CN117195053A - 一种截齿磨损精准识别及采煤机低能耗高效开采方法 - Google Patents

Abstract

本发明公开了一种截齿磨损精准识别及采煤机低能耗高效开采方法，包括：采集历史操作数据；构建截齿磨损精准识别模型，基于历史操作数据对截齿磨损精准识别模型进行训练，得到训练好的截齿磨损精准识别模型；获取采煤机的实时数据，将实时数据输入训练好的截齿磨损精准识别模型得到截齿磨损程度预测；基于截齿磨损程度预测构建多目标优化模型，基于多目标优化模型确定采煤机低能耗高效开采下的最佳操作参数组合。本发明通过结合神经网络预测和多目标优化，实现了采煤机高效率和低能耗的双目标优化，提高了采煤机的生产效率和能源利用效率，具有较大的实际应用价值和经济效益。

Description

一种截齿磨损精准识别及采煤机低能耗高效开采方法

技术领域

本发明涉及采煤机技术领域，特别涉及一种截齿磨损精准识别及采煤机低能耗高效开采方法。

背景技术

CN111350502A公开了一种基于多传感器数据融合采煤机的煤岩识别自动调高滚筒方法，该专利提供了一种基于多传感器数据融合采煤机的煤岩识别自动调高滚筒方法，通过对多种传感器采集的信号数据进行特征提取和数据融合分析，自动识别待采煤层的煤岩界面，辅助采煤机摇臂的自动调高。采用自适应控制策略，可以根据实时采煤情况动态调节滚筒高度和进给速度，使采煤机在不同工况下都能达到较好的效率和能耗表现。

CN111520139B公开了一种基于煤岩识别的采煤机滚筒调节方法，该专利提供了一种基于煤岩识别的采煤机滚筒调节方法，通过实时采集煤壁图像，再提取特征向量进行煤岩类型识别；同时通过静力触探传感器实时采集煤壁的贯入阻力，根据贯入阻力识别煤、岩，实现采煤工作面超前煤岩识别，从而根据识别结果调整采煤机滚筒高度，提高采煤机的工作效率。

基于以上提及的专利可知，一定程度上这两个专利的共同优点是都使用了先进的技术，利用传感器和数据处理算法实现了采煤机滚筒的自动调节，提高了采煤机的能效和自动化水平。但针对截齿磨损的识别和采煤机高效开采的问题，传统方法主要依赖于人工观察和经验判断，存在识别不准确、效率低下等局限性。而传统的优化方法往往只关注采煤机的某一个参数或单一目标，忽视了多参数、多目标的综合优化。因此，急需一种高效的截齿磨损识别方法和多目标优化策略，以提高采煤机的开采效率和能源利用率。

发明内容

本发明旨在结合神经网络技术和多目标优化算法，提供一种截齿磨损精准识别及采煤机低能耗高效开采方法。通过利用神经网络对采煤机截齿磨损进行精确识别，并采用多目标优化策略来寻找滚筒转速、进给速度、截割深度的最优组合，实现采煤过程的低能耗高效率。这将为煤炭采矿行业带来新的技术突破，推动采煤机的智能化升级和资源的可持续利用。

本发明提供的一种截齿磨损精准识别及采煤机低能耗高效开采方法，包括：

采集历史操作数据；

构建截齿磨损精准识别模型，基于所述历史操作数据对所述截齿磨损精准识别模型进行训练，得到训练好的截齿磨损精准识别模型；

获取采煤机的实时数据，将所述实时数据输入所述训练好的截齿磨损精准识别模型得到截齿磨损程度预测；

基于所述截齿磨损程度预测构建多目标优化模型，基于所述多目标优化模型确定采煤机低能耗高效开采下的最佳操作参数组合。

可选地，所述历史操作数据包括基于传感器获得的感应信号；

其中，所述历史操作数据包括：采煤机的进给速度、滚轮转速、截齿磨损、截割深度、截割效率和截割能耗。

可选地，所述历史操作数据还包括环境因素数据；

其中，所述历史操作数据包括：环境温度、湿度和煤炭硬度。

可选地，获取所述历史操作数据的过程包括：

设置固定截割深度；

基于固定截割深度，设置所述进给速度的边界条件；

基于所述边界条件进行数据采集；

其中，所述边界条件为：1.7m/min＜v＜3.5m/min，式中，v表示采煤机的进给速度。

可选地，所述截齿磨损精准识别模型包括多层感知机神经网络；

其中，所述多层感知机神经网络包括输入层、隐藏层和输出层；

所述输入层的输入特征包括：采煤机的进给速度、滚轮转速、截齿磨损和截割深度；

所述输出层的输出特征包括：截割效率和截割能耗。

可选地，所述输入层与所述输出层的连接关系为：

p＝k₁·(v+n)-k₂·e^α·a+k₃·(v·n)+k₄·(e·a)+k₅·log(L)

