液壓支架時空區(qū)域支護質量動態(tài)評價

賈思鋒，付翔，3，王然風，王宏偉，王朋飛

（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

隨著傳感器技術和電子信息技術的快速發(fā)展，煤礦生產已經走向智能化和信息化[1]。安裝于智采工作面設備上的傳感器采集到的海量生產數(shù)據為智采工作面礦壓顯現(xiàn)規(guī)律分析和頂板支護質量評價提供了數(shù)據基礎。通過對智采工作面電液控制系統(tǒng)采集的支架動作和狀態(tài)數(shù)據進行分析，可感知支架與頂板之間的接觸關系，為生產過程的安全性提供保障[2-3]。支架支護效果是支架姿態(tài)、頂板完整性、頂板結構、回采工藝等共同作用的結果，也是衡量頂板與支架耦合效果的關鍵因素[4-6]。支架與頂板狀態(tài)的智能感知，是實現(xiàn)支架參數(shù)自適應調整、工作面支架圍巖耦合自適應控制、工作面設備群協(xié)同控制等工作面智能化關鍵技術的重要基礎[7]。

許多學者從不同角度對液壓支架支護質量進行了研究探討。Qiao Hongbing 等[8]、侯剛[9]和趙吉玉[10]通過對支架支護質量的傳統(tǒng)特征值（初撐力、末阻力、俯仰角度、來壓強度、來壓步距、動載系數(shù)等）進行實時計算與顯示，對工作面開采全程進行礦壓監(jiān)測與預警。S.S.Peng 等[11]、Liu Chuang 等[12]研究了不同開采高度對支架和圍巖耦合關系的影響及不同頂板巖性和厚度對支架支護壓力的影響。龐義輝[13]從液壓支架空間姿態(tài)出發(fā)，通過對液壓支架自身角度和頂?shù)装褰嵌冗M行分析，確定了液壓支架與頂?shù)装宓南鄬ψ藨B(tài)，給出了液壓支架支護狀態(tài)特征參量，提出了基于頂板斷裂失穩(wěn)、液壓支架承載特征參量等綜合信息的液壓支架支護狀態(tài)感知技術架構。王國法等[14-15]根據受力和承壓情況建立了支架-圍巖系統(tǒng)強度耦合模型，指出合理的支架初撐力、工作阻力可提高直接頂板-支架-底板的整體剛度，降低頂板下沉量，進而提高液壓支架支護質量；同時提出了液壓支架三維動態(tài)優(yōu)化設計理論和方法，加入三維設計平臺動態(tài)模擬液壓支架與圍巖耦合作用的力學特征，通過支架姿態(tài)分析與支架受力情況分析相結合的方法對支架支護質量進行評價。程敬義等[16-17]研究了安全閥開啟、割煤及鄰架移架、地質等多種因素影響下的單臺支架承載特征及支架群組載荷轉移分布規(guī)律，從安全閥工作狀態(tài)、支架立柱漏液情況、支架承載異常情況等方面進行了支架支護質量評價。

目前液壓支架支護質量評價大多關注支架靜態(tài)特征（單架支架俯仰角度、初撐力、工作阻力及支架群壓力分布情況等），對支架立柱壓力動態(tài)變化研究較少，而液壓支架支護過程是一個時間、空間上的動態(tài)變化過程，采用人工智能方法挖掘處理液壓支架群海量立柱壓力數(shù)據是重要的技術發(fā)展趨勢。為此，本文采用深度學習方法，構建了一種基于改進型LeNet-5 網絡的液壓支架時空區(qū)域支護質量動態(tài)評價模型。通過分析時空維度支護壓力數(shù)據，根據液壓支架支護工藝要求，將時空區(qū)域支護質量分為彼此不交叉的7 類。對液壓支架立柱壓力數(shù)據進行預處理和重新排列，建立總時空壓力矩陣。在總時空壓力矩陣上使用滑動窗口按照一定間隔截取給定大小的時空壓力子矩陣，確定每個時空壓力子矩陣所屬的時空區(qū)域支護質量類型后，將子矩陣和類別標簽一起輸入卷積神經網絡訓練模型。將實時壓力數(shù)據傳輸?shù)綍r空區(qū)域支護質量評價模型，并對其進行計算，可得到每個時空區(qū)域液壓支架支護質量的評價結果。

