无人化智能开采是煤矿智能化建设的中心目标。智能开采是基于现代煤矿智能化理念,将物联网、云计算、大数据、人工智能、自动控制、移动互联网、机器人化装备等与现代煤炭开采技术深度融合,形成开采过程全面感知、实时互联、分析决策、自主学习、动态预测、协同控制;无人化智能开采是采煤工作面采用了具有完全自动化、智能化控制功能,高可靠性的液压支架、采煤机、刮板输送机、转载机、破碎机等机电一体化成套装备,实现了工作面无人操作的高效安全开采。
近10 a来,围绕煤矿无人化智能开采系统理论与技术开展了大量研发实践[1-4],2014年在陕煤黄陵一号煤矿建成首个“工作面有人巡视、无人操作、远程干预控制”的第1个智能化采煤工作面[5]。2020年以来,全面加快煤矿智能化发展,并启动首批70处智能化煤矿示范建设,目前已有40多个煤矿建成中级智能化煤矿,全国已有不同等级的智能化采煤工作面600个以上[6]。
2019—2021年底,文献[2]阐述了我国智能化煤矿建设最新情况,并建立煤矿智能化基础理论体系、提出分类分级智能化煤矿建设路径,为推动我国煤矿智能化发展给出思路和技术指导。通过构建煤矿数字逻辑模型、多源异构数据处理理论方法和复杂系统智能控制基础理论等[7-8],为煤矿无人化智能感知、决策、控制和智能开采系统的可靠性奠定了理论基础。5G、大数据、区块链、人工智能等新一代信息技术助力煤矿智能化发展[9],在煤炭产业链的生产、消费和监管方面,及解决工作面生产工况条件下视觉监控透尘问题、监控设备在自主割煤情况下自动跟踪采煤机滚筒的感知问题、全工作面设备状态感知及其他广场景感知问题等方面起到重要作用。
笔者团队聚焦无人化智能开采控制技术、机器视觉应用场景与算法、工作面采支运自适应协同控制等方向开展了深入研究,且研发人员长期驻黄陵一矿和神东榆家梁煤矿现场,结合实际场景开展无人化智能开采探索和实践,在智能开采系统理论与技术创新和实践中取得新进展。
煤矿无人化智能开采系统采用地质勘探、三维仿真、地理信息等技术手段,实现工作面地质建模;利用智能传感器采集设备工作姿态、地理位置、运行状态等相应数据;利用5G网络对采集数据进行有效传输;利用大数据技术对多元异构数据进行融合管理;利用专家决策系统对各类数据进行有效分析处理;成套装备协同作业,完成煤炭采掘运;利用人工智能、机器学习分析设备运行状态,实现开采装备的有效维护;利用区块链技术实现数据的可信记录,支撑能源监管,形成以5G、大数据、人工智能、区块链、物联网等新一代信息技术为基础的“安全绿色,高效智能”的无人化智能开采新模式[3-4,10]。
以一般地质条件综采工作面无人化智能开采为目标,引入矿井物联网、先进传感、千兆工业以太网、面向煤矿的标准化通信协议等为支撑环境,提出了以智能控制一体化中心为大脑、采支运设备为躯干、Ethernet/IP 通信协议为神经网络的综采智能开采控制体系,开发了以“感知、传输、决策、执行、运维、监管”6个维度的煤矿无人化智能化开采系统,系统基本架构如图1所示。6个智能化维度通过感知煤层赋存条件和围岩特性、开采环境状态以及装备工况,实现生产过程自主运行,降低人工直接操作,达到在提升煤炭开采工效的同时确保工作面可以连续、稳定、高效运行,成为自主感知、自主分析、自主决策的生产系统。
在早期的较好的地质条件下,实现了可视化远程干预割煤的应用研究。近些年针对复杂地质条件下无人化智能开采难题,提出了面向井下综采工作面的无人化智能开采技术路线。该路线以综采自动化控制系统、液压支架电液控制系统、智能集成供液系统三大系统为基础,结合可视化远程干预技术,依靠工业互联网、人工智能、大数据、云计算等新一代信息技术提升采煤智能化水平,全面感知开采过程中地质条件及其变化、设备工况、工作面环境、工程质量等,实现对不同工况及开采条件下的自主决策、自动控制、智能运维,反馈指导自适应智能开采控制。无人化智能开采控制系统整体方案如图2所示。
图2 无人化智能开采控制系统方案
Fig.2 Unmanned smart mining control system scheme
目前,无人化智能开采控制技术在井下综采工作面应用经历了3个发展阶段[11]。智能化1.0阶段——“有人巡视,中部跟机”模式,通过研究视频监视技术、液压支架跟机技术、采煤机记忆截割技术、远程控制技术等,将采煤工人从工作面解放出来,可以在相对安全的巷道监控中心完成工作面正常采煤,此模式首次应用于陕煤化集团黄陵一矿1001工作面,本阶段未实现工作面无人化,但是为无人化开采提供了一条切实可行的技术途径;智能化2.0阶段——“自动找直,全面跟机”模式,为进一步提升工作面多机协同能力,实现工作面自动化连续生产,将惯性导航技术[12]、人员定位技术、找直技术、多机协同技术等应用于采煤工作面,实现了工作面自动找直,为工作面装备连续推进开采创造条件,此模式主要应用于宁煤红柳煤矿,并进一步推广至宁煤金凤矿、麦跺山、金家渠、双马、羊场湾等矿,工作面作业每班可减少操作工人5名,为无人化开采模式提供了更加有效的综采工作面管控手段;智能化3.0阶段——“无人巡视、远程干预”模式,基于工作面地质探测数据以及惯性导航、三维激光扫描等技术应用,实现工作面开采条件感知,构建工作面开采模型。探索基于工作面地质开采模型的数字化割煤技术在中国神东榆家梁煤矿43101工作面、陕煤集团张家峁矿14301工作面已实现应用,实现了常态化无人操作连续生产应用,常态化生产过程自动化使用率不低于85%,建立了工作面中部1人巡检常态化生产作业模式,实现生产班下井人数从原来的10人减为6人,直接生产工效提升约15.08%。未来智能化4.0阶段——“透明开采,面内无人”,引入“透明工作面”等先进理论,通过研究三维地质建模技术、研究煤岩识别技术、激光扫描技术、精确定位技术,提前规划割煤曲线,使用采煤机自动调高技术,实现采煤机自主控制。无人化智能开采控制技术路线图如图3所示。
