CN115629575A - 液压支架自动化后人工调控策略推荐方法 - Google Patents
液压支架自动化后人工调控策略推荐方法 Download PDFInfo
- Publication number
- CN115629575A CN115629575A CN202211088943.5A CN202211088943A CN115629575A CN 115629575 A CN115629575 A CN 115629575A CN 202211088943 A CN202211088943 A CN 202211088943A CN 115629575 A CN115629575 A CN 115629575A
- Authority
- CN
- China
- Prior art keywords
- manual
- data
- hydraulic support
- machine
- fully mechanized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011217 control strategy Methods 0.000 title claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 112
- 238000003066 decision tree Methods 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000013486 operation strategy Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- 230000001174 ascending effect Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 3
- 125000001153 fluoro group Chemical group F* 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种液压支架自动化后人工调控策略推荐方法，属于智采工作面技术领域。包括：采集智采工作面当前生产状态的综采设备当前数据；对综采设备当前数据进行预处理，得到综采设备的当前运行数据；提取当前运行数据的特征值；将当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型；根据人工干预工况识别决策树模型的识别结果判断综采设备的当前工况是否需要进行人工干预行为；如果确定综采设备的当前工况需要进行人工干预行为，则根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐。该方法可以知识发现智采工作面实际生产过程中的人工干预工况并能进行具体的操作策略推荐。
Description
技术领域
本发明涉及智采工作面技术领域，尤其涉及一种液压支架自动化后人工调控策略推荐方法。
背景技术
随着煤矿行业突飞猛进的发展，尤其是近几年来大力推行煤矿智能化建设，煤矿的智能化水平显著提高，生产能力也在稳步提升，同时百万吨煤死亡率急剧下降，很大程度上支撑了煤炭行业的健康发展。目前，大部分学者只是针对智采工作面建设提出了思路与理论体系；虽然有部分学者在液压支架自主跟机研究方面有一定成果，但都难以实现智采工作面完全“无人化”的目标。由于煤矿的地质条件不同，对于地质条件复杂的智采工作面，液压支架集群自动化后进行人工干预依然必不可少。
然而，目前智采工作面的自动化系统是以过程化控制为核心，其无法根据智采工作面的实时工况对综采设备进行实时决策，而且缺乏对实际生产过程中人工干预工况的知识发现，对于人工干预生产时的工况信息缺少有效表达。因此，将人工干预工况进行知识发现与逻辑推理，形成对井下工人有指导性意义的操作策略，对于安全高效开采具有重大意义。
发明内容
为解决上述技术问题，本发明提供一种液压支架自动化后人工调控策略推荐方法。所述的技术方案如下：
一种液压支架自动化后人工调控策略推荐方法，其包括如下步骤：
S1，采集智采工作面当前生产状态的综采设备当前数据；
S2，对所述综采设备当前数据进行预处理，得到综采设备的当前运行数据；
S3，提取所述当前运行数据的特征值；
S4，将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型；
S5，根据所述人工干预工况识别决策树模型的识别结果判断综采设备的当前工况是否需要进行人工干预行为；
S6，如果确定综采设备的当前工况需要进行人工干预行为，则根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐。