1 液壓支架支護壓力數(shù)據時空維度分析

1.1 數(shù)據準備與預處理

利用智采工作面液壓支架電液控制系統(tǒng)采集液壓支架動作和狀態(tài)數(shù)據及其他生產數(shù)據，并傳給工作面集控中心，通過工業(yè)環(huán)網傳輸至地面，接入企業(yè)數(shù)據庫，對生產過程中的重要信息進行記錄。

由于智采工作面生產環(huán)境復雜，各種傳感器易發(fā)生損壞，導致采集到的數(shù)據出現(xiàn)錯誤。數(shù)據錯誤主要包括數(shù)據丟失和數(shù)據異常。數(shù)據丟失是指在數(shù)據傳輸過程中發(fā)生斷路，常見于傳感器端損壞與傳感器信號線損壞。數(shù)據異常是指傳感器傳輸了一個錯誤值，一般是一個離群值，常見于傳感器內部元件損壞。針對數(shù)據丟失問題，采取時域相鄰值填充方法進行處理，如某架支架在某一時刻的立柱壓力值發(fā)生缺失，用該架前一時刻的壓力值進行填補。針對數(shù)據異常情況，采用該時刻相鄰5 架支架壓力的平均值代替該異常值。

1.2 液壓支架一維壓力分析

1.2.1 時間維度壓力分析

最常見的支架壓力曲線為單架時間-壓力曲線，它能反映支架壓力隨時間推移的變化情況。以60 號支架為例，其在某日的壓力變化曲線如圖1 所示，其中生產班的曲線可以劃分為若干架支架工作循環(huán)。

圖1 60 號支架時間維度壓力曲線Fig.1 Curve of time dimension pressure of No.60 support

智采工作面采煤機按照規(guī)定進尺從機頭（尾）到機尾（頭）割一刀煤，完成落煤、裝煤、運煤、支護和采空區(qū)處理等采煤工藝規(guī)定的全部工作，稱為采煤作業(yè)循環(huán)，或者稱為割煤循環(huán)。完成一個采煤作業(yè)循環(huán)后，智采工作面向前推進一個循環(huán)進尺。支架工作循環(huán)是指液壓支架從升架、初撐，經歷承載受力階段，再到卸載、降架、移架的完整過程，單架支架工作循環(huán)對應的壓力變化曲線如圖2 所示，其為圖1中一個典型支架工作循環(huán)的詳細顯示。每個支架工作循環(huán)可以提取出代表該工作循環(huán)支護情況的特征量，常用的特征量有初撐力、循環(huán)末阻力、時間加權阻力、工作阻力變化速率等[12]。初撐力是指在泵站工作壓力作用下，支架立柱升起，頂梁與頂板緊接時，支架對頂板的支撐力，它是智采工作面頂板管理控制中的一個重要參數(shù)。合理的初撐力可以確保支架處于合理的工作狀態(tài)，發(fā)揮其最大的控頂效能，避免頂板離層破碎嚴重，進而導致頂板事故。在支架靜態(tài)支撐過程中，立柱壓力會隨頂板下沉而增加，在支架降柱之前到達最大值，該時刻的支撐力叫做循環(huán)末阻力。

圖2 單架支架工作循環(huán)壓力曲線Fig.2 Pressure curve in single support working cycle

1.2.2 空間維度壓力分析

支撐力是評價智采工作面支護質量的重要指標，反映在數(shù)據層面就是液壓支架立柱壓力。如果支撐力太小，就不能很好地發(fā)揮液壓支架的支撐作用，從而導致頂板離層，增大支護難度與事故發(fā)生概率；支撐力太大，則容易造成安全閥損壞及壓架，對安全高效生產有一定影響。

從空間維度分析支架支護質量，主要是看某一時刻小范圍內支架壓力分布情況，大致可以分為支撐力整體偏高/偏低、一側偏高/偏低、高低相間、整體良好。

對于支撐力整體偏高/偏低的情況，大多是礦壓顯現(xiàn)出現(xiàn)大范圍載荷分布不均勻的情況，需要持續(xù)觀測；對于支撐力一側偏高/偏低的情況，可能是支架處在礦壓顯現(xiàn)影響范圍的邊緣，或者小區(qū)域內操作不規(guī)范造成支撐力不足，嚴重時會導致支架傾倒；對于支撐力高低相間的情況，一般是因為支撐力給定不足，某一架或幾架支架沒有起到很好的支撐作用，導致相鄰支架承受更大的頂板壓力，由于頂板受力不均勻，更容易加速破碎，增加支護難度。

某一時刻智采工作面整體支撐力分布情況如圖3 所示，區(qū)域1 為支撐力一側偏高，區(qū)域2 為支撐力整體良好，區(qū)域3 支撐力整體偏高，區(qū)域4 為支撐力高低相間。

