楊勝利王家臣李明

中國礦業(yè)大學(xué)(北京)能源與礦業(yè)學(xué)院,北京 100083;放頂煤開采煤炭行業(yè)工程研究中心,北京 100083

近年隨著人工智能、機(jī)器人等領(lǐng)域的快速發(fā)展,加快了煤礦智能化建設(shè)進(jìn)程。 煤礦智能化主要是以煤礦信息化和數(shù)字化為基礎(chǔ),以開采的智能化、生產(chǎn)自動化和管理信息化為核心,最終實現(xiàn)煤礦的無人開采和智能管理。 不同于美國、印度等世界其他主要產(chǎn)煤國家露天開采比重大的情況[1],我國的井工開采產(chǎn)量占80% ,而井工開采中又有90% 以上是長壁開采工作面。 因此,實現(xiàn)智能開采需要通過對采場圍巖環(huán)境精確感知、工作面裝備群實現(xiàn)自主調(diào)節(jié)與控制,從而完成工作面整體推進(jìn),最終實現(xiàn)開采過程智能化和無人化[2]。

目前,我國建成了以大柳塔、紅柳林煤礦為代表的一批千萬噸級礦井群和以錦界、黃陵二號井為代表的一批智能化開采工作面,這些工作面已經(jīng)實現(xiàn)了采煤機(jī)記憶截割、液壓支架自動跟機(jī)及工作面集中控制[3-4]。 由于一些工作面地質(zhì)條件較好,系統(tǒng)具備對于采場關(guān)鍵設(shè)備的姿態(tài)與圍巖信息的感知能力,并能夠?qū)崿F(xiàn)對工作面直線度及設(shè)備姿態(tài)的控制。 智能工作面建設(shè)過程中,裝備群的智能化技術(shù)發(fā)展較快,采煤機(jī)與支架協(xié)調(diào)聯(lián)動采煤、液壓支架智能供液、輸送機(jī)慣性導(dǎo)航調(diào)直,三機(jī)之間配合聯(lián)動,適應(yīng)采場圍巖環(huán)境的能力不斷增強(qiáng),使得開采過程基本實現(xiàn)自動化,基于姿態(tài)數(shù)據(jù)控制的液壓支架能夠很好地適應(yīng)圍巖的變化[5-10]。 但對于頂?shù)装?、煤壁以及對采場產(chǎn)生影響的遠(yuǎn)場巖層狀態(tài)的感知、模式識別以及災(zāi)變預(yù)警技術(shù),都亟待完善發(fā)展。 有學(xué)者基于模式識別對頂板狀態(tài)以及來壓狀況進(jìn)行動態(tài)感知,對頂板進(jìn)行分級;利用三維激光掃描技術(shù),通過監(jiān)測煤壁前方裂隙的發(fā)展過程,對煤壁片幫的形態(tài)進(jìn)行識別預(yù)測[11]。 但由于圍巖環(huán)境的不確定性較大,現(xiàn)有技術(shù)對圍巖環(huán)境實時感知和動態(tài)預(yù)測的能力較弱,這仍是綜采工作面智能化發(fā)展的瓶頸。

調(diào)研我國智能開采工作面的實際情況發(fā)現(xiàn),煤礦智能化開采仍然處于初級階段,有關(guān)采場圍巖的智能控制原理與研究成果尚在發(fā)展初期。 本文總結(jié)我國智能工作面發(fā)展現(xiàn)狀與研究進(jìn)展、關(guān)鍵技術(shù),分析實現(xiàn)采場圍巖智能控制的技術(shù)路徑與關(guān)鍵問題,提出圍巖智能控制的技術(shù)瓶頸和幾點(diǎn)技術(shù)設(shè)想。

1 采場圍巖智能控制基本原理

1.1 采場圍巖系統(tǒng)內(nèi)涵

在工作面推進(jìn)方向上,傳統(tǒng)意義上的采場圍巖系統(tǒng)包括工作面前方一定范圍內(nèi)的煤壁、工作面液壓支架、工作面后方采空區(qū)的煤矸體,在垂直方向上包括基本頂、直接頂、工作面液壓支架以及采場底板。 大量工程實踐表明,基本頂以上的關(guān)鍵層乃至關(guān)鍵層之上的覆巖,對于采場的礦壓顯現(xiàn)、采準(zhǔn)巷道的穩(wěn)定性有著重要的作用,因此出現(xiàn)了“工作面遠(yuǎn)近場”的概念。 工作面遠(yuǎn)場巖層失穩(wěn)導(dǎo)致的應(yīng)力傳遞和近場基本頂范圍內(nèi)頂板破斷和圍巖破壞,均會對采場安全產(chǎn)生重要影響[12]。 在分析采場圍巖系統(tǒng)時有必要考慮上述所有要素,構(gòu)建廣義的采場圍巖系統(tǒng),即包括工作面推進(jìn)與垂直方向上基本頂范圍內(nèi)支架圍巖“小結(jié)構(gòu)”,以及會對采場圍巖控制產(chǎn)生作用的遠(yuǎn)場巖層,如圖1 所示。

