基于數(shù)據(jù)驅動的綜采工作面采運協(xié)同控制方法研究

皮國強， 沈貴陽， 常海軍， 張連東

（1. 延安市禾草溝二號煤礦有限公司，陜西 子長 717300；2. 延安車村煤業(yè)（集團）有限責任公司，陜西 子長 717300）

0 引言

煤礦智能化是煤炭工業(yè)高質量發(fā)展的核心技術支撐，是煤炭工業(yè)技術革命和升級發(fā)展的必然方向[1-3]。國家能源局、國家礦山安全監(jiān)察局等部門印發(fā)的《煤礦智能化建設指南（2021 年版）》中明確指出智能采煤系統(tǒng)的重要性和必要性。綜采智能化作為煤礦智能化的關鍵技術之一，它的實現(xiàn)將會極大促進煤礦智能化的發(fā)展，使煤礦產(chǎn)業(yè)能夠達到減員、增安、提質、創(chuàng)效的生產(chǎn)運作方式[4-6]。

采煤機和刮板輸送機作為綜采工作面采運系統(tǒng)的兩大裝備，其協(xié)同運行情況對綜采效率的提升具有決定性影響[7-9]。近年來，學者和專家在采煤機與刮板輸送機的協(xié)同控制方面進行了大量研究，取得了一定成果。湛玉婕[10]建立了基于模糊BP 神經(jīng)網(wǎng)絡的PID 協(xié)同控制系統(tǒng)，完成了刮板輸送機和采煤機協(xié)同速度規(guī)劃方案設計并進行了實驗驗證，改善了采煤機和刮板輸送機協(xié)同作業(yè)穩(wěn)定性能差、能耗高的問題。樊占文等[11]基于Elman 神經(jīng)網(wǎng)絡建立了綜采裝備滾動預測模型，對采煤機、液壓支架和刮板輸送機工作狀態(tài)進行預測，實時完成協(xié)同控制功能。Fan Qigao 等[12]利用機器學習算法、滾動預測方法及先驗信息對刮板輸送機的工作形態(tài)進行準確預測，為采煤機滾筒截割路徑提供信息，調(diào)整刮板輸送機在下一個工作循環(huán)時的形態(tài)，使刮板輸送機持續(xù)安全可靠地工作。張文靜[13]提出了一種基于PLC 的采煤機與刮板輸送機聯(lián)動控制技術，能夠通過對刮板輸送機煤量變化規(guī)律和負載電流的動態(tài)監(jiān)測分析進行協(xié)同速度規(guī)劃控制。上述研究初步建立了采運系統(tǒng)協(xié)同控制機制，但均未考慮非結構化綜采工作面環(huán)境下，影響采運系統(tǒng)穩(wěn)定運行因素的不確定性和耦合特性，以及煤流狀態(tài)和刮板輸送機負載電流受井下電氣系統(tǒng)影響而無法真實反映刮板輸送機負載變化的情況。

針對上述問題，本文提出了基于刮板輸送機負載電流強化和隨機自注意力膠囊神經(jīng)網(wǎng)絡（Random Self-Attention Capsule Neural Network，RSACNN）的綜采工作面采運協(xié)同控制方法。首先分析刮板輸送機電動機電流與負載之間的對應關系，提出去除電流干擾成分的電流強化方法；然后分析煤流量波動對綜采工作面采運系統(tǒng)穩(wěn)定運行的影響，將煤流量作為采運系統(tǒng)協(xié)同控制的關鍵影響因素；最后針對傳統(tǒng)膠囊神經(jīng)網(wǎng)絡（Capsule Neural Network，CNN）對不確定、高耦合的采煤機和刮板輸送機運行狀態(tài)參數(shù)特征提取效果差的問題，提出基于隨機自注意力機制的膠囊神經(jīng)網(wǎng)絡模型，并建立考慮系統(tǒng)負載和煤流通暢度的綜采工作面采運協(xié)同控制模型。

1 采運協(xié)同控制方法原理

1.1 刮板輸送機負載電流強化

綜采工作面運行環(huán)境復雜，刮板輸送機負載波動大，難以直接準確測量[14]。因此，如何準確獲取刮板輸送機的負載對綜采工作面采運系統(tǒng)的智能控制至關重要。刮板輸送機電動機電流與其負載轉矩關系為[9]

式中：Tc為刮板輸送機負載轉矩；np為電動機極對數(shù)；Isα，Irβ分別為電流在α軸和β軸上的電流分量；Ψrα， Ψrβ分別為電動機定子磁鏈在α軸和β軸上的分量；Tf為刮板輸送機摩擦轉矩。

