Coal mine external fire detection method based on edge intelligence
-
摘要: 对煤矿外因火灾隐患进行检测，实现对初期火灾的可靠判识，对于提升煤矿火灾检测水平有重要意义，也是未来智能矿山建设的重要方向。为了提高煤矿外因火灾检测速度、精度和实时性，提出一种基于边缘智能的煤矿外因火灾感知方法。对YOLOv5s模型主干网络特征尺度进行改进，使模型能够充分学习浅层特征，改善小目标检测性能，同时在原有的特征金字塔网络（FPN）基础上添加自适应注意模块，提高模型检测精度。为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题，采用多传感器辅助检测，通过动态加权算法对视频检测信息和多传感器检测信息进行加权融合判识，构建了YOLOv5s−as模型。将YOLOv5s−as模型移植到智能边缘处理器上，并进行轻量化处理，实现边缘智能设备部署。实验结果表明：与未加入传感器信息融合推理的YOLOv5s−a模型相比，YOLOv5s−as模型推理时间略长，但交并比为0.5时的平均精度均值(mAP@0.5)提高了7.24%；与移植前的YOLOv5s模型相比，移植到智能边缘处理器上并进行轻量化处理的YOLOv5s−as模型mAP@0.5提高15.04%；SSD 300，SSD 512及YOLOv5s模型无法识别小目标火源，YOLOv5s−a，YOLOv5s−as模型能够检测出小目标火源，适应性较好；使用边缘处理方式时，YOLOv5s−as模型的响应周期为238 ms，比集中式处理方法缩短了38.66%。Abstract: The detection of external fire in coal mines and the reliable identification of initial fire are of great significance for improving the level of coal mine fire detection. It is also an important direction of intelligent mine construction in the future. In order to improve the speed, precision and real-time of coal mine external fire detection, a coal mine external fire detection method based on edge intelligence is proposed. The feature scale of the backbone network of the YOLOv5s model is improved. The model can fully learn the shallow features and improve the small target detection performance. At the same time, an adaptive attention module is added on the basis of the original feature pyramid network (FPN) to improve the detection precision of the model. There are problems of image detection error and missed detection caused by poor light conditions, more dust and camera shooting angle in the underground mine. In order to solve the above problems, the YOLOv5s-as model is constructed by using multi-sensor auxiliary detection and weighting fusion identification of video detection information and multi-sensor detection information through dynamic weighting algorithm. The YOLOv5s-as model is transplanted to the intelligent edge processor, and lightweight processing is carried out to realize the deployment of edge intelligent devices. The experimental results show that the reasoning time of the YOLOv5s-as model is slightly longer than that of the YOLOv5s-a model without sensor information fusion reasoning, but mean value of average precision when the intersection over union is 0.5 (mAP@0.5) is increased by 7.24%. Compared with the YOLOv5s model before transplantation, the mAP@0.5 of the YOLOv5s-as model transplanted to the intelligent edge processor and subjected to lightweight processing increased by 15.04%. For small target fire sources, SSD 300, SSD 512 and YOLOv5s models cannot identify them. The YOLOv5s-a and YOLOv5s-as models can detect small target fire sources with good adaptability. When using the edge processing method, the response period of YOLOv5s as model is 238 ms, which is 38.66% shorter than the centralized processing method.
-
0. 引言
随着煤炭工业的高速发展，厚及中厚煤层的易开采资源逐渐减少，极薄煤层开采比重逐渐增加[1-2]。但极薄煤层开采面临开采空间狭小、工人劳动强度大、开采效率低、智能化程度不足等问题[3]。推动极薄煤层的安全、高效、智能开采对保障我国能源安全具有重要战略意义[4]。