圖1 廣義的采場圍巖系統(tǒng)Fig.1 Map of surrounding rock system of longwall working face

采場圍巖系統(tǒng)中包含較多的要素,可按對采場圍巖控制的作用方式分為“可控因素”和“不可控因素”兩類,如圖2 所示。 由地質(zhì)條件決定的工作面埋深、厚度、傾角、煤巖體強(qiáng)度,以及采場技術(shù)確定后無法改變的支架剛度、頂板來壓等是“不可控因素”。 “可控因素”則是可人為調(diào)整或借助采場設(shè)備改善的,如工作面推進(jìn)速度、支架初撐力、采煤機(jī)截割高度等,這些因素會不同程度地影響采場圍巖控制的效果。

圖2 采場系統(tǒng)要素分類Fig.2 Factors classification of the surrounding rock system

1.2 采場圍巖智能控制基本原理

工作面生產(chǎn)系統(tǒng)主要包括以支架為主的支護(hù)系統(tǒng)和由采煤機(jī)、刮板輸送機(jī)構(gòu)成的采運(yùn)系統(tǒng)。 采場環(huán)境除了包括頂?shù)装迮c圍巖,還包括水、火、瓦斯等危險源。 在工作面推進(jìn)過程中,生產(chǎn)系統(tǒng)會受到采場環(huán)境的影響和制約,只有建立采場環(huán)境-生產(chǎn)系統(tǒng)耦合關(guān)系,才能真正為采場圍巖控制和生產(chǎn)系統(tǒng)實現(xiàn)智能化控制奠定基礎(chǔ)。

將采場環(huán)境與生產(chǎn)系統(tǒng)聯(lián)系起來,具體來說就是重點(diǎn)考慮地質(zhì)條件與煤層變化對采煤機(jī)割煤的影響、頂板與圍巖變化對于支架支護(hù)系統(tǒng)的影響、空間感知與地質(zhì)條件對于輸送機(jī)推進(jìn)的影響。 利用采煤機(jī)截割時感知的信息和礦井地質(zhì)管理平臺中儲存的三維信息,建立工作面前方未采區(qū)域的地質(zhì)預(yù)測模型,實現(xiàn)超前預(yù)測;同時應(yīng)對生產(chǎn)系統(tǒng)中重要設(shè)備(采煤機(jī)、支架、輸送機(jī))的位置、姿態(tài)及對圍巖的控制狀況和效果等進(jìn)行實時動態(tài)的監(jiān)測。此外,還要實現(xiàn)對水、火、瓦斯、粉塵、頂板等危險源的精準(zhǔn)感知監(jiān)測,建立災(zāi)害預(yù)測模型,實現(xiàn)對于重大危險隱患的智能預(yù)測預(yù)警以及防治措施的智能聯(lián)動。 最終實現(xiàn)的目標(biāo)是全工作面建有完善的智能感知系統(tǒng),實時監(jiān)測開采環(huán)境變化情況,生產(chǎn)系統(tǒng)能夠自動根據(jù)采場環(huán)境(開采空間的地質(zhì)條件)的變化實時修正開采行為,并對開采過程可能遇到的問題進(jìn)行預(yù)判。 開采系統(tǒng)能夠進(jìn)行自主學(xué)習(xí),對不同條件的煤層開采方法進(jìn)行學(xué)習(xí)與訓(xùn)練,找到特定條件下最優(yōu)的工作行為。 系統(tǒng)能夠根據(jù)實際情況自主決策,自動根據(jù)已經(jīng)尋找、掌握的最優(yōu)開采行為進(jìn)行開采,提高生產(chǎn)和圍巖控制的科學(xué)性與適應(yīng)性,實現(xiàn)真正的智能化開采。