式中，v表示采煤机的进给速度，n表示滚筒转速，a表示截齿磨损，L表示截割深度，e表示截割效率，p表示截割能耗，k₁表示进给速度和滚筒转速的影响常数，k₂表示截割效率的调整系数，k₃表示进给速度和滚筒转速的乘积对截割能耗的影响，k₄表示截割效率和截齿磨损的乘积对截割能耗的影响，k₅表示截割深度对截割能耗的对数影响，α表示不同因素的权重系数。

可选地，构建截齿磨损精准识别模型的过程中还包括模型验证；

所述模型验证的方式包括采用残差分析法。

可选地，构建多目标优化模型的过程包括：

定义目标函数，其中，所述目标函数包括高效率和低能耗；

确定多目标优化模型中参数的取值范围；

基于帕累托最优方法对所述目标函数和所述参数的取值范围求解，得到帕累托前沿。

可选地，基于粒子群优化算法获得多目标优化模型的最佳操作参数组合。

可选地，所述采煤机基于所述最佳操作参数组合自动控制操作参数的调整，所述截齿磨损精准识别模型基于所述调整后的参数进行截齿磨损磨损预测反馈控制。

本发明具有如下技术效果：

1.高效率采煤：通过建立神经网络训练模型，能够准确预测采煤机的截齿磨损程度，进而优化转速、进给速度和截割深度等操作参数。采煤机在高效率采煤状态下运行，提高采煤速度和产量，实现高效率的煤炭开采。

2.低能耗开采：通过多目标优化算法，综合考虑高效率和低能耗双目标，寻找在高效率和低能耗之间的最优操作参数组合。优化后的采煤机运行参数能够有效降低能耗，提高能源利用效率，达到低能耗的采煤目标。

3.实时预测和调整：采用实时数据采集和神经网络预测模型，可以快速对截齿磨损程度进行预测，实现实时反馈和调整。在采煤过程中，根据实时情况对操作参数进行调整，确保采煤机一直保持在高效率和低能耗的最优状态。

4.可靠性和稳定性：本发明采用神经网络和多目标优化相结合的方法，充分考虑了多个因素对采煤机性能的综合影响。优化后的操作参数组合稳定可靠，能够在不同采煤条件下保持高效率和低能耗的表现。

综上所述，本发明的技术效果在于通过结合神经网络预测和多目标优化，实现了采煤机高效率和低能耗的双目标优化，提高了采煤机的生产效率和能源利用效率，具有较大的实际应用价值和经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中截齿磨损精准识别及采煤机低能耗高效开采方法流程示意图；

图2为本发明实施例中截齿磨损精准识别及采煤机低能耗高效开采方法神经网络训练模型图；

图3为本发明实施例中截齿磨损精准识别及采煤机低能耗高效开采方法某一时刻截齿磨损精准识别图；

图4为本发明实施例中截齿磨损精准识别及采煤机低能耗高效开采方法多目标优化结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种截齿磨损精准识别及采煤机低能耗高效开采方法，旨在解决现有采煤机截齿磨损识别不准确、能耗高等问题，实现对截齿磨损程度的精确识别，并通过多目标优化实现低能耗和高效率采煤过程。

本发明该方法包括以下主要步骤：首先，采集采煤机运行时的实时数据，包括滚筒转速、进给速度、截割深度、截齿磨损程度等参数。其次，建立截齿磨损精准识别模型，采用神经网络进行特征提取和非线性学习，以预测截齿磨损程度。然后，根据实时数据和截齿磨损精准识别模型，推测截齿磨损程度，为采煤过程提供准确的截齿磨损信息。接着，本发明引入多目标优化算法，将高效率和低能耗作为双目标，对滚筒转速、进给速度、截割深度进行优化。通过粒子群优化算法，找到使高效率和低能耗达到最优平衡的操作参数组合，形成Pareto前沿。最后，本发明实时调整采煤机操作参数，根据预测结果和多目标优化输出，使采煤机保持在低能耗高效率的最优状态。