液压支架作为极薄煤层综采的核心支护设备，其智能化水平对实现极薄煤层智能化开采至关重要[5-6]。在破碎顶板条件下，液压支架需采用带压移架方式跟机作业。为确保支架顶梁持续对破碎顶板提供稳定支撑，立柱底腔需保持一定的残余支撑力，并且残余支撑力的精确调控直接关系到顶板的支护效果和支架的跟机效率。然而，目前基于固定时间的液压支架自动跟机控制方式难以对破碎顶板条件下的残余支撑力准确调节，常导致支架带压移架失败，仍依赖人工进行跟机移架。对于极薄煤层工作面，这不仅极大增加了工人劳动强度和作业风险，还降低了移架效率，无法满足安全、高效、智能开采需求。因此，在破碎顶板条件下，如何实现液压支架自主跟机带压移架过程中残余支撑力的精准决策与自适应调控，对于极薄煤层的智能化开采、提高开采效率及保障作业安全具有重要意义[7-8]。
针对液压支架带压移架跟机技术，已有众多学者展开了相关研究，主要包括带压移架控制策略和残余支撑力理论分析等方面。在带压移架控制策略方面，牛剑峰[9]提出了一种与破碎顶板条件耦合的液压支架跟机控制策略，即通过压力传感器监测顶板卸压状况及行程传感器判断支架拉动可能性的耦合控制策略。付翔等[10]针对综采工作面复杂场景下液压支架人机交互协作任务需求，设计了液压支架中部跟机多模态人机协同控制系统，实现了不同顶板条件下的多模态控制。朱金雨等[11]设计了一种通过压力与时间双向判断的液压支架自动化跟机系统，实现了带压移架的有序控制。韩宝珠等[12]提出了一种基于PLC的液压支架带压移动控制方案，利用PLC和传感器技术，提升了液压支架带压移架的可靠性。在残余支撑力理论分析方面，杨科等[13]推导出了在大倾角条件下带压移架的临界值，为支架失稳分析提供了理论依据。张武等[14]基于液压支架液压系统的工作原理，利用AMESim软件进行仿真分析，探讨了泵站供液流量和主进回液管径对支架带压移架速度的影响。曹连民等[15]建立了液压支架带压移架的力学模型，分析了带压移架过程中的残余支撑力范围，并设计了相应的带压移架控制回路。李志旭[16]通过对液压支架带压移架过程进行力学特性分析，确定了立柱底腔的残余支撑力范围，并开展了液压支架力学分析计算。上述研究在液压支架带压移架跟机技术方面取得了一定进展，但现有的控制策略相对固化单一，未充分考虑复杂开采环境中残余支撑力与顶板压力、推移油缸进液压力等因素间的强耦合性及非线性关系。因此，实现带压移架残余支撑力的精准决策是一个复杂的难题。近年来，基于机器学习的数据驱动智能决策方法在煤矿开采领域逐渐兴起，凭借其强大的特征提取和非线性拟合能力，机器学习算法已广泛应用于矿压预测[17]和瓦斯预测[18]等任务中，这为带压移架残余支撑力的精准决策提供了新的研究思路。
为实现极薄煤层破碎顶板条件下液压支架带压移架残余支撑力的精准决策，本文提出了一种基于改进蜣螂算法（Improved Dung Beetle Optimizer，IDBO）优化深度混合核极限学习机（Deep Hybrid Kernel Extreme Learning Machine，DHKELM）的液压支架带压移架残余支撑力决策方法。在混合核极限学习机（Hybrid Kernel Extreme Learning Machine，HKELM）基础上引入极限学习机自动编码器（Extreme Learning Machine Autoencoder，ELM−AE）结构来构建DHKELM模型；引入无限折叠迭代（lterative Chaotic Map with Infinite Collapses，ICMIC）混沌映射、Lévy飞行和贪婪策略对蜣螂算法（Dung Beetle Optimizer，DBO）进行改进，形成IDBO算法；采用IDBO算法对DHKELM的超参数进行优化，构建基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策方法，可实现极薄煤层破碎顶板条件下液压支架带压移架残余支撑力的精准决策，为液压支架自适应调控提供技术支持。
1. IDBO−DHKELM模型
1.1 DHKELM模型
HKELM通过结合径向基函数（Radial Basis Function，RBF）核函数的强学习能力和Poly核函数的优异泛化能力，以权重系数组合构成混合核函数，有效克服了极限学习机（Extreme Learning Machine，ELM）因随机生成隐藏层权值向量和偏置引起的共线性问题[19-20]，显著提升了模型在处理复杂非线性数据时的决策性能。
RBF核函数表达式为
$$ {K_{{\text{RBF}}}}\left( {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'_n}}} \right) = \exp \left( { - \frac{{{{\left\| {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'_n}}} \right\|}^2}}}{{2{\alpha ^2}}}} \right) $$ (1) 式中：${{\boldsymbol{x}}_n}$为第n（n=1，2，$\cdots $，g，g为输入样本向量数量）个输入样本向量；${{\boldsymbol{x}}'_n}$为与${{\boldsymbol{x}}_n}$进行RBF核函数计算的样本向量，${{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'_n}} \in {\boldsymbol{X}}$，${\boldsymbol{X}}$为输入样本矩阵；$\alpha $为RBF核函数参数。
Poly核函数表达式为
$$ {K_{{\text{Poly}}}}\left( {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'_n}}} \right) = {\left[ {\left( {{{\boldsymbol{x}}_n} {{{\boldsymbol{x}}'_n}}} \right) + m} \right]^s} $$ (2) 式中$m$，$s$为Poly核函数参数。
混合核函数表达式为
$$ K\left( {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'}_n}} \right) = r{K_{{\text{RBF}}}}\left( {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'}_n}} \right) + \left( {1 - r} \right){K_{{\text{Poly}}}}\left( {{{\boldsymbol{x}}_n},{{{\boldsymbol{x}}'}_n}} \right) $$ (3) 式中$r$为核权重系数，$r \in \left[ {0,1} \right]$。
液压支架带压移架残余支撑力受到顶板条件和供液能力等影响，呈现出复杂非线性及动态变化特性。虽然HKELM具备较强的非线性数据拟合能力，但在处理复杂动态特征时，受限于特征提取能力，难以充分挖掘深层次数据特征，从而限制了其在残余支撑力决策中的应用效果。为提升模型对复杂非线性动态特征的提取能力，在HKELM基础上引入ELM−AE结构[21]，形成DHKELM模型，其结构如图1所示。ELM−AE采用无监督学习方式从数据中自动提取深层次特征，提升了DHKELM模型的特征表达能力，从而增强了对残余支撑力复杂变化规律的适应性。