2 采場圍巖智能控制的技術(shù)路徑與關(guān)鍵科學(xué)技術(shù)問題

2.1 技術(shù)路徑

煤礦采場圍巖智能控制是指利用計算機(jī)、人工智能等技術(shù),以采場圍巖控制相關(guān)理論為基礎(chǔ),研究采場圍巖系統(tǒng)中各個要素、各種因素對圍巖控制的影響,進(jìn)而為工作面的智能化以及自動化開采提供安全可靠、智能可控的開采條件。 要實現(xiàn)煤礦工作面采場圍巖的智能控制,就要深入研究圍巖系統(tǒng)中各要素以及相互之間的關(guān)系,明確各因素對于圍巖環(huán)境的影響以及采場圍巖系統(tǒng)內(nèi)各要素間的相互影響規(guī)律,使得各要素能夠相互平衡、達(dá)到采場圍巖系統(tǒng)動態(tài)穩(wěn)定的狀態(tài),為工作面智能化開采提供安全保障。

采場圍巖系統(tǒng)“多參量智能感知-精準(zhǔn)分析模式判別-自主決策-快速執(zhí)行-控制效果動態(tài)評價”是實現(xiàn)采場圍巖智能控制的主要環(huán)節(jié)(圖3)。 將工作面采場圍巖控制理論及相關(guān)的采礦學(xué)科理論,與人工智能、系統(tǒng)工程等相關(guān)學(xué)科相結(jié)合,以物聯(lián)網(wǎng)和多傳感技術(shù)為核心對采場圍巖系統(tǒng)的多參量信息進(jìn)行精準(zhǔn)感知;運(yùn)用以深度學(xué)習(xí)為核心的大數(shù)據(jù)分析、云計算以及人工智能算法對于多源異構(gòu)數(shù)據(jù)進(jìn)行處理和挖掘,建立模型實現(xiàn)對巖層狀態(tài)動態(tài)預(yù)測以及裝備運(yùn)行狀態(tài)的實時分析,可實現(xiàn)對采場圍巖系統(tǒng)當(dāng)前所處狀態(tài)優(yōu)劣的智能判別;在分析過程中不斷學(xué)習(xí)更新、擴(kuò)充數(shù)據(jù)庫,能夠找到當(dāng)前采場圍巖系統(tǒng)各要素最佳參數(shù),對工作面“可控因素”進(jìn)行動態(tài)調(diào)整。 “感知-分析-判別-調(diào)整”過程隨工作面開采往復(fù)進(jìn)行,并不斷對圍巖系統(tǒng)的控制效果進(jìn)行實時評價與更新,根據(jù)圍巖系統(tǒng)的狀態(tài)制定出穩(wěn)定可靠的風(fēng)險防范措施,實現(xiàn)采場圍巖系統(tǒng)的智能化控制。

圖3 實現(xiàn)采場智能圍巖控制的技術(shù)路徑Fig.3 The technical path to the ISRC

2.2 關(guān)鍵科學(xué)技術(shù)問題

2.2.1 采場圍巖系統(tǒng)多要素信息感知與數(shù)據(jù)交互

采場圍巖系統(tǒng)所含要素較多,數(shù)據(jù)是實現(xiàn)采場圍巖控制的基礎(chǔ)[13]。 對于整個采場圍巖系統(tǒng)而言,實際獲取數(shù)據(jù)過程中存在監(jiān)測誤差大、數(shù)據(jù)規(guī)模大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜且數(shù)據(jù)的價值密度低等特點(diǎn)。 因此,在未來發(fā)展過程中,一方面要利用多種監(jiān)測手段加大對采場圍巖系統(tǒng)有用信息的采集力度,采集過程要能夠保證相關(guān)信息與數(shù)據(jù)的及時性與準(zhǔn)確性,滿足圍巖控制對于數(shù)據(jù)的動態(tài)調(diào)用的需求;另一方面,由于采場系統(tǒng)的各個環(huán)節(jié)關(guān)聯(lián)性強(qiáng),對圍巖系統(tǒng)多要素數(shù)據(jù)的融合與處理提出了更高要求,需要對不同類型數(shù)據(jù)集成不同的數(shù)據(jù)庫進(jìn)行優(yōu)化、對融合程度不同的數(shù)據(jù)抽取方案進(jìn)行優(yōu)選,運(yùn)用深度學(xué)習(xí)、知識圖譜等人工智能算法挖掘數(shù)據(jù)間縱向和橫向關(guān)系,最終實現(xiàn)圍巖系統(tǒng)的全面態(tài)勢感知與預(yù)測,建立標(biāo)準(zhǔn)化數(shù)據(jù)管理平臺(圖4)。

圖4 煤礦采場數(shù)據(jù)特點(diǎn)與利用Fig.4 Data characteristics and utilization at longwall working face

