0.   引　　言

近年以来煤矿智能化逐步走向广泛的应用，以煤层精细探测为目标的地质透明化技术成为智能化开采的重要技术手段之一。矿井透明地质条件是煤炭精准开采智慧化的重要基础^[1-2]，袁亮等^[3-4]从静态与动态地质模型角度提出实现煤炭精准生产全过程中地质条件透明化的思路，通过多参数反演，搭建多源信息数据库和时空四维地质信息系统，实现整个矿井地质条件的透明重构，为煤炭资源的精准开发利用和智慧矿区建设提供支撑。王国法等^[5]总结了煤炭智能化开采面临的十大痛点问题，并提出“透明地质”技术保障支撑能力需要地质信息和装备智能化以及工程信息等进一步融合。李首滨^[6]提出了智能化开采的4个阶段，指出目前正处于向透明工作面（3.0时代）研究迈进的过程中。

智能地质保障是智能化建设的创新方向^[7]，工作面高精度透明三维地质数字模型为智能化开采提供地质写实、物探、钻探等基础环境数据。程建远等^[8]提出多层级、递进式、高精度三维地质建模的思路，以期提升工作面三维地质模型的精度。薛国华^[9]提出了一种应用离散平滑插值算法预测煤层顶底板高程，构建综采工作面静态三维煤层模型的建模方法。为实现地质模型的全息可视化和透明化，卢新明等^[10]提出并实现了一个基于约束Delaunay的三维网格自适应剖分算法。葛世荣等^[11]通过精细化导航地图，结合截割声波、震动、温度等监测数据，提出了采煤机自主导航截割的技术方案。孙振明等^[12]研究了实现煤矿三维地质模型动态修正过程中所用的相关技术，包括平面-剖面对应算法、膨胀搜索算法、样条曲面算法、平滑过渡算法等关键技术。殷大发^[13]对煤矿三维地质模型精度评价及动态更新技术进行探讨，提出基于熵权法的三维地质模型精度评价方法。刘万里等^[14]提出一种煤层三维模型的动态精细修正技术，进而提升煤层三维模型局部精度，实现工作面的有限透明。王昕等^[15]提出智能开采工作面初级、中级、高级智能化解决方案及其功能。马骋等^[16]通过研发综采智能化管控平台以及应用综采自动化控制技术、惯性导航技术等，实现基于透明地质规划截割的“智能化开采3.0”阶段。贺海涛提出了综采工作面智能化开采系统架构和开采模式，确定综采工作面有限透明技术路径和智能化开采三项关键技术^[17]。毛善君等^[18]利用测量机器人大地坐标传导、透明化工作面系统建立和动态修正、采煤机与地质模型的自适应耦合以及基于时态地理信息系统（TGIS）的一体化管控平台等多项关键技术，初步实现了较为复杂地质条件下的智能化自适应开采和地面远程管控。王峰、原长锁^[19-20]提出了基于透明工作面的智能化开采概念以及综采工作面透明化开采模式和关键技术。

综上所述，透明地质技术在智能化开采的探索中取得了一定的成效，但透明地质技术成果在智能开采系统中的集成融合度不高。本文搭建以智能规划中心和开采控制中心为核心的基于透明地质的综采工作面规划截割协同控制系统，依据地质数据规划开采工艺，融合截割模板规划和装备协同控制技术，实现综采工作面智能协同规划开采。

1.   系统架构及功能规划

系统在架构设计上分为智能规划中心和开采控制中心，如图1所示。系统在功能设计上进行了分层实现，底层为地质数据层，实现三维数字煤层数据的获取、存储与初步处理；中间层为分析规划层，基于地质数据对综采装备进行路径、启停和生产工艺规划；最上层为协同控制层，实现按照规划策略对综采装备进行协同控制。

图  1  基于透明地质的综采工作面规划截割协同控制系统结构

Figure  1.  Planned cutting and collaborative control system structure of fully-mechanized mining face based on transparent geology

