基于燃油数据的露天矿卡车工作状态研究

蔡 利

（神华准能集团有限公司，内蒙古 鄂尔多斯 010300）

运输作业是露天煤矿开采的重要环节，运输成本占开采总成本的1/2～2/3，露天矿超大型矿用卡车运输作业中的燃油消耗更是占到了运输成本的40%左右，露天矿常用的运输卡车载重大，型号多且体积庞大，油箱容积非常大，最大的油箱容积可以达到几吨，所以提高露天矿用卡车燃油效率，避免偷油、漏油等非正常燃油消耗现象成为燃油成本及运输成本控制的重点。同时露天矿用卡车燃油消耗也是工作状态和工况的直接反应，加强露天矿用卡车燃油消耗数字化监控是实现精准运输、精细管理和能耗管控的重要手段[1－3]，同时还可以识别偷油、漏油等非正常燃油消耗行为。以露天矿用卡车实时燃油数据为基础的数据分析，可以实时辨别露天矿用卡车的工作状态，监督露天矿用卡车的正常工作，并且可以快速发现露天矿用卡车偷油、漏油等现象，并及时报警，有利于提升露天矿区运输效率，减少大型露天矿用卡车燃油非正常消耗。

1 矿山概况

准格尔能源有限责任公司黑岱沟露天煤矿是我国90 年代开发建设的现代化大型露天矿，初始设计生产规模12.0 Mt/a，现生产能力达33 Mt/a，采用拉斗铲倒堆－单斗卡车综合工艺。2016 年9 月，国家能源集团以准能公司为试点，开始建设“数字矿山”项目，其核心是实现降本增效，提高露天矿山精细化数字化管理。燃油监控系统改造是“数字矿山”项目其中的一个子项目，通过在露天矿用卡车油箱内部安装液位仪的燃油监控系统，实时监控露天矿用卡车运输作业过程中的燃油消耗情况。黑岱沟露天煤矿拥有大型运输卡车83 台，通过在现有露天矿用卡车燃油监控系统基础上进行改造升级，实现大型运输卡车精确油耗计量，提高单班核算准确度，为卡车油耗控制及预测提供数据依据。

2 露天矿用卡车工作状态

露天矿用卡车作业过程中，油耗指标是不断波动的，可以利用露天矿用卡车的燃油实时监控数据分析其工作状态，首先要确定露天矿用卡车燃油消耗变化与其工作状态的关系，进而以燃油消耗为主要影响因素对其工作状态进行分类。

2.1 露天矿用卡车燃油消耗影响因素

根据发动机功率影响因素公式：

式中：Pe为发动机有效功率；kW；Pf为滚动阻力功率；kW；Pw为空气阻力功率；kW；Pi为坡度阻力功率；kW；Pj为惯性加速阻力功率；kW。

露天煤矿实际开采过程中，大型矿用卡车通常只是进行点对点的运输，路径较为简单，包括将采场中的剥离物进行装载，通过特定路线运输到排土场进行排弃，然后空车返回原始位置或者到达新的作业位置，还包括将采场中的煤进行装载，运输到破碎站或者选煤厂，然后空车返回原始位置或者到达新的作业位置。露天煤矿矿用卡车工作中，基于安全考虑，露天矿用卡车被限制在较低的速度行驶，矿区内时速一般不超过30 km/h，且多为匀速行驶，所以空气阻力和惯性加速度功率对于矿用卡车发动机的功率影响较小[4]。运输作业过程中，不同车型矿用卡车主要在上、下坡的时候有较大的功率差别。

另外，露天矿用卡车在工作流程上还有一些明显的行业特征：①在采装作业区等待时，车辆处于怠速工况是不熄火的；②当环境温度过低时，交接班时发动机不熄火[5-6]。这2 种情况下车辆虽然静止，但是仍有燃油消耗。