2.2.2 地質(zhì)信息精準(zhǔn)感知和透明工作面的構(gòu)建

目前,大多數(shù)智能工作面已經(jīng)實現(xiàn)可視化遠(yuǎn)程干預(yù)控制,這主要是基于對采場裝備群狀態(tài)與信息的可視化[14-16],但對于圍巖環(huán)境(頂?shù)装?、煤壁以及遠(yuǎn)場巖層)并未真正實現(xiàn)可視化。 三維地震資料對于探明和把握煤礦的整體圍巖環(huán)境尤其是遠(yuǎn)場巖層有極為重要的作用,而獲取近場圍巖信息主要依靠鉆孔數(shù)據(jù),并輔之以一定的物探手段。 這些技術(shù)發(fā)展迅速,但也面臨發(fā)展瓶頸。 例如,三維地震資料的動態(tài)解釋、鉆孔物探不能充分抓取對工作面有影響的關(guān)鍵信息,對多元異構(gòu)信息的融合缺乏一定的手段。 因此,加快采場地質(zhì)與應(yīng)力的高精度探測技術(shù)與裝備的研發(fā)進(jìn)度,對于實現(xiàn)采場復(fù)雜圍巖系統(tǒng)的精準(zhǔn)探測十分重要。

2.2.3 采場圍巖大數(shù)據(jù)處理技術(shù)與“子要素-大系統(tǒng)”穩(wěn)定性關(guān)系模型的構(gòu)建

在采場圍巖系統(tǒng)中,利用多種技術(shù)手段對于采場的關(guān)鍵信息進(jìn)行監(jiān)測、獲取并累積大量的歷史監(jiān)測數(shù)據(jù),能為直接、準(zhǔn)確、全面了解圍巖狀態(tài)奠定基礎(chǔ)。 總體來說,現(xiàn)有的針對采場圍巖進(jìn)行研究的驅(qū)動數(shù)據(jù)可分為靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)兩類,如圖5 所示。 靜態(tài)數(shù)據(jù)可分為由自然因素決定的數(shù)據(jù)和開采技術(shù)參數(shù)。 動態(tài)數(shù)據(jù)根據(jù)監(jiān)測對象可劃分為兩類:一是對圍巖(頂?shù)装鍘r層、煤壁)活動的監(jiān)測,主要是對位移、應(yīng)力和能量演化信息的獲取;二是基于對海量支架數(shù)據(jù)的研究,包含壓力數(shù)據(jù)、位姿數(shù)據(jù)和循環(huán)數(shù)據(jù)。 通常來說,動態(tài)監(jiān)測數(shù)據(jù)大都具備一定時空關(guān)系,而從時空序列角度構(gòu)建模型對動態(tài)監(jiān)測數(shù)據(jù)研究已經(jīng)成為熱門。

圖5 采場圍巖系統(tǒng)驅(qū)動數(shù)據(jù)Fig.5 Driving data of the surrounding rock system of longwall working face

智能算法具有強(qiáng)大的數(shù)據(jù)處理能力,相對于傳統(tǒng)分析更能有效地解決非線性關(guān)系的問題、找到數(shù)據(jù)中不易被揭示的規(guī)律。 采場監(jiān)測數(shù)據(jù)涉及種類多、復(fù)雜程度高,數(shù)據(jù)驅(qū)動與智能算法相結(jié)合對相關(guān)問題進(jìn)行研究是發(fā)展趨勢。 一些學(xué)者采用支持向量機(jī)(SVM)關(guān)聯(lián)頂板來壓數(shù)據(jù)和支架阻力數(shù)據(jù)分析頂板來壓問題[17-18];利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)解決開采過程中的煤巖識別問題[19-21];利用深度學(xué)習(xí)的長短時記憶網(wǎng)絡(luò)(LSTM)預(yù)測采場礦壓顯現(xiàn)[22]等。 實現(xiàn)采場圍巖的智能控制,就要以數(shù)據(jù)為基礎(chǔ)、以不同的智能算法為引擎處理不同要素反映的信息,進(jìn)一步建立反映不同的要素穩(wěn)定與圍巖系統(tǒng)整體穩(wěn)定性高度相關(guān)的算法系統(tǒng),構(gòu)建關(guān)系模型(圖6)。

圖6 大數(shù)據(jù)處理與智能算法模型關(guān)系Fig.6 Big data processing and intelligent algorithm model relationship

