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(xiàn)地質(zhì)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(yè)時配置2-3 名工作人員，且工作人員需具備相應(yīng)的鉆孔施工經(jīng)驗，為實現(xiàn)“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(fā)具有自主施工決策功能的智能鉆機已成為煤機企業(yè)的迫切需求。

智能鉆機應(yīng)具有自主感知功能[3]，即利用鉆機運行過程中產(chǎn)生的傳感數(shù)據(jù)，識別當前執(zhí)行工序并判斷其執(zhí)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(tǒng)、液壓系統(tǒng)和電控系統(tǒng)耦合而成的典型的多層次系統(tǒng)，其通過電控系統(tǒng)操控液壓系統(tǒng)，再由液壓系統(tǒng)驅(qū)動機械系統(tǒng)的方式實現(xiàn)鉆進施工過程，但由于鉆機結(jié)構(gòu)設(shè)計的限制，煤礦鉆機可布置傳感器的種類和數(shù)量較少，導(dǎo)致了煤礦鉆機運行工序的判識難度較大?；谝陨系姆治?，如何利用較少的傳感數(shù)據(jù)，結(jié)合煤礦鉆機的結(jié)構(gòu)特征和運行機制，實現(xiàn)運行工序的判識是智能鉆機研發(fā)過程中需解決的重要問題之一。

煤礦鉆機傳感數(shù)據(jù)是工序判識過程的主要輸入?yún)?shù)，目前針對傳感數(shù)據(jù)的利用主要分為故障診斷和狀態(tài)控制兩類。通過在煤礦鉆機關(guān)鍵的液壓位置和機械位置布置對應(yīng)的傳感器[4]，將獲得的數(shù)據(jù)采用閾值法[5]、神經(jīng)網(wǎng)絡(luò)[6]、粒子群算法[7]對鉆機液壓信息、設(shè)備振動信號進行分析以得到鉆機故障信息。此外一些學(xué)者利用當前傳感數(shù)據(jù)進行鉆機運行狀態(tài)判斷[8]或?qū)崿F(xiàn)鉆進穩(wěn)定恒壓控制[9]。上述研究通過傳感數(shù)據(jù)對被監(jiān)測設(shè)備狀態(tài)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(guān)聯(lián)關(guān)系，以便將上述研究成果擴展應(yīng)用于未被監(jiān)測工序的判識。

煤礦鉆機工序的執(zhí)行需要電控系統(tǒng)、液壓系統(tǒng)和機械系統(tǒng)協(xié)同實現(xiàn)[10-11]。針對煤礦鉆機這類典型的層次系統(tǒng)，可從不同的角度對其進行建模分析。從層次系統(tǒng)的設(shè)計結(jié)構(gòu)角度分析，以圖形化描述語言對系統(tǒng)的信息層和物理層進行定性描述[12]；在此基礎(chǔ)上，以數(shù)學(xué)描述語言對層次系統(tǒng)物理信息交互過程進行定量性建模分析[13]?；驈南到y(tǒng)的運行特征角度出發(fā)，將系統(tǒng)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(shù)學(xué)語言對系統(tǒng)“信息層-物理層”或“設(shè)備-功能-系統(tǒng)”進行了定性或定量的描述，其成果可用于煤礦鉆機的結(jié)構(gòu)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(shù)據(jù)樣本數(shù)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(shè)備-功能-流”的建模思想[15-16]，對鉆機系統(tǒng)結(jié)構(gòu)和運行機制進行建模，并在上述模型基礎(chǔ)上建立貝葉斯網(wǎng)用于分析工序與傳感數(shù)據(jù)間關(guān)系，利用獲取的傳感數(shù)據(jù)作為實時證據(jù)輸入到上述貝葉斯網(wǎng)中，從而實現(xiàn)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(shè)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(guān)系，并能依據(jù)較少的傳感數(shù)據(jù)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(chǔ)是建立準確的判識模型，一般而言，該模型應(yīng)當包含以下幾個要素，輸入?yún)?shù)、輸出參數(shù)和兩者之間關(guān)系的描述方法。基于上一章節(jié)所述內(nèi)容，輸入為煤礦鉆機本體上傳感器所采集的數(shù)據(jù)，輸出則為鉆機運行過程中當前工序編號，輸入與輸出間關(guān)系為鉆機運行過程中設(shè)備與功能、工序間的交互特征。

鉆機本身傳感器數(shù)量有限，使得采集的傳感數(shù)據(jù)無法直接描述工序判識過程所需全部設(shè)備的狀態(tài)；此外，鉆機的各工序間并非獨立關(guān)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(xiàn)某個施工目標，且不同工序的液壓驅(qū)動回路間存在影響關(guān)系。因此鉆機工序判識需依據(jù)有限的輸入傳感數(shù)據(jù)對關(guān)聯(lián)的工序狀態(tài)進行判斷。

