0.   引言

煤矿智能化开采技术的飞速发展已成为煤炭工业高质量发展的核心技术支撑，涉及智能设备、远程控制和自主决策等多个领域^[1-3]。液压支架作为工作面开采中的重要设备之一，其立柱压力变化反映了随工作面推进顶板压力的变化情况。通过有效监测和控制立柱初撑力，能及时调整液压支架的工作状态，对于预防工作面顶板压力过大、减少顶板事故的发生至关重要^[4-7]。液压支架初撑后的承压效果作为影响立柱初撑力调节的直接因素，对其进行准确的预测显得至关重要。

近年来，许多学者围绕液压支架初撑力对工作面稳定性和煤壁控制的影响开展了研究。任艳芳^[8]从液压支架的适应性角度分析，提出了有效初撑力这一概念，并指出有效初撑力能够控制直接顶的离层下沉，降低上位基本顶弯曲破断所带来的冲击载荷。徐刚等^[9-10]统计分析了部分煤矿综放工作面顶板灾害案例，结合工程实践，指出提高支架支撑效率，保证支架实际初撑力，可有效防治松软顶板工作面灾害；还通过建立预测模型，分析了初撑力对顶板缓慢活动的影响，结果表明增大初撑力能够降低顶板缓慢活动引起的增阻力，提高宏观顶板的完整性。胡相捧等^[11]指出初撑阶段作为支架与围岩耦合的第一个阶段，其与围岩耦合状态的好坏直接影响支架的承载增阻或溢流恒阻2个阶段的支架自身稳定性、承载特性及对围岩的适应性。邱常青^[12]通过对放顶煤工作面矿压显现规律的研究，发现支架的初撑力和工作阻力呈一定的线性关系，提高初撑力可有效控制顶板离层和煤壁片帮。王国法等^[13]指出初撑力为主动支撑力，工作阻力为被动支撑力，在支架−围岩动态平衡系统中，围岩变形失稳对系统的稳定性起主导作用，支架通过主动调整受力状态，可最大程度地适应围岩运动，保护工作面安全作业空间。

针对液压支架初撑力不足导致的工作面顶板过早离层、煤壁片帮等安全问题，研究人员提出了多种解决方案。曹连民等^[14]设计了一种液压支架初撑力手动增压装置，与原升架液压系统的液控单向阀并联，在不影响正常升架的前提下通过手动操作补液增压，提高支架初撑力。胡相捧等^[15]建立了一种立柱电液力控制系统数学模型，提出了基于BP神经网络的PID初撑力自适应控制方法，能够使支架初撑力快速、稳定地达到期望值，大大提高了支架初撑力自适应控制能力。张文杰^[16]提出了一种新的初撑力自动调节控制系统，以神经网络闭环调节控制逻辑为核心，实现了液压支架初撑力随巷道围岩压力变化的自动调整。贺磊等^[17]提出了一种以工作油缸液压压力调整为基础，通过电磁控制阀对液压支架初撑力进行调整的液压支架初撑力控制系统。上述初撑力的控制方法和系统旨在监测液压支架的初撑力是否达到预设的额定值，从而对初撑力进行调整，然而在实际生产中，液压支架初撑后短时间内的立柱压力变化也是评估液压支架承压效果及是否需要再次调整的重要依据。许多学者通过捕捉综采工作面压力变化特征建立压力预测模型，提高预测精度高，对工作面顶板的安全管理具有重要意义。吕文玉等^[18]以陕北近浅埋煤层已采工作面作为工程研究背景，通过主成分分析（Principal Component Analysis，PCA）识别工作面矿压的主要影响因素，结合支持向量回归机（Support Vactor Regression，SVR）构建了综采工作面支架工作阻力的PCA−SVR预测模型，在综采工作面支架工作阻力预测中具有较高的精度、较快的收敛速度。赵毅鑫等^[19]利用长短时记忆网络（Long Short-Term Memory，LSTM）深度学习方法，捕捉工作面在推进过程中压力变化的时序特性，以此对内蒙古伊泰广联煤化有限责任公司红庆河煤矿工作面的矿压进行预测。余琼芳等^[20]利用相邻多台液压支架信息融合，结合LSTM和时间卷积网络（Temporal Convolutional Network，TCN），从时间和空间不同维度预测综采工作面下一时刻的顶板压力，显著降低了压力预测误差。

