采煤机生物学模型构建及技术参数预测

丁 华，杨亮亮，邓金涛，常 琦

(1.太原理工大学 机械与运载工程学院，山西 太原 030024；2.煤矿综采装备山西省重点实验室，山西 太原 030024)

随着综采装备信息化、自动化的实现，其工作效率、可靠性及安全性都有了很大提高[1，2]。采煤机作为综采工作面的核心，在提高综采装备的产量、工作效率以及生产的安全性方面具有现实意义[3]。随着矿山机械设备的发展和采煤机设计技术的提高，对采煤机的技术参数设计提出了更高的要求。

目前现代设计方法发展迅速，通过对数据的分析、建模并将模型应用于设计系统，可实现产品的快速开发。在采煤机设计中也有初步的运用，丁华[4，5]通过创建采煤机实例库与设计知识规则库分类表示采煤机设计知识，将基于实例推理(Case-Based Reasoning CBR)与基于规则的推理(Rule-Based Reasoning RBR)混合推理机制应用于采煤机的概念设计过程，并基于UG开发了采煤机数字化设计系统；姚晶[6]通过数据库相关知识，利用实例推理方法，用CBR创建了采煤机概念设计系统。对于综采装备，徐天彬[7]对特大型矿井超长综采工作面的主要设备选型原则和方法进行分析计算，阐述了综采工作面 “三机”配套中应考虑的一些因素，为类似工作面设备的合理选型与配套提供参考；郑伟[8]针对薄煤层工作的地质条件，基于综采设备选型原则，对主要设备选型进行分析和计算，为薄煤层工作面综采提供参考；吴勇生[9]阐述了综采工作面主要机械设备的选型原则、理论计算依据以及三机合理配套的相关要求；王国法[10]研究了不同厚度煤层综采装备关键技术及集成配套方法。

上述文献对采煤机的相关设计展开了不同的研究，并且采用智能方法进行采煤机设计，但是对采煤机设计只局限于采煤机本身，未考虑采煤机实际工作条件，忽略采煤机与其它工作设备参数之间的潜在联系(产量参数关系、空间位置参数关系)等实际问题，使得采煤机整体方案解决能力弱、适应性差。综采装备的研究大多采用传统的经验设计方法，导致采煤机设计效率低等缺陷。

针对采煤机设计过程中存在的上述问题，本文基于生态学理论构建采煤机生物学模型，考虑采煤机实际工作中与液压支架、刮板输送机之间的相互协调，通过极限学习机预测模型不仅得到采煤机技术参数，同时为采煤机对应的综采工作面配合设备提供相关协同参数，这提高了技术参数的准确性和设计效率。

1 采煤机生物学模型构建

1.1 采煤机生物学模型

综采工作面生态学模型基于生态学理念，将其包含的机械设备类比为生物体，通过生物学在生态学中的相互影响关系，结合实际综采装备工作条件，分析采煤机技术参数与相关协同参数等。

在同一时间、相同环境中工作产品(采煤机、液压支架、刮板输送机等)的集合组成综采工作面的产品群落。由于受不同的工作需求、环境影响等，使采煤机、刮板输送机和液压支架之间处于一个相对稳定的平衡状态。采煤机为主导种群，在平衡状态中起主导作用[11]。三机相互配合使异质种群共同进化，满足结构要求和生产要求。

主要功能相同而其他不同的采煤机个体组成的集合称为采煤机产品种群。同生态环境一样，受外部环境影响小的采煤机种群会因其强的适应能力而被广泛应用，而与之对应的弱势种群被淘汰。

1.2 种群协同关系

将生态学引入到采煤机参数协同设计当中，首先需要分析采煤机内部参数之间以及综采三机之间参数协同关系，包括产量协同和尺寸协同。

采煤机相关协同参数求解步骤为：

1)基于种群个体所处工作条件确定输入参数。

2)基于种群之间协同关系，结合输入参数求解调整部分技术参数。

3)利用调整后的参数，求解其余参数。

1.2.1 产量协同

基于实际条件，为了平衡采煤机种群和对应的协同种群，改变相关的具有决定性的参数，达到协同进化综采工作面相关生态群落。工作面生产能力作为各决定性参数的改变依据，主要受工作面年产量的影响：

