文摘

液压支架在长壁开采地面控制中发挥着关键作用。支持负载的智能预测方法实现智能采矿很重要。摘要液压支架负载数据分解为趋势项、周期项,和残余项,并发现数据有明显的趋势和时代特性,可称为时间序列数据。基于自回归理论、加权移动平均法,建立了时间序列模型,分析了加载数据和预测其发展趋势,和滑动窗口模型的预测精度,ARIMA(自回归综合移动平均)模型,和SARIMA模型(季节性自回归综合移动平均)的液压支架载荷下不同的参数评估,分别。单点和多点预测测试的结果与各种滑动窗口值表明,滑动窗口方法没有优势在预测的趋势支持负载。ARIMA模型显示了比滑动窗口模型更好的短期趋势预测。在某种程度上,增加了自回归项的长度可以改善模型的长期预测精度,但同时也增加了模型的灵敏度来支持负载波动,而且还很难预测负荷趋势在一个周期的支持。SARIMA模型具有更好的预测结果比滑动窗口模型与ARIMA模型,揭示了负载进化趋势准确地在整个周期的支持。然而,有很多外在因素影响支持负载,如表土属性,液压支架移动速度和工人的操作。更聪明的SARIMA模型考虑这些因素应制定更合适的预测液压支架负载。

1。介绍

物联网的快速发展,云计算、大数据,人工智能,和煤矿,集成这些新兴技术将极大地改变传统的采煤方式(1- - - - - -3]。如今,长壁开采的脸,整合human-machine-environmental智能感知技术,大数据分析和决策方法,为采矿设备和智能控制技术的合作,将显著提高井下工人的安全,减少地下运营商和劳动强度。液压支架是长壁开采面临的主要设备,它起着重要的作用,确保工作场所的安全。因此,分析、预测和预警的液压支架载荷的基础上实现智能在长壁开采的脸。

岩层采动应力的演变规律造成的煤层开挖的安全直接关系到工人和设备的工作面,这一直是研究的热点和难点煤矿。虽然很多学者深入分析工作面覆岩的断裂结构,荷载传递的机制,和法律的能量进化,仍然很难进行精确的定量计算和预测的负载变化提前液压支架(4- - - - - -12]。一些学者曾试图使用数据分析方法来分析液压支架负载(4),但合适的分析方法的特点和液压支架的载荷是不清楚。由于工程的实际需要,有必要预测负载的液压支架至少提前一个周期,尽管许多数据分析方法不满足要求。随着煤矿开采深度的增加,液压支架负载预测技术变得越来越重要,但是没有有效的方法来预测提前液压支架载荷。

在过去,许多学者研究了液压支架与围岩之间的关系用理论建模。钱和他的同事们(5,6)提出了“拱”理论和“关键层”,形成了基本力学模型的地面压力和地层控制长壁的脸。歌和江7)提出了转换梁结构模型,研究了液压支架与围岩之间的关系基于给定变形和limit-deformation条件。小王和庞8,9]研究屋顶层分解的过程不稳定和动态演化的液压支架负载,提出了“stiffness-strength-stability耦合模型”液压支架与围岩之间的动态分析和预测提供了一种方法在长壁开采液压支架载荷的脸。许多其他学者(10- - - - - -19]分析了骨折不稳定过程的表土工作面在不同开采条件下,提出了一种计算方法的合适的液压支架的工作阻力,并揭示了围岩不稳定骨折和液压支架载荷之间的关系。

工作面不断进步,液压支架载荷的经验增加阻力,阻力波动,和电阻在一个周期,每个周期的峰值负载和负载曲线也受到屋顶的动态断裂的影响。负荷曲线,可以称为时间序列数据,有一个明显的趋势和周期。现有的液压支架载荷分析方法只计算区间压力和捕获启动和峰值负载的支持,有时支持周期的末尾的抵抗力量也监控。基于这些数据,屋顶断裂步和围岩压力可以大致估计。然而,它并不完全煤矿液压支架的信息加载数据,并不能反映相关的支持负载在不同的时间。因此,智能分析方法需要发达的提前预测和预警不稳定围岩。