2.2.4 采場圍巖系統(tǒng)智能化控制框架的構(gòu)建

構(gòu)建圍巖系統(tǒng)智能控制框架要以智能化工作面開采系統(tǒng)框架為基礎(chǔ)。 當(dāng)前智能工作面的開采系統(tǒng)基本實現(xiàn)集成控制,不少工作面建立了以“開采作業(yè)區(qū)域-井下集成區(qū)域-地面調(diào)度中心”為核心的三級控制框架,而圍巖系統(tǒng)除了配合智能工作面的總體框架,還應(yīng)完成“感知-分析-決策-執(zhí)行-反饋”的集成架構(gòu)[23-24]。 其中,“感知”過程要實現(xiàn)采場圍巖系統(tǒng)各要素的可視化,構(gòu)建三維模型,并對模型參數(shù)動態(tài)修正;“分析”過程要利用人工智能算法根據(jù)圍巖系統(tǒng)各要素“關(guān)聯(lián)性強(qiáng)”且“時效性強(qiáng)”的特征制定算法規(guī)則,分析模型各要素間的耦合性,并能夠?qū)崿F(xiàn)對系統(tǒng)“可控因素”的參數(shù)優(yōu)化;“決策”過程要利用基于深度學(xué)習(xí)的知識庫,根據(jù)系統(tǒng)優(yōu)化的“可控因素”的參數(shù)實現(xiàn)自控制;“執(zhí)行-反饋”階段依靠決策系統(tǒng)指令實現(xiàn)圍巖系統(tǒng)各要素間的自適應(yīng),根據(jù)執(zhí)行效果對于系統(tǒng)進(jìn)行反饋,不斷擴(kuò)充數(shù)據(jù)庫,實現(xiàn)智能控制系統(tǒng)數(shù)據(jù)的動態(tài)更新與效果的優(yōu)化,提高采場圍巖控制的可靠性。

3 圍巖智能控制的關(guān)鍵技術(shù)設(shè)想

3.1 工作面開采系統(tǒng)智能化

工作面開采系統(tǒng)實現(xiàn)智能化是工作面智能化開采的基礎(chǔ),也是采場圍巖實現(xiàn)智能化控制的保障和動力。 當(dāng)前,大多數(shù)智能工作面實現(xiàn)了以采煤機(jī)記憶截割、液壓支架自動跟機(jī)及工作面集中控制技術(shù)為代表的采煤機(jī)與支架協(xié)調(diào)聯(lián)動采煤,基本實現(xiàn)了工作面系統(tǒng)自動化控制為主、人工干預(yù)為輔的開采模式,能夠基于工作面關(guān)鍵設(shè)備的工況與關(guān)鍵參數(shù)感知實現(xiàn)對于開采系統(tǒng)的控制。 但要真正實現(xiàn)開采系統(tǒng)的智能化,不僅需要對設(shè)備參數(shù)感知,更需要對采場地質(zhì)圍巖與地理信息的感知,最終構(gòu)建“透明工作面”,實現(xiàn)對采場環(huán)境因素的智能感知(圖7)。 基于此實現(xiàn)工作面生產(chǎn)系統(tǒng)的設(shè)備自控制,才能為“無人化”完成整個生產(chǎn)過程奠定基礎(chǔ)。

圖7 開采系統(tǒng)智能化技術(shù)實現(xiàn)路徑Fig.7 Technical path for the intelligent mining system

3.2 裝備圍巖自適應(yīng)智能控制

液壓支架是煤炭安全開采的重要保障,支架與圍巖作用是安全生產(chǎn)的核心。 我國大多智能工作面實現(xiàn)了支架的自動化跟機(jī),但在工作面整體協(xié)調(diào)推進(jìn)以及支架與采場圍巖的適應(yīng)性上還并未實現(xiàn)智能化。要大力探索發(fā)展支架圍巖自適應(yīng)技術(shù),對工作面圍巖狀態(tài)感知與液壓支架智能控制方式進(jìn)行系統(tǒng)研究。

本研究為實現(xiàn)綜采工作面智能化開采提供圍巖-裝備耦合智能控制思路:以建立圍巖-支架耦合模型為目標(biāo),對液壓支架進(jìn)行實時監(jiān)測,評價支架支護(hù)狀態(tài);對工作面圍巖控制效果進(jìn)行多方位評價,建立圍巖控制效果評價模型。 通過對比評價,實現(xiàn)液壓支架對圍巖的自適應(yīng)。 支架圍巖自適應(yīng)效果評價邏輯如圖8 所示。

圖8 支架圍巖自適應(yīng)效果評價邏輯Fig.8 Logic for evaluating the adaptive effect of self adaptive of support-surrounding rock

智能開采對于采場圍巖的狀態(tài)評估方法與途徑提出了更高的要求,目前尚未建立較為完善的采場圍巖狀態(tài)評估體系。 依據(jù)我國采場圍巖控制現(xiàn)狀以及智能開采對于采場圍巖穩(wěn)定性要求,本文初步提出基于明顯可見破壞、異常數(shù)據(jù)以及多源信息融合的采場圍巖狀態(tài)分級評估方法和體系,如圖9 所示。