刮板輸送機負載可用其電流刻畫，然而，電動機電氣故障會對刮板輸送機三相電流造成影響，導致實際采集的電動機電流不僅包含真實刮板輸送機負載信息，還包含設備電氣系統(tǒng)故障產(chǎn)生的偽負載信息，因此該電流無法直接真實反映刮板輸送機負載變化[15]。刮板輸送機傳動系統(tǒng)中齒輪的嚙合頻率是該傳動系統(tǒng)的固有特性，其頻率不受電氣系統(tǒng)的影響，只受其本身嚙合力大小的影響，幅值變化只受負載大小的影響，因此提出基于刮板輸送機電流強化的負載映射方法，原理如圖1 所示。刮板輸送機依靠三相電動機提供動力，當負載變化時會引起減速箱中傳動齒輪嚙合力的變化，而嚙合力的變化會使電流頻譜成分中齒輪嚙合頻率分量的幅值發(fā)生變化[16]。由于電流頻譜中的齒輪嚙合頻率不受電流變化的影響，將齒輪嚙合特征頻率作為負載估計的紐帶，避免了電氣系統(tǒng)引起的電流波動對刮板輸送機負載特征的干擾。

圖1 基于電流強化的刮板輸送機負載映射方法Fig. 1 Load mapping method of scraper conveyor based on current intensification

刮板輸送機減速箱的傳動系統(tǒng)由多級齒輪傳動組成，這些齒輪分布在不同空間中，且嚙合頻率不同。鑒于此，對實際工程中采集到的含有50 Hz 工頻干擾的電流數(shù)據(jù)進行去工頻干擾，即電流強化。本文采用小波包[17]實現(xiàn)對電流信號的多尺度分解，抑制工頻頻段，最終實現(xiàn)工頻的消除。

式中：φ(t)為正交尺度函數(shù)；t為時間；k為相位；hk，gk為共軛濾波器，用于多尺度分析；ψ(t)為小波函數(shù)。

通過對刮板輸送機負載電流進行強化，得到真實的刮板輸送機電流，將其作為描述綜采工作面采運系統(tǒng)中刮板輸送機負載變化的特征參數(shù)，用于建立采運系統(tǒng)協(xié)同控制模型。

1.2 刮板輸送機機頭處煤流狀態(tài)監(jiān)測

在實際生產(chǎn)過程中，綜采工作面刮板輸送機負載電流變化不大，卻常常有煤流擁堵的現(xiàn)象，如果此時采煤機仍按原速度進行割煤，未及時發(fā)現(xiàn)煤流擁堵，會造成刮板輸送機負載短時間內(nèi)激增，影響煤流運輸系統(tǒng)運行的穩(wěn)定性，甚至造成設備損壞，影響井下生產(chǎn)的安全性。經(jīng)調(diào)研發(fā)現(xiàn)，在綜采工作面煤流系統(tǒng)中，80%左右的煤流擁堵出現(xiàn)在刮板輸送機機頭卸煤處，20%左右的煤流擁堵出現(xiàn)在工作面內(nèi)。

本研究僅考慮機頭處煤流狀態(tài)，并安裝煤流監(jiān)測裝置進行煤流量測量，如圖2、圖3 所示。本文將綜采工作面煤流狀態(tài)作為采運系統(tǒng)狀態(tài)因素，以進一步提升綜采工作面采煤機和刮板輸送機的協(xié)同控制精度。

圖2 綜采工作面采運系統(tǒng)煤流監(jiān)測點位Fig. 2 Coal flow monitoring points of fully mechanized mining face

圖3 煤流監(jiān)測裝置Fig. 3 Coal flow monitoring device

1.3 采運協(xié)同控制模型

綜采工作面采運系統(tǒng)運行工況具有復雜性和動態(tài)變化特性，使得系統(tǒng)運行狀態(tài)參數(shù)與采煤機牽引速度直接存在著高度非線性和不確定性關系，難以建立精確的數(shù)學模型。深度學習能夠很好地處理非線性問題，典型的深度學習模型有卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等。然而，卷積神經(jīng)網(wǎng)絡存在“不變性”，循環(huán)神經(jīng)網(wǎng)絡常出現(xiàn)梯度消失或梯度爆炸問題，均難以準確提取刮板輸送機電流和煤流量的細粒度特征，影響綜采工作面采運系統(tǒng)的控制效果。

