На глубине в сотни метров под землей горняки не могут глазами определить, находится ли впереди уголь или порода. Каждый лишний сантиметр породы, срезанный барабаном комбайна, означает повышенный износ оборудования, резкий рост запыленности, снижение выхода чистого угля — и даже может спровоцировать аварию в кровле.

Группа доцента Сианьского университета науки и технологии, Ци Айлин, разработала интеллектуальную прогностическую модель SSIC-former, в которой впервые объединены три модуля: централизованный механизм внимания (CAM), интерактивный сверточный блок (ICB) и минимизация с учетом остроты (SAM). Модель обеспечивает высокоточное прогнозирование траектории границы угля и породы. Данные практических измерений показывают: средняя абсолютная ошибка составляет всего 6,37 мм, средняя абсолютная ошибка в процентах — 2,79%, коэффициент детерминации достигает 0,99, а время вывода одного образца — всего 0,0066 с. По производительности модель значительно превосходит такие распространенные модели, как LSTM и Crossformer.

Невидимые пласты: почему граница угля и породы стала «проблемой века»

Граница угля и породы — это линия раздела между угольным пластом и выше- и нижележащими породами. Из-за сложных и изменчивых геологических условий в процессе формирования угольных бассейнов эта граница часто оказывается неровной и лишенной какой-либо закономерности. На протяжении десятилетий развития интеллектуальной добычи угля способность комбайна точно резать уголь, не повреждая породу при высокоскоростной выемке, остается одним из главных технологических ограничений отрасли.

Ранние комбайны полагались на «запоминающую выемку»: сначала при ручном управлении отрабатывался один цикл, записывалась траектория резания, после чего комбайн повторял этот путь. Подход «прозрачной геологии» требует предварительного получения подробных геологических данных об угольных пластах и породах. Эти методы в высокой степени зависимы от исторических данных. Стоит геологическим условиям измениться, как запомненная траектория сразу же «выходит из строя», требуя срочного ручного вмешательства.

Помимо запоминающей выемки, отрасль испытывала и другие технические подходы: гамма-зондирование, радиолокационное зондирование, акустическое зондирование, инфракрасную термографию. Однако сотни метров под землей, в условиях угольной пыли, сильных вибраций оборудования и электромагнитных помех, сигнал от одного датчика легко «тонет» в шумах, что делает точное определение раздела угля и породы в реальном производственном процессе крайне затруднительным.

От «черного ящика» к «рентгеновскому зрению»: три технологических двигателя модели SSIC-former

Чтобы фундаментально решить задачу высокоточного прогнозирования границы угля и породы, исследовательская группа под руководством доцента Ци Айлин за несколько лет разработала прогностическую модель на основе многоканальных взаимодополняющих характеристик — SSIC-former. Ее ядро включает три инновационные технологии:

Двигатель 1: Централизованный механизм внимания — «разведчик» глобальных данных

При работе комбайна в очистном забое множество датчиков непрерывно генерирует огромные потоки данных: ток и крутящий момент двигателя резания, вибрацию и угол наклона поворотного редуктора, высоту и положение барабана… Траектория границы угля и породы — это, по сути, многомерный временной ряд, где между различными переменными существуют сложные скрытые взаимосвязи, что делает высокоточное прогнозирование чрезвычайно сложным.

Традиционные механизмы внимания при появлении аномальных данных, зашумленных подземной пылью и электромагнитными помехами, легко поддаются ложным локальным сигналам. Модуль CAM подходит к этому иначе: сначала он собирает информацию со всех каналов в глобальный признак, а затем взаимодействует с каждым каналом по отдельности, извлекая релевантные взаимодополняющие признаки. Это похоже на опытного командира, способного на шумном поле боя точно выбрать самую важную информацию, отфильтровав второстепенные помехи.

Двигатель 2: Интерактивный сверточный блок — «улавливатель деталей» локальных колебаний

Изменения границы угля и породы включают как локальные скачки, так и крупномасштабные изменения. Ограниченный размер ядра свертки не может адекватно обрабатывать оба типа. Модуль ICB использует многомасштабный дизайн: мелкоемкие зерна отвечают за выявление мелких высокочастотных колебаний границы, а крупнозернистые — за восприятие макроскопических тенденций слоистости. Они динамически взаимодействуют, дополняя друг друга, нe упуская ни деталей, ни общей картины.

Двигатель 3: Минимизация с учетом остроты — «мастер оптимизации» для устойчивого обучения.

Подземные данные сильно зашумлены и имеют высокую неопределенность распределения, что легко загоняет традиционные методы оптимизации в «ловушки локальных минимумов». Философия стратегии SAM довольно изящна: она ищет не единую самую низкую точку, а стремится найти решение в области плоской и устойчивой поверхности. Модель, обученная таким образом, нечувствительна к небольшим возмущениям и сохраняет высокую стабильность прогнозов в сложных реальных условиях забоя.

Ключевой механизм взаимодействия трех двигателей

Рабочий процесс SSIC-former начинается с обратимой стандартизации экземпляров, которая эффективно устраняет нестационарность распределения амплитуд данных в различных условиях работы, обеспечивая чистоту и стабильность входного сигнала. Затем используется метод скользящего окна для нарезки непрерывных данных на обучающие выборки. После двойного извлечения признаков модулями CAM и ICB модуль остатков дополнительно усиливает представление признаков. Наконец, оптимизированная с помощью SAM сеть через проекционный слой выдает прогноз, образуя завершенный интеллектуальный замкнутый цикл: «предобработка данных — извлечение признаков — оптимизация обучения — вывод результата».

Данные практики: миллиметровая точность как точка перелома отрасли

Для проверки реальной эффективности SSIC-former исследовательская группа на практике собирала многоканальные рабочие данные из угольного забоя и построила фреймворк для глубокого обучения на основе архитектуры Transformer.

Ключевые показатели производительности:

Исследовательская группа сравнила модель с такими ведущими концепциями Artificial Intelligence, как LSTM и Crosformer. У неё самые лучшие пять показателей, включая R2 и др.

Эта модель позволяет действую механизму подачи сырья двигаться точнее, пропуская несколько десятков сантиметров болванки за минуту. Наша интеллектуальная система будет предсказывать направление породы в метре впереди точнее любого шахтёра и оповещать заранее до пика барабана, тем самым реализуя бесперебойный процесс точной механической обработки.

Перспективы применения

Вмешательство в корку рабочими орбитами без должной точного прогнозирования работы комбайнов ведёт к повреждениям быстроизнашиваемых частей .

Главным является упрощение последовательности «реальность → определение границы ≈ расчеты» — ведь при автоматике даже доля MM теряет смысл.

Проект спонсирован государственной организацией, имеющей коды …. Такая слаженная работа — шаг к автоматизации вне зависимости от людей и, как со временем планируется, в конечном итоге к настоящему умному карьеру с высокой безопасностью и низким расходом.