下载: 全尺寸图片 幻灯片

智能规划中心以网络服务器为载体，通过http或websocket等通信协议与地质模型服务器交互，获取地质模型数据，按照约定的json格式，将数据进行格式化，以数据流的形式进行传输。智能规划中心的数据源由三维地质模型数据、历史截割数据、采高传感数据等组成，三维地质模型数据依据每刀煤的截割分为多个切片模型，每个切片的横坐标与采煤机的编码器或者行程传感器数据进行对应，采煤机在每个横坐标点都有对应的地质模型高度数据，在切片模型下，将数据源中各类数据按照统一的横坐标进行融合处理，过滤掉临时反刀或传感器异常等干扰数据，调整不同种类数据的权重，对地质模型进行迭代修正的同时生成截割模板，截割模板由高度模板和工艺段组成，按照截割模板对采煤机路径、支架跟机、煤流负荷等进行规划，为开采控制中心提供生产效率最优规划方案，智能规划中心截割模板生成过程示意如图2所示。

图  2  智能规划中心截割模板生成过程示意

Figure  2.  Intelligent planning central cutting template generation process

下载: 全尺寸图片 幻灯片

开采控制中心承担传感器数据采集分析、规划策略的执行以及装备的协同控制等任务。开采控制中心与综采装备通过矿井环网连接，采集的传感类数据经过解析后作为智能规划中心的数据来源之一，依据智能规划中心的截割模板和规划策略，协同控制综采装备，主要功能包括：综采装备实时远控，采煤机与支架、采煤机与运输系统协同控制，执行采煤机、支架、刮板输送机等规划截割控制方案，实时监测设备状态等。

2.   系统关键技术

2.1   截割模板规划

截割模板由高度模板和工艺段模板组成，高度模板为采煤机在每个位置提供滚筒高度值和速度目标值，工艺段模板为采煤机的截割提供路径导航。截割模板规划技术生成了高度模板和工艺段模板，实现了采煤机在开采全过程中依据截割模板执行截割。

2.1.1   高度模板规划

获取了地质模型数据后，智能规划中心将历史截割数据、人工干预数据、采煤机传感数据、工作面工况数据进行过滤、加权、拟合，与地质模型数据融合形成高度模板。高度模板由一个四维数组构成，数组元素为[p，h₁，h₂，v]，p为采煤机位置，h₁为模板底部高度，h₂为模板顶部高度，v为采煤机速度。其中p作为高度模板的索引，值必须是唯一的，因为在任意的一个时刻，采煤机的位置对应的每个滚筒的高度必须是确定唯一的，不可能在某个时刻，每个滚筒的高度有多个值，因此在一个高度模板中，p必须唯一。高度模板的生成原理如图3所示，详细的高度模板规划算法在下文中详细阐述。

图  3  高度模板生成原理

Figure  3.  Principle of generating height template diagram

下载: 全尺寸图片 幻灯片

1）基于趋势分解与机器学习的滚筒高度预测方法。高度模板的规划即是对采煤机滚筒的高度预测，为了提高截割效率与截割精度，提出一种基于趋势分解和机器学习相结合的预测方法，实现对滚筒高度更精准的预测。基于综采工作面一定时空尺度下的历史数据、感知系统数据和地质数据，首先进行数据融合，然后对预处理后的数据使用时序分析算法对滚筒高度序列数据进行趋势分解，并对分解后的各趋势项训练机器学习预测模型，最后将各趋势项的预测结果依据分解模型进行趋势融合，完成对滚筒高度的预测。图4展示了滚筒高度规划系统流程图。

图  4  滚筒高度规划系统流程

Figure  4.  Flow of drum height planning system

下载: 全尺寸图片 幻灯片

步骤1：数据融合，滚筒高度影响因素多且影响机理复杂，不同因素在不同条件下对其影响程度不同，因此从多维度采集数据。具体的，从综采工作面一定时空尺度下的刮板机高程、支架历史高度、滚筒历史采高、采煤机速度、人工干预数据、工况数据、机身姿态、摇臂摆角、采煤机轨迹、摇臂振动、上窜/下滑测量、俯仰角、煤层厚度、历史截割数据等维度采集数据，并以时间作为索引将其整合为时间序列数据。

