王挨榮，陳漢章，郭 微，潘 濤，趙洪澤，賈靈強，徐洪洋

(1.國能神東煤炭集團 上灣煤礦，內蒙古 鄂爾多斯 017010；2.國能信息技術有限公司，北京 100011；3.中國礦業(yè)大學(北京)，北京 100011)

由于工作面生產系統(tǒng)是一個復雜的串聯(lián)系統(tǒng)，整個采礦流程是連續(xù)不間斷的，從而給動態(tài)調整工藝控制參數(shù)造成了相當大的困難。本研究以國家重點研發(fā)計劃項目《煤礦智能開采安全技術與裝備研發(fā)》為依托，以綜采工作面生產過程為研究對象，針對該過程機理復雜、數(shù)學模型難以建立等問題，利用神東煤炭集團上灣煤礦首個智能超大采高8.8m工作面的歷史生產數(shù)據(jù)，通過數(shù)據(jù)挖掘和深度學習技術，深度挖掘隱藏在數(shù)據(jù)中的規(guī)律，通過智能建模技術和多目標優(yōu)化技術，根據(jù)礦井綜合生產指標對工藝控制參數(shù)進行模擬[6]，以提升工作面生產效能為目的，選擇出優(yōu)化的、合理的工藝控制參數(shù)，為降低生產成本和能耗、提高生產效率提供智能決策方案，為礦山工作人員提供輔助決策方法。

1 綜采工作面生產系統(tǒng)耦合關系研究

綜采工作面采煤工藝包括采煤、裝煤、運煤、支護、采空區(qū)治理五大工序。由采煤機切割的煤經過刮板輸送機輸送到工作面底部，經過裝載機和破碎機后，由平巷帶式輸送機輸送到出料系統(tǒng)。刮板輸送機和液壓支架需要與采煤機配套，才能使采煤機的生產能力最大化。刮板輸送機的輸送能力應大于采煤機的生產能力，液壓支架的移動速度應大于采煤機的工作速度[7]。

綜采工作面生產系統(tǒng)是一個復雜的系列系統(tǒng)，可分為三個子系統(tǒng)，即設備子系統(tǒng)、環(huán)境子系統(tǒng)和采煤工藝子系統(tǒng)[8]。生產過程中的每個過程一般都包含多個過程控制參數(shù)。任何過程控制參數(shù)的波動都會對后續(xù)的其他生產過程產生影響，從而影響礦山的綜合生產指標[9]。綜采工作面生產系統(tǒng)過程與過程控制參數(shù)之間的耦合關系如圖1所示。

圖1 各工序和工藝控制參數(shù)關系

在實際生產過程中，企業(yè)管理者在制定生產計劃時，將生產計劃量化為具體的生產目標，然后技術人員根據(jù)自己的經驗將生產目標分解為各生產設備的過程控制參數(shù)的初始設定值。設備操作員根據(jù)過程控制參數(shù)的設定值操作設備進行生產。當生產的實際值偏離預期值更多時，調度程序將通知技術人員。然后技術人員根據(jù)自己的經驗，調整各生產設備的過程控制參數(shù)，反饋給設備操作人員。這種人工設定和調整過程控制參數(shù)的方法缺乏科學依據(jù)。不利于提高礦山的生產效率，自動化程度低，不僅不能充分發(fā)揮生產設備的性能，而且生產控制過程容易受到操作者的主觀影響。

數(shù)據(jù)集是由綜采工作面生產現(xiàn)場的傳感器采集到的各生產設備關鍵工藝控制參數(shù)的歷史生產數(shù)據(jù)，即采煤機牽引速度(PSS)、液壓支架移動速度(HMS)、刮板輸送機鏈速(CSSC)、級裝載機鏈速(CSSL)、乳化液泵1出口壓力(EPOP1)、乳化液泵2出口壓力(EPOP2)、噴油泵1出口壓力(SPOP1)、噴油泵2出口壓力(SPOP2)，綜合生產指標為每分鐘煤產量(OCPM)。

采用Pearson相關分析方法對歷史生產數(shù)據(jù)進行分析，并初步分析參數(shù)之間的關系。PSS、HSMS和OCPM之間存在很高的線性相關性。SPOP1和SPOP2高度線性相關，在50-80的取值范圍內上下波動。EPOP1和EPOP2具有較高的線性相關性，在250-300范圍內上下波動。CSSC、CSSL與其他過程控制參數(shù)之間存在一定程度的相關性，但不是線性相關。從分析結果可以看出，綜采工作面生產系統(tǒng)中各生產設備的運行機理非常復雜，難以建立準確的過程機理模型來量化和建立各參數(shù)之間的聯(lián)系。綜上所述，綜采工作面生產系統(tǒng)運行在惡劣的生產環(huán)境中，是一個多干擾、強耦合、非線性、大滯后、不確定的過程。

