CN110017161A - 综采工作面智能供液方法、存储介质、电子设备和系统 - Google Patents

Abstract

本发明提供一种综采工作面智能供液方法、存储介质、电子设备和系统，其中的方法通过预设的机器学习模型对历史时间段内的采煤设备动作数据和泵站出口压力值进行迭代训练，从而确定同一时刻，泵站出口压力值与采煤设备动作数据之间的关系，通过迭代训练得到出口压力值预估模型。当向该出口压力值预估模型中输入采煤设备的动作数据后，即可预先估算出泵站出口目标压力值，根据预先估算出来的泵站出口目标压力值去控制泵站中每一泵体的开启、关停或工作频率，从而能够即时地调控供液压力和供液量，不存在滞后的缺陷，极大提高了工作面的生产效率。

Description

综采工作面智能供液方法、存储介质、电子设备和系统

技术领域

本发明涉及煤炭开采设备的自动控制技术领域，具体涉及一种综采工作面智能供液方法、存储介质、电子设备和系统。

背景技术

在煤炭开采领域，目前较多为综采工作面，而综采工作面开采需要使用大量液压支架，这些液压支架需要使用高压乳化液作为工作介质，通常使用乳化液泵站对工作面的各个液压支架进行供液。煤炭开采过程中，每一液压支架的工作状态经常发生改变，液压支架会进行动作或者卸压等操作，不同工作状态下，同一液压支架对乳化液需求数量是不同的，因此需要经常调整乳化液泵站对各个液压支架的供液。在自动化生产工作面中，如果乳化液泵站供液不足，很可能会造成液压支架动作不到位，以至于整个自动化生产逻辑的缓慢甚至停滞，严重影响了自动化的可靠性程度。

现有的乳化液泵站供液调整或控制方法中，在乳化液泵站出口管道处加装有压力传感器，通过监测传感器的监测值获取的出口压力，根据传感器对出口压力的监测结果对乳化液泵站进行调整。一般的控制方式为，当出口压力小于特定阈值时(如31.5MPa)，则调高泵站中的变频器频率或多启动一台(或多台)工频泵，以使出口压力变大，否则调低泵站中变频器频率或少启动一台(或多台)工频泵，以降低出口压力。

现有技术中的上述方案存在如下问题：通过监测泵站出口压力值的变化，调整启泵数量的控制方式包括采用人工手动方式或自动方式。手动方式下，需专人看守操作；自动方式下，会在控制逻辑中设定出口压力的特定阈值来自动控制。以上两种方式，手动操作需要消耗人力资源，而自动操作会由于“出口压力”变化频率快，常出现短时间内多次在“特定阈值”附近变化，导致自动控制并不可靠。而且，出口压力值的变化虽然反应了当前工作面用液的要求，但是当数值发生变化时，即便是及时对泵站中的变频泵或者泵的数量进行控制，也是滞后的，相当于发生了问题再补救，这种方式必然会影响工作面设备的生产效率。

发明内容

本发明实施例旨在提供一种综采工作面智能供液方法、存储介质、电子设备和系统，以解决现有技术中根据泵站出口压力传感器的监测值控制泵站供液的方法存在的滞后、效率低的技术问题。

为解决上述技术问题，本发明提供一种综采工作面智能供液方法，包括如下步骤：

获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向；

将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据；

以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型；

在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值；

根据所述泵站出口目标压力值控制泵站中泵体的开启、关停或调节工作频率。

可选地，上述的综采工作面智能供液方法中，获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向的步骤中：

所述采煤设备的类型包括采煤机和液压支架，所述采煤设备的动作数据包括：采煤机位置、采煤机速度、采煤机方向和动作支架数量，所述采煤机位置以距离所述采煤机最近的液压支架编号表示。

可选地，上述的综采工作面智能供液方法中，以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型的步骤中：

所述预设机器学习模型为基于决策树算法的模型。

可选地，上述的综采工作面智能供液方法中，以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型的步骤中：

将所述采煤机位置、所述采煤机速度、所述采煤机方向和所述动作支架数量分别转化为程度类别量，以所述程度类别量输入至所述决策树中进行迭代训练。

可选地，上述的综采工作面智能供液方法中，将所述采煤机位置、所述采煤机速度、所述采煤机方向和所述动作支架数量分别转化为程度类别量，以所述程度类别量输入至所述决策树中进行迭代训练的步骤包括：

