李化敏-煤矿采场智能岩层控制原理及方法.pdf

第 44 卷第 1 期煤 炭 学 报Vol. 44 No. 1 2019 年1 月JOURNAL OF CHINA COAL SOCIETYJan. 2019 移动阅读 李化敏,王伸,李东印,等. 煤矿采场智能岩层控制原理及方法[J]. 煤炭学报,2019,441127-140. doi10. 13225/ j. cnki. jccs. 2018. 5039 LI Huamin,WANG Shen,LI Dongyin,et al. Intelligent ground control at longwall working face[J]. Journal of China Coal Society,2019,441127-140. doi10. 13225/ j. cnki. jccs. 2018. 5039 煤矿采场智能岩层控制原理及方法 李化敏1,王 伸1,李东印1,王 文1,袁瑞甫1,王祖洸1,朱时廷2 1. 河南理工大学 能源科学与工程学院,河南 焦作 454003; 2. 大同煤矿集团 同煤国电同忻煤矿有限公司,山西 大同 037003 摘 要煤矿采场智能岩层控制是智慧矿山及智能化开采的重要组成部分,是由“试误岩层控制” 向“精准岩层控制”、由“静态岩层控制”向“动态岩层控制”发展的关键路径,是当前和今后一个时 期采场岩层控制领域的重要发展方向之一。 明确了采场智能岩层控制的内涵即运用现代信息技 术、人工智能技术及方法等,以采场智能装备系统为载体,实现开采全过程的采场围岩自动化、智能 化控制。 采场智能岩层控制分为 3 个关键环节开采过程中的环境及设备运行数据的感知与汇集、 动态分析与状态判别、实时决策控制与反馈。 分析了矿山数据的构成、感知汇集方法及利用方式, 矿山数据的主要用途为岩层控制效果与事故灾害特征评价的大数据关联分析、为人工智能模型提 供学习样本及分析对象、作为动态数值计算的反演分析参照对象、作为数据可视化与开采实景虚拟 的信息来源。 给出了采场智能岩层控制的动态分析与状态判别、实时决策与控制的技术路径,提出 了采场智能岩层控制的关键科学问题① 环境及设备运行数据的感知汇集方法与技术;② 矿山数 据实时快速分析方法与技术;③ 采场智能岩层控制的关联分析与模型;④ 矿山数据可视化与开采 场景虚拟构建;⑤ 基于大数据的快速动态数值计算原理及算法;⑥ 采场智能岩层控制“感知-分析 -控制-反馈”全过程算法集成与系统构建。 结合工程实际介绍了基于支持向量机和动态数值计算 的采场智能岩层控制初步应用。 关键词采场;智能岩层控制;人工智能;矿山大数据;动态数值计算 中图分类号TD32;TD823． 97 文献标志码A 文章编号0253-9993201901-0127-14 收稿日期2018-12-03 修回日期2018-12-27 责任编辑郭晓炜 基金项目国家重点研发计划资助项目2018YFC0604500;国家自然科学基金面上资助项目51474096 作者简介李化敏1957,男,河南镇平人,教授,博士生导师,博士。 E-maillihm hpu． edu． cn 通讯作者李东印1970,男,河南封丘人,教授,博士生导师,博士。 E-maillidongyin126． com Intelligent ground control at longwall working face LI Huamin1,WANG Shen1,LI Dongyin1,WANG Wen1,YUAN Ruifu1,WANG Zuguang1,ZHU Shiting2 1. School of Energy Science and Engineering,Henan Polytechnic University,Jiaozuo 454003,China; 2. Tongxin Coal Mine,Datong Coal Mine Group Co. , Ltd. ,Datong 037003,China AbstractIntelligent ground control IGC at longwall working face is the significant and key part in wisdom coal mine and mining intelligentization,and