可选地，所述S4在将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型之前，还包括：
S41，获取智采工作面历史生产状态的综采设备历史数据；
S42，对所述综采设备历史数据进行预处理，得到综采设备的历史运行数据；
S43，提取所述历史运行数据的特征值；
S44，通过所述历史运行数据的特征值训练人工干预工况识别决策树模型。
可选地，所述S42在对所述综采设备历史数据进行预处理时，包括：
S421，对所述综采设备历史数据进行异常值处理和缺失值处理；
S422，对异常值处理和缺失值处理后的综采设备历史数据按照液压支架的立柱压力值、推移油缸行程、动作数据和采煤机位置数据进行筛选；
S423，分别对筛选后的每一种数据进行时间排序，得到综采设备的历史运行数据。
可选地，所述历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp，所述S43在提取所述历史运行数据的特征值时，通过如下公式(1)至公式(3)来实现：
ΔX＝MAX(x1)-MAX(x2) (1)
公式(1)中：x1为自动跟机前的推移油缸行程，x2为自动跟机后的推移油缸行程；
公式(2)中：假设T(n-1)为人工干预拉架动作对应的时间点，则T(n-2)为自动跟机拉架动作对应的时间点；xT(n-2)-10为自动跟机拉架动作开始前10s的推移油缸行程，xT(n-2)+6为自动跟机拉架动作开始后6s的推移油缸行程；
Δp＝|N-P(CMJ)| (3)
公式(3)中：N为被判断液压支架架号，P(CMJ)为采煤机位置所在液压支架的架号。
可选地，所述历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp和升柱后立柱压力值Y，所述S43在提取历史运行数据的特征值时，通过如下公式(1)至公式(4)来实现：
ΔX＝MAX(x1)-MAX(x2) (1)
公式(1)中：x1为自动跟机前的推移油缸行程，x2为自动跟机后的推移油缸行程；
公式(2)中：假设T(n-1)为人工干预拉架动作对应的时间点，则T(n-2)为自动跟机拉架动作对应的时间点；xT(n-2)-10为自动跟机拉架动作开始前10s的推移油缸行程，xT(n-2)+6为自动跟机拉架动作开始后6s的推移油缸行程；
Δp＝|N-P(CMJ)| (3)
公式(3)中：N为被判断液压支架架号，P(CMJ)为采煤机位置所在液压支架的架号；
公式(4)中，
为自动跟机拉架动作开始后20s的立柱压力值。
可选地，所述S44在通过所述历史运行数据的特征值训练人工干预工况识别决策树模型之前，还包括：
对所述历史运行数据的特征值进行数据清洗，以去掉异常特征值；
对数据清洗后的特征值进行标准化处理。
可选地，所述S6在根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐时，包括：
根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行人工拉架调整量、人工降柱时长、人工升柱时长及升柱达到的立柱目标压力值进行推荐。
可选地，对于没有安装惯导的智采工作面，采取行程累积值计算法确定人工拉架调整量；对于已安装惯导的智采工作面，利用惯导计算人工拉架调整量；
根据对综采设备历史数据的统计分析结果推荐人工降柱时长和人工升柱时长；
根据每个智采工作面所使用液压支架的初撑力确定升柱达到的立柱目标压力值。
可选地，所述行程累积值计算法的计算公式为：
X'＝m·sg-(s1+s2+…+sm) (5)
公式(5)中：X’为人工拉架调整量，m为当天已完成的工作循环数，sg为煤矿作业规程规定的拉架距离，s1，s2，…，sm为支架第m个工作循环完成的拉架距离。
所述利用惯导计算人工拉架调整量的计算公式为：
公式(6)中：X’为人工拉架调整量，D为相对于坐标原点产生的位移，θ为采煤机的俯仰角，ψ为采煤机的航向角。
上述所有可选地技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。
借由上述方案，本发明的有益效果如下：
通过采集并预处理获得综采设备的当前运行数据，提取当前运行数据的特征值，并根据人工干预工况识别决策树模型的识别结果确定综采设备的当前工况需要进行人工干预行为时，根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐，提供了一种可以根据智采工作面的实时工况对综采设备进行实时决策的方法，该方法可以知识发现智采工作面实际生产过程中的人工干预工况并能够进行具体的操作策略推荐，形成了对井下工人有指导性意义的操作策略，不仅可以减轻劳动工人的工作负担，而且对于智能化煤矿建设也有推动作用，对于安全高效开采具有重大意义。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明的实施环境示意图。