圖3 工作面整體支撐力分布Fig.3 Overall support force distribution of working face

1.3 時空維度壓力分析

為了避免支架降柱-移架-升柱所導致的工作阻力短時間波動對支護質量分析造成太大干擾，每架支架選取每5 min 的工作阻力的時間加權阻力作為該架這一時間點的工作阻力，將所有的時間加權阻力排列為一個整體阻力矩陣。采用山西呂梁某礦3404智采工作面2021-11-26-12-12 的支架立柱壓力數(shù)據繪制熱力圖，如圖4 所示。

圖4 智采工作面液壓支架整體支護壓力時空熱力圖Fig.4 Space-time thermal diagram of overall support pressure of hydraulic support in intelligent working face

如果將整個智采工作面區(qū)域的支護質量作為一個整體進行評價，關注的是智采工作面整體特征，容易丟掉很多細節(jié)信息，所以選擇對每個時空小區(qū)域分別進行評價。結合現(xiàn)場技術人員的經驗、現(xiàn)場工況觀測、液壓支架支護工藝要求等，將支護效果的時空演變情況分為彼此不交叉的7 類：支護質量初步惡化、支護質量持續(xù)惡化、支護質量深度惡化、支護質量保持一般、支護質量初步優(yōu)化、支護質量持續(xù)優(yōu)化、支護質量保持良好。

建立一個m×n的窗口，其中m為窗口的高度，表示提取的子矩陣數(shù)據包括的支架數(shù)，n為窗口的寬度，表示提取的子矩陣數(shù)據包括的時間點個數(shù)。m和n可根據想要評價的區(qū)域大小選擇，選值太大會造成評價區(qū)域太大而出現(xiàn)類別疊加，導致評價不全面，選值太小會造成信息丟失，導致評價不準確。將窗口在整體阻力矩陣上滑動來提取阻力子矩陣，得到每個時空小區(qū)域，并將時空小區(qū)域與7 類時空區(qū)域支護質量一一對應。

圖4 中標注的7 個區(qū)域分別對應7 種時空區(qū)域支護質量的典型工況。區(qū)域1 為典型的支護質量初步惡化，工作阻力小幅度上升，逐漸靠近安全閥上限，并且有持續(xù)上升的趨勢。區(qū)域2 為典型的支護質量持續(xù)惡化，由支撐力較為合理轉為支撐力不足，有局部惡化的趨勢，整體支護效果一般，此種情況較多出現(xiàn)在支架跟機移架后支撐力不足時。區(qū)域3 為典型的支護質量深度惡化，出現(xiàn)了大范圍高壓區(qū)，持續(xù)高壓會增大頂板事故發(fā)生的概率，且高低壓交錯分布加重了頂板破碎。區(qū)域4 為典型的支護質量保持一般，存在小范圍的工作阻力較大和較小的情況，但是分布不太集中，對頂板完整性影響較小，隨著時間推移變化較小。區(qū)域5 為典型的支護質量初步優(yōu)化，局部支撐力不足的情況得到改善，但是仍存在大范圍的高壓區(qū)域。區(qū)域6 為典型的支護質量持續(xù)優(yōu)化，存在局部支撐力較高的情況，但是整體支護效果一般。區(qū)域7 為典型的支護質量保持良好，雖然有個別支架出現(xiàn)了工作阻力高的情況，但是與鄰架阻力差值較小，整體支撐效果良好，能很好地維持頂板的完整性與穩(wěn)定性。

2 智采工作面液壓支架時空區(qū)域支護質量評價建模

由于液壓支架時空區(qū)域支護質量樣本是二維壓力數(shù)據，在時間和空間上都存在連續(xù)關系，借鑒圖像像素矩陣的深度學習處理方法，采用改進的卷積神經網絡構建液壓支架時空區(qū)域支護質量評價模型，如圖5 所示。具體步驟如下：

圖5 液壓支架時空區(qū)域支護質量動態(tài)評價建模流程Fig.5 Dynamic evaluation modeling process of support quality of hydraulic support in space-time region

（1）液壓支架立柱壓力數(shù)據是反映智采工作面液壓支架時空區(qū)域支護質量的重要指標。通過對儲存在企業(yè)數(shù)據庫的液壓支架立柱壓力數(shù)據進行預處理（缺失值填充、異常值處理、篩選、排序等）得到較為完整的液壓支架壓力數(shù)據。

