張錦濤，付翔，3，王然風，王宏偉

（1.太原理工大學 礦業(yè)工程學院，山西 太原 030024；2.太原理工大學 山西省煤礦智能裝備工程研究中心，山西 太原 030024；3.山西焦煤集團有限責任公司 博士后工作站，山西 太原 030024；4.太原理工大學 機械與運載工程學院，山西 太原 030024）

0 引言

近幾年來國家大力推行煤礦智能化建設，我國煤礦智能化建設日新月異，發(fā)布了各類政策，擬定了行業(yè)標準，定義了煤礦智能化概念，建立了煤礦智能化基礎理論體系，構建了煤礦智能化總體架構，很大程度上支撐了煤炭行業(yè)的健康發(fā)展[1-4]。但我國煤礦綜采工作面地質(zhì)條件差別很大，目前煤礦智能化建設面臨著許多技術難題，尤其是智能化煤礦自適應能力較差[5]，液壓支架自動化后會出現(xiàn)丟架、直線度不平整、支架歪斜等異常工況，所以液壓支架自動化后人工調(diào)控依然必不可少[6]。

針對液壓支架自適應跟機問題，文獻[7-9] 簡化了綜采設備群全局最優(yōu)規(guī)劃問題，給出了液壓支架群組分布式協(xié)同控制方法；文獻[10]闡述了在大數(shù)據(jù)背景下，實現(xiàn)智能綜采裝備協(xié)同控制知識自學習、開采行為自決策、分布協(xié)同自運行等目標的理論基礎與方法體系；文獻[11]通過分析液壓支架自主跟機原理，提出了根據(jù)不同推移狀態(tài)模式，分段感知液壓支架推移行程并實現(xiàn)液壓支架自主跟機決策的方法；文獻[12]分析了綜采“三機”的行為約束規(guī)律，通過建立基于多智能體系統(tǒng)理論的綜采“三機”全局任務規(guī)劃及任務協(xié)調(diào)控制機制，實現(xiàn)了綜采“三機”協(xié)同調(diào)度運行；文獻[13]從液壓支架精準控制不同動作角度研究了液壓支架的智能協(xié)同控制，為解決綜采工作面液壓支架在自主跟機過程中出現(xiàn)的控制精度低、協(xié)同性差、直線度無法滿足需求等問題提供了新思路；文獻[14-16]從綜采作業(yè)工序、穩(wěn)壓供液等不同角度對自動跟機系統(tǒng)進行了研究。上述研究主要從液壓支架自動跟機角度出發(fā)，實現(xiàn)自動跟機滿足生產(chǎn)要求的目標，然而目前智采工作面的自動化系統(tǒng)是以過程化控制為核心，自動化后人工調(diào)控工況變化頻繁，但目前缺乏對生產(chǎn)過程中液壓支架自動化后人工調(diào)控工況的知識發(fā)現(xiàn)，不利于工人快速判斷需人工調(diào)控的液壓支架架號。因此本文從判別液壓支架自動化后動作不達標液壓支架架號出發(fā)，提出了智采工作面中部液壓支架集群自動化后人工調(diào)控決策模型，對自動化后人工調(diào)控工況進行知識發(fā)現(xiàn)與邏輯推理，將自動化后液壓支架架號進行分類，找出需人工調(diào)控液壓支架架號，為減輕工人勞動強度、提高生產(chǎn)效率提供了新思路。

1 液壓支架集群自動化后人工調(diào)控操作工況

1.1 人工調(diào)控操作工況出現(xiàn)頻次

本文所用數(shù)據(jù)源自山西呂梁某煤礦3404 工作面的實際生產(chǎn)數(shù)據(jù)，該工作面為薄煤層工作面，工作面長度為200 m，采煤機機身長度約為12 m，有130 架液壓支架，液壓支架推移油缸最大行程為700 mm。

本文采集了3404 工作面2021-11-01-12-12 共42 d 的數(shù)據(jù)。通過初步篩選得到15 d 質(zhì)量較好的數(shù)據(jù)，然后對中部液壓支架（20-110 架）的立柱壓力數(shù)據(jù)、推移油缸行程數(shù)據(jù)、動作數(shù)據(jù)和采煤機位置數(shù)據(jù)進行分析，結(jié)合井下觀測記錄，對數(shù)據(jù)進行人工可視化標注后，得到的樣本數(shù)量統(tǒng)計結(jié)果見表1?？煽闯?5 d 內(nèi)共有899 個自動化后人工調(diào)控工況樣本，占全部樣本的15.27%，由此可知目前智采工作面在液壓支架自動跟機完成后需人工干預程度較大。