膠囊神經(jīng)網(wǎng)絡[18-20]將神經(jīng)網(wǎng)絡中的神經(jīng)元擴展成膠囊向量，膠囊的長度代表某個屬性是否存在，膠囊的方向代表屬性的具體描述，這些特性使其可以保存綜采工作面采運系統(tǒng)運行狀態(tài)突變等細粒度特征，但無法避免訓練緩慢和梯度問題。本文在膠囊神經(jīng)網(wǎng)絡的基礎上，引入隨機自注意力機制，提出基于RSACNN 的綜采工作面采運協(xié)同控制模型，如圖4 所示。針對刮板輸送機電動機電流的電氣耦合特性，運用電流強化模型對原始刮板輸送機電流進行預處理，得到能夠反映煤流系統(tǒng)真實負載的電流分量；將綜采工作面采運系統(tǒng)刮板輸送機機頭部煤流量及采煤機和刮板輸送機的運行狀態(tài)參數(shù)集作為控制器的輸入，將采煤機運行速度作為輸出。

圖4 綜采工作面采運協(xié)同控制模型Fig. 4 Collaborative control model of mining and transportation in fully mechanized mining face

2 基于RSACNN 的采運協(xié)同控制模型

2.1 傳統(tǒng)膠囊神經(jīng)網(wǎng)絡

膠囊向量分別與對應的權重系數(shù)相乘得到預測向量，對得到的預測向量進行求和，并通過Squash 函數(shù)f（s）進行非線性變換，得到輸出結果dj，其工作原理如圖5 所示。

圖5 膠囊神經(jīng)網(wǎng)絡工作原理Fig. 5 The working principle of the capsule neural network

在膠囊運算過程中，膠囊間的權重需不斷訓練和更新，由于普通的反向傳播算法只適用于標量的情況，對于膠囊向量無法進行有效學習，所以在膠囊神經(jīng)網(wǎng)絡中使用動態(tài)路由算法[21]來對網(wǎng)絡進行訓練，算法流程如圖6 所示。首先使用Softmax 函數(shù)S（·）計算膠囊i的所有路由權重ei；然后對預測向量aj/i進行加權求和得si；其次，通過Squash 函數(shù)f（·）輸出最終的向量gj；最后將膠囊的輸出向量gj與預測向量aj/i的點積和原有的權重bi求和得到新的權重bij。

圖6 膠囊神經(jīng)網(wǎng)絡動態(tài)路由算法流程Fig. 6 Dynamic routing algorithm process of capsule neural network

2.2 RSACNN

RSACNN 改進膠囊的擠壓函數(shù)，從而得到更精確的高層膠囊，增強膠囊神經(jīng)網(wǎng)絡的泛化性能，RSACNN 結構如圖7 所示。首先將數(shù)據(jù)處理成矩陣形式，然后進行特征提取，將得到的特征矩陣進行融合，融合后的特征矩陣被包裹成膠囊的形式送到初始膠囊層中，最后通過動態(tài)路由機制輸出結果，送到輸出層中，根據(jù)綜采工作面采運系統(tǒng)運行狀態(tài)監(jiān)測數(shù)據(jù)對采煤機運行速度進行預測。

圖7 RSACNN 結構Fig. 7 Structure of random self-attention capsule neural network

隨機自注意力特征提取機制省略了特征之間的交互，綜采工作面采運協(xié)同控制在輸入?yún)?shù)較多的情況下，也可縮短運行時間。通過隨機自注意力機制，獲得輸入數(shù)據(jù)的注意力特征矩陣AAttention。初始矩陣是使用2 個隨機初始化矩陣的乘積生成隨機注意力矩陣R，RSACNN 的隨機自注意力機制如圖8所示。

圖8 隨機自注意力機制Fig. 8 Random self-attention mechanism

首先通過參數(shù)化矩陣W將d維的輸入矩陣映射成n維的輸出特征矩陣B。隨機初始化2 個可學習矩陣R1,R2∈Rn×n，并進行矩陣相乘得到R；然后經(jīng)Softmax 函數(shù)計算后得到分數(shù)矩陣G；最后將矩陣G與矩陣B相乘得到最后的注意力特征矩陣AAttention∈Rn×n。

式中X為輸入數(shù)據(jù)。

注意力機制能深入挖掘采運系統(tǒng)狀態(tài)特征參數(shù)之間的相關性，但在特征融合過程中，注意力機制會直接將全局特征和局部特征相結合，盲目的特征融合會使控制模型精度下降。因此，尋找局部特征和全局特征融合的界限，對控制模型決策準確率有重要的影響。為使控制模型能夠根據(jù)綜采工作面煤流系統(tǒng)的運行狀態(tài)，動態(tài)地融合全局特征和局部特征進行采煤機速度調(diào)節(jié)，本文提出了可變?nèi)诤蠙C制的方式，通過設定一個可學習的參數(shù)，將2 個特征矩陣按可變的比例進行融合，得到最終的特征矩陣H∈Rn×n。

