一种基于隐马尔科夫随机场模型的放煤口操作决策方法与流程

本发明属于综放工作面放顶煤开采技术领域，尤其涉及一种基于隐马尔科夫随机场模型的放煤口操作决策方法。

背景技术：

液压支架是综放工作面安全支护和顶煤回收的核心设备。一个综放工作面通常有上百台液压支架排列，构成液压支架群。采煤机采掘液压支架掩护之下的煤层后，液压支架前推，顶煤会自然垮落。液压支架收起尾梁，放煤口打开，落下的顶煤可顺利落入后部刮板运输机；当顶煤放落完毕，伸展尾梁，放煤口关闭，杜绝矸石进入后部刮板运输机。

在综放开采过程中，顶煤的放出率低和出煤的含矸率高是普遍面临的重大难题。目前，综放开采顶煤的放出率仅为75％～80％左右，大量的顶煤无法有效采出，造成巨大的资源浪费。同时，出煤的含矸率高，大幅提高了运输成本和后期处理费用。

液压支架群的放煤过程直接关系到顶煤的放出率和出煤的含矸率。综放开采中，顶煤运移破碎、直接顶冒落、基本顶复稳等一系列动力学过程直接与液压支架放煤口的开关数量、操作次序,及操作步距有关。由于受复杂地质条件的限制，目前放煤过程仍以人工操作和单架操作为主，无法全局统筹考虑顶板地质条件、顶煤赋存状态、液压支架群动作等各类信息之间的关联关系，这是导致综放开采过程中顶煤放出率低、出煤采煤含矸率高的重要原因之一。

目前，综放工作面放顶煤的操作，主要是以人工手动操作为主。人工操作无法从综放工作面系统层级对顶煤的状态加以考虑，无法完成放煤口之间的配合，从而无法使顶煤的回收达到最优。

技术实现要素：

为解决上述问题，提供一种基于隐马尔科夫随机场模型的放煤口操作决策方法，。

本发明的目的是以下述方式实现的：

一种基于隐马尔科夫随机场模型的放煤口操作决策方法，所述方法包括：

s1：建立放煤口的动作空间：放煤口的动作空间表示为a＝{a1,a2}，其中动作选取a1表示开，选取a2表示关，设定a1＝1，a2＝2；

s2：建立放煤口的状态空间：放煤口的状态空间表示为s＝{s1,s2,...,s12}，每一个放煤口的状态值为放煤口附近的煤含量；

s3：放煤口群组的输入随机场：设一个工作面共有n个放煤口，则输入的随机变量x＝{x1,x2,...,xn}，其中xi∈s；

s4：建立放煤口决策输出马尔科夫随机场y＝{y1,y2,...,yn}，其中yi∈a；

s5：建立隐马尔科夫随机场模型：

输入的随机变量x是可观测的，其取值为x＝x＝{x1,x2,...,xn}；系统的输出y是不可观测的，其取值为y＝y＝{y1,y2,...,yn}；其中x、y分别为可观测的随机变量值和隐随机变量值；

隐马尔科夫随机场模型是关于可观测随机变量x与隐马尔科夫随机变量邻域的条件概率分布函数：

其中,表示带参数的条件概率，条件概率表示在邻域nyi条件下xi的概率值,其中参数是且nyi表示yi的邻域，因为yi只有开关两个值，则取值为

根据最大后验概率原理，输出决策最优值由下式给出：

其中为先验概率，是隐马尔科夫随机场模型；

由式(3)可知，n个放煤口的执行动作由隐马尔科夫随机场模型和先验概率p(yi|nyi)一起决定；系统首先输入各放煤口当前的状态x＝{x1,x2,...,xn}，xi∈s，即每个放煤口的状态取状态空间的某一个值；然后根据式(3)可得到放煤口动作的最优决策y^*＝{y1^*,y2^*,...,yn^*}，yi^*∈a。

放煤口的状态空间中的s1,s2,…..s12,分别表示煤的含量分别0、(0,0.1]、(0.1,0.2]、(0.2,0.3]、(0.3,0.4]、(0.4,0.5]、(0.5,0.6]、(0.6,0.7]、(0.7,0.8]、(0.8,0.9]、(0.9,1)、1。

所述的参数采用em算法给出；

(1)给定的初始值

(2)e步：根据初始值计算θi(yi)

(3)m步：根据下面公式更新参数

(4)在e步和m步之间进行迭代，迭代结束判断参数为

其中，t表示迭代次数；设置迭代停止条件为：

△<0.0001。

一种计算机可读存储介质，所述计算机可读存储介质中存储有可适于处理器执行的计算机程序，且所述计算机程序被所述处理器执行时实施如权利要求1-2任一所述方法的步骤。

本发明的有益效果：本发明专利首先提出一种放煤口操作决策的隐马尔科夫随机场模型，在隐马尔科夫随机场的系统模型基础上，通过最大后验概率实现放煤口动作的智能决策，提高了顶煤放出率、降低出煤含矸率，实现煤炭资源的安全、高效、精准开采。

