CN109934409A - 一种大采高煤壁工作面片帮预测网络及其预测方法 - Google Patents

Abstract

本发明公开了一种大采高煤壁工作面片帮预测网络及其预测方法，包括：步骤一：摄像头的安装以及煤壁和刀头切割煤壁图像数据的获取；步骤二：大采高煤壁工作面和采煤机切割煤壁图像数据的预处理；步骤三：构建大采高煤壁工作面和采集环境的图像的特征提取网络模型；步骤四：训练大采高煤壁工作面的图像和采集环境的图像特征提取网络；步骤五：构建特征分类网络模型；步骤六：训练特征分类网络模型；步骤七：片帮预测。本发明相对于现有技术，能够在安装较少监测仪器的条件下，实现大采高煤壁工作面片帮的预测，并将环境因素作为预测的影响因素之一。

Description

一种大采高煤壁工作面片帮预测网络及其预测方法

技术领域

本发明涉煤矿开采领域，具体涉及到采用卷积受限玻尔兹曼机对大采高煤壁工作面片帮进行预测的方法。

背景技术

随着大采高综合机械化采煤法在厚煤层中的优势越来越突出，主要表现在生产能力大、回采率高、安全条件和经济效益好等方面。尽管大采高综采技术在地质条件相对简单时的优点是突出的，但影响其实现高产、高效、安全生产的因素有很多。随着采高的加大，煤壁片帮的概率不断增大，严重威胁着工作面的安全生产。因此，对大采高煤壁工作面片帮进行预测具有重要意义。

目前针对煤壁片帮预测的方法一般分为两种:一种是监测预报，如声发射探测技术、压力探测方法等；一种是采用预测、评价模型预测分析，灰色GM(1，1)预测、模糊综合评判方法、事故树分析等。

采用监测预报，需要在监测点设计和安装相应的监测仪器，花费比较大，且监测过程受环境影响较大，如受噪音以及煤壁的不均质性和裂隙性影响，声发射探测结果存在一定误差且难以剔除。传统的灰色GM(1，1)等预测模型对随机性变化处理能力较弱且无法表达系统中各因素的相关关系，而模糊综合评判、事故树等评价方法较难解决系统中某些事件的变化对整个系统的影响。

发明内容

本发明的目的是提供了一种大采高煤壁工作面片帮预测网络及其预测方法，本发明能够在安装较少监测仪器的条件下，实现大采高煤壁工作面片帮的预测，并将环境因素作为预测的影响因素之一。

本发明的技术方案是：一种大采高煤壁工作面片帮预测方法，其特征在于包括如下步骤：

步骤一：摄像头的安装以及煤壁和刀头切割煤壁图像数据的获取；

步骤二：大采高煤壁工作面和采煤机切割煤壁图像数据的预处理；

步骤三：构建大采高煤壁工作面和采集环境的图像的特征提取网络模型；

步骤四：训练大采高煤壁工作面的图像和采集环境的图像特征提取网络；

步骤五：构建特征分类网络模型；

步骤六：训练特征分类网络模型；

步骤七：片帮预测。

本发明相对于现有技术，能够在安装较少监测仪器的条件下，实现大采高煤壁工作面片帮的预测，并将环境因素作为预测的影响因素之一。

附图说明

图1是本发明片帮预测网络结构图。

图2是摄像头安装示意图。

图3是大采高煤壁工作面和采集环境的图像的特征提取网络结构图。

图4是大采高煤壁工作面和采集环境的图像的特征提取网络构造过程图。

图5是特征分类网络构造过程图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

本发明构建了一种大采高煤壁工作面片帮预测网络。如图1所示，通过使用两个卷积玻尔兹曼机模型分别提取大采高煤壁工作面的纹理特征和采煤机刀头切割煤壁的特征，以这两部分特征以及其片帮结果作为训练数据，分别训练两个特征分类网络，并实现大采高煤壁工作面片帮预测的功能。

预测方法具体包括以下步骤：

步骤1：摄像头的安装以及煤壁和刀头切割煤壁图像数据的获取。

安装摄像头的目的是获取用大采高煤壁工作面的图像和采煤机切割煤壁的图像，附图2是摄像头的安装位置示意图。每个摄像头安装在液压支架支撑板下方靠近巷壁一侧，假定每个安装在图示位置摄像头的取景范围为m×n的矩形区域，煤壁面可视作长为L，高为H的矩形区域，则需要安装的摄像头数量N满足下式且取满足下式的最小整数值，其中n≥H，