2 工藝控制參數(shù)優(yōu)化方法研究

遺傳算法(GA)以一個種群中的所有個體為對象，并利用隨機化技術指導對一個被編碼的參數(shù)空間進行高效搜索[10]。其中，選擇、交叉和變異構成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設定、適應度函數(shù)的設計、遺傳操作設計、控制參數(shù)設定五個要素組成了GA的核心內容。具體流程如圖2所示。

圖2 遺傳算法流程

根據(jù)算法流程圖，GA的實現(xiàn)步驟如下：

1)定義一個目標函數(shù)。

2)將可行解群體在一定的約束條件下初始化，每一個可行解用一個向量x來編碼，稱為一條染色體，向量的分量代表基因，它對應可行解的某一決策變量。

3)計算群體中每條染色體xi(i=1，2，…，n)所對應的目標函數(shù)值，并以此計算適應值Fi，按Fi的大小來評價該可行解的好壞，如果滿足條件，輸出結果，如果不滿足，進行步驟(4)。

4)以優(yōu)勝劣汰的機制，將適應值差的染色體淘汰掉，對幸存的染色體根據(jù)其適應值的好壞，按概率隨機選擇，進行繁殖，形成新的群體。

5)通過交叉和變異的操作，產生子代。交叉是隨機選擇兩條染色體(雙親)，將某一點或多點的基因互換而產生兩個新個體，變異是交叉后產生的子代基因中某一點或多點發(fā)生突變。

6)對子代群體重復步驟3)—5)的操作，進行新一輪遺傳進化過程，直到迭代收斂(適應值趨穩(wěn)定)即找到了最優(yōu)解或準最優(yōu)解。

最優(yōu)化問題的目標函數(shù)和約束條件種類繁多，有的是線性的，有的是非線性的；有的是連續(xù)的，有的是離散的；有的是單峰值的，有的是多峰值的。隨著研究的深入，很多復雜情況下要想完全精確地求出其全局最優(yōu)解較為困難，因而求出其近似最優(yōu)解或滿意解是主要著眼點之一。遺傳算法為解決這類問題提供了有效的途徑和通用框架。

通過智能建模方法和遺傳算法混合策略的集成智能優(yōu)化方法對工藝控制參數(shù)進行優(yōu)化，其中智能建模方法擁有較強的非線性處理能力，適合于信息復雜、知識背景不清楚和推理規(guī)則不明確問題的建模，可以解決復雜系統(tǒng)建模的困難，遺傳算法可以解決復雜系統(tǒng)中多目標優(yōu)化的問題[11]。采用遺傳算法作為多目標優(yōu)化方法時，如何設計適應度函數(shù)是難點，本方法直接利用人工神經網絡[7]確定的最優(yōu)效能預測模型作為遺傳算法的適應度函數(shù)，無需再為遺傳算法建立一個新的適應度函數(shù)，從而可以解決黑盒多目標優(yōu)化問題中適應度函數(shù)難以建立的問題[12]。工藝控制參數(shù)優(yōu)化具體流程如圖3所示。

圖3 集成優(yōu)化流程

3 工作面產量預測模型構建與評價

3.1 產量預測模型構建

將經過規(guī)范化處理的采煤機牽引速度、液壓支架移架速度、刮板輸送機轉速、轉載機轉速、乳化液泵出口壓力和噴霧泵出口壓力數(shù)據(jù)作為神經網絡的輸入，每分鐘產煤量作為神經網絡的輸出，建立基于神經網絡的產量預測模型[13]，神經網絡結構如圖4所示。將制作好的數(shù)據(jù)集按8∶2的比例分成兩部分，其中80%的數(shù)據(jù)作為訓練集，20%的數(shù)據(jù)作為測試集，對產量預測模型進行訓練，其中產量預測算法流程如圖5所示。

圖4 產量預測模型神經網絡結構

圖5 產量預測算法流程

第一步：初始化權重W=[W1，1，W1，2，…，Wi，j]和閾值b=[b1，b2，…，bi]，為[-1，1]之間的隨機數(shù)，i表示層數(shù)，j表示每層的節(jié)點數(shù)。

第二步：隨機選取輸入樣本Y=[Y1，Y2，…，YJ]。

第三步：正向逐層計算每一層的輸入net與輸出Y。

Y(k)=f(k)，激活函數(shù)選用Sigmoid函數(shù)：

第四步：使用均方誤差計算輸出值Yi與標簽值Ti的誤差。

第五步：使用隨機梯度逐層更新每一層的權重和閾值。

第六步：重復第三、四、五步，直到誤差滿足設定的值。

3.2 產量預測模型評價

本研究使用均方誤差作為模型的評估方法對模型的預測結果進行評估，均方誤差用來還原平方失真程度，是預測誤差平方之和的平均值，它避免了正負誤差不能相加的問題，由于對誤差進行了平方，加強了誤差在指標中的作用，從而提高了這個指標的靈敏度。經過調參優(yōu)化，最終建立了一個包含3個隱含層的神經網絡，每個隱含層的節(jié)點數(shù)分別為6、4和2，優(yōu)化后的模型誤差變化如圖6所示，從誤差圖中可以發(fā)現(xiàn)模型在測試集和訓練集上表現(xiàn)都很好，隨著訓練代次數(shù)的增加，誤差最終在0附近平穩(wěn)的震蕩，說明模型泛化能力較強。