圖9 采場圍巖狀態(tài)評估方法Fig.9 Status assessment method of support-surrounding rock

3.3 復(fù)雜條件工作面智能開采技術(shù)

當(dāng)前我國的智能化采煤受制于煤層與地質(zhì)條件的不確定性,未來的智能化采煤技術(shù)必然要從適應(yīng)簡單地質(zhì)條件走向適應(yīng)較復(fù)雜的煤層地質(zhì)條件。復(fù)雜條件下的工作面智能開采關(guān)鍵技術(shù)與設(shè)想如圖10 所示。 構(gòu)建復(fù)雜條件下智能化工作面,最為重要的就是探明工作面地質(zhì)條件,發(fā)展工作面智能化監(jiān)測技術(shù)手段,利用三維激光掃描、地質(zhì)雷達(dá)以及物聯(lián)網(wǎng)、多傳感等先進(jìn)技術(shù)精準(zhǔn)探明采場系統(tǒng)的煤層地質(zhì)與圍巖情況,實現(xiàn)動態(tài)監(jiān)測與實時修正,構(gòu)建“透明工作面”;提高生產(chǎn)系統(tǒng)裝備群的自適應(yīng)技術(shù),實現(xiàn)生產(chǎn)系統(tǒng)與開采環(huán)境相適應(yīng);工作面無人化是智能化工作面的最終目標(biāo),大力發(fā)展機(jī)器人技術(shù),實現(xiàn)井下巡檢機(jī)器人替代工作面的巡檢人員,實時監(jiān)測工作面生產(chǎn)的采、支、運(yùn)過程,利用機(jī)器人自身具備的“多傳感、高精度、實時響應(yīng)”特點(diǎn),實時處理所采集的設(shè)備、圍巖和環(huán)境狀況的感知數(shù)據(jù),及時反饋給智能開采系統(tǒng)。

圖10 復(fù)雜條件下智能開采技術(shù)設(shè)想路線Fig.10 Intelligent mining technology concept under complex conditions

3.4 統(tǒng)一坐標(biāo)系下采場圍巖的智能控制

對于采場生產(chǎn)系統(tǒng),傳統(tǒng)設(shè)備位置以及設(shè)備之間位姿關(guān)系的描述,主要是基于設(shè)備間的相互連接約束及相對于工作面、巷道間的位置關(guān)系來完成,無法滿足智能化開采與精準(zhǔn)開采的要求。龐義輝等[25]基于智慧煤礦邏輯模型,提出考慮隨機(jī)誤差的強(qiáng)耦合設(shè)備群空間坐標(biāo)統(tǒng)一描述模型及各設(shè)備空間關(guān)聯(lián)坐標(biāo)系轉(zhuǎn)換方法,實現(xiàn)了采場生產(chǎn)系統(tǒng)設(shè)備群位姿關(guān)系建模。 但在采場環(huán)境-生產(chǎn)系統(tǒng)的耦合關(guān)系場中,要實現(xiàn)采場圍巖智能化控制的目標(biāo)是遠(yuǎn)不夠的。 智能化開采下開采系統(tǒng)與圍巖系統(tǒng)有高度耦合關(guān)系,在把握整體采場圍巖環(huán)境準(zhǔn)確坐標(biāo)規(guī)整且不發(fā)生大變化的基礎(chǔ)上,應(yīng)在圍巖系統(tǒng)內(nèi)部建立覆蓋范圍更廣、更為規(guī)范科學(xué)的采場圍巖統(tǒng)一數(shù)學(xué)坐標(biāo)系模型,如圖11 所示。

圖11 “開采環(huán)境-生產(chǎn)系統(tǒng)”統(tǒng)一坐標(biāo)系模型及圍巖智能控制方法Fig.11 Unified coordinate system model of “mining environment-production system” and intelligent rock control method

基于統(tǒng)一坐標(biāo)系模型為多源要素信息賦予統(tǒng)一的數(shù)據(jù)化特征,以統(tǒng)一特征化后的數(shù)據(jù)為驅(qū)動,利用不同智能算法分別構(gòu)建模型,實現(xiàn)對不同采場圍巖災(zāi)變類型的智能預(yù)測與預(yù)警,根據(jù)預(yù)警結(jié)果針對性地采取圍巖控制措施,最終實現(xiàn)采場圍巖的智能控制。

4 基于支架信息的來壓智能預(yù)測案例

采場支架電液系統(tǒng)提供的海量數(shù)據(jù),是進(jìn)行采場礦壓分析的主要數(shù)據(jù)。 對獲取的支架大數(shù)據(jù)進(jìn)行分析,為探索頂板狀態(tài)與支架圍巖關(guān)系和圍巖智能控制提供了基礎(chǔ)。 如圖12 所示,利用支架原始時序數(shù)據(jù)可以實現(xiàn)對于礦壓的預(yù)測分析、阻力實時預(yù)測[26]及頂板穩(wěn)定性分析[27]。