假定每个液压支架之间的间距为k，则摄像头的安装间隔为i个液压支架之间的距离，i取满足下式的最小整数值。

将摄像头按照上述间距和数量安装在液压支架上，就能采集到包含整个煤壁以及刀头切割煤壁的图像。

步骤2：大采高煤壁工作面和采煤机切割煤壁图像数据的预处理。

步骤1中公式确定的摄像头数量和安装间距会使摄像头采集到大采高工作面的煤壁图像出现重叠部分和非煤壁部分，所以首先使用openCV对上述重叠部分和非煤壁部分的图像进行裁剪，把采煤机刀头所在的区域定义为采集环境并裁剪与煤壁图像分开，然后把不包含采集环境的所有图像拼接成整个煤壁的图像，再调用openCV中resize函数将煤壁图像的高度调整为512个像素，图像的宽度根据其拼接后煤壁图像的宽度确定。假设拼接后煤壁图像的宽度为α个像素，调整后的煤壁图像的宽度为128×β个像素，则β取满足下式的最大值。

采集环境的图像也按照上述方式进行相同的裁剪、拼接以及调整其高宽尺寸。

将上述处理后的大采高煤壁工作面的图像和采集环境的图像裁剪成大小为128×128个像素的图像。根据实际是否发生片帮的情况，将发生片帮前的大采高煤壁工作面的图像和对应时刻的采集环境的图像经过上述裁剪操作后，通过旋转、平移、改变图像亮度和对比度等方式对其数据进行扩充，以改善训练数据中片帮发生类数据少造成训练效果差的情况。假定图像的某个像素点的值为x，x_max为图像中的最大像素点，x_min为最小像素值，x^*为归一化后的像素值，则按照下式对所有图像进行归一化。

步骤3：构建大采高煤壁工作面和采集环境的图像的特征提取网络模型。

本实施例构建了大采高煤壁工作面和采集环境的图像的特征提取网络模型，其结构图如附图3所示。所述特征提取网络包含输入层和中间层两部分，其中输入层用来读取大采高煤壁工作面的图像和采集环境的图像，中间层用来保留对大采高煤壁工作面和采集环境的图像的特征进行提取运算的中间值。

附图4是所述特征提取网络模型的构造过程。其输入分别为经步骤2预处理后的大采高煤壁工作面的图像和采集环境的图像，两类图像都为128×128像素的三通道图像，三个通道分别代表三种颜色通道。权值大小为8×8的二维矩阵，每个矩形框代表着输入图像与权值进行计算的区域。每个计算区域从输入图像的左上角开始，与输入图像8×8大小的区域做矩阵卷积运算，得到中间层左上角第一个位置的值，然后计算区域依次水平移动(移动到最右端换行)，与输入图像做卷积运算，不断得到各个单元(如h₁,h₂,···,h_k)的值，直到输入图像的最后一个位置。通过上述卷积运算最终得到中间层。

步骤4：训练大采高煤壁工作面的图像和采集环境的图像特征提取网络。

本实施例对所述大采高煤壁工作面的图像和采集环境的图像特征提取网络采用了特征提取算法进行训练，其训练过程包括两部分：

(1)初始化

首先确定训练样本集合S，在本实施例中，对大采高煤壁工作面的图像特征提取网络模型，其训练样本为经步骤1和步骤2获取并处理后的大采高煤壁工作面的图像，对采集环境的图像特征提取网络模型，其训练样本为经步骤1和步骤2获取并处理后的采集环境的图像；确定训练周期J，学习率η以及特征提取算法参数f，在本实施例中J＝10000，学习率η＝0.001，特征提取算法参数f＝50；确定输入和中间层参数，本实施例中输入层的输入为大采高煤壁工作面的图像和采集环境的图像，中间层为大采高煤壁工作面的图像和采集环境的图像与权值进行卷积运算后的中间值；初始化输入层偏置向量a，中间层偏置向量b和权值矩阵W，本实施例中(p_i表示训练样本中第i个特征处于激活状态的样本所占比例)，b为三通道全零数据，W为8×8的二维矩阵，输入通道为3，输出通道为64的正态截断随机数，其标准差为0.1。

(2)训练

训练是调用特征提取算法更新权值矩阵W和输入层偏置向量a，中间层偏置向量b的过程。特征提取算法的主要流程如下。

步骤A：输入特征提取算法参数f、训练样本集合S、初始权值矩阵W和输入层偏置向量a，中间层偏置向量b。

步骤B：初始化权值矩阵的变化量ΔW＝0、输入层偏置向量的变化量Δa，中间层偏置向量的变化量Δb。

步骤C：从训练样本集合S中的第一个样本开始，对每一个图像进行f次计算。本实施例中，对初始化的训练样本集合S中的大采高煤壁工作面的图像和采集环境的图像依次进行f次计算。计算公式如下：