为了确保液压支架在初撑后能够提供有效承压，合理分配乳化液泵站资源，本文在分析液压支架与顶板的相互作用关系及液压支架初撑后的立柱压力变化趋势的基础上，结合机器学习，提出了一种基于数据驱动的液压支架初撑后承压效果即时预测方法。首先，分析液压支架初撑后3 min内的立柱历史压力数据变化状况，并划分为6种典型工况，根据初撑后承压效果的不同，将这6种典型工况分为有效承压与失效承压，通过相关性分析确定影响液压支架初撑后承压效果的5个重要因素。然后，分别对每个立柱压力样本进行有效承压与失效承压人工标注并进行特征提取，将提取的特征输入随机森林训练模型，得到基于数据驱动的液压支架初撑后承载效果即时预测模型。最后，开发了液压支架初撑后承压效果即时预测系统，并部署到煤矿现场应用，系统采集液压支架立柱实时压力数据，对现场支架初撑后的压力变化进行承压效果判断，可以筛选出初撑后承压效果不佳的支架，为调控和预警提供支持，进一步提升安全生产水平。

1.   液压支架初撑后承压效果分析与统计

1.1   液压支架初撑后承压效果分析

液压支架的初撑阶段是指泵站为液压支架供液，液压支架升架，其顶梁与顶板接触并渐渐支撑顶板，当立柱内腔压力达到泵站工作压力时，立柱液控单向阀闭锁，停止供液，此时，液压支架对顶板产生的支撑力称为初撑力^[21-23]。而初撑后的承压效果是指液压支架在初次撑起后，对液压支架控制范围内顶板主动施加的作用力效果。初撑后的承压效果分为有效承压和失效承压，其中有效承压指能够较好地控制顶板离层，减少煤壁片帮概率，而失效承压指不能充分发挥支架性能，导致顶板早期离层及破碎。

为了能够在较短时间内掌握支架初撑后的变化趋势并满足即时预测要求，选取支架初撑后3 min内的立柱压力对初撑后的承压效果进行分析。以山西吕梁某煤矿薄煤层3404工作面实际生产中采集的液压支架立柱支护数据为例。该工作面共布置130台液压支架，其额定初撑力均为24 MPa。将支架初撑后3 min内的立柱压力状况分为6种典型工况，如图1所示。其中图1（a）和图1（b）的初撑力均大于额定初撑力。图1（a）在初撑后3 min内的立柱压力基本保持不变，故为初撑力达标静态承压，一般存在于顶板运动相对稳定或软弱顶板条件下，支架的初撑力和顶板压力达到相对稳定的平衡状态，能够维护顶板的缓慢弯曲下沉。而图1（b）在初撑后3 min内立柱压力持续上升，出现微增阻趋势，把这种情况称为初撑力达标动态承压，初撑力与顶板压力接近，一般存在于顶板缓慢运动状态下，能够维持良好的承载效果。图1（c）—图1（e）的初撑力小于额定初撑力。图1（c）在初撑后3 min内的立柱压力曲线出现急增阻趋势，这种情况称为初撑力不达标动态承压，这是由于前期顶板的下沉量较大，支架的立柱压力迅速上升并维持在额定工作阻力附近，从而达到良好的承载效果，所以不需要再次升柱补压。图1（d）在初撑后3 min内的立柱压力曲线变化平稳，立柱压力在8.9 MPa持续了128 s，这种情况称为初撑力不达标静态承压，这是由于顶板下沉、破碎导致支架与顶板之间出现空隙，失去有效支撑，需及时检查支架的姿态，防止事故发生。图1（e）在初撑后3 min内的立柱压力曲线缓慢上升，增阻较为平缓，这种情况称为初撑力不达标动态承压不足，容易出现煤壁片帮、架间冒漏现象，导致支架发生前倾、倒架等问题。图1（f）的初撑力虽然大于额定初撑力，但初撑后3 min内立柱压力曲线持续下降，这种情况称为初撑力达标动态承压不足，一般存在于顶板极其软弱、顶梁与顶板岩层之间及底座下部存在部分矸石的情况下，在顶板岩层或矸石破碎后压力迅速下降，或支架立柱出现漏液、不保压等液压系统故障，易发生工作面事故。

图  1  6种典型工况下液压支架初撑后3 min内的立柱压力曲线

Figure  1.  Column pressure curves within 3 minutes after initial support of hydraulic support under 6 typical working conditions

