CN117662147A - 一种采煤机的22象限自动截割方法 - Google Patents

Abstract

本发明公开了一种采煤机的22象限自动截割方法，该方法包括以下步骤：一、根据煤矿地理信息系统中回采工作面的煤层地质数据建立回采工作面三维透明地质模型；二、将步骤一中的回采工作面三维透明地质模型沿推进方向切割划分，生成每一刀规划的煤层顶底板曲线；三、设定采煤机每一刀截割工艺为22个象限，并配置采煤机每一刀的22个象限工艺指令表；四、采煤机采用22象限自动截割工艺进行截割煤层作业。本发明方法步骤简单，基于采煤机传感器实时监测数据经过LSTM神经网络模型输出的预测象限值和行程编码器综合判断采煤机进行下一象限截割煤层，能够提高综采工作面采煤机自动截割工艺的稳定性和可靠性，实现采煤机智能化和自动化截割。

Description

一种采煤机的22象限自动截割方法

技术领域

本发明属于采煤机安全采煤技术领域，尤其是涉及一种采煤机的22象限自动截割方法。

背景技术

采煤机作为综采工作面的关键机电装备之一，其智能化水平直接影响着整个综采工作面的安全生产和开采效率。目前大部分还是依靠人为手动操作进行采煤机截割滚筒高度的控制。这种人工调高方式由于井下地质条件复杂，割煤过程中会附带出大量的粉尘，导致能见度较低，加上采煤机本身运行时噪声很大等因素，就造成操作人员很难及时准确的判断采煤机的截割状态从而对截割滚筒高度进行调节；在高瓦斯浓度的生产环境下，截割岩石可能产生的火花会带来严重的安全隐患。因此有必要对采煤机的自动化控制进行研究，从而为煤矿的安全、高效生产提供技术保障。

采煤机记忆截割是实现自动化开采的一个关键要素，采煤机记忆截割系统能够提升采煤机的自动化水平、增强其操控性能、有效提高采煤生产效率。采煤机记忆截割中将综放工作面分成为22个象限区域，通过电牵引采煤机在工作面的22个象限区域内进行循环截割煤壁。但是其记忆截割的前提是能够准确获取当前采煤机所属的象限区域，而目前获取采煤机象限信息主要依赖于采煤机编码器。由于工作面环境恶劣，依赖于编码器的判断可靠性不高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种采煤机的22象限自动截割方法，其方法步骤简单，设计合理，基于采煤机传感器实时监测数据经过LSTM神经网络模型输出的预测象限值和行程编码器综合判断采煤机进行下一象限截割煤层，避免仅依赖编码器的判断可靠性不高，能够提高综采工作面采煤机自动截割工艺的稳定性和可靠性，实现采煤机智能化和自动化截割。

为解决上述技术问题，本发明采用的技术方案是：一种采煤机的22象限自动截割方法，其特征在于，该方法包括以下步骤：

步骤一、根据煤矿地理信息系统中回采工作面的煤层地质数据建立回采工作面三维透明地质模型；

步骤二、将步骤一中的回采工作面三维透明地质模型沿推进方向切割划分，生成每一刀规划的煤层顶底板曲线；

步骤三、设定采煤机每一刀截割工艺为22个象限，并根据每一刀规划的煤层顶底板曲线，配置采煤机每一刀的22个象限工艺指令表；

步骤四、采煤机采用22象限自动截割工艺进行截割煤层作业：

步骤401、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j象限截割煤层；其中，m和j为正整数，且1≤m，1≤j≤22；

步骤402、采煤机在第m刀第j象限截割煤层的过程中，通过采煤机监测系统获取采煤机传感器实时监测数据；

步骤403、将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值；

步骤404、将预测象限值和当前象限值j进行比较，如果预测象限值和当前象限值j相同，则重复步骤402，持续进行第m刀第j象限截割煤层，如果预测象限值和当前象限值j不相同，则执行步骤405；

步骤405、通过采煤机监测系统获取此时行程编码器测量到的液压支架架号和采煤机所处液压支架的架号，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，则执行步骤406；