Sample_v(v_t,W,a)＝Sigmoid(Conv(v_t,W)+a)

Sample_h(v_t,W,b)＝Sigmoid(Conv(h_t,W)+b)

P(h_t＝1|v_t)＝Sample_v(v_t,W,a)

P(v_t+1＝1|h_t)＝Sample_h(h_t,W,b)

式中：t＝0，1，2，···，f-1；h_t代表第t次计算时中间层神经元状态，从P(h_t|v_t)抽取h_t∈{0,1}；v_t+1代表第t+1次输入层神经元状态，从P(v_t+1|h_t)抽取v_t∈{0,1}，初始化v₀＝1；W代表权值矩阵；a代表输入层偏置向量；b代表中间层偏置向量；Conv代表卷积运算；

步骤D：按下式计算权值矩阵的变化量ΔW，偏置向量的变化量Δa和Δb：

ΔW＝Conv_t(P(h₁＝1|v₁),v₁)-Conv_t(P(h₅₀＝1|v₅₀),v₅₀)

Δa＝v₁-v₅₀

Δb＝P(h₁＝1|v₁)-P(h₅₀＝1|v₅₀)

式中：Conv_t代表反卷积运算；

步骤E：以下列方式更新偏置向量a，b和权值矩阵W：

式中：n_block代表每次输入训练数据的个数；η代表学习率；

通过上述训练过程，即不断更新偏置向量a，b和权值矩阵W，可以对输入的大采高煤壁工作面的图像和采集环境的图像进行重构，提取其特征。

步骤5：构建特征分类网络模型

附图4为特征分类网络模型的结构，该模型包括两个卷积神经网络模型和一个三层的全连接层网络。每个卷积神经网络模型包括三个卷积层，三个池化层。其中，三个池化层中包含两个最大池化层和一个平均池化层。在本实施例中，输入层为经步骤3中大采高煤壁工作面和采集环境的图像的特征提取网络模型重构后的图像数据，尺寸为128×128像素的三通道图像数据。第一个卷积层中，卷积核的尺寸为8×8，输入通道为3，输出通道为64，卷积方式为同卷积，即卷积操作的步长为1，操作时使用padding技术。卷积层后接一个4×4的最大池化层。第二个卷积层中，卷积核的尺寸为8×8，输入通道为64，输出通道为64，卷积方式为同卷积，同第一个卷积层一样，后接相同的最大池化层。第二个卷积层中，卷积核的尺寸为8×8，输入通道为64，输出通道为2。第三个卷积层后接一个8×8全局平局池化层。每个模型分别输出其对应的两个特征图(Feature Map)，将这四个特征图通过一个两层的全连接网络，其中隐藏层神经元个数为10个，输出层的神经元个数为2个，分别对应片帮发生与不发生的情况。

步骤6：训练特征分类网络模型

本实施例中，所述两个特征分类网络的训练样本的输入分别为经步骤3中大采高煤壁工作面和采集环境的图像特征提取网络模型重构后的大采高工煤壁作面的图像和采集环境的图像。大小为128×128的三通道图像数据，以批数据的形式输入上述特征分类网络模型，依次经过卷积、池化、卷积、池化、卷积和全局平均池化操作，每个模型分别输出其对应的两个特征图，将这四个特征图通过一个两层的全连接网络，输出层预测结果，分别对应片帮发生与不发生的情况。以上述模型的预测结果和实际的片帮等级的交叉熵为损失值，利用Adam算法通过迭代计算来更新每一层的权值和偏置，使损失值达到最小。完成迭代计算后，模型训练完成。

步骤7：片帮预测

所述模型都训练好了后，以最终迭代计算得到的权值和偏置作为模型的权值和偏置，通过摄像头采集大采高工作面和开采环境的图像数据，有间隔的截取图片并对其进行步骤2所述的预处理。将预处理后的图片作为模型的输入，模型即输出片帮预测结果。

总之，本发明提供一种基于卷积受限玻尔兹曼机的大采高工作面的片帮预测方法，本发明相对于现有技术，能够在安装较少监测仪器的条件下，实现大采高煤壁工作面片帮的预测，并将环境因素作为预测的影响因素之一。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种大采高煤壁工作面片帮预测方法，其特征在于：包括如下步骤：

