Decision-making method for residual support force of hydraulic supports during pressurized moving under fragmented roof conditions in ultra-thin coal seams
-
摘要:
在破碎顶板条件下，液压支架带压移架过程中残余支撑力的精准决策对于提高极薄煤层智能化开采效率和保障作业安全至关重要。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准确决策，提出了一种基于改进蜣螂算法（IDBO）优化深度混合核极限学习机（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（HKELM）基础上引入极限学习机自动编码器（ELM−AE）结构来构建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飞行和贪婪策略对蜣螂算法（DBO）进行改进，形成具备更高寻优精度和更快收敛速度的IDBO算法；利用IDBO算法优化DHKELM模型的超参数，建立IDBO−DHKELM模型。结合极薄煤层综采工作面液压支架带压移架实测数据，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作为影响残余支撑力的关键特征，并构建残余支撑力决策样本数据集，最终完成IDBO−DHKELM模型的训练与评估。实验结果表明：基于IDBO−DHKELM模型的液压支架带压移架残余支撑力决策结果的均方根误差（RMSE）、平均绝对误差（MAE）及决定系数（R2）分别为0.143，0.119，0.971，具有较高的决策精确度。
Abstract:Accurate decision-making on the residual support force of hydraulic supports during pressurized moving under fragmented roof conditions is crucial for improving intelligent mining efficiency in ultra-thin coal seams and ensuring operational safety. To address this challenge, this study proposed a novel decision-making method based on a Deep Hybrid Kernel Extreme Learning Machine (DHKELM) optimized by an Improved Dung Beetle Optimization (IDBO) algorithm. The DHKELM model was constructed by incorporating an Extreme Learning Machine Autoencoder (ELM-AE) into the Hybrid Kernel Extreme Learning Machine (HKELM) framework, enhancing its feature extraction capability and nonlinear mapping efficiency for complex inputs. Furthermore, the Dung Beetle Optimization (DBO) algorithm was enhanced with ICMIC chaotic mapping, Lévy flight, and a greedy strategy, yielding the IDBO algorithm with improved optimization accuracy and faster convergence. The IDBO algorithm was further employed to optimize the hyperparameters of the DHKELM model, forming the IDBO-DHKELM model. Using field-measured data from hydraulic supports during pressurized moving in a fully mechanized ultra-thin coal seam mining face, key influencing factors of residual support force—including support number, support force before pressurized moving, pushing cylinder inlet pressure, and pushing cylinder stroke variation speed—were identified through visualization and correlation analysis. A residual support force decision-making dataset was subsequently constructed, and the IDBO-DHKELM model was trained and evaluated. Experimental results demonstrate that the proposed IDBO-DHKELM model achieves high decision-making accuracy, with a root mean square error (RMSE) of 0.143, a mean absolute error (MAE) of 0.119, and a coefficient of determination (R2) of 0.971.
