本发明涉及煤矿开采领域，尤其涉及一种综采工作面智能岩层控制方法。
背景技术：
目前，煤矿正处在变革的关键节点，在煤矿开采自动化、信息化高度发展和融合的前提下，智能化煤矿开采的要求变得十分迫切。智能化煤矿开采中的关键内容之一就是智能岩层控制，由于煤矿开采的对象是一个复杂的地质体，煤矿开采过程不但要受到地质体本身的结构、构造、层理等的影响，同时受开采带来的二次应力作用，工作面围岩的稳定性受到巨大影响。传统对于工作面围岩的控制主要靠人工识别、判断，人工通过操作液压支架电液控系统控制液压支架，实现工作面岩层控制。由于人为识别受主观影响较大且有明显的后效性，工作面岩层的控制往往达不到及时、精准的控制，影响工作面开采进度和生产效率，同时伴随着智能化开采的大力推进，为了早日实现工作面少人以及无人化目标。实现综采工作面智能岩层控制已经到了刻不容缓的地步。
技术实现要素：
本发明目的是针对上述问题，提供一种能够实时采集数据信息，从而及时对液压支架进行精准控制的综采工作面智能岩层控制方法。
为了实现上述目的，本发明的技术方案是：
一种综采工作面智能岩层控制方法，包括以下步骤：
s1、建立煤壁稳定性判别系统；
s2、采集综采工作面液压支架的电液控系统控制源信号数据、支架阻力数据、支架姿态数据；然后通过数据分析处理器将液压支架的电液控系统控制源信号数据、支架阻力数据、支架姿态数据生成支架操作流程系统库、综采工作面工作阻力数据库和综采工作面支架姿态模型库；
s3、通过激光雷达探测器采集综采工作面顶板及煤壁的三维图像，并通过图像处理器将多个激光雷达探测器采集的数据进行拼接，实时生成综采工作面顶板及煤壁三维立体动态图像；
s4、通过对支架操作流程系统库、综采工作面工作阻力数据库、综采工作面支架姿态模型库和综采工作面实时顶板及煤壁三维立体动态图像进行分析，获取到采集工作面压力参数、煤壁状态参数；
s5、将获取的采集工作面压力参数、煤壁状态参数以及煤层参数(煤层参数信息通过矿井生产地质报告获得)输入煤壁稳定性判别系统，煤壁稳定性判别系统对煤壁的稳定性进行判断并输出判断结果；当判断结果为煤壁稳定时，则将该数据作为案例保存到数据库中，当判断结果为煤壁不稳定时，则将判断结果反馈到电液控系统，电液控系统对煤壁实施保护措施，直至煤壁稳定，并将该数据作为案例保存到数据库中。
进一步的，所述步骤s1中的煤壁稳定性判别系统基于bp神经网络模型建立，bp神经网络模型的建立过程包括以下步骤：
s11、将煤壁稳定性影响因素作为bp神经网络模型的输入层，并进行定量化处理；
s12、将煤壁稳定性等级作为bp神经网络模型的输出层；
s13、预先设定bp神经网络模型的模型参数，得到初始bp神经网络模型；
s14、采集历史数据中的煤壁稳定性影响因素和煤壁稳定性等级并分别作为初始bp神经网络模型的输入层和输出层，将历史数据分成训练集和测试集，用训练集对初始bp神经网络模型进行训练，用测试集对训练好的初始bp神经网络模型进行测试，并修正模型参数，即得到bp神经网络模型。
进一步的，所述步骤s11中煤壁稳定性影响因素为采集工作面压力参数、煤壁状态参数以及煤层参数。
进一步的，所述步骤s12中煤壁稳定性划分为稳定、较稳定、不稳定和极不稳定四个等级。
进一步的，所述步骤s2中的支架姿态数据包括支架沿工作面走向方向与水平面的夹角数据、支架沿工作面倾向方向与水平面的夹角数据以及支架支撑高度。其利用安设在工作面全部液压支架各部位(基座、前连杆、顶梁)的双轴倾角传感器(可以采集传感器所在面沿两个方向与水平面的倾角)采集工作面全部支架各部位(基座、前连杆、顶梁)沿工作面走向方向与水平面的夹角数据，和沿工作面倾向方向与水平面的夹角数据。并依据各个支架各个部位的倾角数据与支架设计图纸(测量各部件尺寸信息)，利用正余弦定理，分别计算工作面全部支架实时高度。
进一步的，所述步骤s3中激光雷达探测器设置在顶梁下方，其探测范围为整个煤壁的高度。
进一步的，所述步骤s4中的煤壁状态参数包括片帮深度、片帮位置、片帮面积、片帮速度，其由图像处理器通过对比前后综采工作面实时顶板及煤壁三维立体动态图像的高程差获得。
进一步的，所述步骤s4中的煤层参数为矿井地质勘探数据，其由矿井生产地质报告获得。
进一步的，所述步骤s5中，当煤壁稳定性判别系统的判断结果为煤壁不稳定时，煤壁稳定性判别系统匹配数据库内相似条件下的技术措施，然后将匹配到的技术措施反馈给对液压支架进行控制的电液控系统。
进一步的，在对综采工作面进行采煤过程中，煤壁稳定性判别系统对煤壁的稳定状态进行实时反馈，最后将整个综采工作面的控制过程反馈信息进行记录，形成控制学习案例并保存到数据库中。
与现有技术相比，本发明具有的优点和积极效果是：