图3 无人化智能开采控制技术路线
Fig.3 Unmanned smart mining control technology roadmap
随着煤矿智能化进程推进,井下设备、围岩、环境全面感知的需求日益增强。煤矿井下作业环境复杂,特别是综采工作面复杂场景,光线昏暗、煤尘飞舞、雾气较大,严重影响感知设备拍摄提取关键信息,单凭可见光视觉,难以实现井下作业场景中设备状况,围岩、环境状态的全面感知。例如,自动跟机自主割煤状态下,采煤机滚筒和摇臂常态化易受煤尘、浮煤遮挡,可见光监控系统难以实时准确感知采煤机滚筒和摇臂的局部状态,导致采煤机远程实时可靠控制受到阻碍。
采用可见光视频图像与红外热成像视频图像的动态融合技术,通过双光谱热红外摄像视频图像增强技术,有助于突破工作面工况场景中视觉监控清晰度低、局部细节感知差等影响,红外图像与可见光高清图像优势互补能提高感知准确性,保证感知实时性。在生产工况条件下,实现采煤机状况,及周围相关设备与围岩状态的实时全面可视化感知,有效解决智能化开采过程中设备远程可视化、可靠控制等问题。
对井下可见光视频图像、热红外视频图像的视觉特征分析显示:可见光视频图像前景和背景具有丰富的结构轮廓和纹理信息,但其对光照变化较为敏感,易受井下粉尘和浮煤遮挡影响。而热红外视频图像在低光照条件下,对煤尘、少许浮煤遮挡钝感力较强,仍然可以呈现一定的局部目标对象特征信息;同时对光照变化影响不大,但是缺乏对背景细节信息的呈现。如图4所示,在热红外图像中,能够比较清晰地呈现出感知对象采煤机的滚筒和摇臂关键部件的局部特征。
图4 可见光与热红外图像视觉特征对比分析
Fig.4 Comparative analysis of visual characteristics between visible and thermal infrared images
由于可见光与热红外图像的成像原理不同,其图像中每个像素代表的物理意义有所不同。若使用像素级视觉信息进行融合,效果往往不好。本文针对多种融合方法进行分析研究,并考虑工作面场景监控特点,基于视觉注意机制在可见光视频图像中获取关键目标区域[13]。利用监控关键目标区域特征,围绕关键目标区域的局部和背景信息进行融合关键目标增强[14]。通过融合增强呈现监控关键目标对象的局部特性,同时较好保留了可见光图像中的场景背景信息,有助于进行后续目标检测识别以及定位等监控感知处理。
笔者团队对相关技术进行集成,完成了矿用本安型双光谱热成像摄像仪产品研制,在井下工作面进行了工业性实验测试验证,测试结果表明:双光谱热成像摄像仪具有很好的穿透能力与工作面场景细节感知效果,可用于解决工作面生产工况条件下视觉监控透尘问题,以及自动跟机自主割煤情况下采煤机滚筒感知问题。矿用本安型双光谱热成像摄像仪工作面应用效果如图5所示。
图5 矿用本安型双光谱热成像仪及工作面应用效果
Fig.5 Mining intrinsically safe dual spectrum thermal imager and its application
现阶段,视频监控系统被应用于国内煤矿井下。在地质条件相对稳定的作业场景,引入“可视化远程干预性智能采煤控制系统”,采用视觉感知实现了作业工作面“有人巡视,无人操作”的常态化生产作业。工作面场景空间狭长,当采用多个单目摄像仪进行全工作面视频监控时,每个摄像仪获取的工作面场景信息视野相对较窄,很难在工况条件下多方位同时捕获工作面复杂场景的设备、围岩,以及环境状况,以至于影响工作面的实时全面感知,阻碍远程可视化可靠控制与干预。即便使用具有一点转向角度的云台摄像仪,虽然可以获取一定视角范围内的工作面设备、围岩和环境状况,但是无法保证在同一时刻获得工作面场景全部状况,这都严重制约影响工作面的安全生产管控。然而,在工作面安装广角摄像仪进行可视化监控,增加了产品系统的复杂性和整体代价,监控视频帧图像边缘会产生严重的畸变,这对于煤矿生产企业是难以接受的。因此,需要研究多目全景视频拼接技术,并研发多目摄像仪,从多个视角相对全面捕获井下设备状况、围岩和环境状态信息,相对全面感知工作面复杂场景信息,对于井下可视化远程安全生产管控有着重要现实意义。
为攻克井下多目全景视频拼接技术难题,首先分析工作面场景空间特点,确定合理摄像仪布局方案,以最少的摄像仪布置数量,以及最少单目摄像仪元器件个数,实现多目摄像仪的最大视觉覆盖范围。其次研究合理的多目视频帧图像融合算法,在实际工程应用过程中保障多目视觉信息清晰、自然、无缝融合,达到井下相对恶劣条件下的针对工况的可靠、鲁棒视频监控。
在多目视频帧图像融合和全景视频拼接过程中,本文针对视频帧配准,基于各个单目视觉图像进行关键特征点检测和特征提取;通过对相邻视点帧图像特征匹配,求解得到2者的投影变换矩阵;最后建立投影变换模型,并根据变换模型,将待拼接视频帧投影到参考视频帧坐标系中完成视频帧配准。这种基于视觉特征的帧配准方法具有较好的抗噪声干扰,控光照变化,以及遮挡等因素问题影响的能力,同时效率高,鲁棒性强。完成视频帧配准后,采用普通双谱带融合方法[15]进行视频帧融合,快速将配准后的各单目帧图像合并为一幅全景图像,并消除其中不自然缝隙,局部模糊,以及明显视觉特征不连续性现象。本文二目视频拼接效果如图6所示。
图6 二目视频拼接效果
Fig.6 Binocular video splicing effect
目前完成相关技术集成和矿用本安型多目全景摄像仪产品研制,在井下工作面进行工程化应用,实现了工作面大视角覆盖以及实时无死角视频监控,产品井下应用如图7所示。单台多目全景摄像仪可覆盖工作面至少10架范围的监控区域,实时兼顾煤壁和支架侧方监控。相对于单目摄像仪,在工程应用中不仅减少了设备数量,而且相对全面地捕获工作面设备状况、围岩和环境状态的场景信息。
