基于截割頂底板高度預測模型的采煤機自動調高技術

李重重， 劉清

（北京天瑪智控科技股份有限公司，北京 101399）

0 引言

井下開采環境復雜[1-2]，傳統煤礦開采方式效率低，以智能生產裝備為基礎的智能化開采成為實現煤礦高效綠色開采的關鍵途徑[3-5]。采煤機作為工作面的核心裝備，其智能自適應的程度代表了智能化開采的水平，也成為實現智能化開采的關鍵因素[6-8]。

提升采煤機的智能自適應性需實現開采過程與圍巖空間動態變化的適應性控制[9]，即提升采煤機跟隨煤層截割開采的適應能力。通過對截割頂底板線進行預測，超前規劃采煤機的滾筒高度，使其在生產推進中能跟隨煤層起伏變化而自動調高，是實現采煤機智能自適應截割的關鍵，也是綜采工作面智能化開采的必要基礎保障。

針對采煤機滾筒智能化調高功能的需求，諸多學者在煤巖識別[10-13]、透明地質[14-18]、割煤路徑規劃[19-21]等方面開展了大量研究。在煤巖識別方面，通過分析各類截割信號，構建計算煤層厚度的理論模型或識別煤巖的算法模型，為煤巖分界線的判定提供了理論依據，但煤巖識別的技術理論成果尚未轉化為可進行工程實施的成熟的煤巖分界傳感器或產品，此外采煤機不能簡單按照煤巖分界線進行截割，還需考慮工作面平直度等工程質量要求。在透明地質方面，有學者提出了利用地質探測技術構建三維地質模型并對模型進行動態修正的若干思路和方法，為基于地質模型實現采煤機滾筒高度控制提供了理論支撐，但目前地質探測技術的精度多為米級或亞米級，而井下煤層截割的精度要求已達厘米級，地質模型精度不能滿足對滾筒精準控制的要求，單純依靠地質模型無法實現對滾筒高度的精確預測。傳統的割煤路徑規劃通過幾何控制、規劃計算等方式對滾筒高度進行預測，但存在預測的數據誤差較大、無法適應地質條件變化的問題。

針對采煤機滾筒高度自動控制功能方面的研究現狀和面臨的問題，本文提出了一種采煤機自動調高技術，建立了截割頂底板高度預測模型，結合采煤機位姿將截割頂底板高度計算轉換為滾筒高度計算，采煤機依據預測的滾筒高度進行調高，達到自動調高的目的，經過工業性試驗驗證了該技術的準確性和可行性。

1 自動調高方案

采煤機每完成一刀截割，工作面會產生一條頂板線和底板線，下一刀的頂板線和底板線即是采煤機滾筒截割的目標位置，因此頂底板高度的準確預測是采煤機滾筒能夠自動調高的前提。

影響頂底板高度的主要因素包括煤層的起伏變化、歷史截割數據、刮板輸送機的高程數據及人工操作記錄。煤層的起伏變化直接影響頂底板高度的變化趨勢。歷史截割數據代表了近期頂底板的截割高度，為滿足連續推進的需要，未來頂底板的高度需與近期高度保持平穩，落差不能過大。刮板輸送機的高程數據可精確反映底板的起伏落差，是未來底板高度的直接參考依據。人工操作記錄代表開采經驗和工程質量的約束，人工的操作習慣也會影響頂底板高度的調整量。

采煤機滾筒自動調高方案如圖1 所示。將煤層地質、歷史截割、刮板輸送機高程、人工操作記錄這4 類數據作為樣本，建立以截割頂底板高度為預測目標的多維數據模型，利用長短期記憶（Long Short-Term Memory，LSTM）和灰色馬爾可夫2 種機器學習算法預測出工作面截割的頂底板高度。結合采煤機的各類位姿數據，建立計算采煤機滾筒高度的幾何模型，同時依據刮板輸送機上竄下滑量及是否執行加減刀工藝等因素進行修正，最終將頂底板高度序列轉換為滾筒高度序列，即將截割頂底板高度轉換為采煤機滾筒的目標高度，由采煤機執行到目標高度，實現滾筒自動調高。