is the crucial link from trial-and-error ground control to precise ground control as well as from static control to dynamic control. IGC is one of the important research fields in ground control. The con- notation of IGC at longwall working face was defined,which is the ground control technology using modern ination technology and artificial intelligent technology. The composition,perception and col-lection and the utilization mode of coal mine data were analyzed. The coal mine data is used for big data analysis for uating ground control ef- fectiveness and coal mine disaster characteristics,providing learning samples and analysis objects for artificial intelli- gence models,and used as the reference object for back analysis of dynamic numerical simulations and ination 煤 炭 学 报 2019 年第 44 卷 source for data visualization and virtual reality of mining process. The pathways of dynamic analysis and state distin- guish,real-time decision-making and control in IGC were proposed. The key scientific problems of IGC were clarified, that include the ology and technology of perception and collection of coal mine data,the real-time rapid analysis of coal mine data,the intelligent model and algorithm of IGC,coal mine data visualization,the virtual reality for mining process,the principle and algorithm of rapid numerical simulation based on big data,and the algorithm integration and system construction for the whole process of IGC. Two specific IGC application cases on Support Vector Machine and Dynamic Numerical Simulation were introduced. Key wordsworking face;intelligent ground control IGC;artificial intelligence AI;coal mine big data;dynamic numerical simulation 人工智能应用时代已经来临。 自 1956 年人工智 能成为独立的计算机研究领域,至今经历了 3 次大规 模发展高潮[1]。 随着计算能力、数据规模、人工智能 算法的快速发展,21 世纪后人工智能迎来契合时代 发展的新高阶段;目前人工智能已成功应用于数据挖 掘[2]、人类语言解译[3]、高水平策略竞技[4]、自动驾 驶汽车[5]、内容发布网络CDN [6]、战争模拟[7]、医 疗诊断[8]、图像识别[9]、工业制造优化[10]等领域。 