图7 四目全景摄像仪工作面应用
Fig.7 Application of quadricular panoramic camera in working face
工作面设备状态视频测量系统以视频图像序列作为设备位姿信息的载体,通过对获取的状态图像进行预处理、特征提取、目标检测和测量模型建模,依靠坐标转站关联全工作面全局与局部坐标系,进而实现全工作面设备状态位姿求解。
3.3.1 视频图像预处理
煤矿工作面工作环境特殊,没有自然光照,采用点光源进行照明,使得照度低、光线分布不均匀,而且割煤作业时产生大量粉尘和水雾,导致工作面图像面临整体灰度值偏低、动态范围大、阴影区多,及高光区细节难以辨认、图像模糊、图像色彩失真等问题。此外,受井下视觉设备工艺和安全要求的影响,工作面的视频图像存在较大的畸变,如图8所示,工作面视频图像分析的上述2种退化现象。为了处理退化的图像,在开展高级视觉任务之前,通常先进行图像预处理,对退化的图像进行增强处理提升特征清晰度并进行畸变校正。
图8 工作面图像退化现象
Fig.8 Image degradation of working face
工作面设备状态测量对视频图像的质量和实时性要求都比较高,大部分增强算法在质量和实时性上难以满足井下视觉测量任务的需求。三维颜色查找法[16]是在电影和显示工业里广泛使用的技术,最近几年被引入到很多ISP的设计中。在电影工业中,由于播放设备的不同,经常需要在不同色彩空间之间做映射,三维颜色查找法的一个功能就是被用做色彩空间映射。三维颜色查找法能够实现全立体色彩空间的控制。由于三维颜色查找法可以在立体色彩空间中描述所有颜色点的准确行为,非常适合用于精确的颜色校准工作,能够处理所有的显示校准的问题,从简单的Gamma值、颜色范围和追踪错误,到修正高级的非线性属性、颜色串扰、色相、饱和度、亮度等。基本上是可以处理所有可能出现的显示校准的问题。三维颜色查找法的优越性能使得它非常适用于工作面视频图像增强处理。三维颜色查找法的原理很简单,如图9所示,RGB 三个一维颜色查找表(LUT)组成三维颜色查找表,输入的RGB三个通道颜色值按3个查找表做映射,得到转换后的颜色。3D LUT是RGB颜色空间中的一个立方体,可以表示为三维集合{V(i,j,k)},i,j,k=0,…,N-1,该立方体集合包含N3个颜色映射点,其中N为颜色量化阶。对于RGB 颜色空间,当N=256可以表示完整的查找映射表,全空间颜色映射表具有50.3×106(3N3|N=256)个参数,在实际应用中,相关研究表明,当N=33时就可以获得较好的校准效果,这样颜色查找表的参数减少至108×103(3N3|N=33)个参数。
图9 三维颜色查找法原理
Fig.9 Principle of 3D color search method
3D LUT的关键是颜色查找表的确定,传统的方法基本上都是通过手工设计查找表,手工设计需要大量经验和大量时间,除此之外,手工设计的3D LUT仅一个查找表,仅适用于所设计的单张图像,很难应用到其他场景匹配其他图像,缺乏通用性和灵活性。基于深度学习方法,设计3D LUT生成网络,对于每一张待增强的图像,网络模型都生成一个对应的3D LUT,可以有效解决三维颜色查找表的确定问题。
在图像测量过程以及机器视觉应用中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,这些几何模型参数就是相机参数。在大多数条件下这些参数(内参、外参、畸变参数)必须通过实验与计算才能得到,这个求解参数的过程就称之为相机标定(或摄像机标定)。得到相机的标定参数后,通过畸变模型恢复工作面图像的真实空间几何图像。
3.3.2 设备关键点检测
设备关节的位姿运动是一个连续运动,其运动状态的稳定跟踪是获取其位姿的前提保障。以液压支架护帮板为例,对于单个护板帮,采用基于关键点的跟踪方法实现对护帮板运动状态的稳定跟踪。井下成像条件复杂和监控摄像头的能力不足,运动状态下的护帮板成像带来了新的挑战,如清晰度不足、纹理细节损失和运动模糊等,传统的图像处理方法难以实现连续稳定跟踪,因此,采用基于深度学习的方法来实现护帮板的稳定跟踪。
液压支架关键点护帮板检测网络以残差网络ResNet50为特征骨架网络[17],通过叠加反卷积网络层对关键点进行回归,网络结构如图10所示。骨干网络ResNet50 提取图像的抽象语义特征,由于输入图像通过骨干卷积神经网络提取特征后,输出的尺寸往往会变小,在关键点定位检测中,需要将图像恢复到原来的尺寸以便进行空间定位计算,因此需要采用上采样方法扩大图像尺寸。上采样有3种常见的方法,双线性插值,反卷积和反池化,反卷积上采样方法可以有效提升网络在关键点检测中的表征能力。
图10 关键点检测网络结构
Fig.10 Key point detection network structure
3.3.3 位姿解算
获取设备关键点的图像位置信息后,需要通过相机视图几何关系来计算每个关键点位置对应的位姿信息,相机视图几何关系的建立是一个相对复杂的过程,通常可以采用基于几何特征点的视觉位姿求解,又称为PNP问题,即在相机内参已知的条件下,利用待测目标上已知位置关系的一组特征点,确定待测目标与摄像机的相对位置和姿态[18-19]。
