多参数耦合优化煤岩界面主动红外感知识别*

王海舰，刘丽丽，卢士林，黄梦蝶，张 强

（1.桂林电子科技大学机电工程学院 桂林，541004）

（2.山东科技大学机械电子工程学院 青岛，266590）

引言

近年来，随着我国煤炭开采环境、工况趋于复杂，采面经常出现随机走向的岩石断层，传统的轨迹跟踪记忆截割方法已无法满足煤岩走向突变工况的智能化开采。采煤机一旦截割到硬岩，势必造成滚筒负载和截割能耗增大、截齿磨损损耗加剧，降低采煤机的截割效率和开采进度［1-2］。同时，截割硬岩过程中产生的剧烈振动和冲击严重影响采煤机整机的稳定性［3］。采煤机截割岩层会导致原煤中大量夹杂矸石，造成后续煤、矸分选工作量加剧以及原煤热值的降低［4］。另外，截齿截割硬岩过程中产生的火花和瞬时高温，易引发煤尘或瓦斯爆炸［5-6］，严重威胁工作人员的生命安全和财产安全。

获取高精度的煤岩界面识别结果，为采煤机提供精准的截割轨迹，是实现井下智能化、无人化开采的关键。国内外学者提出了基于采煤机截割信号表征的煤岩识别模型，如截割能耗识别模型［7-8］、振动频谱识别模型［9］、截割声发射识别模型［10］以及截割电流识别模型［11］等；提出了基于多传感信息融合的煤岩识别模型，如模糊神经网络融合识别模型［12］、D-S 证据理论融合识别模型［13］等；提出了基于煤岩物理特征的识别模型，如雷达探测识别模型［14］、超声波识别模型［15］、灰度图像识别模型［16］、纹理特征识别模型［17］以及太赫兹时域光谱识别模型［18］等。以上相关研究模型对于复杂工况、环境的井下开采工作面煤岩界面轨迹的有效、精确识别尚无法实现。主要原因为：①单一煤岩截割特征信号受开采环境干扰严重，信号识辨能力和识别结果精度差；②多信号融合方法对特征样本种类、数量需求较大，模型维度较高，且依托多个单一截割特征信号的融合识别的可信度低，识别结果准确性差；③探地雷达、超声波等远距离煤岩识别手段识别精度不高，煤岩灰度图像和纹理特征受粉尘浓度、水雾、照度等因素影响较大，截割过程中煤岩赋存节理和纹理发生变化的动态识别问题缺乏理论依据与技术支撑。因此，如何实现煤岩界面的预先感知及精准识别仍然是制约井下智能化、无人化开采的瓶颈问题。

笔者提出了一种基于多影响因素耦合优化的煤岩界面主动红外感知识别方法，通过大量实验发现，煤岩介质在主动红外激励作用下，其煤岩界面的识别精度受光照时间、光照距离以及光照强度影响显著。因此，获取各影响因素的最优参数，能够得到可以实现煤岩界面高精度识别的主动激励红外图像，为采煤机智能化开采提供精准的煤岩截割轨迹。

1 煤岩界面识别精度影响因素及边界条件

1）光照时间Ta。煤、岩介质在不同光照时间作用下的温升差异性显著，如图1 所示。由图1 可以看出，随着光照时间的变化，煤岩介质的红外图像表征发生显著变化，而煤岩介质的主动激励红外图像需要在采煤机开采前就要进行采集和处理分析，因此局部红外图像采集区域单次的光照时间不宜过长；但如果光照时间过短，会导致煤岩介质的红外表征比较相近，不易区分煤岩分界面。因此，综合考虑分析，确定煤岩介质主动激励红外图像获取的光照时间Ta的边界条件为

图1 不同光照时间煤岩红外图像Fig.1 Infrared images of coal-rock with different illumination times

2）光照距离La。光照距离对煤岩介质受主动激励过程中的温升速率具有明显的影响，通过前期的实验表明，距离越近，煤、岩的温升速度越快。考虑到现场实际开采工况的局限性，主动激励装置不能过于靠近煤壁表面，防止采煤机截割或者垮落下的煤、岩对激励装置造成破坏。因此，确定主动激励装置的光照距离范围La为

