基于層次分析法的智能鉆機運行工序判識

朱錢祥，羅鵬平，王龍鵬，邢 望，王天龍

(中煤科工西安研究院(集團)有限公司，陜西 西安 710077)

煤礦鉆機通過鉆孔施工實現地質勘探、瓦斯抽采、水害防治等目標，保障了煤炭開采的安全性[1-2]。鉆孔施工作業時配置2-3 名工作人員，且工作人員需具備相應的鉆孔施工經驗，為實現“自動化減人、智能化無人”的目標且降低施工人員的能力需求，研發具有自主施工決策功能的智能鉆機已成為煤機企業的迫切需求。

智能鉆機應具有自主感知功能[3]，即利用鉆機運行過程中產生的傳感數據，識別當前執行工序并判斷其執行情況，為鉆機自主制定下一步的操作策略提供重要參考信息。煤礦鉆機是由機械系統、液壓系統和電控系統耦合而成的典型的多層次系統，其通過電控系統操控液壓系統，再由液壓系統驅動機械系統的方式實現鉆進施工過程，但由于鉆機結構設計的限制，煤礦鉆機可布置傳感器的種類和數量較少，導致了煤礦鉆機運行工序的判識難度較大。基于以上的分析，如何利用較少的傳感數據，結合煤礦鉆機的結構特征和運行機制，實現運行工序的判識是智能鉆機研發過程中需解決的重要問題之一。

煤礦鉆機傳感數據是工序判識過程的主要輸入參數，目前針對傳感數據的利用主要分為故障診斷和狀態控制兩類。通過在煤礦鉆機關鍵的液壓位置和機械位置布置對應的傳感器[4]，將獲得的數據采用閾值法[5]、神經網絡[6]、粒子群算法[7]對鉆機液壓信息、設備振動信號進行分析以得到鉆機故障信息。此外一些學者利用當前傳感數據進行鉆機運行狀態判斷[8]或實現鉆進穩定恒壓控制[9]。上述研究通過傳感數據對被監測設備狀態或鉆進動作進行分析，其研究成果有助于鉆機特定工序的判識。更進一步，工序判識需分析煤礦鉆機運行過程以獲得不同工序間關聯關系，以便將上述研究成果擴展應用于未被監測工序的判識。

煤礦鉆機工序的執行需要電控系統、液壓系統和機械系統協同實現[10-11]。針對煤礦鉆機這類典型的層次系統，可從不同的角度對其進行建模分析。從層次系統的設計結構角度分析，以圖形化描述語言對系統的信息層和物理層進行定性描述[12]；在此基礎上，以數學描述語言對層次系統物理信息交互過程進行定量性建模分析[13]。或從系統的運行特征角度出發，將系統劃分成不同粒度對象并對其耦合過程進行定量描述[14]。上述研究采用圖形符號、數學語言對系統“信息層-物理層”或“設備-功能-系統”進行了定性或定量的描述，其成果可用于煤礦鉆機的結構特征及運行機制的分析建模。

針對鉆機運行工序判識過程中傳感數據樣本數量少及鉆機運行過程建模困難的問題，采用層次分析法中的“設備-功能-流”的建模思想[15-16]，對鉆機系統結構和運行機制進行建模，并在上述模型基礎上建立貝葉斯網用于分析工序與傳感數據間關系，利用獲取的傳感數據作為實時證據輸入到上述貝葉斯網中，從而實現鉆機運行工序的判識功能。采用圖形符號法對鉆機運行過程中工序、功能和設備3 個層次進行描述建模，建立的模型能描述出鉆機各模塊間的耦合關系，并能依據較少的傳感數據樣本進行鉆機工序的判識。

1 鉆機運行工序的判識框架

煤礦鉆機工序判識的基礎是建立準確的判識模型，一般而言，該模型應當包含以下幾個要素，輸入參數、輸出參數和兩者之間關系的描述方法。基于上一章節所述內容，輸入為煤礦鉆機本體上傳感器所采集的數據，輸出則為鉆機運行過程中當前工序編號，輸入與輸出間關系為鉆機運行過程中設備與功能、工序間的交互特征。

鉆機本身傳感器數量有限，使得采集的傳感數據無法直接描述工序判識過程所需全部設備的狀態；此外，鉆機的各工序間并非獨立關系，由鉆進施工過程可以得出，不同工序通過串行組合或者并行組合實現某個施工目標，且不同工序的液壓驅動回路間存在影響關系。因此鉆機工序判識需依據有限的輸入傳感數據對關聯的工序狀態進行判斷。