在护帮板位姿测量中,可以采用基于运动学约束的几何分析方法,建立位姿信息映射。护帮板与顶梁属于刚性连接,通过液压推移油缸控制其运动,护帮板的伸缩运动可以表示为绕固定轴的旋转运动,则关键点在三维空间中的运动状态可以表示为圆周运动,在经过成像二维投影后,关键点在视图平面中的运动轨迹可以近似为椭圆曲线。图11为护帮板在一个收缩周期内,其上一个关键点在二维平面上的位置轨迹,从图11可以看出运动轨迹曲线近似椭圆,符合理论分析的预期。在试验数据采样时,护帮板的收放运动为匀速运动,并且设定护帮板垂直展开状态时的位姿角度为90°,完全收缩状态时的位姿角度为0°。经过多次收缩周期采样,可以得到多个运动周期的位置轨迹曲线,多周期数据采样可以消除收缩运动由于外界状态带来的非匀速扰动。在确定关键点的位置轨迹和关键点的匀速运动约束后,需要将轨迹中的位置点与护帮板的位姿角度关联映射起来。由于位置与位姿间的对应是一个多重非线性关联,可以采用前馈神经网络模型来表征这一关联映射过程,从而实现位姿状态测量。
图11 二维图形平面中关键点的运动轨迹
Fig.11 Motion trajectory of key points in 2D graphic plane
4.1.1 透明地质开采
利用矿井历史所有钻探、物探、补充勘探数据及矿井当前的生产数据(钻孔信息、煤层、地层信息、巷道开拓信息)等信息构建三维数字化模型,模型提供的接口服务能够进行开采预测和模型动态修正,为智能开采提供精准地质保障。
在高精三维地质模型构建、三维模型动态修正、工作面扫描技术方法研究的基础上,采用多传感器信息融合技术,获取准确煤层地质参数,实现采煤机智能调高控制。利用激光扫描雷达设备,实现传感器读数在不同的地质条件和综采工况条件下的校准功能,提高设备测量和姿态定位精度。利用三维模型动态校正接口对开采模型的执行结果验证并优化。采用找直设备对工作面直线度校正参数的定值,决策出最优的调整控制方法,得到提高控制精度的参数组合。提出三维模型地质剖切服务CT技术,实现对开采模型和地质三维模型的整体推移校准策略和补偿参数的定值,并利用自主割煤截割技术,实现偏差补偿决策参数的定值及控制流程的规划。
以三维地质模型软件为基础,进行边界分类设置、煤层数据分层管理、平剖对应采集素描图煤层数据、不规则三级网(TIN)模型自动构建、曲面样条空间数据插值、三维可视化等方面的业务逻辑和算法,实现工作面初始高精度三维地质模型的构建,如图12所示,工作面初始三维地质模型构建功能模块结构如图13所示。
图12 三维地质模型构建
Fig.12 3D geological model construction
图13 工作面初始三维地质模型构建功能模块结构
Fig.13 Structure of initial 3D geological model building function module of working face
4.1.2 预置跟机工艺与开采工艺自适应精准协同
在实现全工作面跟机自动化功能基础上,根据不同的地质条件变化跟机工艺,调整各阶段参数,提升跟机自动化水平。基于透明工作面三维地质模型数据,实现在模型每一刀的切片上,预置跟机工艺、包括中部跟机自动化工艺、三角煤跟机自动化工艺等。其中,跟机工艺各阶段参数和地质切片数据关联协同。随着生产的推进,工作面每一个地质模型的切片都有预置的跟机工艺,满足当前支架跟机自动化要求。
电液控制系统是由全工作面所有支架控制器和传感器组成的,每一台控制器以及相关的传感器既是一个独立的控制单元,也是整个跟机工艺的一个智能节点。在透明地质模型网格化之后,将每个电控的智能节点数据与地质模型的单元格数据进行融合,形成跟机工艺智能节点和地质网格的点对点协同。
根据地质网格数据精准的动态调整每个智能节点的跟机工艺动作,提升每个网格的跟机自动化效率。同时通过对历史数据样本、地质模型和自适应跟机工艺各阶段参数综合分析,提升全工作面的自动化与智能化水平,发挥工作面设备的最大效能。
在三维地质模型每一个切片截割过程中,三维地质模型指导了采煤机的滚筒截高和卧底等纵向的规划数据;在较为复杂的三角煤跟机工艺中,跟机工艺指导了采煤机的启停、方向、速度等横向的规划数据,如图14所示。为了保证工作面顺利的连续推进,并且在当前地质切片中实现对设备的精准控制,采煤机和支架之间的协同至关重要。
图14 全工作面协同工艺点
Fig.14 Working face collaborative process points
采煤机与支架的机架协同功能,基于三维地质模型顶底板数据以及预测切片的地质数据,采煤机可以基于地质数据进行自主割煤,支架可以自适应跟机。采煤机运行在自主割煤模式下,支架电液控系统运行为跟机模式,系统能够根据地质模型数据、采煤机机身数据、支架姿态以及跟机工艺数据,智能的判断工作面支架状态是否满足采煤机自主截割,何时进行下一阶段作业,并自动向电液控系统和煤机系统发出相应的工艺协调指令功能,精准的控制采煤机和每个支架动作,机架协同控制系统如图15所示。
图15 机架协同控制系统
Fig.15 Cooperative control system of shearer and hydraulic support
4.1.3 基于三维地质模型的自主截割
基于三维地质模型的自主截割主要根据工作面采煤机截割模板修正技术、工作面多源信息融合的采煤机智能调高控制技术展开工作,综合集成应用三维透明地质模型技术、采煤机滚筒测高技术以及煤岩界面顶底板数字化模型分析及建模方法技术,自主截割系统控制流程如图16所示。
图16 自主截割系统控制流程
Fig.16 Control flow of autonomous cutting system
自主割煤系统功能包括:优化三维地质模型主动请求切片、动态自优化的工作面精确三维地质模型功能、综采工作面设备绝对坐标系转换功能、采煤机滚筒智能调高功能。自主割煤系统部署后,可实现平均每天(多刀)、每刀截割下发操作一次,下发流程可人工操作,也可自动定时下发。其中主要模块由采煤机截割模板修正模块、采煤机智能调高控制模块2部分构成。
