基于数据融合的采煤机定位算法研究

李九州，王春喜，付营军

（北京天玛智控科技有限公司，北京 101399）

随着我国煤矿智能化建设的稳步推进，综采工作面智能化的需求也在持续升级。采煤机智能化系统及液压支架智能化系统作为其建设的两大核心部分，在机架协同控制、支架跟机率方面不断提出了新的要求。采煤机状态信息包含采煤机的实时位置、运动方向与运行速度等，是决定跟机自动化、液压支架系统、采煤机系统智能化的关键参数，直接影响液压支架跟机动作的准确性，因此，采煤机实时定位技术是实现工作面智能化的重要保障。

现有的集控系统只是将各设备的信息简单汇集到一起，没有进一步的数据挖掘和应用，也未实现真正的信息融合。文章在综合之前研究成果的基础上，提出了一种新方法，即采煤机上报的信息与红外传感器提供的位置信息经过分析处理后，由集控系统采用卡尔曼滤波的方式融合，预估煤机状态信息。提高了预测的精度，减小了数据的延迟，有效解决了工作面液压支架系统定位不准的问题。

1 融合系统定位原理

1.1 融合定位系统构成

融合定位系统由采煤机定位系统、液压支架定位系统与集控中心3部分构成。采煤机定位系统包括里程计、惯导模块等，可把计算得到的采煤机速度、采煤机牵引方向、位置等信息上传到集控中心。液压支架定位系统由安装在采煤机上的红外发射器、安装在支架上的红外接收器、支架控制器及信号处理模块构成，红外发射器实时发送红外信号，安装在支架上的红外接收器收到信号后，通过支架控制器把该支架号上传到信号处理模块中，经过信号处理模块滤波处理后，把最终确定的支架号上传至集控中心。集控中心负责处理液压支架定位系统、采煤机定位系统上传的位置信息，把融合后的实时定位信息，发送到液压支架定位系统中的支架控制器。

1.2 融合定位算法原理

融合算法将采煤机定位系统和液压支架定位系统收集到的数据进行整合处理，以提高定位的精度与可靠性。数据融合的步骤如图1所示。

图1 融合定位算法步骤

当集控系统收到采煤机、液压支架定位系统上报的初步融合数据后，通过时空对齐、数据校正等方法对数据进行预处理，并采用卡尔曼滤波算法对收集到的观测值和建立的数学状态模型进行融合，从而得到对系统状态的实时估计和预测，有效减小传感器噪声和不确定性对系统的影响。最后，将定位结果下发到支架控制器中，以此结果作为跟机动作的判断依据。

2 数学模型

2.1 数据预处理

数据预处理是数据融合的重要前提，跨系统的数据融合需要保证数据的时间同步及空间配准。

2.1.1 时间同步

时间同步是将两个系统不同步的测量信息同步到同一时刻，需要满足计算同步与采样同步。采煤机定位系统及液压支架定位系统实时上传数据信息到集控中心后由集控中心在同一时刻计算，同时，为保证来源时间的同步，根据奈奎斯特采样定理须满足：

式中，fs为采煤机系统的采样频率，fl为液压支架系统采样频率。

采煤机系统传感器精度高，支架系统传感器精度低，通过提高支架系统的采样频率，以补充液压支架的状态信息，在同一时间片内，采用最邻近采样的方式，来保证这两个系统的采样时间上的同步。

2.1.2 空间配准

液压支架定位系统上传的位置架号，采煤机定位系统上传的煤机速度、位置等信息，采用的坐标系是不同的，但是都可以用工作面作为相对基准，所以在融合前可将两者配准到工作面同一测量坐标系中。

为便于处理采用一维简化模型，对液压支架定位系统得到的架号，采用如下方法映射到坐标系中：

式中，Nk为k时刻的架号，l为支架间的平均距离。

采煤机定位系统上传的位置与实际工作面长度比例存在偏差，采用如下方法进行校准：

式中，Vs，k为采煤机系统实际上传的采煤机速度，L为一刀煤过程中采煤机经过的最小架号至最大架号的距离，Δx为统计得到的采煤机上传的位置上一刀的最大差值。

2.2 系统融合模型的建立

为建立图1所示的融合定位系统的数学模型，须做以下假设。

A1：采煤机在采样时间内速度不变。

A2：采煤机在采样时间内为直线运动。

A3：系统的测量误差符合正态分布。

由此建立该系统的空间状态方程（4），测量方程（5）：

式中，Sk为k时刻的真实位移，Vk为k时刻的真实速度，w1，k-1为k-1时刻位移的过程误差，w2，k-1为k-1时刻速度的过程误差，v1，k-1为k-1时刻的位移观测噪声，v2，k-1为k-1时刻速度的观测噪声，Z1，k为k时刻的位移测量值，Z2，k为k时刻的速度测量值，p（w）为过程误差的正态分布，Q为p（w）的协方差矩阵，p（v）为观测噪声正态分布，R为p（v）的协方差矩阵。

