喬 晉

（晉能控股集團(tuán)大陽(yáng)泉煤炭有限責(zé)任公司，山西 陽(yáng)泉 045000）

隨著采礦業(yè)的發(fā)展，煤礦的開(kāi)采技術(shù)已經(jīng)逐步從傳統(tǒng)的人工開(kāi)采、半機(jī)械化開(kāi)采轉(zhuǎn)向了智能化、信息化的開(kāi)采模式[1-2]。傳統(tǒng)的人工開(kāi)采、半機(jī)械化開(kāi)采模式，無(wú)法對(duì)工作面設(shè)備的受力情況、生產(chǎn)數(shù)據(jù)進(jìn)行分析進(jìn)而對(duì)支架質(zhì)量及支護(hù)效果做出及時(shí)評(píng)價(jià)，從而容易引發(fā)支架變形、垮塌等事故[3]。相較于傳統(tǒng)的人工開(kāi)采、半機(jī)械化開(kāi)采模式，智能化開(kāi)采借助傳感器在開(kāi)采工作面上收集的數(shù)據(jù)，及時(shí)對(duì)礦壓及支架支護(hù)效果進(jìn)行評(píng)價(jià)，分析支架與頂板之間的受力特征，從而保障安全生產(chǎn)[4]。因此，支架的支護(hù)效果是評(píng)價(jià)安全生產(chǎn)的重要依據(jù)，傳統(tǒng)的人工支架無(wú)法滿足智能化開(kāi)采的自動(dòng)感知、工作面協(xié)同工作等特點(diǎn)，且由于對(duì)施工安全性保障較差，因此不能應(yīng)用于智能化開(kāi)采過(guò)程中[5]。目前針對(duì)支護(hù)支架的選擇，主要以液壓支架為主，雖然學(xué)者們采用模擬試驗(yàn)或?qū)嶋H工程研究對(duì)液壓支架的支護(hù)效果進(jìn)行了評(píng)價(jià)分析及改進(jìn)，但由于煤礦在開(kāi)采過(guò)程中是動(dòng)態(tài)進(jìn)行的，僅從支撐力、阻力及壓力分布情況等信息無(wú)法對(duì)支架的總體支護(hù)效果進(jìn)行準(zhǔn)確評(píng)判。本文以陽(yáng)泉礦區(qū)煤礦為對(duì)象，針對(duì)其中使用的液壓支架，采用改進(jìn)后的深度學(xué)習(xí)方法卷積神經(jīng)網(wǎng)絡(luò)，對(duì)液壓支架的支護(hù)效果從不同維度進(jìn)行動(dòng)態(tài)分析對(duì)比，為強(qiáng)化液壓支架的智能化應(yīng)用提供一定的參考依據(jù)。

1 概況

陽(yáng)泉礦區(qū)屬大陽(yáng)泉煤炭有限責(zé)任公司開(kāi)發(fā)，礦區(qū)開(kāi)發(fā)采用智能開(kāi)采系統(tǒng)，通過(guò)在液壓支架工作面裝設(shè)智能傳感器，將工作面礦壓的規(guī)律以數(shù)據(jù)的形式傳輸?shù)降孛婵刂婆_(tái)，經(jīng)由地面控制臺(tái)分析完成后，對(duì)液壓支架與頂板的支撐狀態(tài)進(jìn)行調(diào)整。

陽(yáng)泉礦區(qū)內(nèi)的井田含煤層屬上二疊統(tǒng)，已探明的含煤地層厚114～146 m，平均128 m。在剖面方向上，煤層穩(wěn)定的可開(kāi)采層較少，厚度約5.26 m。從垂直方向上看，含煤地層巖相組合主要分為上、中、下三段，其中上段厚度約為58 m，主要以砂巖、泥巖、泥灰?guī)r和部分煤層構(gòu)成，以平原沉積相為主；中段厚度約為29 m，主要以粉質(zhì)砂巖、細(xì)砂巖、鐵質(zhì)砂巖和煤線構(gòu)成，以平原泥炭沼澤相為主，無(wú)可開(kāi)采煤層；下段厚度約為38 m，以石灰?guī)r為主，該段與煤層直接接觸，為煤層頂板，該區(qū)域?qū)儆诔毕鲁练e相，是可開(kāi)采煤層的主要接壤區(qū)段。