图2是本发明的流程图。
图3是人工调整降柱时长与升柱时长的频次直方图。
图4为本发明一个实施例的实施过程示意图。
图5为本发明另一个实施例的实施过程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，其为本发明提供的液压支架集群自动化后人工干预行为的推荐方法的实施环境示意图。如图1所示，该实施环境主要包含设备层、感知层、传输层和分析应用层。其中，设备层为综采面设备群，其是进行策略推荐的对象和数据来源。感知层利用综采面设备群的控制器及安装的传感器实时采集生产状态的综采设备数据，并通过井下环网传输至顺槽集控中心，发挥着交互通信、信息传输的作用。传输层负责将感知层采集的数据通过万兆工业环网和专线等设备传输至数据库、调度室和井上数据云中心。分析应用层是智采工作面液压支架行为策略推荐框架的核心组成部分，其通过对数据库中的智采工作面综采设备的历史运行数据进行预处理、特征提取等步骤训练智采工作面液压支架行为策略推荐模型(本发明实施例中为人工干预工况识别决策树模型和预设操作策略推荐模型)，同时，利用实时采集的综采设备当前数据数据驱动智采工作面液压支架行为策略推荐模型，进而进行操作参数推荐，本发明实施例的具体内容详见下述实施例中的内容。
结合上述实施环境示意图，如图2所示，本发明实施例提供的液压支架自动化后人工调控策略推荐方法，其包括如下步骤：
S1，采集智采工作面当前生产状态的综采设备当前数据。
该步骤通过综采面设备群的控制器及安装的传感器来实现。
S2，对所述综采设备当前数据进行预处理，得到综采设备的当前运行数据。
该预处理主要包括异常值处理和缺失值处理，对异常值处理和缺失值处理后的综采设备当前数据按照液压支架的立柱压力值、推移油缸行程、动作数据和采煤机位置数据进行筛选，并分别对筛选后的每一种数据进行时间排序，得到综采设备的当前运行数据。
S3，提取所述当前运行数据的特征值。
该步骤的原理与下述内容中S43中的原理相同，此处暂不叙述。
S4，将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型。
S5，根据所述人工干预工况识别决策树模型的识别结果判断综采设备的当前工况是否需要进行人工干预行为。
人工干预工况识别决策树模型的识别结果包括需要人工干预行为和不需要人工干预行为。
S6，如果确定综采设备的当前工况需要进行人工干预行为，则根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐。
预设操作策略推荐模型包括了人工干预行为的具体类型及每种类型该如何操作。
其中，所述S4在将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型之前，需要先训练人工干预工况识别决策树模型。本发明实施例训练人工干预工况识别决策树模型的方式包括如下步骤：
S41，获取智采工作面历史生产状态的综采设备历史数据。
该步骤通过收集综采面设备群的控制器及安装的传感器各生产状态采集的综采设备数据来实现。
S42，对所述综采设备历史数据进行预处理，得到综采设备的历史运行数据。
具体地，所述S42在对所述综采设备历史数据进行预处理时，包括：
S421，对所述综采设备历史数据进行异常值处理和缺失值处理。
由于智采工作面复杂的生产环境，各种传感器经常发生损坏，这导致采集到的数据出现错误，常见的有以下两种：数据缺失和数据异常。数据缺失是指在数据传输通路中发生断路，常见于传感器端损坏与传感器信号线损坏；数据异常是指传感器传输过来一个错误值，一般是一个离群值，常见于传感器内部元件损坏。针对数据缺失问题，为了保证数据的完整性，采取时域相邻值填充的办法，比如，某架液压支架在某一时刻的立柱压力值发生缺失，用该架前一时刻的压力值进行填补；针对数据异常的情况，用该时刻相邻5架液压支架压力的平均值代替该异常值。
S422，对异常值处理和缺失值处理后的综采设备历史数据按照液压支架的立柱压力值、推移油缸行程、动作数据和采煤机位置数据进行筛选。
S423，分别对筛选后的每一种数据进行时间排序，得到综采设备的历史运行数据。
S43，提取所述历史运行数据的特征值。
在一个实施例中，所述历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp。