表1 樣本數(shù)量統(tǒng)計Table 1 Quantity statistics of samples

1.2 人工調(diào)控操作工況與正常工況數(shù)據(jù)

采用探索性可視化分析方法對上述數(shù)據(jù)樣本進行篩選、補缺、標注、比對、可視化等處理，結(jié)合工作面現(xiàn)場觀察采煤過程及與工人交流經(jīng)驗等，總結(jié)液壓支架自動跟機完成后人工操作規(guī)律，并根據(jù)強相關性和計算可行性原則，得出自動跟機拉架距離、自動跟機前后推移油缸行程變化量、采煤機與被操作液壓支架的位置差3 個關鍵特征。限于篇幅，本文以典型工況舉例分析。

2021-11-20T09:35-09:55，第20 號液壓支架在正常工況下特征值變化曲線如圖1 所示。液壓支架自動跟機過程：自動降柱-自動拉架-自動升柱-自動推溜，從圖1（a）可看出，立柱壓力先由43.3 MPa降為0；然后進行自動拉架，推移油缸行程由700 mm變?yōu)?0 mm；接著自動升柱，立柱壓力升高為30.3 MPa；最后自動推溜，推移油缸行程逐漸增加到700 mm。根據(jù)此工作面作業(yè)規(guī)程，從整個過程的立柱壓力變化與推移油缸行程變化可判定此次液壓支架自動跟機過程為正常跟機。正常跟機前后的推移油缸行程變化量接近于0，自動跟機拉架距離略小于700 mm。從圖1（b）可看出在正常跟機時，自動跟機支架與采煤機之間有8 架液壓支架，符合工作面作業(yè)規(guī)程。

圖1 第20 號液壓支架在正常工況下特征值變化曲線Fig.1 Change curves of characteristic value of No.20 hydraulic support under normal working conditions

2021-11-20T16:35-16:55，第20 號液壓支架在自動跟機及自動化后人工干預調(diào)控工況下特征值變化曲線如圖2 所示。從圖2（a）可看出，立柱壓力有2 次先降后升，推移行程也有2 次減小變化，根據(jù)此工作面作業(yè)規(guī)程，判斷第1 次立柱壓力變化與推移行程變化為自動跟機導致，第2 次立柱壓力變化與推移行程變化為人工調(diào)控導致，兩者時間差約為5 min。自動跟機時，立柱壓力先由46.9 MPa 降為0；然后進行自動拉架，推移油缸行程由700 mm 變?yōu)?10 mm，拉架距離小于600 mm，導致直線度不平整；接著自動升柱，立柱壓力升高為38.4 MPa；最后自動推溜，推移油缸行程逐漸增加到700 mm。人工調(diào)控目的是補足拉架距離，調(diào)整直線度，但人工調(diào)控時立柱壓力較高，為40.4 MPa，無法直接拉架，所以人工調(diào)控再次進行降柱-拉架-升柱操作，此次人工調(diào)控行程變化量為65 mm，且人工拉架后不進行推溜操作，推移油缸行程保持在635 mm。從圖2（b）可看出，自動跟機液壓支架與采煤機之間有11 架液壓支架，人工調(diào)控液壓支架與采煤機之間有18 架液壓支架，人工調(diào)控液壓支架與采煤機的距離更遠，這是因為工人巡檢具有隨機性且要保證工人安全。

圖2 第20 號液壓支架自動跟機及自動化后人工干預調(diào)控工況下特征值變化曲線Fig.2 Change curves of characteristic value of No.20 hydraulic support automatic following and manual lifting operation after automation

對比圖1 與圖2 可知，自動跟機拉架距離、自動跟機前后的推移油缸行程變化量、采煤機與被判斷液壓支架的位置差可作為判別液壓支架自動跟機后是否進行人工調(diào)控的重要特征。