所述采煤机位置小于或等于第一编号阈值时为近距离位置，所述采煤机位置大于所述第一编号阈值且小于第二编号阈值时为中间距离位置，所述采煤机位置大于或等于所述第二编号阈值时为远距离位置；

所述采煤机的速度小于或等于第一速度阈值时为低速，所述采煤机的速度大于所述第一速度阈值且小于第二速度阈值时为中速，所述采煤机的速度大于或等于第二速度阈值时为高速；

所述采煤机方向为上行时设定其方向标志为“1”，所述采煤机方向为下行时设定其方向标志为“0”；

所述动作支架的数量小于或等于第一数量阈值时为少数；所述动作支架的数量大于所述第一数量阈值且小于第二数量阈值时为常规数量；所述动作支架的数量大于所述第二数量阈值时为多数。

本发明还提供一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行以上任一项所述的综采工作面智能供液方法。

本发明还提供一种电子设备，其特征在于，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行以上任一项所述的综采工作面智能供液方法。

基于同一发明构思，本发明还提供一种综采工作面智能供液系统，包括：

泵站控制器，控制泵站中每一泵体的开启或关停；

支架控制器，用于获取每一液压支架的动作数据；

采煤机控制器，用于获取采煤机的动作数据；

系统控制器，设置于地面上；其用于接收所述支架控制器发送动作数据和所述采煤机控制器发送的动作数据；

所述系统控制器还用于获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向；将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据；以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型；在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值；根据所述泵站出口目标压力值输出控制信号至所述泵站控制器；

所述泵站控制器还用于根据所述控制信号控制泵站中泵体的开启、关停或调节工作频率。

与现有技术相比，本发明实施例提供的上述技术方案至少具有以下有益效果：

本发明实施例提供的综采工作面智能供液方法、存储介质、电子设备和系统，其中的方法通过预设的机器学习模型对历史时间段内的采煤设备动作数据和泵站出口压力值进行迭代训练，从而确定同一时刻，泵站出口压力值与采煤设备动作数据之间的关系，通过迭代训练得到出口压力值预估模型。当向该出口压力值预估模型中输入采煤设备的动作数据后，即可预先估算出泵站出口目标压力值，根据预先估算出来的泵站出口目标压力值去控制泵站中每一泵体的开启、关停或工作频率，从而能够即时地调控供液压力和供液量，不存在滞后的缺陷，极大提高了工作面的生产效率。

附图说明

图1为本发明一个实施例所述综采工作面智能供液方法的工作流程示意图；

图2为本发明一个实施例所述采煤机位置与时间的关系曲线图；

图3为本发明一个实施例所述泵站出口压力值与时间的关系曲线图；

图4为本发明一个实施例所述一个本体压力值的数据的初始采集结果的数据表；

图5为根据图4所示结果得到的多个泵体的压力值数据进行数据清洗后的数据表；

图6为本发明一个实施例所述在一段时间内泵体中开启泵的数量时长展示结果；

图7为本发明一个实施例所述一段时间内的采集到的样本数据表；

图8为对图6所示的表格数据进行程度类别划分后的样本数据表；

图9为对图7所示数据表进行训练后得到的决策树的示意图；

图10为本发明一个实施例所述综采工作面智能供液系统的原理框图。

具体实施方式

下面将结合附图进一步说明本发明实施例。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的简化描述，而不是指示或暗示所指的装置或组件必需具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。其中，术语“第一位置”和“第二位置”为两个不同的位置。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

本实施例提供一种综采工作面智能供液方法，应用于智能供液系统中，如图1所示，包括如下步骤：

S101：获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向。综采工作面中会设置多种传感器或检测装置，根据具体检测需要安装在采煤设备或者泵站中每一泵体上。传感器或检测装置对于设备运行中的各项参数检测都是实时进行或者间隔很短的周期，每一检测数据在存储时都会备注时间标签。因此选定历史时间段之后，就可以根据时间标签是否落入在该历史时间段内来确定该历史时间段内检测到的所有数据了。在综采工作面中，采煤设备可以包括采煤机和液压支架，采煤机的位置、速度和运行方向是需要采集的关键信息。对于液压支架来说，其动作方式可以包括很多种，诸如升柱、降柱、推镏、拉架、抬底、落地、伸侧护、收侧护、伸互帮、收互帮等。液压支架的不同工作状态下对于工作介质的需求也会略有不同。而出口压力值是指泵站出口的压力值，现有技术中通过设置在泵站出口处的压力传感器检测泵站出口的压力值，检测结果同样备注有时间标签后进行存储。

S102：将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据。如前所述，步骤S101中获取到的采集数据都具有时间标签，同一时刻下采煤设备的动作数据均会对应有一个出口压力值，将同一时刻的一组数据关联起来作为样本数据，在历史时间段内能够确定大量的样本数据。在实际应用时，样本数据的数量越多越能够提高本方法的智能供液准确度，具体可以依据所选择的处理器的数据能力来确定。

S103：以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型。例如，选取“采煤机位置”、“采煤机速度”、“采煤机方向”、“动作支架数量”、“出口压力”以及“启泵数量”(其中启泵数量实际是对应于出口压力值的)这六个变量，将前五个变量作为自变量，最后一个变量作为因变量，如表1中所示，其中CMJ表示采煤机，液泵1-4都是工频泵。通过使用一些机器学习算法模型，用机器学习的方式进行数据迭代训练，确定出口压力值或者启泵数量与采煤设备动作数据之间的关系。

表1变量关系对应表

以上表中的数据，是间隔10s中一组，这一时间间隔可以根据实际需求调整。

S104：在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值。也即，通过上述步骤得待训练得到的模型的使用效果是，输入一组新的自变量，比如“CMJ位置＝80”、“CMJ速度＝7”、“CMJ方向＝上行”、“动作直接数量＝11”，则能够通过上述模型直接得出“出口压力＝28”，然后根据出口压力＝28，确定泵站中不同泵体的状态，如果都是工频泵则可以给出应启动几个泵的预测值。如果既有工频泵又有变频泵则给出应开启几台工频泵，同时给出变频泵的工作频率应该是多少。

S105：根据所述泵站出口目标压力值控制泵站中泵体的开启、关停或调节工作频率。另外，以上方案中的步骤S101中，所述采煤机位置以距离所述采煤机最近的液压支架编号表示。相应地，如果采煤机有多台，采煤机的动作数据中应该也有确定的采煤机编号数据。例如，编号为Cm的采煤机距离编号为123的液压支架最近，则将编号Cm的采煤机位置以123来表示。在实际开采过程中，采煤机位置是有一定规律的：第一，值的范围固定(1-最大支架编号)；第二，总体上看是周期反复的，即从1号架到MAX支架号，再返回到1号架，如此反复(中间会有数次的小反复)；第三，如果以“日”来看的话，每日都具有高相似度，如图2位取了“9月2日”一天的数据，采煤机大约折返了8次(煤矿称之为8刀)，而该矿每日大约都会生产8刀左右。采煤机位置的数据为浮点型数据，例如“4.5”代表采煤机的速度为“4.5米/分钟”。采煤机方向采用类bool型数据，数值为“1”和“0”，分别代表采煤机上行和下行，即对应采煤机位置示意图中的，采煤机从1号架往160号架行走时，称之为上行，反之称之为下行。泵站出口压力值与泵的开启数量或者变频泵的工作频率有关。距离来说，如果泵站出口压力值在0-35之间为其正常范围，则当其低于28时会启动两个泵，高于31.5时会启动一个泵。其数值和时间的关系可以参考图3所示。

综采工作面通常会配置4个乳化液泵(简称“液泵”)组成乳化液泵站，用来输出“乳化液”。乳化液是工作面液压支架、采煤机等液压设备的供给单位。液压设备需要使用乳化液来完成各动作，所以乳化液的供给能否充足、及时，将直接影响生产设备的动作执行效率甚至生产效率。通常，工作面设备群动作多时，即用液量大，一个泵供给可能不够(可以通过“出口压力”来监测)，就需要同时开启第二个泵、第三个泵。液泵被编号为“液泵1”、“液泵2”、“液泵3”和“液泵4”。每个点是独立的表。其数值记录了了状态(启、停、故障等等)发生变化时的时间。原始数据中，需要注意的地方有两个：第一，同一个时间戳出现了多个值，如图4中的表格所示，在数据清洗时，可以只取最后一次的值；第二，值的范围是0-7，代表了不同的状态，在数据清洗时，可以转化为两种状态，开(1)和关(0)，清洗规则：看bit值，第一位为1的，即是开(1)，否则为关(0)。

而需要启泵的数量，本质上是和这些采煤设备的工作数据相关，并且也是通过四个乳化泵的运行状态计算得到的。计算方法：看同一时间戳内有几个泵在运行。即，需要“启动”的泵的数量相加得到。按前文所述的规则，泵的运行状态是变化后才上报记录，所以需要数据“重采样”，比如以30秒或者1分钟为周期。然后再合并比对4个乳化液泵的状态表值。计算而得启泵数量。进而可以进行后续数据分析。图5是一个示意，随机选取了一段时间内的原始数据，并应用上述规则(1秒为周期)，可以得到图5所示数据。

本实施例中，对连续8天的实际生产数据进行统计分析，可以得到有累计7869分钟时间同时两个泵运行，1个泵运行时间大约是其一半，累计4316分钟，而只有累计半个小时的时间同时运行了3个泵。结果如图6所示。

实际工程应用中，设备及其传感器来自于不同的厂家，数据的通信协议不尽相同，采样频率也不尽相同，由此带来的影响是数据的清洗以及数据的去重、重采样、对齐以及合并等工作。此外，为了能够应用不同的机器学习算法，还需要对数据进行对应的抽样以及变化等操作。这些可采用现有技术中的方案实现，在此不再详细叙述。

采用本实施例中的上述案，采用机器学习模型训练样本数据，只需要获取到采煤设备的工作数据即可预先估计出泵站出口压力值，从而进行预测式控制改变了传统的滞后式控制。并且由于在进行泵站控制时，只需要采煤设备的动作数据，不需要对泵站出口压力值进行实时监控，所以可以不必在泵站出口安装压力传感器，简化了系统的结构，降低了成本。再者，以上方案中均是采用自动化方式实现、人工智能控制，无需人工干预解放了人力，而且上述控制逻辑是从历史数据中获取规律，摆脱了对人工经验的依赖。

在以上方案的基础上，机器学习模型可以选择现有技术中成熟的一些模型算法，机器学习算法有多种分类，传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等，本实施例中选择决策树算法作为示例进行说明。采用决策树算法时，将所述采煤机位置、所述采煤机速度、所述采煤机方向和所述动作支架数量分别转化为程度类别量，以所述程度类别量输入至所述决策树中进行迭代训练。因此，所述采煤机位置小于或等于第一编号阈值时为近距离位置，所述采煤机位置大于所述第一编号阈值且小于第二编号阈值时为中间距离位置，所述采煤机位置大于或等于所述第二编号阈值时为远距离位置；所述采煤机的速度小于或等于第一速度阈值时为低速，所述采煤机的速度大于所述第一速度阈值且小于第二速度阈值时为中速，所述采煤机的速度大于或等于第二速度阈值时为高速；所述采煤机方向为上行时设定其方向标志为“1”，所述采煤机方向为下行时设定其方向标志为“0”；所述动作支架的数量小于或等于第一数量阈值时为少数；所述动作支架的数量大于所述第一数量阈值且小于第二数量阈值时为常规数量；所述动作支架的数量大于所述第二数量阈值时为多数。

下面将详细说明使用机器学习算法进行模型训练的过程。决策树是机器学习里的一个重要算法，在实际应用中常见的是用于故障诊断、专家系统中，最早的也是最基本的方式是通过计算信息熵的方式来做出分类(枝叶)。采用图7中表格所示的变量数据(可以理解，这些数据是为了说明具体实现过程而给出的示例性数据，并非实际生产数据)。为了使用决策树(计算信息熵)方法，须将数值转化为程度类别量量，比如，动作支架数量中，将大于20的数值变为“high”，小于20且大于10的变为“medium”，小于10的变为“low”。如此，将变为图8所示的表格。将上表中的数据对模型进行训练后，得到了图9所示的树模型。验证时，使用用随便一组数，比比如“CMJ位置＝80”、“CMJ速度＝7”、“CMJ方向＝上行”、“动作直接数量＝11”，程序会自动会根据上述的逻辑给出预测的“泵开启数量”的值，例如需要开启两台泵。

当然，根据实际情况，上述采煤设备的类型以及动作参数可能会涉及到更多的变量，泵站中的本体可能是工频泵也可能是变频泵，在实际获取样本数据时可参考上述实施例中的内容实现。

实施例2

本实施例提供一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行实施例1中任一技术方案所述的综采工作面智能供液方法。

实施例3

本实施例提供一种电子设备，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行实施例1中任一技术方案所述的综采工作面智能供液方法。

