Оптимизация режимов работы мехатронных очистных комбайнов

Актуальность проблемы. Как известно, одной из актуальных на

сегодняшний день является проблема метана, который существенно
осложняет ведение горных работ, требует значительных затрат на
проветривание выработок и дегазацию пластов, создает реальную угрозу
возникновения пожаров и взрывов в зонах его скопления. В то же время
шахтный метан – ценнейший энергоноситель, который выбрасывается в
атмосферу, загрязняя её и ухудшая экологическую обстановку
угледобывающих регионов.
В реальных условиях образование опасной концентрации происходит в
результате действия следующих факторов: выделение метана из пласта;
выделение метана из добываемого угля; выделение метана из
транспортируемого угля; суфлярные выделения метана [1].
1. Объем выделения метана из пласта происходит постоянно, даже
при отсутствии работ в лаве. Данный объем метана можно учесть на
основании технологического паспорта выемочного участка и известно для
каждой конкретной лавы. Данная величина зависит от крепости, мощности и
газообильности пласта.
2. Выделение метана из добываемого угля – выделение метана из угля,
который рубится комбайном, напрямую зависит от скорости перемещения
комбайна.
3. Это выделения метана (сорбированного газа) из уже добытого угля,
который движется по скребковому конвейеру. Объем метана, выделяющегося
из транспортируемого угля, на порядок меньше объема метана
выделяющегося при рубке угля комбайном. Этот вид метановыделения не
будет оказывать существенного влияние на общую концентрацию метана в
лаве угольной шахты.
4. Суфлярные выделения метана – случайные выделения метана. Их
предусмотреть невозможно. Они действуют в течение некоторого
промежутка времени, а потом угасают.
Отдавая приоритет отбитому углю как главному источнику
газовыделения в очистной забой, попытаемся проанализировать возможность
варьирования скоростью подачи комбайна, сокращая тем самым время,
которое отводится на технологическую паузу, и, поддерживая концентрацию
на одном уровне, меньшем, чем опасный. Это в свою очередь позволит
повысить не только безопасность в лаве угольной шахты, но и объемы
добываемого угля [2].
Актуальность данной задачи также связано с тем, что используемая на
современном этапе оценка метаноопасности высокопроизводительных
очистных забоев угольных шахт, свидетельствует о наличии противоречий
между возможностями добычной техники, и ограничивающим ее газовым
фактором. Так скорость подачи современных очистных комбайнов может
достигать 15–30 м/мин, что говорит о больших технических резервах
увеличения добычи угля в очистных забоях, а на деле фактическая
интенсивность добычи угля ниже теоретической в 5–10 раз и более [3].
Постановка задачи исследования. Исследованиями [4, 5]установлено,
что на величину и интенсивность метановыделения в пределах выемочного
участка существенно влияет режим работы угольного комбайна, т.е. характер
и параметры движения его вдоль линии очистного забоя. Экспериментальные
наблюдения за метановыделением из обнаженной поверхности угольного
пласта показывают существенные различия изменения концентрации метана
при неработающем комбайне и при его работе.
Следует отметить, что превышение заданных значений концентрации
метана в точках измерений приводит, прежде всего, к прекращению процесса
эксплуатации и выводу персонала из места добычи. Напряжение питания
всех электроустановок при этом отключается, рабочие машины
останавливаются, и процесс угледобычи прекращается, пока эти значения не
уменьшатся. Это влечет за собой высокие экономические затраты. Поэтому,
повысить эффективности работы газоопасных очистных забоев можно,
наряду с применением средств вентиляции и дегазации, управляя
газовыделением, путем регулирования скорости подачи угольного комбайна
[6]. Это позволит повысить нагрузку на очистной забой и предотвратить
простои из-за газового фактора следующим образом: при безопасной
концентрации работа комбайна не останавливается, а его скорость
максимально возможная; если концентрация переходит на уровень,
приближающийся к опасной концентрации, то скорость движения комбайна
уменьшается; если концентрация опасная – происходит отключение
электроэнергии.
Опыт работы современных шахт показывают, что газовая ситуация при
угледобыче изменяется от допустимой до предельной в течение нескольких
минут. Поэтому возникает необходимость перехода от статического к
