基于机器学习算法的采煤工作面运输设备运行形态系统分析.pdf

158/矿业装备 MINING EQUIPMENT装 备0 引言近年来，矿山机械化水平迅速发展。煤矿企业在生产的过程中，使用人工智能技术准确地分析、判断和及时找到滚柱断层，识别并收集煤矿局部高温环境条件的熔断器数据，可以排除潜在隐患，有效避免煤矿事故的发生1-2。刮板输送机是煤矿生产中应用广泛的设备之一，关于矿山设备运行状态的监视和预测，以监视刮板输送机的协调运行状态为中心进行了相关研究。通过席勒的姿态和姿态，间接分析了刮板输送机的操作形态，取得了良好的研究成果。在实际工程中，地质条件的复杂性常常导致剪切机和刮板输送机之间的不协调。可以通过调整刮板输送机的液压机构来判断输送机的前进距离，但机械装置的前进距离与特定的姿势位置之间存在一定程度的偏差，往往导致刮板输送机的非协调动作，不能实现设备安全可靠的运行。因此，为了便于工作面的智能开采，事先实现刮板输送机运行模式预测的新方法成为当务之急。1 机器学习理论作为计算机领域的一种重要研究方法，机器学习已达到跨学科、跨学科、跨学科应用的目的。其本质是通过计算机算法分析多个数据，用一定的法则求值，并用与神经网络相似的已知法则实现数据的预预测。电脑就像一个大脑神经网络，在特定的信息处理方法下，与脑神经网络相同的程序实现功能的映射关系、即输入和输出的关系等信息的自主学习。神经网络模型具有实用性，强自学习能力，大规模数据处理等优点。在解决工程问题时，可以处理批量中的大量时间序列数据，并获得基于时间序列的预测数据。对于复杂的地下生产环境，煤炭切割路径随时间而变化。截煤路是非线性运动，截煤作业容易引起煤缝地面的破坏，刮板输送机的形状不规则地变化。因此，基于机器学习理论预测刮板输送机的时间序列更为合理。2 深度学习基础上检测煤矿机电设备的有效方案2.1 基于神经网络诊断煤矿机电设备故障的基本原理神经网络就是一种算法数学模型，对动物神经活动特性进行模拟操作的网络行为，采用这种方法对各种信息进行。神经网络主要为三层，包括信息输入层、中间层以及信息输出层。通过将各个节点之间所存在的关联性明确，即便系统运行的过程中较为复杂，信息处理结果也有较高的准确可靠性。目前，神经网络广泛用于带式输送机故障检测与诊断、带式输送机异物识别、偏差识别等机械学习领域。在通常使用的 BP 神经网络算法中，不需要对两个要素之间所存在的对应关系进行详细分析，也不需要将相应的输入层和隐藏层设定出来，而是通过自主学习，就可以对多个输入、输出自动识别，输入模式与输出模式之间所存在的映射关系成立。图 1 所示为包含三层结构的BP 神经网络的拓扑结构。基于机器学习算法的采煤工作面运输设备运行形态系统分析彭镜达（山西宁武大运华盛能源集团有限公司，山西宁武 036700）摘要：根据机器学习理论，为了解决由于工作面上的刮板输送机的未知操作形态引起的工作面的关闭问题，通过将目前的人工智能技术与机电设备的检测和应用相结合，提出了一种基于深层学习的煤矿机电设备检测新技术和方法。深入学习技术用于建立机电设备检测的专业数据库和故障数据库，有效地提高了煤矿机电装置检测的准确性和可靠性。该系统适用于矿井提升领域，实现了自动故障检测、快速响应、设备故障的及时报警功能，实现了机电设备的无人智能检测流程，最终提高了煤矿业的安全管理水平，促进了智能矿井建设。关键词：机器学习；刮板输送机；输送形态；故障诊断系统2023.8 矿业装备/159同时还要结合丰富的经验，基于模拟专家决策过程对于专家处理过程中所产生的复杂问题予以有效解决。图 3为专家系统故障诊断流程图。从专家系统的构成情况来看，主要包括五个部分，即知识库、综合数据库、推理引擎、知识获取程序以及解释程序。通过设置人机交互界面，使得整个专家系统运行的过程中能够与用户、专家交互，比如输入专家知识、对有关知识概念予以解释以及系统自身具备的各项功能等等。从图 3 可知，为了更好地发挥故障诊断系统作用，还在其中设置了知识库管理维护模块以及测量模块，分别起到维护管理作用和测量作用。在实现故障信号收集时主要发挥作用的是传感器，采用神经网络算法能够预先提取、滤波、强化几个主要特征信号，最后记录在数据库中，知识库管理和维护模块起到基准输入的作用。实现对故障类型进行判断并获得诊断结果，主要发挥作用的是推理机，使得故障知识库更加充实，由此可以实现故障自学习，诊断工作也是自动化运行的。3 刮板输送机运行形态监测方法监测刮板输送机运行形态，内核法是比较有效的。通过合理应用 slt（小样本统计）理论，可以获得良好的优化结果。其实质是通过内积核函数以高维映射数据，获得合理的前馈算法。该方法在图像处理，故障识别和预测中具有很好的应用。