基于数据驱动的综采装备协同控制系统架构及关键技术.pdf

第 ４８ 卷第 ７ 期煤 炭 科 学 技 术Ｖｏｌ. ４８ Ｎｏ. ７ ２０２０ 年７ 月Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｊｕｌｙ２０２０ 移动扫码阅读 路正雄，郭 卫，张 帆，等.基于数据驱动的综采装备协同控制系统架构及关键技术[Ｊ].煤炭科学技术， ２０２０，４８７１９５－２０５. ｄｏｉ１０. １３１９９/ ｊ. ｃｎｋｉ. ｃｓｔ. ２０２０. ０７. ０２０ ＬＵ Ｚｈｅｎｇｘｉｏｎｇ， ＧＵＯ Ｗｅｉ， ＺＨＡＮＧ Ｆａｎ，ｅｔ ａｌ.Ｃｏｌｌａｂｏｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ａｒｃｈｉｔｅｃｔｕｒｅ ａｎｄ ｋｅｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｂａｓｅｄ ｏｎ ｄａｔａ ｄｒｉｖｅ[Ｊ].Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，４８７１９５－ ２０５. ｄｏｉ１０. １３１９９/ ｊ. ｃｎｋｉ. ｃｓｔ. ２０２０. ０７. ０２０ 基于数据驱动的综采装备协同控制系统架构及关键技术 路正雄１，郭 卫１，张 帆２，张传伟１，赵栓峰１，杨满芝１，王 渊１ １.西安科技大学 机械工程学院，陕西 西安 ７１００５４；２.中国矿业大学北京 机电与信息工程学院，北京 １０００８３ 摘 要为解决智能化综采工作面关键技术难题之一的开采设备协同控制问题，提出了基于数据驱动 的综采装备仿人智能协同控制模型，重点研究了大数据背景下智能综采装备的协同控制知识自学习、 开采行为自决策、分布协同自运行等关键技术理论与方法。 具体包括从数据应用的角度分析了智能 综采系统的数据特点，阐明了智能综采的 ３ 大数据化特征泛在感知数据获取、信息融合数据挖 掘、智能控制数据决策；构建了面向经验操作员决策过程表征的综采装备协同控制框架；提出了 基于扩展有限状态机的综采装备运行状态演化方法和基于多标记决策信息系统的综采装备运动行为 模式学习方法，来实现数据驱动下智能综采装备行为决策知识的获取；提出了面向经典采煤工艺过程 的综采装备行为模态类的决策知识划分方法和基于 ＣＢＲ 与 ＲＢＲ 融合的决策行为混合推理方法，来 实现智能综采装备动作行为的自主决策；探讨了人工控制模式下综采装备驾驶员控制策略的表征方 法，发展了具有自学习、自决策、工况自适应的综采“三机”仿人智能协同控制方法；给出了基于平行 系统理论的平行综采技术逻辑，为综采装备协同控制的研究提供方法。 所提综采装备协同控制系统 为大数据背景下的综采生产系统的协同控制提供了解决方案。 关键词数据驱动；智能综采工作面；协同控制；仿人智能控制；平行综采 中图分类号ＴＤ４２１ 文献标志码Ａ 文章编号０２５３－２３３６２０２００７－０１９５－１１ Ｃｏｌｌａｂｏｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ａｒｃｈｉｔｅｃｔｕｒｅ ａｎｄ ｋｅｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｂａｓｅｄ ｏｎ ｄａｔａ ｄｒｉｖｅ ＬＵ Ｚｈｅｎｇｘｉｏｎｇ１， ＧＵＯ Ｗｅｉ１， ＺＨＡＮＧ Ｆａｎ２， ＺＨＡＮＧ Ｃｈｕａｎｗｅｉ１， ＺＨＡＯ Ｓｈｕａｎｆｅｎｇ１， ＹＡＮＧ Ｍａｎｚｈｉ１， ＷＡＮＧ Ｙｕａｎ１ １.Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００５４，Ｃｈｉｎａ； ２.Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ， Ｅｌｅｃｔｒｉｃａｌ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ－Ｂｅｉｊｉｎｇ， Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ 收稿日期２０２０－０４－２０；责任编辑朱恩光 基金项目国家重点研发计划资助项目２０１７ＹＦＣ０８０４３１０；国家自然科学基金资助项目５１８０５４２８ 作者简介路正雄１９８６，男，山西晋中人，博士研究生。 Ｅ－ｍａｉｌ１３２５９７１６７５４＠ １６３.ｃｏｍ ＡｂｓｔｒａｃｔＩｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｏｆ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ，ｗｈｉｃｈ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｋｅｙ ｔｅｃｈｎｉｃａｌ ｐｒｏｂｌｅｍｓ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｃｏａｌ ｍｉｎｉｎｇ ｆａｃｅ，ａ ｈｕｍａｎ－ｌｉｋｅ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｍｏｄｅｌ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｃｏａｌ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｂａｓｅｄ ｏｎ ｄａｔａ ｄｒｉｖｅ ｗａｓ ｐｒｏｐｏｓｅｄ，ｆｏｃｕｓｉｎｇ ｏｎ ｔｈｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｕｎｄｅｒ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｂｉｇ ｄａｔａ ｋｅｙ ｔｅｃｈｎｏｌｏｇｙ ｔｈｅｏｒｉｅｓ ａｎｄ ｍｅｔｈｏｄｓ ｓｕｃｈ ａｓ ｋｎｏｗｌｅｄｇｅ ｓｅｌｆ－ｌｅａｒｎｉｎｇ， ｍｉｎｉｎｇ ｂｅｈａｖｉｏｒ ｓｅｌｆ－ｄｅｃｉｓｉｏｎ， ａｎｄ ｄｉｓｔｒｉｂｕｔｅｄ ｃｏｏｐｅｒａｔｉｖｅ ｓｅｌｆ－ｏｐｅｒａｔｉｏｎ. Ｉｔ ｉｎｃｌｕｄｅｓａｎａｌｙｚｉｎｇ ｔｈｅ ｄａｔａ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｓｙｓｔｅｍ ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｄａｔａ ａｐｐｌｉｃａｔｉｏｎ， ａｎｄ ｃｌａｒｉｆｙｉｎｇ ｔｈｅ ｔｈｒｅｅ ｄａｔａ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｓｙｓｔｅｍ ｕｂｉｑｕｉｔｏｕｓ ｐｅｒｃｅｐｔｉｏｎ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ， ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ ｄａｔａ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ；ｔｈｅ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｆｒａｍｅｗｏｒｋ ｏｆ ｆｕｌｌｙ－ ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｏｒｉｅｎｔｅｄ ｔｏ ｔｈｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｐｒｏｃｅｓｓ ｏｆ ｅｘｐｅｒｉｅｎｃｅｄ ｏｐｅｒａｔｏｒｓ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ. Ａ ｍｅｔｈ- ｏｄ ｆｏｒ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｏｐｅｒａｔｉｎｇ ｓｔａｔｅ ｂａｓｅｄ ｏｎ ｅｘｔｅｎｄｅｄ ｆｉｎｉｔｅ ｓｔａｔｅ ｍａｃｈｉｎｅ ａｎｄ ａ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｍｏｖｅｍｅｎｔ ｂｅｈａｖｉｏｒ ｍｏｄｅ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ－ｍａｒｋｅｒ ｄｅｃｉｓｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍ ｗａｓ ｐｒｏｐｏｓｅｄ ｔｏ ｒｅａｌｉｚｅ ｄｙｎａｍｉｃ ａｃｑｕｉｓｉｔｉｏｎ ｏｆ ｂｅｈａｖｉｏｒ ｄｅｃｉｓｉｏｎ ｋｎｏｗｌｅｄｇｅ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｄｒｉｖｅｎ ｂｙ ｄａｔａ.Ｔｈｉｓ ｐａｐｅｒ ５９１ ２０２０ 年第 ７ 期煤 炭 科 学 技 术第 ４８ 卷 ａｌｓｏ ｓｔｕｄｉｅｄ ｔｈｅ ｄｅｃｉｓｉｏｎ ｋｎｏｗｌｅｄｇｅ ｐａｒｔｉｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｂｅｈａｖｉｏｒ ｍｏｄｅ ｃｌａｓｓ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ａｎｄ ｔｈｅ ｄｅｃｉｓｉｏｎ ｂｅｈａｖｉｏｒ ｈｙｂｒｉｄ ｒｅａｓｏｎｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＣＢＲ ａｎｄ ＲＢＲ ｆｕｓｉｏｎ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ａｕｔｏｎｏｍｏｕｓ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈ- ａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ’ｓ ｂｅｈａｖｉｏｒ.