本发明提出的一种综采工作面智能岩层控制方法，其依靠激光雷达探测煤壁结构等数据，依靠液压支架传感器探知液压支架的受力和姿态信息，将两者的探测数据进行融合，通过煤壁稳定性判别系统对煤壁的稳定性进行判断，并结合对液压支架进行控制的电液控系统进行控制，从而使得电液控系统可以自动对液压支架的行为进行控制，实现了液压支架的自我感知、自我判断和自我控制；另一方面，本发明为煤矿的智能化开采做了有益的补充，其可以充分解放人力资源，极大的减小了煤矿开采的人力成本；本方案可以形成大量学习案例，完善bp神经网络模型数据库，为煤矿实现智能化推广打造重要的模型基础，为煤矿实现智能化开采作出巨大贡献。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的框架流程图；
图2为本发明的连接结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
如图1、图2所示，本发明提出了一种综采工作面智能岩层控制方法，其步骤为：在工作面正常回采过程中，通过获取并分析历史采煤施工中液压支架的监测数据和液压支架上激光雷达探测器监测到的工作面顶板及煤壁图像数据，得到采集工作面压力参数、煤壁状态参数，通过矿井生产地质报告获得煤层参数信息，这些参数数据结合bp神经网络建立煤壁稳定性判别系统，通过该系统分析现综采工作面顶板及煤壁稳定性，如果稳定则记录保存形成案例；如果判定工作面顶板及煤壁不稳定，则通过反馈信息和电液控系统对工作面支架进行自动控制和调整，直至工作面顶板及煤壁稳定，记录整个过程并形成学习案例。
所述工作面液压支架的监测数据首先通过压力传感器和姿态传感器实时获取综采工作面液压支架的电液控系统控制源信号数据、支架阻力数据、支架姿态数据，然后通过液压支架数据分析处理器将支架电液控系统控制源信号数据、支架阻力数据、支架姿态数据生成支架操作流程系统库、综采工作面工作阻力数据库和综采工作面支架姿态模型库，传输至煤壁稳定性判别系统中。
所述激光雷达探测器安装于液压支架的顶梁上，即液压支架的最顶端，其检测范围可以控制到整个煤壁高度，激光雷达实时发出雷达波并接收回波，形成一定范围内工作面顶板及煤壁的三维动态图像，通过图像处理器将多个雷达探测的数据拼接生成工作面实时顶板及煤壁三维立体动态图像，其反映的是煤壁距离的变化情况，通过动态对比前后时间图像的高程差，可以获得煤壁片帮深度、片帮位置、片帮面积、片帮速度数据，传输至工作面顶板及煤壁稳定性判别系统中。
所述煤壁稳定性判别系统的评判算法基于bp神经网络，在系统进行现场应用之前要进行训练，其训练过程如下：
首先，确定神经网络的输入层，即煤壁稳定性影响因素，该系统将工作面压力参数、煤壁状态参数以及煤层参数作为影响因素，并进行定量化处理；定量化处理就是给出各个数据的具体数值，例如工作阻力值是多少、支架倾角是多少、煤壁状态的各个参数值是多少等等；其中煤层参数为矿井地质勘探数据，由矿井生产地质报告获取；
然后，确定煤壁稳定性等级，将煤壁稳定性划分为稳定、较稳定、不稳定和极不稳定四个等级，其对应的输出层信息分别用(1000)、(0100)、(0010)、(0001)来表示；
接着，确定bp神经网络的模型参数，模型参数包括激活函数类型、隐含层神经元个数、输入层与隐含层连接权值、隐含层与输出层连接权值、隐含层各神经元阈值、输出层各神经元阈值、误差函数、最大训练步数等。
最后，将现成采集的输入层和输出层的数据分成训练集和测试集，用建立好的bp神经网络进行训练，采用测试集对训练好的bp神经网络进行测试，并修正神经网络参数，直至测试结果的准确率达到95％以上。
将训练好的bp神经网络应用到现场的煤壁稳定性判别中，其判定过程是将工作面压力参数、煤壁状态参数以及煤层参数导入到煤壁稳定性判别系统中，系统会自动给出煤壁稳定性评价结果，实时地判断工作面煤壁的稳定状况，煤壁稳定性判别系统与液压支架电液控系统之间存在反馈关系，电液控系统既可以受人为控制，同时也对判别系统的判定结果进行响应；如果判定结果为稳定或较稳定，则系统会直接将此时的工作状态及稳定状态记录保存，作为一个成功案例；如果判定结果为不稳定或极不稳定，则煤壁稳定性判别系统会将判定信息反馈给控制液压支架的电液控系统，并且煤壁稳定性判别系统会通过深度学习，匹配数据库内相似条件下的技术措施及手段，然后将匹配结果反馈给液压支架的电液控系统，电液控系统可以采取增加支架工作阻力或增大护帮板的压力等措施，增加支架工作阻力可以减小顶板在煤壁上的作用力，降低煤壁继续破坏的可能性；增大护帮板压力可以使松动的煤壁无法滑落到工作面，电液控系统实时地对工作面液压支架进行自动控制，直至工作面顶板及煤壁稳定，同时形成成功案例，记录并保存在数据库中。成功案例可以在之后的工作面顶板及煤壁的稳定性判定中作为参考，对之后的开采提供借鉴，对于煤壁稳定性不好的情况，可以进行注水、注浆、锚固措施等。