对上述的三个特征值进行计算时，需要用到自动跟机前后状态的数据，又考虑到在模型应用时，无法判断工人具体的调整操作，但是可以确定自动跟机操作，所以本发明实施例在用历史运行数据进行样本制作时，需要先将人工干预工况定位，其次将该次人工干预工况前一次的自动跟机动作找到，然后根据该自动跟机前后10分钟(该参数通过模型训练过程中不断的进行准确性计算得到)的数据进行计算。还需要注意的是，数据定位是以液压支架动作进行的，但是液压支架动作是有持续时间的，所以还要定位每次液压支架动作的开始点。本发明实施例定位开始点的方法是：将液压支架动作时间点合并为一个数组，数组中的相邻元素两两互相作差，若时间差小于10s(因为一般一个液压支架动作的操作持续时间小于10s，故此处取10s)，则去掉后一个时间点，即可得到每次液压支架动作的开始时间。由此每一天的数据都可得到n个支架动作开始点，记为T(1)、T(2)、T(3)……T(n-1)、T(n)。
在上述内容的基础上，所述S43在提取所述历史运行数据的特征值时，通过如下公式(1)至公式(3)来实现：
ΔX＝MAX(x1)-MAX(x2) (1)
公式(1)中：x1为自动跟机前的推移油缸行程，x2为自动跟机后的推移油缸行程；
公式(2)中：假设T(n-1)为人工干预拉架动作对应的时间点，则T(n-2)为自动跟机拉架动作对应的时间点；xT(n-2)-10为自动跟机拉架动作开始前10s的推移油缸行程，xT(n-2)+6为自动跟机拉架动作开始后6s的推移油缸行程；
Δp＝|N-P(CMJ)| (3)
公式(3)中：N为被判断液压支架架号，P(CMJ)为采煤机位置所在液压支架的架号。
在另一个实施例中，所述历史运行数据的特征值除包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp外，还包括升柱后立柱压力值Y。升柱后立柱压力值Y通过如下公式(4)来实现：
公式(4)中，
为自动跟机拉架动作开始后20s的立柱压力值。
S44，通过所述历史运行数据的特征值训练人工干预工况识别决策树模型。
在具体训练人工干预工况识别决策树模型时，根据样本大小、特征值的种类、准确率要求和现场应用需求等，训练过程可以包括如下两种方式：
第一种方式：当历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp时，S44的训练过程如下：
由于决策树属于监督学习，所以需先对历史运行数据的特征值进行人工标注。本发明实施例采用的数据，在人工标注完成后，共得到正常工况样本663个，液压支架集群自动化后进行人工干预的样本256个，两者共同构成一个大小为4(三列特征值加一列人工标注)*919的样本集。然后，样本集通过分层抽样方法划分为训练集和测试集，其中训练集占比80％，测试集占比20％。
模型训练的目的是对决策树参数进行优化，使模型达到最佳效果。训练模型选用全部样本，本发明实施例划分训练集与测试集时，n_splits＝10，即将样本集先分为10组，再按比例进行划分样本集，可以保证样本的均匀分布，有利于提高模型的泛化能力；通过剪枝操作可以防止决策树过拟合。最后选取决策树模型的参数为：max_depth＝5，即决策树的最大深度为5层。经过试验可知，通过该方法训练得到的模型训练集准确率为92.27％，测试集准确率为93.75％，效果较好。
第二种方式：当历史运行数据的特征值除包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp和升柱后立柱压力值Y时，S44的训练过程如下：
由于决策树属于监督学习，所以先需对历史运行数据的特征值进行人工标注。本发明实施例采用的数据，在人工标注完成后，共得到正常工况样本663个，液压支架集群自动化后进行人工带压调整样本91个，液压支架集群自动化后人工降移升调整样本165个，共同构成一个大小为5(四列特征值加一列人工标注)*919的样本集。然后，样本集通过分层抽样方法划分为训练集和测试集，其中训练集占比80％，测试集占比20％。
模型训练的目的是对决策树参数进行优化，使模型达到最佳效果。训练模型选用全部样本，本发明实施例划分训练集与测试集时，n_splits＝5，即将样本集先分为5组，再按比例进行划分样本集，可以保证样本的均匀分布，有利于提高模型的泛化能力；通过剪枝操作可以防止决策树过拟合。最后选取决策树模型的参数为：max_depth＝6，min_samples_split＝30，即决策树的最大深度为6层，分割所需最小样本为30个。经过试验可知，通过该方法训练该模型的训练集准确率为85.57％，测试集准确率为84.78％，效果较好。
可选地，所述S44在通过所述历史运行数据的特征值训练人工干预工况识别决策树模型之前，还可以：对所述历史运行数据的特征值进行数据清洗，以去掉异常特征值；对数据清洗后的特征值进行标准化处理。标准化处理可以将不同比例和维度的数据缩放到相同的数据间隔和范围，从而减少比例、特征和分布差异对模型的影响。处理结果作为智采工作面液压支架行为策略推荐模型实例化的数据集。