设采样周期为Δt，根据假设的A1与A2，可得状态转移矩阵A为：

Z1，k由红外传感器计算得出，Z2，k由采煤机定位系统给出，两者相互独立，可得状态观测矩阵H为：

根据卡尔曼滤波的原理及式（4），可得预测模型：

式中，Pk-1为k-1时刻的真实值与后验估计值间误差的协方差矩阵，为真实值与先验估计值误差的协方差矩阵，A为状态转移矩阵，Q为p（w）的协方差矩阵。

式中，Kk为卡尔曼增益，R为p（v）的协方差矩阵，H为状态观测矩阵，Pk为k时刻的真实值与后验估计值间误差的协方差矩阵，为真实值与先验估计值误差的协方差矩阵。

2.3 超参数设定

卡尔曼滤波的实质是通过调节Q与R的比重，来权衡测量值与估测值哪个置信度更高。一般的卡尔曼滤波总是采用固定的Q与R值。对于液压支架定位系统，红外信号的标准差和红外发射器与红外接收器的距离，红外发射器的发射角度等相关。对于采煤机定位系统一般精度会远大于液压定位系统。文章采用如下初值：

但是红外系统的协方差可由实际工作面安装情况修正。假定通过安装调节，使得采煤机真实位置落在3个架子之内的概率为95%，即：

则由式（2）可对上述值进行如下修正：

3 实验验证

山东能源枣矿集团滨湖煤矿某工作面长度为152～182 m，共有支架125架（端头架6架），架长1.45 m，架间间隙不超过100 mm。液压支架系统采用北京天玛智控网络型控制器，并且每架配备一个红外接收器。采用MG400/870-WD 型交流变频电牵引采煤机，可提供牵引速度、位置、牵引状态等信息，并安装红外发送装置。通过集控中心部署的天玛longwallmind4.0软件集成系统将信息发送到上位机。使用的数据集从8月16日2点46分开始到次日2点，每隔1s 采样一次采煤机上报的信息，液压支架定位系统每隔0.3s 上报一次，由集控中心记录收到上报时的时间，并采用时间间隔最近的原则，与采煤机以相同的频率时刻采样。根据系统融合模型，分别对采煤机位置进行静态与动态分析，结果如图2所示。

图2 数据融合结果（动态实验）

3.1 采煤机静态定位分析

当采煤机静止时，采煤机定位系统由于累积误差与液压支架定位系统得到的位置信息有偏差，采煤机实际位置及预测位置基本一致。预测位置在上电35s内收敛于液压定位值上。

3.2 采煤机动态定位分析

位置预测值在收敛与液压支架定位值附近，而变化趋势则与煤机系统定位值变化情况保持一致。

3.3 系统异常分析

融合系统的异常情况包括采煤机定位系统数据上报异常、液压支架系统上传的架号值跳变及液压支架系统在采煤机改变方向时数据更新不及时等情况。

当采煤机定位系统上传的煤机状态信息异常（未更新）时，位置停留在199.97 m，实时速度为0，而架号发生了变化，这时预测位置自动采用液压定位系统上报的位置信息为参考，排除了采煤机定位系统的错误信息。当液压支架定位系统上传的数据发生架号跳变时，架号由104 跳变到106，但位置由197.94 m变化到198.01 m，并未跳变，预测位置保持了平滑的变化，由156.440 m 变为156.894 m，未发生突变。当采煤机运行返刀时，实时速度由0.038 m/s 降为0，之后反向变为-0.114 m/s，液压定位系统上传的架号未及时变化，仍然为47，而预测位置可及时追踪速度的方向变化，延迟几拍后反向。

4 结束语

以液压支架定位系统得到的数据为基准，以采煤机定位系统得到的数据为趋势判断依据，采用时空对齐、卡尔曼滤波等方法，在融合两者特征的基础上，组合定位给出适合工作面液压支架智能跟机的煤机位置信息。试验结果表明，该融合算法克服了工作面实际跟机过程中遇到的跳架、煤机转向误动作等问题；克服了采煤机系统的积累误差，在遇到煤机上传的定位数据不准的情况下，仍然可以正常使用，有效提高了跟机率，并为智能化工作面的建设提供了可靠保障。