谷 歌人工智能程序 AlphaGo 分别于2016 年3 月和2017 年5 月分别战胜世界围棋冠军李世石和柯洁[4],引发 全世界的高度关注。 2016 年,我国制订了智能制造 发展规划20162020 年 [11],以推动人工智能在 制造领域的快速发展。 人工智能正在深刻影响和改 变着工业、科技、文化、经济、社会生活以及思维方式。 与其他行业相比,煤矿地下作业空间狭小、环境 较差、劳动密集,安全问题相对突出,缺乏职业吸引 力,采掘一线人员老龄化问题严重,经济效益差,传统 的生产方式已严重制约煤炭行业的生存和可持续发 展。 在人工智能快速发展的大背景下,煤矿智能开采 与智慧矿山,或将带来生产、安全等全方位的重大突 破,实现煤炭生产方式根本性的变革。 近年来,煤炭 领域多位专家从战略高度积极谋划智能化时代煤炭 行业发展的方向,就煤矿智能开采、智慧矿山建设等 问题,提出了诸多重要的理论与技术架构。 与此同 时,在生产地质条件较好的采煤工作面也积极进行了 智能化开采实践探索;截止 2018 年 11 月,全国已建 成智能化采煤工作面 100 多个。 一些先进的煤炭企 业在智能矿山规划、智能控制系统包括综采工作面 自动化采煤、矿山机电设备自动控制、瓦斯和自然发 火等矿山安全信息的自动化监测监控、智能化管 理应急救援、矿山能源综合管理等、矿山信息化基 础设施建设和自动化系统升级改造方面做了大量的 工作,取得了重大进展,为智慧矿山建设奠定了实践 性基础。 自 20 世纪 90 年代开始发展智能开采技术和装 备以来,CSIRO,JOY,EICKHOFF 等公司或研发机构 已成功开发出了智能化开采装备,并成功用于商业化 开采[12]。 近年来,王国法等对工作面智能化升级关 键技术[13]、煤炭智能化开采技术[12]、液压支架群组 支护原理与承载特性[14-15]、安全高效综采技术与装 备集成配套设计[16-20]进行了深入广泛的研究,并提 出了智慧矿山的概念与内涵,明确了智慧煤矿 2025 发展目标与实现路径,为今后统筹开展煤矿生产智能 化研究奠定了基础[21]。 袁亮等提出了煤炭精准开采 的蓝图及关键技术,分析了煤矿动力灾害风险精准识 别及预警关键技术[22],认为人工智能是实现精准开 采与灾害防控一体化的重要方法[23]。 宋振骐[24]以 实用矿山压力控制理论为基础,从控制煤矿事故的角 度提出了安全高效智能化开采技术构想及方法。 何 敏[25]通过分析智慧矿山与自动化矿山、信息化矿山、 数字化矿山的特点,认为具备自动运行、智能决策、自 学习功能是智慧矿山的基本属性与关键技术。 田成 金[26]系统分析了无人化开采、智能化开采、数字化开 采的概念,提出了“智能自适应开采技术模式”和“工 作面自动化可视化远程干预半智能开采技术模 式”。 葛世荣等从识别、决策、控制 3 方面分析了无 人驾驶采煤机的技术架构,提出了无人驾驶采煤机关 键技术及突破方向[27],开发了基于工作面地理信息 系统的采煤机定位定姿技术[28];阐述了智能化采煤 装备的“3 个感知,3 个自适”技术构架,探讨了煤岩 高效自适应截割技术、液压支架自适应控制技术、动 力传递自适应调控技术、煤岩界面智能识别技术、采 煤装备智能诊断技术、采煤装备自主巡航技术的未来 突破方向[29]。 人工智能算法与矿业工程的结合度也愈加密 切。 SLEZAK 等[30]提出一种新的基于多传感大数据 的学习预测模型和实现架构,构建了瓦斯体积分数预 测分析的决策支持系统。 ZHANG 和 LOWNDES[31]提 出一种人工神经网络与故障树分析法的耦合预测模 型,并用以预测煤与瓦斯突出的可能性。 JANUSZ 821 第 1 期李化敏等煤矿采场智能岩层控制原理及方法 等[32]采用机器学习方法对煤矿数据进行深度挖掘, 提出了利用数据挖掘与模型训练的方法,开发了用于 预测煤矿动力灾害的人工智能算法与模型。 ZHOU 等[33]采用 Fisher 判别法和支持向量机预测了地下矿 山矿柱的稳定性,研究结果表明支持向量机相对于 Fisher 判别法的结果稳定性更高,有望成为可靠、实 用的矿柱稳定判别与评价工具。 