步骤406、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j+1象限截割煤层；

步骤407、多次重复步骤402至步骤406，采煤机进行第m刀第22象限截割煤层时，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，完成第m刀的截割，则采煤机进行第m+1刀截割，直至完成截割煤层作业。

上述的一种采煤机的22象限自动截割方法，其特征在于：步骤403中训练好的LSTM神经网络模型，具体获取过程如下：

步骤A、在22象限截割过程中，获取采煤机各个测量时刻的I组历史监测原始数据，并对I组历史监测原始数据进行清洗，获取采煤机的I组历史监测数据，并获取采煤机的I组历史监测数据和其对应的象限值；

步骤B、采用计算机将第i组历史监测数据记作X^(i,0)，且X^i,0＝[x^i,0(1),…,x^i,0(k),…,x^i,0(K)]；x^i.0(k)表示第i组历史监测数据中第k个元素值，且x^(i,0)(k)＞0；其中，k和K均为正整数，且1≤k≤K；i和I均为正整数，且1≤i≤I；且象限值为1～22；

步骤C、采用计算机根据得到第i组历史监测数据中第k个元素归一化值xⁱ(k)；其中，x^(i,0)(max)表示第i组历史监测数据中最大值，x^(i,0)(min)表示第i组历史监测数据中最小值；

步骤D、多次重复步骤B，得到第i组历史监测数据中第K个元素归一化值xⁱ(K)，则得到第i组历史归一化监测数据Xⁱ，且Xⁱ＝[xⁱ(1),…,xⁱ(k),…,xⁱ(K)]；其中，xⁱ(1)表示第i组历史监测数据中第1个元素归一化值；

步骤E、构建LSTM神经网络模型；

步骤F、将任一组历史归一化监测数据作为输入，将该组历史归一化监测数据对应的象限值作为输出，输入I组历史监测数据对应的归一化监测数据和象限值，对构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型。

上述的一种采煤机的22象限自动截割方法，其特征在于：步骤403中将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值，具体过程如下：

步骤A01、将采煤机传感器实时监测数据按照测量时刻先后顺序存储，并记作实时监测原始数据；

步骤A02、对存储的实时监测原始数据进行清洗和归一化，得到实时监测归一化数据；

步骤A03、将实时监测归一化数据，输入训练好的LSTM神经网络模型，输出预测象限值。

本发明与现有技术相比具有以下优点：

1、本发明解决目前获取采煤机象限信息主要依赖于采煤机编码器。由于工作面环境恶劣，依赖于编码器的判断可靠性不高的问题。

2、本发明采煤机采用22象限进行截割煤层作业时，通过采煤机监测系统获取采煤机传感器实时监测数据，并将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值，便于后续基于采煤机传感器实时监测数据经过LSTM神经网络模型输出的预测象限值和行程编码器综合判断采煤机进行下一象限截割煤层。

3、本发明将预测象限值和当前象限值进行比较，如果预测象限值和当前象限值相同，则持续进行当前象限截割煤层，直至预测象限值和当前象限值不相同，且行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，则采煤机进行下一个象限截割煤层。

综上所述，本发明方法步骤简单，设计合理，基于采煤机传感器实时监测数据经过LSTM神经网络模型输出的预测象限值和行程编码器综合判断采煤机进行下一象限截割煤层，避免仅依赖编码器的判断可靠性不高，能够提高综采工作面采煤机自动截割工艺的稳定性和可靠性，实现采煤机智能化和自动化截割。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

具体实施方式

如图1所示的一种采煤机的22象限自动截割方法，该方法包括以下步骤：

步骤一、根据煤矿地理信息系统中回采工作面的煤层地质数据建立回采工作面三维透明地质模型；

步骤二、将步骤一中的回采工作面三维透明地质模型沿推进方向切割划分，生成每一刀规划的煤层顶底板曲线；

步骤三、设定采煤机每一刀截割工艺为22个象限，并根据每一刀规划的煤层顶底板曲线，配置采煤机每一刀的22个象限工艺指令表；

步骤四、采煤机采用22象限自动截割工艺进行截割煤层作业：

步骤401、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j象限截割煤层；其中，m和j为正整数，且1≤m，1≤j≤22；

