綜放工作面放煤量激光掃描自適應監測技術研究

胡而已，葉 蘭，孫益壯，呂東翰

(1. 應急管理部信息研究院，北京市朝陽區，100029；2. 中國礦業大學，江蘇省徐州市，221116)

煤礦智能化開采是引領煤炭工業高質量發展的重要技術手段[1]，當前智能化已進入全面發展階段，薄中厚煤層的智能化工作面建設均取得了突破性進展[2]，然而，綜放工作面的智能化技術難度大，其中放煤精準控制[3-5]是亟待解決的技術難題之一。傳統放頂煤需要依靠工人眼看、耳聽獲得放煤口的落煤情況，來及時控制支架尾梁擺動和插板收放[6-7]，但工人現場作業環境差，易出現過放或欠放[8]。因此，綜放工作面放煤量的實時在線監測是實現智能精準放煤的前提，工作面后部刮板輸送機的煤流動態參數[9]是放煤機構動作和控制的重要依據。目前國內外學者針對煤流量的在線監測開展了部分研究，鄭忠友等[10]利用紅外線掃描儀進行了工作面端頭轉載機煤流量的監測研究，但轉載點煤量負荷監測具有一定滯后性；李玉杰[11]、劉景軍等[12]通過在刮板輸送機上方安裝機械擋板，通過測量其夾角變化推算煤量，但該方法只能測量煤流的單點高度信息，測量精度較低；馮梅等[13]提出了一種基于支持向量機的輸送帶煤流量短時預測算法，但在綜放工作面復雜工況下的實際應用還未見報道。

綜放工作面推進過程中，液壓支架的位姿隨時發生變化，因此安裝在支架后部的煤流監測傳感器與測量對象間的幾何關系不固定，給煤流掃描監測帶來了巨大挑戰，筆者提出了一種隨動激光掃描技術，設計了綜放工作面放煤量激光掃描自適應監測系統，并開展了實驗室模擬和現場工業性試驗。

1 放煤量激光掃描監測系統設計

放頂煤過程是通過液壓支架尾梁擺動以及插板的伸縮實現的，在煤巖沿液壓支架尾梁滑落到后刮板輸送機的過程中，從液壓支架上方滑落下來的煤流表面速度明顯大于內部煤速，下落煤流內部不同區域之間煤速也有明顯差別，因此通過對臨近放煤口的刮板輸送機上部堆煤量測量，可反映放煤口的實際放煤量。

放煤量激光掃描智能監測系統模型如圖1所示，在井下刮板輸送機上方依托液壓支架分別安裝激光掃描儀、傾角傳感器和工控機。放煤量激光掃描智能監測技術結構如圖2所示，包括掃描角度自適應補償模塊、基于激光掃描的煤流初始體積計算模塊、基于灰色理論的煤流體積誤差修正模塊和小波神經網絡放煤量短時預測模塊。

圖1 放煤量激光掃描智能監測系統模型

圖2 放煤量激光掃描智能監測技術結構

(1)掃描角度自適應補償模塊。采用傾角傳感器實時感知液壓支架和掃描裝置位姿，計算激光掃描儀掃描角度偏移量，進而實時調整激光掃描儀掃描角度，實現放煤量自適應監測。

(2)煤流初始體積計算模塊。根據激光測距原理，通過一系列煤流表面輪廓進行激光掃描采樣，形成刮板輸送機上堆煤截面高度參量序列，經過數據預處理和曲線擬合可得到煤堆的表面輪廓線，然后由上位機軟件進行建立坐標系、標定、建模和數據計算，通過對比空載時刮板輸送機輪廓線，得到實際煤堆截面輪廓，進而通過黎曼積分計算得到煤堆實時截面積，再根據編碼器測得的刮板輸送機速度，計算得出瞬時煤量體積。

(3)煤流體積誤差修正模塊。利用煤流量計算測量值與真實值的差值序列形成原始數據，通過累加、累減處理，提高觀測數據的規律性，然后通過預測模型對后續差值進行合理預測，進行體積修正。

(4)放煤量短時預測模塊。根據修正后的一段時間的放煤量數據，采用小波神經網絡算法得到短時間后刮板輸送機上放煤量的預測值。

同時，工控機通過以太網接入放煤決策系統，實時傳輸放煤量以及短時間放煤量預測值，當超過設定閾值時，控制液壓支架停止放煤，有效避免了過放、欠放以及刮板輸送機過載，從而提升生產效率。