-
0. 引言
矿井通风系统是煤矿安全的重要保障系统，担负着将新鲜空气送入井下、保证人员正常呼吸、稀释并排出有害气体、调节作业场所温湿度等作用[1]。要实现上述作用，必须保证矿井内各用风地点风量时刻满足需风量要求。然而，开采作业是动态变化过程，随着矿井周围环境变化，各巷道实际风量和需风量都是不断改变的，当巷道实际风量不满足需风量要求时，存在安全隐患。随着煤矿智能化发展，如何快速、智能地确定安全、高效、准确的风量调控方案，是矿井通风领域亟待解决的重大问题[2]。
近年来，元启发式算法由于其无需梯度信息、鲁棒性强等特点，被广泛应用于矿井风量调控优化问题。Wang Jinmiao等[3]以通风机功率最小为目标，建立了矿井通风系统网络优化的无约束数学模型，并利用黑燕鸥优化算法进行模型求解。吴新忠等[4]以目标用风分支风量可调最大化为目标，建立了风量调控数学模型，结合风网灵敏度的衰减特征[5-7]，确定了模型中待优化风量的最优调节分支集及其风阻调节范围，缩小了可行域范围，提高了模型解算速度，同时提出了多策略融合麻雀搜索算法对模型进行求解。Li Junqiao等[8]通过引入权重系数，提出了基于通风机最小功耗和目标用风分支最大风量需求的目标函数，并应用改进粒子群优化（Particle Swarm Optimization，PSO）算法进行求解，在尽可能降低通风系统功率消耗的同时，增大了目标用风分支的风量。此外，灰狼优化算法[9]、鲸群优化算法[10]等元启发式算法也被应用于求解矿井风量调控优化模型。但采用元启发式算法求解无约束优化数学模型存在收敛速度较慢的问题。
本文提出了一种基于改进人工蜂群（Artificial Bee Colony，ABC）算法的矿井风量按需调控智能决策方法。构建以目标用风分支风量与理想风量差距最小为目标的矿井风量按需调控智能决策模型，利用拉格朗日松弛方法[11]、冲突数方法[12]、随机搜索方法[13]和元启发式算法[14]对模型进行优化，并采用改进ABC算法求解模型，可实现对矿井风量的快速、精准调控。
1. 矿井风量按需调控智能决策模型
1.1 矿井风量按需调控智能决策需求
为方便分析，将矿井巷道分为3类：目标用风分支、其他用风分支和一般分支。目标用风分支即需要通过风量调控决策使该分支风量达到预定值的巷道；其他用风分支即除目标用风分支外的采煤工作面、掘进工作面、独立通风硐室等用风地点需风量要求严格的巷道；一般分支即行人巷道、行车巷道和辅运巷等对风量不做要求的巷道。
矿井风量调控的目的是改变某一条或某几条目标用风分支的风量，使其满足安全生产需求。为达到该目的，在矿井的日常风量调控中，在总风量满足需求时，常通过调控风窗面积以改变巷道风阻，从而实现对目标用风分支的风量调节。因此，在保证其他用风分支和一般分支风量满足需风量要求的前提下，求解符合目标用风分支理想风量的矿井风阻调控方案，即矿井风量按需调控智能决策的实质。
1.2 矿井风量按需调控智能决策模型建立
假设第$ x $（$ x $=1，2，$\cdots $，v，v为矿井风阻调控方案总数）个矿井风阻调控方案$ {R_x} = \{ {r_{x,1}},{r_{x,2}}, \cdots ,{r_{x,n}}\} $，其中$ {r_{x,j}} $为第$ x $个风阻调控方案中第$ j $（$ j $=1，2，$\cdots $，n，n为通风网络分支总数）个分支风阻，此时第$ x $个矿井风阻调控方案中第$ j $个分支的风量$ {q_{x,j}} $与$ {R_x} $存在函数关系$ {f_j} $（·）：
$$ {q_{x,j}} = {f_j}({R_x}) $$ (1) 矿井风量按需调控智能决策模型的目标函数可描述为
$$ F({R_x}) = \sum\limits_{t = 1}^{{z}} S_{ x,t} $$ (2) $$ S_{ x,t}=\left\{\begin{array}{l}\mathrm{min}(\left|f_t(R_x)-a_t\right|,\left|f_t(R_x)-b_t\right|) \quad f_t(R_x) < a_t \text{或}\\ \quad f_t(R_x) > b_t \\ 0\ \ \ \ a_t\leqslant f_t(R_x)\leqslant b_t\end{array}\right. $$ (3) 式中：$ {S_{ x,t}} $为第$ x $个矿井风阻调控方案中第t（t=1，2，$\cdots $，z，z为目标用风分支总数）个目标用风分支风量与其理想风量的差值；$f_t(R_x) $为第x个矿井风阻调控方案中第t个目标用风分支风量；$ {a_t} $，$ {b_t} $分别为第$ t $个目标用风分支风量的下限和上限。
矿井风量按需调控智能决策模型可建立为
