0.   引言

随着传感器技术和电子信息技术的快速发展，煤矿生产已经走向智能化和信息化^[1]。安装于智采工作面设备上的传感器采集到的海量生产数据为智采工作面矿压显现规律分析和顶板支护质量评价提供了数据基础。通过对智采工作面电液控制系统采集的支架动作和状态数据进行分析，可感知支架与顶板之间的接触关系，为生产过程的安全性提供保障^[2-3]。支架支护效果是支架姿态、顶板完整性、顶板结构、回采工艺等共同作用的结果，也是衡量顶板与支架耦合效果的关键因素^[4-6]。支架与顶板状态的智能感知，是实现支架参数自适应调整、工作面支架围岩耦合自适应控制、工作面设备群协同控制等工作面智能化关键技术的重要基础^[7]。

许多学者从不同角度对液压支架支护质量进行了研究探讨。Qiao Hongbing等^[8]、侯刚^[9]和赵吉玉^[10]通过对支架支护质量的传统特征值（初撑力、末阻力、俯仰角度、来压强度、来压步距、动载系数等）进行实时计算与显示，对工作面开采全程进行矿压监测与预警。S. S. Peng等^[11]、Liu Chuang等^[12]研究了不同开采高度对支架和围岩耦合关系的影响及不同顶板岩性和厚度对支架支护压力的影响。庞义辉^[13]从液压支架空间姿态出发，通过对液压支架自身角度和顶底板角度进行分析，确定了液压支架与顶底板的相对姿态，给出了液压支架支护状态特征参量，提出了基于顶板断裂失稳、液压支架承载特征参量等综合信息的液压支架支护状态感知技术架构。王国法等^[14-15]根据受力和承压情况建立了支架−围岩系统强度耦合模型，指出合理的支架初撑力、工作阻力可提高直接顶板−支架−底板的整体刚度，降低顶板下沉量，进而提高液压支架支护质量；同时提出了液压支架三维动态优化设计理论和方法，加入三维设计平台动态模拟液压支架与围岩耦合作用的力学特征，通过支架姿态分析与支架受力情况分析相结合的方法对支架支护质量进行评价。程敬义等^[16-17]研究了安全阀开启、割煤及邻架移架、地质等多种因素影响下的单台支架承载特征及支架群组载荷转移分布规律，从安全阀工作状态、支架立柱漏液情况、支架承载异常情况等方面进行了支架支护质量评价。

目前液压支架支护质量评价大多关注支架静态特征（单架支架俯仰角度、初撑力、工作阻力及支架群压力分布情况等），对支架立柱压力动态变化研究较少，而液压支架支护过程是一个时间、空间上的动态变化过程，采用人工智能方法挖掘处理液压支架群海量立柱压力数据是重要的技术发展趋势。为此，本文采用深度学习方法，构建了一种基于改进型LeNet−5网络的液压支架时空区域支护质量动态评价模型。通过分析时空维度支护压力数据，根据液压支架支护工艺要求，将时空区域支护质量分为彼此不交叉的7类。对液压支架立柱压力数据进行预处理和重新排列，建立总时空压力矩阵。在总时空压力矩阵上使用滑动窗口按照一定间隔截取给定大小的时空压力子矩阵，确定每个时空压力子矩阵所属的时空区域支护质量类型后，将子矩阵和类别标签一起输入卷积神经网络训练模型。将实时压力数据传输到时空区域支护质量评价模型，并对其进行计算，可得到每个时空区域液压支架支护质量的评价结果。

1.   液压支架支护压力数据时空维度分析

1.1   数据准备与预处理

利用智采工作面液压支架电液控制系统采集液压支架动作和状态数据及其他生产数据，并传给工作面集控中心，通过工业环网传输至地面，接入企业数据库，对生产过程中的重要信息进行记录。