圖1 采煤機滾筒自動調高方案Fig. 1 Automatic height adjustment scheme of shearer drum

2 截割頂底板高度預測算法

為準確預測截割頂底板的高度，提出一種基于LSTM 模型和灰色馬爾可夫模型的預測算法。

2.1 算法流程

截割頂底板高度預測算法包括數據融合、數據處理、預測建模、位置連接4 個步驟，如圖2 所示。

1） 數據融合。影響截割頂底板高度的因素較多，因此需從多個維度采集數據。從綜采工作面一定時空尺度下的煤層厚度、起伏變化、截割電流、截割溫度、支架高度、滾筒高度、牽引速度、人工干預記錄、采煤機位姿、刮板輸送機高程等維度采集數據，并以時間作為索引將其整合為時間序列數據。

2） 數據處理。數據處理分為數據清洗和數據拆分2 個部分。在數據融合完成后，形成了以頂底板高度為因變量的多維數據集，在實際作業中，網絡異常、通信中斷等會導致多維數據中出現數據缺失的情況，采煤機滾筒觸碰到巖層時會出現截割巖石的異常數據，因此需考慮對缺失和異常數據進行清洗處理。對于缺失數據，根據數據缺失的原因和類型，使用不同方法進行處理，如直接刪除、替代填充（前值/后值/均值/眾數/中位數/插值法等）、擬合填充（回歸算法/極大似然估計算法/隨機森林算法等）、衍生變量等。對于通過統計分析判別出的異常數據，可將其視為數據的內在表現不予處理，也可根據異常的原因和類型通過直接刪除、均值修正或以處理缺失值的方法進行處理。數據清洗完成后進行數據拆分，以采集到的電流、溫度數據為依據，定位異常電流、溫度數據對應的采煤機位置，按照采煤機位置將頂底板高度數據拆分為2 個部分。第1 部分為電流、溫度有規律數據，即無異常情況對應的采煤機位置的多維數據；第2 部分為電流、溫度無規律的數據，即出現異常情況時采煤機位置的多維數據。

3） 預測建模。對于拆分后的第1 部分數據，采用LSTM 模型完成預測建模，設置自變量為按照時間升序的歷史頂底板高度，預測步長為1，即預測下一刀頂底板高度數據。對于拆分后的第2 部分數據，采用灰色馬爾可夫模型完成預測建模，設置自變量為上一時刻的頂底板高度數據，預測步長同樣設置為1。

4） 位置連接。將LSTM 時序預測出來的各個位置的數據及灰色馬爾可夫預測出來的各個位置的數據進行合并，將2 個模型得到的下一刀頂底板高度數據進行連接，完成對下一刀頂底板高度的預測。

2.2 預測模型

通過LSTM 模型和灰色馬爾可夫模型預測下一刀各個位置頂底板的高度，均采用時序數據建立模型。設置頂底板高度為因變量，預測步長為1，在數據記錄的過程中，每隔一段距離（約0.5 m）設置1 個記憶點，在每個記憶點采集并保存1 次采煤機截割工作數據。

LSTM 模型是對傳統循環神經網絡的改進，通過輸入門、遺忘門和輸出門來控制其歷史信息的記憶，模型的算法原理如圖3 所示，圖中LSTM 的激活函數包括tanh 和Sigmoid，tanh 將值規范化到-1～1，Sigmoid 生成一個0～1 的向量，表示保留或丟棄輸入的不同部分。當輸入xt進入模型后，歷史記憶狀態Ct-1將會更新為當前記憶狀態Ct，這個過程經過了遺忘門和輸入門2 步控制。遺忘門決定了保持歷史記憶的程度。根據當前輸入xt和上一時刻隱藏狀態ht-1來計算遺忘因子，即經過Sigmoid 函數后再乘以歷史記憶狀態Ct-1，得到需要保留的歷史記憶。輸入門決定了如何將當前輸入中有用的信息加入到記憶中。xt和ht-1經過Sigmoid 函數后，經過一些處理，得到需要添加到記憶中的新信息。通過遺忘門和輸入門的協作，LSTM 模型能夠在記憶狀態中保留有用的歷史信息，并將當前輸入中的重要信息整合進來。

圖3 LSTM 模型的算法原理Fig. 3 The algorithm principle of LSTM model

LSTM 模型在截割頂底板高度預測中的具體實現步驟如下：

1） 模型構建。構建LSTM 模型，依據訓練樣本數據量確定網絡層數和隱藏單元數。

2） 模型訓練。將數據集劃分為訓練集和測試集，使用訓練集對LSTM 模型進行訓練。在訓練過程中，可使用反向傳播算法和優化器來調整模型的權重和偏置，使得模型能夠更好地擬合數據。