ZHANG 等[34]基于 神经网络提出了一种将煤矿多传感信息数据进行融 合与分析的系统。 MAHDEVARI 等[35]为解决隧道掘 进机卡钻问题,基于掘进经验大数据分析,采用支持 向量机与人工神经网络训练出用于预测地层条件变 化的智能模型,认为支持向量机算法显著优于人工神 经网络。 EBRAHIMABADI 等[36]采用多层感知机与 Kohonen 自组织特征映射的人工智能方法训练了地 质条件与巷道掘进机响应的关系模型,研究表明多层 感知机适用于预测和评估煤系地层中掘进机破岩性 能,Kohonen 自组织映射法可有效帮助理解掘进模型 的非线性方式和数据挖掘过程。 我国煤矿采场岩层控制的研究经历了实用经验 阶段、显性理论与数值模型阶段;核心问题为矿压显 现机理及控制,具有极强的混沌性、动态性与非线性 特征。 国内外学者尝试从不同的角度或采用不同方 法,分析和揭示岩层运动及稳定性的机理,并建立了一 系列较为完整的理论技术体系和控制方法,有力的支 撑了在不同开采阶段对岩层控制的实际需求。 然而, 岩层控制目前总体上仍然处在“静态”和“试误”的分 析阶段,即采用静态的数学力学模型,基于静态开采边 界与地质力学条件,试图获得静态的岩层控制方案;以 及通过调试不同的岩层控制方法或控制参数,直至大 体满足采场岩层控制和安全生产的需要。 “静态”和 “试误”的分析方法仍面临的准确性、实时动态性、经济 性和安全性问题,对突发矿压问题例如压架、大面积 片帮、端面冒漏、放煤口卡矸的分析解决较为迟滞,制 约了煤炭连续化、标准化、自动化生产。 煤矿采场智能岩层控制是煤矿智能化开采的重 要部分和关键环节,是由“试误岩层控制”向“精准岩 层控制”、由“静态岩层控制”向“动态岩层控制”发展 的关键路径,将是当前和今后采场岩层控制领域的重 要发展方向之一。 本文旨在明确采场智能岩层控制 的内涵,分析采场智能岩层控制的原理和方法,提炼 出实现采场智能岩层控制的关键科学技术问题,结合 实践介绍采场智能岩层控制的具体应用实例。 1 采场智能岩层控制的内涵、技术路径及方 法 人工智能是一种感知环境并做出最可能达到预 期目标的决策或响应的技术[37]。 人工智能是相对于 人与动物的自然智能而言的,其环境感知方式、分析 方法、决策模式不必局限于模仿自然智能。 人工智能 的核心用途为基于数据训练建立动态非线性关系的 精准描述,并采用动态非线性模型实现对问题的求解 和对过程的优化。 因此,人工智能的内涵决定了其与 岩层控制必然具有高度契合性,体现在采矿问题的动 态复杂性、岩层控制过程的可优化性和采矿数据的极 大富集性。 以下条件使采场智能岩层控制成为可能① 云 计算、物联网、多传感等技术的发展,大大提高矿山数 据采集密度与维度、传输共享速度、分析运算能 力;② 以 MapReduce 和 Hadoop 为代表的非关系数据 分析技术的发展,为大规模非结构数据并行处理提供 了技术保障;③ 计算机处理器的容量、计算速度和复 杂度翻番周期为 18 个月,硬件的快速发展为大型数 值计算、模型训练学习、大数据分析提供了必要的硬 件条件;④ 人工智能算法发展迅速,目前已经应用至 矿业工程领域;⑤ 自动化开采技术、装备和系统已发 展到了较高阶段,地质条件较好的工作面已初步实现 无人或少人开采。 采场岩层控制的对象为采煤工作面的围岩环境, 包括工作面顶板顶煤、后方采空区煤矸流、工作面 前方煤壁以及工作面底板。 煤矿采场智能岩层控制 指运用现代信息技术、人工智能技术及方法等,以采 场智能装备系统为载体,实现开采全过程的采场围岩 自动化、智能化控制;即采用互联网技术、多传感技 术、地理信息技术、物联网技术、数字图像技术等对三 维地质信息、开拓开采信息、煤岩层地质力学信息、生 产过程中的动态监测信息、历史记录与案例进行感 知、传输、存储与汇集,采用计算机模拟、云计算、大数 据分析与人工智能等技术对实时数据和历史信息进 行动态分析、学习,对生产状态动态判别、岩层状态动 态预测以及智能装备群运行状态实时分析,并对智能 装备群进行实时调整控制、实时制定突变灾害防控措 施以实现动态岩层控制的全过程。 根据采场智能岩 层控制的内涵,可将采场智能岩层控制分为 3 个关键 环节矿山数据的感知与汇集、动态分析与状态判别、 实时决策控制与反馈,如图 1 所示。 