式中，Sh为综采设备应该具有的生产力，t/h；Sy为设备年总生产量，t；Y为设备年工作日数量；f为设备容量的弹性度；T为日生产时数；K为开机率。

为了保证正常生产和安全工作，实际中采煤机生产能力设置一般大于工作面所具备的生产能力，如式(2)：

分析可知生产能力取决于截深、采高和牵引速度。而截割电机，牵引电机等作为动力源，通过各部件的协同配合，才能满足采煤机的生产能力要求。截割功率作为衡量标准，其计算如下：

式中，Pz为采煤机总截割功率，kW；Tw为滚筒采煤机截割比能耗，kW·h/m3；C1为功率浪费率；C2为功率水平系数；C3为滚筒工作情况。

为了增强采煤机的工作性能和稳定性，一般设置实际装机功率比计算功率高30%。

输送机运输能力必须满足落煤能完全运出，具有应对突发状况的能力。如式(4)：

Ssy≥CbChSs

(4)

式中，Ssy为输送机实际具有的运输能力；Cb为运输机的装载不均匀系数；Ch为采煤机割煤回收率。

为避免实际采煤时采煤机滚筒与液压支架相互碰撞造成危险，液压支架的速度vy大于采煤机工作时的最大牵引速度vm。具体关系式如下：

vy=Cyvm

(5)

式中，Cy为不均匀系数(Cy>1)。

为了精确控制液压支架和采煤机的空间关系，避免故障发生，设置液压支架单位时间移驾数目，使液压支柱的中心距等于液压支架的移动速度和移动数目的比值，如式(6)：

式中，d为液压支架的中心距，m；n为支架的移架数量，架/min。

1.2.2 尺寸协同

综采装备三机基因在满足产量要求的同时还需保证空间尺寸技术基因的相互配合，如图1所示。

图1 三机尺寸配套图

为了便于控制顶板，应使无立柱空间宽度F最小。

F=B+e+G+b+x

(7)

式中，e为煤壁到铲煤板的距离，m；x为倾斜支架前柱水平投影值，m；G为输送机宽度，m；b为支架前柱到输送机电缆槽距离，m。

为了避免顶板运动和采煤机相互干涉，方便操作人员观察，应建立采煤机机面高度和支架最小高度关系，如式(8)：

H=A+C+t

(8)

式中，H为液压支架最小支撑高度，m；A为采煤机机身高度，m；C为采煤机机身到顶板之间的距离，m；t为支架顶梁厚度，m。

2 采煤机技术参数预测

极限学习机(Extreme Learning Machine，ELM)是基于单隐层前馈神经网络的新型神经网络。其函数见式(9)：

f(x)=h(x)α

(9)

式中，h(x)为神经元组成的向量；α为输出层权重向量。

ELM算法是对求解矩阵进行求逆运算达到单隐层神经网络的训练，以提高算法效率。为了保证泛化能力α通常取最小二乘解：

式中，H为神经网络隐含层矩阵，H+为对应的广义逆矩阵；T为目标值向量。

基于极限学习机理论，对采煤机技术参数进行预测，具体流程如图2所示。

图2 采煤机技术参数预测流程图

3 实验与分析

3.1 ELM模型预测牵引功率实验

以电牵引双滚筒采煤机为研究对象，基于ELM模型预测采煤机牵引功率。以采高、截深、煤层倾角、牵引速度、煤质硬度等作为条件属性，以牵引功率作为决策属性，验证提出模型的预测准确性。选取430组采煤机制造相关数据作为实验，随机选取其中70%的数据作为训练集，其余为测试集。进行实验对比，以支持向量机(SVM)和极限学习机(ELM)为对比模型。

实验分别选取sin函数、hardlim函数和sigmoid函数作为激励函数进行模型训练，使算法隐含层神经元递增，验证不同激励函数对拟合效果的影响。选取决定系数为评判指标，即当决定系数越接近1，代表拟合效果越好，预测精度越高，结果如图3所示。由图3可知，控制隐含层神经元数量，在同数量隐含层神经元下，sin函数和sigmoid函数得到的决定系数大，当隐含层神经元数量增加时，由函数得到的决定系数也变大，当神经元个数达到120左右，sin函数和sigmoid函数基本趋于稳定，hardlim函数波动大，不稳定。因此选取sin函数或sigmoid函数作为激励函数。