由于智采工作面生产环境复杂，各种传感器易发生损坏，导致采集到的数据出现错误。数据错误主要包括数据丢失和数据异常。数据丢失是指在数据传输过程中发生断路，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了一个错误值，一般是一个离群值，常见于传感器内部元件损坏。针对数据丢失问题，采取时域相邻值填充方法进行处理，如某架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。针对数据异常情况，采用该时刻相邻5架支架压力的平均值代替该异常值。

1.2   液压支架一维压力分析

1.2.1   时间维度压力分析

最常见的支架压力曲线为单架时间−压力曲线，它能反映支架压力随时间推移的变化情况。以60号支架为例，其在某日的压力变化曲线如图1所示，其中生产班的曲线可以划分为若干架支架工作循环。

图  1  60号支架时间维度压力曲线

Figure  1.  Curve of time dimension pressure of No.60 support

下载: 全尺寸图片 幻灯片

智采工作面采煤机按照规定进尺从机头（尾）到机尾（头）割一刀煤，完成落煤、装煤、运煤、支护和采空区处理等采煤工艺规定的全部工作，称为采煤作业循环，或者称为割煤循环。完成一个采煤作业循环后，智采工作面向前推进一个循环进尺。支架工作循环是指液压支架从升架、初撑，经历承载受力阶段，再到卸载、降架、移架的完整过程，单架支架工作循环对应的压力变化曲线如图2所示，其为图1中一个典型支架工作循环的详细显示。每个支架工作循环可以提取出代表该工作循环支护情况的特征量，常用的特征量有初撑力、循环末阻力、时间加权阻力、工作阻力变化速率等^[12]。初撑力是指在泵站工作压力作用下，支架立柱升起，顶梁与顶板紧接时，支架对顶板的支撑力，它是智采工作面顶板管理控制中的一个重要参数。合理的初撑力可以确保支架处于合理的工作状态，发挥其最大的控顶效能，避免顶板离层破碎严重，进而导致顶板事故。在支架静态支撑过程中，立柱压力会随顶板下沉而增加，在支架降柱之前到达最大值，该时刻的支撑力叫做循环末阻力。

图  2  单架支架工作循环压力曲线

Figure  2.  Pressure curve in single support working cycle

下载: 全尺寸图片 幻灯片

1.2.2   空间维度压力分析

支撑力是评价智采工作面支护质量的重要指标，反映在数据层面就是液压支架立柱压力。如果支撑力太小，就不能很好地发挥液压支架的支撑作用，从而导致顶板离层，增大支护难度与事故发生概率；支撑力太大，则容易造成安全阀损坏及压架，对安全高效生产有一定影响。

从空间维度分析支架支护质量，主要是看某一时刻小范围内支架压力分布情况，大致可以分为支撑力整体偏高/偏低、一侧偏高/偏低、高低相间、整体良好。

对于支撑力整体偏高/偏低的情况，大多是矿压显现出现大范围载荷分布不均匀的情况，需要持续观测；对于支撑力一侧偏高/偏低的情况，可能是支架处在矿压显现影响范围的边缘，或者小区域内操作不规范造成支撑力不足，严重时会导致支架倾倒；对于支撑力高低相间的情况，一般是因为支撑力给定不足，某一架或几架支架没有起到很好的支撑作用，导致相邻支架承受更大的顶板压力，由于顶板受力不均匀，更容易加速破碎，增加支护难度。

某一时刻智采工作面整体支撑力分布情况如图3所示，区域1为支撑力一侧偏高，区域2为支撑力整体良好，区域3支撑力整体偏高，区域4为支撑力高低相间。

图  3  工作面整体支撑力分布

Figure  3.  Overall support force distribution of working face

下载: 全尺寸图片 幻灯片

1.3   时空维度压力分析

为了避免支架降柱−移架−升柱所导致的工作阻力短时间波动对支护质量分析造成太大干扰，每架支架选取每5 min的工作阻力的时间加权阻力作为该架这一时间点的工作阻力，将所有的时间加权阻力排列为一个整体阻力矩阵。采用山西吕梁某矿3404智采工作面2021−11−26—12−12的支架立柱压力数据绘制热力图，如图4所示。