динамическому принципу оценки газоопасности современных очистных
забоев с учетом нестационарности добычи угля и выделения метана [7].
Оценить газоопасность очистного забоя возможно путем прогноза
концентрации метана. Современные компьютерные системы аэро газового
контроля [8, 9], что используются на шахтах, не предусматривают
возможность прогноза содержания метана. Это приводит к тому, что меры,
направленные на предотвращение аварий или снижение их последствий,
могут быть проведены слишком поздно.
Прогноз должен осуществляется в реальном времени с использованием
текущей исходной информации: концентрации метана в исходящих струях
лавы и добычного участка, из выработанного пространства; количества
проходящего воздуха; положения комбайна в лаве; нагрузки на очистной
забой; данных сейсмоакустической активности пласта, дебита метана,
извлекаемого дегазационными системами. Но данная задача является очень
трудной, так как должны учитываться множество факторов, оказывающих
влияние на концентрацию метана на выходе из забоя [10, 11].
 Методы прогноза опасности ситуации по метану представляют собой
предсказания его концентрации или оценки риска взрыва газа. Для этой цели
ученые использовали различные способы, статистические модели [12, 13],
методы прогноза: аналитические [14], численные [15], краткосрочные
прогнозы [16]. Предпринимались также попытки описать газодинамику
добычного забоя путем применения стохастической модели с
использованием экспериментально определенных характеристик сигналов от
датчиков, измеряющих параметры шахтного воздуха [17, 18, 19]. Для
ускоренного прогноза концентрации метана на выходе из лавы также
применялись методы машинного обучения [20, 21, 22].
Эти методы различаются с точки зрения их эффективности. В ряде
случаев полученные результаты являются неудовлетворительными и
существенно отличаются от реальных.
Целью настоящей работы является на основании натурных
измеренных данных осуществить прогнозирования максимальной
концентрации метана на выходе из лавы в зависимости от скорости,
направления перемещения угольного комбайна и его месторасположения в
лаве. Для прогноза концентрации метана использовались показатели,
полученные от датчиков метана и скорости перемещения комбайна, кроме
этого учитывалась информация о ведении или отсутствии работ по добыче
угля. Результат прогноза даст возможность диспетчеру шахты лучше
осуществлять мониторинг безопасности работы, что должно уменьшить
число дорогостоящих автоматических отключений электрической энергии по
причине превышения допустимой концентрации метана и создать систему
управления комбайном, работающего по критерию минимизации времени
принудительной остановки. Источником измерительных данных была
система мониторинга параметров шахтной среды выемочного участка 26-28
ООО «Шахта «Есаульская», Кузбасс [23].
На рис. 1 приведен график, характеризующий газовую обстановку на
исследуемом выемочном участке 26-28 при ритмичной работе очистного
забоя. Расположение датчиков для измерения параметров концентрации
метана в внутризабойном пространстве представлено на рис. 2.
Задача прогнозирования уровня концентрации метана в зависимости
скорости перемещения комбайна в работе решается с применением
цифровых технологий на базе применения искусственного интеллекта, в
частности искусственных нейронных сетей (ИНС) [24].
ИНС сети представляют собой некий математический аппарат, который
на основе обобщения входных данных позволяет выявить скрытые
закономерности, не видимые вооруженным взглядом [25]. Нейросети
доказали возможность своего применения во многих областях: экономика,
медицина, управление, горная промышленность.
Постановка задачи исследования. Объектом исследования является
возможность процесса прогнозирования концентрации метана в горных
выработках в зависимости от режима работы угольного комбайна. Метод
исследования – нейросетевой способ прогнозирования концентрации метана.
Для решения поставленной задачи необходимо: определить тип ИНС для
прогнозирования, определить ее структуру, обучить ее и выполнить
численные исследования [26].
Основное содержание.
ИНС представляют собой универсальную аппроксимационную
систему, позволяющую воспроизводить многомерные наборы данных и
способную обучаться и адаптироваться к изменяющимся условиям внешней
среды, а также обобщать полученные знания, формируя тем самым систему
искусственного интеллекта [21].

