李重重 姚鈺鵬

文章編號(hào)：1671?251X（2024）04?0144?09 ?DOI：10.13272/j.issn.1671-251x.2024010097

摘要：針對(duì)采煤機(jī)在工作過程中易受不同工況條件的影響導(dǎo)致滾筒調(diào)高精度低的問題，提出了一種基于工況觸發(fā)的采煤機(jī)滾筒截割高度模板生成方法。對(duì)采煤機(jī)歷史傳感器數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，選擇影響滾筒高度調(diào)節(jié)的截割電動(dòng)機(jī)電流、截割電動(dòng)機(jī)溫度、俯仰角、橫滾角、牽引速度5維特征數(shù)據(jù)，構(gòu)建用于生成滾筒截割高度模板的補(bǔ)償回聲狀態(tài)網(wǎng)絡(luò)（C?ESN）模型；建立工況觸發(fā)機(jī)制，將采煤機(jī)傳感器實(shí)時(shí)數(shù)據(jù)輸入?C?ESN 模型，以測(cè)試誤差為判斷準(zhǔn)則，識(shí)別當(dāng)前采煤機(jī)的工況為正常區(qū)域、三角煤區(qū)域或異常工況；最后，C?ESN 模型生成相應(yīng)的滾筒截割高度模板。當(dāng)三角煤區(qū)域和正常區(qū)域測(cè)試誤差都大于閾值時(shí)，采用遷移學(xué)習(xí)方法對(duì)測(cè)試誤差小的截割高度模板參數(shù)進(jìn)行修正，以保證異常工況下截割高度模板的精度?；诂F(xiàn)場(chǎng)采煤機(jī)實(shí)際數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明：左右滾筒截割高度模板與實(shí)際截割高度相比，在正常區(qū)域的最大誤差分別為11.47，9.96 cm，在三角煤區(qū)域最大誤差分別為12.91，7.94 cm，能夠滿足工程實(shí)際要求；與傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)模型相比，C?ESN 模型的精度在正常區(qū)域分別提升了54%和57%，在三角煤區(qū)域分別提升了10%和69%。

關(guān)鍵詞：采煤機(jī)；滾筒高度；截割高度模板；補(bǔ)償回聲狀態(tài)網(wǎng)絡(luò)；工況觸發(fā)；遷移學(xué)習(xí)

中圖分類號(hào)：TD632 ?文獻(xiàn)標(biāo)志碼：A

A generation method for the cutting height template of the shearer drum based on working condition triggering

LI Zhongzhong， YAO Yupeng

（Beijing Tianma Intelligent Control Technology Co.， Ltd.， Beijing 101399， China）

Abstract： In order to solve the problem of low precision in drum height adjustment caused by different working conditions during the working process of the shearer， a generation method for cutting height template of the shearer drums based on working condition triggering is proposed. The method preprocesses and extracts features from historical sensor data of the shearer， selects 5-dimensional feature data that affect the adjustment of drum height， including cutting motor current， cutting motor temperature， pitch angle， roll angle， and traction speed. The method constructs a compensated echo state network （C-ESN） model for generating drum cutting height templates. The method establishes a working condition triggering mechanism， inputs real-time data from the shearer sensors into the C-ESN model. The method uses testing error as the judgment criterion to recognize the current working condition of the shearer as normal area， triangular coal area， or abnormal working condition. Finally， the C-ESN model generates the corresponding drum cutting height template. When the testing errors in both the triangular coal area and the normal area are greater than the threshold， transfer learning method is used to correct the parameters of the cutting height template with small testing errors to ensure the precision of the cutting height template under abnormal working conditions. The experimental results based on actual data of on-site coalmining machines show that compared with the actual cutting height， the maximum errors of the left and right drum cutting height templates in the normal area are 11.47 cm and 9.96 cm， respectively， and in the triangular coal area are 12.91 cm and 7.94 cm， respectively.The results can meet the practical requirements of engineering. Compared with traditional echo state network and radial basis function network models， the precision of the C- ESN model has been improved by 54% and 57% in the normal region， and by 10% and 69% in the triangular coal region， respectively.