图  4  智采工作面液压支架整体支护压力时空热力图

Figure  4.  Space-time thermal diagram of overall support pressure of hydraulic support in intelligent working face

下载: 全尺寸图片 幻灯片

如果将整个智采工作面区域的支护质量作为一个整体进行评价，关注的是智采工作面整体特征，容易丢掉很多细节信息，所以选择对每个时空小区域分别进行评价。结合现场技术人员的经验、现场工况观测、液压支架支护工艺要求等，将支护效果的时空演变情况分为彼此不交叉的7类：支护质量初步恶化、支护质量持续恶化、支护质量深度恶化、支护质量保持一般、支护质量初步优化、支护质量持续优化、支护质量保持良好。

建立一个m×n的窗口，其中m为窗口的高度，表示提取的子矩阵数据包括的支架数，n为窗口的宽度，表示提取的子矩阵数据包括的时间点个数。m和n可根据想要评价的区域大小选择，选值太大会造成评价区域太大而出现类别叠加，导致评价不全面，选值太小会造成信息丢失，导致评价不准确。将窗口在整体阻力矩阵上滑动来提取阻力子矩阵，得到每个时空小区域，并将时空小区域与7类时空区域支护质量一一对应。

图4中标注的7个区域分别对应7种时空区域支护质量的典型工况。区域1为典型的支护质量初步恶化，工作阻力小幅度上升，逐渐靠近安全阀上限，并且有持续上升的趋势。区域2为典型的支护质量持续恶化，由支撑力较为合理转为支撑力不足，有局部恶化的趋势，整体支护效果一般，此种情况较多出现在支架跟机移架后支撑力不足时。区域3为典型的支护质量深度恶化，出现了大范围高压区，持续高压会增大顶板事故发生的概率，且高低压交错分布加重了顶板破碎。区域4为典型的支护质量保持一般，存在小范围的工作阻力较大和较小的情况，但是分布不太集中，对顶板完整性影响较小，随着时间推移变化较小。区域5为典型的支护质量初步优化，局部支撑力不足的情况得到改善，但是仍存在大范围的高压区域。区域6为典型的支护质量持续优化，存在局部支撑力较高的情况，但是整体支护效果一般。区域7为典型的支护质量保持良好，虽然有个别支架出现了工作阻力高的情况，但是与邻架阻力差值较小，整体支撑效果良好，能很好地维持顶板的完整性与稳定性。

2.   智采工作面液压支架时空区域支护质量评价建模

由于液压支架时空区域支护质量样本是二维压力数据，在时间和空间上都存在连续关系，借鉴图像像素矩阵的深度学习处理方法，采用改进的卷积神经网络构建液压支架时空区域支护质量评价模型，如图5所示。具体步骤如下：

图  5  液压支架时空区域支护质量动态评价建模流程

Figure  5.  Dynamic evaluation modeling process of support quality of hydraulic support in space-time region

下载: 全尺寸图片 幻灯片

（1） 液压支架立柱压力数据是反映智采工作面液压支架时空区域支护质量的重要指标。通过对储存在企业数据库的液压支架立柱压力数据进行预处理（缺失值填充、异常值处理、筛选、排序等）得到较为完整的液压支架压力数据。

（2） 将预处理后的液压支架立柱压力数据按照时间和空间排列，并提取反映智采工作面液压支架支护情况的初撑力、循环末阻力、时间加权阻力、阻力空间分布情况等重要特征量。将压力时间序列和空间序列组合为时间−空间二维的总时空压力矩阵。

（3） 在总时空压力矩阵上使用滑动窗口按照一定间隔截取给定大小的子矩阵，将子矩阵与7类时空区域支护质量一一对应，形成样本和标签。

（4） 将样本和标签输入改进的卷积神经网络进行训练，得到智采工作面液压支架时空区域支护质量评价模型。利用该模型可得到时空区域的支护质量类型，以实时评价该区域支护情况，为现场操作人员有针对性地调整液压支架支护状态提供依据，从而提高工作效率，降低安全隐患。