DHKELM具体实现步骤如下：
1） 随机初始化第$i$（$i$=1，2，$\cdots $，$u$，$u$为ELM−AE数量）个ELM−AE隐含层中的输入权重${w_i}$和偏置${b_i}$。
2） 通过将上一个ELM−AE隐含层的输出特征矩阵作为下一个ELM−AE隐含层的输入，依次计算第$i$个ELM−AE隐含层的输出特征矩阵${{\boldsymbol{H}}_i}$和输出权重${\beta _i}$。
$$ {{\boldsymbol{H}}_i} = f\left( {{w_i}{\boldsymbol{X}} + {b_i}} \right) $$ (4) $$ {\beta _i} = {\left( {\frac{{\boldsymbol{I}}}{\delta } + {\boldsymbol{H}}_i^{\mathrm{T}}{{\boldsymbol{H}}_{i - 1}}} \right)^{ - 1}}{\boldsymbol{H}}_i^{\mathrm{T}}{{\boldsymbol{H}}_{i - 1}} $$ (5) 式中：$f\left( \cdot \right)$为激活函数；${\boldsymbol{I}}$为单位矩阵；$\delta $为正则化系数。
3） 将最后一个ELM−AE隐含层的输出特征矩阵${{\boldsymbol{H}}_u}$作为HKELM的决策输入，并计算HKELM的输出权重$\beta $：
$$ \beta = {\left( {\frac{{\boldsymbol{I}}}{\delta } + {\boldsymbol{G}}} \right)^{ - 1}}{{\boldsymbol{H}}_u} $$ (6) 式中${\boldsymbol{G}}$为混合核函数矩阵。
DHKELM的决策值为
$$ {\boldsymbol{Y}} = \left[ \begin{gathered} K\left( {{{\boldsymbol{x}}_1},{{{\boldsymbol{x}}'}_1}} \right) \\ K\left( {{{\boldsymbol{x}}_2},{{{\boldsymbol{x}}'}_2}} \right) \\ \vdots \\ K\left( {{{\boldsymbol{x}}_g},{{{\boldsymbol{x}}'}_g}} \right) \end{gathered} \right]{\left( {\frac{{\boldsymbol{I}}}{\delta } + {\boldsymbol{G}}} \right)^{ - 1}}{\boldsymbol{T}} $$ (7) 式中${\boldsymbol{T}}$为目标输出矩阵。
1.2 IDBO
DBO是一种模拟蜣螂滚球、觅食、繁殖和偷窃行为的群智能优化算法[22]。相比其他群智能算法，DBO算法在处理复杂、多维的优化问题时可表现出较好的收敛性和寻优能力。然而，DBO算法随机初始化种群位置会导致种群分布不均，遍历性较差，从而影响整体求解性能。在算法后期，DBO的收敛速度较慢，特别是在处理具有多个局部最优解的问题时，容易陷入局部最优，影响其全局搜索能力。通过引入ICMIC混沌映射、Lévy飞行与贪婪策略对DBO进行改进，以提高其在DHKELM模型超参数优化时的收敛速度和寻优性能。
1） ICMIC混沌映射。为改善种群的初始分布，引入了ICMIC混沌映射。ICMIC混沌映射具有较好的随机性、均匀性、遍历性，能够有效覆盖搜索空间，减少初始种群分布不均带来的问题，使得初始种群能够更均匀地覆盖搜索空间。ICMIC混沌映射的表达式为
$$ {q_{j + 1}} = \sin \left( {{\rho }/{{{q_j}}}} \right) $$ (8) 式中：${q_j}$为ICMIC映射的第$j$（$j = 1,2,\cdots,{\textit{z}},$${\textit{z}}$为蜣螂数量）个蜣螂位置，$ - 1 \leqslant {q_j} \leqslant + 1$且${q_j} \ne 0$；$\rho $为映射参数，$\rho \in \left( {0, + \infty } \right)$。
2） Lévy飞行和贪婪策略。在个体位置更新过程中，Lévy飞行策略通过引入长跳跃机制，使得算法在搜索过程中能够更有效地跳出局部最优解，增强全局搜索能力。Lévy飞行策略的粒子位置更新表达式为
$$ {q_{\mathrm{a}}} = {q_{\mathrm{b}}} + \left( {{q_{\mathrm{b}}} - {q_{\mathrm{c}}}} \right) C {L_{{\text{Lévy}}}}\left( \lambda \right) $$ (9) 式中：${q_{\mathrm{a}}}$为Lévy飞行策略更新后的粒子位置；${q_{\mathrm{b}}}$为全局最佳粒子位置；${q_{\mathrm{c}}}$为当前粒子位置；$C$为常数，用于调整步长；$ {L_{{\text{Lévy}}}}\left( \cdot \right) $为Lévy飞行路径，遵循Lévy分布；$\lambda $为Lévy飞行步长。
在Lévy飞行的基础上，贪婪策略则进一步保证局部搜索效率。若当前最佳粒子位置${q_{\mathrm{d}}}$的适应度值$F\left( {{q_{\mathrm{d}}}} \right)$大于Lévy飞行策略更新后的粒子位置${q_{\mathrm{a}}}$的适应度值$F\left( {{q_{\mathrm{a}}}} \right)$，则${q_{\mathrm{d}}} = {q_{\mathrm{a}}}$。通过在每次更新时选择最优解的方式，确保每次更新都朝着更优的方向进行。Lévy飞行和贪婪策略的结合不仅加快了收敛速度，还提升了算法的寻优精度。
1.3 IDBO−DHKELM模型
DHKELM模型结合ELM−AE的深层特征提取能力与HKELM的非线性映射能力，在液压支架带压移架残余支撑力决策时，模型的决策性能高度依赖于超参数（隐含层节点数、正则化系数、惩罚系数、核权重系数、RBF核函数参数和Poly核函数参数）的选择。而传统超参数调整方法难以有效获得最优解，且易陷入局部最优。为优化DHKELM的超参数，引入IDBO算法。IDBO通过ICMIC混沌映射生成多样化的初始种群位置，利用Lévy飞行策略增强全局搜索能力，并通过贪婪策略快速收敛到最优解。在复杂参数空间中，IDBO能够自适应搜索超参数组合，显著提升DHKELM的泛化能力与决策精度。IDBO−DHKELM模型建立流程如图2所示。
IDBO−DHKELM模型建立具体步骤如下：
1） 参数初始化。定义隐含层节点数、正则化系数、惩罚系数、核权重系数、RBF核函数参数和Poly核函数参数的寻优范围，并设置蜣螂种群数量和最大迭代次数。
2） 个体位置更新。利用ICMIC混沌映射生成多样化的初始种群位置，并计算个体适应度值，确定当前最优解。检查当前最优适应度值是否小于预设误差阈值：若是，提前终止优化，输出最优参数组合；否则，通过蜣螂的滚球、觅食、繁殖和偷窃行为更新个体位置。同时采用Lévy飞行策略增强全局搜索能力，避免陷入局部最优。每次更新后，通过贪婪策略选择最优解并保留当前最优位置和适应度值。