步骤一：摄像头的安装以及煤壁和刀头切割煤壁图像数据的获取；

步骤二：大采高煤壁工作面和采煤机切割煤壁图像数据的预处理；

步骤三：构建大采高煤壁工作面和采集环境的图像的特征提取网络模型；

步骤四：训练大采高煤壁工作面的图像和采集环境的图像特征提取网络；

步骤五：构建特征分类网络模型；

步骤六：训练特征分类网络模型；

步骤七：片帮预测。

2.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤一摄像头的安装以及煤壁和刀头切割煤壁图像数据的获取中，需要安装的摄像头数量N满足下式且取满足下式的最小整数值

其中，每个安装在图示位置摄像头的取景范围为m×n的矩形区域，矩形煤壁面区域的长为L，高为H，其中n≥H；摄像头的安装间隔为i个液压支架之间的距离，i取满足下式的最小整数值，

k为每个液压支架之间的间距。

3.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述第步骤二大采高煤壁工作面和采煤机切割煤壁图像数据的预处理中，拼接后煤壁图像的宽度为x个像素，调整后的煤壁图像的宽度为128×j个像素，则j取满足下式的最大值：

图像的某个像素点的值为x，x_max为图像中的最大像素点，x_min为最小像素值，x^*为归一化后的像素值，则按照下式对所有图像进行归一化：

4.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤三构建大采高煤壁工作面和采集环境的图像的特征提取网络模型中，所述特征提取网络包含输入层和中间层，其中输入层用来读取大采高煤壁工作面的图像和采集环境的图像，中间层用来保留对大采高煤壁工作面和采集环境的图像的特征进行提取运算的中间值。

5.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤四训练大采高煤壁工作面的图像和采集环境的图像特征提取网络包括初始化模块和训练模块，所述初始化模块中，初始化输入层偏置向量，中间层偏置向量和权值矩阵。

6.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤五构建特征分类网络模型，所述网络模型包括两个卷积神经网络模型和一个三层的全连接层网络，每个卷积神经网络模型包括三个卷积层，三个池化层，其中，三个池化层中包含两个最大池化层和一个平均池化层。

7.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤六训练特征分类网络模型，所述特征分类网络的训练样本依次经过卷积、池化、卷积、池化、卷积和全局平均池化操作，以所述模型的预测结果和实际的片帮等级的交叉熵为损失值，利用Adam算法通过迭代计算来更新每一层的权值和偏置，使损失值达到最小。

8.如权利要求1所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述步骤七片帮预测，通过所述摄像头采集大采高工作面和开采环境的图像数据，有间隔的截取图片并对其进行步骤二所述的预处理，将预处理后的图片作为模型的输入，模型即输出片帮预测结果。

9.如权利要求7所述的一种大采高煤壁工作面片帮预测方法，其特征在于：训练样本优选为所述步骤三中大采高煤壁工作面和采集环境的图像特征提取网络模型重构后的大采高工煤壁作业面的图像和采集环境的图像。

10.如权利要求5所述的一种大采高煤壁工作面片帮预测方法，其特征在于：所述训练模块包括以下步骤：

步骤A：输入特征提取算法参数k、训练样本集合S、初始权值矩阵W和输入层偏置向量a，中间层偏置向量b；

步骤B：初始化权值矩阵的变化量ΔW＝0、输入层偏置向量的变化量Δa，中间层偏置向量的变化量Δb；

步骤C：从训练样本集合S中的第一个样本开始，对每一个图像进行k次计算，计算公式如下：

Sample_v(v_t,W,a)＝Sigmoid(Conv(v_t,W)+a)

Sample_h(v_t,W,b)＝Sigmoid(Conv(h_t,W)+b)

P(h_t＝1|v_t)＝Sample_v(v_t,W,a)

P(v_t+1＝1|h_t)＝Sample_h(h_t,W,b)

式中：t＝0，1，2，···，k-1；

h_t：第t次计算时中间层神经元状态，从P(h_t|v_t)抽取h_t∈{0,1}；

v_t+1：第t+1次输入层神经元状态，从P(v_t+1|h_t)抽取v_t∈{0,1}，初始化v₀＝1；W：权值矩阵；a：输入层偏置向量；b：中间层偏置向量；Conv：卷积运算；

步骤D：按下式计算权值矩阵的变化量ΔW，偏置向量的变化量Δa和Δb：

ΔW＝Conv_t(P(h₁＝1|v₁),v₁)-Conv_t(P(h₅₀＝1|v₅₀),v₅₀)

Δa＝v₁-v₅₀

Δb＝P(h₁＝1|v₁)-P(h₅₀＝1|v₅₀)

式中：Conv_t：反卷积运算；

步骤E：以下列方式跟新偏置向量a，b和权值矩阵W：

式中：n_block：每次输入训练数据的个数；η：学习率。