傳感數(shù)據(jù)描述了當前設(shè)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(guān)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(jié)構(gòu)特征和運行機制，提取傳感數(shù)據(jù)、設(shè)備屬性、功能和工序間的關(guān)系，并利用貝葉斯網(wǎng)B 對上述關(guān)系進行定量的建模，從而實現(xiàn)鉆機運行工序狀態(tài)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(shè)備數(shù)量眾多、設(shè)備功能復(fù)雜，若以設(shè)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(jié)構(gòu)特征和運行機制，以層次分析法對煤礦鉆機運行過程中關(guān)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(jù)鉆機施工過程中操作特點，將鉆機的工序劃分成調(diào)平、給進、起拔、正轉(zhuǎn)反轉(zhuǎn)、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(gòu)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(zhì)流。流 F由不同的功能模塊按照一定的結(jié)構(gòu)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(tǒng)實現(xiàn)某個目標過程中所扮演的角色，由多個支撐設(shè)備構(gòu)成[17]。按照功能的定義，將物質(zhì)流中的功能劃分為源、傳輸、存儲、反應(yīng)、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(guān)聯(lián)功能協(xié)同實現(xiàn)，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(qū)動，或某條液壓回路受關(guān)聯(lián)液壓回路的影響；V為流 F對外界的影響；S為 F 的狀態(tài)描述，包含了支撐功能的Oi，i=1,2,···,n，n為構(gòu)成流 F 的功能的數(shù)量；H為上述變量間的關(guān)系函數(shù)。

假設(shè)工序是由m條流共同作用實現(xiàn)，對于工序 L，采用下式對其進行描述。

Hi為實現(xiàn)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(nèi)容如下。

同一流內(nèi)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(chǎn)生了I3的影響，Γ為功能間影響的描述函數(shù)。

流與流之間的交互過程分析。如圖4 所示，物質(zhì)流F1和物質(zhì)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(zhì)流 F1在t1時刻對動作流 F3產(chǎn)生了V1的影響，物質(zhì)流 F2在t2時刻對動作流 F3產(chǎn)生了V2的影響，Ψ為流間交互過程的描述函數(shù)。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(guān)系的定量描述，基于上述模型知識建立傳感數(shù)據(jù)與工序狀態(tài)間的推理模型。采用貝葉斯理論[18-19]結(jié)合鉆機層次模型知識進行建模，定義該模型為，其中N為節(jié)點集，C為貝葉斯網(wǎng)結(jié)構(gòu)矩陣，T為節(jié)點發(fā)生的條件概率集。結(jié)合鉆機運行過程的層次流模型建立上述貝葉斯網(wǎng)，分成以下3 個步驟。

步驟1：確定節(jié)點集N的數(shù)量及屬性。依據(jù)圖2，N包含工序節(jié)點、流節(jié)點、功能節(jié)點和設(shè)備節(jié)點，增加傳感節(jié)點，節(jié)點值為0 或1，節(jié)點屬性見表1。

表1 節(jié)點屬性定義Table 1 Definition of nodes attribute

C

步驟2：確定貝葉斯網(wǎng)結(jié)構(gòu)矩陣 ：即獲得各節(jié)點的父節(jié)點集，依據(jù)鉆機運行過程層次流模型中流、功能、設(shè)備的描述方法，以及傳感節(jié)點的描述，給出表2 的結(jié)構(gòu)信息。

表2 父節(jié)點與子節(jié)點間關(guān)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(jié)點為Y，其父節(jié)點為Xi，i=1,2,···,n。則Y的發(fā)生概率為p(Y|X1,···,Xn)。實際系統(tǒng)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(shù)學(xué)描述，以流節(jié)點與功能節(jié)點為例，流的定義為H(U,V,S,t)=0，其中流的狀態(tài)參數(shù)S包含所有支撐功能的參數(shù)Oi，由表1 可知，流節(jié)點Y的屬性為1 等價于該流參數(shù)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(jié)點屬性Xi=1 條件概率，即得到p(X1,X2,···,Xn|Y) 的數(shù)值；p(Y)為該流發(fā)生的概率，該值由專家依據(jù)鉆機運行過程中該流在施工過程中所占比例來獲??；p(X1,X2,···,Xn)為對應(yīng)證據(jù)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(jié)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(jié)點屬性定義的知識可以推理出其他類型子節(jié)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(wǎng)，其中該模型中傳感節(jié)點不具有父節(jié)點，工序節(jié)點不具有子節(jié)點，故將傳感節(jié)點的屬性值作為模型的輸入，經(jīng)過貝葉斯網(wǎng)運算獲得各工序節(jié)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(xiàn)