2.2 露天矿用卡车工作状态划分

以露天矿用卡车的燃油消耗监测数据为基础，对其工作状态进行分析。露天矿用卡车的工作状态划分主要根据其燃油消耗的程度进行分类。根据燃油消耗增减情况，将露天矿用卡车分成燃油消耗和车辆加油2 种状态。

1）燃油消耗。露天矿燃油消耗主要存在正常消耗和非正常消耗2 个方面。在正常消耗时，由于车辆在不同工作状态下发动机功率不同，相应的油耗也不同，根据上述对露天矿用卡车燃油消耗影响因素的分析可知，在上坡、下坡和怠速停车时，燃油消耗都是不同的。因此将露天矿用卡车正常燃油消耗分为：上坡行驶、下坡行驶以及怠速停车。露天矿用卡车燃油的非正常消耗主要包括偷油和漏油2 种情况，此2 种情况下燃油消耗比正常行驶时消耗速度要快，燃油消耗速率明显增高，因此将这2 种情况合并成非正常消耗。

2）车辆加油。露天矿用卡车加油状态也记录在燃油变化之中，露天矿用卡车的加油主要是在加油站或者通过油槽车，这是除人工倒油等特殊情况外唯一的卡车燃油增加的情况。

3）停止状态。露天矿用卡车停止状态通常是在卡车点检、检修或者意外停止时，在该状态下露天矿用卡车停止工作，无燃油消耗。

综上所述，露天矿用卡车的工作状态中共有上坡行驶、水平行驶、下坡行驶、怠速停止、加油、停止工作几个状态，燃油消耗过高即为燃油非正常消耗状态。

3 露天矿用卡车油位数据

露天矿用卡车的油位检测装置为电容式液位传感器，其原理是侦测液位变化时所引起的微小电容量差值变化，并将该电容变化转化为油箱液面变化。

3.1 电容液位传感器存在的问题

1）该装置一般设置于油箱正中心位置，当车辆倾斜的时会保持液面中心基本保持不变，但是在露天矿道路较为颠簸时，车辆行驶时液面晃动幅度较大，此时液面中心点的上下波动也较为明显。

2）采用电容式液位传感器，当液面变动速度较快时，电容的变化跟不上液面的变化速度，导致在系统上会出现一定的偏差及延迟。

3）该检测装置以分钟为周期采集检测结果，通过无线传输的方式将结果传输至数据中心，但是露天矿的地形限制会导致部分检测信息无法传输至数据中心，或因装置问题导致部分时间点漏检，会出现数据丢失的情况。综上所述，由于测量原理和装置精度问题会导致卡车油耗监测结果存在小幅度的偏差，黑岱沟露天煤矿4 月10 日1#矿用卡车燃油油箱液面变化如图1。

从图1 中可以看出，整个液位变化的总体趋势是不变的，也可以看出上坡行驶和下坡行驶的状态，但是由于数据波动，对于时间较短的怠速停止等环节体现不明显。并且还有部分数据缺失的情况。

图1 黑岱沟露天煤矿4 月10 日1#矿用卡车燃油油箱液面变化图

在这种情况下，进行露天矿有指导的数据挖掘首先要对数据进行预处理，使液面变化趋近于真实情况，进而获得准确的露天矿用卡车工作状态。

3.2 卡尔曼滤波法

卡尔曼滤波是一种最优化自回归数据处理算法。卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。只要对统计数据每个时刻的系统扰动和观测误差的统计性质作适当的假定，通过对含有噪声的观测信号进行处理，就能在平均的意义上求得误差最小的真实信号的估计值。因此，自从卡尔曼滤波理论问世以来，在通信系统、电力系统、航空航天、环境污染控制、工业控制、雷达信号处理等场景下得到了广泛应用[7-8]。采用卡尔曼滤波的方式对露天矿用卡车油耗数据进行预处理。

