基于數據挖掘技術的煤礦智能精準開采系統

易瑞強

(陜西黃陵二號煤礦有限公司，陜西 延安 727300)

0 引言

煤礦綜采自動化技術是實現煤炭安全、高效回采的重要保障，是國家經濟發展所需煤炭供應的先決條件[1]。隨著開采深度的加大和賦存地質條件的惡化，已對深部煤炭資源的安全開采造成嚴重威脅。由于綜采工作面自動化系統[2]以過程化控制為核心，與生產管理過程脫節，未進行高效實時的實現信息集成和互通，不能有效地對綜采關鍵設備進行管理，更因為自動化開采過程中存在大量數據可以廣泛使用，并且迫切需要將這些數據轉換成有用的決策信息和控制策略，為生產控制生產管理者提供決策和建議，因此把綜采自動化各子系統的信息融合[3]形成統一監管和大數據分析的平臺，并進行數據深度挖掘，最終實現智能化精準開采顯得尤為重要。

1 煤礦綜采自動化技術及信息融合

1.1 綜采自動化技術

信息整合：煤礦綜采工作面系統的自動化水平是當前國際采礦界研究的熱點。我國煤礦綜采設備具備數據傳輸功能，并能與多種通信系統和接口進行傳輸。對所有重要的參數，隨時隨地進行監測，并進行信息交換。由于設備種類繁多，數據上傳的接口與協議不統一，給信息整合帶來了很大的難度。

系統控制：煤礦綜采自動化系統中液壓支架和采煤機在遠程控制、全自動開采等方面做了大量的研究，并取得了一定的成果，但在設備位置監測、姿態自動調整、三維自動開采等方面仍需攻關。由于開采過程是動態的，且傳輸環境惡劣，限制了各個設備關聯。因此，迫切需要建立一套系統，建立關聯的系統控制策略和精準控制的算法。

1.2 綜采自動化信息融合

信息融合的難點：綜采自動化系統涵蓋整個工作面的所有設備和控制單元，復雜且完備，因此每個監控系統既負責數據的采集控制，又負責數據的校驗、傳輸、共享，大部分功能相互關聯。而現有設備數據采集沒有統一的數據標準、采集標準，在采集數據時，需根據提供的格式進行解析、轉換，增加出錯率與工作量；且現有設備所生成的數據格式不一。

信息融合重要性的表現：多源異構數據的信息融合成為大量開采數據運算平臺運轉的核心，主要體現在以下3個方面。①原始數據采集。通過以太網采集相關的設備參數；②數據傳輸。將采集到的參數通過工業環網傳輸給開采大數據決策平臺，為數據挖掘開采決策提供實時準確的設備信息；③集控中心作為平臺的執行者，可以按照平臺下發的指令完成相應的動作。通過融合集控所回傳的井下設備姿態數據，計算設備井下實際位置、輔助測量姿態數據、實際采高臥底、動作執行狀態反饋。利用所計算出的數據來繪制各設備實時開采數據模型。

2 開采大數據決策平臺建立

2.1 大數據平臺設計架構

設計架構的要求：圍繞綜采開采工藝流程分析及模型建立、生產過程決策及可視化控制、生產過程動態數據挖掘分析、精準控制決策分析等需求，開發智能控制算法，實現精準控制決策，創新設計平臺設計架構，具體設計架構要求，如圖1所示。

圖1 開采大數據決策平臺架構

大數據決策平臺數據采集：參數采集功能模塊作為整個系統的重要部分，主要用來監測井下的各類環境參數[4]和設備開停等主要生產參數。綜采自動化的一些環境參數和設備運行工況信息可以直接在地面中心站及管理工作站上反映出來，并對設備、系統、生產等關鍵信息進行集成和互通，減少工作負擔，在第一時間掌握安全生產和設備運行工況，為綜采自動化生產和日常調度提供數據支持。系統可對有關檢測參數進行記錄、顯示、分析運算、超限報警控制、查詢、編輯、動態定義等。平臺實現對信息化設備，通過自定義通訊[5-6]實現對綜采自動化數據采集、本地存儲，并將數據過濾處理，多層加密后發布[7]到云服務平臺。數據終端通過訪問云服務平臺，實現移動應用端和移動端服務器的數據連接，完成跨移動平臺的數據交互[8]。