下载: 全尺寸图片 幻灯片

根据上述分析可得出，图1（a）、图1（b）及图1（c）工况属于有效承压，图1（d）、图1（e）及图1（f）工况属于失效承压。在进行人工标注时，需要绘出液压支架初撑后3 min内的立柱压力变化趋势并判断属于哪一类典型工况，再将该段变化趋势范围内的样本标注为有效承压或失效承压。

1.2   液压支架初撑后承压效果统计

对2021年12月16日至2022年1月3日期间工作面中部液压支架（第20架—第110架）的立柱压力数据进行分析处理，得到1 054组液压支架初撑后3 min内的立柱压力数据。把每组数据作为一个样本，根据每组立柱压力数据的变化趋势，判断属于哪一类典型工况，再将该组数据标注为有效承压或失效承压，得到1 054个标注好的样本。标注后的液压支架初撑后承压效果样本数量统计见表1，其中液压支架在初撑后为失效承压状态的样本共有196个，占总样本的18.60%，可看出液压支架在初撑后失效承压占比较高，需要人工升柱补压并持续关注。

表  1  承压效果样本数量统计

Table  1.  Statistics on the number of samples of pressure-bearing effect

样本	样本数量/个	占比/%
失效承压	196	18.60
有效承压	858	81.40

下载: 导出CSV 

| 显示表格

2.   液压支架初撑后承载效果即时预测模型

基于数据驱动的液压支架初撑后承载效果即时预测模型包括数据采集与准备、特征提取、模型建立等部分，如图2所示。

图  2  基于数据驱动的液压支架初撑后承载效果即时预测模型建模流程

Figure  2.  Modeling process of real time prediction model for bearing effect of hydraulic support after initial support based on data-driven approach

下载: 全尺寸图片 幻灯片

2.1   数据采集与准备

建立液压支架初撑后承压效果即时预测模型需首先采集智能综采工作面的数据。液压支架立柱安装的压力传感器将实时采集的压力数据通过井下交换机及以太环网上传到地面服务器的数据库进行存储，采样频率为2 Hz/次。由于井下环境的复杂性及不确定性，传感器在受到干扰时会产生部分异常数据，在传感器发生故障损坏或工作面断电时，会导致部分数据缺失，所以实时采集的压力数据需经过异常值处理和缺失值填补。对于异常值数量较少的情况，可直接删除异常值或用本台液压支架相邻时域正常数据的平均值进行替换；对于数据丢失数量较少的情况，可用本台液压支架时域相邻值填补。对于异常值或缺失值数量较多的情况，则去除当日数据。处理后的压力数据按照时间顺序排序，然后筛选出每台支架初撑后3 min内的立柱压力数据，共包含360多个立柱压力数据。根据承压效果人工标注原则，将每台支架初撑后3 min内的立柱压力数据样本人工标注为有效承压或失效承压，作为后续训练模型的样本。

2.2   特征提取

在构建模型时，需对人工标注的样本进行特征提取，以便模型能够从数据中学习并进行预测。液压支架的初撑力能够较好地反映液压支架的初始受力状态。此外，初撑力与初撑后3 min内最小立柱压力之差、初撑后3 min内立柱末压力与最小立柱压力之差、立柱压力在最小值初撑后预设时长内的最小立柱压力之后的修正压力增加次数和立柱恒压持续总时长这4个特征能够有效体现液压支架在初撑后3 min内的立柱压力变化趋势。因此，将初撑力和上述4个特征作为模型的特征值，并进行相关性分析，结果显示这5个特征值之间相关性较低，可有效提高模型训练率。将影响液压支架初撑后承压效果的5个特征值以数组的形式与人工标注的承压效果标签存储到本地CSV库中。模型在训练时通过直接读取本地CSV库中制作好的训练样本进行训练。这种方法可有效地将特征工程和模型训练分离，提高模型开发效率。

提取液压支架初撑力特征时，需先确定液压支架的工作循环起点。该起点是指液压支架降柱完成后立柱压力数据中的最小值。再从工作循环起点到初撑完成这30 s内，筛选出立柱压力数据的最大值作为液压支架初撑力。