Рис. 1 – Графики трендов содержания метана в исходящей струе

очистного забоя (а) и динамики скорости движения комбайна (б) без учета
проветривания

Для эксперимента, у нас есть набор данных временных рядов,

содержащий 11522 значения, который дает информацию о режиме работы
комбайна: его месторасположения, скорости и направления перемещения
вдоль лавы, также значений показаний трех датчиков метана,
расположенных: 1- в кутке, 2- на выходе лавы, 3 – на выходе участка (рис.
2).

Рис. 2 Схема расстановки датчиков метана

Эксперимент выполнялся в среде MATLAB R2018b, установленной на

операционной системе Windows 8, , в частности в пакете расширения Neural
Network Toolbox, содержащий средства для проектирования, моделирования,
разработки и визуализации нейронных сетей [27].
Для анализа были выбраны три типа ИНС: нелинейная
авторегрессионная сеть (Nonlinear Autoregressive Network, NARX -сеть); сеть
Элмана - частный случай многослойной рекуррентной сети (Layer-Recurrent
Network - LRN -сеть); сеть прямого распространения (Feed-Forward Network -
FFN -сеть) и нейросеть с задержкой по времени (TDNN), которая является
динамической (с временной задержкой) нерекуррентной многослойной
сетью.
Сеть Элмана имеет один внутренний слой, сигмоидальную функцию
активации нейронов первого слоя, линейную функцию активации нейронов
выходного слоя. Архитектура сети представлена на рис. 3, где D –
временная задержка на один шаг. В MatLab обучение сети Элмана возможно
только с помощью алгоритма градиентного спуска [28].
Приняты следующие обозначения на структурных схемах нейронных
сетей: IW - матрица весов входа; LW - матрица весов нейронов
промежуточного слоя; p - вектор входов; y - выход сети; TDL ( Tapped
Delay Line ) – линии задержки. Линии задержки определим вектором
L  (l in , l out ) , где l in , l out - длины входной и выходной линий соответственно
[29].
 Рис. 3. Архитектура нейронной сети Элмана

NARX -сеть представляет собой модель нелинейной авторегрессии [30]

с внешними входами

Рис. 4. Схема ИНС нелинейной авторегрессии с внешними входами

(NARX)

FFN -сеть имеет архитектуру, представленную на рис. 5. [30].