2 放煤量激光掃描智能監測技術

2.1 激光掃描角度自適應調整

基于激光掃描獲取放煤量的監測裝置安裝在液壓支架上，液壓支架的升起、推移以及尾梁的收放都會使得激光掃描裝置與刮板輸送機的相對位置發生變化，甚至由于相對角度的變化，導致激光掃描裝置無法掃描到刮板輸送機上的全部煤堆輪廓。支架位姿變化對掃描范圍影響示意如圖3所示。

圖3 支架位姿變化對掃描范圍影響示意

角度補償計算原理如圖4所示，采用傾角傳感器測量激光掃描裝置俯仰角α以及液壓支架后連桿與垂直方向的夾角β，通過上述測得的液壓支架姿態變換前后的夾角、液壓支架后連桿的轉動中心與刮板輸送機表面垂直距離h、激光掃描裝置安裝位置與液壓支架后連桿轉動中心的距離m等參數計算得出補償角度。

圖4 角度補償計算原理

設圖4位置1為液壓支架位姿變換前姿態，位置2為變換后姿態，則傾角傳感器a、b分別測得的位姿變換前激光掃描裝置俯仰角為α1，液壓支架后連桿與垂直方向的夾角β1；位姿變換后激光掃描裝置俯仰角為α2，液壓支架后連桿與垂直方向的夾角β2。

由圖4可知，若要求出位姿變換后激光掃描裝置的補償角度θ，即實際掃描中心線與理想掃描中心線的夾角，需要求出理想掃描中心線與垂直方向的夾角γ，補償角θ計算公式為：

θ=α2-γ

(1)

將激光掃描中心線、垂線以及刮板輸送機表面水平輪廓線視為三角形，則有：

式中：H1、H2——位姿變換前后激光發射點距離刮板輸送機表面垂直距離，m；

n——位姿變化前后掃描裝置的水平距離。

H1、H2的計算式為：

聯立可得：

(8)

2.2 基于黎曼積分的初始體積計算

研究采用的德國西克(SICK)公司激光測距儀LMS111-10100是一種光電激光傳感器，基于飛行時間(TOF)原理[14-15]， 使用激光束掃描平面內周圍的環境。當激光束入射到物體上， 則以距離和方向的形式給出物體的確定位置，并以二維坐標的方式描述[16]。由于機械振動以及煤的低反射率和放煤工作面的環境干擾，會產生掃描點“丟失”的現象，筆者采用最小二乘法對原始掃描輪廓進行曲線擬合，彌補缺失的掃描點補全輪廓，用處理后的數據計算得到實時的煤流量。

煤流量是單位時間內通過某有效截面的質量，即煤的密度乘以單位時間內通過某有效截面的煤的體積[17]，計算式為：

Q=ρVt

(9)

式中：Q——煤流量，kg/s；

Vt——單位時間內通過激光掃描截面煤流體積，m3/s；

ρ——煤的密度，kg/m3。

LMS111激光束按照角度編碼器的約束逐步地以扇形方式掃描周圍環境，掃描頻率為f，在測量過程中，激光掃描儀每掃描一次獲取一幀橫截面數據，也就是激光脈沖獲取一幀橫截面數據的時間是1/f；安裝在刮板輸送機上獲取刮板輸送機瞬時移速為vi，i為當前時刻獲取截面的幀數，則每掃描一幀橫截面數據，刮板輸送機移動的距離為vi/f；那么激光掃描儀掃描第i幀通過掃描界面煤的體積為：

(10)

式中：Si——煤堆第i幀橫截面積，m2。

單位時間內通過掃描界面煤流體積為：

(11)

式(11)中煤的密度ρ、掃描頻率f均已知，刮板輸送機瞬時速度vi可以通過編碼器獲得，所以只需要計算出煤堆實時橫截面積Si，即可測得煤流量。

根據激光掃描測量原理，得到刮板輸送機表面以及煤堆截面點云數據，為提高測量及計算精度，首先利用最小二乘法對數據進行預處理，剔除異常噪聲及補全點云丟失，經過曲線擬合后，可以得到刮板輸送機空載截面輪廓和有載截面輪廓。其中，刮板輸送機將敞開的溜槽作為煤炭、矸石或物料等的承受件，其橫截面是一個規則的矩形凹槽，而煤流表面輪廓可以視作一段不規則曲線，如圖5所示，因此利用三角形微元法結合扇形微元法計算第i幀煤流橫截面積公式為：

圖5 第i幀煤流橫截面積計算原理

(12)

