基于支架推移油缸行程的综采面推进距离算法研究

刘 正

(国能神东煤炭集团有限责任公司 移动应用开发项目部，陕西 榆林 719315)

煤矿生产过程中，综采工作面的推进距离是计算矿井产量以及确定工作面开采位置的基础参数，也是分析和研究工作面回采过程中矿压显现、瓦斯运移以及涌水规律的重要依据，综采工作面的推进距离包括机头、中部和机尾推进距离。目前，综采工作面推进距离的计算主要采用以下方法：在工作面形成后，在两侧平巷内间隔一段距离作标记，或者直接在巷帮煤壁上标示距离，以此来计算工作面的推进距离；
采用采煤机割煤的累计刀数与滚筒截深的乘积来计算。神东综采工作面推进距离采用人工上报的方式，每天上报当日零点班、早班和昨日4点班推进刀数进尺，进行生产外运完成情况的公司级汇总和通报，每月底由地测公司提供具体准确的推进进尺数据。

然而，现有的综采工作面推进距离的计算方法都存在测量误差大，无法准确地自动计算出工作面推进距离的问题。目前，随着神东生产数据管理平台的搭建，综采工作面已经实现大量生产数据的采集，但是公司目前没有利用这些数据进行自动计算分析，一方面造成了数据资源的浪费，另一方面人工上报涉及到的人员也多，造成不必要的人力资源浪费。随着智能矿山建设的脚步加快，亟需通过利用已采集的生产数据实现推进进尺数据的自动记录和管理，减少人工干预，实现降本增效。本文利用支架自带的推移油缸行程数据进行数据处理和提取，完成了整个综采工作面的推进距离计算。

1.1 单台液压支架推移油缸行程的数据结构分析

现代化综采工作面装备的液压支架系统都集成了多种传感器，如支架双立柱压力传感器、采高传感器、倾角传感器和推移行程传感器等，这些数据通过支架电液控系统集中采集和上传。对以上这些数据的利用多停留在实时监测，并没有深入地进行数据分析和挖掘，如对支架推移油缸行程数据的分析处理。

支架本身推移油缸行程数据是典型的时序数据，如何对该种数据进行有效处理和分析，把握数据本来面目，去伪存真，计算出累计推进距离，成为本算法的关键。

煤矿综采工作面支架电液控制系统厂家主要有玛柯、天玛及EEP等。无论哪个厂家都能采集到支架推移油缸传感器的实时数据，采集的数据都能满足秒级响应。一台支架推移油缸传感器1 h采集的实时压力数据量为3 600条，一个班按8 h计算产生28 800条数据。因此，支架推移油缸传感器数据处理，属于海量的时序数据处理。如何在海量数据里分析提取出期望的数据推进距离，成为摆在我们面前的一个课题。

通过单个传感器历史曲线提取和展示，观察和分析推移行程曲线的特征：①首先其具有波形特征，且每个波形对应的是推移油缸伸缩动作；
②波形下坡段为推移油缸在收缩，对应现场业务通常是在拉架；
③波形上坡段为推移油缸在拉伸，对应现场业务通常是在推溜；
④具有很长一段时间的稳定期，传感器数据在小幅度波动。

1.2 单台液压支架推移油缸行程的数据结构分析

通过以上数据结构分析，掌握了数据的特点，就可以制定出整体的推进度计算方案，有针对性的对数据进行预处理，做到无用数据剔除，只保留“骨干”数据，环环相扣，最后再在此基础上完成关键数据提取或计算。

整体计算方案：①依靠波形上坡段，计算累计推溜距离/推进距离；
②依靠波形下坡段，计算累计拉架距离；
③对波形稳定期波形，只保留“骨干”，能剔除则剔除；
④理论上一段时间范围(如煤机割一刀煤时间段)内，累计推进距离和累计拉架距离基本相等，且随着时间累积，这2个值无特殊原因，只能是愈来愈相等。

数据预处理分2步走：第1步，海量时序数据的“变化存储”。具体讲就是要先经专业采集软件进行变化存储，所谓的“变化存储”就是数据有变化才采集和存储，采用的是一种“旋转门压缩”算法，使得数据经过初步的压缩处理。数据压缩倍数为3 600条/42条，压缩量近百倍。通过数据预处理，数据从源头上成百倍被压缩掉，但是基本的波形特征、骨干信息和数据细节都被保留了下来。第2步，数据质量筛选和阈值处理。经过专业采集软件预处理后的数据量依然很庞大，因为其中还夹杂了不少数据质量戳为0的“BAD”数据，有必要进一步剔除这些干扰数据。另外，在对单台液压支架推移油缸行程数据的数据结构进行分析时发现，这些历史数据中还有很多数据可以过滤掉，如波形稳定期数据可以通过设置阈值进行处理。通过阈值的合理选取，巧妙地借助阈值，不仅可以过滤掉波形稳定期大量无用数据，还可以克服支架推移油缸传感器数据“抖动”问题，即数据小幅度波动的影响因素。阈值处理方法如图1所示。