步骤2：数据处理，对以滚筒高度为因变量融合后的多维数据集，将数据中连续取值的特征进行分箱处理，连续数据的分箱处理是指把一段连续的值按照数据内在统计特征切分成若干段，每一段的值作为一个分类取值，把连续值转换成离散值的过程。

对以滚筒高度为因变量融合后的多维数据中存在的缺失值，根据数据缺失的原因和类型，使用不同的处理方法，诸如直接删除、替代填充(前值/后值/均值/众数/中位数/插值法等)、拟合填充(回归算法/极大似然估计算法/随机森林算法等)、衍生变量等。

对以滚筒高度为因变量融合后的多维数据使用统计分析判别数据中是否存在不合理的异常值，对确认存在异常值的情况，可以将其视为数据的内在变现不予处理，也可以根据异常的原因和类型通过直接删除、用均值修正、以处理缺失值的方法进行处理。

步骤3：趋势分解，煤层的形成与植物遗体的堆积和地壳的沉降速度有直接关系，从其形成的过程可以看到，煤层厚度本身具有一定的周期性和季节性。滚筒直接面向煤层厚度作业，因此也具有较强的循环周期性，同时其可在短时间内实现高度的变化，具有较强的波动性、变化频率快、随机性强，而且影响滚筒高度的各影响因素之间存在一定程度的相互作用，因此采用X-11分解法的乘法模型，将滚筒高度的时序数据($ {Y}_{{\rm{t}}} $)进行趋势分解，将其分解为长期趋势项($ {T}_{{\rm{t}}} $)、季节变动项($ {S}_{{\rm{t}}} $)、循环变动项($ {S}_{{\rm{t}}} $)和随机波动项($ {I}_{{\rm{t}}} $)，具体的模型为：$ {Y}_{{\rm{t}}}={T}_{{\rm{t}}} {S}_{{\rm{t}}} {C}_{{\rm{t}}} {I}_{{\rm{t}}} $。

步骤4：最优特征筛选，以滚筒高度时序数据分解后的各趋势项作为因变量，以步骤2处理后的数据作为自变量，通过反复构建Ridge(岭回归)模型,选出最好的特征，把选出来的特征作为候选特征集，然后在剩余的特征上重复这个过程，直到遍历所有特征，过程中特征被消除的次序就是特征的排序，依据排序进行最优特征的筛选。

步骤5：机器学习建模，对特征筛选后的数据，以步骤3趋势分解后滚筒高度时序数据中的长期趋势项、季节变动项、循环变动项分别作为因变量，以步骤四筛选后的特征数据作为自变量，基于自变量和因变量构成的样本数据，按照4∶3∶3的比例将样本数据划分为训练集、验证集和测试集，在训练集和验证集上分别训练长期趋势项、季节变动项、循环变动项的机器学习GBDT(Gradient Boosting Decision Tree)机器学习模型，在测试集上使用MSE(Mean squared error)指标进行各模型效果的评估，在确保MSE达到一定的精度阈值时，完成机器学习的建模

其中，对于按照步骤3分解出来滚筒高度时序数据的随机波动项首先进行自相关检验，根据检验结果对随机波动项进行ARIMA(Auto Regressive Integrated Moving Average)模型拟合并对模型进行白噪声检验，通过检验后的ARIMA模型即为随机波动项预测模型。