首先，将露天矿用卡车的液面变化系统用线性随机微分方程来描述：

式中：X（t）为系统t 时刻状态；mm；U（t）为t 时刻对系统控制量；mm；W（t）为t 时刻噪声；mm；A、B为系统参数。

系统测量值表示为：

式中：Z（t）为t 时刻系统测量值；mm；V（t）为t时刻测量噪声；mm；H 为测量系统参数。

对系统进行建模后根据下述过程进行卡尔曼滤波计算，由Matlab 执行完成，卡尔曼滤波计算过程计算过程如图2。利用卡尔曼滤波方法对黑岱沟露天煤矿某矿用卡车4 月10 日燃油消耗数据进行滤波处理，某矿用卡车4 月10 日数据卡尔曼滤波处理结果如图3。

图2 卡尔曼滤波计算过程

图3 某矿用卡车4 月10 日数据卡尔曼滤波处理结果

4 基于循环神经网络的露天矿用卡车工作状态识别

露天矿用卡车的工作状态识别是以卡尔曼滤波进行处理过后的一系列时间序列数据为基础的。在之前讨论过卡车工作状态的分类，且在上一部分对经过处理的数据进行时间序列上的工作状态划分，由此获得一组有指导的时间序列数据，还需要选择适合处理时间序列数据有指导的模式来识别模型并进行预测[9]。

4.1 循环神经网络模型

人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但这种普通的神经网络对于时间序列却无能无力。在时间序列中预测下一时刻的状态，一般需要用到前面的状态，因为状态是一个连续变化的过程。循环神经网可以很好的解决一个序列当前的输出与前面的输出相关的情况，具体的表现形式为网络模型会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出[10]，循环神经网络可以很好地解决具有时间维度变化的预测问题，本文提出了一种基于循环神经网络的露天矿用卡车状态识别模型，循环神经网络可以对时间序列上发生的情况进行积累和传递，循环神经网络结构如图4。

由图4 可知，网络模型在t 时刻接收到输入xt之后，隐藏层的值是St，输出值是Ot。关键是Ot的值不仅仅取决于St，同时还取决于上一时刻隐藏层输出St－1。循环神经网络的计算公式如下：

图4 循环神经网络结构图

式中：U 为输入矩阵；V 为输出矩阵；W 为传递矩阵。

露天矿用卡车工作状态识别主要依赖于燃油变化的时间序列，因此设定循环神经网络的输入层为油量、油量变化率、5 个时间区段均方差和3 个节点；输出层为矿用卡车工作状态节点1 个；并且设计隐藏层节点为4 个，分别为A1、A2、A3、A4。露天矿用卡车神经网络结构如图5。其中x1为油量、x2为油量变化。s 为工作状态，设置工作状态有上坡行驶、下坡行驶、停车、怠速停止、加油、非正常消耗6 种情况。

图5 露天矿用卡车循环神经网络结构图

利用Matlab 进行编程建立循环神经网络模型，并以黑岱沟露天煤矿1#号矿用卡车2019 年4 月10日、17 日和18 日3 d 的燃油消耗数据进行卡尔曼滤波处理，并进行状态划分，以此为训练数据，输入到建立的神经网络并进行训练。通过训练获得循环神经网络模型，并以4 月21 日数据进行验证。在验证过程中首先对该数据进行卡尔曼滤波处理，输入到训练好的神经网络中进行状态划分，循环神经网络分类结果与实际统计结果比较如图6。

根据现场跟踪黑岱沟露天煤矿1#号小松930E矿用卡车4 月21 日在不同时间段内的工作状态统计，并与循环神经网络预测模型对比，可以看出构建的循环神经网络模型可以较好的判断其工作状态。

图6 循环神经网络分类结果与实际统计结果比较

5 结论

1）通过改造露天矿用卡车燃油监控软硬件系统，可以实现露天矿用卡车燃油实时监控及分析，并对其工作状态进行判断，同时可以准确判断卡车的偷油、漏油等事件，并及时报警，减少露天矿燃油的非正常消耗，提高油耗精细化管理水平。

2）根据油耗实时监测数据，判断露天矿用卡车除正常行驶之外的怠速停车和停止工作状态，为露天矿运输调度优化提供基础。