实施例一

一种截齿磨损精准识别及采煤机低能耗高效开采方法的基本流程如图1所示，包括以下步骤：

1.采集实时数据；

2.建立神经网络训练模型；

3.通过模型进行截齿磨损程度的推测；

4.低能耗高效开采为目标，做双约束多目标优化。

现结合图2、图3以及图4详细说明本发明所要实现截齿磨损精准识别情况及采煤机低能耗的高效开采方法。

(1)采集采煤机多特征信号实时数据，保存于数据库中，完成采集和处理。

采集采煤机的进给速度v、滚筒转速n、截齿磨损a、截割深度L、截割效率e和截割能耗p的实时数据包括：安装速度传感器、转速传感器、霍尔电压传感器、电流传感器在采煤机上，以通过数据采集模块实时采集进给速度v、滚筒转速n、截齿磨损a、截割深度L、截割效率e和截割能耗p的数据并存在数据库中。

具体实施方式为：在截割深度L不变的情况下，对进给速度设定边界条件，增加采煤机截割的稳定性，其边界条件设定值如下不等式所示：

1.7m/min＜v＜3.5m/min (1)

(2)使用MLP神经网络向前原理对数据做特征提取，通过输入数据集学习概率分布的随机生成神经网络,无监督学习法进行训练，分类，特征学习。

如图2所示，MLP神经网络结构,即多层感知机,由输入层,隐藏层和输出层组成。若将MLP网络每一层的传播以函数表示,则对于一个有w层,输入为x的MLP网络,对于第I层(I＝1，2，....L)，其输出为a(1)。完整的链路函数：

f(x)＝f^(ω)(···f⁽²⁾(f⁽¹⁾(x))···) (2)

输入层(第0层)到隐藏层(第1层)：

z(1)＝W(1)*x+b(1) (3)

输入层：由4个神经元组成，代表着4个输入特征：

z(l+1)＝W(l+1)*a(l)+b(l+1) (4)

隐藏层：由5个神经元组成，其中每个神经元接收来自输入层的4个输入和一个偏置项，隐藏层可以扩展为多层,来保证网络可以拟合非线性函数隐藏层中的神经元根据输入层的信息进行加权和求和，再通过激活函数进行非线性变换，得到隐藏层的输出，使用激活函数计算输出，输出值作为下一层的输入。

输出层：由2个神经元组成，接收来自隐藏层的5个输入和一个偏置项，使用激活函数计算输出。

z(L)＝W(L)*a(L-1)+b(L) (5)

输出层则将隐藏层的输出进行加权和求和，再通过激活函数进行非线性变换，得到截割效率和截割能耗的数值输出；通过不断训练和调整多层感知机中的权重和偏置等参数，可以逐渐提高截割效率和降低截割能耗。调整模型参数以提高预测准确性。

在新截齿到有一定磨损的过程中，MLP神经网络中每个输入(a、v、n、L)和输出(e、p)之间都连接了一个或多个神经元(Neuron)。每个神经元都有权重和偏置，通过前向传播计算和ReLU激活函数将输入信号传递到输出。最终输出层的神经元将给出关于截割效率e和截割能耗p的预测结果，通过公式联系到一起：

p＝k₁·(v+n)-k₂·e^α·a+k₃·(v·n)+k₄·(e·a)+k₅·log(L) (6)

k₁表示进给速度和滚筒转速的影响常数，它的值将影响这两个因素在截割能耗中的相对重要性，k₂表示截割效率的调整系数，α表示不同因素的权重系数。

k₃表示进给速度和滚筒转速的乘积对截割能耗的影响。这个项表示，当进给速度和滚筒转速同时较大时，截割能耗可能会有额外的增加。

k₄表示截割效率和截齿磨损的乘积对截割能耗的影响。这个项表示，截割效率较低且截齿磨损严重时，截割能耗可能会有额外的增加。

k₅表示截割深度对截割能耗的对数影响。这个项表示，截割深度的增加可能不会线性地增加截割能耗，而是以对数的形式增加。

(3)根据高效率和低能耗的情况训练好模型参数，可以将实际的操作条件(滚筒转速、进给速度、截割深度)输入到该模型中，从而推出某一时刻的截齿磨损程度。

如图3所示，将某一时刻的实际操作条件(滚筒转速、进给速度、截割深度、截割效率和截割能耗)作为输入数据进行归一化处理，确保输入数据的取值范围和训练时的数据一致。截齿磨损a作为输出，预测在这一段时间内实时数据下的截齿磨损状态。将预处理后的数据构建成一个查表，截齿磨损作为已知数据，在其中找到最优组合，确定哪种滚筒转速、进给速度、截割深度环境下的采煤机有高的效率和低的能耗，根据建基模型离散数据推连续磨损程度特征，该推测结果提供对采煤机截齿磨损程度的精准识别。对建立的模型进行验证和调整，采用残差分析等方法，通过计算残差的标准化值来检查是否存在离群值或异常数据点。当某个数据点的标准化残差超过一定数值，则可能是离群值，需要进行检查或剔除确保模型的可靠性和稳定性。