Key words： shearer; drum height; cutting height template; compensating echo state network; trigger of working conditions; transfer learning

0引言

采煤機(jī)滾筒自動(dòng)調(diào)高是實(shí)現(xiàn)工作面無人或少人開采的重要環(huán)節(jié)[1]。在復(fù)雜地質(zhì)環(huán)境中，煤層厚度通常具有較大的空間差異性，采煤機(jī)滾筒需沿工作面煤巖界面不斷調(diào)整自身高度，以獲得最大采出率，并盡量避免截割巖石[2]。采煤機(jī)滾筒自動(dòng)調(diào)高是指在采煤機(jī)牽引運(yùn)動(dòng)時(shí)，前后滾筒高度隨煤層厚度變化自動(dòng)調(diào)整，以獲得最大采出率并避免切割頂板和底板[3]。目前，采煤機(jī)滾筒調(diào)高主要采用記憶切割和人工遠(yuǎn)程干預(yù)的方法，難以實(shí)現(xiàn)自動(dòng)調(diào)高控制[5]。在智能化開采的大背景下，如何實(shí)現(xiàn)采煤機(jī)滾筒自動(dòng)調(diào)高是亟待解決的問題。

采煤機(jī)滾筒自動(dòng)調(diào)高方法主要包括記憶切割、自適應(yīng)控制器、煤層信息建模等[6]。記憶切割和自適應(yīng)控制器僅適用于結(jié)構(gòu)穩(wěn)定的煤層，當(dāng)煤層地質(zhì)條件發(fā)生變化時(shí)，可能會(huì)導(dǎo)致截割滾筒切割頂層巖石，從而損壞截齒[7]。煤層信息建模方法包括煤巖自然伽馬輻射（Natural Gamma Radiation， NGR）法、切割力反饋法、雷達(dá)探測(cè)法及圖像識(shí)別法等[10]，其顯著缺點(diǎn)是依靠實(shí)時(shí)采集的煤層信息來判別滾筒高度，可靠性較低。針對(duì)上述問題，劉鵬等[11]提出以煤層地震波層析像作為數(shù)據(jù)源，利用地學(xué)空間信息構(gòu)建精細(xì)化頂?shù)装迥Ｐ停瑥亩鴮?shí)現(xiàn)采煤機(jī)滾筒高度自動(dòng)控制。該方法雖不受粉塵、光照、水霧等環(huán)境因素影響，但構(gòu)建精細(xì)化頂?shù)装迥Ｐ碗y度較大，易受震源和接收器安放位置、地震波傳播路徑、地聲信息等影響。高有進(jìn)等[12]根據(jù)采煤機(jī)截割過程物理模型，給出了滾筒調(diào)高過程動(dòng)力學(xué)方程，但該方程是十分復(fù)雜的非線性動(dòng)力學(xué)模型，實(shí)際實(shí)施過程中很難實(shí)現(xiàn)。為實(shí)現(xiàn)滾筒高度自動(dòng)調(diào)節(jié)，郭鑫[13]將上述動(dòng)力學(xué)模型簡化成簡單的二階線性系統(tǒng)，然而，線性化模型無法體現(xiàn)采煤機(jī)負(fù)載隨工況變化的過程，導(dǎo)致滾筒高度控制效果欠佳。近年來，模糊控制方法[14]、魚群算法[15]等智能算法被用于實(shí)現(xiàn)采煤機(jī)滾筒自適應(yīng)調(diào)高，但這些智能算法均沒有考慮采煤機(jī)在不同工況下的滾筒自動(dòng)調(diào)高問題。筆者基于采煤機(jī)歷史數(shù)據(jù)和實(shí)時(shí)感知數(shù)據(jù)，采用梯度提升決策樹（Gradient Boosting Decision Tree， GBDT）生成采煤機(jī)截割模板[16]，并成功應(yīng)用于陜西煤業(yè)化工集團(tuán)有限責(zé)任公司黃陵礦業(yè)一號(hào)煤礦（簡稱黃陵一礦）807工作面。然而，GBDT 計(jì)算復(fù)雜度高，無法有效應(yīng)對(duì)采煤機(jī)異常工況。

為了識(shí)別不同工況并應(yīng)對(duì)異常工況，本文在前期研究的基礎(chǔ)上，提出一種基于工況觸發(fā)的采煤機(jī)滾筒截割高度模板生成方法。構(gòu)建用于生成截割高度模板的補(bǔ)償回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network With Compensation，C?ESN）模型，在模型中加入反饋機(jī)制，提高模板生成的準(zhǔn)確性和穩(wěn)定性。采用工況觸發(fā)機(jī)制，針對(duì)采煤機(jī)工作時(shí)的不同工況，觸發(fā)相應(yīng)的?C?ESN 模型，生成截割高度模板。

1 C?ESN 模型原理

采煤機(jī)通常由截割部、裝載部、運(yùn)輸部和牽引部等組成。截割部截齒在煤壁中旋轉(zhuǎn)切割，通過液壓控制系統(tǒng)伸縮調(diào)節(jié)截割高度；裝載部將截割下的煤塊裝入運(yùn)輸部，運(yùn)輸部將煤塊運(yùn)送至特定位置，牽引部利用牽引電動(dòng)機(jī)控制采煤機(jī)進(jìn)行往返運(yùn)動(dòng)，使其連續(xù)工作[17]。采煤機(jī)工作狀況如圖1所示。