圖12 支架信息的可挖掘性Fig.12 Excavability of support information

4.1 案例工程背景

以北辛窯煤礦8103 初采工作面頂板來壓為研究對象,利用深度學(xué)習(xí)中的堆疊LSTM 算法,基于支架原始阻力時序數(shù)據(jù)對頂板來壓進(jìn)行預(yù)測。 北辛窯煤礦8103 工作面煤層厚度4.3 ～7.0 m,平均厚度5.6 m,煤層傾角19° ～25°,平均22°,工作面平均走向長度約1 868.8 m,傾斜長度165.9 m,可采儲量1.28 Mt。 煤層厚度變化不大,結(jié)構(gòu)復(fù)雜,煤層中含2 ～7 層夾矸,夾矸厚0.1 ～1 m,8103 工作面為首采面,基本不受四鄰巷道采掘影響。 直接頂或基本頂為平均厚度11.96 m 的砂巖,直接底為均厚4.18 m 的砂質(zhì)泥巖。 工作面共設(shè)105 臺液壓支架,其中第1 ～3 號及第101 ～105 號為過渡支架,從1 號支架開始,每隔7 座支架進(jìn)行在線監(jiān)測。 本次試驗采用工作面在線礦壓數(shù)據(jù),基于堆疊式LSTM 算法建立周期來壓預(yù)測模型。

4.2 算法原理簡介

4.2.1 LSTM 原理

循環(huán)神經(jīng)網(wǎng)絡(luò)在工作面礦壓預(yù)測的應(yīng)用已經(jīng)十分廣泛[22,28]。 長短時記憶網(wǎng)絡(luò)(LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)算法,能夠解決RNN 在長序列數(shù)據(jù)訓(xùn)練過程中的梯度消失和梯度爆炸問題,已經(jīng)被廣泛地用于有明顯時序規(guī)律的數(shù)據(jù)訓(xùn)練與預(yù)測中。 它的網(wǎng)絡(luò)結(jié)構(gòu)主要是通過門控制將短時記憶信息與長時記憶信息相結(jié)合,從而能更好地捕捉時序特性,如圖13 所示。

圖13 LSTM 內(nèi)部門結(jié)構(gòu)Fig.13 Structure of the inner sector of LSTM

每個神經(jīng)元內(nèi)部計算采用以下公式:

式中,ft為遺忘門的輸出信息;σ表示sigmoid 激活函數(shù);Wxf、Whf是遺忘門權(quán)重系數(shù);ht-1為上個LSTM 單元的輸出結(jié)果;xt為接收的時序信息;bf是遺忘門偏置;it和gt為更新門計算完成的輸入信息;Wxg、Whg、Wxi、Whi為更新門的權(quán)重系數(shù);bg、bi為更新門的偏置;ct為該神經(jīng)元的輸出,流向下一神經(jīng)元;ct-1為上個單元的儲存信息;tanh表示tanh激活函數(shù);ot和ht為計算完成的結(jié)果信息;Wxo、Who為輸出門權(quán)重系數(shù);bo為輸出門的偏置。

4.2.2 堆疊LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

支架礦壓數(shù)據(jù)作為有周期性的時序數(shù)據(jù),LSTM 有很高的適用性。 大量的實踐表明,用LSTM 進(jìn)行預(yù)測時,準(zhǔn)確率的提升往往和網(wǎng)絡(luò)的深度有關(guān)。 通過加深模型網(wǎng)絡(luò)的深度,能夠提高訓(xùn)練的效率,獲得更好的預(yù)測效果。 在現(xiàn)場進(jìn)行礦壓預(yù)測時,在時間成本允許的情況下,通過增加網(wǎng)絡(luò)的層數(shù),能夠更好地提取數(shù)據(jù)的特征,從而達(dá)到更好的預(yù)測效果。 試驗采用的堆疊LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖14 所示。 為了驗證效果,試驗用堆疊GRU 網(wǎng)絡(luò)進(jìn)行對比分析。

圖14 堆疊網(wǎng)絡(luò)訓(xùn)練模型Fig.14 Stacked network training model

4.3 數(shù)據(jù)處理過程與結(jié)果分析

運(yùn)用堆疊LSTM 進(jìn)行支架阻力分析,具體步驟如下:

(1) 確定樣本數(shù)據(jù)集。 從支架在線監(jiān)測系統(tǒng)提取2月15日至5月15日的中下部區(qū)域67 ～92號支架的原始時序數(shù)據(jù)作為數(shù)據(jù)集,取樣間隔為5 min。