$$ \left\{\begin{array}{l}\mathrm{min}F\text{(}R_x\text{)} \\ \mathrm{s.t.}\text{ }f_s(R_x)\leqslant b_s \qquad s=1,2,\cdots,n-z \\ \quad\;\; l_s(R_x)\leqslant c_s \\ \quad\;\;\displaystyle\sum_{j=1}^nd_{i,j}f_j(R_x)=0\text{ } \qquad i=1,2,\cdots,m-1 \\ \quad\;\;\displaystyle\sum_{j=1}^ne_{g,j}r_{x,j}\left|f_j(R_x)\right|f_j(R_x)-h_{{\mathrm{N}}j}=0 \qquad g=1,2,\cdots,\\ \qquad\quad n-m-1\\ \quad\;\; R_x\in G \end{array}\right. $$ (4) $$ {d}_{i,j}=\left\{\begin{array}{*{20}{l}}1& i节点为j分支端点且风量{q}_{x,j}流入该节点\\ -1& i节点为j分支端点且风量{q}_{x,j}流出该节点\\ 0& i节点不属于j分支的端点 \end{array} \right.$$ (5) $$ {e}_{g,j}=\left\{\begin{array}{*{20}{l}}1& j分支在g回路中且与g回路同向\\ -1& j分支在g回路中且与g回路反向\\ 0& j分支不属于g回路\end{array}\right.$$ (6) 式中：$ {f_s}({R_x}) $为第$ x $个矿井风阻调控方案中第$ s $个其他用风分支或一般分支风量；$ {b_s} $为第$ s $个其他用风分支或一般分支风量上限；$ {l_s}({R_x}) $为$ {f_s}({R_x}) $的负值；$ {c_s} $为第$ s $个其他用风分支或一般分支风量下限$ {a_s} $的负值；$ m $为通风网络节点数；$ h_{\mathrm{N}j} $为第j个分支自然风压；$ G $为矿井风阻调控方案集合，$ G=\left\{R_1,R_2,\cdots,R_v\right\} $。
1.3 矿井风量按需调控智能决策模型优化
1.3.1 基于拉格朗日松弛方法的模型优化
式（4）中第3个和第4个约束可由通风网络解算方法[15-16]进行求解，第5个约束是对决策变量$ {R_x} $取值的限制，且决策变量为连续变量。因此将第3个至第5个约束视为“简单”约束，第1个和第2个约束视为“难”约束。运用拉格朗日松弛方法，将难处理的约束通过拉格朗日乘子移到目标函数上，可将式（4）优化为
$$ \left\{\begin{array}{l}\mathrm{min}\text{ }F(R_x)+\displaystyle\sum_{s=1}^{n-{\textit{z}}}\lambda_s(f_s(R_x)-b_s)+\displaystyle\sum_{s=1}^{n-{\textit{z}}}\mu_s(l_s(R_x)-c_s) \\ \mathrm{s.t.}\text{ }\displaystyle\sum_{j=1}^nd_{i,j}f_j(R_x)=0 \\ \quad\;\;\displaystyle\sum_{j=1}^ne_{g,j}r_{x,j}\left|f_j(R_x)\right|f_j(R_x)-h_{{\mathrm{N}}j}=0\text{ } \\ \quad\;\;\lambda_s,\mu_s\geqslant0 \\ \quad\;\; R_x\in G\end{array}\right. $$ (7) 式中$ {\lambda _s} $，$ {\mu _s} $为第$ s $个其他用风分支或一般分支对应的拉格朗日乘子。
由式（7）可知，将式（4）中的第1个和第2个约束通过拉格朗日乘子移到目标函数上后，可行解将不需满足其他用风分支和一般分支风量符合各自需风量这一约束。此时，矿井风量按需调控智能决策模型的一个可行解为一组处于$ G $集合内，同时满足节点风量平衡定理和回路风压平衡定理的风阻集合。因此，该模型的可行域可利用通风网络解算中的Scott−Hinsley法进行刻画。
1.3.2 基于冲突数方法的模型优化
式（7）中的目标函数反映的是各分支风量与其风量上下限（需风量范围）之间的函数关系。为简化该式，引入冲突数的概念：在矿井风量按需调控智能决策模型中，冲突数可理解为矿井风阻调控方案下，风量不处于其需风量范围的分支数。若某分支的风量不处于其需风量范围，则认为该分支的风量与实际需风量发生了冲突，此时该分支的冲突数$ {T_{x,j}} $为1，反之为0。总冲突数$ P({R_x}) $表示在第$ x $个矿井风阻调控方案下矿井所有分支发生冲突情况的总数，当$ P({R_x}) $为0时，代表在第$ x $个矿井风阻调控方案下，通风网络中每条分支风量均处于其需风量范围中，此时对应的矿井风阻调控方案即为最优的矿井风量按需调控决策。
运用冲突数方法可将式（7）中的目标函数改进为
$$ P({R_x}) = \sum\limits_{j = 1}^n {{T_{x,j}}} $$ (8) $$ T_{x,j}=\left\{\begin{gathered}1\text{ }\ \ f_j(R_x)\notin[a_j,b_j] \\ 0\text{ }\ \ f_j(R_x)\in[a_j,b_j] \\ \end{gathered}\right. $$ (9) 则式（7）可优化为
$$ \left\{\begin{gathered}\min\text{ }P(R_x) \\ \mathrm{s.t.\text{ }}\sum\limits_{j=1}^nd_{i,j}f_j(R_x)=0 \\ \quad\;\;\sum\limits_{j=1}^ne_{g,j}r_{x,j}\left|f_j(R_x)\right|f_j(R_x)-h_{{\mathrm{N}}j}=0 \\ \quad\;\; R_x\in G \\ \end{gathered}\right. $$ (10) 1.3.3 基于随机搜索方法的模型优化