3）光照强度Sa。光照强度是影响煤岩介质温升速度又一显著因素，光照强度体现了主动激励装置对煤岩介质的辐射强度的大小，光照强度越强，则煤岩介质单位时间内的温升速度也越快。但高强度的光照需要大功率的激励装置，考虑到井下环境的易燃性及高爆性，光照强度也不宜过大，因此，光照强度的边界条件设定为

2 多参数耦合优化模型

2.1 基于识别精度的多参数优化

对光照时间Ta、光照距离La以及光照强度Sa这3 个参数优化的最终目的是获取高精度的煤岩界面识别结果。因此，煤岩界面的识别精度（identification accuracy，简称IA）与各影响参数满足一定的函数关系，表示为

图2 给出了多参数耦合优化算法的整体思路，以高精度的煤岩界面识别结果为优化目标，对光照时间Ta、光照距离La以及光照强度Sa进行优化，其实质就是不断地进行迭代优化，获取最优Ta，La及Sa，确保煤岩界面的识别结果精度最高。

图2 多参数耦合优化算法思路Fig.2 Multiparameter coupling optimization algorithm

如图3 所示，3 个轴向分别表示影响煤岩界面识别精度的因素Ta，La和Sa。在各因素的边界条件范围内，先设定任意两个因素的初值，例如以图3 所示的光照时 间、光照距离，在Sa的边界 条件范围内寻找能够获取最高煤岩界面精度的光照强度，随后以和优化 后的为光照时间和光照强度的初值，以maxIA 为目标，在La的边界条件内得到实现的光照距离值。在此基础上，利用光照强度和光照距离进一步优化得到获取的光照时间参数。以此类推，以式（5）的迭代形式对各参数进行不断优化，其中光照时间的迭代优化步长为1 s，即在光照距离和光照强度具有初值的情况下，光照时间每次递增或递减1 s 进行主动激励红外图像采集与识别精度分析，最终得到识别精度最高的光照时间优化参数。同理，光照距离的迭代优化步长为0.1 m，光照强度的迭代优化步长为10 W。

图3 以精度为目标的多因素优化过程Fig.3 Multi-factor optimization process with precision as the target

利用式（5）迭代优化过程中，当利用第n+1 次优化后的3 个参数得到的煤岩界面识别精度与第n次的差值的无穷范数在要求范围内时，则迭代终止。

其中：r为式（5）的迭代终止条件，设定为0.2%。

2.2 初值选取对识别精度的影响分析

根据构建的多参数耦合优化模型，对煤岩界面进行实际识别实验及精度分析。由于初值是在各影响因素的边界条件内自由选定的，且可以根据影响因素中任意两个因素的参数初值不断进行迭代优化，最后得到满足终止条件的光照时间Ta、光照距离La及光照强度Sa的最优参数。因此，采用多组初值进行实验，其各影响因素的参数初值见表1。

表1 各影响因素参数初值设定Tab.1 Initial setting for parameters of each influencing factor

根据表1 各组选取的Ta，La及Sa的参数初值，利用式（5）提出的迭代优化方法，以煤岩界面的识别精度为优化指标，对各影响因素的参数进行优化，得到每组的影响因素参数优化结果，如表2 所示。

由表2 各影响因素的参数优化结果可以看出，在选择不同影响因素的不同初值的情况下，其光照时间Ta、光照距离La及光照强度Sa这3 个影响因素参数的优化结果也存在显著的差异，说明初值的选定对各影响因素的参数优化结果有着显著的影响。为了进一步细化分析不同影响因素参数初值对煤岩界面识别精度的影响，图4 给出了各组影响因素参数优化过程中对应的煤岩界面精度变化状态。

表2 各影响因素参数优化结果Tab.2 Parameter optimization results of each influencing factor

各影响因素参数的最优化是获取高精度煤岩界面识别结果的前提，但由图4 可以看出，当各影响因素参数在约束条件内选择不同的初值时，其迭代优化次数及最终的煤岩界面识别精度也各不相同，这是由于各影响因素参数的初值在选定时是随机的，在迭代优化过程中容易造成局部识别精度最优的情况出现，虽然满足迭代优化的终止条件，但是得到的Ta，La以及Sa的优化结果并不能获取高的煤岩界面识别精度。因此，光照时间Ta、光照距离La及光照强度Sa的初值选取以及迭代优化的先后顺序并不能随机选定。