Рис. 5. Архитектура FFN- сети прямого распространения

 TDNN – сеть, представлена на рис. 6

Рис. 6. Архитектура TDN сети прямого распространения с задержкой

по входу

Критерием выбора структуры модели сети было минимальная

среднеквадратичная ошибка прогноза, что означает выбор таких значений
параметров синаптических коэффициентов w1ij и wij2 , которые обеспечивают
минимум разности выхода по модели и желаемого выхода:
k
 [ yi  di ]2
MSE  i 1  min
k
где k - количество тестовых реализаций, yi - прогноз, полученных по
модели (выход НС), di - желаемый прогноз.
Методологические шаги, необходимые для прогнозирования уровня
концентрации метана в зависимости от режима работы угольного комбайна с
использованием методов ИНС, включают следующие этапы:
1. Съем экспериментальных данных,
2. Сглаживание данных;
3. Разделение набора данных (сглаженные входные переменные) на
обучающие данные, тестовые данные и данные проверки, а также на
проектирование сети и проведение расчетов;
4. Выбор лучшей сети (самый низкий критерий ошибки);
5. Прогнозирование
После сглаживания наборы исходных данных были разделены на три
подмножества: данные обучения (70% случаев), данные испытаний (15%
случаев) и данные проверки (15% случаев) [31]. Подмножество обучающих
данных используется для обучения сети, тогда как тестовый набор данных
используется для проверки процесса обучения сети
Последний набор, а именно набор проверки, позволяет оценить
качество сети и сравнить различные варианты сети, применяемые для
конкретного анализа.
В таблице 1 приведены сравнительные характеристики результатов
прогнозирования для выбранных ИНС. Количество нейронов входного слоя
соответствует количеству входных параметров. В качестве входных
параметров использовались следующие данные: 1- текущего времени работы
комбайна в течение рабочей смены, 2- местоположения комбайна в лаве
относительно номера секции, 3 - скорости перемещения комбайна, 4 -
информации в какую сторону относительно лавы перемещается комбайн (в
бинарном: «1» - едет условно «вперед», «-1» - едет условно «назад», «0»-
стоит). В качестве выходных параметров для прогнозирования,
использовались значения концентрации метана, снимаемые в трех точках,
согласно расположения датчиков, как показано на рис. 3, а именно: а) в
кутке, б) исходящий лава, в) исходящий участок.
Таблица 1. Результаты прогнозирования нейронными сетями
Критерий TDNN LRN NARX FFN
Сеть
Наличие обратной нет да да нет
связи
Задержка во входном да нет да нет
слое
Среднеквадратичная 0,16 0,14 0,02 0,11
ошибка прогноза (MSE)
Поскольку сеть NARX обеспечивает наименьшую среднюю
квадратичную ошибку прогноза, эта сеть и была выбрана для решения задачи
прогнозирования. Точность прогноза у этой сети равна
Точностьпрогноза (%)  (100  MSE% )  (100  2)  10  98 %
На рис.7, в качестве примера представлен график зависимости
значений уровня концентрации метана снятого экспериментально и
спрогнозированного (рассчитанного) нейронной сетью в точке измерения
«куток» за одну смену (24 ч).

Рис.7. Результат прогнозирования концентрации метана с датчика «куток»

 Выводы
1. Метановая опасность - одно из самых опасных явлений в добыче
каменного угля. Поэтому, чтобы обеспечить непрерывность
производственного процесса и безопасность работы для персогнала,
необходимо принять соответствующие меры для обеспечения безопасных
условий труда.
2. Использование ИНС позволяет в краткосрочной перспективе
прогнозировать концентрацию метана в зоне постоянной эксплуатации, тем
самым повышая безопасность работы в лаве.
3. Результаты моделировали показали, что ИНС типа NARX дает
результаты прогноза возможной концентрации метана в зависимости от
режима работы угольного комбайна с достоверностью, составляющей %
4. Анализируя разработанную методологию и полученные результаты,
можно сделать вывод, что правильно спроектированная и обученная НС
может быть успешно использована для прогнозирования уровней
концентрации метана в зависимости от режима работы комбайна в зонах
продолжающейся добычи полезных ископаемых.
5. Следует также отметить, что представленная модель хорошо
работает при относительно медленном увеличении уровня концентрации
метана. Внезапные, непредсказуемые увеличения прогнозировать сложнее.
Поэтому представляется целесообразным провести дальнейшие
исследования по разработке этой методологии.
6. Возможность регулирования скорости перемещения комбайна с
учетом прогнозирования ожидаемого объема метановыделения из
обнаженной поверхности угольного пласта в очистной забой, позволит
управлять этим метановыделением, и обеспечить максимальную
производительности выемочной техники за счет минимизации времени
принудительной остановки.