由于式（1）的函数关系是假设的，目前并没有一个方程能够准确描述$ {q_{x,j}} $与$ {R_x} $之间的关系，所以难以讨论式（10）中目标函数和约束条件的凹凸性、导数信息、KKT条件的约束规范、有效集等性质，导致无法利用矿井风阻调控方案$ {R_x} $对应的矿井风量$ {Q_x} $=$ \left\{ {{q_{x,1}},{q_{x,2}}, \cdots ,{q_{x,n}}} \right\} $的变化趋势精确求解矿井风阻调控方案$ {R_x} $的搜索方向和搜索步长，不能通过最速下降法和共轭梯度法求解矿井风量按需调控智能决策模型。因此，采用无需利用$ q{}_{x,j} $与$ {R_x} $之间的函数关系，也可获得矿井风阻调控方案$ {R_x} $的搜索方向和搜索步长的随机搜索方法，将式（10）优化为
$$ \left\{\begin{gathered}\min\text{ }P(Q_x) \\ \mathrm{s.t.}\text{ }\sum\limits_{j=1}^nd_{i,j}q_{x,j}=0 \\ \quad\;\;\sum\limits_{j=1}^ne_{g,j}r_{x,j}\left|q_{x,j}\right|q_{x,j}-h_{{\mathrm{N}}j}=0 \\ \quad\;\; R_x\in G \\ \end{gathered}\right. $$ (11) 1.3.4 基于元启发式算法的模型优化
由式（8）和式（9）可知，当任何分支风量不处于该分支的需风量范围时，都会使目标函数值增加1，即式（8）并不能体现出目标用风分支、其他用风分支和一般分支这3类巷道的区别。由式（8）计算出的目标函数值并不会引导寻优方案优先向使目标用风分支满足其需风量范围的可行解移动。为使目标函数值在目标用风分支维度下降得更迅速，对不同类型的分支依据其需风量范围，引入权重系数$ {p_j} $，最终将式（11）优化为
$$ \left\{\begin{gathered}\min\text{ }P(Q_x) \\ \mathrm{s.t.}\text{ }\sum\limits_{j=1}^nd_{i,j}q_{x,j}=0 \\ \qquad\sum\limits_{j=1}^ne_{g,j}r_{x,j}\left|q_{x,j}\right|q_{x,j}-h_{\mathrm{N}j}=0 \\ \qquad R_x\in G \\ \end{gathered}\right. $$ (12) $$ P({Q_x}) = \sum\limits_{j = 1}^n {{p_j}{T_{x,j}}} $$ (13) 2. 矿井风量按需调控智能决策
2.1 基于ABC算法的矿井风量按需调控智能决策
ABC算法是通过模拟自然界蜜蜂分工采蜜行为而得到的一种元启发式算法，具有结构简单、控制参数少、鲁棒性强等优点[17]，在应对高维度非线性优化问题上表现出优秀的求解能力[18]。
将矿井风量按需调控智能决策模型中的矿井风阻调控方案$ {R_x} $视为蜜源位置，目标函数$ P({Q_x}) $视为蜜源质量（由式（12）可知$ P({Q_x}) $越小，蜜源质量越优），则基于ABC算法的矿井风量按需调控智能决策的寻优过程如下：
1） 种群初始化。通过初始化方程生成矿井风阻调控方案集合$ G $。
$$ r_{x,j}=r_{j\min}+\mathrm{rand}(0,1)(r_{j\max}-r_{j\min}) $$ (14) 式中：rand（0，1）为[0，1]上的随机数；$ r_{j\mathrm{m}\text{ax}},r_{j\min} $分别为第$ j $个分支风阻的上下限。
2） 采蜜行为。采蜜蜂在可行域内局部搜索新的矿井风阻调控方案，具体搜索方程可表示为
$$ {r'_{x,j}} = {r_{x,j}} + \phi ({r_{x,j}} - {r_{k,j}}) $$ (15) 式中：$ {r'_{x,j}} $为经搜索后的第$ x $个新的矿井风阻调控方案$ {R'_x} $中第$ j $个分支的风阻，$ {R'_x} = \{ {r'_{x,1}},{r'_{x,2}}, \cdots ,{r'_{x,n}}\} $；$ \phi $为[−1，1]上均匀分布的随机数；$ {r_{k,j}} $为随机选出的第$ k $$ (k \ne x) $个矿井风阻调控方案中第$ j $个分支的风阻。
若$ {R'_x} $的目标函数值优于$ {R_x} $，$ {R'_x} $将取代原矿井风阻调控方案$ {R_x} $，否则继续以$ {R_x} $作为矿井风阻调控方案。
3） 跟随行为。当采蜜蜂完成搜索后，会将新的蜜源信息分享给跟随蜂，每一只跟随蜂都会根据每个矿井风阻调控方案的目标函数值，以一定的概率选择适应度值较大的优质矿井风阻调控方案，在其周围采用搜索方程（式（15））进行局部搜索。每个矿井风阻调控方案的适应度函数$ H({R_x}) $及跟随蜂选择对应优质矿井风阻调控方案的概率$ {w_x} $分别为
$$ H({R_x}) = \frac{1}{{1 + P({Q_x})}}{\text{ }} $$ (16) $$ {w_x} = \frac{{H({R_x})}}{\displaystyle \sum_{x = 1}^v {H({R_x})} }{\text{ }} $$ (17) 4） 侦察行为。若某一矿井风阻调控方案在经历$ L $只蜜蜂搜索后仍未找到比它适应度值更大的优质矿井风阻调控方案，此时认为该矿井风阻调控方案为局部最优解。为跳出局部最优解，采蜜蜂会转变为侦察蜂，利用式（14）在整个可行域搜索新的矿井风阻调控方案，直到找到目标函数值更优的矿井风阻调控方案。