步骤402、采煤机在第m刀第j象限截割煤层的过程中，通过采煤机监测系统获取采煤机传感器实时监测数据；

步骤403、将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值；

步骤404、将预测象限值和当前象限值j进行比较，如果预测象限值和当前象限值j相同，则重复步骤402，持续进行第m刀第j象限截割煤层，如果预测象限值和当前象限值j不相同，则执行步骤405；

步骤405、通过采煤机监测系统获取此时行程编码器测量到的液压支架架号和采煤机所处液压支架的架号，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，则执行步骤406；

步骤406、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j+1象限截割煤层；

步骤407、多次重复步骤402至步骤406，采煤机进行第m刀第22象限截割煤层时，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，完成第m刀的截割，则采煤机进行第m+1刀截割，直至完成截割煤层作业。

本实施例中，步骤403中训练好的LSTM神经网络模型，具体获取过程如下：

步骤A、在22象限截割过程中，获取采煤机各个测量时刻的I组历史监测原始数据，并对I组历史监测原始数据进行清洗，获取采煤机的I组历史监测数据，并获取采煤机的I组历史监测数据和其对应的象限值；

步骤B、采用计算机将第i组历史监测数据记作X^(i,0)，且X^i,0＝[x^i,0(1),…,x^i,0(k),…,x^i,0(K)]；x^i.0(k)表示第i组历史监测数据中第k个元素值，且x^(i,0)(k)＞0；其中，k和K均为正整数，且1≤k≤K；i和I均为正整数，且1≤i≤I；且象限值为1～22；

步骤C、采用计算机根据得到第i组历史监测数据中第k个元素归一化值xⁱ(k)；其中，x^(i,0)(max)表示第i组历史监测数据中最大值，x^(i,0)(min)表示第i组历史监测数据中最小值；

步骤D、多次重复步骤B，得到第i组历史监测数据中第K个元素归一化值xⁱ(K)，则得到第i组历史归一化监测数据Xⁱ，且Xⁱ＝[xⁱ(1),…,xⁱ(k),…,xⁱ(K)]；其中，xⁱ(1)表示第i组历史监测数据中第1个元素归一化值；

步骤E、构建LSTM神经网络模型；

步骤F、将任一组历史归一化监测数据作为输入，将该组历史归一化监测数据对应的象限值作为输出，输入I组历史监测数据对应的归一化监测数据和象限值，对构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型。

本实施例中，步骤403中将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值，具体过程如下：

步骤A01、将采煤机传感器实时监测数据按照测量时刻先后顺序存储，并记作实时监测原始数据；

步骤A02、对存储的实时监测原始数据进行清洗和归一化，得到实时监测归一化数据；

步骤A03、将实时监测归一化数据，输入训练好的LSTM神经网络模型，输出预测象限值。

本实施例中，步骤E中LSTM网络模型包括输入层、5个LSTM层、全连接层、softmax分类层和输出层，输入层中神经元数量为5，全连接层中神经元数量为22，softmax分类层中神经元数量为22，输出层为一个神经元。

本实施例中，K＝5；

本实施例中，第1个元素为牵引电流、第2个元素为截割电流、第3个元素为采煤机行驶速度、第4个元素为左滚筒高度，第5个元素为右滚筒高度。

本实施例中，对I组历史监测原始数据进行清洗的过程相同，则对每一组历史监测原始数据进行清洗，具体过程如：

对每一组监测数据进行逐个判断，当出现异常值时，对其进行删除处理，则采用前面监测数据的平均值进行覆盖；

当出现缺省值时，说明出现丢帧，对于丢帧的监测数据，则采用上一帧采集的监测数据进行覆盖。

本实施例中，步骤A02中对存储的实时监测原始数据进行清洗和归一化可参考步骤A至步骤D的方法。

本实施例中，22个象限工艺指令表可参考中国发明专利2021年12月17日公开的公开号为CN113803069A的“智能化综放工作面采煤机无示教记忆截割系统及方法”中每个象限都的数据组。