（2）將預處理后的液壓支架立柱壓力數(shù)據按照時間和空間排列，并提取反映智采工作面液壓支架支護情況的初撐力、循環(huán)末阻力、時間加權阻力、阻力空間分布情況等重要特征量。將壓力時間序列和空間序列組合為時間-空間二維的總時空壓力矩陣。

（3）在總時空壓力矩陣上使用滑動窗口按照一定間隔截取給定大小的子矩陣，將子矩陣與7 類時空區(qū)域支護質量一一對應，形成樣本和標簽。

（4）將樣本和標簽輸入改進的卷積神經網絡進行訓練，得到智采工作面液壓支架時空區(qū)域支護質量評價模型。利用該模型可得到時空區(qū)域的支護質量類型，以實時評價該區(qū)域支護情況，為現(xiàn)場操作人員有針對性地調整液壓支架支護狀態(tài)提供依據，從而提高工作效率，降低安全隱患。

3 改進的卷積神經網絡構建

3.1 LeNet-5 網絡結構

LeNet-5 網絡是一種深度學習網絡，近年來在井下目標檢測[18]和底板突水預測[19]等方面取得了較好的應用效果。由于時空壓力子矩陣比較小，不適用層數(shù)比較深的網絡，使用LeNet-5 網絡較為合適。LeNet-5 網絡雖然結構比較簡單，但是在處理較小的矩陣時有計算速度快的優(yōu)勢，同時它的準確率能夠滿足現(xiàn)場生產需求。LeNet-5 網絡包含5 層網絡結構，分別為2 個卷積層、2 個池化層（池化層一般不算入層數(shù)）和3 個全連接層，如圖6所示。

圖6 LeNet-5 網絡結構Fig.6 LeNet-5 network structure

卷積層主要由卷積核組成，常見的卷積核大小有1×1，3×3，7×7。卷積核在輸入矩陣上以給定步長滑動，遍歷整個輸入矩陣，同時進行卷積計算以提取特征。卷積的結果經過激活函數(shù)Sigmoid 處理，以增強網絡的非線性能力，卷積計算公式為

在一定范圍內，卷積次數(shù)越多，從輸入矩陣上提取到的特征程度越深。

池化層主要由池化核構成，常見的池化核大小有2×2，3×3，作用是對數(shù)據進行降維處理，只保留重要信息。池化主要分為最大池化和平均池化，應用最廣的是最大池化，計算公式為

全連接層的作用是構建卷積池化結果與標記空間之間的映射關系，同樣需要經過激活函數(shù)來增強網絡的非線性能力。

3.2 LeNet-5 網絡改進

為適應時空區(qū)域立柱壓力矩陣樣本的特點，且提高卷積神經網絡訓練模型的小樣本分類準確率，對LeNet-5 網絡進行改進，以增強分類效果，具體改進如下：

（1）用ReLU 函數(shù)代替Sigmoid 函數(shù)作為激活函數(shù)。Sigmoid 函數(shù)只有自變量在0 附近的一定范圍內能發(fā)揮較好的作用，在較遠處梯度很小，使得網絡參數(shù)學習速度很慢。而使用ReLU 函數(shù)，在正半軸學習速率一直很大，在負半軸梯度為0，神經元不被激活，既可以增大網絡的稀疏性，又可以加快網絡計算速度。

（2）使用Adam 優(yōu)化器。傳統(tǒng)的隨機梯度下降算法在學習過程中總是以給定的學習率更新參數(shù)，不能根據實時情況調整步距，從而導致網絡學習速率慢、容易陷入局部最優(yōu)解及出現(xiàn)振蕩效果。而Adam優(yōu)化器既能基于訓練數(shù)據迭代更新學習率，又能緩解梯度振蕩問題，加快收斂速度，同時能跳出局部最優(yōu)解。梯度更新規(guī)則如下：

式中：ut為一階指數(shù)移動加權平均，t為時間步；β1為第1 次估計的指數(shù)衰減率，常取0.9；gt為 梯度；vt為二階指數(shù)移動加權平均；β2為第2 次估計的指數(shù)衰減率，常取0.999；θt為初始參數(shù)；α為 學習率；?為常數(shù)，用于增加數(shù)值計算的穩(wěn)定性，默認取值為1×10-8。