2.2 基于改进ABC算法的矿井风量按需调控智能决策
由于ABC算法中引入了较多的随机因子，导致该算法的探索能力较强而利用能力不足，在求解矿井风量按需调控智能决策模型时存在收敛速度较慢的问题。为平衡ABC算法的探索能力和利用能力，结合PSO算法[19]和一般反向学习（Generalized Opposition-based Learning，GOBL）策略[20]对ABC算法进行改进。
2.2.1 采蜜行为改进
PSO算法的灵感来源于鸟群或鱼群通过群体协助进行觅食的行为，在PSO算法中粒子根据个体历史最优值和群体历史最优值调整搜索方向，PSO算法拥有很强的利用能力，因此在蜜蜂的采蜜行为中引入群体历史最优值对搜索方向进行引导，将采蜜行为的搜索方程改进为
$$ {r'_{x,j}} = {r_{x,j}} + \phi ({r_{x,j}} - {r_{k,j}}) + \varphi ({r_{{\mathrm{best}},j}} - {r_{x,j}}){\text{ }} $$ (18) 式中：$ \varphi $为[0，1.5]上均匀分布的随机数；$ r_{\mathrm{best},j} $为当前最优的矿井风阻调控方案$ R_{\mathrm{best}} $在第$ j $个分支的风阻。
2.2.2 侦察行为改进
GOBL策略的核心机制：针对当前种群中的候选解，同步生成其一般反向解，通过贪婪准则选择适应度值更优的解作为下一代种群个体。该策略可提升算法的探索能力，从而提高算法收敛到全局最优解的概率。为保留原局部最优解的有用信息，将侦察行为的搜索方程改进为
$$ {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{r} _{x,j}} = {\mathrm{rand}}(0,1)({r_{j\min }}+{r_{j\max }}) - {r_{x,j}} $$ (19) 式中$ {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{r} _{x,j}} $为第$ x $个矿井风阻调控方案的反向解$ {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{R} _x} $中第$ j $个分支的风阻。
若一般反向解$ {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{r} _{x,j}} $未在边界调节范围$ [{r_{j\min }},{r_{j\max }}] $内，则采用随机生成的方法进行重置：
$$ {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{r} _{x,j}} = {\mathrm{rand}}({r_{j\min }},{r_{j\max }}) $$ (20) 式中$ \mathrm{rand}(r_{j\min},r_{j\max}) $为区间$ [{r_{j\min }},{r_{j\max }}] $上的随机数。
将一般反向解和利用式（14）产生的随机解进行比较，择优选择新蜜源的位置，该过程可表示为
$$ {R_x} = \left\{ \begin{gathered} {{\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{R} }_x}\quad P({{\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\smile}$}}{R} }_x}) < P({R_x}) \\ {R_x}\quad {\text{其他}} \\ \end{gathered} \right. $$ (21) 3. 实验与分析
3.1 实验参数
实验目标：求解使目标用风分支风量调节至32 m3/s的风量调控决策。实验所用通风网络拓扑如图1所示，该通风网络初始数据见表1，各分支类型、风阻和风量调节范围见表2。为验证改进ABC算法性能，与ABC算法、PSO算法、基于全局最优的人工蜂群（Gbest-guided Artificial Bee Colony，GABC）算法[21]和基于一般反向学习的人工蜂群（Artificial Bee Colony with Generalized Opposition-Based Learning，ABC−GOBL）算法[22]进行对比。各算法主要参数设置：种群规模为100，最大抛弃次数为60，最大迭代次数为200。
表 1 通风网络初始数据Table 1. Ventilation network initial data分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.114862 12.32 2 0.004709 29.96 10 0.085501 14.27 3 0.009727 20.85 11 0.001561 62.09 4 0.001339 73.38 12 0.001391 73.38 5 1.572439 5.31 13 0.015521 50.81 6 0.001562 62.10 14 0.005727 129.50 7 0.232000 11.28 15 0 129.50 8 0.013821 35.51 表 2 通风网络各分支类型、风阻和风量调节范围Table 