融合傳感器數據和人工調控信息的工作面直線度智能預測

關鍵詞：工作面直線度；推移行程；傳感器數據；人工調控信息；工作面直線度

分析矩陣中圖分類號：TD355 文獻標志碼：A

0引言

隨著科技進步和生產力的發展，智能綜采工作面以液壓支架電液控制為核心的自動化技術、以慣性導航為基礎的采煤機定位技術、煤礦大數據分析技術等發展迅速[1-5]，然而受限于開采環境、地質條件，以及隨著割煤進程產生的累計誤差，工作面直線度調控仍由人工介入干預[6]，極大影響了綜采工作面的智能化。

目前綜采工作面直線度調控主要包括感知液壓支架相對位置關系的調直和感知刮板輸送機彎曲度的調直。感知液壓支架相對位置關系的調直主要是通過在液壓支架上加裝外置傳感器來感知液壓支架間的相對位置，通過電液控制器控制支架拉架距離，保證液壓支架群組拉架后的直線度，進而影響刮板輸送機直線度。盧春貴等[7]在支架與采煤機上安裝藍牙傳感器，根據藍牙信號強度推算相鄰支架的位置關系，進而進行工作面調直。張樹楠等[8]在液壓支架底板布置行程傳感器和傾角傳感器來測量相鄰支架位置關系，根據基準支架求解液壓支架整體直線度，進而進行工作面調直。楊學軍等[9]設計了架間巡檢機器人來檢測液壓支架位姿和直線度，進而進行工作面直線度調控。牛劍峰[10]采用視頻巡檢裝置拍攝支架上的標簽，通過計算支架偏移尺寸，為下一次移架提供補償量，進而保證工作面直線度。感知刮板輸送機彎曲度的調直主要是通過慣性導航、視覺測量、光纖等感知刮板輸送機彎曲度，進而通過支架電液控制器控制液壓油缸推移刮板輸送機進行工作面直線度調控。李森[11]采用慣性導航技術測量采煤機軌跡，進而推算刮板輸送機彎曲度，在此基礎上開發了工作面自動找直系統。夏婷[12]、陳宇鳴[13]、楊波等[14]通過超聲波定位、無線傳感網絡定位、激光雷達等方式實現了刮板輸送機直線度的精確解算，為工作面直線度調控奠定了基礎。楊曌[15]、劉鵬坤[16]通過在液壓支架安裝高清攝像儀對刮板輸送機每節刮板進行拍照、拼接，計算工作面直線度并生成各個支架需要調整的距離。方新秋等[17]、寧耀圣[18]在刮板輸送機上加裝光纖傳感器，利用長短期記憶（Long Short-Term Memory， LSTM）神經網絡建立直線度誤差預測模型，生成刮板輸送機調直理論模型，預測下一次割煤循環的刮板輸送機軌跡，生成最佳推溜距離來控制液壓支架推移刮板輸送機。王學文等[19]基于虛擬現實技術與數字孿生技術建立了綜采支運設備運動仿真模型，通過虛擬融合技術進行支運裝備位姿推演，利用虛實交互技術實現工作面虛擬檢測，在虛擬現實中對直線度行程進行預測，生成最佳推移量并反饋至物理場景進行直線度控制。

感知液壓支架相對位置關系的調直受限于綜采工作面惡劣環境，可能會降低外置傳感器的測量精度，增大相鄰支架位置關系的感知累計誤差，進而導致工作面直線度調控精度降低。感知刮板輸送機彎曲度的調直所引入的慣性導航系統等設備昂貴、維護困難，且只根據刮板輸送機形狀推演工作面直線度調控，未能考慮刮板輸送機和液壓支架之間的間隙和人工調控的精度問題。工作面在應用慣性導航等自動調控技術后因為設備間隙和人工調控精度，直線度調控誤差在30～50 mm[20-21]，導致自動化跟機后仍需要大量人工調控，使得工作面的現有傳感器數據包含了大量人工調控決策經驗，并且現有傳感器多安裝在設備內部，不受工作面粉塵等因素影響。綜采工作面每天都有海量的生產數據傳輸到數據庫，這些數據中又包含大量的人工調控決策經驗，目前缺少對現有數據中大量人工調控決策經驗的分析與利用。

本文提出了融合傳感器數據和人工調控信息的工作面直線度智能預測方法。通過對工作面推進過程中的支架推移油缸行程傳感器數據、采煤機位置數據、支架立柱壓力數據等傳感器數據進行分析與挖掘，計算出刮板輸送機每一次割煤后的正常推溜調控距離、人工調整推溜調控距離，基于2 種調控距離構建工作面直線度分析矩陣。結合人工調控決策經驗將直線度分析矩陣中提取的特征矩陣構建為樣本，人工調控距離對應的工況類型作為樣本標簽。利用機器學習算法建立工作面直線度預測模型，將樣本集輸入到模型中進行訓練，最終根據工作面生產數據，預測對應采煤過程的工作面直線度。