采煤機(jī)不同的截割工藝會(huì)產(chǎn)生不同工況，不同工況需對(duì)應(yīng)不同的滾筒截割高度模板，以提升滾筒調(diào)高的精準(zhǔn)性。由于滾筒高度是依據(jù)液壓系統(tǒng)的搖臂高度與油缸推出距離之間的非線性關(guān)系進(jìn)行調(diào)節(jié)，所以本文采用具有強(qiáng)大非線性擬合能力的C?ESN 對(duì)非線性系統(tǒng)進(jìn)行建模。

傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network，ESN）由輸入層、儲(chǔ)層和輸出層構(gòu)成[18]。儲(chǔ)層特征矩陣 X 和期望輸出矩陣 Y 分別為

式中：t 為時(shí)間步；f 為神經(jīng)元激活函數(shù)；Win，Wres 為輸入層和儲(chǔ)層權(quán)重矩陣；u（t）為輸入數(shù)據(jù)；Wout 為輸出層權(quán)重矩陣；ε為誤差項(xiàng)。

ESN 只對(duì)Wout 進(jìn)行訓(xùn)練，使得儲(chǔ)層特征矩陣 X 到期望輸出矩陣 Y 之間的距離最小，即通過估計(jì)最佳參數(shù) W（?）out 來最小化均方誤差（Mean Squared Error，MSE）。

式中 M 為未知向量矩陣。

采用嶺回歸方法求解式（3）可得?M =（XTX+λI）?1 XT，將求解到的?M 代入式（3）并表示為Wout，此時(shí)真實(shí)估計(jì)的Wout 不是理想的最佳參數(shù) W（?）out，Wout 與 W（?）out 之間的距離為

W（?）out ? Wout =（MX ? I）Wout + Mε

式中I為單位矩陣。

由式（4）可得方差σ2與偏差 Bias 的關(guān)系：

σ2（W（?）out ）=σ2（Mε）=σ2（MMT ）

Bias（W（?）out ）= E（W（?）out ? Wout ）=（MX ? I）Wout

最終可得 MSE 為

MSE =∥et ∥2（2）=∥Y（t）?y（t）∥2（2）=

（Wout ）T （MX ? I）T （MX ? I）Wout +σ2（MMT ）（7）

式中?et 為Y（t）與輸出矩陣估計(jì)值y（t）之間的誤差。

由式（7）可知，方差σ2與權(quán)重 Wout 均會(huì)影響 ESN 的建模精度。雖采用優(yōu)化算法能夠保證參數(shù)的準(zhǔn)確性，但針對(duì)方差σ2卻很少有方法應(yīng)對(duì)。因此，本文對(duì)傳統(tǒng)?ESN 網(wǎng)絡(luò)進(jìn)行改進(jìn)，在傳統(tǒng)?ESN 的網(wǎng)絡(luò)結(jié)構(gòu)中增加反饋機(jī)制，構(gòu)建?C?ESN 模型，采用誤差補(bǔ)償方式減小σ2，進(jìn)而提高模型精度。

C?ESN 由計(jì)算層與補(bǔ)償層組成，其動(dòng)力學(xué)模型為

x（1）（t）= f（W ）u′（t）+W x（1）（t ?1））（8）

e′（t）= Y′（t）? y（?）（t） ?（9）

x（2）（t）= f（W ） e（t）+W x（2）（t ?1）） （10）

y（?）（t）= W x（1）（t）+W x（2）（t） （11）

式中：x（1）（t）和x（2）（t）分別為計(jì)算層和補(bǔ)償層的內(nèi)部狀態(tài)；W ） ，W 分別為計(jì)算層的輸入及神經(jīng)元池連接權(quán)重矩陣；e′（t）為誤差；Y′（t）與y（?）（t）分別為目標(biāo)輸出和預(yù)測(cè)輸出；W ） ，W 分別為補(bǔ)償層的輸入及神經(jīng)元池連接權(quán)重矩陣；W 與W 分別為計(jì)算層及補(bǔ)償層的輸出權(quán)重矩陣；u′（t）為輸入數(shù)據(jù)。