在采煤过程中，已知路基床层的性质，但工作面地形的复杂性和矿业技术对周围岩石的破坏性导致了工作面进行过程中刮板输送机工作姿态的多样性，其中大部分具有随机性和模糊性。因此，通过监测装置运行状态的有效方法建立合理的模型在实际应用中是重要的。这项研究主要通过这种方法对处于运行状态的废料输送机进行监测并做出预测。通常而言，刮板输送机安装在底板位置，地面锁定层的形状变化直接影响刮板输送机的运行状态。但是，BP 神经网络主要包括三层，除了输入层和输出层之外，还有隐藏层。BP 神经网络作为多层前馈网络，其进行算法训练是建立在误差传播基础上的。学习的主要规范是对最急下降法合理运用，对网络权重采用自动，即便在网络运行的过程中会产生错误，也可以通过优化之后实现最小化。图 2 显示了 BP 神经网络的学习过程以及诊断故障的机制。应用 BP 神经网络算法，需要获得样本参数并保证充足，多数样本参数都是在使用现场获得，以此作为神经网络实际训练的参考样本。只有保证数据充足的情况下，才能使得经过训练的样本与实际工作环境有较高的符合度。输入模型运行的过程中获得外部测试数据之后，还要比较模型当前样本特性，最终获得诊断输出故障的结果。2.2 基于机器学习设计故障库以及专家库系统传统 BP 神经网络所发挥的作用是训练机电故障检测模型，而且保证样本使用的数据充足。为了保证最终所获得的结果具有合理性，需要投入大量的工作。为了识别煤矿机电设备故障，提出了开发使用深入学习技术的故障专家系统。通过建立地下机电故障专家系统，可以在井下机电设备的检测中快速检测和识别。专家系统作为“知识库”智能化诊断系统，应用相关专业知识的图1 BP神经网络拓扑结构图图2 BP神经网络的学习过程与故障诊断机理图3 专家系统故障诊断流程图a BP神经网络学习过程b 故障诊断机理160/矿业装备 MINING EQUIPMENT装 备制图 6 所示的误差分析图。由图 6 可知，实际的测定值与刮板输送机形状的理论预测值之间存在一定的误差，作为整体的变动较大。因此，底板的变形也显示非线性不规则变化，导致刮板输送机形状的多样性，但整体误差值小，在测定点的 40m 处最大误差值为 1.8%，平均误差为 0.58%，显示理论预测结果的精度和可靠性。5 结束语工作面开采过程中，当刮板输送机处于运行状态的时候，对于其运行形态很难预测，应用机器学习理论，建立预测模型，可以监测刮板输送机运行过程中存在的形态。刮板输送机运行过程中可以获得实际测量值，相比较于理论预测值，可以明确两者之间存在误差值，平均数可以达到 0.58%，误差值的最大值可以达到 1.8%。由此可以明确，应用机器学习理论预测刮板输送机运行模式是具有可能性的，在实际技术中可以以高精度、高速进行计算和预测。从刮板输送机的构成上来看，不是采用一体化刚性部件，而是通过中间槽的刚性体连接的多个固定长部件构成，因此刮板输送机与底板不完全平行。将刮板输送机的动作形态完全判定为完全底板状是不可能的，要基于底板实际形态对装置运转状态做出准确判断。获得高精度模型，需要以实际的检测底板形状为基本参数，对参数进行归一化，提高计算速度和精度。可以根据实际统计数据分割、测试和规范数据，然后运行模型。在处理模型时，可以确定预测数据和已处理数据的错误。错误判定所获得的结果低于 5%（是）的时候，对于预测结果可以输出，结束操作预测结果超过5%（否）的时候，就要返回权重，经过重新连接之后使模型处于运行状态，判定错误值在 5%以下，输出预测结果。图 4 所示为刮板输送机的预测处理流程图。4 工程应用分析以某煤矿为例，为其部署了一套新的机电智能检测系统，通过传感器将所有机电设备连接到中央控制器。通过现场布线和调试，建立了煤矿机电智能检测系统的人机操作接口。该系统可以实现机电设备的智能实时在线监测，并在设备发生故障时报警。事故检测率高达 98.95%，报警响应时间在 8s 以下，大大降低了原有的设备检测成本，提高了设备检测效率，有效避免了煤矿事故的发生，确保了煤矿的安全高效生产。结合矿山的实际生产状况和环境，在与工作面相邻的 40m 以内配置了 40 个测量点，各测量点之间的距离为 1m。对不同测定点的刮板输送机的动作模式进行计数，得到图 5 所示的结果。由图 5 可知，实测值变化规律类似于理论预测值。当增加测定点之间的距离之后，即便处于多前端状态，整体上有增加的倾向。由于数据密集，实测值接近理论测量值，很难看到两者之间的误差，绘参考文献1 原一航,赵斌,曹维龙.采煤工作面主要煤机装备应用现状与智能化发展趋势 J.煤矿机械,2022,43(6):189-194.2 钟兆华,刘清涛.煤矿网络安全等级保护建设规划分析 J.智能矿山,2022,3(4):83-89.图4 刮板输送机预测流程工艺图6 真实测量值与理论预测值误差分析图5 刮板输送机真实测量值与理论预测值对比