步骤6：趋势融合，对步骤五处理后的数据，对分解出来滚筒高度时序数据的长期趋势项的预测结果($ {\hat{T}}_{{\rm{t}}} $)、季节变动项的预测结果($ {\hat{S}}_{{\rm{t}}} $)、循环变动项的预测结果($ {\hat{C}}_{{\rm{t}}} $)和随机波动项($ {\hat{I}}_{{\rm{t}}} $) 的预测结果按照步骤3的趋势分解乘法模型进行趋势融合，滚筒高度预测值($ {\hat{Y}}_{{\rm{t}}} $)结果为：$ {\hat{Y}}_{{\rm{t}}}={\hat{T}}_{{\rm{t}}} {\hat{S}}_{{\rm{t}}} {\hat{C}}_{{\rm{t}}} {\hat{I}}_{{\rm{t}}} $。

2）高度规划模型设计。高度规划模型的因变量为滚筒高度数据。模型自变量主要包含：刮板机高程、支架历史高度、滚筒历史采高、煤机速度、人工干预数据、工况数据等历史数据；机身姿态、摇臂摆角、采煤机轨迹、摇臂振动、上窜/下滑测量、俯仰角等感知系统数据；煤层厚度、历史截割数据等地质数据。

在数据记录的过程中，每隔一段距离（约0.5 m）设置一个记忆点，在每个记忆点采集并保存一次采煤机截割工作数据。在一个长约150 m的煤壁截割作业中，每刀共设置了300个采样点来对该刀截割时的采煤机左右滚筒高度进行预测，滚筒高度规划模型如图5所示。

图  5  滚筒高度规划模型

Figure  5.  Drum height planning model

下载: 全尺寸图片 幻灯片

采用的趋势分解是一种有效的处理时间序列数据的方式，时间序列数据通常有很多种潜在模式，趋势分解是将时间序列数据分解为4种基础模式：长期趋势项、季节变动项、循环变动项和随机波动项（随机波动项包含时间序列中其它所有信息）。本文采用的X-11分解法，通过迭代进行分解，在计算过程中可根据滚筒高度序列数据中的随机因素大小，采用不同长度的移动平均，不仅可以全自动处理加法模型和乘法模型，而且对于滚筒高度序列时间序列中的异常值和数据变动有较强的鲁棒性。

采用的GBDT机器学习模型是机器学习算法中对真实分布拟合的较好的算法之一，通过多轮迭代且每轮迭代产生一个弱分类器，将所有弱分类器的结果加起来等于预测值，在实践中具有很强的预测精度。所采用的GBDT模型可以处理以滚筒高度为因变量融合后的多维数据中各种类型的特征，且能够自动发现特征之间的关系，同时对滚筒高度序列数据中的异常值和缺失数据有较强的鲁棒性。

采用的ARIMA模型可以用来对时间序列进行预测，常被用于需求预测和规划，主要用来解决 “随机过程的特征随着时间变化而非固定”且“导致时间序列非平稳的原因是随机而非确定”的问题。本文使用ARIMA模型的思想，就是从采煤机滚筒高度的历史数据中学习到随时间变化的模式，之后使用这个规律去预测下一刀采煤机滚筒的高度趋势分解后随机波动项的变化趋势。

2.1.2   工艺段规划

综采工作面截割工艺通常由中部截割、端头三角煤截割组成，端头三角煤又分为扫煤、割底、斜切进刀等工艺，按照全截深双向割煤工艺，截割一刀煤规划为若干工艺段，工艺段具有的特征为：①每个工艺段内，采煤机行进方向不变；②相邻2个工艺段采煤机行进方向相反；③上一个工艺段的结束位置，即为下一个工艺段的开始位置。工艺段每个特征的目的详细说明如下：特征①的目的是为了保证每个工艺段内采煤机位置不会重复，因为高度模板中要求采煤机位置作为高度模板的索引，值必须是唯一的，所以每个工艺段内只要采煤机的行进方向不变，采煤机位置就不会发生重叠。特征②和特征③的目的是为了保证整体截割工艺的连续和完整，避免截割过程中缺失截割模板。

根据地质模型数据中的工作面切片的起点和终点坐标，可以确定中部以及三角煤部分工艺段的起点和终点位置，将每个工艺段定义的数据模型为[n，s₁，s₂]，n为工艺段号，s₁为起点位置，s₂为终点位置。假设工作面支架数量为160，截割一刀煤的工艺段规划见表1。