2工況觸發(fā)機(jī)制

采煤機(jī)雙向截割過程是從端頭斜切進(jìn)刀，刮板輸送機(jī)推直，再斜切進(jìn)刀返回，形成三角煤區(qū)域[20]，截割過程跟機(jī)支架分布如圖2所示。截割工藝通常由中部截割、端頭三角煤截割組成。端頭三角煤又分為掃煤、割底、斜切進(jìn)刀等工藝[16]。不同的截割工藝會(huì)產(chǎn)生不同工況，每種工況需對(duì)應(yīng)1個(gè)由三維數(shù)組[p，h1，h2]構(gòu)成的采煤機(jī)滾筒截割高度模板，其中 p 為采煤機(jī)位置，h1為左滾筒截割高度，h2為右滾筒截割高度。以黃陵一礦807工作面為例，工作面支架數(shù)量為150個(gè)，截割工藝包含中部截割、清浮煤、清浮煤返回、斜切進(jìn)刀、斜切進(jìn)刀返回，其工況劃分見表1。

由于煤層形成因素復(fù)雜，如果僅根據(jù)歷史存儲(chǔ)的滾筒高度進(jìn)行截割，可能發(fā)生異常情況。因此，本文通過?C?ESN 模型對(duì)三角煤區(qū)域和正常區(qū)域進(jìn)行識(shí)別，生成不同工況下的采煤機(jī)滾筒截割高度模板。

在采煤機(jī)截割過程中，將監(jiān)測(cè)的實(shí)時(shí)數(shù)據(jù)輸入?C?ESN 模型，以識(shí)別當(dāng)前工況，根據(jù)測(cè)試誤差觸發(fā)相應(yīng)工況處理機(jī)制，生成對(duì)應(yīng)的高度模板。工況觸發(fā)模型為

式中：e（1）為實(shí)測(cè)數(shù)據(jù)與三角煤區(qū)域設(shè)定值的誤差； e（2）為實(shí)測(cè)數(shù)據(jù)與正常區(qū)域設(shè)定值的誤差；m 為閾值。

當(dāng)三角煤區(qū)域的測(cè)試誤差小于正常區(qū)域的測(cè)試誤差時(shí)，判斷為三角煤區(qū)域，反之則判斷為正常區(qū)域，當(dāng)二者均大于 m 時(shí)判斷為異常工況。當(dāng)前工況的輸出權(quán)重為

W = Wall T ??（13）

式中Wall 為通過訓(xùn)練得到的三角煤區(qū)域和正常區(qū)域輸出權(quán)重。

當(dāng)觸發(fā)異常工況時(shí)，采用遷移學(xué)習(xí)機(jī)制，其基本思想是利用接近異常工況的知識(shí)改進(jìn)異常工況對(duì)目標(biāo)任務(wù)的學(xué)習(xí)，并調(diào)整模型參數(shù)。通過權(quán)重更新，提高異常工況建模精度。異常工況的輸出權(quán)重更新公式為

Wabnormal =（I+ X1 X1（T）+ X2 X2（T））（X1 Y1（T）+ X2 Y2（T））（14）

式中：X1和 X2分別為異常工況和接近異常工況的模型儲(chǔ)層特征矩陣；Y1和Y2分別為異常工況和接近異常工況的截割高度。

3滾筒截割高度模板生成

采煤機(jī)滾筒截割高度模板生成過程如圖3所示。對(duì)采煤機(jī)傳感器數(shù)據(jù)與歷史截割數(shù)據(jù)進(jìn)行異常處理、數(shù)據(jù)融合與特征篩選，得到可用于構(gòu)建滾筒截割高度模板的時(shí)間序列數(shù)據(jù)。采用預(yù)處理后的時(shí)間序列數(shù)據(jù)訓(xùn)練?C?ESN 模型并構(gòu)建采煤機(jī)滾筒截割高度模板。

采煤機(jī)數(shù)據(jù)主要包含2類數(shù)據(jù)：一類是采煤機(jī)傳感數(shù)據(jù)，另一類是歷史截割數(shù)據(jù)。采煤機(jī)傳感數(shù)據(jù)包括位置架號(hào)、電流傳感器采集的左右滾筒截割電動(dòng)機(jī)電流、溫度傳感器采集的左右滾筒截割電動(dòng)機(jī)溫度、左右滾筒高度、傾角傳感器測(cè)量的采煤機(jī)繞載體坐標(biāo)系的軸轉(zhuǎn)動(dòng)角度（即俯仰角和橫滾角）、采煤機(jī)牽引速度。載體坐標(biāo)系是指以采煤機(jī)為載體構(gòu)建的坐標(biāo)系。歷史截割數(shù)據(jù)包括位置架號(hào)、左右滾筒高度、割煤刀數(shù)和每刀結(jié)束的時(shí)間。