顶板压力实时预测、液压支架群组协同支护、煤 岩层的变化和煤壁稳定性的动态识别等都属于采场 智能岩层控制的热门研究方向,也是近期有希望运用 智能技术实现突破的课题。 921 煤 炭 学 报 2019 年第 44 卷 图 1 煤矿采场智能岩层控制的内涵及结构 Fig． 1 Concept and structure of IGC at longwall working face 1顶板压力实时预测。 目前工作面顶板来压 多根据液压支架工作阻力的统计学特征均值、方 差、分布与频数进行判别;此方法对生产起到了一 定的指导意义。 实际上,由于非规范化操作、接顶情 况、由煤壁片帮或采煤机割煤引起的端面距变化、支 架位态等因素的影响,支架工作阻力曲线千差万别, 单一依靠工作阻力的统计学特征分析来压步距和来 压强度准确性不强,且无法对顶板来压做实时预测, 进而无法对来压做实时控制,如改变割煤速度、加强 支护等。 通过大数据分析和人工智能算法对支架电 液数据分析、特征提取、学习,不仅可预测顶板来压概 率,而且可对液压支架阻力曲线特征做深度的多因素 相关性分析。 在工作面推进的动态过程中,预测模型 可不断获得新的学习样本,并基于此不断调整预测准 确度;根据来压期间所积累的顶板控制措施和采煤工 艺变化特征,可优化出适用于本工作面的来压期间顶 板控制策略。 2液压支架群组协同支护。 王国法提出了液 压支架群组控制的概念和液压支架自组织协同控制 的方法[15]。 在全体液压支架刚度一致条件下,对于 顶板完整的长壁工作面一般呈现中部下沉挠度大的 特点;对于含局部断层的顶板压力分布较为复杂[15]。 发挥液压支架的群组协同支护能力有助于降低液压 支架局部压死的风险。 开采过程中的顶板结构信息 无法直接获取,仅反映在液压支架工作阻力变化上, 但通过常规矿压理论分析、数值模拟,皆难以实时解 释液压支架工作阻力所反映的顶板结构,更难以给出 合理的且具有针对性的液压支架协同控制方法。 “液压支架阻力-顶板局部结构-群组控制方式”的关 联性是极隐蔽的。 数据挖掘、深度学习以及群体学习 是实现液压支架群组协同支护实时控制的有效方法。 3煤岩层的变化和煤壁稳定性的动态识别。 煤壁片帮或冒顶显著影响采煤机的连续化割煤效率 和液压支架稳定性。 调研结果显示,超过 30 的时 间用于清理工作面端头浮煤和片帮冒顶浮煤。 煤壁 片帮冒顶具有突发性和随机性,采用激光雷达实时测 距,利用图像识别等人工智能技术对煤岩层变化和煤 壁稳定性分析可实现煤壁片帮冒顶预测和已片帮冒 031 第 1 期李化敏等煤矿采场智能岩层控制原理及方法 顶区域的及时感知。 1． 1 矿山数据的感知、汇集及利用 1． 1． 1 矿山数据构成 大数据指容量浩大、结构复杂、已不能被传统数 据处理方法充分处理的数据集合[38]。 大数据分析不 采用抽样,通过对所追踪事件的全息分析以自动呈现 事物之间的联系。 煤矿开采过程产生的数据量巨大, 并且随着煤矿开采过程持续不断累积;数据类型和格 式复杂,无法通过一般分析方法进行充分利用,因此 具备大数据属性。 矿山数据主要包括区域性地层资 料三维地质信息、地质力学数据、开拓开采布局与 接替信息、开采过程中采用信息技术手段所采集和表 达的各类动态和静态信息、相关采矿历史记录与案例 等,其数据类型主要包括结构化数据、半结构化数据 和非结构化数据。 结构化数据指可用明确的结构关 系表达的各类数据表,包括与坐标相关地质力学数 据,液压支架电液数据,智能准备群电信号数据及控 制动作数据,瓦斯、风流、粉尘、微震、锚杆应力、煤柱 应力等各类灾害监测数据、矿井经济指标报表数据 等。 半结构化数据包括开采信息的客观记录巷道 支护情况、作业循环表、各类设计资料及调研结果、 开拓开采布局与接替信息、各类矿图等不能采用统一 结构表达但存在一定数据结构的数据。 非结构化数 据包括图像和音频监测信息、各类生产与经济效益有 关的全文文本等无法用结构表达数据关系的数据。 采场岩层控制是一个基于大开采环境的局部具体问 题,因此各类静态基础矿山数据是采场智能岩层控制 的背景数据,生产过程中的动态监测数据是其个性数 据;正确认识、处理背景数据与个性数据的关系是实 现数据在采场智能岩层控制中有效利用的关键。 1． 1． 2 矿山数据感知与汇集 如何有效地感知与汇集矿山数据是实现采场 智能岩层控制的关键。 地质勘探、矿井设计与建设 等数据多为静态数据,随工程进行可被有效记录; 但目前这些数据未被有效地融合和利用,造成矿山 信息孤岛与数据资源的极大浪费。 