Ｔｈｅ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ ｄｒｉｖｅｒ’ｓ ｃｏｎｔｒｏｌ ｓｔｒａｔｅｇｙ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｕｎｄｅｒ ｔｈｅ ｍａｎｕａｌ ｃｏｎｔｒｏｌ ｍｏｄｅ ｗａｓ ｄｉｓｃｕｓｓｅｄ， ａｎｄ ｔｈｅ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ”ｓｉｍｕｌａｔｉｏｎ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｗｉｔｈ ｓｅｌｆ－ｌｅａｒｎｉｎｇ， ｓｅｌｆ－ ｄｅｃｉｓｉｏｎ ａｎｄ ｓｅｌｆ－ａｄａｐｔａｔｉｏｎ ｏｆ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎｓ ｗａｓ ｄｅｖｅｌｏｐｅｄ ｂｙ ｈｕｍａｎ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ；Ｔｈｅ ｌｏｇｉｃ ｏｆ ｐａｒａｌｌｅｌ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ｐａｒａｌｌｅｌ ｓｙｓｔｅｍ ｔｈｅｏｒｙ ｗａｓ ｇｉｖｅｎ， ａｎｄ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｅａｒｃｈ ｍｅｔｈｏｄ ｏｆ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎ- ｔｒｏｌ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｅｑｕｉｐｍｅｎｔ ｗａｓ ｐｒｏｖｉｄｅｄ. Ｔｈｅ ａｂｏｖｅ ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｎｄ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｃａｎ ｐｒｏｖｉｄｅ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｓｏｌ- ｖｉｎｇ ｔｈｅ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｐｒｏｂｌｅｍ ｏｆ ｆｕｌｌｙ ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｓｙｓｔｅｍ ｕｎｄｅｒ ｔｈｅ ｂｉｇ ｄａｔａ ｅｎｖｉｒｏｎｍｅｎｔ. Ｋｅｙ ｗｏｒｄｓｄａｔａ－ｄｒｉｖｅｎ； ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ｆａｃｅ； ｃｏｌｌａｂｏｒａｔｉｖｅ ｃｏｎｔｒｏｌ； ｈｕｍａｎｏｉｄ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ； ｐａｒａｌｌｅｌ ｆｕｌｌｙ－ ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ ０ 引 言 自从我国实现煤炭机械化开采以来，先后经历 了自动化、数字化、信息化和智能化初级阶段的发展 变革，有力提升了煤炭的开采水平，支撑了煤炭工业 的健康发展[１－３]。 综采工作面是煤炭生产的最前沿 场所，也是煤矿井下作业人员的主要聚集地之一，生 产环境恶劣作业危险性高。 综采智能化技术的研究 和应用，是解决这一难题的关键。 然而，综采智能化 还有很多关键技术难题有待攻关，比如综采装备协 同控制机制研究，综采装备与开采环境的耦合作用 控制机制研究，基于多源信息融合的综采装备智能 决策机制研究以及综采设备群系统的健康诊断与维 护机制研究等[４]。 鉴于此，笔者以综采工作面采煤 机、液压支架和刮板输送机简称综采“三机”为研 究对象，针对综采智能化技术难点之一的综采装备 协同控制机制进行相关技术研究。 