李學兵

（山西煤炭運銷集團能源投資開發(fā)有限公司， 山西 太原 030053）

引言

我國煤炭資源儲量豐富，但賦存不均，長期以來我國能源格局呈現(xiàn)多煤、少油、貧氣的特點，我國能源的格局直接決定了煤炭資源將長期處于我國能源消耗中最為重要的一環(huán)。且在未來發(fā)展的過程中，煤炭資源的地位長期不會發(fā)生變化，所以煤炭資源的高效開采對于我國國民生產(chǎn)生活十分重要。煤礦機械是指在煤炭開采過程中承載工作任務的機械設備，其主要由刮板輸送機、提升機、采煤機等組成，煤礦機械的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。由于煤礦環(huán)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(fā)展提供一定的參考。

1 煤巖識別技術

實現(xiàn)采煤機的自動化生產(chǎn)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(shù)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(xiàn)夾矸的情況，采煤機無法分辨煤與矸石而進行統(tǒng)一截割，使得采煤機截齒發(fā)生較大的磨損，且影響礦井的出煤率，增大勞動強度。

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(fā)展，基于機器學習的圖像煤巖識別方法逐步發(fā)展。傳統(tǒng)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。

Faster R-CNN 物體識別算法，是在2016 年提出，通過測試發(fā)現(xiàn)，F(xiàn)aster 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，F(xiàn)aster R-CNN 物體識別算法是端到端的網(wǎng)絡，其通過建立卷積神經(jīng)網(wǎng)絡提取圖像的特征，代替原有的手動提取，使得提升速度提升250 倍。Faster R-CNN 網(wǎng)絡是由反向及前向傳播網(wǎng)絡兩個部分組成，對輸入的數(shù)據(jù)進行分析，從而給出輸出數(shù)據(jù)，同時通過對比輸出數(shù)據(jù)與實際監(jiān)測數(shù)據(jù)的差值，從而得到最優(yōu)的參數(shù)。Faster R-CNN 物體識別算法的前向傳播網(wǎng)絡共有4 個子單元構成，分別為VGG16 網(wǎng)絡、RPN 網(wǎng)絡、ROI Pooling 網(wǎng)絡及R-CNN網(wǎng)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(wǎng)絡通過ImageNet 識別VGG16卷積神經(jīng)網(wǎng)絡，對各參數(shù)進行初始化。對參數(shù)進行優(yōu)化，設定學習頻率為0.001，訓練次數(shù)為4800 次，動量設定為0.9，每次訓練出圖100 張，此時得出煤巖識別結果，煤巖識別結果如下頁圖1 所示。

如圖1 所示，在實際生產(chǎn)中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?？梢钥闯隹尚卸染笥?.9，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。

圖1 煤巖識別結果圖

2 煤層模型建立及截割線路分析

在復雜工作面，實現(xiàn)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(qū)域透明化、數(shù)據(jù)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(shù)據(jù)及對數(shù)據(jù)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(shù)。對煤層表面三角網(wǎng)模型進行建立，選用狄羅尼三角網(wǎng)進行模型建立，狄羅尼三角網(wǎng)具有數(shù)據(jù)處理快及表觀特性及局部更新速度快等優(yōu)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(wǎng)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(wǎng)，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

從圖2 可以看出，首先進行模型數(shù)據(jù)點的信息讀取，形成頂板底板三角網(wǎng)，完成三角網(wǎng)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(shù)據(jù)界面調整數(shù)據(jù)信息，當圖元信息相互對應后執(zhí)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(yōu)化決策。數(shù)據(jù)融合修正后煤層曲面如圖3 所示。

圖3 數(shù)據(jù)融合修正后煤層曲面圖

完成煤層模型設定后對模型的預割煤線進行研究，傳統(tǒng)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(xiàn)采煤機自動化管理。

首先需要對采取進行統(tǒng)一坐標，通過構建的采區(qū)地理信息，將煤層地質模型信息與采煤機姿態(tài)位置信息進行融合。根據(jù)采煤機與開采煤層間的空間位置信息及工況環(huán)境，設定采區(qū)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(shù)及角參數(shù)計算得出采煤機位置、速度及姿態(tài)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(tài)位置。完成采煤機姿態(tài)位置確定后，利用遺傳算法對割煤線路進行優(yōu)化分析，實現(xiàn)割煤線路的平滑擬合。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(jīng)濟效益。采煤機優(yōu)化割線結果如圖4 所示。

圖4 采煤機優(yōu)化割線結果

從圖4 可以看出，采用遺傳算法可以較好優(yōu)化采煤機的割煤線路。圖4 中虛線表示煤層模型頂板曲線，優(yōu)化后的割煤線路如光滑曲線所示，可以看出煤層模型頂板曲線和優(yōu)化后的割煤線路有著較大的差異，經(jīng)過優(yōu)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 結論

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(yōu)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(xiàn)提供保證，為礦井智能化、自動化工作面建設做出一定的貢獻。