2 研究方法

2.1 數(shù)據(jù)處理

煤礦智能開(kāi)采系統(tǒng)將收集到的采煤工作面生產(chǎn)信息及受力數(shù)據(jù)傳輸?shù)郊锌刂浦行?，?jīng)集中控制中心，借助作業(yè)區(qū)環(huán)網(wǎng)將數(shù)據(jù)輸送至地面，地面接收區(qū)將收集到的液壓支架生產(chǎn)及受力信息備份存檔至企業(yè)數(shù)據(jù)庫(kù)中。由于實(shí)際開(kāi)采環(huán)境復(fù)雜，容易產(chǎn)生數(shù)據(jù)丟失的情況。針對(duì)上述問(wèn)題，本文采用時(shí)域相鄰填充法對(duì)數(shù)據(jù)進(jìn)行處理，即接收區(qū)域若發(fā)現(xiàn)缺失數(shù)據(jù)，則采用其前一個(gè)時(shí)刻的數(shù)據(jù)值進(jìn)行補(bǔ)缺。

2.2 維度分析

為了對(duì)液壓支架支護(hù)效果進(jìn)行全方位評(píng)價(jià)，本文分別從時(shí)間維度和空間維度對(duì)液壓支架的壓力情況進(jìn)行分析處理。對(duì)于時(shí)間維度的壓力分析，目前使用最為廣泛的是對(duì)其受力情況采用時(shí)間-壓力曲線表示，該曲線能夠準(zhǔn)確地反映出液壓支架的壓力情況隨著時(shí)間變化而呈現(xiàn)出的趨勢(shì)。其中30 號(hào)液壓支架在某天的壓力變化情況如圖1。

圖1 本次礦區(qū)中的30 號(hào)液壓支架在某天的壓力變化情況

空間維度壓力分析，采用支撐力作為反映液壓支架在開(kāi)采工作面支護(hù)效果的核心指標(biāo)，其中液壓支架的支撐力主要體現(xiàn)在支架中的立柱所承受的壓力大小。對(duì)于空間維度的支護(hù)評(píng)價(jià)，具體是對(duì)某一時(shí)刻的各個(gè)支架的壓力大小進(jìn)行評(píng)價(jià)，觀察支架壓力在整體區(qū)間內(nèi)是否偏大或偏小。例如圖2 所示的某時(shí)刻的工作面液壓支架支撐力分布情況。區(qū)域1表示為某一側(cè)支撐力較高，區(qū)域2 表示的支撐力整體效果良好，區(qū)域3 的支撐力整體上均呈現(xiàn)偏高趨勢(shì)，區(qū)域4 總體較為良好。

圖2 所有液壓支架的整體工作面支撐力分布情況

2.3 動(dòng)態(tài)建模

智能化開(kāi)采過(guò)程中，液壓支架的數(shù)據(jù)均為表征某一量值在時(shí)間或空間上的反映，因而在時(shí)間和空間兩個(gè)維度上具有一定的連續(xù)特征，此現(xiàn)象類似于圖像像素的深度學(xué)習(xí)過(guò)程。因此，對(duì)于時(shí)間空間二維區(qū)間中液壓支架的支護(hù)效果評(píng)價(jià)動(dòng)態(tài)模型，本文采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建。卷積神經(jīng)網(wǎng)絡(luò)模型如圖3。卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)網(wǎng)絡(luò)，結(jié)構(gòu)較為簡(jiǎn)單，計(jì)算速度較快，一般包含2 個(gè)卷積層、2個(gè)池化層和1 個(gè)全連接層。

圖3 卷積神經(jīng)網(wǎng)絡(luò)示意圖

但一般的卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本的分類效果精確度不足，無(wú)法使用于本文的工作環(huán)境之中。因此，考慮本文的實(shí)際工程環(huán)境，需對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以提高其樣本分類精確度。分別對(duì)兩個(gè)方面進(jìn)行了優(yōu)化：1）改變其激活函數(shù)，本文使用ReLU對(duì)Sigmoid 函數(shù)進(jìn)行替換。原因在于后者作用范圍有限，僅能在自變量極小時(shí)有較好效果，一旦自變量范圍增大，會(huì)減緩學(xué)習(xí)速度。2）采用Adam 對(duì)迭代速率進(jìn)行優(yōu)化，其原因在于原有的算法不能對(duì)步距進(jìn)行實(shí)時(shí)調(diào)整，從而導(dǎo)致數(shù)值振蕩，而Adam 能夠加大迭代速率，減小數(shù)值震蕩率。