3） 输出最优解。在满足误差阈值或达到最大迭代次数后，输出最优参数组合。使用优化后的超参数初始化DHKELM模型，建立IDBO−DHKELM模型。
2. 基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策方法
为实现极薄煤层破碎顶板条件下液压支架带压移架时残余支撑力精准决策，利用IDBO优化DHKELM模型的超参数，实现基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策，流程如图3所示。
![]()
图 3 基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策流程Figure 3. Decision-making process of residual support force of hydraulic supports during pressurized moving based on IDBO-DHKELM model基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策具体步骤如下：
1） 数据采集与预处理。通过液压支架电液控制系统的传感器网络，采集液压支架带压移架过程中的立柱压力、推移油缸压力和行程等数据。为应对井下复杂环境导致的数据缺失和异常，采用线性插值法填充缺失数据，并使用时域相邻值替换法修正异常波动数据，确保数据的完整性和准确性。
2） 数据集构建与划分。通过对不同支架支撑力变化特点和带压移架过程中传感器数据进行可视化分析和相关性分析，确定影响带压移架残余支撑力的关键特征，并构建决策样本数据集。为消除不同量纲和数量级差异对模型训练效果的影响，采用min−max归一化方法对样本数据统一缩放至[0，1]范围内。最后将归一化数据按8∶2的比例随机划分为训练集和测试集。
3） 模型训练与决策。将归一化后的训练集数据输入DHKELM模型进行训练，采用均方误差（Mean-Square Error，MSE）作为适应度函数。利用IDBO的自适应性寻优能力优化DHKELM模型超参数。模型训练完成后，将测试集输入IDBO−DHKELM模型进行决策，决策结果反归一化后输出残余支撑力决策值。
3. 实验验证
3.1 实验数据
实验数据来源于延安市禾草沟二号煤矿1123极薄煤层综采工作面。该矿煤层平均厚度为0.79 m，工作面长度为120 m，且工作面倾角近水平。工作面配备80台ZZ4000/6.5/13D中间液压支架和4台ZZG4000/08/16D过渡液压支架。顶板的基本顶主要为泥质粉砂岩和粉砂岩，属中等易破碎顶板；直接顶主要为泥岩和砂质泥岩，其特点为不稳定且易破碎。因此，液压支架在进行跟机移架时，需采用带压移架方式，以确保支架对破碎顶板的有效支护。
在该极薄煤层综采工作面，液压支架电液控制系统通过安装在支架关键部位的传感器，实时监测支架支护状态、运行状态及其他生产数据。通过安装在立柱底腔处的压力传感器监测支架在升/降柱过程中的支撑力。液压支架带压移架时，推移油缸有杆腔进液，无杆腔回液。安装于推移油缸处的行程传感器用于监测推移油缸行程变化，安装于推移油缸有杆腔供液管路上的压力传感器用于监测拉架过程中的推移油缸进液口压力。各传感器每1 s记录1次数据，共采集工作面46 d数据，并通过工业环网传输并储存至地面数据库。
由于井下环境复杂多变，各传感器在数据采集过程中易受到多种因素干扰，导致部分数据出现缺失或异常现象。为保证数据的准确性和完整性，对于数据异常问题，分情况进行处理：单个异常值采用时域相邻值替换，如某一时刻的数据发生异常，则用前一时刻或后一时刻的数值进行替换；若异常数据较多，则去除本台液压支架当天数据。对于缺失数据，采用线性插值法进行填充，通过连接相邻已知的数据点的直线来估算缺失值。
3.2 模型输入变量与数据集划分
在工作面推进过程中，由于顶板上覆岩层应力和垮落步距的变化，导致工作面不同区域的顶板破碎程度和压力产生显著差异，这些差异直接反映在液压支架的支撑力变化上，使得不同区域支架的支撑力变化模式也呈现出不同的特点。本文对2号过渡液压支架和40号中部液压支架的部分支撑力数据变化进行分析，如图4所示。可看出2号过渡液压支架带压移架前支架支撑力变化范围为17.5～34 MPa，带压移架前支架平均支撑力为26.54 MPa；带压移架时残余支撑力变化范围为1～2.5 MPa，平均残余支撑力为1.36 MPa。而40号中部液压支架带压移架前支架支撑力变化范围为25.8～40 MPa，带压移架前支架平均支撑力为33.15 MPa；带压移架时残余支撑力变化范围为1～4 MPa，平均残余支撑力为2.31 MPa。对比分析表明，中部液压支架区域的顶板压力较高且破碎程度较大，支架需要更高的支撑力以维持顶板的稳定性，因此残余支撑力相对更高。而过渡液压支架区域顶板压力相对较低、破碎程度较小，带压移架前支架支撑力和带压移架时残余支撑力均较低且变化幅度较小。这表明，不同区域支架的带压移架前支撑力在一定程度上决定了带压移架时残余支撑力，反映了顶板破碎程度对液压支架支护性能的显著影响。
对第50号液压支架在带压移架工况下的支架支撑力、推移油缸进液压力及推移油缸行程的变化进行可视化，如图5所示。当支架进行带压移架时，操作人员同时打开降柱和移架手柄。移架手柄被打开后，供液系统向推移油缸有杆腔供液，从而使支架产生一定的拉架力，但由于带压移架前支架支撑力较高，导致拉架阻力过大，推移油缸行程并未发生变化。为顺利完成带压移架，必须降低支架支撑力以减小拉架阻力。当推移油缸进液压力为21.8 MPa时，支架支撑力从初始的38.8 MPa开始逐渐下降，当支架支撑力下降至3.5 MPa时，推移油缸行程开始减小，此时操作人员停止降柱操作。推移油缸行程继续减小，直至减少至65 mm，达到所需移架位移后，停止移架操作。最后，支架支撑力由3.5 MPa上升至23.9 MPa，完成升柱动作。这一过程表明，推移油缸的有杆腔进液压力和推移油缸行程变化速度（液压支架带压移架过程中，推移油缸行程随时间变化的速率）直接影响残余支撑力的调控。
![]()
图 5 50号液压支架带压移架时数据变化曲线Figure 5. Data variation curves of No.50 hydraulic support during pressurized moving通过对不同位置支架支撑力变化和带压移架过程的可视化分析，结合现场调研和工人操作经验，得出不同支架的带压移架前支架支撑力、推移油缸进液压力、推移油缸行程变化速度和工作面倾角是影响带压移架残余支撑力的关键因素。为进一步量化这些因素的影响，采用皮尔逊相关系数对各影响因素与残余支撑力进行相关性分析，见表1（为便于比较，所有相关系数取绝对值，值越大，表明相关性越强）。结果表明，推移油缸进液压力、带压移架前支架支撑力、推移油缸行程变化速度、支架号和工作面倾角与残余支撑力的相关性依次减弱。由于该极薄煤层工作面倾角接近水平，所以工作面倾角与残余支撑力相关性较低，可忽略其影响。确定带压移架前支架支撑力、推移油缸进液压力、推移油缸行程变化速度和支架号是影响残余支撑力的关键特征并作为IDBO−DHKELM模型的输入变量，残余支撑力为模型的输出变量。经过数据筛选，共构建5 142组样本数据，其中包含4 836组中部液压支架样本和306组过渡液压支架样本。最后，将样本数据进行归一化处理，并按照8∶2的比例随机划分为训练集和测试集，分别用于模型的训练和测试。