模板生成具體步驟如下。

1）異常處理。采用繼續(xù)保留、直接刪除或均值修正的方法進(jìn)行數(shù)據(jù)處理。針對(duì)數(shù)據(jù)缺失情況，通過分析缺失數(shù)據(jù)特征，識(shí)別缺失原因，采用直接刪除、填值補(bǔ)充和插值重建等方法進(jìn)行處理。

2）數(shù)據(jù)融合。以采煤機(jī)傳感數(shù)據(jù)表為主表與歷史截割數(shù)據(jù)進(jìn)行連接。由于影響滾筒高度截割的因素較多，涉及采煤機(jī)姿態(tài)、滾筒高度、采煤機(jī)牽引速度、截割電動(dòng)機(jī)電流和溫度、工況數(shù)據(jù)等多個(gè)維度的數(shù)據(jù)，因此，以時(shí)間為索引將數(shù)據(jù)整合為時(shí)間序列數(shù)據(jù)。

3）特征篩選。結(jié)合方差判斷的方法，篩選出影響滾筒高度調(diào)節(jié)的特征，即截割電動(dòng)機(jī)電流、截割電動(dòng)機(jī)溫度、俯仰角、橫滾角和牽引速度。

4）模型建立。以電流、溫度、俯仰角、橫滾角和牽引速度作為模型自變量，滾筒高度作為因變量，構(gòu)建?C?ESN 模型。

5）模板生成。將采煤機(jī)截割過程中實(shí)時(shí)監(jiān)測(cè)的數(shù)據(jù)輸入?C?ESN 模型，通過判斷測(cè)試誤差，完成工況識(shí)別并生成相應(yīng)工況的截割高度模板。

4實(shí)驗(yàn)與結(jié)果分析

4.1數(shù)據(jù)處理

實(shí)驗(yàn)數(shù)據(jù)采用2023年3月黃陵一礦807工作面采煤機(jī)數(shù)據(jù)，綜采工作面長度為150 m，平均煤厚2.75 m，共150個(gè)支架。在煤壁截割過程中設(shè)置采樣點(diǎn)間隔為0.5 m，共采集338刀數(shù)據(jù)。

對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)全操作：當(dāng)數(shù)據(jù)發(fā)生變化時(shí)，記錄1條特征數(shù)據(jù)；當(dāng)數(shù)據(jù)保持不變時(shí)，不記錄特征數(shù)據(jù)。對(duì)補(bǔ)全后的數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，溫度、電流和滾筒高度中存在缺失樣本，缺失數(shù)據(jù)最大占比為0.01%。由于數(shù)據(jù)缺失比例較小，對(duì)缺失數(shù)據(jù)對(duì)應(yīng)的記錄進(jìn)行刪除處理，刪除后對(duì)后續(xù)建模影響較小。807工作面部分采煤機(jī)特征數(shù)據(jù)見表2。

以溫度和電流特征為例，利用箱線圖對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，如圖4所示?？煽闯鲎鬂L筒溫度的上邊緣線為89，右滾筒溫度的上邊緣線為92，且左右滾筒電流數(shù)據(jù)異常變化明顯，異常原因在于工作過程中存在截齒碰到巖石的情況，電動(dòng)機(jī)負(fù)荷大，煤層截割的動(dòng)力需求增加。因此，對(duì)于模型自變量中的溫度和電流，保留左滾筒溫度小于等于89℃的數(shù)據(jù)、右滾筒溫度小于等于92℃的數(shù)據(jù)，以及左右滾筒電流為0～150 A 的數(shù)據(jù)。

4.2工況識(shí)別

C?ESN 模型以同一牽引方向的滾筒高度為因變量，電流、溫度、俯仰角、橫滾角和牽引速度為自變量，進(jìn)行工況識(shí)別，結(jié)果如圖5所示。可看出，正常區(qū)域模型的輸出結(jié)果與正常區(qū)域數(shù)據(jù)相吻合，而三角煤區(qū)域模型的輸出結(jié)果與正常區(qū)域數(shù)據(jù)則表現(xiàn)出顯著差異。根據(jù)模型的?MSE 可得到相同的結(jié)果，圖5（a）情況下模型的?MSE 為6.36×10?14，圖5（b）情況下模型的?MSE 為0.025，說明識(shí)別出的工況為正常區(qū)域。同理，三角煤區(qū)域數(shù)據(jù)與三角煤區(qū)域模型輸出吻合，而與正常區(qū)域模型輸出差距較大，表明此時(shí)識(shí)別到的工況為三角煤區(qū)域。圖5（c）情況下模型的?MSE 為4.05×10?15，圖5（d）情況下模型的?MSE 為0.037，也說明識(shí)別到的工況為三角煤區(qū)域。

