综采工作面自动化放煤控制技术研究

马　英

(天地科技股份有限公司 开采设计事业部，北京 100013)



综采工作面自动化放煤控制技术研究

马英

(天地科技股份有限公司 开采设计事业部，北京 100013)

[摘要]针对放顶煤过程中出现“过放”状况和“欠放”问题，以随机介质放矿理论为基础，建立了基于果蝇优化算法和RBF混合算子的放顶煤时间预测方法。采用径向神经网络建立以顶煤高度、煤层强度、顶煤节理裂隙、夹矸层厚度等因素作为输入变量，以散体流动参数为输出的神经网络模型，对放顶煤时间建立预测模型，实现了放顶煤时间变化的自适应，进而实现了放顶煤过程的自动化。

[关键词]综采工作面；自动化放煤；控制技术；自适应；预测模型

目前自动化放煤工作面存在最大的问题是工作面支架全部采用统一放煤 “思路”执行相同的放煤动作，这样就必然带来机械式的前进，放煤过程不能随着煤层变化随之同步更新调整放煤 “思路”，所以有必要对其改进，使其更灵活，更具实用性。本文建立了根据顶煤赋存条件的变化实时自动调整放煤口开闭的时间自动化放煤控制方法，试验结果表明，该方法可以实现自动放煤。

1时序控制自动化放煤逻辑关系研究

根据综放实践经验，制定放顶煤时序控制与人工干预协调控制的自动化放煤控制机制，由液压支架电液控制系统实现自动化放煤。放顶煤液压支架智能化控制研究的核心问题是如何解决放煤过程的智能化。在确定适合放煤工艺的前提下，充分考虑实际放煤过程，规划出一套完整的自动化放煤程序逻辑关系(图1)，设定好有关参数，由支架控制器按程序发出控制指令实现放煤过程的自动化。

图1　智能放煤逻辑关系

2基于随机介质放矿理论的放顶煤时间方程描述

以随机介质放矿理论为基础，建立顶煤冒落时间智能控制模型，由随机介质放矿理论可知，斜壁边界散体颗粒的移动概率密度函数为：

(1)

式中，A1，A2为斜壁余切函数；ω1=(α+α1)/2，ω2=(α+α2)/2；α，β，α1，β1，α2，β2由破碎散体流动参数实验测得，根据斜壁面对散体顶煤移动速度分布曲线的交割程度可划分为3个区域，即无影区、过渡区与斜壁控制区。由于3个划分区域在每一空间内散体流动条件存在差异，其参数值也互不相同，故采用3种标识加以区分。

将破碎的顶煤视为连续流动的随机介质，其下降速度Vz与散体煤块移动密度函数P(x,y,z)间的关系为：

Vz=-qP(x,y,z)

(2)

式中，q为放煤口单位时间放煤量。

公式(2)表明煤块的下降速度曲线形式与概率密度函数的曲线形式相似。液压支架放煤时，破碎的煤块会沿着其运动曲线向放煤口移动，将其沿煤块移动轨迹线积分，便可得到放出量与煤块位置变换关系:

(3)

式中，Qf为放出量，Qf=qt，t为放出时间；x0，y0，z0为散体顶煤原始位置坐标；x，y，z为散体顶煤移动后新位置坐标。

随着放出量增大，散体顶煤向放煤口不断移动靠近，当P0(x0，y0，z0)点达到放煤口时的放煤量为：

(4)

3放煤口对散体移动概率影响的数学描述

液压支架放煤口为矩形，在放煤口建立直角坐标系，如图2所示。

采用(u，v)坐标方式，将放煤口平面划分成无数微小方格，将其中的每一个微小方格视为一个放出点源，设方格中心距为Δu，当从方格中均匀放出顶煤散体颗粒时，根据散体介质移动概率叠加原理，平面问题应有：

(5)

式中，N为放矿口数，N=LH/Δu；n为散体黏结性实验常数。

考虑从整个放煤口平面的每一方格均匀放出顶煤散体介质时，由其对称性可直接写出该空间问题的顶煤散体移动概率密度数学表达式：

(6)

式中，S为放煤口流动面积。

如果放煤口平面小方格之间顶煤放出量存在差异，服从某种分布关系，根据顶煤散体移动概率的加权平均原理，此时顶煤散体移动区域内任一位置散体介质移动概率可写为：

(7)

放煤口有效面积对散体顶煤形成的放出漏斗影响较大，即与放出漏斗的相对位置有关，也与放出漏斗形成体积大小有关。此外，还与散体顶煤流动性质和出口速度分布有关；随着放煤过程的进行，原来位移(x0,y0,z0)点颗粒不断下移，最终到达放煤口水平位置(xD,yD,0)点，并同时到达放煤漏斗口的水平位置，该散体介质转化为放出体。则根据上述公式可得：

(8)

(9)

t=Qf/q

(10)