表 1 残余支撑力与各影响因素相关性分析结果Table 1. Correlation analysis between residual support force and influencing factors参数 皮尔逊相关系数 推移油缸
进液压力带压移架前
支架支撑力推移油缸行程
变化速度支架号 工作面倾角 带压移架
残余支撑力0.41 0.33 0.18 0.15 0.07 3.3 模型决策评估指标
为全面评估模型的决策性能，选取平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Squared Error，RMSE）及决定系数R2作为模型决策评估指标。MAE用于衡量模型决策值与实际值之间的平均绝对差异，MAE越小，表明模型整体决策精度越高；RMSE用于反映模型决策值与实际值之间差异的平方均值，RMSE越小，表明模型的决策误差越小，决策效果越好；R2反映模型对数据的拟合程度，取值范围为[0，1]，R2越接近于1，表明模型对实际数据的拟合程度越强。
3.4 模型决策结果及评价
对比分析ELM，HKELM，DHKELM，IDBO−DHKELM模型在残余支撑力决策中的表现；通过使用Schwefel函数和Rastrigin函数对PSO，DBO，IDBO算法进行对比测试，验证IDBO算法在参数优化方面的优势，并分析不同优化算法对DHKELM模型超参数优化效果的影响。
3.4.1 模型决策结果对比分析
ELM，HKELM，DHKELM和IDBO−DHKELM模型的决策结果对比如图6所示。ELM模型的残余支撑力决策值与实际值之间存在较大的偏差，表现出较差的决策效果，这是由于ELM模型单一隐含层结构和随机的权值和偏置在处理复杂的非线性数据时，难以有效学习和表达数据中的复杂模式。HKELM模型通过引入混合核技术，改善了模型处理复杂非线性数据的能力，HKELM模型的残余支撑力决策值与实际值的偏差较ELM模型有所减小。DHKELM模型通过结合ELM−AE结构和混合核技术优势，有效提升了数据的特征表达和非线性映射能力，其决策值相比于ELM和HKELM模型更接近实际值，但仍存在一定的误差。IDBO−DHKELM模型通过引入IDBO算法，自适应调整超参数，优化DHKELM模型的训练过程，增强了模型对复杂非线性数据动态变化特征的学习能力，显著降低了决策误差，使得模型决策值更加接近实际值。由此可见，IDBO−DHKELM模型在残余支撑力决策方面表现出了最佳效果。
不同模型的决策结果评价见表2。IDBO−DHKELM模型在各项评价指标上均优于ELM，HKELM和DHKELM模型。其RMSE为0.143，较ELM，HKELM和DHKELM模型分别降低了61.89%，53.87%和43.07%；MAE为0.119，较ELM，HKELM和DHKELM模型分别降低了61.84%，53.03%和42.53%，表明IDBO−DHKELM模型在残余支撑力决策精度上具有显著的优势；R2为0.971，较ELM，HKELM和DHKELM模型分别提升了23.24%，12.38%和6.35%，表明IDBO−DHKELM模型对残余支撑力的拟合效果较好。
3.4.2 DHKELM模型参数优化方法决策分析
为验证IDBO在收敛速度和寻优精度上的优势，选择CEC2005基准函数集中的Schwefel函数测试IDBO全局寻优能力，以及Rastrigin函数测试其在处理多个局部最优解时的局部搜索性能。测试函数的维度、取值范围和最优解信息见表3。
表 2 不同模型的决策结果评价Table 2. Evaluation of different models in decision-making模型 RMSE MAE R2 ELM 0.376 0.312 0.788 HKELM 0.310 0.253 0.864 DHKELM 0.251 0.207 0.913 IDBO−DHKELM 0.143 0.119 0.971 表 3 测试函数Table 3. Test functions函数 维度 取值范围 最优解 Schwefel 30 [−100，100] 0 Rastrigin 30 [−5.12，5.12] 0 在Schwefel和Rastrigin函数测试过程中，将IDBO与PSO，DBO算法进行对比分析，为减少随机因素的影响，并保证实验的公平性，种群规模和最大迭代次数统一设置为30和300，每个测试函数独立运行10次，绘制平均适应度值变化曲线，如图7所示。可看出在Schwefel函数测试过程中，3种算法的适应度值均随着迭代次数的增加逐渐收敛，其中IDBO算法的收敛速度最快，DBO算法次之，且均达到最优适应度值0，PSO算法的收敛速度较慢，未达到最优适应度值。在Rastrigin函数测试中，PSO算法未达到收敛状态，IDBO算法收敛速度仍最佳。由此可见，IDBO算法在收敛速度和寻优精度上均优于DBO和PSO算法，证明了其高效性、稳定性。
在此基础上，分析不同优化算法（PSO，DBO和IDBO）对DHKELM模型超参数优化的决策效果。实验参数设置：种群数量为30，最大迭代次数为50。DHKELM模型的隐含层节点数、核权重系数、惩罚系数、正则化系数、RBF核函数参数$\alpha $、Poly核函数参数$m$和$s$寻优范围分别设定为[1，100]，[0，1]，[10−3，103]，[10−3，103]，[10−2，102]，[10−2，102]和[1，10]。
为探讨不同隐含层数对DHKELM模型决策效果的影响，分析不同隐含层数下模型的R2和RMSE，如图8所示。当隐含层数为2时，R2最大（0.971）、RMSE最小（0.143），决策准确率最佳。随着隐含层数增加，决策准确率降低，当隐含层数为4时，R2最小（0.938）、RMSE最大（0.227），决策准确率最差。因此，设置DHKELM模型的隐含层数为2。
![]()
图 8 不同隐含层数下的决策结果Figure 8. Decision-making results under different hidden layers configurations不同算法优化DHKELM模型的适应度值随迭代次数变化曲线如图9所示。可看出不同算法优化DHKELM模型的适应度值随着迭代次数增加逐渐减小，其中IDBO−DHKELM模型表现出较快的收敛速度和较小的误差，在迭代到第13次时，适应度值达到最小（0.023）且趋于稳定状态，表明IDBO优化DHKELM模型超参数时具有较好的收敛性和寻优精度。IDBO优化的最优超参数组合：第1层隐含层节点数为30，第2层隐含层节点数为58，核权重系数为0.36，惩罚系数为142.64，正则化系数为353.57，RBF核函数参数$\alpha $为69.53，Ploy核函数参数$m$，$s$分别为41.16，6。
![]()
图 9 不同算法优化DHKELM模型迭代曲线Figure 9. Iteration curves of different algorithms for optimizing DHKELM model不同算法优化DHKELM模型的决策结果如图10所示。可看出相较于基于DBO−DHKELM和PSO−DHKELM模型，基于IDBO−DHKELM模型的残余支撑力决策值更接近实际值。