矿山静态数据 实际已分布存储于矿山计算机中,搜索、挖掘、汇集 此类数据是进一步利用、真正意义上避免矿山信息 孤岛的前提。 首先,应建立完整的矿山数据共享分 布式网络系统,数据不必全部集中于单一计算机, 仅在需要时可以实现迅速挖掘与调用。 其次,要建 立统一数据文件管理标准,为数据的快速筛选挖掘 提供基础平台。 此外,还应发展矿山数据快速处理 与信息融合技术,目前已有的处理技术包括大规模 并行处理技术、深度数据挖掘、网络爬虫、分布式文 件系统、云计算、可扩展存储系统等。 矿井生产监测期间产生的数据多为动态数据,需 要依靠直接记录与多传感方式获得。 多传感技术是 矿山动态数据采集的重要发展方向,为实现透明开 采、矿山全息传感提供了可能。 矿山全息传感包括地 质体应力与位移传感,岩层运动的电磁与机械振动信 号传感,智能装备群电液信号、位态、动作传感,水、 火、瓦斯、风流、温度、粉尘等环境数据传感,生产监测 音频传感等。 具体的多传感技术包含微地震监测技 术、数字图像关联技术DIC、电磁辐射监测技术、变 形监测技术、光纤光栅监测技术、激光雷达监测技术, 以及各类光敏、压敏、生化反应等感应技术。 液压支 架作为采场岩层控制最重要的支护体,其姿态、阻力、 压力分布、位置、操作动作数据是分析岩层状况和生 产状态的重要数据来源。 1． 1． 3 矿山数据利用方式 矿山数据在采场智能岩层控制中的具体用途主 要有 4 类① 大数据分析,进行岩层控制效果、事故 灾害特征评价;② 为人工智能模型提供学习样本及 分析对象;③ 作为动态数值计算的反演分析参照对 象;④ 作为数据可视化与开采实景虚拟的信息来源, 如图 2 所示。 1大数据分析。 通过大数据分析,可对已实施 的岩层控制措施进行效果评价,分析控制措施和安 全、生产效益等一系列要素的相关性;可对顶板冒漏、 压架、咬架、煤壁片帮、冒顶、粉尘和瓦斯超限、顶板动 力事故等矿压问题进行实时分析,分析事故发生的时 空特点、与采煤工艺和矿压控制方式之间的相关性 等。 分析结果可作为新的数据扩充数据库,为后续岩 层控制提供新资料;分析结果还可为液压支架选型、 覆岩运动规律、煤柱留设、开拓方式、动力灾害预测等 提供决策支持依据。 2为人工智能模型提供学习样本及分析对象。 人工智能算法的优势在于对混沌问题的非线性动态 描述,其准确度依赖于不断地学习与训练。 矿山全息 数据经降维与稀疏化后可作为人工智能模型训练的 学习样本,模型通过监督学习或无监督学习方式随数 据动态积累而不断增强,实现真正意义的采场智能岩 层控制。 3作为动态数值计算的反演分析参照对象。 数值计算通过给定本构模型、初值岩石力学参数、 数据结构模型几何特征、边界对关键矛盾问题求 解,其优势在于数据处理较为迅速、表现直观、可进行 多因素分析等,缺点在于输入初值准确度无法把握、 对非线性描述能力有限等。 现场监测数据可作为数 131 煤 炭 学 报 2019 年第 44 卷 图 2 岩层控制大数据特点及利用方式 Fig． 2 Characteristics and utilization of ground control big data 值计算的初值和本构模型反演的对比参照,逐步使数 值模型逼近现实。 此外,可根据动态监测数据变化而 实时反分析、调整数值计算模型,实现数值模型的动 态计算,预测开采过程中的矿压问题。 4作为数据可视化与开采实景虚拟的来源。 数据可视化与开采实景虚拟是智能岩层管理的重要 方面。 数据可视化指将各类数据转化为可供技术管 理人员分析的图表,为异常侦查、趋势判断、人机交互 等提供分析平台。 开采实景虚拟指将多传感采集的 工作面信息通过图像拼接、虚拟现实、实体建模等技 术将工作面实时转化为虚拟三维场景,此基础上结合 人工智能、数值计算等手段对矿压问题进行实时展 现,实现现实场景与虚拟预测的融合与沟通混合现 实。 1． 2 动态分析与状态判别 动态分析与状态判别主要包含 3 个方面① 生 产状态动态判别;② 岩层状态动态预测;③ 智能装 备群运行状态实时分析。 主要技术手段有大数据分 析、云计算、动态数值模拟以及人工智能,技术路径如 图 3 所示。 对于具体的岩层控制问题,首先要实时更 新历史动态数据库,并确定当前监测数据集即将被 实时分析的数据。 