2 液壓支架集群自動化后人工調(diào)控決策模型

液壓支架集群自動化后人工調(diào)控決策模型是一個包含數(shù)據(jù)采集、數(shù)據(jù)預處理、特征工程、分類模型和輸出的復雜模型，建模流程如圖3 所示。數(shù)據(jù)采集模塊為液壓支架集群自動化后人工調(diào)控決策模型提供原始數(shù)據(jù)；數(shù)據(jù)預處理模塊對原始數(shù)據(jù)進行異常值和缺失值處理、篩選、排序和相關性分析等數(shù)據(jù)準備工作；特征工程模塊進行特征值計算及標準化處理，為分類模型提供樣本集；分類模型對樣本集進行劃分后，利用ID3 決策樹模型進行分類，最后輸出正常工況下的液壓支架架號與需人工調(diào)控工況的液壓支架架號。

圖3 液壓支架集群自動化后人工調(diào)控決策建模流程Fig.3 Manual regulation and control decision modeling process after automation of hydraulic support cluster

2.1 數(shù)據(jù)采集

智采工作面數(shù)據(jù)源是建立液壓支架集群自動化后人工調(diào)控決策模型的基礎，包括設備狀態(tài)數(shù)據(jù)和動作數(shù)據(jù)2 類，其中，狀態(tài)數(shù)據(jù)主要通過設備上安裝的傳感器獲取，動作數(shù)據(jù)主要通過設備控制系統(tǒng)獲取。采集的數(shù)據(jù)通過工業(yè)萬兆環(huán)網(wǎng)上傳到地面調(diào)度室的關系數(shù)據(jù)庫進行存儲，作為構建模型的原始數(shù)據(jù)。

2.2 數(shù)據(jù)預處理

由于智采工作面環(huán)境復雜，經(jīng)常發(fā)生傳感器損壞或因設備故障造成工作面停電，易導致數(shù)據(jù)采集出現(xiàn)異常（主要是由于傳感器內(nèi)部元件損壞）和丟失（一般是指數(shù)據(jù)傳輸線路斷開，常見于傳感器本身損壞、傳感器信號線損壞或工作面停電）。為了保證數(shù)據(jù)的完整性，采用時域相鄰值或經(jīng)驗值填充的方法處理數(shù)據(jù)丟失的問題；針對數(shù)據(jù)異常問題，分情況進行處理，單個異常值采用相鄰值替換，若異常數(shù)據(jù)較多則去除當天數(shù)據(jù)。按照液壓支架的立柱壓力值、推移油缸行程值、動作數(shù)據(jù)和采煤機位置數(shù)據(jù)對經(jīng)過異常值、缺失值處理后的數(shù)據(jù)進行篩選，并對每種數(shù)據(jù)進行時間排序，得到可用的數(shù)據(jù)，然后對此數(shù)據(jù)進行相關性分析，得到自動跟機前后推移油缸行程變化量、自動跟機拉架距離、采煤機位置支架號與被判斷支架號的絕對差值3 個特征值。

2.3 特征工程

利用預處理后的數(shù)據(jù)進行特征值計算，制作樣本集。首先確定液壓支架相鄰2 次拉架動作發(fā)生時間，取相鄰2 次拉架動作時間為截取數(shù)據(jù)的起始點與終止點；然后對每一時間段內(nèi)的液壓支架推移油缸行程數(shù)據(jù)、采煤機位置數(shù)據(jù)進行計算。

式中：ΔX為自動跟機前后的推移油缸行程變化量；x1為自動跟機前推移油缸行程；x2為自動跟機后推移油缸行程。

式中：Y為自動跟機拉架距離；為第n個時間段的起始點Tn前t1時刻行程；為第n個時間段的起始點Tn后t2時刻行程。

式中：Δq為采煤機位置支架號與被判斷支架號的絕對差值；N為被判斷液壓支架架號；Q為采煤機位置所在支架號。

對自動跟機前后推移油缸行程變化量、自動跟機拉架距離、采煤機位置支架號與被判斷支架號的絕對差值進行標準化處理，將不同量綱的數(shù)據(jù)按比例縮放到相同的數(shù)據(jù)范圍，轉(zhuǎn)化為無量綱的純數(shù)值，從而減少不同特征對模型的影響，保證結(jié)果的可靠性。處理結(jié)果作為模型實例化的樣本集。

2.4 自動化后液壓支架工況分類模型

常見的分類算法有隨機森林、支持向量機（Support Vector Machine，SVM）、決策樹（分類樹）等，其中，隨機森林算法對于實時性要求很高的情況無法滿足；SVM 算法對大規(guī)模訓練樣本無法實施；決策樹算法能夠直觀地給出詳細的分類過程，可在相對短的時間內(nèi)得到良好的分類效果。由于煤礦生產(chǎn)過程中數(shù)據(jù)量龐大，對模型實時性要求較高，故選擇決策樹算法對自動化后液壓支架工況進行分類。