式中：α——激光掃描儀角分辨率；

n——激光數據點個數；

2.3 基于灰色理論的煤流體積修正算法

由于井下刮板輸送機振動、激光“丟點”以及刮板輸送機煤料塊狀隨機分布，煤料內部存在不均勻間隙，而激光掃描僅能獲取煤流表面輪廓，對于煤塊間隙存在“盲區”，且利用最小二乘法進行曲線擬合，雖然一定程度上補全了缺失的掃描點，但是不可避免地會產生一些誤差，因此測量值與實際體積存在較大的隨機性誤差。為獲取較為精確的測量值，筆者采用灰色理論GM(1，1) 預測模型，根據計算測量值與真實值的差值序列，對后續差值進行合理預測，進行體積修正，從而消除振動、激光“丟點”以及煤料間隙對體積的影響。

灰色理論GM(1，1)模型通過對原始數據序列用累加的方式生成一組趨勢明顯的新數據序列，按照新數據序列的增長趨勢建立回歸序列的灰色模型進行預測，然后再用累減的方法進行逆向計算，恢復原始數據序列，進而得到預測結果。通過累加、累減處理，提高觀測數據的規律性，弱化隨機性。對處理后的數據建立微分方程，可以充分利用信息，從抽象系統中挖掘出數據較為本質的特征，具體算法如下。

(1)設原始數據為x(0)={x(0)(1)，x(0)(2)，…，x(0)(n)} ，此處原始數據為煤流量計算測量值與真實值的差值序列。對x(0)累加生成新的數列為：

(2)生成x(1)的鄰均值等權數列：

(3)根據灰色理論對x(1)建立GM(1，1)白化微分方程：

(17)

式中：a——發展系數；

u——灰色作用量。

(18)

只要求出參數a、u，即可求出x(1)(k)，進而求出預測值。

(4) 對累加生成數據做均值生成B與常數項向量Yn：

(21)

(22)

(23)

則后續煤料體積計算修正值為：

(24)

2.4 基于小波神經網絡的煤流量短時預測

小波分析擁有強大的非線性連續函數逼近能力，在時頻域分辨能力強，能夠獲得更高的數據擬合和預測精度。小波神經網絡(WNN)是在傳統BP神經網絡基礎上引入的小波分析，同時具有小波分析與神經網絡的特點，用小波基函數代替隱含層的激勵函數(sigmoid) ，使網絡擁有更加高效的收斂能力和更好的模型擬合能力。

在任意平方可卷積空間L2(R) 中，將f(t)函數通過小波基函數進行展開，其連續小波變換表達式為：

(25)

式中：a——伸縮因子；

b——平移因子；

研究證明3層神經網絡可以解決所有復雜非線性問題[18-19]，因此應用輸入層、隱含層和輸出層構成3層網絡拓撲結構，如圖6所示，其中輸入層x1,x2,…，xk為實測煤流量序列，輸出層y1,y2,…，ym為放煤量預測值，隱含層傳遞函數h1,h2,…，hk為小波基函數，筆者在放煤量預測研究中采用的是Morlet小波基函數。

圖6 小波神經網絡結構

當輸入數據序列xi(i=1，2，…，k) 時，網絡的隱含層輸出可表示為：

網絡的輸出層輸出可表示為：

(27)

式中：ωjn——隱含層和輸出層的連接權值；

aj——對應小波基函數hj的伸縮因子；

bj——對應小波基函數hj的平移因子。

根據梯度下降法，預測誤差e計算公式：

(28)

式中：y*(n)——期望輸出；

y(n)——實際輸出。

在學習的過程中，根據預測誤差e的反向傳播訓練，調整網絡權值和小波基函數的伸縮、平移因子，預測模型的輸出值不斷逼近期望的輸出值，網絡權重值的學習公式為：

(29)

式中：η——神經網絡的學習速率。

3 測試分析

煤流量監測系統上位機軟件交互界面如圖7所示，主窗口包括通訊模塊、功能模塊、顯示模塊、信息模塊、數據模塊。

圖7 煤流量監測系統上位機軟件交互界面

為驗證放煤量激光掃描自適應監測技術的有效性及精確度，在中國礦業大學搭建了激光掃描自適應模擬實驗臺，對激光掃描角度的自適應調整進行測試實驗，并在晉能控股集團塔山煤礦8222工作面進行現場作業試驗。運行上位機軟件的工控機配置為：core i7-7500u，內存4 GB，Windows10系統。