目前，国内外学者针对综采智能化开展了大量 研究工作，王国法等[５－８]从不同层面多角度系统阐 述了煤矿智能化建设的理论体系和技术方法，先后 给出了煤矿智能化的定义和总体要求，煤矿智能化 建设的原则和阶段性目标，煤矿智能化开采模式的 定义、内涵与特征，从数据采集与应用角度，提出了 实现煤矿智能化开采的关键基础理论难题，从赋存 煤层的智能化开采角度，提出了 ４ 种不同智能开采 模式及关键技术；任怀伟等[９]面向智慧矿山建设， 提出了智慧煤矿信息逻辑模型和智能综采装备的任 务全局规划以及分布式智能协同控制技术思路；葛 世荣等[１０]基于数字孪生技术提出了数字孪生智采 工作面的概念、架构及关键技术，研究了智采工作面 的仿生特性和信息流特点，为实现综采无人化提供 了新方法；在综采装备协同控制方面，王凯[１１]运用 模糊逻辑建立了刮板输送机负载状态与采煤机速度 调节之间的映射关系，实现了刮板输送机与采煤机 之间的协同控制；ＺＨＡＮＧ Ｌｉｎ 等[１２]分析了液压支架 的自主跟机原理，建立了液压支架自主跟机模型，通 过构建基于推移状态模式识别的液压支架推移位移 分段感知与跟机决策方法，实现了液压支架的自主 跟机控制；ＦＡＮ 等[１３]分析了采煤机、液压支架与 刮板输送机的行为约束规律，基于多智能体系统 理论建立了综采“三机”的全局任务规划及任务协 调控制机制，实现了综采“三机”协同调度运行；周 信[１４]在研究采煤机精确定位的基础上，基于多传 感信息融合技术，提出了综采“三机”的姿态协同 控制方法和基于改进 Ｅｌｍａｎ 神经网络的性能协同 控制方法，实现了不同设备状态条件下综采“三 机”的协同预测控制；谢嘉成等[１５]通过构建多因 素耦合“三机”协同数学模型和 Ａｇｅｎｔ 模型，提出 一种基于 ＭＡＳ 的虚拟现实协同规划方法，实现了 虚拟环境下的“三机”关键生产参数的在线规划与 最优匹配。 综采工作面控制系统是一个包括采煤机子系 统、电液控子系统和刮板输送机子系统等的复杂系 统，各子系统间的协同控制是实现综采智能化的关 键。 综采装备生产过程复杂、环境耦合性强，建立基 于模型的综采装备协同控制方法十分困难，随着数 字化、信息化与综采技术的深入融合，目前积累了大 量综采装备运行数据，建立基于数据驱动的综采装 备协同控制模型成为解决这一难题的一个有效途 径。 然而，完整的基于数据驱动综采装备协同控制 方法尚未见报道，因此，笔者综合国内外学者对综采 智能化和综采装备协同控制技术的相关研究，融合 智能感知、智能决策、智能控制等理论，对数据驱动 综采装备协同控制的体系架构进行了深入阐述，从 数据应用的角度提出了综采装备协同运行行为的知 识发现，智能决策，协同控制方法，以期推动综采智 能化的技术进步。 １ 智能综采工作面生产系统的数据化特征 智能综采以综采装备生产过程的自动化、数 ６９１ 路正雄等基于数据驱动的综采装备协同控制系统架构及关键技术２０２０ 年第 ７ 期 字化、信息化、智能化为基础，以大数据、云计算、 物联网为平台，通过集成智能感知与学习，智能控 制与优化，智能决策与执行等技术，形成具备自学 习、自决策、自协同的智能综采装备运行管控系 统，最终实现煤炭的安全、高效、节能开采[１６]。 不 难发现，智能综采系统中的“智能”与数据的深度 利用密切相关，并具有鲜明的数据特点和多样的 数据功能。 １.１ 智能综采系统数据的特点 １位置分散、多源获取、类型多样、体量巨大 是智能综采系统数据的特点。 智能综采工作面生 产过程的数据广泛分布于综采装备、巷道集控中 心、地面远程管控系统等各个环节，数据多源包括 综采装备的运行数据、环境数据及融合衍生数据 等；类型多样包括视频、音频、电流、矿压、瓦斯浓 度等传感数据，而且数据生成速度快、获取频率 高，随时间的累积数据体量十分庞大，这为基于数 据驱动的综采装备协同控制奠定了基础。 ２数据采集具有动态持续性、时空特性。 综采 装备长时间连续运行的特性决定了监控过程的持续 不间断性，采煤方式的固定性决定了煤机装备空间 位置的连续变化性，二者综合决定了采煤过程各环 节采样数据的时空特性以及动态增量特性。 ３数据蕴含信息具有规律性、普遍相关性和 局部强关联性。 综采装备状态数据、工作面环境 数据以及各工艺阶段协同运行数据之间存在普遍 相关性和局部强关联性，而且在这些数据之中蕴 含着综采装备采煤过程中的行为决策、工艺规程、 生产工况、运行状态、健康状况等的复合性规律性 信息。 ４数据应用具有封闭性、时序性和实时性。 智 能综采的关键在于通过数据的分析、挖掘和优化利 用进而实现整个系统的闭环运行，因此，智能综采工 作面生产系统的数据应用链条具有封闭性；同时，在 数据采集、处理及应用过程中，智能综采工作面生产 系统的数据又具有较强的时序性和实时性，用以支 撑闭环场景下设备行为的动态持续调整和优化。 ５数据全生命周期的不确定性。 智能综采工 作面生产系统的数据不确定性来源于 ３ 个方面综 采工作面环境的高度复杂性，引发生产过程中设备 状态及行为的不确定性，随之导致数据信息的随机 性和偶发性；工作面数据的多源性、多样性、增量性 及不平衡性引发的数据不确定性；数据应用分析过 程中，由目标问题的复杂性导致的数据全生命周期 的不确定性。 １.２ 智能综采工作面生产系统的数据功能 １泛在感知 数据获取。 通过先进的传感 测量手段与通信技术，实现综采工作面生产过程中 工作面环境，设备状态等信息的全方位多维感知，高 密度、多类型、网络化是智能综采工作面生产系统信 息感知的重要特点。 获取的数据经处理、分析后与 具体应用深度融合，为综采工作面生产系统智能化 协同控制提供基础。 ２信息融合 数据挖掘。 利用云计算、边缘 计算、大数据、物联网等先进技术，对综采工作面生 产过程中的海量数据进行处理与分析，实现多源关 联数据的深度融合。 建立综采工作面设备与环境， 设备与设备，人与设备，人与人之间的信息交互与共 享机制。 通过智能综采装备与工作面环境间的信息 融合提高工作面环境态势以及生产行为预测的准确 性，通过综采装备生产过程数据的关联分析构建智 能采煤工艺，促进采、支、运功能协调，提升采煤 效率。 ３智能控制 数据决策。 通过将数据挖掘， 遗传算法，神经网络，机器学习，专家系统等智能化 方法应用于智能综采工作面生产过程的远程监控， 任务调度，自主运行等，使智能综采装备在采煤过程 中具有环境自适应，工况自学习，运行自趋优等 能力。 １.３ 智能综采工作面生产系统的数据应用架构 综采工作面集中监控系统是现阶段自动化 综采生产系统最普遍的数据应用模式，它主要实 现了综采工作面数据采集，数据显示以及远程操 作等基本功能，已成为我国综采工作面建设的标 准化配置。 但随着智能化综采要求的提出，该系 统受结构和功能定位的限制，无法在线对综采装 备群进行自动优化控制，更难以与实际生产过程 以及管理过程形成闭环。 基于现有集控系统，结 合智慧煤矿逻辑架构以及数字孪生智能综采工 作面平台，进一步梳理出智能综采工作面系统数 据应用架 构 图 １，其 核 心仍然是数据的深度 利用。 智能综采工作面运行控制系统以智能分布式控 制为核心，通过智能感知，智能控制，运行监控实现 综采工作面装备的智能化运行；智能综采工作面远 程服务系统以大型数据库系统、大数据、云平台为基 础，整合运行控制系统实时数据资源以及井下、煤矿 等信息，实现综采工作面系统的智能生产、智能管理 与智能服务，为人员与设备的安全、精细化管理及优 化决策提供一体化数据平台。 ７９１ ２０２０ 年第 ７ 期煤 炭 科 学 技 术第 ４８ 卷 图 １ 智能综采生产系统数据应用架构 Ｆｉｇ.１ Ｄａｔａ ａｐｐｌｉｃａｔｉｏｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ ｗｏｒｋｉｎｇ ｓｙｓｔｅｍ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｃｏａｌ ｍｉｎｉｎｇ ｆａｃｅ ２ 数据驱动综采装备协同控制方法 自 １９９９ 年提出数字矿山概念以来[１７]，数字煤 矿逐渐实现了综采工作面信息的实时精准采集，远 程网络传输等功能，并建立了以地理信息系统 ＧＩＳ为支撑的数字化矿山模型。 但是对于智能综 采系统而言，仅依靠信息的数字化表达难以解决复 杂地理环境下综采装备的智能化协同控制问题，现 阶段综采工作面环境与设备状态监测数据使用情 况，如图 ２ 所示。 针对此问题从数字化和信息化的 角度出发，以现有的煤矿数字化监控平台为基础，深 入挖掘综采装备运行数据中蕴含的行为控制逻辑， 基于决策知识对综采装备行为进行智能推理，实现 综采装备群的智能协同控制。 图 ２ 综采工作面生产系统信息融合发展历程 Ｆｉｇ.２ Ｄｅｖｅｌｏｐｍｅｎｔ ｃｏｕｒｓｅ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｏｆ ｗｏｒｋｉｎｇ ｓｙｓｔｅｍ ｉｎ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｃｏａｌ ｍｉｎｉｎｇ ｆａｃｅ 采煤机、液压支架、刮板输送机简称综采“三 机”的协同控制是实现综采工作面智能化的关键。 综采“三机”协同控制系统主要包含采煤机、液压支 架、刮板输送机、综采装备驾驶员、工作面环境 ５ 个 要素，其中经验驾驶员是实现有人跟机作业条件下 综采装备协同控制的关键要素，其充当着智能控制 器角色，综采“三机”协同生产过程如图 ３ 所示。 有经验的煤矿工人根据生产计划、特定采煤工 艺规程、采煤机状态、刮板输送机负载、液压支架跟 机状态以及工作面环境等信息灵活调整控制策略， 对采煤机、刮板输送机和液压支架各行为参数进行 调节，来实现综采“三机”装备的协同控制，保证煤 炭的安全高效开采。 此时，综采工作面监控系统记 录并存储了该过程中工作面环境和“三机”状态的 变化过程信息，这些信息蕴含了自动化程序以及经 验驾驶员对综采“三机”的控制行为信息。 