數據預處理：在設備工況數據及其他數據接入平臺之后，因為數據量太大，并且多半來自多個異種數據源，因此需要對數據預處理。①數據噪點降噪、清洗。平臺通過分箱(Bining)方法考察數據的“近鄰”來光滑有序的數據值。對于丟失的數據但屬性級別較高的，平臺采用多重插補法對數據變量之間的關系進行預測，利用蒙特卡洛方法生成多個完整的數據集，并對這些數據集進行分析，最后對分析結果進行匯總處理；②大數據算法自主優化。平臺采用Alluxiospark計算方式，比傳統Spark框架在效率及速度上提高了10倍，極大降低了數據的延遲，提高了數據之間傳遞的實時性，降低占用網絡帶寬。平臺擁有自主深度學習和算法擴展功能。

數據管理和存儲：平臺包括實時庫和工業庫[9]本地存儲以及云數據庫存儲功能，綜采數據通過智能化管理平臺處理、加工、過濾、整理，以統一的形式發送給云數據庫，平臺對云數據庫進行主從分布式數據庫管理和負載平衡管理，使用分布式系統，可做到數據容災保護，更為數據分析提供穩定可靠的數據源基礎。

2.2 開采大數據決策平臺分析功能

平臺可以實現生產數據分析和設備自診斷，針對設備運行工況，根據運行參數，通過數據分析算法，實現在生產前預判設備狀態，生產中系統實時自診斷。

設備數據分析：①啟停分析。記錄設備啟停情況，分析自動或人工操作啟動成功率，反饋啟動成功的比率；②操作記錄。分析違規操作詳情，包括違規的行為、時間、違規操作的設備、位置、違規的類型、違規操作人、處理辦法；③故障記錄。記錄故障的名稱、發生的時間、出現的位置、故障分類、發生故障的設備、系統若能自動修復則展示系統正在自動恢復中請等待、系統若不能修復則展示系統無法處理并給出人工處理的處理意見。

設備自診斷：①可通過定時周期自診斷或收到命令開始自診斷，系統會檢查當前各設備的控制狀態是否正確、各傳感器的數據是否正常、通訊狀態是否正常等，并將診斷結果展示出來；②建立故障分析庫，將已處理的故障進行分類整理、可選性的分類顯示，以列表的形式呈現，點擊后可查看詳情。詳情頁面展示故障的名稱、每次出現此故障所出現的時間列表、故障分類、發生故障的設備、相同故障出現的次數；③建設大數據平臺必然是由自動化集控向智能化決策分析推進，主要體現在基于大數據挖掘技術對建立的開采模型進行融合，根據實時工況數據及各傳感器測量數據反饋實際，進行智能開采模型算法的深度學習和控制算法的迭代，隨著數據挖掘不斷優化控制參數和決策算法分析，增加了系統和裝備的分析決策功能，最終轉換為開采策略指導開采模型，必將極大地提升智能化控制的整體水平。

3 綜采自動化數據挖掘及精準智能開采

3.1 綜采自動化數據挖掘技術

數據挖掘流程：在開采大數據決策平臺建立的開采數據模型基礎上，通過平臺的大數據分析功能提取測量高度，實時反饋的測量位置，同時結合開采數據及輔助校準建立數據樣本庫，對多源異構下的數據源進行相關性和開采工況數據校準精準度的深度分析挖掘[10-11]。研究過程以基于設備工況和測量數據條件為核心設計研發工作面開采模型，對融合后的地質及開采數據進行影響因素分析，采集推進過程中各相關設備的運行狀態、故障情況、生產工藝調整，特別是運輸機的直線度、俯仰角度等內容。結合實際測量數據通過分析收集到的現場數據具體化工作面推進過程，不斷學習抽取其中可能的工作面的推進邏輯，而且針對不同工作面依照程度的大小列出影響推進過程、精準控制的因素。數據挖掘技術路線，如圖2所示。