式中：f(γ)為范圍函數(shù)，保證每次 γ更新后的值始終在[0,1]； γ為學習率，數(shù)值被初始化為0.5； ⊕為元素連接符，即2 組特征矩陣進行堆疊，對應位置的元素對齊，最終形成2M個n×n的特征矩陣H；ARelucon為全局特征矩陣。

特征矩陣被傳到初級膠囊層中，下層膠囊需將該層膠囊存儲的計算結果傳遞給上層膠囊，其中傳遞過程通過動態(tài)路由機制來實現(xiàn)。為了使動態(tài)路由過程更加接近綜采工作面煤流系統(tǒng)的數(shù)據(jù)，本文對函數(shù)Squash 進行了修改。

式中：wj為激活后膠囊j的輸出；sj為加權求和的結果。

改進前與改進后的壓縮函數(shù)曲線如圖9 所示，可看出改進前的壓縮函數(shù)在處理模長較短的膠囊時，會把數(shù)值壓縮到0 附近，這樣的全局壓縮會導致在迭代更新時丟失部分膠囊的重要信息，同時函數(shù)增長速率過緩，對于模長較短和模長較長的膠囊會有明顯的區(qū)分，但不能很好地區(qū)分中間長度的膠囊，且影響迭代速度。改進后的壓縮函數(shù)在模長接近0 時起到了放大作用，不像改進前的壓縮函數(shù)易導致部分信息被忽略。

圖9 改進前后的壓縮函數(shù)曲線Fig. 9 The compression function curve before and after improvement

基于RSACNN 的綜采工作面采運協(xié)同控制模型訓練過程的損失函數(shù)為

式中：Tc為預測因子；m+為上界；m-為下界；vc為預測的采煤機速度；λ為比例系數(shù)。

當采煤機速度預測準確時，預測因子Tc=1，且上界m+=0.9，下界m-=0.1，比例系數(shù)λ=0.5，最后的損失是所有膠囊損失的總和。模型使用Adam 優(yōu)化器[23]對目標函數(shù)進行優(yōu)化，可在訓練過程中自動調(diào)整各個參數(shù)的學習速率，且比普通的SGD 優(yōu)化器更準確、收斂更快。在融合層使用Dropout 方法，可在模型訓練時隨機刪除一定百分比的神經(jīng)元，每次模型訓練只更新Dropout 保留的部分參數(shù)，可緩解模型產(chǎn)生過擬合的問題，提高模型控制性能。

3 基于RSACNN 的采運協(xié)同控制方法驗證

3.1 數(shù)據(jù)采集

影響采運系統(tǒng)協(xié)同運行的參數(shù)見表1，包括刮板輸送機煤流量、垂直電動機電流、垂直電動機轉速、刮板輸送機速度、機尾電動機電流、機尾電動機轉速、采煤機牽引變頻器輸出電流、采煤機牽引方向、采煤機實際速度、采煤機位置架、采煤機左/右截割電動機電流等綜采工作面煤流系統(tǒng)的運行狀態(tài)數(shù)據(jù)。

表1 綜采工作面煤流系統(tǒng)運行狀態(tài)參數(shù)Table 1 Operation parameters of coal flow system in fully mechanized mining face

在某煤礦52605 綜采工作面綜采狀態(tài)監(jiān)測數(shù)據(jù)庫中提取10 000 組數(shù)據(jù)作為基于RSACNN 的采運協(xié)同控制模型的驗證樣本數(shù)據(jù)，見表2，其中d為決策變量，表示采煤機的速度。為消除特征之間的量綱影響，對樣本數(shù)據(jù)進行最小-最大規(guī)范化處理，保留原始數(shù)據(jù)中存在的關系，將各特征值分別映射到[0,1]之間，達到規(guī)范化的目的。將整個樣本數(shù)據(jù)集分成70%的訓練集和30%的測試集。

表2 綜采工作面煤流系統(tǒng)運行狀態(tài)數(shù)據(jù)集Table 2 Data set of coal flow system operating status in fully mechanized mining face

3.2 刮板輸送機負載電流信號強化處理

為消除包含電氣特性電流對真實負載的影響，對電流數(shù)據(jù)進行強化處理。小波包分解層數(shù)意味著對信號頻率劃分的精細程度，而不同的分解層數(shù)對工頻消除的結果也不一樣。為得出效果最佳的分解層數(shù)，本文采用db6 小波基對信號進行5 層、6 層與7 層分解并消除工頻，然后對3 種不同分解層數(shù)進行對比。原始信號頻譜與消除工頻信號的頻譜如圖10、圖11 所示。