圖6 優(yōu)化后的神經網絡模型誤差

4 工藝控制參數(shù)優(yōu)化模型構建

提出基于改進的BP神經網絡[14]和遺傳算法混合策略的建模方法，首先利用改進的BP神經網絡建立工藝控制參數(shù)與生產目標之間的耦合關系模型，并將該模型作為遺傳算法的目標函數(shù)，其中各工藝控制[15]參數(shù)作為目標函數(shù)的輸入，生產目標作為目標函數(shù)的輸出，然后將目標函數(shù)的輸出值與生產目標實際值之間的差值的絕對值設置為遺傳算法的適應度函數(shù)，將適應度函數(shù)最小化作為優(yōu)化目標，最后采用遺傳算法根據(jù)優(yōu)化目標對工藝控制參數(shù)進行尋優(yōu)[16]。采用基于改進的BP神經網絡和遺傳算法混合策略建立工藝控制參數(shù)初始值設定模型：

第一步：初始化原始種群。種群中包含的個體數(shù)為100，由于本文要優(yōu)化的工藝控制參數(shù)有8個，所以每一個個體包含8條染色體，每一條染色體對應一個工藝控制參數(shù)，種群迭代數(shù)設置為G=200。選擇算子采用輪盤賭選擇策略，交叉算子選擇模擬二進制的單點交叉算子，變異算子為均勻變異，即分別用符合某一范圍內均勻分布的隨機數(shù)，以某一較小的概率來替換個體編碼串中各個基因座上的原有基因值[17]。

第二步：編碼。每一條染色體用二進制進行編碼，根據(jù)變量要求的精度以及取值范圍，可以計算其對應編碼的長度[18]。

第三步：計算適應度函數(shù)F=[F1，F(xiàn)2，…，F(xiàn)P]。將所有個體的編碼依次輸入到基于改進的BP神經網絡工藝控制參數(shù)耦合關系模型中，將模型輸出值與優(yōu)化目標值的差值的絕對值作為遺傳算法適應度函數(shù)，把適應度函數(shù)最小化作為優(yōu)化目標。

第四步：以輪盤賭選擇策略選擇個體，適應值低的被選擇的機會更大。

第五步：對選出的個體進行交叉操作，產生子代個體。

第六步：對子代個體進行變異操作，產生新的子代個體。

第七步：重復第四、五、六步，直到達到設定的進化代數(shù)。

第八步：將輸出結果進行反歸一化，得到的即為優(yōu)化后的工藝參數(shù)解集。

5 模型驗證

本方法已將代碼進行封裝，并開發(fā)了函數(shù)接口，使用時只需給函數(shù)接口(optimize)傳入計劃產煤量，即可輸出優(yōu)化后的工藝控制參數(shù)解集，技術人員可以根據(jù)實際情況選擇一組參數(shù)指導生產[19]。優(yōu)化前后的采煤機軌跡如圖7、圖8所示，對比兩圖中的結果，可以發(fā)現(xiàn)優(yōu)化后的各工藝參數(shù)數(shù)據(jù)均優(yōu)于歷史數(shù)據(jù)，可以用于指導實際生產[20]。

圖7 優(yōu)化前采煤機軌跡

圖8 優(yōu)化后采煤機軌跡

6 結 論

1)利用交叉熵代價函數(shù)對傳統(tǒng)神經網絡進行優(yōu)化，提高了模型的學習速度，減少了模型的迭代次數(shù)。改進的神經網絡模型對過程控制參數(shù)的耦合關系擬合精度更高，更適合于建立過程控制參數(shù)與生產目標之間的非線性關系。

2)提出了一種基于人工神經網絡和遺傳算法混合策略的過程控制參數(shù)優(yōu)化方法，將基于神經網絡的過程控制參數(shù)耦合關系模型作為遺傳算法的適應度函數(shù)。它充分結合了人工神經網絡的非線性建模能力和遺傳算法的全局優(yōu)化能力。該方法可以在不受人為干擾的情況下快速優(yōu)化綜采工作面工藝控制參數(shù)，解決了傳統(tǒng)優(yōu)化方法效率低的問題。并在生產現(xiàn)場進行了驗證，將每次切割切割時間縮短了8min，提高了工作面生產效率。

3)提出了常規(guī)優(yōu)化綜采工作面各工藝控制參數(shù)初值的方法。當工作環(huán)境發(fā)生變化時，過程控制參數(shù)也會發(fā)生波動。因此，未來的研究還應該增加過程控制參數(shù)的動態(tài)調整模型，動態(tài)調整各個過程控制參數(shù)，以響應工作環(huán)境的變化。