基于此， 笔者提出以表征经验驾驶员学习、决策、控制过程为 核心的综采“三机”协同控制思路。 ８９１ 路正雄等基于数据驱动的综采装备协同控制系统架构及关键技术２０２０ 年第 ７ 期 图 ３ 综采“三机”协同生产过程及控制思路 Ｆｉｇ.３ Ｃｏｏｐｅｒａｔｉｖｅ ｗｏｒｋｉｎｇ ｐｒｏｃｅｓｓ ａｎｄ ｃｏｎｔｒｏｌ ａｓｓｕｍｐｔｉｏｎ ｏｆ ｔｈｅ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ” ３ 数据驱动协同控制技术架构 智能化综采是一个多学科交叉的高新技术领 域，综采装备运行过程中产生了大量宝贵的数据资 源，它是综采装备自身，工作面环境和控制方法相互 作用的结果，可以深度利用这一数据资源为综采装 备的自主协同运行服务。 基于上述控制思路，笔者 首先根据认识论的基本原理[１８]，建立了由表及里、 由浅入深、由粗到精、循序渐进的综采装备自主协同 控制知识模型；然后，基于该知识模型，通过模拟综 采装备经验驾驶员的思维决策过程，提出基于情境 相似度评价的综采装备协同行为混合推理模型；最 后，模仿人类对复杂系统的控制方法，提出基于仿人 智能的协同控制策略。 该方法能够表征综采“三 机”生产系统的状态和行为的动态特征，充分运用 综采“三机”生产系统输入和输出所反映的特征信 息识别综采装备所处状态，并对综采“三机”的行为 参数进行动态调整来消解行为冲突，最终实现综采 装备的连续稳定运行。 提出的基于数据驱动的综采 “三机”协同控制系统结构，如图 ４ 所示。 ４ 数据驱动协同控制关键技术与实现路径 基于数据驱动的综采“三机”仿人智能协同控 制需要解决以下 ４ 个关键性技术问题①基于粗糙 扩展有限状态机的综采“三机”行为模式识别；②基 于情境相似度评价的综采“三机”行为智能决策； ③基于动觉图式的综采“三机”仿人智能协同控制； ④基于平行系统理论的平行综采模型。 ４.１ 基于粗糙扩展有限状态机的综采“三机”行为 模式识别 从数据到知识，从知识到决策，是当前数据智能 的计算范式。 如何结合实际应用对领域数据进行智 能分析，是实现从数据到决策转化的关键。 智能综 采生产系统的数据具有体量大、关联复杂、动态增 长、时空序列性、多源异构性和不确定性等特点。 考 虑上述数据特点，以实现综采装备行为决策为目标， 对综采装备的行为模式进行知识发现进行建模。 数 据驱动智能综采生产系统的本质是要形成 ｔ 时刻从 环境与装备自身状态的感知结果 Ｒｔ到综采“三 机”行为 Ｂｔ的一种映射关系，本研究定义这种映 射关系为综采装备的行为模式知识。 从另一个角度 讲，综采“三机”行为模式知识是状态感知空间与行 为空间的映射关系，是一种将感知空间按具体行为 准则实施的分类。 由此，综采“三机”的行为模式识 别问题便可转化成了综采“三机”行为的多标记分 类问题。 为形象刻画面向数据的综采“三机”生产 系统感知空间和行为空间的动态关联关系，建立综 采“三机”的行为模式识别决策信息系统，提出基于 粗糙扩展有限状态机的综采“三机”生产系统时空 动态特性精细化表征方法。 ９９１ ２０２０ 年第 ７ 期煤 炭 科 学 技 术第 ４８ 卷 ００２ 路正雄等基于数据驱动的综采装备协同控制系统架构及关键技术２０２０ 年第 ７ 期 １定义 １粗糙扩展有限状态机Ｒｏｕｇｈ Ｓｅｔ Ｅｘ- ｐａｎｄｅｄ Ｆｉｎｉｔｅ Ｓｔａｔｅ Ｍａｃｈｉｎｅ，ＲＳＥＦＳＭ，粗糙扩展有 限状态机可表示为六元组 ＲＳＥＦＳＭ ＝ Ｑ′，Σ′，Ｄ，Ｗ， δ，λ ， Ｑ′ ＝ｑ′１，ｑ′２，，ｑ′ｎ{} 为有限感知状态特征 集合， Σ′ ＝σ′１，σ′２，，σ′ｋ{} 为有限感知状态特征 值集合， Ｄ ＝ｄ１，ｄ２，，ｄｍ{} 为有限行为特征集合， Ｗ ＝ ｗ１，ｗ２，，ｗｋ{} 为有限行为特征值集合， δ ＝ Ｑ′ Σ′→Ｑ′ 为状态转移函数， λ ＝Ｑ′Σ′→Ｗ 为有限 行为特征输出值。 另外，将三元组 Ｓ ＝ Ｑ′，Δ，Ｄ{} 定 义为格局， Δ ＝Δ１，Δ２，，Δｎ{} 为输入感知特征值 的变化量，将 Ｃ＝{ Ｑ′ ，Δ}定义为粗糙集中的条件属 性，将有限行为特征集合 Ｄ 定义为粗糙集中的决策 属性集。 利用面向数据的粗糙扩展有限状态机解决综采 装备协同控制问题时，需要根据智能综采“三机”的 环境复杂度和任务要求确定感知空间特征的数量， 协同运行过程中综采装备可能出现的状态，状态间 转换条件以及综采“三机”的行为输出等。 智能综 采工作面生产过程具有动态时空变化和采煤工艺的 高度集成两大特征，因此很难将综采装备可能出现 的运行状态具体的逐一列出，状态间转换条件更难 以通过精确的数学模型来描述，鉴于此，提出了面向 数据的粗糙扩展有限状态机模型来解决综采“三 机”运行过程的刻画问题。 