![]()
图 10 不同算法优化DHKELM模型决策结果对比Figure 10. Comparison of decision-making performance among different algorithms optimizing DHKELM model采用评价指标定量分析PSO−DHKELM，DBO−DHKELM和IDBO−DHKELM模型的决策结果，见表4。可看出相较于PSO−DHKELM，DBO−DHKELM模型，IDBO−DHKELM模型RMSE分别降低了40.90%，35%，MAE分别降低了41.38%，32.39%，R2分别提升了4.97%，2.97%。表明利用IDBO优化DHKELM模型超参数，可有效提高残余支撑力决策精度。
表 4 不同算法优化DHKELM模型决策结果评价Table 4. Evaluation of different optimization algorithms for DHKELM model模型 RMSE MAE R2 PSO−DHKELM 0.242 0.203 0.925 DBO−DHKELM 0.220 0.176 0.943 IDBO−DHKELM 0.143 0.119 0.971 此外，利用Matlab中内置的图像生成函数，绘制IDBO−DHKELM模型的决策结果和误差，分别如图11、图12所示。可看出数据点紧密地集中在拟合线附近，表明IDBO−DHKELM模型在对残余支撑力决策时具有较好的拟合效果；IDBO−DHKELM模型的决策值与实际值的误差不超过0.5 MPa，且相对误差集中在10%以内，表明IDBO−DHKELM模型具有较高的决策精度和稳定性。
4. 结论
1） 在HKELM基础上引入ELM−AE结构，构建了DHKELM模型，以增强对复杂输入的特征提取和非线性映射能力。引入ICMIC混沌映射、Lévy飞行和贪婪策略对DBO算法进行改进，形成IDBO算法，该算法具备更高的寻优精度和更快的收敛速度。利用IDBO算法优化DHKELM模型的超参数，构建了基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策方法。
2） 结合极薄煤层综采工作面液压支架带压移架实测数据，采用线性插值和时域相邻值替换法对数据进行预处理。通过可视化和相关性分析，确定支架号、带压移架前支架支撑力、推移油缸进液压力和推移油缸行程变化速度为影响液压支架带压移架残余支撑力的关键特征。
3） 采用Schwefel和Rastrigin函数对IDBO算法进行性能测试，结果表明，IDBO算法在寻优精度和收敛速度上均优于PSO和DBO算法。不同模型决策性能对比结果表明，IDBO−DHKELM模型的残余支撑力决策结果的RMSE，MAE和R²分别为0.143，0.119和0.971，其决策精度显著优于ELM，HKELM和DHKELM模型。
-
![]()
图 1 基于边缘智能的煤矿外因火灾检测模型
Figure 1. Detection model of coal mine external fire based on edge intelligence
![]()
图 5 图像和传感信息加权融合判识流程
Figure 5. Weighted fusion identification process of image and sensor information
表 1 各权重对比分析结果
Table 1 Comparative analysis results of each weight
$ {\beta }_{1} $ $ {\beta }_{2} $ $ {\beta }_{3} $ $ {\beta }_{4} $ 阈值 准确率 0.70 0.1 0.1 0.1 0.81 0.83 0.75 0.12 0.07 0.06 0.85 0.88 0.81 0.08 0.06 0.05 0.88 0.90 0.90 0.05 0.03 0.02 0.92 0.98 0 0.65 0.25 0.1 0.7 0.75 0 0.73 0.22 0.07 0.8 0.80 0 0.78 0.14 0.08 0.83 0.87 0 0.79 0.11 0.10 0.89 0.90 
下载: 导出CSV
表 2 图像拍摄参数
Table 2 Image capture parameters
相机编号 拍摄角度 安装高度/cm 图像/张 光线 粉尘 1号 正水平 0 1 000 正常 少 2号 正水平 0 2 000 较暗 多 3号 正45° 210 1 000 正常 多 4号 正45° 210 2 000 较暗 少 5号 后水平 0 1 000 正常 少 6号 后水平 0 2 000 较暗 多 7号 后45° 210 1 000 正常 多 8号 后45° 210 2 000 较暗 多
下载: 导出CSV
表 3 各模型移植前检测结果对比
Table 3 Comparison of detection results of each algorithm before transplantation
模型 召回率 mAP@0.5 每帧推理时间/ms SSD 300（VGG16） 0.764 0.732 26 SSD 521（VGG16） 0.779 0.751 62 YOLOv5s 0.825 0.811 24 YOLOv5s−a 0.915 0.907 18 YOLOv5s−as 0.967 0.941 20
下载: 导出CSV
表 4 各模型移植后检测结果对比
Table 4 Comparison of detection results of each algorithm after transplantation
模型 每帧推理时间/ms mAP@0.5 SSD 300（VGG16） 19 0.710 SSD 521（VGG16） 53 0.742 YOLOv5s 18 0.803 YOLOv5s−a 11 0.870 YOLOv5s−as 12 0.933
下载: 导出CSV
表 5 边缘计算性能测试结果
Table 5 Edge computing performance test results
步骤 边缘处理 集中式处理 步骤1 捕获图像用时39 ms 捕获图像用时39 ms 步骤2 边缘计算用时157 ms 上传图像用时154 ms 步骤3 响应警报用时42 ms 算法计算用时49 ms 步骤4 — 反馈检测结果用时104 ms 步骤5 — 响应警报用时42 ms 响应周期/ms 238 388
下载: 导出CSV
-
[1] 孙继平,钱晓红. 2004—2015年全国煤矿事故分析[J]. 工矿自动化,2016,42(11):1-5. DOI: 10.13272/j.issn.1671-251x.2016.11.001 SUN Jiping,QIAN Xiaohong. Analysis of coal mine accidents in China during 2004-2015[J]. Industry and Mine Automation,2016,42(11):1-5. DOI: 10.13272/j.issn.1671-251x.2016.11.001