3.   改进的卷积神经网络构建

3.1   LeNet−5网络结构

LeNet−5网络是一种深度学习网络，近年来在井下目标检测^[18]和底板突水预测^[19]等方面取得了较好的应用效果。由于时空压力子矩阵比较小，不适用层数比较深的网络，使用LeNet−5网络较为合适。LeNet−5网络虽然结构比较简单，但是在处理较小的矩阵时有计算速度快的优势，同时它的准确率能够满足现场生产需求。LeNet−5网络包含5层网络结构，分别为2个卷积层、2个池化层（池化层一般不算入层数）和3个全连接层，如图6所示。

图  6  LeNet−5网络结构

Figure  6.  LeNet-5 network structure

下载: 全尺寸图片 幻灯片

卷积层主要由卷积核组成，常见的卷积核大小有1×1，3×3，7×7。卷积核在输入矩阵上以给定步长滑动，遍历整个输入矩阵，同时进行卷积计算以提取特征。卷积的结果经过激活函数Sigmoid处理，以增强网络的非线性能力，卷积计算公式为

式中：$ {{\boldsymbol{X}}}_{k}^{\left(i\right)} $为第k层第i个卷积核的输出特征映射；$ {{\boldsymbol{W}}}_{k}^{\left(c,i\right)} $为第k层第i个卷积核第c（c=1，2，…，C，C为第k层卷积操作的总次数）次卷积操作的权重矩阵；$ \mathrm{*} $为卷积算子；$ {{\boldsymbol{X}}}_{k-1}^{\left(c\right)} $为第$k-1 $层第c次卷积操作的局部输入特征；$ {{\boldsymbol{b}}}_{k}^{\left(i\right)} $为第k层第i个卷积核的偏置。

在一定范围内，卷积次数越多，从输入矩阵上提取到的特征程度越深。

池化层主要由池化核构成，常见的池化核大小有2×2，3×3，作用是对数据进行降维处理，只保留重要信息。池化主要分为最大池化和平均池化，应用最广的是最大池化，计算公式为

式中：$ {{\boldsymbol{P}}}_{k}^{j} $为第k层第j个池化值；$ {{\boldsymbol{q}}}_{k}^{j} $为第k层第j次池化操作的局部输入特征。

全连接层的作用是构建卷积池化结果与标记空间之间的映射关系，同样需要经过激活函数来增强网络的非线性能力。

3.2   LeNet−5网络改进

为适应时空区域立柱压力矩阵样本的特点，且提高卷积神经网络训练模型的小样本分类准确率，对LeNet−5网络进行改进，以增强分类效果，具体改进如下：

（1） 用ReLU函数代替Sigmoid函数作为激活函数。Sigmoid函数只有自变量在0附近的一定范围内能发挥较好的作用，在较远处梯度很小，使得网络参数学习速度很慢。而使用ReLU函数，在正半轴学习速率一直很大，在负半轴梯度为0，神经元不被激活，既可以增大网络的稀疏性，又可以加快网络计算速度。

（2） 使用Adam优化器。传统的随机梯度下降算法在学习过程中总是以给定的学习率更新参数，不能根据实时情况调整步距，从而导致网络学习速率慢、容易陷入局部最优解及出现振荡效果。而Adam优化器既能基于训练数据迭代更新学习率，又能缓解梯度振荡问题，加快收敛速度，同时能跳出局部最优解。梯度更新规则如下：

式中：u_t为一阶指数移动加权平均，t为时间步；$ {\;\beta }_{1} $为第1次估计的指数衰减率，常取0.9；$ {g_t} $为梯度；$ {v_t} $为二阶指数移动加权平均；$ {\;\beta }_{2} $为第2次估计的指数衰减率，常取0.999；$ {\theta _t} $为初始参数；$ \alpha $为学习率；$ \epsilon $为常数，用于增加数值计算的稳定性，默认取值为1×10⁻⁸。