实施例4

本实施例提供一种综采工作面智能供液系统，如图10所示，包括：

泵站控制器11，控制泵站中每一泵体的开启或关停；支架控制器12，用于获取每一液压支架的动作数据；采煤机控制器13，用于获取采煤机的动作数据；系统控制器14，设置于地面上；其用于接收所述支架控制器12发送动作数据和所述采煤机控制器13发送的动作数据。

所述系统控制器14还用于获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向；将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据；以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型；在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值；根据所述泵站出口目标压力值输出控制信号至所述泵站控制器11；所述泵站控制器11还用于根据所述控制信号控制泵站中泵体的开启、关停或调节工作频率。

采用以上方案，当向该出口压力值预估模型中输入采煤设备的动作数据后，即可预先估算出泵站出口目标压力值，根据预先估算出来的泵站出口目标压力值去控制泵站中每一泵体的开启、关停或工作频率，从而能够即时地调控供液压力和供液量，不存在滞后的缺陷，极大提高了工作面的生产效率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种综采工作面智能供液方法，其特征在于，包括如下步骤：

获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向；

将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据；

以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型；

在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值；

根据所述泵站出口目标压力值控制泵站中泵体的开启、关停或调节工作频率。

2.根据权利要求1所述的综采工作面智能供液方法，其特征在于，获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向的步骤中：

所述采煤设备的类型包括采煤机和液压支架，所述采煤设备的动作数据包括：采煤机位置、采煤机速度、采煤机方向和动作支架数量，所述采煤机位置以距离所述采煤机最近的液压支架编号表示。

3.根据权利要求2所述的综采工作面智能供液方法，其特征在于，以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型的步骤中：

所述预设机器学习模型为基于决策树算法的模型。

4.根据权利要求3所述的综采工作面智能供液方法，其特征在于，以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型的步骤中：

将所述采煤机位置、所述采煤机速度、所述采煤机方向和所述动作支架数量分别转化为程度类别量，以所述程度类别量输入至所述决策树中进行迭代训练。

5.根据权利要求4所述的综采工作面智能供液方法，其特征在于，将所述采煤机位置、所述采煤机速度、所述采煤机方向和所述动作支架数量分别转化为程度类别量，以所述程度类别量输入至所述决策树中进行迭代训练的步骤包括：

所述采煤机位置小于或等于第一编号阈值时为近距离位置，所述采煤机位置大于所述第一编号阈值且小于第二编号阈值时为中间距离位置，所述采煤机位置大于或等于所述第二编号阈值时为远距离位置；

所述采煤机的速度小于或等于第一速度阈值时为低速，所述采煤机的速度大于所述第一速度阈值且小于第二速度阈值时为中速，所述采煤机的速度大于或等于第二速度阈值时为高速；

所述采煤机方向为上行时设定其方向标志为“1”，所述采煤机方向为下行时设定其方向标志为“0”；

所述动作支架的数量小于或等于第一数量阈值时为少数；所述动作支架的数量大于所述第一数量阈值且小于第二数量阈值时为常规数量；所述动作支架的数量大于所述第二数量阈值时为多数。

6.一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行权利要求1-5任一项所述的综采工作面智能供液方法。

7.一种电子设备，其特征在于，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行权利要求1-5任一项所述的综采工作面智能供液方法。

8.一种综采工作面智能供液系统，其特征在于，包括：

泵站控制器，控制泵站中每一泵体的开启或关停；

支架控制器，用于获取每一液压支架的动作数据；

采煤机控制器，用于获取采煤机的动作数据；

系统控制器，设置于地面上；其用于接收所述支架控制器发送动作数据和所述采煤机控制器发送的动作数据；

所述系统控制器还用于获取历史时间段内采集的每一采煤设备的动作数据和泵站出口压力值；所述动作数据包括采煤设备的类型、位置、速度和方向；将同一时刻下的所述动作数据和所述出口压力值关联后作为样本数据；以所述动作数据作为自变量，以所述出口压力值作为因变量，将所述样本数据输入至预设机器学习模型中迭代训练，根据所述出口压力值与所述动作数据的关系得到出口压力值预估模型；在当前时刻，将每一采煤设备的动作数据输入至所述出口压力值预估模型中，以所述出口压力值预估模型的输出值作为当前时刻下的泵站出口目标压力值；根据所述泵站出口目标压力值输出控制信号至所述泵站控制器；

所述泵站控制器还用于根据所述控制信号控制泵站中泵体的开启、关停或调节工作频率。