采煤机截割模板修正模块主要实现控制采煤机滚筒智能调高的截割模板请求功能。基于机械结构约束、开采工艺约束,三维场景碰撞引擎,优化计算截割模板和人工干预方法,自主截割的软件界面如图17所示。
图17 自主截割模板软件界面
Fig.17 Interface diagram of autonomous coal cutting template software
依据截割模板对采煤机滚筒割煤过程实时控制,实现采煤机智能调高控制。依据工作面地质探测数据,以及惯性导航、三维激光扫描数据,建立对工作面开采条件的预先感知模型[20-21]。采用工作面俯仰采阶变过程的平滑阶梯,多级调整控制策略。利用可见光视频监控图像相互融合的方法,实现对工作面顶、底板采高数据实时更新。平滑阶梯多级调整控制技术以工作面煤厚变化和地质条件变化的超前勘探信息为基础,建立工作面煤厚分布的特征函数,为截割轨迹调整提供基础参数。
截割高度控制器是采煤机截割轨迹预设的控制设备,负责控制采煤机截割高度的远程控制及就地控制,根据工作面煤厚变化带的三维信息进行控制。沿工作面倾向及走向的2个方向,随着工作面的推进,依据煤层煤厚变化分区域进行预设采高,截割高度控制器根据预设的截割高度实时调整采煤机滚筒高度,实现采煤机自动化截割。
煤厚变化带及俯仰采区域平滑阶梯多级调整控制自动化开采流程与正常回采类似,平滑阶梯多级调整控制割煤技术的实质为采高的实时调整。平滑阶梯多级调整控制预设截割轨迹技术实施过程中,采煤机截割高度随采煤机位置频繁变化,参照工作面预设采高的变化规律,工作面实际截割高度需要实时进行调节。
平滑阶梯多级调整控制截割实施过程中,通过参考采煤机行程传感器的反馈信息结合三维激光扫描(或人工写实预置)实时构建的模板数据,对采煤机前后滚筒进行自动化控制。平滑阶梯多级调整控制截割轨迹预设的信息基础为地质探测揭露的综采工作面煤层厚度数字化模型,实现自动化截割还需要辨别工作面煤层顶底板起伏特征,在煤层厚度与顶底板起伏特征信息完整的情况下,实施平滑阶梯多级调整控制预设截割轨迹的自动化开采。
如图18所示,控制系统界面(自主截割界面)可实现工作面顶底板三维界面展示,展示上刀工作面割煤后的顶板线位置、底板线位置,预测下刀截割顶板线位置、底板线位置,工作面相应位置滚筒高度调整量曲线。
图18 自主割煤实时控制
Fig.18 Real time control of autonomous coal cutting
综采工作面液压支架电液控制系统已历经半个多世纪的发展,目前智能化工作面主流的控制系统可分为2类:① 基于CAN总线链路的电液控制系统,如图19所示;② 基于以太网链路的网络型电液控制系统,如图20所示。后者较前者虽实现了电液控制系统与综采自动化系统的集成,视频数据直接接入控制器,系统配套与安装维护简化,但单网络可靠性仍存在不足,且由于带宽限制,无法实现高质量视频传输,系统实时性也有待提高。随着井下智能化要求提高,控制系统需要接入更多的感知设备,如传感器等,越来越多的有线链路占用了大量的井下空间资源。
图19 基于CAN总线链路的电液控制系统
Fig.19 Electro hydraulic Control Systembased on CAN bus link
图20 基于以太网链路的网络型电液控制系统
Fig.20 Network electrohydraulic control system based onethernet link
近年来,5G、大数据、云计算、机器人等新技术的出现为智能化开采提供了技术支撑,国家出台的各项政策也鼓励智能化开采行业的发展[22]。针对目前综采工作面智能开采面临的难题,利用当前先进的5G、Wi-Fi等无线通信技术,使控制系统融合有线无线网络,形成高可靠度的高带宽自愈网络,并且具备一定程度的视频分析运算能力,能够实现高质量的视频传输,满足智能控制及感知设备的无线接入,缓解井下空间压力,同时具有更高的人员定位精度,如图21所示。
图21 基于5G的智能型控制系统架构
Fig.21 Smart control system architecture based on 5G
随着全国各地煤矿智能化建设不断推进,5G等无线通信技术在井下得到了应用,综采工作面液压支架电液控制系统也进一步适应智能化无人开采技术的应用要求,向全面感知、实时互联、协同控制的目标发展,煤矿装备的控制系统的发展也将是高速、可靠、便捷和安全的。
煤矿智能化的快速发展,综采工作面开采系统复杂性持续增强,运维压力不断加大,为了解决开采有限空间内检修强度、安全性等问题,以“空间解耦”理念为基础的远距离智能配送技术发展迅速,对水基动力系统提出了更高的要求。
现阶段远距离智能供液存在远距离供液系统压力损失大,流量响应不及时、设备噪声振动大,功率密度和空间尺寸存在矛盾,工人工作环境友好度差、介质清洁度及乳化液质量浓度不稳定,影响设备寿命、远距离控制滞后、通讯不同步和信号延迟导致供液不及时,较高的能效损失等问题。为解决上述问题,笔者团队研制了煤矿高效能大流量远距离智能配送水基动力系统成套装备,下面从远距离输送稳压稳流控制技术、大流量高压力低振动水基动力技术、乳化液智能制配及循环周期全流程保障技术和远距离智能供液决策控制技术4方面进行介绍。
4.3.1 远距离输送稳压稳流控制技术
(1)多泵站并联多级卸荷压力控制技术。发明了多级电磁卸载装置。可以对不同流量和不同压力下的泵站压力脉动进行分级调节,通过智能控制策略与机械结构的配合,完成泵站系统的多级电磁卸载控制。提出了一种基于大流量并联泵站多级卸荷架构下的变频智能供液控制系统及方法,可以减少泵站供液压力脉动对卸荷阀的冲击、能够充分发挥变频器和变频电机的作用、对集成供液系统供液总压力实现集中控制,从而实现对集成供液系统的有效管理。