算法因素：在上述基礎上建立相關的數據挖掘分析結果。其中分析校準的算法因素主要體現在以下3方面，如圖3～圖5所示。精準校準決策分析實現對推進過程采集的大量數據建立分析系統的邏輯關聯，通過平臺自動根據實時測量數據迭代歷史樣本庫進行不斷的自我迭代升級提供有效的數據模型庫。為精準開采決策模型提供精準的數據支撐。

圖3 支架控制及校準算法數據挖掘模型

圖4 采煤機控制及校準算法數據挖掘模型

圖5 運輸機控制及校準算法數據挖掘模型

3.2 精準智能開采

精準控制技術：在結合工作面透明地質、綜采大數據決策技術得到突破和解決，攻克工作面透明地質信息建模、平臺和精準設備姿態定位、增強可視化遠程控制等多種技術后，形成一套具有“模型—推理—決策—執行”的綜采工作面，“地質模型→開采決策→精準控制”的智能開采方式，從嚴格意義上講是填補了基于大數據挖掘的精準開采技術空白。通過不斷對工作面集中控制影響，連續推進的控制因素大數據算法研究，過程中深入探究設備姿態實時定位和直線度測量、控制模型與平臺的數據融合、控制策略控制算法挖掘等關鍵精準控制技術。精準控制技術路線，如圖6所示。

圖6 基于數據挖掘技術的精準控制技術路線

精準開采的控制流程：①平臺提供的精準開采模型，對井下精準控制系統進行執行控制轉換，轉換為全自動開采的控制算法，根據算法指導設備全自動作業。根據設備姿態的實測數據，實現設備具體控制姿態的準確測量值，通過精準控制設備姿態反饋，實現基于精準開采模型的控制閉環；②利用大數據挖掘是否達到指令狀態。精準開采模型控制閉環后，記錄執行動作以及控制指令，生成數據樣本庫，并通過算法對樣本庫結合精準開采數據模型，反饋到大數據精準開采決策平臺，利用控制模型閉環后所產生的樣本數據挖掘進行精準開采模型算法的迭代優化；③通過決策平臺對自動化系統的關鍵性過程進行應用分析，主要包括設備的精細化管理決策，實現設備的故障診斷，提供維護和運行策略；工作面頂板管理決策，實現周期來壓預測，提供頂板管理策略；操作行為管理策略，實現操作人員行為分析，提供操作方式的最優改進策略。

3.3 關鍵技術分析

開采大數據決策平臺關鍵技術：平臺基于工業化組態架構，通過該平臺開發的綜采自動化、智慧礦山等信息項目的應用，擔負著數據采集、通信、計算、存儲、顯示及監控邏輯的定制、控制設備動作等重要任務，是系統實時監控、數據分析、數據云發布、云服務數據采集轉換及存儲的中樞。開采大數據決策平臺工業化組態架構關鍵技術，如圖7所示。

圖7 開采大數據決策平臺工業化組態架構關鍵技術

數據中心部署架構：①數據中心包含數據存儲和處理。從各種Type和Stype的數據中抽取數據作為歷史數據，并且從已有的歷史數據中抽取數據集合，存儲到數據中心，使用數據流操作，最大限度保證數據的延續性，防止數據丟失。使用分布式系統，可以做到容災；②采用大數據分布式架構可以保證信息化的延續性，如圖8所示。隨著信息化程度的逐年提高，數據必然會有爆發期，如果在系統整合期，沒有大數據作為基礎條件，未來的可擴展性就會受到嚴重限制；③數據獲取技術。實現從設備到生產、排查、應急、預警、運維管理、運輸、用戶等生產全過程自動監測與感知，對獲取的海量數據實時監測并及時上傳，是實現智能化管理平臺的基礎；④數據管理技術。包括關系型和非關系型數據管理技術、數據融合和集成技術、數據抽取技術、數據清洗和過濾技術，具體是指礦山數據ETL、礦山數據統一公共模型等技術；⑤模塊化技術。針對現場的需求變更，需要加強各種系統間的協作，必須能夠及時響應功能需求的變更，在項目工程組態時，設計實現組態圖形畫面、變量、設備和腳本等，是一項繁雜而耗時的工作。所以通過提供豐富的模塊化功能，復用已有組態工程的內容，將組態工程中常使用到的設備、變量、腳本、畫面等工程組態內容分別生成模板，生成模塊化組態單元，從而在構建新項目時可以從模板中快速生成。在此過程中，用戶只需要按照向導做些簡單配置和變量、字符串替換等工作，就可以快速創建工程組態，大大提高工作效率。