表  1  工艺段规划

Table  1.  Shearer cutting process segment planning

截割工艺描述	工艺段模型
中部截割，采煤机上行由1架行进到160架	[1, 1, 160]
清浮煤，采煤机下行由160架行进到152架	[2,160,152]
清浮煤返回，采煤机上行由152架行进到160架	[3,152,160]
斜切进刀，采煤机下行由160架行进到145架	[4,160,145]
斜切进刀返回，采煤机上行由145架行进到160架	[5,145,160]

下载: 导出CSV 

| 显示表格

结合高度模板中四维数组的定义，高度模板的底部和顶部高度可以对应到每个工艺段内的每个位置的采高和挖底量，位置间距根据地质模型中当前截面的横坐标间距和工作面长度动态调整，一般设置在0.1～0.5 m范围。

2.2   综采装备协同控制

2.2.1   采煤机与支架协同控制

采煤机与支架协同^[17]的目的是为了保证采煤机运行时，支架能够完成自动跟机作业，支架动作到位并且不丢架。本系统中采煤机与支架的协同规划策略包括截割前工艺适配和截割中实时调整。

截割前首先依据截割模板中规划的工艺段，确定与该工艺段相关的支架范围，其次依据工艺段内采煤机的运行方向和高度模板中规划的采煤机速度，计算出该范围内支架的跟机参数，最后适配出与各工艺段匹配的支架跟机工艺，从整刀截割的流程上保证跟机工艺的适配。

截割中实时检测采煤机位置和当前跟机支架范围内各个支架的动作状态，在判定当前支架的跟机速度与规划的采煤机速度不匹配时，实时调整采煤机速度，或者切换支架的快/慢速跟机模式。采煤机到达设置的检测点后，检测相关区域的支架是否全部动作到位，若存在部分支架动作未到位，则牵停采煤机等待支架动作完成。

2.2.2   煤流负荷协同控制

煤流负荷协同控制是为保证煤流负荷平衡稳定，减少或避免突发煤流量过大导致的运输系统故障或停机，同时也要避免运输系统空转空载。煤流负荷协同控制主要由预估规划和实时调整2种策略。预估规划是以地质数据为基础，根据生成的截割模板顶底高度、采煤机截深、煤质密度预估出截割煤量，对于截割模板顶底高度相差较大的区域，降低规划的采煤机速度，使得单位时间内新截割煤量不会骤然增长，对于扫煤阶段，提高规划的采煤机速度。实时调整是在预估规划基础上，实时监测运输负荷相关的传感数据，融合分析，调整采煤机的速度、启停来达到煤流负荷实时控制的目的。

煤流负荷协同控制策略如图6所示。泵站控制模块根据期望值控制实时流量，支架控制模块将移架速度、数量等参数输入给采煤机速度控制模块，同时输送带、刮板输送机将负荷数据作为参数输入采煤机速度控制模块，采煤机速度控制模块综合决策采煤机速度的边界以及到达边界条件时触发启停。

图  6  煤流负荷协同控制策略

Figure  6.  Coal flow load collaborative control strategy

下载: 全尺寸图片 幻灯片

1）基于线性规划的煤流负荷协同控制方法。为了实现煤流负荷平衡稳定的目标，本文提出基于线性规划的煤流负荷协同控制方法。首先利用历史数据（截割模板顶底高度、采煤机截深、煤质密度、采煤机的速度和刮板输送机负荷）寻找煤流负荷的线性回归方程；其次基于多元线性回归方程推导出采煤机速度的线性规划函数；最终，求得满足约束条件的最优解。

