综采工作面液压支架压力预测下人员安全保障研究

工作面区域液压支架压力变化会导致支架关联区域安全态势发生变化,提前预测支架压力值变化能够在一定程度上预防相应的事故发生。聚焦煤矿工作面支架下的人员安全问题,根据支架压力和人员轨迹的预测结果,提前对移动轨迹可能经过危险支架位置的人员进行提醒,提高对工作面区域作业人员的安全保障水平。首先,提出了基于AMG-TSMixer支架群组的压力值预测方法,通过AMG算法充分挖掘同一工作面不同支架的时空关系,利用TSMixer来预测支架群组的压力值,结合矿方现有的矿压监测预警系统和方法,对支架所处区域的安全状态进行超前分析;其次,提出了一种基于GRU-Transformer网络的人员轨迹预测方法,通过GRU网络对时空特征进行捕捉,从而增强Transformer模型的记忆能力,把人员之间的复杂相互作用关系进行更详细的挖掘。通过人员轨迹和支架安全区域的分析判断结果,给人员安全保障提供未来的解决方案。结果表明:所提出的AMG-TSMixer方法在RMSE和MAPE两项指标上相比于同类代表性方法提升了5.9%,10.7%;GRU-Transformer方法在ADE和FDE两项指标上相比于同类代表性方法提升了14%和19%。支架群组的压力值预测和人员轨迹预测方法相互结合,不仅能有效预测出支架群组的压力值,还能预测出更真实的人员运动轨迹,对煤矿综采工作面上作业人员的安全保障发挥了重要作用。

基于LSTM-Informer模型的液压支架压力时空多步长预测

目前多步液压支架压力预测大多为单步液压支架压力的累计预测,单步累计次数越多,累计误差就越大,影响预测精度。针对该问题,提出了一种基于长短时记忆(LSTM)-Informer模型的液压支架压力时空多步长预测方法。采用卡尔曼滤波消除液压支架压力数据中的振动噪声后,在工作面端部和中部各选取相邻的5台液压支架压力数据建立2个时空数据集(数据集1和数据集2),并对时空数据进行标准化预处理。将时空数据输入LSTM模型提取时空特征,并将提取的时空特征输入Informer模型的编码器,经过位置编码后利用多头概率稀疏自注意力来关注压力序列的变化特征,经过最大池化和一维卷积消除最终输出特征图的冗余组合。利用多头概率稀疏自注意力来关注压力序列的变化特征,将Informer模型的解码器改为全连接层,得到液压支架压力的预测结果。实验结果表明:与基于门控循环单元(GRU)、LSTM和Informer模型的预测方法相比,基于LSTM-Informer模型的预测方法在预测6,12,24步长液压支架压力时的均方根误差(RMSE)和平均绝对误差(MAE)均最小;其中基于数据集1预测的6步长液压支架压力的RMSE分别降低了41.63%,49.74%,11.85%,MAE分别降低了41.75%,50.00%,12.00%;基于数据集2预测的6步长液压支架压力的RMSE分别降低了48.15%,59.86%,19.88%,MAE分别降低了49.87%,54.90%,13.16%。