图1 程序流程图Fig.1 Program flow chart

经过上述的处理算法后，原始历史数据数组A中非关键数据及干扰数据被过滤处理掉，只保留下骨干数组B，同时超过阈值Threshold的推移行程变化量Δ=(A[i]-A[i-1])被累计计算，当Δ>0时累加计算推溜距离，当Δ<0时累加计算拉架距离。

阈值Threshold对于不同的综采工作面是不同的，一般为20 mm左右，最大不超过50 mm。其值的大小取决于地质条件(如遇到底板起伏不平或者软底板，推移传感器会出现小幅波动)及人员操作习惯。一个合理的阈值会屏蔽以上因素，摆除不必要的误差影响，使得计算精度更加精准。

在一段时间内，计算出的累计推溜距离和累计拉架距离之和理论上为0，受到这段时间范围开始时间边界和结束时间边界影响，2个累加值之和会出现不为0情况，属于正常情况，该值一般不超过2个推移行程和。因此，可以单取累计推溜距离或累计拉架距离为推进距离，也可取上面2个计算结果的平均值为推进距离，就得到了单台支架该段时间计算出的推进距离。

1.3 单台液压支架连续时间段推进距离计算

以上给出了某个时间范围内的基于单台支架推移行程传感器的推进距离计算方法，这个时间范围可以是2 h、8 h或24 h等等，时间范围不能跨度太大，跨度越大，数据量越多，计算机处理的负荷有限。因此，当需要得到几天、几周、几月或整个综采工作面推采期间的累加推进距离时，就涉及到了连续时间段推进距离计算。

连续时间段推进距离计算是为了进行推进距离累加计算，得到更长时间范围内的计算结果。当根据1.3中计算规则，分别计算出相邻连续的2个时间段T1、T2的推进距离L1、L2进行累加时，发现跟用整个连续的一个时间段T=T1+T2计算的推进距离L会有出入，即L不一定等于L1+L2。究其原因时间分成两段引起的。在进行整个时间段T推进距离计算时，T1时间段最后一个有效采集数据和T2时间段第1个有效采集数据有可能满足阈值Threshold，而这时的推移行程变化量Δ=(A[i]-A[i-1])未被累计计算。综合如上分析，对1.3中数据进行处理和计算前，只需将上个时间段的最后一个有效采集数据引入参与计算即可。

1.4 多台液压支架某个时间段推进距离数据的统计学分析

基于1.3中具体算法，可以得到一段时间内一台、多台或者整个综采工作面支架推移行程传感器数据处理后的推进距离数据。

整个综采工作面的推进距离描述方案有很多，可按位置可分为机头、中部、机尾推进距离，以上某一区域也可以选择一台或者多台支架的推进距离数据进行计算。

多台支架推进距离数据处理时，首先要剔除异常数据。异常数据产生的原因有支架传感器故障或者异常、数据中断等等，这些因素会导致数据明显缺少，数值比较小，例如，有些支架计算出的推进距离数据直接为0。其次，采用数理统计分析方法，发现其中的数据分布规律，进行推进距离的数理统计分析。

传感器比较可靠稳定时，选择单台传感器计算结果即可。多台传感器比较可靠稳定时，选择多台传感器计算结果的平均值即可。多数情况下借助数理统计分析，给出整个时间范围内的整个工作面全部推移行程传感器分析数据的统计学结果比较可靠。

介绍如下：某综采工作面支架推移传感器总数为176台，采用的最大推移行程为1 000 mm。在时间段[startTime，endTime]内分别计算出的推进距离数据为{l1，l2，...ln-1，ln，…,l176}，则每隔50 mm统计li数据出现的频率Pi，划分的组距数为lmax/50+1，以组距为x轴，频率为y轴作频率分布直方图，然后取出现频率最大数值对应支架数据或这一数组对应支架组数据的平均值作为推进距离，支架推进距离数据的频率如图2所示。

图2 支架推进距离数据的频率直方图Fig.2 Frequency histogram of support advancing distance data

采用计算机编程的方式实现，然后对采集到的数据进行实时或者历史计算，使得每个综采工作面全部支架推移传感器推进距离数据在线实时或者历史自动提取。但是需要指出，算法的具体实现与所用编程语言无关。

该算法是依靠煤矿综采工作面支架推移行程传感器数据进行推进距离计算的核心方法。该方法突破依靠信号处理手段简单的当作波形来检测突变点或者断点这种不科学处理手段，完全结合现场业务逻辑依靠支架推移油缸动作特点以及推移行程传感器采集数据的特点，采用阈值处理方法进行推进距离数据提取，形成基于推移油缸行程数据计算整个综采工作面推进距离的一套完整算法体系及处理流程。