[2] 宁小亮. 2013—2018年全国煤矿事故规律分析及对策研究[J]. 工矿自动化,2020,46(7):34-41. DOI: 10.13272/j.issn.1671-251x.17610 NING Xiaoliang. Law analysis and counter measures research of coal mine accidents in China from 2013 to 2018[J]. Industry and Mine Automation,2020,46(7):34-41. DOI: 10.13272/j.issn.1671-251x.17610
[3] 孟远,谢东海,苏波,等. 2010年—2019年全国煤矿生产安全事故统计与现状分析[J]. 矿业工程研究,2020,35(4):27-33. DOI: 10.13582/j.cnki.1674-5876.2020.04.005 MENG Yuan,XIE Donghai,SU Bo,et al. Statistics and analysis of coal mine production safety accidents in China from 2010 to 2019[J]. Mineral Engineering Research,2020,35(4):27-33. DOI: 10.13582/j.cnki.1674-5876.2020.04.005
[4] 何勇军,易欣,王伟峰,等. 煤矿井下电气火灾智能监控与灭火技术综述[J]. 煤矿安全,2022,53(9):55-64. DOI: 10.13347/j.cnki.mkaq.2022.09.008 HE Yongjun,YI Xin,WANG Weifeng,et al. Review of intelligent monitoring and extinguishing technology of electrical fire in coal mine[J]. Safety in Coal Mines,2022,53(9):55-64. DOI: 10.13347/j.cnki.mkaq.2022.09.008
[5] 李国伟. 石丘煤矿外因火灾防治措施分析[J]. 能源与节能,2022(6):111-113. DOI: 10.3969/j.issn.2095-0802.2022.06.035 LI Guowei. Prevention and control measures of exogenous fire in Shiqiu Coal Mine[J]. Energy and Energy Conservation,2022(6):111-113. DOI: 10.3969/j.issn.2095-0802.2022.06.035
[6] 王慧,宋宇宁. D−S证据理论在火灾检测中的应用[J]. 中国安全科学学报,2016,26(5):19-23. WANG Hui,SONG Yuning. Application of D-S evidence theory in fire detection[J]. China Safety Science Journal,2016,26(5):19-23.
[7] 黄圆明,徐泽. 基于DSP的多传感器信息融合的厨房火灾检测系统[J]. 科学技术创新,2020(11):51-53. DOI: 10.3969/j.issn.1673-1328.2020.11.028 HUANG Yuanming,XU Ze. Kitchen fire detection system based on DSP multi-sensor information fusion[J]. Scientific and Technological Innovation,2020(11):51-53. DOI: 10.3969/j.issn.1673-1328.2020.11.028
[8] 段锁林,杨可,毛丹,等. 基于模糊证据理论算法在火灾检测中的应用[J]. 计算机工程与应用,2017,53(5):231-235. DOI: 10.3778/j.issn.1002-8331.1507-0231 DUAN Suolin,YANG Ke,MAO Dan,et al. Fuzzy evidence theory-based algorithm in application of fire detection[J]. Computer Engineering and Applications,2017,53(5):231-235. DOI: 10.3778/j.issn.1002-8331.1507-0231
[9] 兰琪,贾敏智. 基于图像型的矿井火灾探测方法研究[J]. 煤炭技术,2016,35(4):187-189. DOI: 10.13301/j.cnki.ct.2016.04.076 LAN Qi,JIA Minzhi. Research on fire detection based on image in coal mine[J]. Coal Technology,2016,35(4):187-189. DOI: 10.13301/j.cnki.ct.2016.04.076
[10] 孙继平,孙雁宇,范伟强. 基于可见光和红外图像的矿井外因火灾识别方法[J]. 工矿自动化,2019,45(5):1-5,21. DOI: 10.13272/j.issn.1671-251x.17435 SUN Jiping,SUN Yanyu,FAN Weiqiang. Mine exogenous fire identification method based on visible light and infrared image[J]. Industry and Mine Automation,2019,45(5):1-5,21. DOI: 10.13272/j.issn.1671-251x.17435
[11] 孙继平,崔佳伟. 矿井外因火灾感知方法[J]. 工矿自动化,2021,47(4):1-5,38. DOI: 10.13272/j.issn.1671-251x.17760 SUN Jiping,CUI Jiawei. Mine external fire sensing method[J]. Industry and Mine Automation,2021,47(4):1-5,38. DOI: 10.13272/j.issn.1671-251x.17760
[12] 何凯,冯旭,高圣楠,等. 基于多尺度特征融合与反复注意力机制的细粒度图像分类算法[J]. 天津大学学报(自然科学与工程技术版),2020,53(10):1077-1085. HE Kai,FENG Xu,GAO Shengnan,et al. Fine-grained image classification algorithm using multi-scale feature fusion and re-attention mechanism[J]. Journal of Tianjin University(Science and Technology),2020,53(10):1077-1085.