目前,时间序列数据的分析和预测方法包括两类,即列出如下(20.- - - - - -22]:(1)基于统计数据的时间序列模型(2)时间序列建模使用机器学习等智能算法和深度学习(LSTM RNN)分析

应该注意的是,机器学习等智能算法对小样本数据和深度学习普遍表现不佳(23]。在长壁开采的切割的初始阶段,只有少数从液压加载样品可以获得支持。因此,本文使用基于统计分析和时间序列模型预测条件下液压支架的加载数据的小样本。

目前,基于统计数据的时间序列模型的预测方法包括滑动窗口预测方法、指数平滑法、自回归预测方法,广泛应用于经济发展预测,气候变化,能源需求,和其他领域24- - - - - -26]。滑动窗口方法类似于单指数平滑方法,而双指数平滑法和三指数平滑法类似于ARIMA方法和SARIMA方法。本文基于功能分解的支持数据加载,滑动窗口方法,ARIMA方法,和SARIMA方法应用于液压支架的创建时间序列模型加载,分别。通过比较不同模型的预测结果与反应参数,以及不同模型的适应性,对液压支架载荷的预测,取得一个更合理的分析和预测方法对液压支架负载。

2。通用方法

2.1。工程背景

与智能感知和网络传输技术的快速发展,液压支架负载监测技术和设备已经成熟的(27];电液控制系统可以实现实时监控整个液压支架的负载和上传,它提供了数据来源支持负载分析和预测。

121304号ultralength长壁开采的脸,在Kouzidong煤矿,中国煤矿13¹煤层。煤层的厚度2.2 ~ 6.66米,最大倾角切割面350米的长度,和罢工的长度约为1000米。ZZ13000/27/60D,这是一个四柱液压支架的盾牌,是应用于切削面,终极轴承列是33 MPa的压力。KJ216系统介绍监控压力在前面列。液压支架的数据(90号)在两个工作日的中间切削面提取进行分析。在监测期间,总共10中的切削面先进周期。液压支架的预处理数据加载如图1。的平均循环周期37数据点。负载值从0到35.4 MPa,它有巨大的波动在初始和支持推进工作。

液压支架的荷载经验阻力增加,波动阻力,和减压的一个营业周期的周期和支持负载值是不同的。作为一个整体,示例数据提出了一种常规趋势时间序列的特点。

2.2。功能分解的支持负载和可预测性分析

考虑到液压支架的周期趋势负载,负载数据分解是基于统计和数据挖掘方法(28]。趋势项、周期项和残余项从样本数据中提取,分别如图2。

这是发现从图2这一趋势项呈现明显的振荡和轻微的趋势。周期项呈现明显的周期性,总共10个周期提取。每个时期的数据经验明显上升,波动,和下降,阻力增加的过程相对应,波动阻力和压力释放液压支持。提取的10个周期对应于切削面先进共有10个周期。这意味着提取周期匹配与支持循环操作过程。剩余期限在零附近上下浮动,这是符合白噪声的特点,但残余项的值是相当大的,表明数据的随机涨落是显而易见的。总的来说,液压支架负载有很强的时间序列特征,和时间序列模型可用于预测和分析。

3所示。分析和预测加载基于滑动窗口的支持

滑动窗口方法使用的平均或加权平均价值历史监控数据来预测当前时刻的值或在未来任何时候。(后的方程可以表示为29日), 在哪里是下一时刻的预测值,k滑动窗口范围,的重量是滑动窗口内th监测值,实际监测值t-nth滑动窗口的价值。

