數據處理

煤礦智能開采系統將收集到的采煤工作面生產信息及受力數據傳輸到集中控制中心，經集中控制中心，借助作業區環網將數據輸送至地面，地面接收區將收集到的液壓支架生產及受力信息備份存檔至企業數據庫中。由于實際開采環境復雜，容易產生數據丟失的情況。針對上述問題，本文采用時域相鄰填充法對數據進行處理，即接收區域若發現缺失數據，則采用其前一個時刻的數據值進行補缺。

2.2 維度分析

為了對液壓支架支護效果進行全方位評價，本文分別從時間維度和空間維度對液壓支架的壓力情況進行分析處理。對于時間維度的壓力分析，目前使用最為廣泛的是對其受力情況采用時間-壓力曲線表示，該曲線能夠準確地反映出液壓支架的壓力情況隨著時間變化而呈現出的趨勢。其中30 號液壓支架在某天的壓力變化情況如圖1。

圖1 本次礦區中的30 號液壓支架在某天的壓力變化情況

空間維度壓力分析，采用支撐力作為反映液壓支架在開采工作面支護效果的核心指標，其中液壓支架的支撐力主要體現在支架中的立柱所承受的壓力大小。對于空間維度的支護評價，具體是對某一時刻的各個支架的壓力大小進行評價，觀察支架壓力在整體區間內是否偏大或偏小。例如圖2 所示的某時刻的工作面液壓支架支撐力分布情況。區域1表示為某一側支撐力較高，區域2 表示的支撐力整體效果良好，區域3 的支撐力整體上均呈現偏高趨勢，區域4 總體較為良好。

圖2 所有液壓支架的整體工作面支撐力分布情況

2.3 動態建模

智能化開采過程中，液壓支架的數據均為表征某一量值在時間或空間上的反映，因而在時間和空間兩個維度上具有一定的連續特征，此現象類似于圖像像素的深度學習過程。因此，對于時間空間二維區間中液壓支架的支護效果評價動態模型，本文采用卷積神經網絡進行構建。卷積神經網絡模型如圖3。卷積神經網絡是一種深度學習網絡，結構較為簡單，計算速度較快，一般包含2 個卷積層、2個池化層和1 個全連接層。

圖3 卷積神經網絡示意圖

但一般的卷積神經網絡對樣本的分類效果精確度不足，無法使用于本文的工作環境之中。因此，考慮本文的實際工程環境，需對卷積神經網絡進行優化，以提高其樣本分類精確度。分別對兩個方面進行了優化：1）改變其激活函數，本文使用ReLU對Sigmoid 函數進行替換。原因在于后者作用范圍有限，僅能在自變量極小時有較好效果，一旦自變量范圍增大，會減緩學習速度。2）采用Adam 對迭代速率進行優化，其原因在于原有的算法不能對步距進行實時調整，從而導致數值振蕩，而Adam 能夠加大迭代速率，減小數值震蕩率。

3 結果分析

為了將樣本應用于改進后的卷積神經網絡，需要對樣本進行分類。本文采用24 個液壓支架在2 h中的立柱壓力作為樣本進行分類，將樣本數據經過排序、時空矩陣提取后，與7 種支護效果進行匹配，得出了2000 個子樣本，最后按照6:3:1 的比例將子樣本分為訓練集、測試集和驗證集。其中7 種支護效果分別為支護效果不良、支護效果持續不良、支護效果極差、支護效果一般、支護效果較好、支護效果持續較好、支護效果極好。分類結果如圖4。

圖4 樣本實際支護效果分類

將樣本數據分別輸入到一般卷積神經網絡和改進后的卷積神經網絡之中，對其損失值和分類準確率進行分析，用以驗證本文改進模型的準確性和適用性。其中將樣本輸入到原卷積神經網絡中得到了如圖5 所示的一般的卷積神經網絡訓練效果。

圖5 一般的卷積神經網絡訓練效果

從圖5（a）中可以看出隨著迭代次數的增加，損失量逐漸減小，訓練集和驗證集也逐漸收斂，迭代到60 次時損失量達到最小，二者收斂。圖5（b）所示為一般卷積神經網絡的分類準確率，從圖中可以看出隨著迭代次數的增加，準確率逐漸提高，當迭代次數達到60 次時，驗證集與訓練集收斂于80%的準確率附近。

將一般卷積神經網絡的訓練效果作為對照組，將分類的樣本數據輸入到改進后的卷積神經網絡之中，得到了如圖6 所示的改進后的卷積神經網絡訓練效果圖。

圖6 改進后的卷積神經網絡訓練效果圖

從圖6（a）可以看出，隨著迭代次數的增加，損失量也呈現出逐漸減小的趨勢，訓練集和驗證集逐漸收斂，迭代到40 次時損失量達到最小，訓練集收斂于0.2 的損失量附近，驗證集收斂于0.6 的損失量附近。圖6（b）所示為改進后的卷積神經網絡的分類準確率，從圖中可以看出，隨著迭代次數的增加，準確率也逐漸呈現出提高的趨勢，當迭代次數達到40 次時，訓練集收斂于90%的準確率附近，驗證集收斂于80%的準確率附近。對比一般卷積神經網絡的訓練效果可以發現，改進后的卷積神經網絡僅迭代40 次時便收斂完成，且改進后的卷積神經網絡訓練集的損失量從一般卷積神經網絡的0.6 降至0.2 左右。除此之外，訓練集的分類準確率也由一般卷積神經網絡的80%左右上升到了90%準確率左右，總體效果較一般卷積神經網絡提升了15%。

4 結論

本文以大陽泉煤炭有限責任公司開發的陽泉礦區為對象，針對其使用的液壓支架，采用改進后的深度學習方法卷積神經網絡，對液壓支架的支護效果從不同維度進行動態分析并與原卷積神經網絡的分析效果進行對比，并得出了如下結論：

1）可根據智能化開采工作面采集的數據，在時空維度對其進行非交叉動態分類，可分為支護效果不良、支護效果持續不良、支護效果極差、支護效果一般、支護效果較好、支護效果持續較好、支護效果極好等7 類。

2）改進后的卷積神經網絡僅迭代40 次時便收斂完成，且改進后的卷積神經網絡訓練集的損失量從一般卷積神經網絡的0.6 降至0.2 左右，除此之外訓練集的分類準確率也由一般卷積神經網絡的80%左右上升到了90%準確率左右，總體效果較一般卷積神經網絡提升了15%。