图3 不同激励函数效果

为了得到稳定的预测结果，实验中选取sin函数作为激励函数，并且设置隐含层神经元为130，通过训练集训练ELM模型，用测试集测试模型的预测结果，如图4所示。由图4分析，原始牵引功率和预测功率几乎重合，这说明，模型ELM的预测准确率理想。

图4 ELM预测牵引功率

实验通过计算测试集相对误差检验模型拟合的可信程度，结果如图5所示。由图5分析，大多数测试样本的相对误差在0.05以内，在误差允许的范围内，模型ELM拟合效果理想。

图5 ELM模型的相对误差

3.2 SVM模型预测牵引功率实验

利用支持向量机(SVM)，设置相关对应的参数，实验中核函数选用径向基核函数。

通过测试集检验SVM模型预测能力，模型预测结果如图6所示。由图6可知，模型预测功率值与实际值差距明显，拟合效果差，说明SVM预测效果差。

图6 SVM预测牵引功率

3.3 ELM算法与SVM算法性能对比

上述只是对两种模型的预测结果进行定性分析，为了更准确描述两种模型的性能，实验选取平均相对误差、决定系数和计算时间作为评价指标，对两种模型进行定量分析，这里分别运行极限学习机(ELM)和支持向量机(SVM)各30次，对评价指标取平均值，结果见表1。

表1 ELM与SVM预测性能指标

由表1可知，ELM模型的三个指标值均优于模型SVM的指标值。在预测牵引功率中，模型SVM的平均相对误差值是模型ELM对应指标值的3倍多。观察决定系数指标，模型ELM的值大于SVM的值。在计算时间方面，ELM的时间为0.757s，而SVM的计算时间为74.322s，两个模型在牵引功率预测方面差距明显，模型ELM的预测效果明显优于SVM的效果；在截割功率预测方面，模型ELM的平均相对误差值远远小于模型SVM的平均相对误差值，在决定系数方面，两个模型的结果相差无几，但ELM的结果优于SVM模型，在计算时间方面两个模型的差距明显。

依据定性分析，由图4和图6可知，模型ELM的功率预测曲线与实际功率变化曲线较吻合，说明模型的预测值更接近实际值，预测准确率高。依据定量分析，由表1分析，在考虑精确度方面，模型ELM的精确度优于模型SVM的精确度，且该模型的计算速度快。

故综合定性分析和定量分析，模型ELM的预测准确率高，运算时间少。

4 应用实例

由式(1)可得综采装备应具有的生产能力Sh=2145.8t/h，由式(2)可以求得采煤机截割时的平均牵引速度vc=6.77m/min，为了保证实际生产需求，将速度调整为7m/min。依据工作牵引速度，将截割时最大牵引速度设置为12m/min。

实际中3.3m滚筒直径完全满足采高要求。由式(2)得到采煤机理论产量为2743t/h，由式(4)计算得到输送机运量为2951t/h，考虑实际情况，将输送机运量设置为标准值3000t/h。

基于ELM模型预测得到以下参数。由采高、煤层倾角、最大牵引速度预测得到牵引电机功率为200kW；由采高和最大牵引速度预测得到泵站功率40kW、破碎功率150kW、滚筒转速23.5r/min、机面高度为2400mm；由输送机运量和输送机链速预测得到输送机中部槽宽为1200mm、中部槽高为376mm、中部槽长度为1750mm；由采高和截割功率预测得到采煤机总重量为136t；由机身重量和煤层倾角可估算出牵引力为1373kN。

5 结 语

借鉴生态学理论，建立采煤机生物学模型，研究了采煤机与刮板输送机液压支架之间的协同关系。利用极限学习机建立采煤机技术参数预测模型，通过实验验证该模型预测精度保持在95%以上，且预测速度快。结合预测算法和设计公式，实现了采煤机结构部件以及参数的协同设计，弥补了现有采煤机参数设计系统中未考虑采煤机结构部件之间和综采装备之间协同设计的缺陷，提高了设计的效率和质量。