附图说明

图1是本发明算法逻辑关系及流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种基于隐马尔科夫随机场模型的放煤口操作决策方法，该方法在隐马尔科夫随机场的系统模型基础上，通过最大后验概率实现放煤口动作的智能决策。

本发明的方法包括以下步骤：

s1:建立放煤口的动作空间：

放煤口动作有两个：打开与关闭，放煤口的动作空间表示为a＝{a1,a2}，其中动作选取a1表示开，选取a2表示关，设定a1＝1，a2＝2；

s2:建立放煤口的状态空间：

每一个放煤口的状态值为放煤附近的煤含量，该值的取值范围为[0,1]，并离散化为12个等级，构成状态空间，放煤口的状态空间表示为s＝{s1,s2,...,s12}，，其中s1,s2,…..s12,分别表示煤的含量分别0、(0,0.1]、(0.1,0.2]、(0.2,0.3]、(0.3,0.4]、(0.4,0.5]、(0.5,0.6]、(0.6,0.7]、(0.7,0.8]、(0.8,0.9]、(0.9,1)、1等12种情况；s3:放煤口群组的输入随机场：

设一个工作面共有n个放煤口，则系统的输入的随机变量x＝{x1,x2,...,xn}，其中xi∈s，即每一个放煤口的状态值为状态空间的某个值；

s4:建立放煤口决策输出马尔科夫随机场y＝{y1,y2,...,yn}，其中yi∈a；即每个放煤口的状态都去动作空间的值。在放煤口动作决策过程中，一般情况下，决策过程仅依据模型当前的状态值；而这些当前状态值是执行上一次决策的结果。这也就是说，放煤口当前的决策过程仅与上一次的决策有关，这是典型的马尔科夫决策过程。因此yi的动作时序满足马尔科夫决策过程的条件。

s5:建立隐马尔科夫随机场模型：

输入的随机变量x是可观测的，其取值为x＝x＝{x1,x2,...,xn}；系统的输出y是不可观测的，其取值为y＝y＝{y1,y2,...,yn}；其中x、y分别为可观测的随机变量值和隐随机变量值；

隐马尔科夫随机场模型是关于可观测随机变量x与隐马尔科夫随机变量邻域的条件概率分布函数：

其中,表示带参数的条件概率，条件概率表示在邻域nyi条件下xi的概率值,其中参数是且nyi表示yi的邻域，因为yi只有开关两个值，则取值为

根据最大后验概率原理，输出决策最优值由下式给出：

其中p(yi|nyi)为先验概率，由经验给出转换成概率形式。由式(3)可知，n个放煤口的执行动作由隐马尔科夫随机场模型和先验概率p(yi|nyi)一起决定。隐马尔科夫随机场模型中的参数通过em算法训练得到，先验概率通过现场经验获得，典型的先验概率如表1所示。

当马尔科夫随机场的参数训练完毕后，系统首先输入各放煤口当前的状态x＝{x1,x2,...,xn}，xi∈s，即每个放煤口的状态取状态空间的某一个值；然后根据式(3)可得到放煤口动作的最优决策y^*＝{y1^*,y2^*,...,yn^*}，yi^*∈a。

表1

上表的数值表示放煤口处于某一个状态时，其动作为开或者关的概率值。这些值可以根据经验粗略给出。

参数采用em(expectation-maximization)算法给出；

1)给定的初始值

(2)e步：根据初始值计算θi(yi)

(3)m步：根据下面公式更新参数

(4)在e步和m步之间进行迭代，迭代结束判断参数为

其中，t表示迭代次数。一般设置迭代停止条件为：迭代次数超过某个值或者△小于某个值。其中△小于某个很小的值表示参数已经收敛。根据经验，一般选择如下条件即可

△<0.0001。

本发明还包括一种计算机可读存储介质，所述计算机可读存储介质中存储有可适于处理器执行的计算机程序，且所述计算机程序被所述处理器执行时实施上述方法的步骤。

上述的计算机可读存储介质可以包括能够携带所述计算机程序的任何实体或装置，记录介质、u盘、移动硬盘、光盘、磁盘、计算机存储器等。

本发明专利首先提出一种放煤口操作决策的隐马尔科夫随机场模型，在隐马尔科夫随机场的系统模型基础上，通过最大后验概率实现放煤口动作的智能决策，提高了顶煤放出率、降低出煤含矸率，实现煤炭资源的安全、高效、精准开采。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明整体构思前提下，还可以作出若干改变和改进，这些也应该视为本发明的保护范围。