(2)长管路供液系统压力及流量动态补偿控制技术。可向全工作面提供35~45 MPa高压液,通过20~200 L/min小流量快速补液,对乳化液长管路输送后的压力损失进行补偿,为支架初撑力提供可靠保证。发明了大流量蓄能稳压装置。分析了蓄能装置对长管路供液系统的作用规律及影响效果,优化蓄能器配置方案,实现了削减系统压力、流量脉动,吸收压力冲击的最佳效果[23]。
(3)工作面回液背压治理技术。研究流量对液压支架降柱-移架-升柱动作执行阶段稳定性与快速性的影响,解决回液背压过大造成的工作面回液不畅问题及降柱速度慢的问题。开发了远距离供液参数计算分析软件,建立工作面支架全体执行机构的空间位置递推模型,研究管道位置和流量变动时的压力脉动规律及流体紊动特性,提出高压大流量长管路流体数值模拟计算方法[24]。
4.3.2 大流量高压力低振动水基动力技术
(1)参数驱动大流量低振柱塞泵多领域数字协同设计方法。提出了基于AMESim的关键参数多场激励耦合模型设计。提出了以低流量脉动为限制条件的设计流程。提出流量脉动是影响液力冲击的关键因素,首先提出并验证除柱塞数量、λ等因素,阀开启滞后也在一定程度影响流量稳定性。提出了基于FEA的关键参数迭代求解设计方法[25]。
(2)高能效紧凑型功率分流式传动技术。提出了高频往复高承载摩擦副减磨降摩手段,开发了高转速旋转组件搅拌损失能耗及流场规整技术及低热损耗润滑系统。
(3)通过建立一种基于阿道尔夫方程的泵阀启闭动态响应分析模型,并结合CFD技术数值模拟泵阀流场分布状态,提出一种大流量泵阀启闭响应特性、回流速度、压力损失3者综合作用的冲击振动预测方法[26],采用直线型过液流道结构,提高响应特性,优化通径比,降低了大流量泵阀的冲击振动和噪声[27]。
4.3.3 乳化液智能制配及循环周期全流程保障技术
(1)基于智能控制逻辑的井下高效水质净化系统。针对RO膜污染难题,建立基于CFD的膜浓差极化理论,提出颗粒物梯级预处理及RO防结垢技术[28],在产水水质远高于MT76标准的基础上,实现了RO膜清洗周期延长1倍以上。开发智能控制、精准执行、可靠检测等多元一体水处理控制工艺,实现乳化液配比自联动,智能运行、无人值守。
(2)基于模糊算法的乳化液配比及质量浓度矫正系统。攻克乳化液质量浓度模糊控制算法,采用负载敏感比例控制和变频伺服控制结合的方式,实现质量浓度实时动态平衡。试验研究了2种原理的质量浓度检测装置,优化了质量浓度检测方法,提升了系统可靠性及稳定性。开发了手机终端APP及数据采集上传系统,可在移动端监测乳化液质量浓度数据。
(3)低压液力自旋反冲洗旋杆及多级高效自动反冲技术。创新设计了0.5 MPa可液力自驱的反冲洗旋转喷杆,实现滤网内侧至外侧的周向反冲洗。旋转喷杆包含内部进液腔室和外部转套,可实现低摩擦自润滑快速旋转,攻克低压液流自旋喷射技术,解决低压反冲洗效率问问题。根据不同的液质特性、污染程度和自动化要求,创新多级过滤体系,实现针对工作面液质特征的定制化过滤和滤材高效反冲洗[29]。
4.3.4 远距离智能供液决策控制技术
(1)基于预测用液负载的供液关联决策技术。建立自动跟机模式液压支架压力流量解耦机理模型,提出“用液量实时计算+用液模型超前预测”复合控制方案,如图22所示(其中,yd为过去已知设定值;yr为参考轨迹输出值;ym为预测模型输出值;yp为校正预测值;u为控制量输入值;e为误差项;min J为最小滚动优化值),解决远距离用液量与供液量不及时匹配的控制难题。基于远距离终端负载反馈信号进行供液量超前调节,响应时间≤600 ms。
图22 MPC模型预测控制
Fig.22 MPC Model predictive control
(2)自适应高效能变流控制技术。提出实时自适应压力流量控制方案,采用全变频实时流量调节、变频与卸载柔性配合的控制方案,开发随压自动启停、阶梯压差联动等协同控制算法,解决供液端非自动协同及压力波动问题。有效降低卸载点数,卸载时间比≤0.45,实现高能效供液。
(3)远距离分布式时钟同步通讯系统[30]。针对远距离通讯带来的延迟问题,研制了通讯帧传输方向调节技术、返回时间差测量技术。实现了分布时钟的精确校准,同步时间精度≤1 μs。
国家能源集团神东公司榆家梁煤矿以43207中厚偏薄煤层工作面为示范工程点,以采煤生产时无人进入采煤机、刮板输送机及液压支架联合作业区,实现无人化采煤为目标,开展综采工作面智能无人开采工程示范攻关,在行业内率先实践了无人采煤作业工业应用。
在行业当前普遍采用的“工作面内自动控制 + 远程干预模式”的智能化开采技术基础上,提出新一代无人化智能采煤控制技术方法,以地面主控室部署的智能无人采煤一体化平台为核心,实现综采工作面生产控制调度决策,井下设备依据控制决策自动执行的“井上智能决策、井下自动执行、面内无人作业”的智能无人开采模式。
43207智能无人开采工作面以地面主控中心为核心,通过部署智能无人采煤一体化管控平台及面向人机交互需求的操控岛,实现“后端分析决策,前端交互操控”的应用模式。其中,一体化管控平台(后端)以实现生产数据汇总、分析、后台决策控制为主,配合深度融合综采生产工艺的采煤控制驱动引擎,实现采煤机、支架等煤机装备的主从调度,工作面采煤机、液压支架根据调度执行进行自动化作业。此外,操控软件(前端)根据业务需求进行人机交互方式定制化开发,实现设备运行监控、参数在线设置、故障提示预警、视频主动推动等人机操作交互,配置操作手柄、触控交互屏等设备最大程度提升远程操控便捷性,操作界面如图23所示。地面主控中心实现了对综采工作面生产工艺决策、设备集中监控,为改变工作面下井作业人员工作模式,减少工作面内跟机作业人员提供了重要技术支撑。
图23 截割煤曲线界面
Fig.23 Interface diagram of coal cutting curve
