綜采工作面采煤機記憶截割自動化控制技術研究

王 治

（西山煤電集團有限責任公司鎮城底礦， 山西 太原 030053）

引言

煤炭作為我國的基礎能源，在我國能源生產及消費中占主導地位。隨著，煤礦采掘技術的快速發展，煤礦綜采工作面也正朝著無人化或少人化方向發展。采煤機自動化是機械化采煤工作面邁向智能化工作面的關鍵技術支撐，工作性能直接決定了煤礦的開采效率。近年來我國綜采面的機械化程度不斷趨于智能化、無人化、自動化，采煤機作為我國重要的煤礦開采設備[1-2]，其主要負責截煤、落煤、裝煤等工作，采煤機正在工作過程中，由于煤礦環境較為惡劣，使得采煤機管理十分復雜，為了保證采煤機安全運行，對采煤機自動化管理技術研究十分重要[3-4]。本文基于煤巖識別技術對從采煤機自動化管理進行研究，為綜采面機械自動化發展提供一定的參考。

1 采煤機智能煤巖識別技術

采煤機自動化生產是一個十分復雜的工作。其主要是通過傳感器、信息技術、人工智能技術、科學技術等組合而成的一項應用化技術。采煤機按照設定的參數進行自動化割煤，有效提升礦井采煤機的工作效率。煤巖識別技術是采煤機自動化的關鍵。在工作面日常開采過程中，由于煤層常常會出現夾矸的情況，采煤機無法分別煤與矸石而進行統一截割，使得采煤機截齒發生較大的磨損，且影響礦井的出煤率，加大了勞動強度。

目前，煤巖識別技術可以大致分為兩大類，分別為物理識別法和圖像識別法，物理識別法主要包含同位素探測法、紫外線探測法、無線電探測法及噪聲探測法等。隨著21 世紀人工智能的不斷發展，基于機器學習的圖像煤巖識別方法逐步發展。傳統的圖像識別方法主要依靠煤巖圖像色彩進行識別，此類方法識別效率低、識別精度較差，不能同時識別不同物體，所以本文研究基于機器深度學習算法的煤巖識別技術。

2016 年提出Faster R-CNN 物體識別算法，通過測試發現，Faster R-CNN 算法不僅能夠提升煤巖識別的速度，同時圖像識別的精度也得到了很大的提升，Faster R-CNN 物體識別算法是端到端的網絡，其通過建立卷積神經網絡提取圖像的特征，代替原有的手動提取，使得速度提升了250 倍。Faster R-CNN 網絡是由反向及前向傳播網絡兩個部分組成，對輸入的數據進行分析，從而給出輸出數據，同時通過對比輸出數據與實際監測數據的差值，從而得到最優的參數。Faster R-CNN 物體識別算法的前向傳播網絡共由4個子單元構成，分別為VGG16 網絡、RPN 網絡、ROI Pooling 網絡及R-CNN 網絡。

基于Faster R-CNN 物體識別算法及編程語言編寫機器學習語言，網絡通過ImageNet 識別VGG16 卷積神經網絡，對各參數進行初始化。對參數進行優化，設定學習頻率為0.001 Hz，訓練次數為4 800 次，動量設定為0.9 kg·m/s，每次訓練出圖100 張，此時得出煤巖識別結果，煤巖識別結果如圖1 所示。

圖1 煤巖識別結果圖

如圖1 所示，形成的圖片會有紅色外框，同時在外框的上端邊界位置會標出判別的可信度。可以看出可行度均大于0.9 kg·m/s，所以基于Faster R-CNN 物體識別算法準確性較高且計算速度較快。

2 煤層模型建立及截割線路分析

在復雜工作面，實現采煤機智能化、自動化開采需要對煤層的地質信息進行預先感知，通過建立三維煤層模型使得煤層內部地質情況區域透明化、數據化、可視化，所以建立合理的地質模型十分重要。模型的建立主要依賴于地質的數據及對數據的處理。首先對煤層地質進行鉆孔，分別測量煤層開切眼巷、運輸巷、回風巷等頂板底板的物理參數。對煤層表面三角網模型進行建立，選用狄羅尼三角網進行模型建立，狄羅尼三角網具有數據處理快及表觀特性及局部更新速度快等優點，按照6 個刨分準則進行刨分，分別為：最短距離和準則、最大最小角準則、空外接圓準則、面積比準則、張角最大準則，通過高低不同的三角網顯示煤層地質表觀特性。同時選用D-TIN-GTP 放樣建模法對煤層模型進行生成，利用生成的狄羅尼三角網，找出頂板煤層頂板底板的三角形放樣命令對煤層地質模型進行建立。煤層地質模型建立流程如圖2所示。

圖2 煤層地質模型建立流程如圖

如圖2 所示可以看出，首先進行模型數據點的信息讀取，形成頂板底板三角網，完成三角網建立后對模型生成準則進行驗證，檢查圖形信息對應關系，當對應關系不符時，此時重新回到三角形圖元數據界面調整數據信息，當圖元信息相互對應后執行放樣命令，此時煤層地質模型建立完成。完成煤層模型初步建立后對基于信息融合對模型進行修正，具體步驟大致分為獲取信息、提煉信息、信息分析對比、作出優化決策。數據融合修正后煤層曲面圖如3 所示。

完成煤層模型設定后對模型的預割煤線進行研究，傳統的記憶割煤技術在應用過程中，常常會受到煤層厚度及煤層傾角變化的影響，此時自動截割的精度將會大大折扣，所以需要對采煤機的預截割線路進行研究，實現采煤機自動化管理。

圖3 數據融合修正后煤層曲面圖

首先需要對采區進行統一坐標，通過構建的采區地理信息，將煤層地質模型信息與采煤機姿態位置信息進行融合。根據采煤機與開采煤層間的空間位置信息及工況環境，設定采區正東方為建立坐標軸的X軸，采取正北方為坐標軸的Y 軸，垂直向上方向為坐標軸的Z 軸。利用慣性導航技術進行截割線的確定，慣性導航技術是通過測量元件得到的線參數及角參數計算得出采煤機位置、速度及姿態位置的一種導航方法，此方法不受到外部信息的干擾，準確、及時、全面定位采煤機的姿態位置。完成采煤機姿態位置確定后，利用遺傳算法對割煤線路進行優化分析，實現割煤線路的平滑貼合。確保割煤線路與煤巖分界線完美貼合，保證切割準確性，提升礦井開采的經濟效益。采煤機優化割線結果如圖4 所示。

圖4 采煤機優化割線結果

從圖4 可以看出，采用遺傳算法可以較好優化采煤機的割煤線路。由圖4 可以看出，煤層模型頂板曲線和優化后的割煤線路有著較大的差異，經過優化后的曲線平滑。保證了較高的回采率，有效提升了采煤機自動化運行可行性。

3 結語

本文為了研究采煤機自動化管理平臺，對基于機器深度學習算法的煤巖識別技術進行分析，通過煤巖識別結果圖驗證了機器深度學習煤巖識別技術的優越性。同時通過對煤層模型建立及截割線路等進行分析，為采煤機自動化管理技術實現提供保證，為礦井智能化、自動化工作面建設作出一定的貢獻。