本发明提出的一种综采工作面智能岩层控制方法，其依靠激光雷达探测煤壁结构等数据，依靠液压支架传感器探知液压支架的受力和姿态信息，将两者的探测数据进行融合，通过煤壁稳定性判别系统对煤壁的稳定性进行判断，并结合对液压支架进行控制的电液控系统进行控制，从而使得电液控系统可以自动对液压支架的行为进行控制，实现了液压支架的自我感知、自我判断和自我控制；另一方面，本发明为煤矿的智能化开采做了有益的补充，其可以充分解放人力资源，极大的减小了煤矿开采的人力成本；本方案可以形成大量学习案例，完善bp神经网络模型数据库，为煤矿实现智能化推广打造重要的模型基础，为煤矿实现智能化开采作出巨大贡献。
1.一种综采工作面智能岩层控制方法，其特征在于：包括以下步骤：
s1、建立煤壁稳定性判别系统；
s2、采集综采工作面液压支架的电液控系统控制源信号数据、支架阻力数据、支架姿态数据；然后通过数据分析处理器将液压支架的电液控系统控制源信号数据、支架阻力数据、支架姿态数据生成支架操作流程系统库、综采工作面工作阻力数据库和综采工作面支架姿态模型库；
s3、通过激光雷达探测器采集综采工作面顶板及煤壁的三维图像，并通过图像处理器将多个激光雷达探测器采集的数据进行拼接，实时生成综采工作面顶板及煤壁三维立体动态图像；
s4、通过对支架操作流程系统库、综采工作面工作阻力数据库、综采工作面支架姿态模型库和综采工作面实时顶板及煤壁三维立体动态图像进行分析，获取到采集工作面压力参数、煤壁状态参数；
s5、将获取的采集工作面压力参数、煤壁状态参数以及煤层参数输入煤壁稳定性判别系统，煤壁稳定性判别系统对煤壁的稳定性进行判断并输出判断结果；当判断结果为煤壁稳定时，则将该数据作为案例保存到数据库中，当判断结果为煤壁不稳定时，则将判断结果反馈到电液控系统，电液控系统对煤壁实施保护措施，直至煤壁稳定，并将该数据作为案例保存到数据库中。
2.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s1中的煤壁稳定性判别系统基于bp神经网络模型建立，bp神经网络模型的建立过程包括以下步骤：
s11、将煤壁稳定性影响因素作为bp神经网络模型的输入层，并进行定量化处理；
s12、将煤壁稳定性等级作为bp神经网络模型的输出层；
s13、预先设定bp神经网络模型的模型参数，得到初始bp神经网络模型；
s14、采集历史数据中的煤壁稳定性影响因素和煤壁稳定性等级并分别作为初始bp神经网络模型的输入层和输出层，将历史数据分成训练集和测试集，用训练集对初始bp神经网络模型进行训练，用测试集对训练好的初始bp神经网络模型进行测试，并修正模型参数，即得到bp神经网络模型。
3.如权利要求2所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s11中煤壁稳定性影响因素为采集工作面压力参数、煤壁状态参数以及煤层参数。
4.如权利要求3所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s12中煤壁稳定性划分为稳定、较稳定、不稳定和极不稳定四个等级。
5.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s2中的支架姿态数据包括支架沿工作面走向方向与水平面的夹角数据、支架沿工作面倾向方向与水平面的夹角数据以及支架支撑高度。
6.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s3中激光雷达探测器设置在顶梁下方，其探测范围为整个煤壁的高度。
7.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s4中的煤壁状态参数包括片帮深度、片帮位置、片帮面积、片帮速度，其由图像处理器通过对比前后综采工作面实时顶板及煤壁三维立体动态图像的高程差获得。
8.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s4中的煤层参数为矿井地质勘探数据，其由矿井生产地质报告获得。
9.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：所述步骤s5中，当煤壁稳定性判别系统的判断结果为煤壁不稳定时，煤壁稳定性判别系统匹配数据库内相似条件下的技术措施，然后将匹配到的技术措施反馈给对液压支架进行控制的电液控系统。
10.如权利要求1所述的综采工作面智能岩层控制方法，其特征在于：在对综采工作面进行采煤过程中，煤壁稳定性判别系统对煤壁的稳定状态进行实时反馈，最后将整个综采工作面的控制过程反馈信息进行记录，形成控制学习案例并保存到数据库中。
技术总结