（3）使用Earlystopping 和Dropout 來防止過擬合。當網絡的訓練樣本數(shù)量不足以使每個參數(shù)都達到穩(wěn)定時，經常會出現(xiàn)過擬合的情況。隨著迭代次數(shù)增多，訓練集的分類準確率可以持續(xù)上升，但是測試集的分類準確率已經停止上升甚至發(fā)生下降，使得模型泛化能力變差。加入Earlystopping，可以在驗證集上的損失值不再減小（即減小的程度小于某個閾值）時停止繼續(xù)訓練。Dropout 是指在神經網絡參數(shù)每次更新過程中，對于神經單元按照給定的概率將其暫時從網絡中丟棄，用剩余神經單元訓練網絡參數(shù)，以弱化所有神經單元之間的協(xié)同作用。

4 模型驗證

試驗選取的滑動窗口大小為24×24，即每個樣本為24 架液壓支架范圍內2 h 的立柱壓力數(shù)據，按照智采工作面液壓支架時空區(qū)域支護質量評價模型建立步驟，將液壓支架立柱壓力數(shù)據作為輸入數(shù)據，經過預處理、重新排列，提取時空壓力子矩陣，并根據采礦工藝要求將時空壓力子矩陣和7 類支護效果的時空演變情況相匹配，得到2 000 個帶標簽的樣本，各類別樣本個數(shù)如圖7 所示。對樣本集進行7∶1∶2劃分，得到訓練集、驗證集和測試集。

圖7 樣本集中各支護效果類別樣本個數(shù)Fig.7 Sample number of support effect categories in the sample set

將LeNet-5 網絡原有的2 個卷積層加池化層組合增加為3 個，更改卷積核的大小為3×3，卷積填充為Same Padding 方式，使卷積前后數(shù)據大小不發(fā)生改變。將輸出層神經元由10 個改為7 個，與7 種時空區(qū)域支護質量相對應。改進型LeNet-5 網絡結構如圖8 所示。

圖8 改進型LeNet-5 網絡結構Fig.8 Improved LeNet-5 network structure

將制作好的樣本同時輸入LeNet-5 網絡與改進型LeNet-5 網絡，用于訓練液壓支架時空區(qū)域支護質量評價模型，并對比它們在測試集上的分類效果。

LeNet-5 網絡訓練效果如圖9 所示?？煽闯鲇柧毤万炞C集收斂速度基本一致，說明訓練效果一直在提升，在迭代次數(shù)達到58 時完成收斂，停止訓練，驗證集損失值從1.60 降至0.70；測試集分類準確率為73.25%。

圖9 LeNet-5 網絡訓練效果Fig.9 LeNet-5 network training effect

改進型LeNet-5 網絡訓練效果如圖10 所示?？煽闯鲵炞C集比測試集收斂速度更快，在迭代次數(shù)達到40 時完成收斂，驗證集損失值從1.30 降至0.68；測試集分類準確率為85.25%，較基于LeNet-5 網絡模型提高了12%。

圖10 改進型LeNet-5 網絡訓練效果Fig.10 Improved LeNet-5 network training effect

5 結論

（1）對智采工作面液壓支架電液控制系統(tǒng)采集的支架立柱壓力數(shù)據進行預處理（數(shù)據清洗、篩選、排序、組合等），得到液壓支架時空維度的立柱壓力數(shù)據，根據液壓支架支護工藝要求，將液壓支架時空區(qū)域支護效果分為彼此不交叉的7 類：支護質量初步惡化、支護質量持續(xù)惡化、支護質量深度惡化、支護質量保持一般、支護質量初步優(yōu)化、支護質量持續(xù)優(yōu)化、支護質量保持良好。

（2）利用現(xiàn)場壓力數(shù)據構建時空壓力子矩陣并標注相應支護質量類別標簽，將其輸入卷積神經網絡進行訓練，構建智采工作面液壓支架時空區(qū)域支護質量評價模型。將智采工作面局部區(qū)域的實時時空壓力矩陣輸入該模型，能夠得到該時空區(qū)域的實時支護質量結果，為現(xiàn)場工作人員有針對性地調整液壓支架支護狀態(tài)提供依據。

（3）根據智采工作面液壓支架支護壓力數(shù)據樣本特征，提出了改進型LeNet-5 網絡架構，通過實例對比發(fā)現(xiàn)，基于改進型LeNet-5 網絡的液壓支架時空區(qū)域支護質量評價模型分類準確率為85.25%，比基于LeNet-5 網絡的模型提高了12%。同時，改進型LeNet-5 網絡在訓練過程中能較快地收斂到最優(yōu)解，加快了網絡訓練速度，驗證了改進型LeNet-5 網絡用于智采工作面液壓支架時空區(qū)域支護質量評價的優(yōu)勢。