2. Branch types, air resistance, and airflow regulation range of the ventilation network分支编号 分支类型 风阻调节范围/（N·s2·m−8） 风量调节范围/（m3·s−1） 1 一般分支 0.006455 129.50 2 其他用风分支 0.004709 26.96～32.96 3 其他用风分支 0.009727 18.77～22.94 4 一般分支 0.001339 3.94～126.00 5 一般分支 1.572439 3.94～126.00 6 一般分支 0.001562 3.94～126.00 7 其他用风分支 0.040940 ～0.884324 10.15～12.41 8 一般分支 0.013821 ～0.844314 3.94～126.00 9 其他用风分支 0.016615 ～0.577616 11.09～13.55 10 目标用风分支 0.085501 31.50～32.50 11 一般分支 0.001561 3.94～126.00 12 一般分支 0.001391 3.94～126.00 13 一般分支 0.004964 ～0.714323 3.94～126.00 14 其他用风分支 0.005727 129.50 15 虚拟分支 0 129.50 3.2 实验结果分析
实验中每个算法独立运行30次，不同算法的迭代收敛曲线如图2所示，不同算法下模型求解结果见表3。
表 3 不同算法下模型求解结果Table 3. Model solution results under different algorithms算法 算法成功率/% 平均收敛代数 平均寻优时间/s 改进ABC 100 42 132.72 GABC 87 53 167.48 ABC−GOBL 100 122 385.52 ABC 100 158 516.68 PSO 0 － － 由图2和表3可知：改进ABC算法能在132.72 s稳定将目标函数值收敛到0，这是由于改进ABC算法在引入全局最优解对搜索方向进行引导的同时，加入一般反向解保留搜索经验，能使算法在保持较高探索能力的同时，提高算法的利用能力；GABC算法虽然能在167.48 s实现寻优，但在解算时会出现早熟现象，这是由于GABC算法虽然采用全局最优解提高了算法的利用能力，但在求解矿井风量按需调控模型时仍存在不能跳出局部最优解的情况；ABC−GOBL算法和ABC算法均能稳定收敛但速度较慢，平均收敛时间分别为385.52 s和516.68 s，而ABC−GOBL算法收敛速度快于ABC算法，这是由于该算法在侦查蜂阶段保留了种群记忆；PSO算法无法正常求解矿井风量按需调控智能决策模型，这是由于PSO算法同时利用个体最优解和全局最优解引导搜索，过度提升了算法的利用能力，导致该算法容易陷入局部最优解。
由改进ABC算法求解出的最优矿井风阻调控方案见表4。可看出当分支风阻r7，r8，r9，r13分别为0.871 307，0.209 715，0.571 217，0.051 381 N·s2/m8时，目标用风分支（第10个分支）的风量由14.27 m3/s增加至31.51 m3/s，该风量满足目标用风分支的需风量（31.50～32.50 m3/s）要求，与目标用风分支的期望风量32 m3/s仅有0.49 m3/s的误差，且调控后各分支风量均能满足需风量要求。
表 4 改进ABC算法求解出的最优矿井风阻调控方案Table 4. Optimal mine ventilation resistance control scheme solved by the improved artificial bee colony algorithm分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.571217 12.21 2 0.004709 27.25 10 0.085501 31.51 3 0.009727 18.96 11 0.001561 64.23 4 0.001339 74.83 12 0.001391 74.83 5 1.572439 8.49 13 0.051381 46.21 6 0.001562 64.23 14 0.005727 129.50 7 0.871307 10.60 15 0 129.50 8 0.209715 20.51 4. 结论
1） 以目标用风分支风量与理想风量差距最小为目标，建立了矿井风量按需调控智能决策模型，并运用拉格朗日松弛方法优化模型的约束条件，采用冲突数方法优化模型的目标函数，利用随机搜索方法和元启发式算法优化模型的搜索策略。
2） 针对ABC算法探索能力和利用能力不平衡的问题，在采蜜蜂局部寻优时引入群体历史最优解引导采蜜行为，并利用GOBL策略保存侦查蜂的搜索经验，提出了一种改进ABC算法。
3） 将改进ABC算法用于求解矿井风量调控决策模型，相较于PSO，ABC，GABC，ABC−GOBL等算法具有更高的收敛速度和稳定性，且寻优精度高。
-
![]()
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
![]()
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
![]()
图 8 不同隐含层数下的决策结果
Figure 8. Decision-making results under different hidden layers configurations
![]()
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