Литература
1. Дацюк Н.М. Увеличение эффективности работы угледобывающих
машин с помощью компьютерных систем контроля метановыделения / Н.М.
Дацюк, Е.И Алтухов // Материалы конференции "Энергетика. Экология.
Человек". Киев: КПИ им. И. Сикорского, 2012. — С. 279-286.
2. Шевченко Л.А. Влияние технологического цикла в очистном забле
на газообильность выемочного участка шахты / Л. А. Шевченко, В.А.
Зубарева // XII Международная научно-практическая конференция
«Безопасность жизнедеятельности в промышленно развитых районах».
Кемерово: 2017. – С. 2011 – 2018.
3. Сапрыкина Т.В. Сравнительная оценка применения очистных
комбайнов в метаноопасных лавах // Технические науки: теория и практика:
материалы III Междунар. науч. конф. — Чита: Издательство Молодой
ученый, 2016. — С. 105-108.
4. Болгожин Ш.А. Анализ газовыделения в очистных забоях с
переходом на узкозахватную выемку / Ш.А. Болгожин, Г.И. Карабаев, Т.Е.
Хакимжанов // Горное дело. – Алма-Ата: МВиССО КазССР, 1968. – Вып. 3. –
С. 34-37.
5. Калиев С.Г. Управление газовыделением на угольных шахтах. / С.Г.
Калиев, Е.И. Преображенская, В.А. Садчиков и др – М: Недра, 1980. – 221 с.
6. Абдугалиева Г.Ю. Оценка влияния скорости движения угольного
комбайна на интенсивность газовыделения в лаву // Труды Международной
научно-практической конференции «Стратегия развития горно-
металлургического комплекса Казахстана», посвященной 100-летия со дня
рождения И.А. Онаева. — Алма-Ата: — КазНТУ, 2013.—С.19 – 24.
7. Колмаков В.А. Метод оценки интенсивности добычи угля
комбайнами в метаноопасных очистных выработках. /В.А. Колмаков, М.В.
Чередниченко // Вестник Кузбасского государственного технического
университета, 2010. — №6. — С. 20-22.
8. Брюханов А.М. Создание современной системы комплексной
безопасности: сб. науч. тр. МакНИИ / А. М. Брюханов, Ю. А. Иванов, С. М.
Силаков // Способы и средства создания безопасных и здоровых условий
труда в угольных шахтах. — Макеевка-Донбасс, 2007. — Вып. 20. — C. 7-15.
9. Радченко В.В. Перспективы повышения уровня промышленной
безопасности угольных шахт при использовании системы диспетческого
контроля (УТАС) / В. В. Радченко, Н. В. Малеев, А. А. Мартынов, В. С.
Захаров, В. А. Шевцов // Горный информационно-аналитический бюллетень.
— 2005. — № 2(12). — С. 32-44.
10. B. Bojko. The Analysis of Acquired Measurements of Methane
Concentration in Mine Galleries – Selected Examples, Proceedings of 3rd School
of Mine Ventilation, Zakopane, 12-15 October, 2004.
11. B. Bojko. Dynamics of Methane Content in Mine Workings, PhD
Thesis. Polish Academy of Sciences, Strata Mechanics Institute, Cracow, 2004.
12. W. G. Kurnosow and J. L. Krasik. Methane hazard and its monitoring,
Proceedings of the 7th International Mine Ventilation Congress, June 17-22, 2001,
Cracow, Poland.
13. W. D. Dixon. A statistical analysis of monitored data for methane
prediction, PhD Thesis, University of Nottingham, Dept. of Mining Engineering,
1992.
14. Krause, E.; Krzystolik, P.; Lukowicz, K. Recognition, Forecasting,
Control and Combating Methane Hazard in Hard Coal Mines; GIG: Katowice,
Poland, 2001.
15. Brodny, J.; Tutak, M.; John, A. Analysis of Influence of Types of Rocks
Forming the Goaf with Caving on the Physical Parameters of Air Stream Flowing
Through These Gob and Adjacent Headings. Mechanics 2018, 24, 43–49
16. Badura, H. Short-Term Prediction Methods for Methane Concentrations
at the Outlets from Caving Longwall Areas at Coal Mines; Politechnika S´ la˛ska:
Gliwice, Poland, 2013.
17. B. Firganek. Stochastic Model of Methane Emission in Longwall Faces,
Proceedings of 29th International Conference of Safety in Mines Research
Institutes, October 8-11, 2001, Szczyrk, Poland, Vol. 1.
 18. S. Wasilewski. Analysis of the Measurement Signals of Ventilation
Processes, Mining Automation Bulletin, No. 31, Katowice, 1986.
19. Novoselov S. Problem of methane-air mixture explosions in working
faces of coal mines at mining intensification and ways of its solution// S.
Novoselov, V. Popov, Yur. Filatov, Hee Lee, A. Golik // The Second International
Innovative Mining Symposium. E3S Web of Conf erences 21, 01034 (2017). P. 1-
5. DOI: 10.1051/e3sconf/20172101034
20. Sikora M., Krzystanek Z., Bojko B., Śpiechowicz K. Application of a
hybrid method of machine learning for description and on-line estimation of
methane hazard in mine workings/M. Sikora, Z. Krzystanek, B. Bojko, K.
Śpiechowicz// Journal of Mining Science. – July 2011. – Vol. 47. – Issue 4. –P.
493-505. DOI:10.1134/S1062739147040125.
21. Tutak M. Predicting Methane Concentration in Longwall Regions Using
Artificial Neural Networks /M. Tutak, J. Brodny //International Journal of
Environmental Research and Public Health. – 2019. –16(8),1406. – P.2-21.
https://doi.org/10.3390/ijerph16081406.
22. Borowski M. Predicting the release of methane into the longwall
workings in Polish coal mines using neural networks / M. Borowski, N. Szlązak //
International Mining Conference 2014 “Theory and Technique of Coal Mining and
Disaster Prevention in Deep Mines”.- Sept. 19-21.- 2014. P.1-7.
https://www.researchgate.net/publication/272480802
23. Поздеев И. А. Обоснование параметров взаимодействующих
геомеханических и газофильтрационных процессов в углепородном массиве
в окрестности движущегося очистного забоя: дис. канд. техн. наук.
Новокузнецк. - 2018. – 194 с.
24. Хайкин С. Нейронные сети. Полный курс 2-е изд. Пер. с англ. – М.
– Издательский дом «Вильямс». – 2006. – 1104 с.
25. Рощупкин Э.В. Использование нейронных сетей для формирования
прогноза выделения пыли с поверхности террикона /Э.В. Рощупкин //
Известия ТулГУ. Науки о земле – 2011. – № 1. – С. 84-86.
26. Дікова Ю.Л. Розробка нейромережевого способу прогнозу вмісту
метану в гірничих виробках /Ю.Л. Дікова // Технологический аудит и
резервы производства. – 2015. – № 5/6(25). – С. 60-62.
27. Саяпина И.А. Нейросетевое моделирование аппаратуры рельсовых
цепей /И.А. Саяпина // Инфрмационно-управляющие системы на
железнодорожном транспорте. – 2014. – № 1 (104). – С. 83-87.
28. Карпенко А.П. Нейросетевое прогнозирование уровня глюкозы в
крови больных сахарным диабетом I типа / А.П. Карпенко, К.Н. Косоруков,
А.А. Сабуров, С.А. Чернецов // Наука и образование. Научное издание МГТУ
им. Н.Э. Баумана. – 2011. – №7. – С. 1-31.
29. Бодянский Е.В. Искусственные нейронные сети: архитектуры,
обучение, применение / Е.В. Бодянский, О.Г. Руденко. – Харьков: Телетех. –
2004. – 304 с.
 30. Кретов Д.А. Прогнозирование электропотребления энергосбытовой
компании с использованием искусственной нейронной сети / Д.А. Кретов,
Р.В. Рузанов // Инженерный вестник Дона. – 2015. – №2. – С. 20.
30. 7. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая
Линия - Телеком, 2010. 56 с.
31. Дерябин В.В. Алгоритмы обучения нейросетевой системы счисления
пути судна /В.В. Дерябин //Вестник Государственного университета
морского и речного флота им. адмирала С.О. Макарова. – 2016. – 3(37). – С.
23-33.