圖8 大數據分布式架構

大數據挖掘關鍵技術：①大數據采集及管理技術。利用 HDFS(分布式文件系統)來處理節點服務器之間的交互。由于平臺是一個分布式系統集群，對于計算節點的服務器來說，服務器的硬件配置要求稍低，也避免了大量的服務器集群之間的數據傳輸問題。關于數據的安全性、容錯性、容災機制，則在HDFS上均有非常完善的體系機制，能夠達到毫秒級實時數據的接入，避免由于數據量大在傳輸中出現數據失幀、臟數據無法處理的現象。②大數據的分類、篩選方法。工作面的設備種類多，數據量大，因此研究“綜采工作面大數據”的分類、篩選方法非常必要。③過程數據挖掘技術。過程數據挖掘技術主要包括：數據的預處理技術研究，實現數據中的噪聲消除、丟失數據的恢復、錯誤數據的清理、多維數據的維數約減、特征提取、概念形成、標度統一；分析過程數據特征，選擇適當的挖掘模型，通過模式評估、分類等算法，對綜采工作面系統進行建模，并利用神經網絡技術提供智能決策；知識的可視化技術和方法研究，以一種圖形化的簡明形式呈現知識。④數據展現技術。數據解決方案自助分析工具包含報表工具和分析工具。自定義報表工具使用了報表引擎，為用戶開發出圖形界面，用戶就可以使用向導，無需編寫代碼，通過工具配置創建出一個報表，能更大程度上滿足用戶的數據需求。多維分析工具提供了豐富的圖形化展現界面和接口。⑤信息安全體系。平臺在數據傳輸、處理和存儲過程中建立信息安全體系，管理平臺將處理后的數據通過多層保護機制。一是數據本身的安全，對數據多重加密進行主動保護，并通過雙向強身份驗證之后才會發送至云服務平臺，從而保證數據的保密性、完整性；二是數據防護的安全，主要是采用云數據庫存儲手段對數據進行主動防護，同時通過云磁盤陣列、云數據備份、異地容災等手段保證服務端數據的安全。在數據處理和存儲的安全體系中，平臺主要保護數據庫在系統運行之外可讀的安全性。對數據庫中數據加密是為了增強關系數據庫管理系統的安全性，提供一個安全適用的數據庫加密平臺，對數據庫存儲的內容實施有效保護。防止出現某些敏感或保密的數據被不具備資格的人員或操作員閱讀，而造成數據泄密等后果。

4 結語

智能化綜采管理平臺項目以遠程通訊、物聯網、云計算、大數據、數據挖掘等高新技術為主導，以智慧監測管理理論為指導，建成面向礦山的智慧監測管理體系，實現信息數字化、控制自動化、故障預知化、決策智慧化，提升礦山系統的管理水平，降低人員及設備成本，實現經濟效益最大化。平臺的實施應用，可隨時隨地掌握工作面的動態工況，并為設備保養、生產工藝、系統優化、故障處理提供可靠的數據依據和決策依據，提高了礦井智能化綜采工作面的智能化程度，改進了現場管理方式，基于生產大數據構建深度數據挖掘模型，實現設備的精準控制、故障自診斷以及對生產工藝的智能決策，最終實現基于數據挖掘的智能化精準開采。