![]()
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
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 
下载: 导出CSV
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
下载: 导出CSV
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
下载: 导出CSV
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
下载: 导出CSV
-
[1] 袁永,屠世浩,陈忠顺,等. 薄煤层智能开采技术研究现状与进展[J]. 煤炭科学技术,2020,48(5):1-17. YUAN Yong,TU Shihao,CHEN Zhongshun,et al. Current situation and development of intelligent mining technology for thin coal seams[J]. Coal Science and Technology,2020,48(5):1-17.
[2] ZHAO Tongbin,ZHANG Zhenyu,TAN Yunliang,et al. An innovative approach to thin coal seam mining of complex geological conditions by pressure regulation[J]. International Journal of Rock Mechanics and Mining Sciences,2014,71:249-257. DOI: 10.1016/j.ijrmms.2014.05.021
[3] 童应山,王森,张连东,等. 基于覆岩破断特征的极薄煤层工作面支架工作阻力确定[J]. 西安科技大学学报,2024,44(1):64-73. TONG Yingshan,WANG Sen,ZHANG Liandong,et al. Determination of support working resistance in the working face of extremely-thin coal seam based on overburden fracture characteristics[J]. Journal of Xi'an University of Science and Technology,2024,44(1):64-73.
[4] 王国法,刘峰,庞义辉,等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357. WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357.
[5] 周开平. 薄煤层智能化无人工作面成套装备与技术[J]. 煤炭科学技术,2020,48(3):59-67. ZHOU Kaiping. Complete equipment and technology for intelligent unmanned working face in thin coal seam[J]. Coal Science and Technology,2020,48(3):59-67.
[6] 杨生华,周永昌,芮丰,等. 薄煤层开采与成套装备技术的发展趋势[J]. 煤炭科学技术,2020,48(3):49-58. YANG Shenghua,ZHOU Yongchang,RUI Feng,et al. Development trend of thin coal seam mining and complete equipment technology[J]. Coal Science and Technology,2020,48(3):49-58.
[7] 王国法,刘峰,孟祥军,等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术,2019,47(8):1-36. WANG Guofa,LIU Feng,MENG Xiangjun,et al. Research and practice on intelligent coal mine construction (primary stage)[J]. Coal Science and Technology,2019,47(8):1-36.
[8] 葛世荣. 智能化采煤装备的关键技术[J]. 煤炭科学技术,2014,42(9):7-11. GE Shirong. Key technology of intelligent coal mining equipment[J]. Coal Science and Technology,2014,42(9):7-11.
[9] 牛剑峰. 综采液压支架跟机自动化智能化控制系统研究[J]. 煤炭科学技术,2015,43(12):85-91. NIU Jianfeng. Study on automatic and intelligent following control system of hydraulic powered support in fully-mechanized coal mining face[J]. Coal Science and Technology,2015,43(12):85-91.