3） 模型預測。使用訓練好的LSTM 模型對測試集進行預測。將歷史截割高度和相關特征輸入到模型中，通過前向傳播得到預測的截割高度。

4） 模型評估。通過計算預測值與真實值之間的誤差指標（平均絕對誤差（Mean Absolute Error，MAE）或均方根誤差（Root Mean Square Error，RMSE）），來評估模型的預測性能。

LSTM 模型在處理短期和長期依賴關系的問題上更加穩健，因此適用于數據拆分后的第1 部分數據，即有規律、無異常的數據集，可穩定實現頂底板高度數據的季節性和趨勢性預測，且能夠發現頂底板高度內在的規律性，增加預測的準確性。

灰色預測模型能有效預測少量數據的序列，但隨著數據的增加和波動性的增大，該模型會逐漸失去優勢，而馬爾可夫模型可應用于隨機變化的時間序列中，彌補灰色模型的不足。采用灰色馬爾可夫模型，可提升數據分布無規律或地質、煤巖變化較大情況下的截割頂底板高度的預測精度，適用于數據拆分后的第2 部分數據，即無規律且存在異常的數據集?；疑R爾可夫模型的算法流程如圖4 所示，該算法集合了灰色模型和馬爾可夫模型的優點，先利用灰色模型對預測的時序趨勢進行大致判斷，再用馬爾可夫理論對預測結果進行精確調整，這樣可使預測精度大幅度提高。

圖4 灰色馬爾可夫模型的算法流程Fig. 4 The algorithm principle gray markov model

1） 灰色建模。對數據樣本中的截割頂底板高度序列進行累加運算，得到累加序列。根據累加序列，構建一階線性微分方程模型。通過最小二乘法或其他優化算法估計微分方程的參數。對模型進行殘差檢驗，評估模型擬合度。

2） 模型預測。根據上一步構建的模型，預測下一個時間步的累加序列值。將預測的累加序列值還原為截割頂底板高度序列。

3） 模型評估。通過計算預測值與真實值之間的誤差指標來評估模型的預測能力。

2.3 滾筒高度計算

截割頂底板的高度是基于大地坐標標志的，在以煤層構建的三維坐標系中屬于絕對高度，采煤機的滾筒高度是基于采煤機機身的相對高度，也是采煤機滾筒調高的目標值。為了實現采煤機滾筒的自動調高，需將截割頂底板的高度通過計算轉換為采煤機的滾筒高度。

滾筒高度的計算流程如圖5 所示。采煤機沿底板牽引行走，行走的里程代表采煤機的位置。滾筒高度是以截割底板的高度為基線，結合采煤機在不同位置處的位姿角度、搖臂角度、機身長度等因素，建立幾何模型后計算得出，考慮到工作面整體的上竄下滑量，結合開采工藝對滾筒高度再進行一次修正。

圖5 采煤機滾筒高度計算流程Fig. 5 Calculation process of shearer drum height

采煤機的空間位姿如圖6 所示，為方便說明滾筒高度幾何模型的計算過程，此處將模型稍作簡化，以頂板高度T、滾筒半徑R、2 個滾筒位置的底板高度H1和H4、2 個滑靴位置的底板高度H2和H3、機身高度K、傾角α、搖臂長度L作為空間幾何模型參量。采煤機滾筒調高是通過其調高油缸實現的，調高的目標值（調高量Y1和臥底量Y2）是基于采煤機機身的相對高度，一般通過搖臂擺角θ計算得出。

圖6 采煤機的空間位姿Fig. 6 Space position and posture of the shearer

調高量計算的幾何模型如圖7 所示，M為機身到滾筒中心的距離，通過已知參量求得M的值，進而求得搖臂擺角θ的值，最終計算得出調高量Y1的值。

圖7 采煤機頂滾筒高度幾何模型Fig. 7 Geometric model of shearer roof drum height

臥底量計算的幾何模型如圖8 所示，求得搖臂擺角θ的值，進而計算臥底量Y2的值。

圖8 采煤機底滾筒高度幾何模型Fig. 8 Geometric model of shearer bottom drum height

計算出調高量和臥底量，即得出了采煤機滾筒的高度序列。刮板輸送機的上竄下滑會導致標記高度的橫坐標位置整體產生偏移，即上竄下滑量會影響滾筒高度序列對應的橫坐標位置，因此，需根據上竄下滑量再對底滾筒高度序列進行一次調整，通過統一增減橫坐標數值對偏移量進行修正，最終得出符合當前刀的滾筒高度序列。

