工作面刮板输送机运行形态监测分析

李亮亮

（霍州煤电集团山西汾河焦煤股份有限公司，山西 洪洞 041600）

近年来，矿井机械化水平得到飞速发展，但对于设备运行状态的监测和预测却很薄弱，尤其是对煤矿大量应用的刮板输送机的运行形态监测却较少。 部分学者已对矿井设备运行状态监测和预测进行了相关研究，主要集中研究了采煤机和刮板输送机协同运行状态的监测，通过采煤机单机的姿态和位置间接分析刮板输送机的运行形态，均取得了良好的研究结果[1-4]。 但是在实际工程中，采煤机与刮板输送机虽然是协同运行，地质条件的复杂性往往导致采煤机和刮板输送机运行不协调的现象。

目前，只能被动了解工作面输送机的运行形态，生产实际中，可通过调节刮板输送机的液压机构判断输送机的推进距离，但推进距离与机械设备的具体姿态位置有一定偏差，经常导致刮板输送机与采煤机的不协调运行，无法实现设备的安全可靠运行。 因此，急需一种全新的方法实现刮板输送机运行形态的提前预测，为实现工作面智能化开采提供便利。

1 机器学习理论

机器学习作为计算机领域的重要研究方法，已经实现了多学科、多领域、交叉式应用，其本质是通过计算机算法解析大量数据，得出具有一定规律的数值，通过已知的规律实现数据的提前预测，其类似于神经网络。 计算机如同大脑神经网络，在特定信息处理方式下，使得类似于大脑神经网络的特定程序实现信息的自主学习，其更像函数中的映射关系，即输入与输出的关系。 神经网络模型具有良好的实用性、强大的自学能力、数据处理规模大等优点，在解决工程问题时，可将具有时序性的大量数据进行批量处理，进而得到基于时间序列的预测数据。

对应井下复杂的生产环境，采煤机割煤路径随时间发生变化，割煤路径可能为非线性运动，且割煤作业易导致煤层底板破坏，致使刮板输送机形态发生不规则的变化。 因此基于机器学习理论对刮板输送机进行时间序列上的预测较为合理。

2 刮板输送机运行形态监测方法

刮板输送机运行形态监测方法主要采用核方法，基于SLT（小样本统计）理论和优化理论可以得到最佳的优化结果，其实质是通过内积核函数对数据进行高维的映射，进而得到合理的前馈算法，该方法在图像处理、故障识别和预测上具有良好的应用。

采煤过程中，巷道底板岩层性质已知，但是工作面地形的复杂性及采煤工艺对围岩的破坏性，导致工作面推进期间，刮板输送机的工作姿态呈现多样性，且多具有随机性和模糊性的特点。 因此，通过有效的方法建立合理的模型对于监测设备运行状态具有现实意义，本项研究主要通过该方法实现刮板输送机运行形态的监测和预测。

一般而言，刮板输送机位于底板位置，底板岩层的形态变化直接影响刮板输送机的运行状态。 但由于刮板输送机并非为一体化的刚体构件组成，其是由多个固定长度的构件通过中部槽刚体连接而成；因此刮板输送机并不完全平行于底板，完全以平行底板形态判断刮板输送机的运行形态不合理，需要根据底板的实际形态判断设备的运行形态。

为了提高模型的准确性，需要以实际检测得到的底板形态作为基本参数，对参数进行归一化处理，进而提高计算的计算速度和准确性。

刮板输送机预测流程工艺图如图1 所示，首先根据实际统计数据，对数据进行划分、测试及归一化处理；随后便可以运行模型，模型运行中，将预测数据和处理过后的数据进行误差判断，当误差判断结果小于5%时（是），则输出预测结果，结束运行；当预测结果大于5%时（否），则需要返回，重新连接权重，运行模型，再进行误差判断，直至误差值降低至5%以下，输出预测结果。

图1 刮板输送机预测流程工艺

考虑到实际数据较多，直接使用核方法时结果误差较大，因此，首先使用滚动预测模型构建数据处理的循环，减少了实测数据误差对预测结果的影响，间接提高了核方法计算结果的准确性。 滚动预测模型中的数据处理循环主要通过for函数实现，将采煤机截割三次后底板的形态作为一组，将计算得到的结果作为标准预测值，然后不断循环计算，得到最终的计算结果。

3 预测结果分析

结合回坡底煤矿矿井实际生产状况及环境，在11-109 工作面相邻的40 m范围内布置40 个测点，每个测点距离1 m，统计不同测点处刮板输送机的运行形态，得到图2 所示的结果。 从图2 中可以看出，真实测量值和理论预测值变化规律相近，随着测点距离的增加，虽然呈现多锋状态，但是整体处于增加的趋势。 由于数据过于密集，且实际测量值和理论测量值较相近，因此很难看出两者之间的误差，故绘制图3 所示的误差分析图。 从图3 中可以看出，刮板输送机形态真实测量值和理论预测值有一定误差，整体起伏较大，这是由于工作面的回采造成围岩的非线性变形造成的，因此底板的变形也表现为非线性的无规律变化，致使刮板输送机形态出现多样性，但是整体误差值较小，最大误差值出现在测点位置40 m处，为1.8%，平均误差为0.58%，说明了理论预测结果的准确性、可靠性。

图2 刮板输送机真实测量值与理论预测值对比

图3 真实测量值与理论预测值误差分析

本研究实现了复杂工况下刮板输送机运行形态的监测，得到了准确、 可靠的刮板输送机运行形态，间接提高了工作面的生产效率。基于机器学习理论的远程三维形态监测，及时掌握11-109 工作面刮板输送机的运行信息，并及时调整设备，避免了设备弯曲角度过大造成的损坏，同时也为采煤机下滚筒的调高提供了可靠信息，保证了工作面的平整性。

4 结语

考虑到工作面回采期间刮板输送机运行形态难以预测的问题，以机器学习理论为基础，借助该方法、滚动预测模型等手段，对刮板输送机运行形态进行了监测研究。 通过对比分析刮板输送机真实测量值与理论预测值，得到两者之间的平均误差值仅为0.58%，最大误差值为1.8%，证明了基于机器学习理论预测刮板输送机运行形态的可行性，高准确率、快速地计算预测，在实际工程中更加适用。 实际工程中及时发现刮板输送机工作异常状态，为调整刮板输送机、采煤机滚筒及液压支架等设备工作状态提供了可靠信息，提高了工作面生产的安全性。