进一步地，参考自动跟机过程，人工干预行为也是从目标值和动作时长进行考虑，本发明实施例主要对人工拉架调整量、降柱时长、升柱时长及升柱达到的立柱压力值进行策略推荐，降移升操作(降柱、移架、升柱)推荐人工拉架调整量、降柱时长、升柱时长及升柱达到的立柱压力值，带压操作推荐人工拉架调整量。也就是说，所述S6在根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐时，根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行人工拉架调整量、人工降柱时长、人工升柱时长及升柱达到的立柱目标压力值进行推荐。
具体地，对于没有安装惯导的智采工作面，采取行程累积值计算法确定人工拉架调整量；对于已安装惯导的智采工作面，利用惯导计算人工拉架调整量。
进一步地，在每天的生产班开始，将刮板直线度调整到最佳状态，将每一个工作循环完成后每架液压支架的拉架距离进行统计，然后与煤矿作业规程规定的进行比较计算，得出每架液压支架在每个工作循环完成后人工应该调整多少距离。所述行程累积值计算法的计算公式为：
X'＝m·sg-(s1+s2+…+sm) (5)
公式(5)中：X’为人工拉架调整量，m为当天已完成的工作循环数，sg为煤矿作业规程规定的拉架距离，s1，s2，…，sm为支架第m个工作循环完成的拉架距离。
目前惯导系统在智能综采工作面已经成为标配性设备，是目前监测刮板直线度最为普遍与较为准确的方法，本发明实施例利用惯导计算人工拉架调整量的计算公式为：
公式(6)中：X’为人工拉架调整量，D为相对于坐标原点产生的位移，θ为采煤机的俯仰角，ψ为采煤机的航向角。对于已安装惯导的工作面，利用惯导计算将更加精确。
本发明实施例作时长(人工降柱时长和人工升柱时长)推荐值采用对综采设备的历史数据进行样本统计分析得出，图3为人工调整降柱时长与升柱时长的频次直方图，通过直方图可以发现：1-5秒操作时长占60％以上，说明人工调整的操作时长较短，大部分调整采取点动操作，故本发明实施例推荐人工调整操作时长参数为：2-5s，即人工降柱时长和人工升柱时长为2-5s。
进一步地，本发明实施例根据每个智采工作面所使用液压支架的初撑力确定升柱达到的立柱目标压力值。
图4和图5分别为本发明两实施例的实施过程示意图。本发明实施例利用大数据挖掘技术，以顺槽集控中心所采集的生产数据为基础，运用智能化算法深入挖掘智采工作面生产过程数据中蕴含的液压支架集群自动化后的人工干预行为逻辑，找到液压支架集群自动化后人工干预工况的数据规律，基于此规律对是否需要进行人工干预行为进行智能判别，并对需进行人工干预行为的工况进行操作策略推荐，不仅可以减轻劳动工人的工作负担，而且对于智能化煤矿建设也有推动作用。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种液压支架自动化后人工调控策略推荐方法，其特征在于，包括如下步骤：
S1，采集智采工作面当前生产状态的综采设备当前数据；
S2，对所述综采设备当前数据进行预处理，得到综采设备的当前运行数据；
S3，提取所述当前运行数据的特征值；
S4，将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型；
S5，根据所述人工干预工况识别决策树模型的识别结果判断综采设备的当前工况是否需要进行人工干预行为；
S6，如果确定综采设备的当前工况需要进行人工干预行为，则根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐。
2.根据权利要求1所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述S4在将所述当前运行数据的特征值输入预先训练得到的人工干预工况识别决策树模型之前，还包括：
S41，获取智采工作面历史生产状态的综采设备历史数据；
S42，对所述综采设备历史数据进行预处理，得到综采设备的历史运行数据；
S43，提取所述历史运行数据的特征值；
S44，通过所述历史运行数据的特征值训练人工干预工况识别决策树模型。
3.根据权利要求2所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述S42在对所述综采设备历史数据进行预处理时，包括：
S421，对所述综采设备历史数据进行异常值处理和缺失值处理；
S422，对异常值处理和缺失值处理后的综采设备历史数据按照液压支架的立柱压力值、推移油缸行程、动作数据和采煤机位置数据进行筛选；
S423，分别对筛选后的每一种数据进行时间排序，得到综采设备的历史运行数据。
4.根据权利要求2或3所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp，所述S43在提取所述历史运行数据的特征值时，通过如下公式(1)至公式(3)来实现：
ΔX＝MAX(x1)-MAX(x2) (1)
公式(1)中：x1为自动跟机前的推移油缸行程，x2为自动跟机后的推移油缸行程；