综上所述，本发明方法步骤简单，设计合理，基于采煤机传感器实时监测数据经过LSTM神经网络模型输出的预测象限值和行程编码器综合判断采煤机进行下一象限截割煤层，避免仅依赖编码器的判断可靠性不高，能够提高综采工作面采煤机自动截割工艺的稳定性和可靠性，实现采煤机智能化和自动化截割。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (3)

1.一种采煤机的22象限自动截割方法，其特征在于，该方法包括以下步骤：

步骤一、根据煤矿地理信息系统中回采工作面的煤层地质数据建立回采工作面三维透明地质模型；

步骤二、将步骤一中的回采工作面三维透明地质模型沿推进方向切割划分，生成每一刀规划的煤层顶底板曲线；

步骤三、设定采煤机每一刀截割工艺为22个象限，并根据每一刀规划的煤层顶底板曲线，配置采煤机每一刀的22个象限工艺指令表；

步骤四、采煤机采用22象限自动截割工艺进行截割煤层作业：

步骤401、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j象限截割煤层；其中，m和j为正整数，且1≤m，1≤j≤22；

步骤402、采煤机在第m刀第j象限截割煤层的过程中，通过采煤机监测系统获取采煤机传感器实时监测数据；

步骤403、将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值；

步骤404、将预测象限值和当前象限值j进行比较，如果预测象限值和当前象限值j相同，则重复步骤402，持续进行第m刀第j象限截割煤层，如果预测象限值和当前象限值j不相同，则执行步骤405；

步骤405、通过采煤机监测系统获取此时行程编码器测量到的液压支架架号和采煤机所处液压支架的架号，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，则执行步骤406；

步骤406、采煤机读取第m刀的22个象限工艺指令表，采煤机进行第m刀第j+1象限截割煤层；

步骤407、多次重复步骤402至步骤406，采煤机进行第m刀第22象限截割煤层时，如果行程编码器测量到的液压支架架号、采煤机所处液压支架的架号均满足当前象限值的规划位置，完成第m刀的截割，则采煤机进行第m+1刀截割，直至完成截割煤层作业。

2.按照权利要求1所述的一种采煤机的22象限自动截割方法，其特征在于：步骤403中训练好的LSTM神经网络模型，具体获取过程如下：

步骤A、在22象限截割过程中，获取采煤机各个测量时刻的I组历史监测原始数据，并对I组历史监测原始数据进行清洗，获取采煤机的I组历史监测数据，并获取采煤机的I组历史监测数据和其对应的象限值；

步骤B、采用计算机将第i组历史监测数据记作X^(i,0)，且X^i,0＝[x^i,0(1),…,x^i,0(k),…,x^i,0(K)]；x^i.0(k)表示第i组历史监测数据中第k个元素值，且x^(i,0)(k)＞0；其中，k和K均为正整数，且1≤k≤K；i和I均为正整数，且1≤i≤I；且象限值为1～22；

步骤C、采用计算机根据得到第i组历史监测数据中第k个元素归一化值xⁱ(k)；其中，x^(i,0)(max)表示第i组历史监测数据中最大值，x^(i,0)(min)表示第i组历史监测数据中最小值；

步骤D、多次重复步骤B，得到第i组历史监测数据中第K个元素归一化值xⁱ(K)，则得到第i组历史归一化监测数据Xⁱ，且Xⁱ＝[xⁱ(1),…,xⁱ(k),…,xⁱ(K)]；其中，xⁱ(1)表示第i组历史监测数据中第1个元素归一化值；

步骤E、构建LSTM神经网络模型；

步骤F、将任一组历史归一化监测数据作为输入，将该组历史归一化监测数据对应的象限值作为输出，输入I组历史监测数据对应的归一化监测数据和象限值，对构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型。

3.按照权利要求1所述的一种采煤机的22象限自动截割方法，其特征在于：步骤403中将采煤机传感器实时监测数据输入训练好的LSTM神经网络模型，输出预测象限值，具体过程如下：

步骤A01、将采煤机传感器实时监测数据按照测量时刻先后顺序存储，并记作实时监测原始数据；

步骤A02、对存储的实时监测原始数据进行清洗和归一化，得到实时监测归一化数据；

步骤A03、将实时监测归一化数据，输入训练好的LSTM神经网络模型，输出预测象限值。