其次,根据背景数据与历史动态 数据,随开采进程对人工智能模型、计算机数值模型 或数据分析方法进行实时学习、训练、更新。 然后采 用新的模型对当前监测数据进行分析,给出分析对象 的当前状态,并将判别结果呈递至决策系统。 其中, 人工智能模型实时学习训练是动态分析的核心,本质 上是一个动态自学习的过程。 监督学习和无监督学 231 第 1 期李化敏等煤矿采场智能岩层控制原理及方法 习方式都可以实现此动态自学习过程,并无优劣之 分。 由于监测数据量浩大,为提高学习与分析速度, 实践中往往还需要通过一定的数据采样算法实现快 速降维。 以数据呈递关系为标记,将动态分析、状态 判别的结果与后期的决策控制命令、控制效果组建为 打包数据条目,扩充矿山数据库,为后续改善人工智 能模型提供学习样本。 图 3 采场智能岩层控制的动态分析与状态判别技术路径 Fig． 3 Process of dynamic analysis and distinguish for IGC 1． 3 实时决策控制与反馈 面对矿压因素庞杂、装备可控制动作众多且需要 整体协调控制等问题,实时决策依然需要通过人工智 能算法以及人机交互的方式解决,实时控制需通过智 能决策单元、人机交互单元与自动控制单元的有效耦 合实现。 实时决策与控制可分为两部分① 实时控 制命令直接呈递;② 突变灾害预警与防灾措施制定。 前者针对一般性、局部性、非突变型矿压问题,对智能 装备群动作实时调整;后者针对影响范围较大的突变 灾害图 1,制定系统性防范措施。 实时决策控制与反馈的具体技术路径如图 4 所 示。 随开采进程,根据历史“动态分析-决策与控制 命令-控制效果”的关联数据样本不断更新决策与控 制模型,然后采用此优化后的模型做出决策与控制命 令,并呈递至智能装备自动控制主控计算机。 实际 中,初期决策控制样本即与具体矿压问题对应控制 手段的集合往往需要人为给定建立初始模型,并 结合人机交互方式辅助人工智能模型快速提升辅 助训练,后期机器可通过自学习而使模型准确度不 断得到加强。 实施控制后,根据监测数据分析岩层控 制效果,并将“决策与控制命令-控制效果”扩充至矿 山数据库,以供后续模型训练与更新使用。 图 4 采场智能岩层控制的实时决策与控制技术路径 Fig． 4 Process of real-time decision-making and control for IGC 需要注意的是,虽然人工智能算法目前已得到飞 速发展,但面对复杂的采矿问题,仍不能脱离人的协 助。 2 采场智能岩层控制关键科学技术问题 目前采场智能岩层控制研究处于起始阶段,核心 目的是增强井下智能装备群对各类矿压问题的适应 性,真正实现开采连续化、自动化,为煤矿开采过程中 采场岩层控制提供全新技术平台和强大工具;所涉及 的关键科学问题如下。 1矿山环境及设备运行数据的数据感知汇集 的方法与技术。 数据是采场智能岩层控制之根本。 对煤矿已有的各类静态数据、开采背景数据利用的前 提是快速汇集;对开采动态数据除汇集以外,更重要 的是构建多维度、多尺度的感知网络,实现透明开采。 应采用多传感技术、物联网技术、地理信息系统等加 强煤矿数据的采集力度;同时应发展矿山数据的动态 存储、实时更新、即时调用机制,为智能分析提供尽可 能全面详尽的资料。 该方面的科学问题涉及多传感 技术、矿山静态数据的分布式存储方法与快速汇集, 开采动态数据的多传感采集网络与动态存储系统构 建,异质数据统一管理标准的建立。 331 煤 炭 学 报 2019 年第 44 卷 2矿山数据实时快速分析方法与技术。 采场 智能岩层控制建立在对矿山数据全面而实时快速分 析的基础之上。 该方面科学问题涉及多类型矿山数 据的识别、匹配、融合、降噪,开采过程容忍时间内矿 山数据的快速筛选、分类、更新、降维,矿山数据实时 分析与连续常态深度分析相结合的分析机制,岩层控 制大数据动态分析平台构建等。 应增强数据的深度 挖掘与充分利用,实现各类数据的有效融合,避免信 息孤岛现象。 3采场智能岩层控制的关联分析与模型。 开 采过程中的采场围岩稳定性与煤岩层条件、采高、割 煤速度、支架阻力、支架状态等密切相关,且它们之间 相互关联、相互影响的关系复杂,采用支持向量机、人 工神经网络、回归、正则化、基于实例法、决策树、深度 学习、贝叶斯模型、聚类法、关联规则学习、强化学习 等人工智能方法进行分析处理。 