[13] HUANG Chenchen, CHEN Siqi, XU Longtao. Object detection based on multi-source information fusion in different traffic scenes[C]. 12th International Conference on Advanced Computational Intelligence, Dali, 2020: 213-217.
[14] 傅天驹,郑嫦娥,田野,等. 复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 计算机与现代化,2016(3):52-57. DOI: 10.3969/j.issn.1006-2475.2016.03.011 FU Tianju,ZHENG Chang'e,TIAN Ye,et al. Forest fire recognition based on deep convolutional neural network under complex background[J]. Computer and Modernization,2016(3):52-57. DOI: 10.3969/j.issn.1006-2475.2016.03.011
[15] 喻丽春,刘金清. 基于改进Mask R−CNN的火焰图像识别算法[J]. 计算机工程与应用,2020,56(21):194-198. DOI: 10.3778/j.issn.1002-8331.2006-0194 YU Lichun,LIU Jinqing. Fire image recognition algorithm based on improved Mask R-CNN[J]. Computer Engineering and Applications,2020,56(21):194-198. DOI: 10.3778/j.issn.1002-8331.2006-0194
[16] 侯易呈,王慧琴,王可. 改进的多尺度火焰检测方法[J]. 液晶与显示,2021,36(5):751-759. DOI: 10.37188/CJLCD.2020-0221 HOU Yicheng,WANG Huiqin,WANG Ke. Improved multi-scale flame detection method[J]. Chinese Journal of Liquid Crystals and Displays,2021,36(5):751-759. DOI: 10.37188/CJLCD.2020-0221
[17] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[EB/OL]. [2022-07-21]. https://arxiv.org/abs/1506.02640.
[18] WANG C-Y, LIAO H-Y M, WU Y-H, et al. CSPNet: a new backbone that can enhance learning capability of CNN[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, 2020: 390-391.
[19] LIU Shu, QI Lu, QIN Haifang, et al. Path aggregation network for instance segmentation[EB/OL]. [2022-07-20]. https://arxiv.org/abs/1803.01534.
[20] 柳小军,鲍鸿. 基于ARM9多传感器数据融合火灾报警系统的实现[J]. 工业控制计算机,2009,22(3):52-53. DOI: 10.3969/j.issn.1001-182X.2009.03.028 LIU Xiaojun,BAO Hong. Implementation of fire alarm system based on ARM9 multi-sensor data fusion[J]. Industrial Control Computer,2009,22(3):52-53. DOI: 10.3969/j.issn.1001-182X.2009.03.028
[21] HOWARD A G, ZHU Menglong, CHEN Bo, et al. MobileNets: efficient convolutional neural networks for mobile vision applications[EB/OL]. [2022-07-20]. https://arxiv.org/abs/1704.04861.
[22] LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]. European Conference on Computer Vision, 2016: 21-37.
-
期刊类型引用(16)
1. 陈贤. 基于UWB的TOF与TDOA井下联合定位方法. 煤矿安全. 2025(02): 220-225 . 
百度学术
2. 杨昊坤，凌宇志，张栋梁. 基于YOLO算法的海上钻井平台人员定位算法研究. 现代传输. 2024(04): 41-44 . 百度学术
3. 马光辉，陈莉伟. 基于UWB的隧道内人员定位系统设计研究. 微型电脑应用. 2024(09): 40-44 . 百度学术
4. 陈贤，周澍，张蓉. 一种井下人员乘车识别与定位方法. 煤矿安全. 2024(11): 217-221 . 百度学术
5. 王媛彬，郭亚茹，刘佳，王旭，吴冰超，刘萌. 基于注意力机制和空洞卷积的CycleGAN煤矿井下低照度图像增强算法. 煤炭科学技术. 2024(S2): 375-383 . 百度学术
6. 杨坤. 矿井无轨胶轮车智能化管理系统研究. 工矿自动化. 2023(01): 162-170 . 本站查看
7. 康俊瑄. 基于微型惯性传感器的井下人员跟踪定位系统. 中国安全生产科学技术. 2023(01): 73-78 . 百度学术
8. 郑学召，严瑞锦，蔡国斌，王宝元，何芹健. 矿井动目标精确定位技术及优化方法研究. 工矿自动化. 2023(02): 14-22 . 本站查看
9. 李斐. 三维环境下的智能水力发电厂移动目标UWB定位方法. 水力发电. 2023(04): 81-86 . 百度学术
10. 刘厚荣. 基于5G和UWB融合基站的井下系统应用分析. 自动化与仪器仪表. 2023(05): 318-322+327 . 百度学术
11. 鲜炜，杨杰，吴绩伟. 测量精度约束的模糊度搜索定位算法. 计算机应用研究. 2023(07): 2053-2059 . 百度学术
12. 刘德龙，柳景斌，龚晓东，邓浩坤. 一种基于UWB位置感知的室内人员安全管控方法. 测绘科学. 2023(06): 38-48 . 百度学术
13. 潘世一. 基于视觉定位技术的水力发电厂入侵人员UWB定位方法. 水力发电. 2023(11): 109-114 . 百度学术
14. 王文庆，朱梁，吴益凡. 一种基于UWB的CTK-IDS联合定位算法. 西安邮电大学学报. 2023(04): 9-17 . 百度学术
15. 李政民. 煤矿智能供电系统综合分析平台设计. 工矿自动化. 2023(S2): 130-132+149 . 本站查看
16. 郁露，唐超礼，黄友锐，韩涛，徐善永，付家豪. 基于UWB和IMU的煤矿机器人紧组合定位方法研究. 工矿自动化. 2022(12): 79-85 . 本站查看
其他类型引用(15)
计量
- 文章访问数: 320
- HTML全文浏览量: 59
- PDF下载量: 38
- 被引次数: 31