分別采用標(biāo)準(zhǔn)均方差（Normalized Root Mean Square Error，NRMSE）和平均絕對(duì)誤差（Mean Absolute Error，MAE）為對(duì)模型進(jìn)行評(píng)估。

式中：P 為樣本數(shù)；σ為樣本方差；y（?）（k）和y（k）分別為截割高度與規(guī)劃高度。

經(jīng)過反復(fù)實(shí)驗(yàn)，得出工況觸發(fā)模型中的3個(gè)指標(biāo)e（1），e（2），m 的 MAE 分別為0.030，0.020，0.036。

采煤機(jī)滾筒高度數(shù)據(jù)分布如圖6所示，可看出三角煤區(qū)域集中在紅框標(biāo)出的2個(gè)范圍內(nèi)，其他位置架為正常區(qū)域數(shù)據(jù)。

4.3滾筒高度模板有效性驗(yàn)證

C?ESN 模型生成的采煤機(jī)滾筒截割高度模板如圖7所示。為驗(yàn)證滾筒高度模板有效性，分別分析含三角煤區(qū)域與不含三角煤區(qū)域的最大誤差和最小誤差，誤差是指采煤機(jī)截割1刀時(shí)左右滾筒規(guī)劃高度與歷史截割高度之間的差值?？煽闯觯鬂L筒在7號(hào)—147號(hào)位置架（含三角煤區(qū)域）之間的最小誤差為0.01 cm，最大誤差為12.9 cm，在28號(hào)—126號(hào)（不含三角煤區(qū)域）位置架之間的最小誤差為0.19 cm，最大誤差為9.96 cm。右滾筒在7號(hào)—147號(hào)位置架之間的最小誤差為0.019 cm，最大誤差為11.5 cm，在28號(hào)—126號(hào)位置架之間的最小誤差為0.05 cm，最大誤差為11.5 cm。部分截割高度模板數(shù)值見表5。

當(dāng)觸發(fā)不同工況時(shí)，生成左右滾筒相應(yīng)的截割高度模板，得到規(guī)劃高度，如圖8所示?？煽闯觯笥覞L筒截割高度與規(guī)劃高度趨勢(shì)具有一致性，規(guī)劃高度接近于截割高度，當(dāng)觸發(fā)正常區(qū)域的工況時(shí)，左右滾筒規(guī)劃高度如圖8（a）和圖8（b）所示?？煽闯?，左滾筒高度最大誤差為9.96 cm，最小誤差為0.19 cm，右滾筒高度最大誤差為11.47 cm，最小誤差為0.05 cm。當(dāng)觸發(fā)三角煤區(qū)域的工況時(shí)，左右滾筒規(guī)劃高度如圖8（c）和圖8（d）所示?？煽闯?，左滾筒高度最大誤差為12.91 cm，最小誤差為0.0095 cm，右滾筒高度最大誤差為7.94 cm，最小誤差為0.019 cm。截割高度與規(guī)劃高度具有高度的一致性，驗(yàn)證了?C?ESN 模型能夠識(shí)別采煤機(jī)當(dāng)前工況，并生成相應(yīng)的截割高度模板，滿足工程實(shí)際截割需求。當(dāng)觸發(fā)異常工況時(shí)，左右滾筒規(guī)劃高度如圖8（e）和圖8（f）所示。可看出，規(guī)劃高度與截割高度表現(xiàn)出較好的一致性。滾筒高度平均誤差為4.1 cm，針對(duì)左右滾筒，模型的 MAE 分別為0.015和0.007。上述結(jié)果說明遷移學(xué)習(xí)機(jī)制能夠提高建模精度，使模型更好地應(yīng)對(duì)異常工況。

4.4不同模型對(duì)比

針對(duì)正常區(qū)域和三角煤區(qū)域，分別采用徑向基網(wǎng)絡(luò)（Radial Basis Function，RBF）[21]、ESN 和?C? ESN 進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果見表4和表5。評(píng)價(jià)指標(biāo)?MAE 與?NRMSE 越小，表明建模效果越好。從表4可看出，相較于?ESN，C?ESN 在誤差上具有補(bǔ)償效果，與?RBF 網(wǎng)絡(luò)相比，C?ESN 的建模精度更高，從MAE 來看，右滾筒精度分別提升了54%和57%。從表5可看出，針對(duì)右滾筒，C?ESN 的?MAE 與?NRMSE 分別為0.009，0.073，相較于?RBF 與?ESN，精度分別提升了10%與69%。C?ESN 通過引入誤差反饋機(jī)制，有效提高了建模精度。