同时,为进一步保障地面主控中心对自动化生产过程的监控能力,提出并实践了增强可视化远程监控技术。通过部署多通道视频摄像仪、采煤机机载音视频一体化监控装置,实现综采工作面生产过程可“看到”、也可“听到”;配置巡检机器人实现代替工人对工作面自由巡查;应用图像识别系统对采煤机滚筒位置、工作面人员、煤流上游滚筒大块煤及机尾刮板输送机等多个场景开展智能监控,实现异常工况主动报警。增强可视化远程监控技术的应用支撑了地面主控中心人员远程监控及生产决策,为工作面智能无人开采常态化提供了技术保障,地面主控中心如图24所示。
图24 地面主控中心
Fig.24 Ground master control center
截至2022年10月,通过智能无人开采工作面建设将生产班下井人员由7人逐步减少至3人,且生产作业期间无人进入工作面中部区域,下井人员由生产作业岗变为固定点监控岗。
黄陵一矿地处陕西省黄陵县店头镇,隶属陕西陕煤黄陵矿业有限公司。黄陵一矿可采储量3.47亿t,其中厚度0.8~1.8 m煤层储量超过1.2亿t,占全矿井的35%左右。627工作面长度为261 m,推进长度为2 880 m,煤层厚度为1.7~3.0 m,平均厚度为2.5 m,工作面平均采高为2.5 m,倾角为1°~5°。工作面直接顶板为粉砂岩、泥岩、中粒砂岩,厚度4.8~9.8 m,平均6.6 m;基本顶为粉砂岩、细粒砂岩、中粒砂岩互层,厚度5.9~12.9 m,平均9.8 m;底板为泥岩及粉砂岩,厚度6.5~8.6 m,平均8.0 m,含少量植物化石碎屑。
黄陵一矿627工作面配置全国产成套智能装备,采用了“一网到底”的网络型控制系统、基于动态地质模型和动态信息融合的采煤机自主规划割煤技术、云台摄像机自动跟机视频技术以及基于一体化操作座椅的地面远控平台等关键技术,实现工作面1人巡视,采煤机自主规划截割,地面2人远程辅助控制的常态化生产。
(1)“一网到底”的网络型控制系统。使用最新研究的网络型电控系统,实现综采工作面“一网到底”,将液压支架纳入矿井工业以太网体系,通过工业以太网、现场工业总线实现工作面电控系统双总线多链路冗余的通讯控制,解决了电控系统通讯链路复杂、速率低、实时性不足的问题,提升了电控系统的通讯稳定性和控制可靠性,同时,基于SoftPLC的通用控制单元组态化开发平台,实现控制节点的图形化编程,为构建多信息融合的工作面自适应采煤奠定基础。
(2)基于动态地质模型及多信息融合的采煤机自主规划割煤。通过构建工作面高精度动态三维地质模型,建设智能开采中心和大数据中心,实现“精准地质建模-设备精确定位-多维度工艺规划-自主割煤-地质模型迭代修正”的闭环智能开采、采煤机远程自动化控制,数据建模、装备路径、启停和生产工艺规划,采煤机路径、支架跟机、煤流负荷协同控制功能以及采煤机滚筒高度可视化截割模板图形交互高级自动化功能,将以“可视化远程干预”为主的自动化开采升级为基于三维空间信息感知设备自适应控制的智能化自主规划割煤开采。
(3)云台摄像机视频自动跟机。基于第3方SDK驱动和智能跟机算法,开发云台摄像仪预置点和精确角度双视频跟机模式,实现工作面采煤机附近摄像头全部聚焦采煤机或滚筒,灵活配置适应多种场景,拓宽现场视频监控视野;通过视频画面视频流智能调度算法,去除刷新画面导致的黑屏延时和采煤机滚筒运行中的监控死角,提高跟机过程中的视频刷新速度。
(4)基于一体化操作座椅的地面远控平台。一体化操作座椅内部集成了微控制器、按键接口模块与5G通讯模块等硬件设备,实现采煤作业任务总体调度;外部合理布置了针对工作面云台摄像仪、采煤机、支架电控等操作集成的工业摇杆,实现采煤机滚筒精准调高、速度控制、方向转变、电机启停和支架的自由选架、单动控制、成组控制、参数修改、开关跟机等功能;搭配无极旋钮实现对于现场水平350°、垂直90°云台摄像仪画面的快速切换、云台旋转、窗口切换、角度偏移、跟机变焦等无死角监控;智能控制面板可自定义对工作面三机、泵站、支架、煤机等智能装备单机启停、联动启停、负载联控、智能协同控制等精准控制。
实现云台摄像机的便捷交互及快速切换。基于定制化摇杆设备,实现了“傻瓜化”的摄像头云台控制,便捷的人机交互通过一柄摇杆可以控制摄像头视频画面快速选择、摄像头的方向和变焦控制,实现工人随时可对整个工作面进行远程监控,达到了全工作面视频监控的全方位、无死角、全覆盖,如图25所示。
图25 云台摄像机摇杆控制
Fig.25 Control diagram of PTZ camera rocker
实现采煤机自主规划截割。黄陵一矿627工作面实现了基于动态地质模型及动心融合的采煤机全阶段工艺自主规划截割,顶底板规划曲线可视化拖拽调整,实时下发以及采煤机历史顶底板高度全记录,解决了规划截割人工修正模板便捷性问题;完成地面远程规划截割的数据分析以及截割模板功能开发部署,模拟规划截割20余刀,顶底板规划曲线与实际人工作业曲线对比,最佳匹配率达75%,最低匹配率33%。采煤机自主规划截割界面如图26所示。
图26 采煤机自主规划截割界面
Fig.26 Autonomous cutting interface of shearer
首次采用一体化远程操作座椅,实现了一体化操作对采煤机的前后滚筒、支架与集控设备进行多工位定点全监测、实时交互,通过座椅左侧摇杆支持对工作面云台摄像仪的云台调整与变倍操作,右侧摇杆支持采煤机就地控制,同时辅助按键支持多模式功能,并根据生产现场对设备的控制,建成了“三人位”的远程开采新模式,使地面远程开采岗位设置更灵活,设备操控与监控视角更合理,远程操控更舒适,协同开采更便捷,如图27所示。
图27 一体化远程操作座椅式远控平台
Fig.27 Integrated remote operation seat and remote control platform