图4 不同影响因素参数初值条件下精度分析Fig.4 Accuracy analysis under initial values of different influencing factor parameters

3 基于多影响因素最优组合的参数优化

利用正交实验可以获取各影响因素参数的最优组合以及确定各影响因素对煤岩界面识别精度的影响显著性，因此首先确定光照时间Ta、光照距离La及光照强度Sa这3 个影响因素参数的最优组合，并在各参数的最优组合附近利用构建的迭代优化模型进行进一步优化，从而获取能够实现煤岩界面高精度识别的最优光照时间Ta、光照距离La以及光照强度Sa。

3.1 多影响因素参数最优组合的确定

根据正交实验设计的原理和步骤，确定实验的影响因素为光照时间、光照距离以及光照强度。为了使获取的最优组合中各影响因素的参数值最大程度地接近最优值，水平数设定为5，根据各影响因素的边界条件，确定正交实验的影响因素水平表如表3所示。

表3 影响因素水平表Tab.3 Level of influencing factors

根据表3 的影响因素水平表建立正交实验表，通过前期实验发现，光照时间和光照距离的交互作用比较明显，因此正交表中考虑光照时间和光照距离的交互作用，其他交互作用可以忽略不计。采用L50（511）正交表，确定各影响因素及交互作用的占用列，其他空白列作为误差列。根据光照时间、光照距离以及光照强度所在的列，确定相应的实验方案并开展50 组正交实验，整个正交实验及分析过程如图5 所示。

图5 正交实验及分析过程Fig.5 Orthogonal experiment and analysis process

分别分析50 组基于主动激励红外图像的煤岩界面识别精度，通过直观分析得到各影响因素的均值和极差值如表4 所示，从而确定各影响因素的最优组合及主次关系：光照时间为20 s（最大均值为91.78%，极差为17.90%）→光照强度为400 W（最大均值为90.36%，极差为16.69%）→光照距离为2.25 m（最大均值为89.54%，极差为10.29%）。

表4 各影响因素均值及极差分析Tab.4 Mean value and range analysis of each influencing factor %

考虑光照时间和光照距离具有明显的交互作用，因此对光照时间和光照距离进行进一步的交互作用分析，如表5 所示。

表5 光照时间与光照距离交互作用Tab.5 Interaction between illumination time and illumination distance

由表5 可以看出，当光照时间为20 s、光照距离为2.25 m 时，识别精度为95.28%，在光照时间和光照距离的交互作用表中属于最大精度。因此，光照时间选择20 s、光照距离选择2.25 m 是最优组合，与之前的极差分析结果一致。最终确定光照时间、光照距离以及光照强度3 个参数的最优组合为20 s，2.25 m 和400 W。

3.2 基于最优组合的参数优化

根据正交实验得到的参数最优组合是在各影响因素的边界条件内选定水平参数的最优值，在最优组合的基础上，采用式（5）构建的迭代优化模型对各参数在各影响因素的最优组合参数附近进行进一步优化，此时边界条件为“最优参数±|最优参数-最优参数前/后水平值|”。由此可以得到各影响因素新的迭代优化边界条件如下：①光照时间20 s≤Ta≤25 s；②光照距离2.125 m≤La≤2.375 m；③光照强度300 W≤Sa≤500 W。

根据新的边界条件，采用式（5）进行迭代优化，根据正交实验得到的最优组合的主次关系，得知光照时间对煤岩界面识别精度的影响最大，其次是光照强度，最后是光照距离。首先，以得到的光照距离与光照强度的最优组合参数作为初值对光照时间进行迭代优化；其次，采用迭代优化后的光照时间与光照距离的初值对光照强度进行迭代优化；最后，对光照距离进行迭代优化。以此类推，最终得到满足终止条件式（6）的各影响因素最优参数分别如下：光照时间为21.5 s；光照强度为225 W；光照距离为2.20 m。其迭代过程中煤岩界面的识别精度变化如图6 所示。由于获得的各影响因素新的迭代优化边界条件范围均明显变小，因此根据实际的边界条件对步长进行缩小，既可以保证迭代计算的速度，又可以提高参数优化的精度。本次迭代优化过程中光照时间的迭代优化步长为0.5 s，光照距离的迭代优化步长为0.025 m，光照强度的迭代优化步长为5 W。各影响因素的步长均不同程度进行了细化，保证参数优化结果的精准性。