1工作面直線度智能預測

融合傳感器數據和人工調控信息的工作面直線度智能預測流程如圖1 所示。

1.1數據清洗

歷史生產數據來自山西潞安化工集團高河煤礦2312 智能化綜放工作面， 該工作面共有液壓支架100 臺，其中工作面單臺液壓支架推移油缸最大行程800 mm。該工作面2023 年8 月31 日—9 月19 日間6 d（9 月5 日、8 日、9 日、10 日、14 日、15 日）未進行生產，其余14 d 生產。該工作面作業規程為三八制，兩班生產一班檢修，在檢修期間工作面刮板輸送機和液壓支架停止動作。根據工作面實際生產情況，對工作面支架推移油缸行程數據和采煤機位置數據按照時間順序進行割煤循環劃分，其中采煤機位置數據為采煤機所處的支架架號， 繪制2023?09?06T08：30—11：30 生產時段40 號支架的推移油缸行程曲線和采煤機位置曲線，如圖2（a）所示。采煤機在第1 次斜切進刀結束（T1 時刻）后開始割三角煤時，工作面支架與刮板輸送機應全部完成拉架推溜操作。當采煤機位置經過40 號支架后，推移千斤頂以刮板輸送機為固定點縮小活動油缸行程，實現向刮板輸送機方向拉移液壓支架，即拉架操作。當采煤機位置經過60 號支架后，推移千斤頂以液壓支架底座為固定點伸長活動油缸，實現向煤壁方向推移刮板輸送機，即推溜操作。在第2 次斜切進刀結束（T2 時刻）后再次開始割三角煤時，支架與刮板輸送機均停止動作。相鄰2 次斜切進刀結束時刻之間的時間間隔（如T1—T2 時間段）稱為一次割煤循環。工作面生產過程存在多個割煤循環，將推移千斤頂的活動油缸行程數據根據割煤循環進行劃分，即將所有支架推移千斤頂的活動油缸行程數據匹配到每一次割煤循環時間段內。將工作面的歷史數據根據割煤循環數d 和工作面支架數m 劃分為d×m 個時間段。繪制2023?09?06T09：55—10：30 生產時段40 號支架立柱壓力變化曲線和推移油缸行程變化曲線，如圖2（b）所示。液壓支架在進行拉架前先進行降柱操作，立柱壓力降到2.3 MPa 后進行拉架操作，推移油缸行程從790 mm 降到0（即拉架到位），然后立刻進行升柱，將立柱壓力補充至15 MPa以上，隨后逐步提升。期間逐步進行推溜操作，推移油缸行程逐步上升到790 mm。可發現正常的拉架操作先減小立柱壓力而降柱，然后拉架，立柱壓力有明顯降低，而推溜則先增大立柱壓力而升架，升架滿足條件后才推溜，立柱壓力有明顯的上升。在第1 次拉架推溜操作結束后，工人對需要人工調整的支架再次進行拉架推溜， 繪制2023?09?06T19： 40—20：00人工調整時段55號支架推移千斤頂的立柱壓力變化曲線和推移行程變化曲線，如圖2（c）所示。可見推移千斤頂的活動油缸行程變化引起立柱壓力發生波動。

在矩陣B中取得當前支架與其左右各n－1臺支架的刮板輸送機歷史2 次割煤循環的累計推進距離，并加上歷史2 次割煤循環所有刮板輸送機累計推進距離平均值，組成2×2n 矩陣，即

由于工作面液壓支架自動推移的控制精度在47 mm 左右[22]，高精度的調控難以執行，所以根據其結果所在區間（可根據實際生產需求對區間進行劃分），結合工作面推移操作的控制精度選擇對應的標簽（標簽是模型推薦的調整距離）。假設工作面支架的推移精度在50 mm，則當C=0 時，對應標簽0；當C 在區間0～150 mm 時，對應標簽100 mm；當C 在區間150～250 mm 時，對應標簽200 mm；當C 在區間250 mm 以上時，對應標簽300 mm。

1.4模型決策

機器學習的分類算法是一類通過從數據中學習并根據所學知識對新的、未見過的樣本進行分類的算法。分類問題屬于監督學習的一種類型，在這種問題中，目標變量是離散的（通常是類別標簽）。分類算法根據輸入特征來預測樣本所屬的類別。利用機器學習分類算法搭建工作面直線度預測模型，將訓練集輸入到模型中進行訓練，用驗證集來評估不同分類算法搭建的預測模型的準確率。當有新的割煤循環結束后，會制作當前割煤循環的最新樣本，每個樣本均為3×2n 大小的矩陣。將樣本輸入模型進行預測，模型會為每個樣本匹配最優標簽。