基于监测样本数据,最初的400年的数据作为训练数据,最后60数据作为验证数据。Python软件是用于构建一个支持负载预测模型基于滑动窗口的方法。不同的滑动窗口值,单点预测和多点预测价值基于平均和加权平均值计算。其中,单点预测是预测下一时刻的值基于滑动窗口历史数据,而多点预测是指预测未来值在多个连续时间基于滑动窗口历史数据。对比结果如图3。

从图3单点预测结果,发现基于平均和加权平均滑动窗口预测方法符合验证数据,预测曲线趋向于平稳和滑动窗口的值增加,这意味着峰值的预测价值或变点变得不准确的。使用加权平均法预测的结果是比平均法更准确,而预测结果与监测数据比较滞后,滞后积累和滑动窗口值增加。在图3 (b)滑动窗口的权重值,值为5 (0.7,0.1,0.1,0.05,0.05);(0.5,0.2,0.1,0.1,0.05),分别。滑动窗口的权重值与值为10 (0.7,0.05,0.05,0.0325,0.025,0.025,0.025,0.0125,0.0125,0.0125);(0.5,0.1,0.1,0.1,0.05,0.05,0.025,0.025,0.025,0.025),分别。相同的滑动窗口值,相邻的监控数据的更大的重量,更准确的预测结果,这意味着单点预测的结果是由邻近的监测值。不同的滑动窗口值是用来预测37分的样本数据(液压支架的一个经营周期),如图3 (c),结果显示在正确的曲线的一部分。当滑动窗口值是5,它是准确的短期预测。预测期延长,准确性显著减少,所以其他滑动窗口值。

4所示。分析和预测加载基于自回归模型的支持

4.1。液压支架载荷数据的平稳性分析

之间的自回归预测方法可以建立相关历史监控数据和当前和未来的数据历史监控数据分解到趋势,季节性,噪声项,等等,然后,根据历史数据,它可以使用自回归方法计算未来数据。一般来说,液压支架负载监测的数据角色压力的列,列压力提出了循环变化随着液压支架和屋顶骨折。更适合使用单变量的自回归模型预测分析。

单位根检验、自相关和偏自相关分析方法用于验证液压支架载荷数据的平稳性,和原始数据,一阶差分数据,和季节性差异数据比较和分析建立时间序列数据建模。

自回归模型要求历史和当前数据有很强的自相关(自相关系数不应小于0.5),和模型可以描述如下30.), 在哪里当前值,是常数项,是订单,自相关系数,误差项,是历史的监测值在时间吗之前的时间 。

监测值之间的相关性在当前时间和历史监测值可以计算使用自相关函数(31日), 在哪里监测值之间的相关系数在时间吗和当前的监测值,当前值,是历史的监测值在时间吗之前的时间 。

自回归模型需要固定的时间序列数据,这意味着均值和方差不随时间改变。单位根检验(ADF)是用于测试的样本数据的平稳性液压支架负载。计算结果如表所示1。

从表1,它是发现预处理的液压支架载荷样本数据趋于0,和值的置信区间值显著小于99%,95%,和90%,这表明数据稳定。自相关函数(ACF)和偏自相关函数(PACF)是用于分析数据的平稳性和自相关,如图4阴影区域涵盖了置信区间。

从图4,它是发现,自相关系数和偏自相关系数的液压支架载荷样本数据下降缓慢,往往最终平面(在零附近波动值)。自相关系数呈现周期性循环波动在置信区间(图中阴影区域4(一)),而有许多明显的滞后点(阴影区域外的点图4(一))。偏自相关系数也显示在上下置信区间(图中阴影区域4 (b)),但周期性不明显。从图1,我们知道的液压支架载荷循环操作受到顶板断裂行为的影响,切削面推进速度,液压支架的工作状态,和运营商的习惯。每个周期的支持负载变化趋势仍然显示一个很大的区别,每个周期的长度。因此,周期性负载的支持类似于“季节性”传统的时间序列模型,而“季节”的长度和季节性周期的样本值的变化规律是不同的。摘要ARIMA模型(不考虑循环周期的影响)和SARIMA模型(考虑循环周期的影响)是用于分析和预测负载液压支架的示例数据。