如深度学习卷积神 经网络已用于井下煤壁片帮、冒顶、煤矸识别,支持向 量机可用于顶板、矿柱等稳定性问题,贝叶斯方法可 用于顶板来压预测等。 不同的人工智能方法适用于 不同的岩层控制问题,这就需要寻找适用于各类岩层 控制问题的子方法,并逐步发展出具有岩层控制特色 的全局嵌套智能算法与系统,实现采场智能岩层控制 针对性与普遍性的统一。 4矿山数据可视化与开采场景虚拟构建。 岩 层控制数据可视化与开采实景虚拟是人机交互的重 要接口。 目前国内已实现了工作面装备状态与监测 信息的实时可视化,但缺乏围岩状态顶板、煤壁、煤 矸混合状态等的实时可视化,以及岩层控制措施、 效果评价的实时可视化。 开采实景虚拟不仅要实现 采场各类信息的地面实时呈现,更要实现在虚拟场景 基础上进行虚拟矿压管理与预测的物理学分析功能, 增强开采实景虚拟分析解决问题的能力。 该方面科 学问题涉及岩层控制数据实时可视化,三维开采实景 虚拟重构的数据融合方法,基于开采实景虚拟的多物 理场重构与仿真方法。 5基于大数据的快速动态数值计算原理及算 法。 目前数值计算大多采用静态边界条件、静态输入 参数、静态本构模型的计算方式,无法根据实际情况 做及时调整,因而模拟结果往往与真实情况相差较 大,无法及时修正并提高自身求解精度。 大数据为实 现动态数值模拟提供了可能。 开采过程中的动态数 据,如液压支架工作阻力、煤柱应力、微震监测数据、 生产揭露地层变化、地表岩移数据等可作为数值计算 中物理力学参数、本构模型与地质模型反分析的依 据。 每进行下一步开采分析前,都根据最新的监测数 据及时调整数值计算模型,实现对开采过程中矿压的 动态预测。 目前关于线性简单问题的反分析已有成 熟理论和方法,但对于非均质地层、岩体非线性本构 模型尚未提出明确便捷的反分析方法和算法。 该方 面的科学问题涉及基于实时监测数据的动态数值计 算反分析算法实现,反分析精度检验,动态精细数值 计算的快速求解方法。 6采场智能岩层控制“感知-分析-控制-反 馈”全过程算法集成与系统构建。 “感知-分析-控 制-反馈”的算法集成包括数据自动采集、存储、汇集 的智能管理,分析方法的动态智能选择,分析模型的 实时更新与分析,智能决策单元、人机交互单元与自 动控制单元的有效耦合等。 采场智能岩层控制系统 包括上述所有软件、算法、模块,以及相关所有的通信 网络、超级计算机、云计算平台、控制平台等硬件设 备。 3 实例分析 3． 1 支架阻力分类与顶板状况智能预测 彭赐灯认为,液压支架工作阻力是变化的支架与 顶板相互作用的结果,可预测开采前的顶板状况,进 而可分析矿压机理、提高顶板管理水平。 单循环内立 柱压力的变化特性可分为 3 类急增型、缓增型和降 低型。 统计分析结果表明,急增型反映支架在完整或 坚硬顶板刚体强烈运动条件下的承载状况,缓增型反 映较软弱,降低型反映顶板顶板极其松软破碎或底板 松软[39]。 本实例以同忻煤矿 8202 综放工作面为研 究对象,采用支持向量机算法SVM对支架循环阻 力曲线进行分类并预测顶板状态。 3． 1． 1 工程地质概况 同忻煤矿 8202 工作面位于北二盘区,盖山厚度 377 517 m,工作面上覆为同家梁与永定庄侏罗系煤 层采空区。 主采煤层为石炭系 3 5 号煤层,煤层倾 角约2． 3,煤层平均厚度15． 26 m,其中夹矸1． 96 m; 煤层裂隙发育,质地半坚硬,夹矸为泥岩和炭质泥岩。 8202 工作面采用特厚煤层综采放顶煤开采,平均割 煤高度 3． 9 m,平均放煤高度 11． 36 m。 煤层直接顶 为 3． 87 m 的炭质泥岩和薄煤层;基本顶为厚约 17 m 的砂质泥岩,厚层状,抗拉强度 2． 3 MPa;直接底为 1． 98 m 厚的砂质泥岩。 工作面走向长度 2 184． 5 m, 倾斜长度 200 m,平均推进速度为 5． 6 m/ d。 8202 工 作面与 8203 采空区相邻,中间留设 38 m 宽的区段煤 柱,煤柱侧为回风巷,实体煤侧为进风巷,如图 5 所 示。 工作面中部布置 108 台 ZF15000/27． 5/42 型低 位放顶煤液压支架, 靠近工作面端头位置布置 431 第 1 期李化敏等煤矿采场智能岩层控制原理及方法 ZFG13000/27． 5/42H 型 低 位 放 顶 煤 过 渡 支 架