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

表3 傳感數(shù)據(jù)的處理流程Table 3 Processing flow of sensing data

由上述算法可知，采集后的數(shù)據(jù)需要過濾，再由過濾后的數(shù)值進行閾值判斷，從而獲得該傳感器的傳感節(jié)點屬性。如m個傳感器在t,t+iΔt采樣時刻獲到數(shù)據(jù)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(jié)點的屬性值z={r1,r2,···,rm}，將z作為證據(jù)輸入到貝葉斯網(wǎng) B，經(jīng)過推理可獲得工序 Li的發(fā)生概率為p(li=1|r1,r2,···,rm)，即可實現(xiàn)鉆機工序的判斷目標。

4 實驗及結(jié)果分析

4.1 實驗平臺及系統(tǒng)建模

以ZDY23000LDK 鉆機為實驗平臺，采集鉆機運行數(shù)據(jù)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(tǒng)建立相應(yīng)的物質(zhì)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(guān)系，建立各條流的組織結(jié)構(gòu)，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(xiàn)了上扣的工序。而物質(zhì)流F2-F4則描述了驅(qū)動F1的液壓回路，物質(zhì)流和動作流間的交互過程通過功能間的交互影響而實現(xiàn)。結(jié)合鉆機的結(jié)構(gòu)特征和運行機制，給出圖5 中各功能的描述及支撐設(shè)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(nèi)功能及其支撐設(shè)備間的關(guān)系，同理，建立鉆進和起拔的層次模型。在上述層次模型基礎(chǔ)上，建立包含上扣、鉆進、起拔工序的貝葉斯網(wǎng)絡(luò)，如圖6 所示，其中ri為傳感節(jié)點屬性，di為支撐功能的關(guān)鍵設(shè)備集合屬性，gi為涉及到關(guān)鍵功能節(jié)點屬性，fi為實現(xiàn)工序的相應(yīng)物質(zhì)流和動作流的節(jié)點屬性，li為上述3 個典型工序的節(jié)點屬性。

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

圖6 貝葉斯網(wǎng)描述了傳感器、設(shè)備、功能、流和工序間的關(guān)系，考慮了圖6 中節(jié)點數(shù)量較多，給出了上扣工序判斷過程中涉及到的工序節(jié)點、流節(jié)點、功能節(jié)點、設(shè)備節(jié)點及傳感節(jié)點的定義，見表5。

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

4.2 實驗結(jié)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(shù)據(jù)，對數(shù)據(jù)進行閾值判斷并求平均值，得到結(jié)果見表6。

表6 鉆機運行數(shù)據(jù)Table 6 Sensing data of drill rig

對表6 中數(shù)據(jù)采用表3 所示方法進行處理，獲得證據(jù)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(jù)分別輸入圖6 所示模型中傳感節(jié)點 {r1,r2,···,r8}進行推理，獲得各工序 L1、L2和 L3的發(fā)生概率，工序判識結(jié)果見表7。

表7 工序判識結(jié)果Table 7 Result of process identification%

由表7 結(jié)果可以得出，將上扣工序 L1執(zhí)行過程中產(chǎn)生的數(shù)據(jù)輸入到圖6 所示模型中，推理出鉆機當前工序為上扣執(zhí)行概率為85.3%，鉆進工序執(zhí)行概率為9.1%，起拔工序執(zhí)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(jié)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(zhí)行工序的編號，也即實現(xiàn)了工序的判識目標。

5 結(jié)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(guān)鍵工序進行識別。結(jié)果顯示：對于多設(shè)備耦合的復(fù)雜系統(tǒng)，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(shù)據(jù)和鉆機運行狀態(tài)存在著直接和間接的關(guān)聯(lián)關(guān)系，提出的鉆機運行層次模型通過挖掘上述關(guān)系，實現(xiàn)鉆機工序的判識，進一步，該方法可以分析和預(yù)測控制指令的執(zhí)行情況，為后續(xù)智能鉆機研發(fā)提供了有效的技術(shù)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(chǔ)上建立概率推理模型，其中交互過程分析和貝葉斯網(wǎng)概率給出需依賴專家經(jīng)驗。因此，后續(xù)將繼續(xù)對上述專家經(jīng)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(wǎng)結(jié)構(gòu)矩陣；d為設(shè)備節(jié)點屬性；f為流節(jié)點屬性；g為功能節(jié)點屬性；G為功能描述函數(shù)；H為流描述函數(shù)；I為功能受到的影響；K為工序描述函數(shù)；N為貝葉斯網(wǎng)節(jié)點集；O為功能對外界影響；S為流的狀態(tài)屬性；T為貝葉斯網(wǎng)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(shù)；Ψ為流間交互函數(shù)；l為工序節(jié)點屬性；p為概率值；r為傳感節(jié)點屬性；z為證據(jù)集；ε為傳感數(shù)據(jù)值。