煤矿泵站实时在线监测与故障预警诊断系统研究

为了更好地解决煤矿乳化泵故障难以排查和潜在的异常难以及早发现的问题,研发了综采面泵站实时在线监测和故障预警诊断系统,模拟了乳化泵常见的故障工况和正常工况来采集建模所需的训练集样本,应用了随机森林算法对乳化泵常见的四类工况进行诊断模型构建,使用乳化泵四类不同工况的真实数据对模型进行测试,准确率达到了97.1%的优良性能,并运用了工控上位机和下位机技术开发了一套在线监测系统,能够及时地发现乳化泵存在的故障类型、故障部件和尽早地发掘潜在的异常情况,查询设备历史故障数据、部件振动信号的趋势图谱、时频域特征值进行追溯分析,生成报表给出乳化泵检修维护和供应管理策略,对于泵站检修工作有重要的指导作用,对于保障工作面支护系统的正常运行、工作面安全高效开采有着重要意义。

井下支架集群管控移动端系统设计与应用

针对固定工位监控井下支架群存在业务场景适应性不足及操作不直观的问题,提出了井下支架集群管控移动端系统设计方案。以控制器电液控系统和综采工作面集控系统为数据交互对象,以无线通信方式为基础搭建移动端系统与电液控系统及集控系统进行数据交互的桥梁,具备对综采工作面液压支架无线集群监测、远控、视频监控和参数批量管理的功能。煤矿用户可在工作面环网内任意位置集群管理支架群。实际应用效果表明,与传统监控方式相比,该系统丰富了用户远程监控井下液压支架的应用场景,提高了远控操作的便携性。

基于PSO-GBDT综采工作面初次来压预测研究

综采工作面来压状况作为制定采掘工程支护设计的重要参考因素,准确地预测综采面来压趋势,不仅能辅助设计人员制定合理的井下支护方案,对于煤矿安全高效生产也有着极大的帮助。构建了一种基于PSO-GBDT综采工作面初次来压预测模型,通过选取大同矿区近浅埋煤层与综采工作面来压有着显著影响的8个完整性好的因素作为特征,以初次来压步距和强度作为输出,结合粒子群优化算法,通过GBDT构建近浅埋煤层初次来压预测模型。首先对数据集进行可视化数据分析,随后以GBDT集成学习方法构建初次来压预测模型,然后通过粒子群优化算法对训练好的GBDT进行超参数优化,最后以各个特征对所构建的预测模型的影响权重进行排序,为来压机理分析提供参考指标,并与GBDT或Adaboost人工调参建模方法进行对比。试验结果表明,PSO-GBDT在预测近浅埋煤层初次来压步距和强度时,RMSE和R^(2)性能评估指标均取得了更好的结果,相较于GBDT人工调参建模方法,PSO-GBDT在构建以初次来压步距和强度为输出的模型中,R^(2)指标分别提高了7.2%和6.8%, RMSE指标分别降低了39%和42%。除此之外,PSO-GBDT与Adaboost人工调参建模方法对比试验结果表明,PSO-GBDT建模方法的预测性能优势显著,该方法以高性能和多因素的特点计算综采面初次来压步距和强度,为准确地预测综采面初次来压趋势提供一种新的解决方案。