4影响放煤过程的因素分析

散体流动参数α,β,α1,β1,α2,β2是影响顶煤移动概率密度的主要因素，所以其值的大小直接决定着放煤时间。根据放顶煤工艺及其相关的理论研究可知，影响放顶煤过程的影响因素主要有：顶煤高度、煤层强度、顶煤节理裂隙、夹矸层的厚度和放煤口面积等因素。而散体流动参数α,β,α1,β1,α2,β2与放煤条件有关，主要受煤层节理发育、夹矸层变化(以最主要的两层夹矸厚度考虑)、煤层强度等因素影响。

为了研究不同因素对散体流动参数的影响程度，对层节理发育进行等级分类，共分为五级，分别为很发育、发育、中等发育、一般发育和不发育，其对应的量化数值为1，2，3，4，5。

根据实验测试和现场试验应用，得到煤层物理特性下散体流动参数α,β，见表1。

表1　散体流动参数样本

以上样本中数量级不同，为了便于样本的统一分析，需对数据进行归一化处理。

5果蝇优化算法与RBF混合算子的放煤时间预测

针对放煤过程中出现“过放”状况和“欠放”问题，提出了基于果蝇优化算法和随机介质放矿理论联合的放顶煤时间预测方法。当工作面上方顶煤赋存条件连续多个放煤口同时发生变化时，系统将记忆变化的参数同时进行自动调整，通过果蝇算法优化后，获得最佳Spread 为0.2199 ，将该值赋予RBF神经网络，再将表2中的预测样本代入，得到的预测值如表2、表3所示。

表2　预测用参数样本

表3　α，β预测值与实验值对比

图3为FOR-RBF神经网络预测与实验结果对比图，从对比图可知：预测结果与实验结果接近，其中α值最大误差为0.0555，β值最大误差为0.0329，预测精度在一定程度上能够满足要求。

图3　FOA-RBF预测结果与实验结果对比

将预测值α，β及放煤口尺寸S、放煤高度Z等代入公式(8)，(9)，(10)，通过Matlab编写程序后可得不同条件下的放煤时间，如图4所示。

图4　不同条件下放顶煤时间

由图3和图4可知，不同参数α，β的大小对

放顶煤时间影响很大，且放顶煤时间与参数α的变化趋势较为相似。由此说明参数α，β的预测精度直接决定着放顶煤时间的控制精度。

6结论

针对放煤过程中出现“过放”状况和“欠放”问题，以随机介质放矿理论为基础，提出了基于果蝇优化算法和RBF混合算子的放顶煤时间预测方法。采用径向神经网络建立以放顶煤高度、煤层强度、顶煤节理裂隙、夹矸层厚度等因素作为输入，以散体流动参数α,β,α1,β1,α2,β2作为输出的神经网络模型，为提高神经网络的预测精度，采用果蝇优化算法对网络中的 Spread 进行优化；通过斜壁边界散体移动概率密度方程，建立以神经网络预测输出的散体流动参数为变量的放顶煤时间预测模型。该算法能够实现放顶煤时间变化的自适应和放顶煤过程的自动化。

参考文献

[1]王国法.液压支架三维建模及其运动仿真[J].煤炭科学技术，2003，31(1):42-45.

[2]史元伟.回采工作面支承力原理和岩层控制[J].煤炭科学技术，1997，25(25):44-48.

[3] 李荣福.连续介质放矿理论的检验[J].金属矿山,2006,22(6):47-48.

[4] 张开智，姜福兴.放顶煤开采适用条件定量评价方法[J].山东科技大学学报，1999，3(26):36-39.

[5]常建兵.综采工作面顶煤冒放性理论研究及其应用[J].科技情报开发与经济，2005(18)：198-199.

[责任编辑：徐亚军]

Control Technology of Automated Coal Caving of Fully Mechanized Coal Face

MA Ying

(Coal Mining & Designing Department，Tiandi Science & Technology Co.，Ltd.，Beijing 100013，China )

Abstract：In order to solve problems of “over caving”and“insufficient caving”during top coal caving process，on the basis of stochastic medium caving theory，a predict method of top coal caving time was conducted based on drosophila optimal algorithm and RBF hybrid operator，neural network model was built with RBF neural network，in which top coal height，coal seam strength，joint fissures of top coal，gangue thickness were input variables and granular flow parameters was output variable，a predict model of top coal caving time was built to ensure top coal caving time self-adaptive，and then realized top coal caving process automation.

Keywords：fully mechanized coal face；automated coal caving；control technology；self-adaptive；predict model

[中图分类号]TD355.4

[文献标识码]A

[文章编号]1006-6225(2016)01-0047-03

[作者简介]马英(1982-)，男，辽宁海城人，助理研究员，博士，现主要从事煤矿开采装备技术研究。

[基金项目]国家高技术研究发展计划(863计划)：两柱式超强力放顶煤液压支架研制(2012AA06AA407)

[收稿日期]2015-08-27

[DOI]10.13532/j.cnki.cn11-3677/td.2016.01.012

[引用格式]马英.综采工作面自动化放煤控制技术研究[J].煤矿开采，2016，21(1)：47-49，27.