根据综采工作面环境及 装备运行过程记录的历史信息，将采样时刻对应的 感知空间特征向量定义为综采装备可能出现的运行 状态，相邻采样时刻感知空间特征向量差作为状态 之间的转换条件，建立基于粗糙扩展有限状态机的 智能综采生产系统状态转换模型，其原理如图 ５ 所示。 将粗糙扩展有限状态机的有限状态感知空间和 行为空间分别映射到多标记决策信息系统的条件属 性集和决策行为属性集，来定义综采“三机”行为模 式识别的决策信息系统。 ２ 定 义 ２ 行 为 模 式 识 别 决 策 信 息 系 统 Ｂｅｈａｖｉｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｄｅｃｉｓｉｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ，ＢＰＲＤＩＳ，行为模式识别决策信息系统定义 为 一 个 四 元 组 ＢＰＲＩＳ＝Ｕ，Ａ，Ｖ，ｆ ， Ｕ＝ ｘ１，ｘ２，，ｘｎ{} 为论域，即综采“三机”行为模式的 有限非空集合，其中 ｘｉｉ＝ １，２，，ｎ称为综采“三 机”的一个行为模式； Ａ ＝Ｃ∪Ｄ≠∅ ， Ｃ∩Ｄ ＝∅ ， 为 属 性 的 有 限 非 空 集 合， 其 中，Ｃ＝ ｃ１，ｃ２，，ｃα{} 为条件属性集，Ｄ＝ ｄ１，ｄ２，，ｄｍ{} 为决策属性集；Ｖ 为属性的值域集， Ｖ ＝ ｖ１，ｖ２，，ｖｋ{} ， ｖｉ属性 ａｉ∈Ａ 的值域；ｆ 为信息 函数 ｆＵ Ａ → Ｖ ， ｆｘｉ，ａｊ ∈ ｖｊ。 图 ５ 面向数据的综采“三机”生产状态转换 Ｆｉｇ.５ Ｗｏｒｋｉｎｇ ｓｔａｔｅ ｔｒａｎｓｉｔｉｏｎ ｏｆ ｆｕｌｌｙ－ｍｅｃｈａｎｉｚｅｄ ｍｉｎｉｎｇ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ” 面向复杂多变的综采生产过程，无法获得“三 机”装备的所有的格局，即完备的状态空间和行为 空间映射，这导致格局的不完备性、不确定性，为解 决该问题采用粗糙集理论对综采“三机”行为模式 识别决策信息表进行分析，通过数据预处理，特征关 联度分析以及冗余特征删除，来获取不确定性格局 下综采装备的行为模式，具体识别流程如图 ６ 所示。 综采“三机”生产系统格局空间的完善是智能 综采装备进行准确行为决策的基础。 从历史数据中 获取的格局有限并且只具备历史有效性，为进一步 增强所得行为模式的决策实用性，采用实时动态的 增量式格局行为模式获取方法，保证决策质量。 面向数据的扩展有限状态机模型使综采“三机”状 态间的转换更加直观，粗糙集理论使行为模式的识 别处理更合理有效，二者结合有效解决了综采行为 模式的识别问题。 ４.２ 基于情境相似度评价的综采“三机”行为智能 决策 综采工作面生产系统是一个多子系统、多装备 的复杂系统，综采装备的动作行为与工作面环境以 及设备自身的状态密切相关，而且随地理位置、时间 迁移不断变化。 此外，受综采工作面复杂围岩条件 １０２ ２０２０ 年第 ７ 期煤 炭 科 学 技 术第 ４８ 卷 变化以及综采装备开采任务约束的影响，综采“三 机”之间，“三机”与环境之间常面临一些潜在冲突。 如何建立综采装备的行为冲突调解机制，使综采 “三机”自主执行恰当的行为动作，是实现综采“三 机”协同运行的关键。 因此，研究基于数据驱动的 综采“三机”的任务规划决策，利用历史任务调度的 手段，快速响应动态任务，来实现综采装备动作行为 的自主调度决策。 图 ６ 基于多标记学习的综采“三机”行为模式识别流程 Ｆｉｇ.６ Ｂｅｈａｖｉｏｒ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｏｃｅｓｓ ｏｆ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ” ｂａｓｅｄ ｏｎ ｍｕｌｔｉ ｌａｂｅｌ ｌｅａｒｎｉｎｇ 基于案例的推理Ｃａｓｅ－Ｂａｓｅｄ Ｒｅａｓｏｎｉｎｇ，ＣＢＲ 和基于规则的推理Ｒｕｌｅ－Ｂａｓｅｄ Ｒｅａｓｏｎｉｎｇ，ＲＢＲ是 ２ 种基于知识的问题求解方法[１９]，是一种基于经验 学习的决策过程，不要求必须明确被控对象的具体 运行机理和过程，而是利用历史行为决策知识与现 有决策情境之间的相似性进行推理和计算进行决 策，可避免大量的过程分析和复杂的模型计算，而且 可解释性强，这十分符合综采“三机”生产系统决策 的特点。 综采工作面突发事件的情景状态千变万 化，且具有信息不确定性的特点，单独使用 ＣＢＲ 匹 配完全相同的情景来对综采“三机”的行为进行决 策非常困难，而 ＲＢＲ 在解决突发冲突事件的推理中 效率又比较低，无法实现综采“三机”工作参数的快 速匹配。 将 ＣＢＲ 与 ＲＢＲ 融合的混合推理方法引入 到综采“三机”行为决策中，实现“三机”参数的动态 匹配，具体实现流程如图 ７ 所示。 图 ７ 综采“三机”行为决策混合推理流程 Ｆｉｇ.