[10] 付翔,李浩杰,张锦涛,等. 综采液压支架中部跟机多模态人机协同控制系统[J]. 煤炭学报,2024,49(3):1717-1730. FU Xiang,LI Haojie,ZHANG Jintao,et al. Multimodal human-machine collaborative control system for hydraulic supports following the shearer in the middle range of fully mechanized mining face[J]. Journal of China Coal Society,2024,49(3):1717-1730.
[11] 朱金雨,李国莲. 液压支架跟机自动化系统设计[J]. 工矿自动化,2013,39(12):1-4. DOI: 10.7526/j.issn.1671-251X.2013.12.001 ZHU Jinyu,LI Guolian. Design of machinery-tracked automatic system of hydraulic support[J]. Industry and Mine Automation,2013,39(12):1-4. DOI: 10.7526/j.issn.1671-251X.2013.12.001
[12] 韩宝珠,安叶青. 基于PLC的液压支架带压移架控制技术[J]. 煤炭技术,2022,41(7):185-187. HAN Baozhu,AN Yeqing. Control technology of hydraulic support moving under pressure based on PLC[J]. Coal Technology,2022,41(7):185-187.
[13] 杨科,池小楼,刘帅. 大倾角煤层综采工作面液压支架失稳机理与控制[J]. 煤炭学报,2018,43(7):1821-1828. YANG Ke,CHI Xiaolou,LIU Shuai. Instability mechanism and control of hydraulic support in fully mechanized longwall mining with large dip[J]. Journal of China Coal Society,2018,43(7):1821-1828.
[14] 张武,贾艳平,路正雄,等. 大采高液压支架带压移架性能研究[J]. 煤矿机械,2020,41(7):53-55. ZHANG Wu,JIA Yanping,LU Zhengxiong,et al. Performance study on moving support with pressure for hydraulic support in large mining height[J]. Coal Mine Machinery,2020,41(7):53-55.
[15] 曹连民,张亚珠,郭徽,等. 大采高液压支架带压移架技术[J]. 煤矿安全,2018,49(3):83-86. CAO Lianmin,ZHANG Yazhu,GUO Hui,et al. Advancing support with pressure technology for hydraulic support with large mining height[J]. Safety in Coal Mines,2018,49(3):83-86.
[16] 李志旭. 液压支架带压移架控制技术研究与应用[D]. 青岛:山东科技大学,2020. LI Zhixu. Research and application on control technology of advancing support with pressure for hydraulic support[D]. Qingdao:Shandong University of Science and Technology,2020.
[17] 曾庆田,吕珍珍,石永奎,等. 基于Prophet+LSTM模型的煤矿井下工作面矿压预测研究[J]. 煤炭科学技术,2021,49(7):16-23. ZENG Qingtian,LYU Zhenzhen,SHI Yongkui,et al. Research on prediction of underground coal mining face pressure based on Prophet+LSTM model[J]. Coal Science and Technology,2021,49(7):16-23.
[18] 王鹏,伍永平,王栓林,等. 矿井瓦斯浓度Lagrange−ARIMA实时预测模型研究[J]. 煤炭科学技术,2019,47(4):141-146. WANG Peng,WU Yongping,WANG Shuanlin,et al. Study on Lagrange-ARIMA real-time prediction model of mine gas concentration[J]. Coal Science and Technology,2019,47(4):141-146.
[19] TIAN Zhongda,LI Shujiang,WANG Yanhong,et al. Wind power prediction method based on hybrid kernel function support vector machine[J]. Wind Engineering,2018,42(3):252-264.
[20] 王超,蔺红,庞晓虹. 基于HPO−VMD和MISMA−DHKELM的短期光伏功率组合预测[J]. 太阳能学报,2023,44(12):65-73. WANG Chao,LIN Hong,PANG Xiaohong. Short-term photovoltaic power combination prediction based on HPO-VMD and MISMA-DHKELM[J]. Acta Energiae Solaris Sinica,2023,44(12):65-73.
[21] CHU Yunfei,FENG Chunyan,GUO Caili,et al. Network embedding based on deep extreme learning machine[J]. International Journal of Machine Learning and Cybernetics,2019,10(10):2709-2724.
[22] XUE Jiankai,SHEN Bo. Dung beetle optimizer:a new meta-heuristic algorithm for global optimization[J]. The Journal of Supercomputing,2023,79(7):7305-7336.
计量
- 文章访问数: 73
- HTML全文浏览量: 8
- PDF下载量: 12