神东矿区13矿14井30多个综采工作面支架推移行程传感器数据涉及到玛柯、天玛及EEP多个厂家电液控制系统，实时矿压秒级响应。该算法体系成功应用于神东所有矿全部在采综采面推进距离计算和展示，两年多来，数据准确率在98%以上。

4.1 单台液压支架推移油缸行程数据的数据结构分析

通过专业的采集软件可以将数据采集上来。首先要将数据进行初步的过滤处理，筛选出质量戳好的数据，过滤掉异常数据。然后针对支架属于井下大件设备，支架推移油缸大多数生产时进行调整动作，检修时可以有个别油缸动作，而且具体油缸动作幅度也受限，不存在大量的无效动作支架推移油缸的情形。针对以上数据本身特点，先后采用10 s采集和变化采集的手段，2种方法均可以极大地控制采集到的数据量，而后者更优，压缩倍率更高还不丢失数据细节，压缩率接近百倍。

4.2 单台液压支架推移油缸行程数据的预处理及推进距离计算

对支架推移油缸传感器历史数据观察和研究发现，数据里存在一些质量戳为“BAD”的数据，这些“BAD”数据剔除后不会影响到“骨干”数据存在，这些数据首先要被过滤掉。还有该类数据稳定时有小幅度波动的情况，具体分析就是会受到煤矿综采面底板等因素影响。然后选择合理的阈值Threshold就可以摆除这些数据的影响，减小计算误差。

阈值Threshold从最初的0，再到10，最后到20 mm，计算结果的准确性从80%提高至98%以上。误差控制在2%以内，这是不可避免的，有地质影响，也有其他因素影响。

4.3 单台液压支架连续时间段推进距离计算

先期选择每天的数据进行处理，最后时间段缩小为8 h，再到这个时间间隔参数Interval可以按小时自由设置，可以设置成2 h处理一次，支架推移距离基本上属于“实时”推送。最后对比不同时间间隔下数据计算的误差，找到原因后，对权力保护1.3做升级处理。最终消除时间碎片的计算误差影响。提取到的数据如图3所示。

图3 基于支架推移行程的推进度计算数据Fig.3 Calculation data of the propulsion degree based on the pushing stroke of the support

4.4 多台液压支架某个时间段推进距离数据的统计学分析

根据图3中哈拉沟22521综采面提取的各支架推移数据记录，进行整个综采工作面支架推进距离数据的统计学分析。如图4、5所示。

图4展示数据为剔除了异常数据的面积图，对应的面积即为哈拉沟煤矿22521综采工作面某天时间内推过的煤层面积。图4数据剔除了10个为0 mm的数据，3个低于3 000 mm的数据，还有2个超过9 000 mm的数据。最后有效数据量为115个。观察可以发现，数据集中范围为[6 000，8 000 mm]之间。对以上保留以后的数据再做加权平均值可以得到整个综采工作面这天内推进的平均距离为6 920 mm，即6.9 m。也可以对上述数据绘制散点图进行曲线拟合，效果r如图5所示。还可以对上述数据进行频率/组距分析，然后选择出现频率最大的组距内数据进行加权平均计算。总之，在进行整个综采工作面的数据处理时，首先要剔除异常值的干扰，然后在众多的数据中进行如上数理统计分析，最后得到所要的数据结论，同时整体验证了该数据处理算法的精确性和科学性。

图4 基于支架推移行程传感器计算工作面推进距离Fig.4 Calculation of working face advancing distance based on the bracket advancing stroke sensor

图5 支架推进距离数据散点图Fig.5 Scatter plot of support advancing distance data

(1)在深度分析现场业务及数据特点的基础上，根据阈值处理方法进行数据过滤和压缩，极大地降低了数据量；
提供一种煤矿综采面推移数据处理的全新方法，改变了以往只是依靠信号处理手段寻找间断点的不科学方法。

(2)结合支架推移油缸动作特点以及推移行程传感器采集数据的特点，采用阈值处理方法进行推进距离数据提取，保留关键数据特征。

(3)提供一种处理时序数据的方法，将数据动态地看待和处理；
依托神东生产数据仓库，给出一种具体详细的支架推移油缸行程数据处理及推进距离提取算法；
对支架推移传感器采集的这种海量时序数据给出了具体的处理步骤及思路。

(4)通过对数据处理过程具体详细描述以及核心算法研究，不仅给出某段时间某个支架推移行程传感器数据的具体处理方法，还给出支架推移行程传感器数据进行连续处理以及多传感器数据的统计学处理手段，解决了煤矿综采工作面液压支架推移油缸行程数据处理技术和整个综采工作面推进距离自动提取方法难题，形成一套计算支架推进距离的完整算法及处理体系。