3 結(jié)果分析

為了將樣本應(yīng)用于改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)，需要對(duì)樣本進(jìn)行分類。本文采用24 個(gè)液壓支架在2 h中的立柱壓力作為樣本進(jìn)行分類，將樣本數(shù)據(jù)經(jīng)過(guò)排序、時(shí)空矩陣提取后，與7 種支護(hù)效果進(jìn)行匹配，得出了2000 個(gè)子樣本，最后按照6:3:1 的比例將子樣本分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。其中7 種支護(hù)效果分別為支護(hù)效果不良、支護(hù)效果持續(xù)不良、支護(hù)效果極差、支護(hù)效果一般、支護(hù)效果較好、支護(hù)效果持續(xù)較好、支護(hù)效果極好。分類結(jié)果如圖4。

圖4 樣本實(shí)際支護(hù)效果分類

將樣本數(shù)據(jù)分別輸入到一般卷積神經(jīng)網(wǎng)絡(luò)和改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)之中，對(duì)其損失值和分類準(zhǔn)確率進(jìn)行分析，用以驗(yàn)證本文改進(jìn)模型的準(zhǔn)確性和適用性。其中將樣本輸入到原卷積神經(jīng)網(wǎng)絡(luò)中得到了如圖5 所示的一般的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果。

圖5 一般的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

從圖5（a）中可以看出隨著迭代次數(shù)的增加，損失量逐漸減小，訓(xùn)練集和驗(yàn)證集也逐漸收斂，迭代到60 次時(shí)損失量達(dá)到最小，二者收斂。圖5（b）所示為一般卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率，從圖中可以看出隨著迭代次數(shù)的增加，準(zhǔn)確率逐漸提高，當(dāng)?shù)螖?shù)達(dá)到60 次時(shí)，驗(yàn)證集與訓(xùn)練集收斂于80%的準(zhǔn)確率附近。

將一般卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果作為對(duì)照組，將分類的樣本數(shù)據(jù)輸入到改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)之中，得到了如圖6 所示的改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果圖。

圖6 改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果圖

從圖6（a）可以看出，隨著迭代次數(shù)的增加，損失量也呈現(xiàn)出逐漸減小的趨勢(shì)，訓(xùn)練集和驗(yàn)證集逐漸收斂，迭代到40 次時(shí)損失量達(dá)到最小，訓(xùn)練集收斂于0.2 的損失量附近，驗(yàn)證集收斂于0.6 的損失量附近。圖6（b）所示為改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率，從圖中可以看出，隨著迭代次數(shù)的增加，準(zhǔn)確率也逐漸呈現(xiàn)出提高的趨勢(shì)，當(dāng)?shù)螖?shù)達(dá)到40 次時(shí)，訓(xùn)練集收斂于90%的準(zhǔn)確率附近，驗(yàn)證集收斂于80%的準(zhǔn)確率附近。對(duì)比一般卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果可以發(fā)現(xiàn)，改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)僅迭代40 次時(shí)便收斂完成，且改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的損失量從一般卷積神經(jīng)網(wǎng)絡(luò)的0.6 降至0.2 左右。除此之外，訓(xùn)練集的分類準(zhǔn)確率也由一般卷積神經(jīng)網(wǎng)絡(luò)的80%左右上升到了90%準(zhǔn)確率左右，總體效果較一般卷積神經(jīng)網(wǎng)絡(luò)提升了15%。

4 結(jié)論

本文以大陽(yáng)泉煤炭有限責(zé)任公司開(kāi)發(fā)的陽(yáng)泉礦區(qū)為對(duì)象，針對(duì)其使用的液壓支架，采用改進(jìn)后的深度學(xué)習(xí)方法卷積神經(jīng)網(wǎng)絡(luò)，對(duì)液壓支架的支護(hù)效果從不同維度進(jìn)行動(dòng)態(tài)分析并與原卷積神經(jīng)網(wǎng)絡(luò)的分析效果進(jìn)行對(duì)比，并得出了如下結(jié)論：

1）可根據(jù)智能化開(kāi)采工作面采集的數(shù)據(jù)，在時(shí)空維度對(duì)其進(jìn)行非交叉動(dòng)態(tài)分類，可分為支護(hù)效果不良、支護(hù)效果持續(xù)不良、支護(hù)效果極差、支護(hù)效果一般、支護(hù)效果較好、支護(hù)效果持續(xù)較好、支護(hù)效果極好等7 類。

2）改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)僅迭代40 次時(shí)便收斂完成，且改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的損失量從一般卷積神經(jīng)網(wǎng)絡(luò)的0.6 降至0.2 左右，除此之外訓(xùn)練集的分類準(zhǔn)確率也由一般卷積神經(jīng)網(wǎng)絡(luò)的80%左右上升到了90%準(zhǔn)確率左右，總體效果較一般卷積神經(jīng)網(wǎng)絡(luò)提升了15%。