(4)设计一个多目标优化模块来寻找最佳的操作参数组合，同时达到高效率和低能耗的目标。

如图4所示。首先，定义两个目标函数，一个用于衡量高效率，一个用于衡量低能耗。可以将高效率表示为最大化产量或采煤速度，而低能耗可以表示为最小化能耗指标。

然后，根据采煤机的技术限制和安全要求，确定滚筒转速、进给速度和截割深度的约束可行域，即这些参数的取值范围。

其次，将两个目标函数和可行域结合起来，构建一个多目标优化模型。这个模型将帮助我们找到一个参数组合，使得同时达到高效率和低能耗的最优解。

接下来，选则粒子群优化算法做多目标优化，能够在滚筒转速、进给速度、截割深度多个优化目标之间找到平衡点，可以得到一组约束在高效率和低能耗之间的最优操作参数组合的最优解，称为Pareto前沿。

最后，虑到采煤过程中可能存在变化和随机因素，可以将多目标优化模块嵌入到采煤机控制系统中，并实时根据反馈信息调整操作参数，以持续优化高效率和低能耗的目标。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，包括：

采集历史操作数据；

构建截齿磨损精准识别模型，基于所述历史操作数据对所述截齿磨损精准识别模型进行训练，得到训练好的截齿磨损精准识别模型；

获取采煤机的实时数据，将所述实时数据输入所述训练好的截齿磨损精准识别模型得到截齿磨损程度预测；

基于所述截齿磨损程度预测构建多目标优化模型，基于所述多目标优化模型确定采煤机低能耗高效开采下的最佳操作参数组合。

2.根据权利要求1所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，所述历史操作数据包括基于传感器获得的感应信号；

其中，所述历史操作数据包括：采煤机的进给速度、滚轮转速、截齿磨损、截割深度、截割效率和截割能耗。

3.根据权利要求2所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，所述历史操作数据还包括环境因素数据；

其中，所述历史操作数据包括：环境温度、湿度和煤炭硬度。

4.根据权利要求2所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，获取所述历史操作数据的过程包括：

设置固定截割深度；

基于固定截割深度，设置所述进给速度的边界条件；

基于所述边界条件进行数据采集；

其中，所述边界条件为：1.7m/min＜v＜3.5m/min，式中，v表示采煤机的进给速度。

5.根据权利要求2所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，所述截齿磨损精准识别模型包括多层感知机神经网络；

其中，所述多层感知机神经网络包括输入层、隐藏层和输出层；

所述输入层的输入特征包括：采煤机的进给速度、滚轮转速、截齿磨损和截割深度；

所述输出层的输出特征包括：截割效率和截割能耗。

6.根据权利要求5所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，所述输入层与所述输出层的连接关系为：

p＝k₁·(v+n)-k₂·e^α·^a+k₃·(v·n)+k₄·(e·a)+k₅·log(L)

式中，v表示采煤机的进给速度，n表示滚筒转速，a表示截齿磨损，L表示截割深度，e表示截割效率，p表示截割能耗，k₁表示进给速度和滚筒转速的影响常数，k₂表示截割效率的调整系数，k₃表示进给速度和滚筒转速的乘积对截割能耗的影响，k₄表示截割效率和截齿磨损的乘积对截割能耗的影响，k₅表示截割深度对截割能耗的对数影响，α表示不同因素的权重系数。

7.根据权利要求1所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，构建截齿磨损精准识别模型的过程中还包括模型验证；

所述模型验证的方式包括采用残差分析法。

8.根据权利要求1所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，构建多目标优化模型的过程包括：

定义目标函数，其中，所述目标函数包括高效率和低能耗；

确定多目标优化模型中参数的取值范围；

基于帕累托最优方法对所述目标函数和所述参数的取值范围求解，得到帕累托前沿。

9.根据权利要求8所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，基于粒子群优化算法获得多目标优化模型的最佳操作参数组合。

10.根据权利要求1所述的截齿磨损精准识别及采煤机低能耗高效开采方法，其特征在于，所述采煤机基于所述最佳操作参数组合自动控制操作参数的调整，所述截齿磨损精准识别模型基于所述调整后的参数进行截齿磨损磨损预测反馈控制。