公式(2)中：假设T(n-1)为人工干预拉架动作对应的时间点，则T(n-2)为自动跟机拉架动作对应的时间点；xT(n-2)-10为自动跟机拉架动作开始前10s的推移油缸行程，xT(n-2)+6为自动跟机拉架动作开始后6s的推移油缸行程；
Δp＝|N-P(CMJ)|(3)
公式(3)中：N为被判断液压支架架号，P(CMJ)为采煤机位置所在液压支架的架号。
5.根据权利要求2或3所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述历史运行数据的特征值包括自动跟机前后推移油缸行程变化量ΔX、自动跟机拉架距离X、采煤机位置与被判断液压支架号差值绝对值Δp和升柱后立柱压力值Y，所述S43在提取历史运行数据的特征值时，通过如下公式(1)至公式(4)来实现：
ΔX＝MAX(x1)-MAX(x2) (1)
公式(1)中：x1为自动跟机前的推移油缸行程，x2为自动跟机后的推移油缸行程；
公式(2)中：假设T(n-1)为人工干预拉架动作对应的时间点，则T(n-2)为自动跟机拉架动作对应的时间点；xT(n-2)-10为自动跟机拉架动作开始前10s的推移油缸行程，xT(n-2)+6为自动跟机拉架动作开始后6s的推移油缸行程；
Δp＝|N-P(CMJ)|(3)
公式(3)中：N为被判断液压支架架号，P(CMJ)为采煤机位置所在液压支架的架号；
公式(4)中，
为自动跟机拉架动作开始后20s的立柱压力值。
6.根据权利要求2所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述S44在通过所述历史运行数据的特征值训练人工干预工况识别决策树模型之前，还包括：
对所述历史运行数据的特征值进行数据清洗，以去掉异常特征值；
对数据清洗后的特征值进行标准化处理。
7.根据权利要求1所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述S6在根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行操作策略推荐时，包括：
根据预设操作策略推荐模型对液压支架集群自动化后的人工干预行为进行人工拉架调整量、人工降柱时长、人工升柱时长及升柱达到的立柱目标压力值进行推荐。
8.根据权利要求7所述的液压支架自动化后人工调控策略推荐方法，其特征在于，
对于没有安装惯导的智采工作面，采取行程累积值计算法确定人工拉架调整量；对于已安装惯导的智采工作面，利用惯导计算人工拉架调整量；
根据对综采设备历史数据的统计分析结果推荐人工降柱时长和人工升柱时长；
根据每个智采工作面所使用液压支架的初撑力确定升柱达到的立柱目标压力值。
9.根据权利要求8所述的液压支架自动化后人工调控策略推荐方法，其特征在于，所述行程累积值计算法的计算公式为：
X'＝m·sg-(s1+s2+···+sm) (5)
公式(5)中：X’为人工拉架调整量，m为当天已完成的工作循环数，sg为煤矿作业规程规定的拉架距离，s1，s2，…，sm为支架第m个工作循环完成的拉架距离。
所述利用惯导计算人工拉架调整量的计算公式为：
公式(6)中：X’为人工拉架调整量，D为相对于坐标原点产生的位移，θ为采煤机的俯仰角，ψ为采煤机的航向角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088943.5A CN115629575A (zh) | 2022-09-07 | 2022-09-07 | 液压支架自动化后人工调控策略推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088943.5A CN115629575A (zh) | 2022-09-07 | 2022-09-07 | 液压支架自动化后人工调控策略推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115629575A true CN115629575A (zh) | 2023-01-20 |
Family
ID=84902927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211088943.5A Pending CN115629575A (zh) | 2022-09-07 | 2022-09-07 | 液压支架自动化后人工调控策略推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115629575A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116291659A (zh) * | 2023-05-24 | 2023-06-23 | 太原理工大学 | 液压支架人机协同控制策略推荐方法 |