5 結(jié)論

1）提出了基于工況觸發(fā)的采煤機(jī)滾筒截割高度模板生成方法，該方法考慮了多種因素對(duì)滾筒高度規(guī)劃的影響，基于不同工況對(duì)采煤機(jī)滾筒高度分別進(jìn)行建模，達(dá)到自適應(yīng)調(diào)節(jié)滾筒高度的目的。

2）構(gòu)建了?C?ESN 模型，在模型中引入反饋機(jī)制，增強(qiáng)了模型穩(wěn)定性，提升了建模精度，同時(shí)引入遷移學(xué)習(xí)機(jī)制應(yīng)對(duì)采煤機(jī)截割過程中出現(xiàn)的異常工況。

3）基于現(xiàn)場(chǎng)采煤機(jī)實(shí)際數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，本文所提方法能應(yīng)對(duì)不同工況，且截割高度與規(guī)劃高度基本擬合，最大誤差為12.9 cm，最小誤差為0.0095 cm，能夠滿足工程實(shí)際要求。

參考文獻(xiàn)（References）：

[1]王國法，張良，李首濱，等.煤礦無人化智能開采系統(tǒng)理論與技術(shù)研發(fā)進(jìn)展[J].煤炭學(xué)報(bào)，2023，48（1）：34-53.

WANG Guofa，ZHANG Liang，LI Shoubin，et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society，2023，48（1）：34-53.

[2]趙亦輝，趙友軍，周展.綜采工作面采煤機(jī)智能化技術(shù)研究現(xiàn)狀[J].工礦自動(dòng)化，2022，48（2）：11-18，28.

ZHAO Yihui，ZHAO Youjun，ZHOU Zhan. Research status of intelligent technology of shearer in fully mechanized working face[J]. Industry and Mine Automation，2022，48（2）：11-18，28.

[3]梁吉智，韓培毅，郭天駿，等.綜采工作面智能化裝備關(guān)鍵技術(shù)與應(yīng)用[J].煤炭科學(xué)技術(shù)，2021，49（增刊1）：59-62.

LIANG Jizhi，HAN Peiyi，GUO Tianjun，et al. Key technology and application of intelligent equipment in fully-mechanized coal mining face[J]. Coal Science and Technology，2021，49（S1）：59-62.

[4]原長鎖，王峰.綜采工作面透明化開采模式及關(guān)鍵技術(shù)[J].工礦自動(dòng)化，2022，48（3）：11-15，31.

YUAN Changsuo，WANG Feng. Transparent mining mode and key technologies of fully mechanized working face[J]. Journal of Mine Automation，2022，48（3）：11-15，31.

[5]李旭，吳雪菲，田野，等.基于數(shù)字煤層的綜采工作面精準(zhǔn)開采系統(tǒng)[J].工礦自動(dòng)化，2021，47（11）：16-21.

LI Xu，WU Xuefei，TIAN Ye，et al. Digital coal seam- based precision mining system for fully mechanized working face[J]. Industry and Mine Automation，2021，47（11）：16-21.

[6]金鋒，羅會(huì)強(qiáng).智能化采煤工作面運(yùn)行現(xiàn)狀及技術(shù)展望[J].工礦自動(dòng)化，2021，47（增刊2）：4-6.

JIN Feng， LUO Huiqiang. Operation status and technology prospect of intelligent coal mining face[J]. Industry and Mine Automation，2021，47（S2）：4-6.

[7]張翔.基于記憶截割的采煤機(jī)自適應(yīng)截割控制研究[J].機(jī)械管理開發(fā)，2022，37（8）：139-140，143.

ZHANG Xiang. Research on adaptive cutting control of shearer based on memory cutting[J]. Mechanical Management and Development，2022，37（8）：139-140，143.

[8]黎青.采煤機(jī)自主截割系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)研究[J].煤炭技術(shù)，2023，42（4）：187-190.

LI Qing. Research of structure and key technical of shearers ?autonomous ?cutting ?system[J]. Coal Technology，2023，42（4）：187-190.

[9]馬騰飛.采煤機(jī)自動(dòng)調(diào)高控制系統(tǒng)的設(shè)計(jì)與試驗(yàn)研究[J].機(jī)械管理開發(fā)，2022，37（3）：294-295，298.

MA Tengfei. Design and experimental research of automatic height adjustment control system for coal mining machine[J]. Mechanical Management and Development，2022，37（3）：294-295，298.

[10]原彬，王義亮，楊兆建.斜切工況下采煤機(jī)滾筒截割煤巖仿真分析[J].工礦自動(dòng)化，2018，44（1）：64-68.

YUAN Bin， WANG Yiliang， YANG Zhaojian. Simulation analysis of shearer drum cutting coal-rock under oblique cutting condition[J]. Industry and Mine Automation，2018，44（1）：64-68.