傳感數據描述了當前設備的屬性，是一種微觀的信息，而鉆機工序代表了鉆機的動作屬性，是一種宏觀的信息，二者之間關系研究則需要建立一種從微觀到宏觀的映射模型。采用層次分析法研究鉆機的結構特征和運行機制，提取傳感數據、設備屬性、功能和工序間的關系，并利用貝葉斯網B 對上述關系進行定量的建模，從而實現鉆機運行工序狀態的判識。綜上所述，本文提出工序判識方法的框架如圖1 所示。

2 鉆機運行過程的層次建模

2.1 鉆機運行過程中層次模塊劃分

煤礦鉆機包含的設備數量眾多、設備功能復雜，若以設備為分析對象則極大增加鉆機運行過程研究的難度，綜合考慮鉆機的結構特征和運行機制，以層次分析法對煤礦鉆機運行過程中關鍵模塊按照不同粒度進行劃分，如圖2 所示。

圖2 鉆機的層次劃分Fig.2 Hierarchical division of drill rig

根據鉆機施工過程中操作特點，將鉆機的工序劃分成調平、給進、起拔、正轉反轉、上桿、上扣、卸扣、卸桿8 個工序，采用 Li代表工序，i=1,2,···,8。其中各工序由不同的機械動作按時間順序構成，將其定義為動作流，而各機械動作則由不同的液壓回路支撐，定義為物質流。流 F由不同的功能模塊按照一定的結構組成，采用 R代表功能。其中功能、流及工序的詳細描述如下。

功能為系統實現某個目標過程中所扮演的角色，由多個支撐設備構成[17]。按照功能的定義，將物質流中的功能劃分為源、傳輸、存儲、反應、接收等，將動作流中的功能劃分為各類動作。對于功能 R，采用下式對其進行描述。

流描述了液壓流動或機械動作組合的過程，其由多個關聯功能協同實現，流是一個帶著時間序列屬性的對象[17]。對流 F采用式(2)對其進行描述。

U為其他流對 F的影響，如液壓回路對動作流的驅動，或某條液壓回路受關聯液壓回路的影響；V為流 F對外界的影響；S為 F 的狀態描述，包含了支撐功能的Oi，i=1,2,···,n，n為構成流 F 的功能的數量；H為上述變量間的關系函數。

假設工序是由m條流共同作用實現，對于工序 L，采用下式對其進行描述。

Hi為實現工序 L 的流 Fi的描述式，如式(2)所示，i=1,2,···,m，K為上述流的組合過程描述。

2.2 鉆機運行過程中層次交互過程分析

按照層次分析法將鉆機的運行過程劃為功能、流和工序3 類模塊，鉆機運行過程利用上述3 類模塊的交互過程進行描述，按照功能與功能、流與流的交互過程對鉆機運行過程中層次交互過程進行描述，具體內容如下。

同一流內部功能與功能間影響過程，如圖3 所示，功能 R1與功能 R2同時作用于功能 R3。

圖3 功能間影響過程Fig.3 Interactions among functions

參考式(1)功能的定義，給出圖3 所示功能間交互過程的描述，如下式：

式(4)描述了在t時刻，功能 R1與功能 R2對外界的影響O1和O2共同作用于功能 R3，并對功能 R3產生了I3的影響，Γ為功能間影響的描述函數。

流與流之間的交互過程分析。如圖4 所示，物質流F1和物質流 F2共同作用于動作流 F3。

圖4 流間的交互過程Fig.4 Interaction between streams

參考式(2)中對流屬性描述，給出上述流之間交互過程的描述，如下式：

式(5)描述了物質流 F1在t1時刻對動作流 F3產生了V1的影響，物質流 F2在t2時刻對動作流 F3產生了V2的影響，Ψ為流間交互過程的描述函數。由式(4)可知V1為Γ(O3,I7,t1)=0，V2為 Γ(O12,I8,t2)=0。

3 基于層次模型的鉆機工序判識方法

3.1 貝葉斯模型的建模

鉆機運行過程的層次流模型包含了不同對象的屬性定義及對象間關系的定量描述，基于上述模型知識建立傳感數據與工序狀態間的推理模型。采用貝葉斯理論[18-19]結合鉆機層次模型知識進行建模，定義該模型為，其中N為節點集，C為貝葉斯網結構矩陣，T為節點發生的條件概率集。結合鉆機運行過程的層次流模型建立上述貝葉斯網，分成以下3 個步驟。

步驟1：確定節點集N的數量及屬性。依據圖2，N包含工序節點、流節點、功能節點和設備節點，增加傳感節點，節點值為0 或1，節點屬性見表1。

表1 節點屬性定義Table 1 Definition of nodes attribute

C

步驟2：確定貝葉斯網結構矩陣 ：即獲得各節點的父節點集，依據鉆機運行過程層次流模型中流、功能、設備的描述方法，以及傳感節點的描述，給出表2 的結構信息。

表2 父節點與子節點間關系Table 2 Description of a node and its child nodes

步驟3：確定條件概率集T的值：定義子節點為Y，其父節點為Xi，i=1,2,···,n。則Y的發生概率為p(Y|X1,···,Xn)。實際系統中獲得該條件概率較為困難，因此采用下式進行獲取。

p(X1,X2,···,Xn|Y)稱之為先驗概率，該值獲取來源于鉆機運行層次流模型中模塊的數學描述，以流節點與功能節點為例，流的定義為H(U,V,S,t)=0，其中流的狀態參數S包含所有支撐功能的參數Oi，由表1 可知，流節點Y的屬性為1 等價于該流參數S?[Smin,Smax]，其中[Smin,Smax] 代表該流屬性的閾值范圍，而S={O1,O2,···,On}，因此獲得Y=1 時功能節點屬性Xi=1 條件概率，即得到p(X1,X2,···,Xn|Y) 的數值；p(Y)為該流發生的概率，該值由專家依據鉆機運行過程中該流在施工過程中所占比例來獲取；p(X1,X2,···,Xn)為對應證據概率，由下式獲取。

其中，p(X1,X2,···,Xn|) 的獲取方式與p(X1,X2,···,Xn|Y) 一致。將式(7)、p(X1,X2,···,Xn|Y)和p(Y)的值代入式(6)即可獲得流節點屬性值為1 的條件概率。

同理，采用層次分析法中模塊定義和交互過程描述，以及節點屬性定義的知識可以推理出其他類型子節點屬性值為1 的條件概率。

由上述3 個步驟即可獲得用于工序判識的貝葉斯網，其中該模型中傳感節點不具有父節點，工序節點不具有子節點，故將傳感節點的屬性值作為模型的輸入，經過貝葉斯網運算獲得各工序節點屬性值為1 的概率，即模型的輸出。

3.2 鉆機運行工序判識實現

接下來由傳感數據的值獲得貝葉斯網中傳感節點的屬性值，因各類傳感器采樣頻率和采集數據值范圍各不相同，需將其統一到傳感節點的二元屬性。假定某傳感器在t+iΔt采樣時刻的數據為 ε(ti)，其中i=1,2,···,n，且 ε(t0)為t時刻經過閾值判斷處理后的傳感數據。對上述數據的處理流程見表3。

表3 傳感數據的處理流程Table 3 Processing flow of sensing data

由上述算法可知，采集后的數據需要過濾，再由過濾后的數值進行閾值判斷，從而獲得該傳感器的傳感節點屬性。如m個傳感器在t,t+iΔt采樣時刻獲到數據為εj(ti)，其 中i=1,2,···,n，j=1,2,···,m。由 表3 方 法獲得在t+nΔt時刻的所有傳感節點的屬性值z={r1,r2,···,rm}，將z作為證據輸入到貝葉斯網 B，經過推理可獲得工序 Li的發生概率為p(li=1|r1,r2,···,rm)，即可實現鉆機工序的判斷目標。

4 實驗及結果分析

4.1 實驗平臺及系統建模

以ZDY23000LDK 鉆機為實驗平臺，采集鉆機運行數據對鉆機工序進行判識。以鉆機的上扣工序為對象，建立層次模型，具體地，利用鉆機的液壓系統建立相應的物質流，利用鉆機的操作方式建立鉆機的動作流，利用功能與流間關系，建立各條流的組織結構，從而建立上扣工序的層次流模型，如圖5 所示，其中各符號的定義如圖4 所示一致。

圖5 上扣工序的層次模型Fig.5 Hierarchical model of makeup process

圖5 中，動作流 F1描述了鉆機動作的組合，該組合實現了上扣的工序。而物質流F2-F4則描述了驅動F1的液壓回路，物質流和動作流間的交互過程通過功能間的交互影響而實現。結合鉆機的結構特征和運行機制，給出圖5 中各功能的描述及支撐設備，見表4。

表4 上扣工序中功能描述Table 4 Description on the functions in makeup process

表4 顯示上扣的層次模型內功能及其支撐設備間的關系，同理，建立鉆進和起拔的層次模型。在上述層次模型基礎上，建立包含上扣、鉆進、起拔工序的貝葉斯網絡，如圖6 所示，其中ri為傳感節點屬性，di為支撐功能的關鍵設備集合屬性，gi為涉及到關鍵功能節點屬性，fi為實現工序的相應物質流和動作流的節點屬性，li為上述3 個典型工序的節點屬性。

圖6 鉆機三類工序的判識貝葉斯網Fig.6 Bayesian network for the process identification

圖6 貝葉斯網描述了傳感器、設備、功能、流和工序間的關系，考慮了圖6 中節點數量較多，給出了上扣工序判斷過程中涉及到的工序節點、流節點、功能節點、設備節點及傳感節點的定義，見表5。

表5 鉆機工序節點表述Table 5 Definition of the nodes in operation processes of drilling rig

4.2 實驗結果及分析

本實驗對上扣 L1、鉆進 L2和起拔 L3三種典型工序進行判斷，針對上述3 個工序和鉆機停止情況分別采集了5 組數據，對數據進行閾值判斷并求平均值，得到結果見表6。

表6 鉆機運行數據Table 6 Sensing data of drill rig

對表6 中數據采用表3 所示方法進行處理，獲得證據為z1={1,1,1,0,0,0,0,1}，z2={1,1,0,1,0,1,1,1}，z3={1,0,0,0,1,1,1,1}和z4={0,0,0,0,0,0,0,0}，將上述證據分別輸入圖6 所示模型中傳感節點 {r1,r2,···,r8}進行推理，獲得各工序 L1、L2和 L3的發生概率，工序判識結果見表7。

表7 工序判識結果Table 7 Result of process identification%

由表7 結果可以得出，將上扣工序 L1執行過程中產生的數據輸入到圖6 所示模型中，推理出鉆機當前工序為上扣執行概率為85.3%，鉆進工序執行概率為9.1%，起拔工序執行概率為5.6%，從而得出當前工序為上扣工序，與表6 中信息相吻合。表7 中其他結果同樣顯示該工序判識方法可以準確地識別出鉆進工序和起拔工序，故本文提出的基于層次分析法的鉆機運行工序判識方法，能較為準確地判斷出鉆機當前執行工序的編號，也即實現了工序的判識目標。

5 結論

a.提出了基于層次分析法的鉆機運行工序的判識方法，對煤礦鉆機運行過程中關鍵工序進行識別。結果顯示：對于多設備耦合的復雜系統，采用功能為基本粒度的層次建模方法，不但能極大簡化鉆機運行過程的分析難度，并且能準確地進行鉆機工序的判識。

b.鉆機運行過程中，有限的傳感數據和鉆機運行狀態存在著直接和間接的關聯關系，提出的鉆機運行層次模型通過挖掘上述關系，實現鉆機工序的判識，進一步，該方法可以分析和預測控制指令的執行情況，為后續智能鉆機研發提供了有效的技術支持。

c.提出方法的核心是分析鉆機交互過程以及在此基礎上建立概率推理模型，其中交互過程分析和貝葉斯網概率給出需依賴專家經驗。因此，后續將繼續對上述專家經驗的獲取方法進行研究，以提升工序判識方法的準確率。

符號注釋：

C為貝葉斯網結構矩陣；d為設備節點屬性；f為流節點屬性；g為功能節點屬性；G為功能描述函數；H為流描述函數；I為功能受到的影響；K為工序描述函數；N為貝葉斯網節點集；O為功能對外界影響；S為流的狀態屬性；T為貝葉斯網條件概率集；U為流受到的影響；V為流對外界影響；Γ為功能間交互函數；Ψ為流間交互函數；l為工序節點屬性；p為概率值；r為傳感節點屬性；z為證據集；ε為傳感數據值。