虽然液压支架负载监测样品已经通过了固定测试图4,仍有许多在ACF和PACF滞后点。介绍了样本数据的一阶差分减少延迟点,这样自相关系数和偏自相关系数收敛迅速的置信区间。根据样本数据的季节性和周期性循环图中提取数据2 (b)37岁的监测值选择的循环周期,和数据受到“季节性”差异获取液压支架载荷平稳时间序列数据的样本。

单位根检验方法用于执行预处理数据平稳性检验。计算结果如表所示2。数据处理后的自相关系数和偏自相关系数图所示5。

单位根检验结果表明,一阶差分或季节性差异的样本数据,测试结果明显低于原始数据和测试的结果值的置信区间;的值也比原始数据接近于零,这表明样本数据更加稳定与一阶差分或季节性差异。

从图5,发现滞后的自相关系数和偏自相关系数显著提高(阴影区域外的点在图5)。在数据5 (c)和5 (d)偏自相关系数 和 显著增加,偏自相关系数 大于这个值吗 ,反映数据的周期性。它还表明,近期数据的周期性变化特征对当前和未来的数据有更大的影响。

4.2。支持基于ARIMA模型预测的负载

考虑到各种各样的液压支架负载周期期间,“季节性”因素是悬浮在第一个模型。自回归移动平均(ARIMA)建模分析是首先应用于液压支架用一阶差分加载示例数据。从数据5(一个)和5 (b),发现偏自相关的数据出现滞后的“审查”5,和自相关出现“尾矿”,所以自回归模型确定的价值 。同样,模型的自相关也出现“审查” ,和偏自相关节目“尾矿”模型的移动平均任期最初确定为5。

根据确定模型自回归和移动平均条款方面,网格搜索方法用于创建总共16模型条件下,自回归项的值范围 ,移动平均线的值范围的术语 ,和微分项的值 。Akaike信息标准(AIC)和贝叶斯信息准则(BIC)被用来优化模型参数(32]。AIC和BIC模型的计算结果如图所示6。

可以看出,当 和 ,AIC值是最小的(2456.925),当 和 ,BIC值是最小的(2488.379),当 和 ,BIC值略大于结果时 和 。因此,根据传统的时间序列模型参数优化方法,确定模型的最优参数 , ,和 。模型的残差,如图7,基本上符合白噪声的特点,即模型的可靠性高。

基于上述结果,训练数据集用于液压支架载荷的数据建模和模型用于预测液压支架测试样品(下一个操作周期数据)。结果如图8。

从图8,发现训练样本的预测结果有相似的趋势,峰值与样本数据,验证数据的预测结果只是提出了类似的趋势和样本值在很短的阶段,然后它显示了一个类似的水平直线趋势(类似于滑动窗口方法)。因此,该模型可以而且只能预测数据的发展趋势在短期内,它有一个轻微的优势与滑动窗口预测方法进行比较。

模型的参数 , ,和 ,这意味着,前面的四个数据在当前时间之前被用来预测未来趋势,和前三个数据之前使用当前时间样本的错误判断,这一趋势的参考样品可以预测的短期发展趋势支持负载,但少量的参考样品只是适合短期预测的发展趋势,而无法预测的长期发展趋势支持负载。为了充分利用历史数据,一个营业周期的历史样本数据用于数据建模和分析,以及修改模型参数 , ,和 。结果如图所示9。

从图9,发现随着历史参考数据的数量增加,模型变得更加敏感数据波动,变化显著轻微的示例数据波动的预测价值。然而,预测结果更加准确。尽管模型的剩余价值仍然在零附近波动,波动范围显著扩大。这可能是因为价值模型的增加导致越来越多的累积误差值。进一步优化模型参数,减少了价值3、残值和预测结果如图10。