[11]劉鵬，孟磊，王勃，等.基于位姿測(cè)量與煤層 DEM 的采煤機(jī)滾筒自動(dòng)調(diào)高方法[J].煤炭學(xué)報(bào)，2015，40（2）：470-475.

LIU Peng，MENG Lei，WANG Bo，et al. An automatic height adjustment method for shearer drums based on pose measurement and coal seam DEM[J]. Journal of China Coal Society，2015，40（2）：470-475.

[12]高有進(jìn)，楊藝，常亞軍，等.綜采工作面智能化關(guān)鍵技術(shù)現(xiàn)狀與展望[J].煤炭科學(xué)技術(shù)，2021，49（8）：1-22.

GAO Youjin，YANG Yi，CHANG Yajun，et al. Status and prospect of key technologies of intelligentization of fully-mechanized coal mining face[J]. Coal Science and Technology，2021，49（8）：1-22.

[13]郭鑫.基于電液比例控制的采煤機(jī)自動(dòng)調(diào)高系統(tǒng)的研究[J].機(jī)械管理開發(fā)，2018，33（12）：101-103.

GUO Xin. Research on automatic height adjustment system ?of ?shearer ?based ?on ?electro-hydraulic proportional control[J]. Mechanical Management and Development，2018，33（12）：101-103.

[14]張遠(yuǎn)輝，劉章棋，陳虹均.基于模糊算法采煤機(jī)滾筒高度控制性能研究[J].液壓與氣動(dòng)，2020（8）：82-87.

ZHANG Yuanhui， LIU Zhangqi， CHEN Hongjun. Height control performance of shearer drum based on fuzzy algorithm[J]. Chinese Hydraulics & Pneumatics，2020（8）：82-87.

[15]趙有生，邸晟鈞，王占全，等.改進(jìn)的人工魚群算法采煤機(jī)調(diào)高控制策略[J].煤炭工程，2020，52（2）：136-141.

ZHAO Yousheng，DI Shengjun，WANG Zhanquan，et al. Improved artificial fish swarm algorithm for heightcontrol strategy of shearer[J]. Coal Engineering，2020，52（2）：136-141.

[16]李森，李重重，劉清.基于透明地質(zhì)的綜采工作面規(guī)劃截割協(xié)同控制系統(tǒng)[J].煤炭科學(xué)技術(shù)，2023，51（4）：175-184.

LI Sen，LI Zhongzhong，LIU Qing. Planned cutting and collaborative control system for fully-mechanized mining face based on transparent geology[J]. Coal Science and Technology，2023，51（4）：175-184.

[17]楊蕓.采煤機(jī)現(xiàn)狀與發(fā)展[J].工礦自動(dòng)化，2017，43（1）：26-28.

YANG Yun. Status and development of shearer[J]. Industry and Mine Automation，2017，43（1）：26-28.

[18] JAEGER H， HAAS H. Harnessing nonlinearity： predicting chaotic systems and saving energy in wireless communication[J]. Science，2004，304（5667）：78-80.

[19]張昭昭，朱應(yīng)欽，喬俊飛，等.一種基于行為空間的回聲狀態(tài)網(wǎng)絡(luò)參數(shù)優(yōu)化方法[J].信息與控制，2021，50（5）：556-565.

ZHANG Zhaozhao，ZHU Yingqin，QIAO Junfei，et al.An echo state network parameter optimization method based on behavior space[J]. Information and Control，2021，50（5）：556-565.

[20]劉清，韓秀琪，徐蘭欣，等.綜采工作面采煤機(jī)和液壓支架協(xié)同控制技術(shù)[J].工礦自動(dòng)化，2020，46（5）：43-48.

LIU Qing，HAN Xiuqi，XU Lanxin，et al. Cooperative control technology of shear and hydraulic support on fully-mechanized coal mining face[J]. Industry and Mine Automation，2020，46（5）：43-48.

[21] ZHANG Zhaozhao，LIU Yue，ZHU Yingqin，et al. An online self-adaptive RBF network algorithm based on the Levenberg-Marquardt algorithm[J]. Applied Artificial Intelligence，2022，36（1）：3794-3809.

[22]李重重，劉清.基于截割頂?shù)装甯叨阮A(yù)測(cè)模型的采煤機(jī)自動(dòng)調(diào)高技術(shù)[J].工礦自動(dòng)化，2024，50（1）：9-16.

LI Zhongzhong，LIU Qing. Automatic height adjustment technology of shearer based on cutting roof and floor height ?prediction ?model[J]. Journal ?of ?Mine Automation，2024，50（1）：9-16.