(2) 數(shù)據(jù)預(yù)處理。 在支架電液系統(tǒng)發(fā)生故障或傳輸過程中存在礦壓監(jiān)測異常數(shù)據(jù),采用拉依達(dá)準(zhǔn)則進(jìn)行識別和剔除,并使用拉格朗日插值對礦壓缺失值進(jìn)行插值,以減小誤差。

(3) 建立堆疊LSTM 模型預(yù)測單架工作阻力。由于數(shù)據(jù)量足夠,劃分10% 作為測試集,用來評估模型預(yù)測性能,循環(huán)運(yùn)算選擇最優(yōu)的網(wǎng)絡(luò)堆疊層數(shù),本次試驗綜合評估參數(shù)和時間的因素,確定的最優(yōu)堆疊層數(shù)為4 層。

(4) 輸出模型預(yù)測的支架阻力,并進(jìn)行工作面推進(jìn)過程支架阻力分布的整體分析,與真實阻力分布進(jìn)行對比驗證。

(5) 采用時間加權(quán)平均工作阻力進(jìn)行來壓判據(jù)。 以支架每個循環(huán)的加權(quán)工作阻力的平均值與其1 倍方差之和作為判斷頂板來壓的判據(jù),計算公式為

式中,p′t為來壓判據(jù)為初撐力平均值;σpt為均方差。

(6) 對每座支架推進(jìn)過程中的頂板來壓情況進(jìn)行可視化展示,并對來壓預(yù)測準(zhǔn)確率進(jìn)行輸出,如圖15 所示。

各階段的預(yù)測結(jié)果及準(zhǔn)確性對比如圖15 和圖16 所示。 可以發(fā)現(xiàn),堆疊LSTM 的礦壓預(yù)測模型能夠準(zhǔn)確地對工作阻力進(jìn)行預(yù)測,對工作面推進(jìn)過程中周期來壓明顯的區(qū)域與壓力,能夠?qū)崿F(xiàn)準(zhǔn)確地預(yù)測與預(yù)警;對于每一臺支架,堆疊LSTM 模型能很好地預(yù)測來壓時間和范圍,對比堆疊GRU 模型,預(yù)測準(zhǔn)確率多高于97% ,在頂板來壓方面有很高的適應(yīng)性。

圖15 基于堆疊LSTM 預(yù)測礦壓的方法流程及輸出結(jié)果Fig.15 Cyclic pressure prediction process based on stacked LSTM networks

圖16 來壓預(yù)測準(zhǔn)確率Fig.16 Predictive accuracy of pressure forecasts

5 結(jié) 論

(1) 重新定義了采場圍巖系統(tǒng)的內(nèi)涵,包括工作面推進(jìn)與垂直方向上基本頂范圍內(nèi)的支架圍巖的“小結(jié)構(gòu)”,以及對工作面產(chǎn)生重要作用的遠(yuǎn)場巖層;將采場系統(tǒng)的影響因素劃分為“可控因素與“不可控因素”,基于此明確了采場圍巖智能控制的基本原理。

(2) 分析了煤礦采場智能圍巖控制的含義和實現(xiàn)途徑,提出以采場環(huán)境“多參量大數(shù)據(jù)智能感知-精準(zhǔn)分析模式判別-自主決策、執(zhí)行-圍巖控制效果動態(tài)實時評價”為的主要環(huán)節(jié)的技術(shù)路線。核心在于建立包括采場圍巖系統(tǒng)各個要素在內(nèi)的關(guān)系模型,能夠為工作面的智能化以及自動化開采提供安全可靠且智能可控的圍巖環(huán)境。

(3) 基于我國現(xiàn)階段技術(shù)發(fā)展現(xiàn)狀,提出了能夠解決發(fā)展過程中某些技術(shù)瓶頸以及實現(xiàn)采場圍巖智能控制的4 點(diǎn)技術(shù)設(shè)想:工作面開采系統(tǒng)智能化、裝備圍巖自適應(yīng)智能控制方法與技術(shù)、復(fù)雜條件智能工作面智能開采技術(shù)以及統(tǒng)一坐標(biāo)系下的采場圍巖系統(tǒng)穩(wěn)定性分析與智能控制方法。

(4) 以北辛窯的部分支架數(shù)據(jù)為實際案例分析了支架原始數(shù)據(jù)的可挖掘性,并利用堆疊LSTM算法實現(xiàn)了對采場礦壓的智能預(yù)測,準(zhǔn)確率達(dá)97% 以上,有很好的適應(yīng)性。