3 應用測試

3.1 試驗概況

試驗通過上位機控制軟件和采煤機內部的控制系統共同配合完成，如圖9 所示。上位機控制軟件中集成了預測滾筒高度的數據樣本和算法模型，負責實現滾筒目標高度序列的預測與生成。采煤機的內部控制系統與上位機控制軟件雙向通信，一方面接收上位機控制軟件下發的滾筒目標高度，進而計算出抬高油缸調節量，依靠采煤機調高裝置控制滾筒達到目標高度，另一方面通過搖臂的擺角傳感器計算出滾筒的實際高度并返回給上位機控制軟件。通過對比試驗中滾筒的預測高度與實際高度來驗證滾筒高度預測算法的準確性，通過對比司機對滾筒高度的干預次數，驗證自動調高對煤層的適應能力。

圖9 上位機控制軟件和采煤機控制系統關系Fig. 9 Relationship between upper computer control software and shear control system

為了驗證采煤機自動調高技術的應用效果，在黃陵礦業集團有限責任公司某礦的綜采工作面進行了工業性試驗，該工作面走向長度為2 880 m，進風巷道長度為3 010.8 m，回風巷道長度為2 984.8 m，工作面地質情況見表1，該工作面煤層結構簡單，工作面走向起伏變化較小，屬于穩定煤層。

表1 試驗工作面地質情況Table 1 Geological conditions of the coal mining face

3.2 試驗結果

試驗時間選在生產班，試驗開始后，在18:32 至19:20 之間，采煤機基于自動調高技術完成兩刀煤的截割，同時允許采煤機司機使用遙控器干預滾筒調高，試驗過程中記錄下采煤機司機干預滾筒調高的時間和次數，以及滾筒的實際高度，之后關閉自動調高功能，從19:20 開始使用傳統的手動控制再次完成一刀煤的截割。

滾筒的實際高度與預測高度對比結果如圖10 所示，可看出滾筒的預測高度和實際高度具有明顯的一致性，頂板預測的最大偏差為14 cm，底板預測的最大偏差為11 cm。預測高度和實際高度偏差占比統計見表2，頂底滾筒的預測高度與實際高度偏差在10 cm 以內的占比都在90%以上，其中底板滾筒高度的預測尤為準確，原因是該工作面底板起伏變化較小，相比頂板更加平直。試驗結果說明采煤機滾筒高度預測是準確可行的。

表2 預測高度和實際高度偏差情況Table 2 Deviation between predicted height and actual height

圖10 采煤機滾筒的實際高度與預測高度對比結果Fig. 10 Comparison between the actual height and predicted of the shearer drum

試驗過程中，在自動調高方式下司機的干預調高次數與傳統手動控制方式下司機的干預調高次數的對比結果如圖11 所示?？煽闯?8:32 至18:50 之間，在自動調高控制下中部完成截割一刀煤，人工干預調高21 次，19:20 至19:30 之間，傳統手動控制方式下中部完成截割一刀煤，人工干預調高49 次，采用采煤機自動調高技術可顯著降低采煤機司機的干預次數，證明了自動調高可有效提升采煤機跟隨煤層截割開采的適應能力。

圖11 自動調高方式下司機的干預次數與傳統手動調高方式下司機的干預次數對比Fig. 11 Comparison of the intervention frequency of drivers under automatic height adjustment mode and traditional manual height adjustment mode

4 結論

1） 基于數據融合和機器學習建立了截割頂底板高度的預測模型，結合采煤機空間位姿建立了計算采煤機滾筒高度的幾何模型，進而實現了采煤機滾筒高度的預測，采煤機據此實現了自動調高的功能。

2） 在生產班進行了工業性試驗，結果表明，采煤機滾筒的預測高度和實際截割高度趨勢一致，頂板預測的最大偏差為14 cm，底板預測的最大偏差為11 cm，且預測偏差在10 cm 以內的占比在90%以上。

3） 傳統手動控制方式下中部完成截割一刀煤，人工干預調高49 次，在自動調高技術的控制下，中部截割一刀煤人工干預次數為21 次，采煤機司機對滾筒的干預顯著降低。自動調高技術提升了采煤機對圍巖空間動態變化的適應性，為采煤機裝備的智能化建設提供了有力的技術支撐。