ID3 決策樹是通過信息增益（熵）確定對每個內(nèi)部節(jié)點選擇哪個屬性進行判斷，每個分支表示一種判斷結(jié)果的輸出，可以經(jīng)過一層或多層邏輯判斷實現(xiàn)操作類型分類。其學習的基本思想是以信息熵為度量構造一棵熵值下降最快的樹，熵的表達式為

式中Pi為第i（i=1,2,···,m，m為節(jié)點屬性編號）個支架動作概率值，當Pi接近于1 時，熵值H接近于0，即熵值越小，則判定選擇的節(jié)點屬性效果越好，反之則判定選擇的節(jié)點屬性效果越差。

在分類算法的基礎上，對樣本集進行人工標注，得到1 036 個樣本，每個樣本包含液壓支架架號、自動跟機前后推移油缸行程變化量、自動跟機拉架距離、采煤機位置支架號與被判斷支架號絕對差值和所屬類別5 個數(shù)據(jù)，其中正常工況樣本為675 個，自動化后人工調(diào)控樣本為361 個。

3 模型構建及評估

3.1 模型構建

將人工標注后的樣本集按照比例8∶2 劃分訓練集和測試集。利用決策樹算法和訓練集構建分類模型，利用測試集進行分類效果評價。

構建決策樹模型的過程可分為生長和剪枝2 個過程。生長過程主要是選取最佳變量及尋找最佳分割點。剪枝過程是找到最佳變量和分割點后將其他影響模型精度的樹枝剪掉，剪枝操作可降低過擬合風險，減少建模時間，提高模型的泛化能力，使模型達到最佳效果。經(jīng)過剪枝操作后選取決策樹模型的最大深度為5 層。

3.2 模型評估

將決策樹與傳統(tǒng)K 最近鄰（K-Nearest Neighbor，KNN）、SVM、邏輯回歸（Logistic Regression，LR）等分類算法進行分類效果對比，結(jié)果見表2?？煽闯鯧NN 算法與LR 算法的訓練集準確率較低，說明KNN 算法與LR 算法泛化能力不足；SVM 算法的訓練集準確率較高，但測試集準確率較低，說明SVM 算法存在過擬合問題；決策樹算法的訓練集與測試集準確率最高，說明決策樹算法的泛化能力與過擬合能力較其他算法好。

表2 模型準確率統(tǒng)計Table 2 Model accuracy statistics %

4 結(jié)語

智采工作面中部液壓支架集群自動化后人工調(diào)控決策模型以工作面集控中心所采集的生產(chǎn)數(shù)據(jù)為基礎，利用大數(shù)據(jù)挖掘技術與機器學習算法實現(xiàn)液壓支架自動化后工況的分類。首先，通過量化自動化后人工調(diào)控工況出現(xiàn)頻次，證明了目前智采工作面人工干預程度較高。然后，利用大數(shù)據(jù)挖掘技術，對比分析自動化后人工操作工況數(shù)據(jù)與正常工況數(shù)據(jù)，深入挖掘智采工作面生產(chǎn)過程數(shù)據(jù)中蘊含的自動化后人工控制行為邏輯，找到自動化后人工干預工況數(shù)據(jù)規(guī)律。最后，運用機器學習算法，根據(jù)自動化后人工干預工況數(shù)據(jù)規(guī)律，通過相關性分析得到自動跟機前后推移油缸行程變化量、自動跟機拉架距離、采煤機位置支架號與被判斷支架號絕對差值3 個特征值，結(jié)合實際生產(chǎn)過程數(shù)據(jù)量與實時性需求，提出基于決策樹算法的智采工作面液壓支架集群自動化后工況分類模型，智能識別需人工調(diào)控液壓支架架號。模型實例化結(jié)果表明，決策樹算法的測試集準確率為93.75%，與KNN、SVM 與LR 等分類算法相比，決策樹算法的準確率高，泛化能力強，擬合能力強，說明基于決策樹算法的分類模型可以很好地區(qū)分液壓支架自動化后的正常工況與人工調(diào)控工況，為幫助工人快速定位自動化后人工調(diào)控液壓支架架號提供了新的理論基礎。