由图6 可以看出，整个迭代优化过程共进行8 次迭代，最终的煤岩界面识别精度为98.67%，明显高于采用随机选定初值得到的最高识别精度95.48%。这表明利用优化后的各影响因素的最优参数值，能够获取高精度的煤岩界面识别结果。

图6 迭代次数与识别精度曲线Fig.6 Iteration times and identification accuracy curve

4 实验对比分析

4.1 煤岩界面识别精度定量化分析

为了实现对煤岩界面识别精度的定量化分析，分别对煤和岩的识别错误部分进行定义，如图7 所示。其中，岩介质识别错误部分定义为岩层侵蚀量，煤介质识别错误部分定义为煤层残余量，定义整个煤岩红外图像的面积为ST，岩层侵蚀量的面积为SR，煤层残余量的面积为SC，则煤岩界面的识别精度IA 为

图7 煤岩界面识别区域定义Fig.7 Definition of coal-rock interface identification area

4.2 实验测试与精度分析

为了验证各影响因素参数优化数值的普适性，利用图8 所示的煤岩界面模拟实验平台，开展基于主动激励红外图像的煤岩界面识别实验，如图9 所示。实验过程中光照时间设置为21.5 s，光照强度为225 W，光照距离为2.2 m，针对4 组不同煤岩走向的试件进行激励和红外图像采集、分析与识别，每组煤岩试件进行3 次实验，最终得到的煤岩界面识别精度如表6 所示。

图8 煤岩界面识别模拟实验平台Fig.8 Coal-rock interface identification simulation test platform

图9 基于主动激励红外图像的煤岩界面识别实验Fig.9 Coal-rock interface recognition experiment based onactive excitation infrared image

由表6 各组煤岩界面识别实验得到的识别精度可以看出，利用优化得到了光照时间、光照距离以及光照强度的最优参数进行煤岩试件的主动激励红外图像采集与识别，4 组煤岩试件共进行12 次实验，最低识别精度为97.96%，最高识别精度达到99.01%。这表明煤岩界面识别结果均具有非常高的识别精度，基于最优参数获取的煤岩试件红外图像能够识别出高精度的煤岩界面轨迹，验证了各影响因素参数优化结果的有效性。

表6 基于最优参数的煤岩界面识别精度Tab.6 Coal-rock interface identification accuracy based on optimal parameters %

现场测试实验依托在地面构建的等比例配套实验平台开展，煤壁尺寸为70 m×4 m×3 m，内部随机分布岩层，如图10（a）所示。采煤机行走方向前方装有主动热激装置和红外热像仪。根据优化得到的光照时间、光照距离以及光照强度的最优参数，利用红外热像仪采集采煤机截割前的红外图像。结合井下实际情况，图像采集与采煤机截割同时进行，如图10（b）所示。

图10 现场测试环境及工况Fig.10 Field test environment and working conditions

通过现场测试，得到煤岩界面的主动激励红外图像如图11（a）所示，对主动激励红外图像进行处理和识别，得到煤岩界面的识别结果如图11（b）所示。通过分析计算煤层残余量和岩层侵蚀量的占比，最终得到煤岩界面的识别精度为98.91%。现场实验结果表明，利用优化后的光照时间、光照距离以及光照强度，可以获取能够实现煤岩界面精准识别的优质主动激励红外图像。

图11 煤岩红外图像采集与识别Fig.11 Infrared image acquisition and recognition of coalrock

5 结论

1）在各影响因素边界条件内采用任意选定的初值进行迭代优化，易产生局部参数最优问题，导致煤岩界面识别精度参差不齐，识别效果不稳定。

2）利用正交实验先获取光照时间、光照距离和光照强度各影响因素的最优组合参数，再从小范围边界条件内迭代优化获取各影响因素的最优参数，其迭代优化步长更小，每次迭代实验次数更少，但参数的精准度明显升高。

3）优化后的光照时间、光照距离和光照强度参数具有非常好的普适性，针对不同煤岩试件均可得到能够实现煤岩界面高精度识别的主动激励红外图像，最低识别精度达97.96%以上，可为采煤机实现自动化、智能化开采提供精准的煤岩截割轨迹。