７ Ｍｉｘｅｄ ｒｅａｓｏｎｉｎｇ ｐｒｏｃｅｓｓ ｏｆ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ”ｂｅｈａｖｉｏｒ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｉｎ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｍｉｎｉｎｇ ２０２ 路正雄等基于数据驱动的综采装备协同控制系统架构及关键技术２０２０ 年第 ７ 期 该过程，首先将综采“三机”典型作业工艺端 部斜切进刀割三角煤往返割两刀煤定义为 ６ 个标 准行为模态类，运用动态 Ｋ－ｍｅａｎｓ 聚类算法对行为 模态知识进行子空间划分；然后，考虑综采工作面环 境以及“三机”状态的变化，运用综采“三机”环境与 设备状态实时感知信息建立综采工作面的情境模 型，通过多特征联合权重确定以及相似度评价方法， 检索出与当下情境相似的综采“三机”行为决策知 识；最后，运用面向检索子空间的支持向量机参数修 正模型，调整经验决策与待解决问题之间的偏差，输 出综采“三机”工作参数调整控制指令作用于智能 综采“三机”，实现综采装备动作行为的自主调度 决策。 ４.３ 基于仿人智能控制的综采“三机”分布协同自 运行 智能控制包括模糊控制，神经网络控制，专家控 制，分层递阶控制，学习控制，仿人智能控制以及各 种混合型方法[２０]。 综采工作面生产系统是一个复 杂的非线性系统，传统的基于模型的控制方法难以 胜任综采“三机”分布协同控制的要求。 借鉴人工 控制模式下综采装备驾驶员的控制策略，建立基于 动觉图式的综采“三机”仿人智能协同控制模型，如 图 ８ 所示，来满足复杂工作面环境条件下综采装备 的动态智能控制需求，实现对综采“三机”生产系统 的协同控制。 人工操作的控制过程中，有经验的操作员能够 实时深入分析综采“三机”生产系统的状态、动态特 征，及时采取控制行为来获得良好的控制效果。 为 了有效模仿人的智能控制行为，并用计算机实现综 采“三机”的智能控制，必须有效地表征智能控制策 略的动态执行过程。 因此，根据综采“三机”生产系 统的感知特征值序列特征模态来识别被控系统 所处的状态，根据系统的输出响应特征值序列控 制模态来表征系统的动态行为，以此实现智能控 制策略的动态执行，该过程的形式化表示如下设综 采“三机” 生产系统的特征状态 基元集 Ｑ ＝ ｑ１，ｑ２，，ｑｍ{} ＝ ｃ１，ｃ２，，ｃｍ{} ，其中 ｃｉ为综采工作 面生产系统的感知特征；系统的特征状态用特征模 型 来 表 示Φ＝φ１，φ２，，φｎ{} ，φｉ＝ νｃ ｉ１∩ ν ｃ ｉ２∩ ∩ ν ｃ ｉｍ {} ，ｉ＝１，２，，ｎ，其中 νｃ ｉｊ ｊ ＝ １，２，，ｍ表示第 ｉ 个采样时刻的所有感知特征的 值域。 综采“三机”生产系统的控制行为基元集 Ｄ ＝ ｄ１，ｄ２，，ｄｋ{} ，其中 ｄｉｉ＝１，２，，ｋ为综采工 作面生产系统的决策特征；系统的决策用控制模态 来表示 Ψ ＝ψ１，ψ２，，ψｎ{} ， ψｉνＡ ｉ ＝ ｆ Ａ ｉν ｃ ｉ１ ∩ νｃ ｉ２ ∩ ∩ νｃ ｉｍ ，ｉ＝１，２，，ｎ，其中 ν Ａ ｉ ｉ＝１，２，， ｍ表示第 ｉ 个采样时刻的所有决策特征的值域。 当综采“三机”仿人智能协同控制器的第 ｉ 个输入特 征状态为 φｉ时，对应决策输出为 νＡ ｉ ，即“三机”装备 的行为参数。 构建完成综采“三机”仿人智能协同 控制器的动态特征模态和决策模态后，便可根据系 统的实际感知信息，通过行为协调与冲突调解模块， 完成感知空间 Ｓｃ→特征模态空间 Φ→决策模态空 间 Ψ 的两级协同控制策略映射调用，如图 ９ 所示， 实现综采“三机”的分布协同自运行。 图 ８ 基于动觉图式的综采“三机”仿人智能协同控制系统 Ｆｉｇ.８ “Ｔｈｒｅｅ Ｍａｃｈｉｎｅｓ”ｈｕｍａｎｏｉｄ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｋｉｎｅｓｔｈｅｔｉｃ ｓｃｈｅｍａ ３０２ ２０２０ 年第 ７ 期煤 炭 科 学 技 术第 ４８ 卷 图 ９ 特征模式向协同控制策略的两级映射 Ｆｉｇ.９ Ｔｗｏ ｌｅｖｅｌ ｍａｐｐｉｎｇ ｆｒｏｍ ｆｅａｔｕｒｅ ｐａｔｔｅｒｎ ｔｏ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｓｔｒａｔｅｇｙ ４.４ 基于平行系统理论的平行综采模型 基于 ＡＣＰ人工系统Ａ、计算机试验Ｃ、平 行执行Ｐ的平行系统针对难以建模、难以解析预 测的复杂系统例如交通、能源等而提出[２１]。 其 本质是在系统中构建一个与实际系统相对应的人工 系统，通过人工系统的推演、试验、学习为实际系统 的管理和控制提供支持。 综采“三机”生产系统具有很强的不确定性、多 样性和复杂性，在煤矿安全生产制约的前提下，一些 对工矿重复性要求较高的试验或者是存在事故性