从图10 (),我们可以知道减少值可以大大削弱的波动模型的剩余价值,以及模型的波动的预测价值。预测结果已显著提高。预测的值与样本的趋势基本上是一致的验证数据集,而峰值有细微差别。原因是有很多外部干扰因素对液压支架操作周期期间,剩余价值的波动幅度是-30 ~ 25 MPa,导致预测值和实际值的偏差。预测结果可以恰当地用了更大的提高价值,虽然确切的结果仍然不覆盖整个液压支架周期。长期预测结果仍然没有参考价值。

4.3。液压支架负载预测基于SARIMA模型

通过功能分解液压支架载荷数据(图2),发现有一些示例数据周期变化特征,而循环周期和负载值是不同的。考虑周期性、季节性自回归综合移动平均(SARIMA)是用于分析和预测负载的液压支架,和季节性差异处理过的数据用于建模和分析。自相关和偏自相关分析结果如图5 (c)和5 (d)。可以看出,偏自相关的示例数据出现“审查” ,而自相关礼物”尾矿。“季节性自回归模型的组件的顺序可以主要决定 ;而在 , ,偏自相关显著增强,所以季节性组件订单( )自回归模型的是2。模型的自相关也出现“审查” ,和偏自相关出现“尾随”,所以模型的季节性移动平均值决定6主要模型的自相关显著增强 ,这样的顺序确定季节性移动平均模型中的组件1为主。

主要确定模型参数,基于网格搜索方法用于创建630模型条件下,季节性自回归条件的范围 ,季节性移动平均条件的范围 ,术语和季节性差异 ,季节性自回归条件的范围 ,季节性移动平均条件的范围 ,项是季节性差异 ,和周期长度 。Akaike信息标准(AIC)和贝叶斯信息准则(BIC)也被用来优化模型参数。当 , , , , ,和 ,模型具有最小的AIC值(1285.72),当 , , , , ,和 ,模型具有最小的BIC值(1341.07),当 , , , , ,和 ,BIC值(1345.62)是比参数 , , , , ,和 。可以确定模型的最优参数 , , , , ,和 。模型的残差基本上符合白噪声的特点,这就意味着模型是可用的。最后一个操作周期的数据作为样本测试集,并根据最优参数预测结果如图11。

从图11,发现这个模型也对样本数据的波动非常敏感。样本数据的预测价值波动较大波动。模型的残差也在零附近波动,但波动幅度大于ARIMA模型。推断,剩余价值的更广泛的波动幅度会导致更敏感的模型示例数据的波动。模型预测,液压支架的载荷将迅速下降,在短期内迅速增加,同时也预测负荷变化趋势在接下来的液压支架工作循环很好。预测的趋势是非常接近这个领域的趋势;预测的值略低于监测值。预测峰值接近监测值,明显滞后。有许多因素影响液压加载的支持,所以剩余的数据样本范围很宽,导致数据的波动。尽管这个模型的预测精度低,它预测液压支架的发展趋势在接下来的整个周期。 The prediction accuracy is affected by the roof properties, support working condition, and other external factors, which has certain randomness, so we do not take more attention on adjusting parameter to optimize the prediction result.

5。讨论

液压支架载荷的变化反映了屋顶压裂过程。然而,液压支架载荷是由多种因素决定的,如屋顶裂缝,支持工作条件、工作面推进速度,和运营商的能力。因此,液压支架载荷的周期长度随条件变化,以及高峰负荷,不利于预测液压支架负载。

滑动窗口预测方法具有良好的短期负荷预测影响支持,但滑动窗口的值不应太大。加权平均法明显优于均值法。由于严重依赖滑动窗口的预测方法对最近的监测数据,是不可能提前判断数据的趋势,所以很难预测中期和长期法律液压支架载荷的变化。只有液压的短期负荷预测支持(不到一个周期的支持周期操作)在实际工程应用程序有很大的局限性。

