一种嵌入物理原理的多任务学习框架,用于地下多机器人系统中的信号重建与状态预测
《Neural Networks》:A Multi-Task Learning Framework with Physics Embedded for Signal Reconstruction and State Prediction in Underground Multi-Robot Systems
【字体:
大
中
小
】
时间:2026年07月11日
来源:Neural Networks 7.2
编辑推荐:
陈欣|张林|吴浩楠|韩欣|何标|胡峰|傅涛|庞一辉|周如琳
摘要:准确预测液压支架群的集体状态对于确保长壁采煤作业的安全与提高效率至关重要。现有的监测方法存在四个关键瓶颈。常用于定位的接触式传感器极易受到恶劣地下环境的影响,从而导致测量结果不可靠。基于视觉的非接触式替代方案则往
陈欣|张林|吴浩楠|韩欣|何标|胡峰|傅涛|庞一辉|周如琳
摘要:准确预测液压支架群的集体状态对于确保长壁采煤作业的安全与提高效率至关重要。现有的监测方法存在四个关键瓶颈。常用于定位的接触式传感器极易受到恶劣地下环境的影响,从而导致测量结果不可靠。基于视觉的非接触式替代方案则往往因需要大量人工进行数据标注而受到限制。此外,煤尘常常遮挡地下摄像头,导致时空数据缺失,而现有方法无法重建这些缺失的信号。而且,大多数预测模型要么忽视了液压支架群行为的内在时空特性,要么不必要地使空间建模变得复杂。具体而言,这些模型未能意识到液压支架在空间上几乎无法区分,因而造成了模型复杂度的冗余。为解决这些问题,本文提出了一种综合方法,包括:(1)一种用于液压支架定位的无监督视觉定位模块;(2)对时空模型的全面基准测试;(3)一种嵌入物理原理的多任务学习框架(MTLPE),用于同时进行信号重建和位置预测;以及(4)一种迭代学习策略。大量的消融实验证明了MTLPE在四种作业场景下的优越性。该模型的均方根误差仅为0.43毫米,而性能最佳的基线方法则为0.48毫米。这项工作为液压支架群及其他多刚体系统的信号重建和位置预测提供了全面的见解和创新方法。
引言:长壁采煤是地下煤炭开采中最具生产力和高效的方法之一,为全球煤炭产量做出了重要贡献。这种方法的成功关键在于动力顶板系统,即一组相互连接的液压支架,它们随剪切机和输送机一同移动(Peng, 2019; Zhang et al., 2020)。这些复杂的液压装置承担着控制上方岩层、防止顶板坍塌以及为人员和设备保持安全作业通道等重要功能。这类支架群通常由众多单个单元组成,分布在数百米长的工作面上,其集体行为决定了整个作业区域的稳定性(Li, Wang, Zhang and Zhang, 2020)。这些支架群面临着前所未有的挑战,包括极端的地面应力以及复杂的地质异常情况(Su et al., 2021)。这就需要将研究重点转向能够准确预测整个液压支架群动态状态的数据驱动方法,从而实现智能的地面控制,提升作业安全性和效率(Morshedlou, Dehghani and Hoseinie, 2019)。
传统方法主要依赖接触式传感器或惯性测量单元来感知位置。Gong(2025)采用了角度传感器来实时监测液压支架的姿态,而Zhang等人(2023)则进一步引入倾斜传感器以实现远程监测。Liang等人(2019)还开发了光纤布拉格光栅传感器,用于捕捉长壁开采过程中的动态姿态变化。多传感器融合技术也得到了应用:Chen等人(2022)提出了一个集成传感框架,而Lu等人(2020)设计了一种结合惯性测量单元和微机电系统以提高可靠性的系统。除了接触式传感之外,Hao等人(2024)还引入了基于激光雷达的方法来测量姿态和工作面对准情况。最近,还有大量研究利用数据驱动方法来诊断故障并预测设备健康状况。例如,压力传感器和位移传感器被广泛应用于从支持向量机到深度神经网络的各种模型中(Solorio and Garcia-Bravo, 2023; Zhang et al., 2025)。研究表明,卷积神经网络和长短期记忆网络等深度学习模型在处理这些传感器的时序数据方面表现优异,能够实现高精度的故障诊断并预测短期压力波动(Sharifi Renani, Eustace, Myers and Clary, 2021; Vu et al., 2022)。其他研究则探索了使用红外热成像技术来识别过热部件(Szurgacz and Zhironkin, 2021),以及多传感器融合技术来创建可靠的支架运行状态表征(Li, Wang and Liu, 2020)。然而,这些方法在复杂的地下环境中存在固有缺陷。接触式传感器极易受到安装误差、煤尘和湿度干扰的影响,从而降低测量精度(Cai et al., 2023)。基于机器视觉的非接触式测量技术则被视为一种有前景的替代方案。Wang等人(2024)探讨了智能矿山系统工程,强调了设备监控的集成化。Chen等人(2023, 2024)利用视觉检测技术来测量液压支架的位移和顶梁姿态。Pan等人(2023)开发了一种轻量级的YOLOv5模型,用于在采矿工作面实时检测液压支架的位置。Li(2019)则利用双目视觉来测量运动刚体的相对姿态。现有的基于视觉的液压支架监测方法通常需要大量经过标注的数据集来进行分割,且高度依赖数据质量。此外,由于煤尘的遮挡,信号丢失在地下环境中十分常见,因为悬浮颗粒容易附着在摄像头镜头上或阻挡视野,而现有的液压支架位移预测模型却无法解决这一问题。