2實驗分析

2.1樣本制作

高河煤礦2312智能化綜放工作面直線度調整時，工人需操作多臺支架來對刮板輸送機直線度進行調整，對工作面歷史數據中452 次調整操作的支架數進行統計，見表1。

該礦人工調整2 架的次數占比42.25%，由此可知n=2，則直線度調控特征矩陣為3×4 矩陣，即

受限于實際生產中人工調整及工作面直線度精度要求，不需要精確到毫米級的決策，因此當C≤10 mm 時，標簽為0；當10 mm＜C＜150 mm 時，標簽為100 mm； 當150 mm≤C＜ 300 mm 時， 標簽為200 mm；當C≥300 mm 時，標簽為300 mm。最終將該工作面的工況類型分為4 類。

對歷史數據進行分段和清洗后，每次割煤循環每臺支架都可以生成一個直線度調控特征矩陣及對應的工況類型，將生成的特征矩陣作為輸入預測模型的樣本，對應的工況類型作為樣本標簽。樣本統計結果見表2。

將標注好的樣本以8∶2的比例劃分為訓練集和測試集。

2.2模型評估

將訓練集輸入到分別采用邏輯回歸（LogisticRegression， LR） 、傳統K 近鄰（K-Nearest Neighbors，KNN）、支持向量機（Support Vector Machine，SVM）、樸素貝葉斯（Naive Bayes，NB）、決策樹（Decision Tree，DT）、隨機森林（Random Forest，RF）等分類算法搭建的預測模型中進行訓練，并用測試集對模型預測效果進行評估。不同預測模型的混淆矩陣如圖4 所示（橫縱坐標0 代表直線度良好、1 代表調整100 mm、2 代表調整200 mm、3 代表調整300 mm），可看出RF算法在各類樣本預測中正確預測的樣本數量最多。

根據圖4 中各分類算法在326 個樣本中準確預測的樣本個數，計算得到各分類算法綜合準確率，見表3。可看出采用RF 算法構建的預測模型準確率最高，為91.41%。

3應用驗證

3.1部署架構

融合傳感器數據和人工調控信息的工作面直線度智能預測方法在高河煤礦2312 工作面進行了應用，部署架構如圖5 所示。工作面生產過程中產生的采煤機位置數據、行程數據、壓力數據通過OPC 協議采集后經過井下交換機傳輸并存儲在地面數據庫服務器中，根據采煤機位置變化檢測出采煤機在斜切進刀結束進行割三角煤工作時，全工作面刮板輸送機基本完成推進。工作面直線度智能預測模型從數據庫中讀取數據，結合壓力數據對全工作面刮板輸送機正常推進距離進行計算，并從數據庫中檢索出歷史最近2 次割煤循環的累計行程數據。模型根據以上數據生成當前割煤循環樣本集，樣本歸一化后輸入模型，可生成當前割煤循環需要再次進行調控的距離。將模型生成的決策結果及最終的刮板輸送機累計推進距離分別存入數據庫中。利用HTML（Hypertext Markup Language）和CSS（Cascading Style Sheets）讀取數據庫中的靜態數據，搭建Web 前端頁面框架。利用Vue 讀取模型生成的決策結果、當前割煤循環正常推進距離等動態數據，根據全工作面生成的調整策略的分布情況，對連續超過2 臺支架需要人工調整的區域在Web 端進行標注。在點擊標注區域后會生成該區域的詳細決策意見，包含當前區域架號及當前區域推薦調整距離、直線度評價參數、當前區域累計行程可視化3 個部分內容。

3.2應用結果

以2023?12?15T08：31—11：45發生的1次割煤循環為例，工作面直線度預測結果與現場結果對比如圖6 所示。圖中預測需要人工調整的支架39臺，其中18號、19號、33號、34 號、38 號、39 號支架受周圍區域調整的影響，當前區域的直線度已經不影響采煤機割煤運行，所以人工選擇不進行調控，實際進行人工操作的支架33臺， 最終預測準確率達84.61%。

在2023年12月25日至2024年1月9日、2024年2月26日至2024年3月10日（共30 d） 累計115 次割煤循環運行后，最終的工作面直線度預測準確率達81.4%。

4結論

1） 通過對支架推移油缸行程、支架壓力、采煤機位置等傳感器數據進行數據清洗，劃分出刮板輸送機正常推進距離和調整推進距離兩類數據，從而構建工作面直線度分析矩陣。通過特征工程對工作面直線度分析矩陣進行特征提取，生成特征矩陣作為樣本，將人工調控距離對應的工況類型作為樣本標簽，采用機器學習分類算法構建工作面直線度預測模型。

2） 實驗結果表明，采用RF 算法搭建的工作面直線度預測模型準確率最高，為91.41%。該模型在高河煤礦2312 工作面運行30 d，對115 次割煤循環進行工作面直線度預測，準確率達81.4%，應用效果良好。