(1)掃描角度自適應調整。激光掃描自適應模擬實驗臺如圖8所示，激光掃描設備懸掛在模擬液壓支架的實驗臺架上，利用平直帶式輸送機模擬刮板輸送機，考慮到實驗室情況，帶速設置為0.3 m/s，通過水平偏移不同距離仿真模擬實際工況下液壓支架的位姿變化，進行激光掃描角度自適監測實驗，實驗結果如圖9所示。

圖8 激光掃描自適應模擬實驗臺

圖9(a)為初始位置激光掃描輪廓圖像，此時激光掃描儀安裝于輸送機正上方，掃描角度中心線垂直向下，輸送機居中處于上下掃描邊界間的掃描范圍內。由圖9(b)、9(d)、9(f)、9(h)和9(j)可知，隨著激光掃描裝置位置的偏移逐漸增大，輸送機逐步脫離出掃描下邊界，對偏移后的裝置角度自適應調整后，如圖9(c)、9(e)、9(g)、9(i)和9(k)，掃描角度中心線始終指向輸送機輪廓中心位置，且輸送機能全部被激光掃描儀掃描范圍覆蓋。

此外，根據圖9調整不同偏移角度后的輸送機上煤塊掃描輪廓，將不同調整角度后的輪廓和圖9(a)對比分析可知，隨著調整角度(掃描中心線與輸送機垂直方向夾角)的增大，調整角度后的煤塊掃描輪廓與初始位置輪廓偏差隨之增大。產生這種現象的原因是，隨著激光發射中心點的偏移，激光發射器發射的紅外激光會被靠近激光發射器的掃描物遮擋，導致掃描輪廓出現偏差。結合現場試驗，在實際液壓支架安裝工況下，激光掃描設備無法安裝在測量結果最好的刮板輸送機垂直方向上，因此激光掃描裝置掃描中心線總會相對于垂直方向偏移一定角度，根據對塔山煤礦8222工作面液壓支架后尾梁可供安裝位置實測，激光掃描裝置安裝后偏移角度在30°～60°之間，基于上述分析，實際安裝位置的掃描中心線與輸送機垂直方向的夾角保持在30°最佳。

圖9 激光掃描裝置角度自適應調整效果

(2)放煤量計算。在晉能塔山煤礦8222工作面進行了工業性現場試驗，測量包含有液壓支架遷移過程的放煤量，現場試驗如圖10所示，現場實驗數據見表1。

圖10 現場試驗情況

由表1數據可看出，本測量系統測量值實際放煤體積存在一定的相對誤差，未用灰色理論GM(1，1)模型體積修正方法測量煤流量誤差偏差較大，平均誤差為11.45%，采用體積修正算法后，平均誤差為3.5%，測量精度得到改善，結果表明放煤量激光掃描自適應監測技術能夠對掃描角度自適應調節，實現煤流量的準確監測，滿足現場要求。

表1 放煤量試驗誤差分析

(3)放煤量短時預測。根據2020年6-8月采集的現場煤流量數據，劃分訓練集和測試集，對模型參數進行訓練，并利用測試集評估模型預測性能。實際放煤量與利用小波神經網絡預測放煤量如圖11所示。由圖11實際放煤量與預測放煤量變化趨勢可以看出，由小波神經網絡建立的預測模型能夠較好地擬合出實際放煤量。為更為直觀地對比放煤量預測值與實際值差別，建立兩者相對誤差分布圖，如圖12所示，放煤量預測值與實際值誤差基本在±10%波動，表明小波神經網絡預測模型可以較好地預測短時放煤量，將其應用在放煤量監測系統中，實現放煤量的超前預測是可行的。

圖11 放煤量預測結果

圖12 預測值與實際值相對誤差

4 結論

(1)激光掃描范圍“跑偏”、點云“丟失”以及煤塊間存在的非均勻分布的間隙是導致煤量計算誤差較大的主要原因，建立了小波神經網絡放煤量預測模型，實現對放煤量的超前預測。

(2)提出了一種綜放工作面放煤量激光掃描自適應監測技術。搭建了包括掃描角度自適應補償模塊、基于激光掃描的煤流初始體積計算模塊、基于灰色理論的煤流體積誤差修正模塊和小波神經網絡放煤量短時預測模塊技術框架，并利用C++語言實現系統上位機軟件的開發。

(3)實驗室實驗模擬及現場試驗分析表明，該技術能夠對掃描角度自適應調節，對放煤量進行準確監測、預測，為后期放煤決策提供了可靠的信息基礎。在進一步研究工作中，如何實現激光測量裝置在液壓支架后放煤空間的運動監測，以實現對放煤口的“跟隨式”監測，是研究的重點內容。