| CN117027900A (zh) * | 2023-09-28 | 2023-11-10 | 太原理工大学 | 液压支架自动与人工协同控制方法 |
-
2022
- 2022-09-07 CN CN202211088943.5A patent/CN115629575A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116291659A (zh) * | 2023-05-24 | 2023-06-23 | 太原理工大学 | 液压支架人机协同控制策略推荐方法 |
| CN116291659B (zh) * | 2023-05-24 | 2023-08-08 | 太原理工大学 | 液压支架人机协同控制策略推荐方法 |
| CN117027900A (zh) * | 2023-09-28 | 2023-11-10 | 太原理工大学 | 液压支架自动与人工协同控制方法 |
| CN117027900B (zh) * | 2023-09-28 | 2023-12-08 | 太原理工大学 | 液压支架自动与人工协同控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115629575A (zh) | 液压支架自动化后人工调控策略推荐方法 | |
| US7743005B2 (en) | Diagnosis of abnormal operation modes of a machine utilizing self organizing map | |
| CN108663995B (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN110310021B (zh) | 一种用于基坑监测预警的场地环境与监测点匹配系统 | |
| CN115638833B (zh) | 一种监控数据处理方法及系统 | |
| US11714403B2 (en) | Method for learning and detecting abnormal part of device through artificial intelligence | |
| CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控系统 | |
| CN110268350A (zh) | 劣化诊断系统追加学习方法 | |
| CN116665421A (zh) | 机械设备的预警处理方法、装置及计算机可读存储介质 | |
| CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
| Abdi Oskouei et al. | A method for data-driven evaluation of operator impact on energy efficiency of digging machines | |
| US11560789B2 (en) | Method for pre-warning deformation of casing pipe according to change feature of b-value of hydraulic fracturing induced microseismicity | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN116339267B (zh) | 基于物联网的自动化生产线控制系统 | |
| CN105160147A (zh) | 一种基于状态空间模型和模糊理论的刀具更换时间方法 | |
| CN116578807A (zh) | 一种面向多信息融合的采煤机定位置信度评价方法 | |
| CN115436051B (zh) | 液压支架压力异常识别方法 | |
| GB2604261A (en) | Real time monitoring of fracture driven interference | |
| CN109635880B (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
| CN107578185B (zh) | 一种工业建构筑物的健康检测方法及装置 | |
| CN116449725B (zh) | 一种可视化的排管智能控制方法及系统 | |
| CN116882974B (zh) | 一种基于物联网的固定资产管理系统 | |
| CN117668501B (zh) | 一种基于自动化生产的焊接数据智能管理系统及方法 | |
| CN115906938A (zh) | 一种矿井齿轮箱油液检测及分析方法、系统机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |