丁 華，楊亮亮，鄧金濤，常 琦

(1.太原理工大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，山西 太原 030024；2.煤礦綜采裝備山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024)

隨著綜采裝備信息化、自動(dòng)化的實(shí)現(xiàn)，其工作效率、可靠性及安全性都有了很大提高[1，2]。采煤機(jī)作為綜采工作面的核心，在提高綜采裝備的產(chǎn)量、工作效率以及生產(chǎn)的安全性方面具有現(xiàn)實(shí)意義[3]。隨著礦山機(jī)械設(shè)備的發(fā)展和采煤機(jī)設(shè)計(jì)技術(shù)的提高，對(duì)采煤機(jī)的技術(shù)參數(shù)設(shè)計(jì)提出了更高的要求。

目前現(xiàn)代設(shè)計(jì)方法發(fā)展迅速，通過(guò)對(duì)數(shù)據(jù)的分析、建模并將模型應(yīng)用于設(shè)計(jì)系統(tǒng)，可實(shí)現(xiàn)產(chǎn)品的快速開(kāi)發(fā)。在采煤機(jī)設(shè)計(jì)中也有初步的運(yùn)用，丁華[4，5]通過(guò)創(chuàng)建采煤機(jī)實(shí)例庫(kù)與設(shè)計(jì)知識(shí)規(guī)則庫(kù)分類表示采煤機(jī)設(shè)計(jì)知識(shí)，將基于實(shí)例推理(Case-Based Reasoning CBR)與基于規(guī)則的推理(Rule-Based Reasoning RBR)混合推理機(jī)制應(yīng)用于采煤機(jī)的概念設(shè)計(jì)過(guò)程，并基于UG開(kāi)發(fā)了采煤機(jī)數(shù)字化設(shè)計(jì)系統(tǒng)；姚晶[6]通過(guò)數(shù)據(jù)庫(kù)相關(guān)知識(shí)，利用實(shí)例推理方法，用CBR創(chuàng)建了采煤機(jī)概念設(shè)計(jì)系統(tǒng)。對(duì)于綜采裝備，徐天彬[7]對(duì)特大型礦井超長(zhǎng)綜采工作面的主要設(shè)備選型原則和方法進(jìn)行分析計(jì)算，闡述了綜采工作面 “三機(jī)”配套中應(yīng)考慮的一些因素，為類似工作面設(shè)備的合理選型與配套提供參考；鄭偉[8]針對(duì)薄煤層工作的地質(zhì)條件，基于綜采設(shè)備選型原則，對(duì)主要設(shè)備選型進(jìn)行分析和計(jì)算，為薄煤層工作面綜采提供參考；吳勇生[9]闡述了綜采工作面主要機(jī)械設(shè)備的選型原則、理論計(jì)算依據(jù)以及三機(jī)合理配套的相關(guān)要求；王國(guó)法[10]研究了不同厚度煤層綜采裝備關(guān)鍵技術(shù)及集成配套方法。

上述文獻(xiàn)對(duì)采煤機(jī)的相關(guān)設(shè)計(jì)展開(kāi)了不同的研究，并且采用智能方法進(jìn)行采煤機(jī)設(shè)計(jì)，但是對(duì)采煤機(jī)設(shè)計(jì)只局限于采煤機(jī)本身，未考慮采煤機(jī)實(shí)際工作條件，忽略采煤機(jī)與其它工作設(shè)備參數(shù)之間的潛在聯(lián)系(產(chǎn)量參數(shù)關(guān)系、空間位置參數(shù)關(guān)系)等實(shí)際問(wèn)題，使得采煤機(jī)整體方案解決能力弱、適應(yīng)性差。綜采裝備的研究大多采用傳統(tǒng)的經(jīng)驗(yàn)設(shè)計(jì)方法，導(dǎo)致采煤機(jī)設(shè)計(jì)效率低等缺陷。

針對(duì)采煤機(jī)設(shè)計(jì)過(guò)程中存在的上述問(wèn)題，本文基于生態(tài)學(xué)理論構(gòu)建采煤機(jī)生物學(xué)模型，考慮采煤機(jī)實(shí)際工作中與液壓支架、刮板輸送機(jī)之間的相互協(xié)調(diào)，通過(guò)極限學(xué)習(xí)機(jī)預(yù)測(cè)模型不僅得到采煤機(jī)技術(shù)參數(shù)，同時(shí)為采煤機(jī)對(duì)應(yīng)的綜采工作面配合設(shè)備提供相關(guān)協(xié)同參數(shù)，這提高了技術(shù)參數(shù)的準(zhǔn)確性和設(shè)計(jì)效率。

1 采煤機(jī)生物學(xué)模型構(gòu)建

1.1 采煤機(jī)生物學(xué)模型

綜采工作面生態(tài)學(xué)模型基于生態(tài)學(xué)理念，將其包含的機(jī)械設(shè)備類比為生物體，通過(guò)生物學(xué)在生態(tài)學(xué)中的相互影響關(guān)系，結(jié)合實(shí)際綜采裝備工作條件，分析采煤機(jī)技術(shù)參數(shù)與相關(guān)協(xié)同參數(shù)等。

在同一時(shí)間、相同環(huán)境中工作產(chǎn)品(采煤機(jī)、液壓支架、刮板輸送機(jī)等)的集合組成綜采工作面的產(chǎn)品群落。由于受不同的工作需求、環(huán)境影響等，使采煤機(jī)、刮板輸送機(jī)和液壓支架之間處于一個(gè)相對(duì)穩(wěn)定的平衡狀態(tài)。采煤機(jī)為主導(dǎo)種群，在平衡狀態(tài)中起主導(dǎo)作用[11]。三機(jī)相互配合使異質(zhì)種群共同進(jìn)化，滿足結(jié)構(gòu)要求和生產(chǎn)要求。

主要功能相同而其他不同的采煤機(jī)個(gè)體組成的集合稱為采煤機(jī)產(chǎn)品種群。同生態(tài)環(huán)境一樣，受外部環(huán)境影響小的采煤機(jī)種群會(huì)因其強(qiáng)的適應(yīng)能力而被廣泛應(yīng)用，而與之對(duì)應(yīng)的弱勢(shì)種群被淘汰。

1.2 種群協(xié)同關(guān)系

將生態(tài)學(xué)引入到采煤機(jī)參數(shù)協(xié)同設(shè)計(jì)當(dāng)中，首先需要分析采煤機(jī)內(nèi)部參數(shù)之間以及綜采三機(jī)之間參數(shù)協(xié)同關(guān)系，包括產(chǎn)量協(xié)同和尺寸協(xié)同。

采煤機(jī)相關(guān)協(xié)同參數(shù)求解步驟為：

1)基于種群個(gè)體所處工作條件確定輸入?yún)?shù)。

2)基于種群之間協(xié)同關(guān)系，結(jié)合輸入?yún)?shù)求解調(diào)整部分技術(shù)參數(shù)。

3)利用調(diào)整后的參數(shù)，求解其余參數(shù)。

1.2.1 產(chǎn)量協(xié)同

基于實(shí)際條件，為了平衡采煤機(jī)種群和對(duì)應(yīng)的協(xié)同種群，改變相關(guān)的具有決定性的參數(shù)，達(dá)到協(xié)同進(jìn)化綜采工作面相關(guān)生態(tài)群落。工作面生產(chǎn)能力作為各決定性參數(shù)的改變依據(jù)，主要受工作面年產(chǎn)量的影響：

式中，Sh為綜采設(shè)備應(yīng)該具有的生產(chǎn)力，t/h；Sy為設(shè)備年總生產(chǎn)量，t；Y為設(shè)備年工作日數(shù)量；f為設(shè)備容量的彈性度；T為日生產(chǎn)時(shí)數(shù)；K為開(kāi)機(jī)率。

為了保證正常生產(chǎn)和安全工作，實(shí)際中采煤機(jī)生產(chǎn)能力設(shè)置一般大于工作面所具備的生產(chǎn)能力，如式(2)：

分析可知生產(chǎn)能力取決于截深、采高和牽引速度。而截割電機(jī)，牽引電機(jī)等作為動(dòng)力源，通過(guò)各部件的協(xié)同配合，才能滿足采煤機(jī)的生產(chǎn)能力要求。截割功率作為衡量標(biāo)準(zhǔn)，其計(jì)算如下：

式中，Pz為采煤機(jī)總截割功率，kW；Tw為滾筒采煤機(jī)截割比能耗，kW·h/m3；C1為功率浪費(fèi)率；C2為功率水平系數(shù)；C3為滾筒工作情況。

為了增強(qiáng)采煤機(jī)的工作性能和穩(wěn)定性，一般設(shè)置實(shí)際裝機(jī)功率比計(jì)算功率高30%。

輸送機(jī)運(yùn)輸能力必須滿足落煤能完全運(yùn)出，具有應(yīng)對(duì)突發(fā)狀況的能力。如式(4)：

Ssy≥CbChSs

(4)

式中，Ssy為輸送機(jī)實(shí)際具有的運(yùn)輸能力；Cb為運(yùn)輸機(jī)的裝載不均勻系數(shù)；Ch為采煤機(jī)割煤回收率。

為避免實(shí)際采煤時(shí)采煤機(jī)滾筒與液壓支架相互碰撞造成危險(xiǎn)，液壓支架的速度vy大于采煤機(jī)工作時(shí)的最大牽引速度vm。具體關(guān)系式如下：

vy=Cyvm

(5)

式中，Cy為不均勻系數(shù)(Cy>1)。

為了精確控制液壓支架和采煤機(jī)的空間關(guān)系，避免故障發(fā)生，設(shè)置液壓支架單位時(shí)間移駕數(shù)目，使液壓支柱的中心距等于液壓支架的移動(dòng)速度和移動(dòng)數(shù)目的比值，如式(6)：

式中，d為液壓支架的中心距，m；n為支架的移架數(shù)量，架/min。

1.2.2 尺寸協(xié)同

綜采裝備三機(jī)基因在滿足產(chǎn)量要求的同時(shí)還需保證空間尺寸技術(shù)基因的相互配合，如圖1所示。

圖1 三機(jī)尺寸配套圖

為了便于控制頂板，應(yīng)使無(wú)立柱空間寬度F最小。

F=B+e+G+b+x

(7)

式中，e為煤壁到鏟煤板的距離，m；x為傾斜支架前柱水平投影值，m；G為輸送機(jī)寬度，m；b為支架前柱到輸送機(jī)電纜槽距離，m。

為了避免頂板運(yùn)動(dòng)和采煤機(jī)相互干涉，方便操作人員觀察，應(yīng)建立采煤機(jī)機(jī)面高度和支架最小高度關(guān)系，如式(8)：

H=A+C+t

(8)

式中，H為液壓支架最小支撐高度，m；A為采煤機(jī)機(jī)身高度，m；C為采煤機(jī)機(jī)身到頂板之間的距離，m；t為支架頂梁厚度，m。

2 采煤機(jī)技術(shù)參數(shù)預(yù)測(cè)

極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是基于單隱層前饋神經(jīng)網(wǎng)絡(luò)的新型神經(jīng)網(wǎng)絡(luò)。其函數(shù)見(jiàn)式(9)：

f(x)=h(x)α

(9)

式中，h(x)為神經(jīng)元組成的向量；α為輸出層權(quán)重向量。

ELM算法是對(duì)求解矩陣進(jìn)行求逆運(yùn)算達(dá)到單隱層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以提高算法效率。為了保證泛化能力α通常取最小二乘解：

式中，H為神經(jīng)網(wǎng)絡(luò)隱含層矩陣，H+為對(duì)應(yīng)的廣義逆矩陣；T為目標(biāo)值向量。

基于極限學(xué)習(xí)機(jī)理論，對(duì)采煤機(jī)技術(shù)參數(shù)進(jìn)行預(yù)測(cè)，具體流程如圖2所示。

圖2 采煤機(jī)技術(shù)參數(shù)預(yù)測(cè)流程圖

3 實(shí)驗(yàn)與分析

3.1 ELM模型預(yù)測(cè)牽引功率實(shí)驗(yàn)

以電牽引雙滾筒采煤機(jī)為研究對(duì)象，基于ELM模型預(yù)測(cè)采煤機(jī)牽引功率。以采高、截深、煤層傾角、牽引速度、煤質(zhì)硬度等作為條件屬性，以牽引功率作為決策屬性，驗(yàn)證提出模型的預(yù)測(cè)準(zhǔn)確性。選取430組采煤機(jī)制造相關(guān)數(shù)據(jù)作為實(shí)驗(yàn)，隨機(jī)選取其中70%的數(shù)據(jù)作為訓(xùn)練集，其余為測(cè)試集。進(jìn)行實(shí)驗(yàn)對(duì)比，以支持向量機(jī)(SVM)和極限學(xué)習(xí)機(jī)(ELM)為對(duì)比模型。

實(shí)驗(yàn)分別選取sin函數(shù)、hardlim函數(shù)和sigmoid函數(shù)作為激勵(lì)函數(shù)進(jìn)行模型訓(xùn)練，使算法隱含層神經(jīng)元遞增，驗(yàn)證不同激勵(lì)函數(shù)對(duì)擬合效果的影響。選取決定系數(shù)為評(píng)判指標(biāo)，即當(dāng)決定系數(shù)越接近1，代表擬合效果越好，預(yù)測(cè)精度越高，結(jié)果如圖3所示。由圖3可知，控制隱含層神經(jīng)元數(shù)量，在同數(shù)量隱含層神經(jīng)元下，sin函數(shù)和sigmoid函數(shù)得到的決定系數(shù)大，當(dāng)隱含層神經(jīng)元數(shù)量增加時(shí)，由函數(shù)得到的決定系數(shù)也變大，當(dāng)神經(jīng)元個(gè)數(shù)達(dá)到120左右，sin函數(shù)和sigmoid函數(shù)基本趨于穩(wěn)定，hardlim函數(shù)波動(dòng)大，不穩(wěn)定。因此選取sin函數(shù)或sigmoid函數(shù)作為激勵(lì)函數(shù)。

圖3 不同激勵(lì)函數(shù)效果

為了得到穩(wěn)定的預(yù)測(cè)結(jié)果，實(shí)驗(yàn)中選取sin函數(shù)作為激勵(lì)函數(shù)，并且設(shè)置隱含層神經(jīng)元為130，通過(guò)訓(xùn)練集訓(xùn)練ELM模型，用測(cè)試集測(cè)試模型的預(yù)測(cè)結(jié)果，如圖4所示。由圖4分析，原始牽引功率和預(yù)測(cè)功率幾乎重合，這說(shuō)明，模型ELM的預(yù)測(cè)準(zhǔn)確率理想。

圖4 ELM預(yù)測(cè)牽引功率

實(shí)驗(yàn)通過(guò)計(jì)算測(cè)試集相對(duì)誤差檢驗(yàn)?zāi)Ｐ蛿M合的可信程度，結(jié)果如圖5所示。由圖5分析，大多數(shù)測(cè)試樣本的相對(duì)誤差在0.05以內(nèi)，在誤差允許的范圍內(nèi)，模型ELM擬合效果理想。

圖5 ELM模型的相對(duì)誤差

3.2 SVM模型預(yù)測(cè)牽引功率實(shí)驗(yàn)

利用支持向量機(jī)(SVM)，設(shè)置相關(guān)對(duì)應(yīng)的參數(shù)，實(shí)驗(yàn)中核函數(shù)選用徑向基核函數(shù)。

通過(guò)測(cè)試集檢驗(yàn)SVM模型預(yù)測(cè)能力，模型預(yù)測(cè)結(jié)果如圖6所示。由圖6可知，模型預(yù)測(cè)功率值與實(shí)際值差距明顯，擬合效果差，說(shuō)明SVM預(yù)測(cè)效果差。

圖6 SVM預(yù)測(cè)牽引功率

3.3 ELM算法與SVM算法性能對(duì)比

上述只是對(duì)兩種模型的預(yù)測(cè)結(jié)果進(jìn)行定性分析，為了更準(zhǔn)確描述兩種模型的性能，實(shí)驗(yàn)選取平均相對(duì)誤差、決定系數(shù)和計(jì)算時(shí)間作為評(píng)價(jià)指標(biāo)，對(duì)兩種模型進(jìn)行定量分析，這里分別運(yùn)行極限學(xué)習(xí)機(jī)(ELM)和支持向量機(jī)(SVM)各30次，對(duì)評(píng)價(jià)指標(biāo)取平均值，結(jié)果見(jiàn)表1。

表1 ELM與SVM預(yù)測(cè)性能指標(biāo)

由表1可知，ELM模型的三個(gè)指標(biāo)值均優(yōu)于模型SVM的指標(biāo)值。在預(yù)測(cè)牽引功率中，模型SVM的平均相對(duì)誤差值是模型ELM對(duì)應(yīng)指標(biāo)值的3倍多。觀察決定系數(shù)指標(biāo)，模型ELM的值大于SVM的值。在計(jì)算時(shí)間方面，ELM的時(shí)間為0.757s，而SVM的計(jì)算時(shí)間為74.322s，兩個(gè)模型在牽引功率預(yù)測(cè)方面差距明顯，模型ELM的預(yù)測(cè)效果明顯優(yōu)于SVM的效果；在截割功率預(yù)測(cè)方面，模型ELM的平均相對(duì)誤差值遠(yuǎn)遠(yuǎn)小于模型SVM的平均相對(duì)誤差值，在決定系數(shù)方面，兩個(gè)模型的結(jié)果相差無(wú)幾，但ELM的結(jié)果優(yōu)于SVM模型，在計(jì)算時(shí)間方面兩個(gè)模型的差距明顯。

依據(jù)定性分析，由圖4和圖6可知，模型ELM的功率預(yù)測(cè)曲線與實(shí)際功率變化曲線較吻合，說(shuō)明模型的預(yù)測(cè)值更接近實(shí)際值，預(yù)測(cè)準(zhǔn)確率高。依據(jù)定量分析，由表1分析，在考慮精確度方面，模型ELM的精確度優(yōu)于模型SVM的精確度，且該模型的計(jì)算速度快。

故綜合定性分析和定量分析，模型ELM的預(yù)測(cè)準(zhǔn)確率高，運(yùn)算時(shí)間少。

4 應(yīng)用實(shí)例

由式(1)可得綜采裝備應(yīng)具有的生產(chǎn)能力Sh=2145.8t/h，由式(2)可以求得采煤機(jī)截割時(shí)的平均牽引速度vc=6.77m/min，為了保證實(shí)際生產(chǎn)需求，將速度調(diào)整為7m/min。依據(jù)工作牽引速度，將截割時(shí)最大牽引速度設(shè)置為12m/min。

實(shí)際中3.3m滾筒直徑完全滿足采高要求。由式(2)得到采煤機(jī)理論產(chǎn)量為2743t/h，由式(4)計(jì)算得到輸送機(jī)運(yùn)量為2951t/h，考慮實(shí)際情況，將輸送機(jī)運(yùn)量設(shè)置為標(biāo)準(zhǔn)值3000t/h。

基于ELM模型預(yù)測(cè)得到以下參數(shù)。由采高、煤層傾角、最大牽引速度預(yù)測(cè)得到牽引電機(jī)功率為200kW；由采高和最大牽引速度預(yù)測(cè)得到泵站功率40kW、破碎功率150kW、滾筒轉(zhuǎn)速23.5r/min、機(jī)面高度為2400mm；由輸送機(jī)運(yùn)量和輸送機(jī)鏈速預(yù)測(cè)得到輸送機(jī)中部槽寬為1200mm、中部槽高為376mm、中部槽長(zhǎng)度為1750mm；由采高和截割功率預(yù)測(cè)得到采煤機(jī)總重量為136t；由機(jī)身重量和煤層傾角可估算出牽引力為1373kN。

5 結(jié) 語(yǔ)

借鑒生態(tài)學(xué)理論，建立采煤機(jī)生物學(xué)模型，研究了采煤機(jī)與刮板輸送機(jī)液壓支架之間的協(xié)同關(guān)系。利用極限學(xué)習(xí)機(jī)建立采煤機(jī)技術(shù)參數(shù)預(yù)測(cè)模型，通過(guò)實(shí)驗(yàn)驗(yàn)證該模型預(yù)測(cè)精度保持在95%以上，且預(yù)測(cè)速度快。結(jié)合預(yù)測(cè)算法和設(shè)計(jì)公式，實(shí)現(xiàn)了采煤機(jī)結(jié)構(gòu)部件以及參數(shù)的協(xié)同設(shè)計(jì)，彌補(bǔ)了現(xiàn)有采煤機(jī)參數(shù)設(shè)計(jì)系統(tǒng)中未考慮采煤機(jī)結(jié)構(gòu)部件之間和綜采裝備之間協(xié)同設(shè)計(jì)的缺陷，提高了設(shè)計(jì)的效率和質(zhì)量。