（3） 使用Earlystopping和Dropout来防止过拟合。当网络的训练样本数量不足以使每个参数都达到稳定时，经常会出现过拟合的情况。随着迭代次数增多，训练集的分类准确率可以持续上升，但是测试集的分类准确率已经停止上升甚至发生下降，使得模型泛化能力变差。加入Earlystopping，可以在验证集上的损失值不再减小（即减小的程度小于某个阈值）时停止继续训练。Dropout是指在神经网络参数每次更新过程中，对于神经单元按照给定的概率将其暂时从网络中丢弃，用剩余神经单元训练网络参数，以弱化所有神经单元之间的协同作用。

4.   模型验证

试验选取的滑动窗口大小为24×24，即每个样本为24架液压支架范围内2 h的立柱压力数据，按照智采工作面液压支架时空区域支护质量评价模型建立步骤，将液压支架立柱压力数据作为输入数据，经过预处理、重新排列，提取时空压力子矩阵，并根据采矿工艺要求将时空压力子矩阵和7类支护效果的时空演变情况相匹配，得到2 000个带标签的样本，各类别样本个数如图7所示。对样本集进行7∶1∶2划分，得到训练集、验证集和测试集。

图  7  样本集中各支护效果类别样本个数

Figure  7.  Sample number of support effect categories in the sample set

下载: 全尺寸图片 幻灯片

将LeNet−5网络原有的2个卷积层加池化层组合增加为3个，更改卷积核的大小为3×3，卷积填充为Same Padding方式，使卷积前后数据大小不发生改变。将输出层神经元由10个改为7个，与7种时空区域支护质量相对应。改进型LeNet−5网络结构如图8所示。

图  8  改进型LeNet−5网络结构

Figure  8.  Improved LeNet-5 network structure

下载: 全尺寸图片 幻灯片

将制作好的样本同时输入LeNet−5网络与改进型LeNet−5网络，用于训练液压支架时空区域支护质量评价模型，并对比它们在测试集上的分类效果。

LeNet−5网络训练效果如图9所示。可看出训练集和验证集收敛速度基本一致，说明训练效果一直在提升，在迭代次数达到58时完成收敛，停止训练，验证集损失值从1.60降至0.70；测试集分类准确率为73.25%。

图  9  LeNet−5网络训练效果

Figure  9.  LeNet-5 network training effect

下载: 全尺寸图片 幻灯片

改进型LeNet−5网络训练效果如图10所示。可看出验证集比测试集收敛速度更快，在迭代次数达到40时完成收敛，验证集损失值从1.30降至0.68；测试集分类准确率为85.25%，较基于LeNet−5网络模型提高了12%。

图  10  改进型LeNet−5网络训练效果

Figure  10.  Improved LeNet-5 network training effect

下载: 全尺寸图片 幻灯片

5.   结论

（1） 对智采工作面液压支架电液控制系统采集的支架立柱压力数据进行预处理（数据清洗、筛选、排序、组合等），得到液压支架时空维度的立柱压力数据，根据液压支架支护工艺要求，将液压支架时空区域支护效果分为彼此不交叉的7类：支护质量初步恶化、支护质量持续恶化、支护质量深度恶化、支护质量保持一般、支护质量初步优化、支护质量持续优化、支护质量保持良好。

（2） 利用现场压力数据构建时空压力子矩阵并标注相应支护质量类别标签，将其输入卷积神经网络进行训练，构建智采工作面液压支架时空区域支护质量评价模型。将智采工作面局部区域的实时时空压力矩阵输入该模型，能够得到该时空区域的实时支护质量结果，为现场工作人员有针对性地调整液压支架支护状态提供依据。

（3） 根据智采工作面液压支架支护压力数据样本特征，提出了改进型LeNet−5网络架构，通过实例对比发现，基于改进型LeNet−5网络的液压支架时空区域支护质量评价模型分类准确率为85.25%，比基于LeNet−5网络的模型提高了12%。同时，改进型LeNet−5网络在训练过程中能较快地收敛到最优解，加快了网络训练速度，验证了改进型LeNet−5网络用于智采工作面液压支架时空区域支护质量评价的优势。