将液压支架群建模为网络系统需要时空框架。时序预测的发展已经从经典的统计模型,如自回归积分滑动平均模型(ARIMA)(Box, Jenkins, Reinsel and Ljung, 2015),发展到更为复杂的深度学习架构。最初的深度学习方法结合了卷积神经网络来捕捉类似网格的空间特征,以及循环神经网络,如卷积长短期记忆网络(ConvLSTM),来模拟时间演化过程(Shi et al., 2015)。随着图神经网络的出现,这一领域取得了重大进展,图神经网络将卷积操作推广到了非欧几里得数据结构,如采矿支架的不规则网络。类似的模型,如扩散卷积循环神经网络(DCRNN)(Li, Yu, Shahabi and Liu, 2017)、时间卷积网络(TCN)(Lea et al., 2017)以及时空图卷积网络(STGCN)(Yu, Yin and Zhu, 2017),通过将图卷积用于空间特征提取与循环或时间卷积层用于序列建模相结合,形成了一种强大的范式。后续的架构,如StemGNN,通过在频域中进行运算进一步改进了这一方法(Cao et al., 2020)。在借鉴图神经网络理念的同时简化空间建模,后来出现了时空身份模型(STID)(Shao et al., 2022)。最新一轮的创新则是由基于Transformer的模型推动的,这类模型利用自注意力机制来捕捉长距离依赖关系。Informer和Pyraformer等架构引入了新型、更高效的注意力机制,使得Transformer能够用于长序列时序预测(Zhou et al., 2021; Liu et al., 2021)。与此同时,关于城市计算中时空图神经网络的综合研究(Jin et al., 2023)表明,基于图的模型在具有强异质性空间交互的领域表现最为出色。尽管这些模型取得了显著的成功,但有一派有影响力的研究对它们的普遍适用性提出了质疑。有人认为,排列不变的自注意力机制的核心优势在于捕捉一组标记项之间的语义关系,而这种归纳偏差可能与时序数据的特点存在根本性冲突,因为在时序数据中顺序和时间局部性至关重要(Shao et al., 2024; Wen et al., 2023)。最近的全面基准测试研究为多变量时序模型选择提供了重要见解。通过广泛的异质性分析,Shao等人(2024)证明,模型性能在很大程度上取决于数据集的特征——尤其是时间分布的变化和空间的不可区分性。他们的研究挑战了那种认为结构复杂的模型总能优于简单模型的观点,并为模型选择提供了一个原则性的框架,本研究也采用了这一框架。基于多层感知机的架构的出现(Jin et al., 2025)进一步质疑了在时空预测中需要复杂图结构的必要性,它表明当空间依赖性较弱时,成本较低的线性模型也能取得不错的性能。这一观点有力地强调了这样一个原则:预测模型的选择和设计必须深入考虑数据的固有时空特性,而非盲目追求架构的复杂性。
本研究在填补现有研究空白方面做出了四项重要贡献:1. 无监督视觉定位流程:提出了一种无需依赖标记数据集的液压支架定位无监督框架。2. 时间与空间特性分析:通过对比三类模型,系统研究了液压支架数据集的内在时间与空间特性:a) 机器学习算法;b) 时序建模;c) 时空建模。3. 嵌入物理原理的多任务学习框架:提出了一种融合物理约束的多任务学习框架,用于同时进行信号重建和位置预测。4. 迭代学习策略:引入了一种迭代学习策略,以提升神经网络的表现能力,同时避免增加可学习参数的数量。
本文的结构如下。第2节介绍了液压支架的背景,首先详细描述了六单元液压支架原型。接着阐述了使用Segment Anything Model(SAM)(Kirillov et al., 2023)和Douglas–Peucker多边形近似法(Shi and Cheung, 2006)进行数据集准备的流程。第3节对三类模型进行了全面基准测试,以分析数据集的特性:1)机器学习算法,包括线性回归模型、Nlinear模型(Zeng, Chen, Zhang and Xu, 2023)、支持向量机(SVM)(Suthaharan, 2016)、决策树(DT)(Song and Lu, 2015)以及K-最近邻算法(KNN)(Peterson, 2009);2)时序建模方法,包括ARIMA模型(Box, Jenkins, Reinsel and Ljung, 2015)、动态模式分解法(DMD)(Proctor, Brunton and Kutz, 2016)、长短期记忆网络(LSTM)(Hochreiter and Schmidhuber, 1997)、门控循环单元(GRU)(Chung, Gulcehre, Cho and Bengio, 2014)、TCN模型(Lea et al., 2017)以及卡尔曼滤波器(KF)(Mumuni and Mumuni, 2021);3)时空建模方法,包括DCRNN模型(Li, Yu, Shahabi and Liu, 2017)、ConvGRU模型、STGCN模型(Yu, Yin and Zhu, 2017)、StemGNN模型(Cao et al., 2020)以及STID模型(Shao et al., 2022)。第4节提出了嵌入物理原理的多任务学习框架(MTLPE)及其详细实现方式。该节还进行了大量消融实验,以验证MTLPE模型的有效性,包括迭代学习和连续性约束对信号重建的影响,以及掩码比例、作业场景、训练数据规模和物理约束类型对生成性能的影响。
本研究中的所有模型和实验都是使用PyTorch深度学习框架以及OpenCV等辅助库实现的。辛汉:可视化。郝彪:验证。胡峰:调研。傅涛:概念构建。庞一辉:概念构建。周如林:概念构建。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了重庆市自然科学基金(项目编号:CSTB2025NSCQ-GPX0021)以及重庆市教委青年学者科技研究计划(项目编号:KJQN202401408/KJQN202501402)的支持。