计算目标液压支架初撑力与初撑后3 min内最小立柱压力之间的差值$ \Delta {X}_{1} $：

式中：$ {x}_{{\mathrm{chu}}} $为支架初撑力；$ {x}_{{\mathrm{min}}} $为支架初撑后3 min内的最小压力。

计算目标液压支架初撑后3 min内最小立柱压力与立柱末压力之间的差值$ \Delta {X}_{2} $：

式中$ {x}_{{\mathrm{end}}} $为支架初撑后3 min内的立柱末压力。

计算目标液压支架初撑后的立柱压力在最小值之后的修正压力增加次数$ \Delta N $：

式中：$ {n}_{{\mathrm{sum}}} $为立柱压力在最小值之后的累计增加次数；$ n $为立柱压力出现增加后立即减少且增加的立柱压力值与减少的立柱压力值相等的情况次数。

$ {n}_{{\mathrm{sum}}} $的初始值为0，如果将目标立柱压力数据中立柱压力最小值之后的立柱压力数据记作y₀，y₁，$\cdots $，y_m，若y₁> y₀，则$ {n}_{\mathrm{s}\mathrm{u}\mathrm{m}} $加1，依次比较y₁和y₂，y₂和y₃，$\cdots $，y_m−1和y_m的大小，若后者大于前者，则$ {n}_{\mathrm{s}\mathrm{u}\mathrm{m}} $加1，比较至最后2个压力数据后得到的值即为$ {n}_{{\mathrm{sum}}} $。

在确定$ n $时，以54号液压支架初撑后某时间段的立柱压力数据为例（图3），①−②、③−④均为立柱压力先增大后减小的过程，且①，③的压力增大值等于②，④的压力减小值。每出现1次①，②这种情况，则对$ n $加1。

图  3  54号液压支架初撑后某时间段的立柱压力

Figure  3.  Column pressure at some time after initial support of No.54 hydraulic support

下载: 全尺寸图片 幻灯片

在对液压支架的立柱恒压持续总时长进行特征提取时，首先在立柱压力数据中找出立柱恒压持续时长；然后将持续时长累加，得到总时长；最后比较各立柱压力的持续总时长，用持续总时长的最大值作为立柱恒压持续总时长。

2.3   模型建立

2.3.1   模型选择

由于信息增益的计算与特征值的量纲无关，不论是规范化还是正态化，特征对模型的影响及重要程度都不会发生改变，所以不需要对特征进行规范化或正态化，可直接使用特征值处理后的样本作为模型的训练样本。

读取本地CSV库中制作好的样本并将其分成2个部分，其中70%作为模型的训练集，30%作为模型的测试集，使用不同的分类算法建立模型。常见的分类模型有决策树、随机森林、支持向量机、K最近邻（k-Nearest Neighbor，KNN）等。其中支持向量机和KNN都需要大量的计算资源，且支持向量机对缺失值比较敏感；决策树容易出现过拟合问题；随机森林能够处理高维数据和非线性数据，其核心思想是通过构建多个决策树来减小过拟合，使用投票或平均等方式得到分类结果。使用决策树、随机森林、支持向量机、KNN等分别构建分类模型，准确率对比见表2。可看出决策树模型的训练集准确率过高，存在过拟合现象，随机森林分类模型的训练集和测试集准确率均比KNN与支持向量机高，泛化能力较好，故选择随机森林建立液压支架初撑后承载效果即时预测模型。

表  2  各分类模型准确率对比

Table  2.  Comparison of accuracy among different classification models %

模型	训练集准确率	测试集准确率
决策树	100	94.64
随机森林	99.19	95.60
支持向量机	99.00	92.74
KNN	93.69	91.39

下载: 导出CSV 

| 显示表格

2.3.2   模型优化

建立好的随机森林分类模型需不断地调参优化，以达到最好的效果。其核心参数主要包括生成单棵决策树时的特征数max_features、决策树的棵数n_estimators、决策树最大深度max_depth。经过调参优化后，模型的max_features为0.8，提高了单棵决策树模型的性能，并保持了树和树之间的差异性，提高了算法运算速度；n_estimators为50，能够让模型有更好的稳定性和泛化能力；max_depth为6，避免了模型的过拟合问题，同时提高了模型的泛化能力。