2）煤流负荷协同模型设计。煤流负荷协同模型中涵盖的历史数据包括截割模板顶底高度、采煤机截深、煤质密度、采煤机的速度和刮板输送机负荷。探究发现，目标变量（刮板输送机负荷）与各个特征变量（截割模板顶底高度、采煤机截深、煤质密度、采煤机的速度）之间具有强相关性，因此采用线性回归模型，得出关于刮板输送机负荷与各个特征之间的函数表达式。在实际的综采作业中，煤流负荷需要控制在一定的范围内，而使得开采效益最高，即采煤机的速度越快越好。因此，在线性规划模型中，需将速度表达式作为目标函数，截割模板顶底高度、采煤机截深、煤质密度等作为约束条件，进行求解。

3.   现场应用

为了验证基于透明地质的综采工作面规划截割协同控制系统的应用效果，在陕煤化黄陵一矿807工作面进行了系统部署，该工作面走向长度2 156 m，工作面宽度235 m，平均煤厚2.75 m。系统在现场部署的软件主界面如图7所示，显示了工作面总体地质信息、三维数字煤层模型、系统规划的截割模板，以及采煤机实时状态等关键数据。系统部署完成后，在2021年9月13日的日间生产班进行了工业性试验。

图  7  现场部署的软件主界面

Figure  7.  Main window of software deployed onsite

下载: 全尺寸图片 幻灯片

中煤科工集团西安研究院在黄陵一矿807工作面建立了的三维地质模型，并对外提供了地质模型数据的接口，系统通过调用接口获取推进方向和切眼方向起点和终点位置坐标，以及当前推进度未来两刀煤的切片模型数据，系统以此数据生成截割模板，在实验开始前将截割模板数据下发给采煤机，试验开始后，允许采煤机司机使用遥控器干预操作，采煤机根据截割模板进行自动完成两刀煤的截割，包括中部和端头三角煤。

现场试验效果如图8所示，因在试验过程中，允许司机使用遥控器干预滚筒高度，所以顶底板的实际截割高度也就相当于人工截割的高度，因此对比顶底板的截割高度与规划高度，就可以判断出规划的高度是否与人工调高的结果一致，按照规划高度截割与人工截割是否具有相似的截割结果。从图8a中可以看出顶底板的截割高度和规划截割高度趋势一致，系统规划的高度与人工调高结果具有高度的一致性，因此规划的高度是符合实际的生产需求的，也辅证了透明地质数据的准确性。

图  8  现场试验结果曲线

Figure  8.  Field application result curve

下载: 全尺寸图片 幻灯片

图8b统计了试验期间采煤机司机使用遥控器干预采煤机的次数，两刀煤累计人工干预46次，第一刀干预25次，通过上位机存储的历史数据可以查询到在无规划截割的方式下每刀煤人工干预约70～80次，对比计算出在使用规划截割后，人工干预次数显著下降64.28%～68.75%，并且三角煤区域完全没有人工干预，因此说明规划截割可以有效地降低采煤机司机的工作量。

图8c和图8d表明依据系统的规划的采煤机速度，运输机电流曲线平稳，负荷与采煤机速度趋势一致，没有出现空载停机现象，说明了煤流负荷规划与协同控制的应用效果良好。

4.   结　　论

1）提出了基于透明地质的综采工作面规划截割协同控制方法，集成了透明地质技术的成果，以地质模型等数据为基础，结合机器学习算法，构建截割模板的数据模型，是透明地质技术成果在智能化开采中的有效应用。

2）结合开采工艺设计开发了综采工作面规划截割协同控制系统，实现按照规划的截割模板对综采装备进行协同控制，辅以人工在线干预实现智能开采，为智能开采控制技术的发展提供了理论和方案参考。

3）现场应用表明，系统规划的顶底板截割曲线与采煤机实际截割曲线基本一致，每一刀的人工干预最大值需要25次，人工干预次数下降64.28%～68.75%，并且三角煤截割区域不需要人工干预。采煤机按照截割模板自动截割，支架全程正常自动跟机，没有出现丢架现象，运输机电流曲线平稳，没有出现空载或停机现象。

4）煤层精准探测技术尚在发展之中，如何在地质模型数据精度不足的条件下实现规划截割与协同控制是值得进一步研究的课题。