圖10 原始電流信號頻譜Fig. 10 Spectrum of original current signal

圖11 抑制工頻信號頻譜Fig. 11 Spectrum of suppressed power frequency signal

由圖10、圖11 可看出：在分解5 層的頻譜中，其低頻處的特征不明顯，很多特征頻率丟失，效果明顯很差；在分解6 層的頻譜中，低頻處的特征有所增強，但依舊存在遺漏的情況；在分解7 層的頻譜中，信號特征比較明顯，低頻頻率特征增強了很多。根據(jù)3 種不同分解層數(shù)消除工頻的信號頻譜包含的特征頻率數(shù)目情況可知，分解7 層時效果最佳。

3.3 結果分析

采用本文提出的RSACNN 算法訓練得到采運協(xié)同控制模型，預測采煤機牽引速度，并將提出的算法與自注意力膠囊神經(jīng)網(wǎng)絡（Self-attention Capsule Neural Network，SACNN）算法、CNN 算法的調(diào)速結果進行對比，如圖12 所示。

圖12 不同算法下采煤機牽引速度預測曲線Fig. 12 Shearer traction speed prediction curves under different algorithms

假設人工控制為最佳控制，由圖12 可看出，本文提出的RSACNN 算法能夠根據(jù)采煤機和刮板輸送機的運行狀態(tài)數(shù)據(jù)動態(tài)調(diào)節(jié)采煤機牽引速度。與人工控制下的采煤機真實速度相比，雖然CNN 算法預測的采煤機牽引速度趨勢與真實牽引速度曲線相似，但與真實值存在較大誤差，RSACNN 算法預測的速度曲線與SACNN 算法更加接近。

3 種不同算法對采煤機牽引速度控制結果的接受者操作特性（Receiver Operating Characteristic, ROC）曲線如圖13 所示，曲線下部分面積AUC 表示采煤機牽引預測速度的準確度，該值越大則預測越準確?？煽闯鯮SACNN 算法對應的AUC 最大，達0.868，高于SACNN 的0.816 和CNN 的0.787，表明本文提出的基于RSACNN 的控制方法能對采煤機牽引速度進行有效預測。

圖13 采煤機牽引速度控制結果ROC 曲線Fig. 13 Receiver operating characteristic curve of shearer traction speed control results

3 種算法所對應的采煤機牽引速度預測值與真實值之間的擬合度R-Squared 如圖14 所示，其中R-Squared 值越高，預測結果越準確?？煽闯霾捎帽疚奶岢龅腞SACNN 算法對采煤機速度預測的R-Squared 比SACNN 算法和CNN 算法分別提高了0.032 05 和0.075 04，說明RSACNN 算法更適合綜采工作面采運系統(tǒng)的協(xié)同控制。

圖14 3 種算法控制結果決定系數(shù)Fig. 14 Determination coefficients of three algorithms control result

將3 種算法控制結果決定系數(shù)匯總成表3?？煽闯鯮SACNN 算法的平均絕對誤差較SACNN，CNN分別降低了17.7%，22.6%，平均絕對百分誤差較SACNN，CNN 分別降低了49.9%，71.5%，均方根誤差較SACNN，CNN 分別降低了13.3%，34.6%。

表3 不同算法預測結果比較Table 3 Comparison of prediction results of different algorithms

4 結論

1） 分析了刮板輸送機電流電氣耦合特性及煤流量對刮板輸送機負載的影響，在此基礎上提出了融合煤流狀態(tài)評估和刮板輸送機負載電流強化的綜采工作面采運協(xié)同控制策略。提出了基于RSACNN的綜采工作面采運協(xié)同控制模型，解決了采運系統(tǒng)運行狀態(tài)參數(shù)間相關特征的提取問題，實現(xiàn)了采運系統(tǒng)運行狀態(tài)的準確評估。

2） 進行了采煤機與刮板輸送機協(xié)同調(diào)速實驗，結果表明：采用RSACNN 算法的采煤機牽引速度預測值與真實值的R-Squared 比SACNN，CNN 算法分別提高了0.032 05 和0.075 04；平均絕對誤差分別降低了17.7%，22.6%；平均絕對百分誤差分別降低了49.9%，71.5%；均方根誤差分別降低了13.3%，34.6%。證明RSACNN 方法具有優(yōu)越性，能夠更好地控制綜采工作面采運協(xié)同。