3.   液压支架初撑后承压效果即时预测系统

3.1   系统开发

液压支架初撑后承压效果即时预测系统如图4所示。工作面液压支架的电液控制器将收集的立柱压力数据传输至OPC网关，随后存储到InfluxDB时序数据库中。利用Pandas库对原始立柱压力数据进行清洗和特征提取，再通过Joblib调用已训练好的即时预测模型，对液压支架初撑后的承压效果进行预测。将计算得到的特征值、预测结果及操作策略存储到MySQL数据库中。界面采用Gunicorn作为Python Web应用程序的后端服务器，并利用Ajax实现前后端的数据交换。使用Vue作为前端框架，实现对数据的双向绑定，用来构建应用程序的交互性界面，使用Html和Css构建静态界面。Web端应用界面主要包括4个区域，分别为该支架初撑后的压力曲线、分类后的工况类型和承压效果、5个关键特征值、支架的操作策略（见表3）。

图  4  液压支架初撑后承压效果即时预测系统

Figure  4.  Real time prediction system for load bearing effect after initial support of hydraulic support

下载: 全尺寸图片 幻灯片

表  3  支架操作策略汇总

Table  3.  Support operating strategy summary

决策建议	策略结论
调控操作1	动作类型：降柱；操作时长：1 s
调控操作2	动作类型：升柱；目标压力：24 MPa；操作时长：5 s
人工检查	检查支架姿态及液压系统状态

下载: 导出CSV 

| 显示表格

3.2   系统应用

将开发好的系统部署到山西潞安矿业（集团）有限责任公司高河煤矿现场服务器，连接数据库，使用实时数据来检验预测模型的准确性及预测系统的稳定性。系统在现场运行时，每当检测到液压支架初撑动作后，会对初撑后3 min内的立柱压力数据进行特征提取并输入到预测模型中，该模型在5 s内输出预测结果，并根据不同的预测结果，及时反馈操作策略。针对有效承压支架，如果支架初撑后3 min内的立柱末压力接近额定工作阻力，为防止高压对支架造成损害，影响工作性能和寿命，应对其先进行调控操作1，再进行调控操作2；针对失效承压中初撑力不达标静态承压及初撑力不达标动态承压不足这2种工况，需对液压支架进行再次升柱补压操作，使其达到额定初撑力，即进行调控操作2；针对初撑力达标动态承压不足这一工况，需及时报警，提醒工作面人员检查液压支架姿态及液压系统状态，找出压力减少的原因并处理；针对其余工况，则无需干预，保持状态即可。

经过现场连续25 d的运行，系统共检测到5 372次液压支架的初撑操作，除去丢失及异常数据，得到4 644个预测结果，承压效果预测结果统计见表4，决策建议类型统计见表5。

表  4  承压效果预测结果统计

Table  4.  Load bearing effect prediction results

承压效果	数量/个	占比/%
失效承压	1 861	40.07
有效承压	2 783	59.93

下载: 导出CSV 

| 显示表格

表  5  决策建议类型统计

Table  5.  The types of recommendations for decision-making

操作建议	数量/个	占比/%
无操作	2 781	59.88
升柱	1 827	39.34
降升	2	0.05
人工检查	34	0.73

下载: 导出CSV 

| 显示表格

分析系统在运行期间的液压支架降升柱动作数据后发现，在即时预测系统输出升柱操作建议的1 827个样本中，实际进行升柱操作的样本有1 507个，预测准确率达82.48%。该预测系统在实际生产中能够准确即时预测初撑后失效承压的支架，并提供决策建议及策略结论，相比于依赖人工识别失效承压支架再进行调整，不仅降低了人工劳动强度、减短了再次调整周期，还有效降低了发生煤壁片帮的概率，具有较强的实用性。

4.   结论

1） 结合支架−围岩的耦合作用，支架初撑后的立柱压力承压效果分为有效承压和失效承压，其中有效承压包括初撑力达标静态承压、初撑力达标动态承压、初撑力不达标动态承压3种工况；失效承压包括初撑力不达标静态承压、初撑力达标动态承压不足、初撑力不达标动态承压不足3种工况。

2） 对标注好的历史压力数据特征进行处理后，输入到随机森林算法进行训练，经过调参优化后，构建液压支架初撑后承压效果即时预测模型。与决策树、支持向量机、KNN分类算法相比，随机森林算法建立的模型预测效果更好，泛化能力强，且可以避免过拟合。

3） 开发出液压支架初撑后承压效果即时预测系统，可实现对液压支架初撑后承压效果的即时预测并给出相应的决策建议。现场应用验证了系统的稳定性和准确性，可帮助工作人员高效、快捷地掌握支架初撑后的承压状态，确保工作面安全开采。