基于不同模型的预测结果进行了比较,参数表3,如图12,发现ARIMA模型和SARIMA模型可以预测负荷趋势。然而,ARIMA模型只适用于在短时间内预测趋势。ARIMA模型使用三组的参数获得良好的结果在第一个液压支架周期的一半,而失败的剩余期间(卸载过程)和峰值负载的液压支架不能计算。合适的SARIMA模型参数可以获得的支持在一个工作循环负荷发展趋势,预测峰值负载是接近现场监测数据。它表明SARIMA模型更适合预测负荷发展趋势的支持。应该注意的是,SARIMA模型有一个滞后的结果与监测时间序列数据进行比较。更多的外部因素需要考虑SARIMA模型在未来的研究中。

液压支架负载通常是受到外部因素的影响。确定这些模型的预测精度,应采取更多的关注在地质条件,恢复方法,等等,这需要一个新的研究显示它。在本文中,我们主要关注比较三种模式的优势。正如我们所知,屋顶压裂是一个动态的连续过程。良好的支持条件下影响屋顶与工作面正常推进速度,SARIMA模型能取得良好的预测效果的液压支架负载。此外,SARIMA模型对监测数据的波动更敏感,它会略有放大异常值,如图11的最大和最小值预测结果明显高于或低于监测值。它表明SARIMA模型可以更有效地捕获异常监测值。

基于统计分析的时间序列模型更适合小样本数据上执行数据模型和预测。如果监测值影响较小的外部因素作为训练样本,负载的液压支架在随后的周期可以更好的预测。预测的结果也可以作为判断的依据液压支架是否受到外部因素影响下一营业周期。如果影响,价值将明显偏离;否则,预测和监测结果基本是相同的。

显然,基于统计理论的时间序列模型预测液压支架负载有局限性。这些模型预测很难大规模事故和岩石破裂压力削减脸瞬时发生的事故。因此,力学模型,数值模拟的结果屋顶裂缝切割脸上应该时间序列模型中的耦合在未来研究中,提高了预测精度。

6。结论

(1)通过分解液压支架的数据加载到趋势项,周期项,和残余项,在液压支架周期的周期性负载可以明显看到。加载数据的趋势项呈现一定的规则,但剩余价值是相当大的,这意味着液压支架载荷波动极大地与各种外部因素,预测支持负载,它增加了困难(2)滑动窗口预测方法在预测下一个单点是好事。然而,它不能预测加载数据的发展趋势。随着滑动窗口的值增加,峰值点的预测结果或突然变得不准确。滑动窗口的值应该在合理的范围内。加权平均法明显优于平均法(3)增加ARIMA模型的自回归项的值可以适当改善长期预测的结果,虽然它也会增加模型的敏感性数据,和模型仍然未能预测负荷趋势在接下来的周期的支持。因此,这个模型并不适用于预测的负荷趋势长期开采过程(4)预测由SARIMA模型生成的数据有相似的趋势与现场监测数据,这意味着这个模型是更好的方法来预测负荷趋势在液压支架周期。负载数据有较强的周期性而不是趋势。然而,预计值略低于监测数据,和它的存在时间滞后效应

数据可用性

121304号ultralength长壁开采的脸,在Kouzidong煤矿,中国煤矿煤层的佳绩。煤层的厚度2.2 ~ 6.66米,最大倾角切割面350米的长度,和罢工的长度约为1000米。ZZ13000/27/60D,四柱盾液压支架,适用于切割面,轴承极限列是33 MPa的压力。KJ216系统介绍监控压力在前面列。液压支架的数据(90号)在两个工作日的中间切削面提取进行分析。监测期间,切削面先进总共10个周期。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是国家重点支持的研究和发展项目(2017 yfc0603005)和由中国国家自然科学基金(52004124)。作者表达自己的感谢Kouzidong煤矿提供用于这项工作的实地测量和观察。