一体化远程控制座椅的成功应用实现了工作面精准采煤的沉浸式操控,既丰富完善了地面开采的技术手段,操控等同于在工作面就地巡视,又提升了各岗位人员之间交流便捷性,真正实现持续常态化地面控制采煤。
(1)提出了“感知、传输、决策、执行、运维、监管”六维度智能开采控制系统基本架构,建立煤矿无人化智能开采控制系统理论,并在无人化智能开采实践中成功应用。
(2)基于上述无人机智能开采系统,提出无人化智能开采控制技术路线和系统方案,为煤矿智能化发展提供了合理技术路径和建设指南。
(3)提出机器视觉测量设备姿态的原理、场景建模、智能算法、双光谱热红外摄像及图像增强技术,助力井下设备、围岩、环境全面感知,在代人监控和巡查方面起到重要作用,集成先进图像和视频处理技术,并应用到多种传感器,有效解决复杂煤矿井下感知难题。
(4)针对无人化智能开采技术短板,在地质保障方面,构建精准三维地质模型,为采煤机自主决策提供参数;在开采工艺方面,依据三维地质模型设置采煤机割煤路线和滚筒自主调高,指导采煤机启停、方向、速度等参数;在设备控制执行层面,开发5G+网络型电液控制系统,实现工作面高速信息传输,满足视频调控需要;在高效动力系统和液压保障方面,降低泵站振动,实现远距离稳压稳流供液。
(5)在黄陵一矿和榆家梁煤矿持续进行无人化智能开采攻关,取得显著进展,检验了新产品、新技术,深化了创新路径的认识。随着不懈的技术创新和实践,工作面设备智能化水平将进一步提升、作业人员将进一步减少,实现无人化智能开采。
(6)无人化智能开采仍处于初级阶段,面临多种技术集成难、煤矿实际应用难等问题,应大力推动5G与人工智能(AI)区块链(Blockchain)、云计算(Cloud computing)、大数据(big Data)等新信息技术在无人化智能开采的应用,支撑建设高质量、高水平智能化煤矿。
[1] 王国法,范京道,徐亚军,等.煤炭智能化开采关键技术创新进展与展望[J].工矿自动化,2018,44(2):5-12.
WANG Guofa,FAN Jingdao,XU Yajun,et al.Innovation progress and prospect on key technologies of intelligent coal mining[J].Industry and Mine Automation,2018,44(2):5-12.
[2] 王国法.煤矿智能化最新技术进展与问题探讨[J].煤炭科学技术,2022,50(1):1-27.
WANG Guofa.New technological progress of coal mine intelligence and its problems[J].Coal Science and Technology,2022,50(1):1-27.
[3] 王国法,杜毅博,庞义辉.6S智能化煤矿的技术特征和要求[J].智能矿山,2022,3(1):2-13.
WANG Guofa,DU Yibo,PANG Yihui.Technical characteristics and requirements of 6S intelligent coal mine[J].Intelligent Mine,2022,3(1):2-13.
[4] 王国法,赵国瑞,胡亚辉.5G技术在煤矿智能化中的应用展望[J].煤炭学报,2020,45(1):16-23.
WANG Guofa,ZHAO Guorui,HU Yahui.Application prospect of 5G technology in coal mine intelligence[J].Journal of China Coal Society,2020,45(1):16-23.
[5] 黄曾华,王峰,张守祥.智能化采煤系统架构及关键技术研究[J].煤炭学报,2020,45(6):1959-1972.
HUANG Zenghua,WANG Feng,ZHANG Shouxiang.Research on the architecture and key technologies of intelligent coal mining system[J].Journal of China Coal Society,2020,45(6):1959-1972.
[6] 王国法.《智能化示范煤矿验收管理办法(试行)》——从编写组视角进行解读[J].智能矿山,2022,3(6):2-10.
WANG Guofa.Management measures for the acceptance of intelligent demonstration coal mines (trial) ——Interpretation from the perspective of the compilation team[J].Journal of Intelligent Mine,2022,3(6):2-10.
[7] 王国法.加快煤矿智能化建设推进煤炭行业高质量发展[J].中国煤炭,2021,47(1):2-10.
WANG Guofa.Accelerate the intelligent construction of coal mine and promote the high-quality development of the coal industry[J].China Coal,2021,47(1):2-10.
[8] 任怀伟,王国法,赵国瑞,等.智慧煤矿信息逻辑模型及开采系统决策控制方法[J].煤炭学报,2019,44(9):2923-2935.
REN Huaiwei,WANG Guofa,ZHAO Guorui,et al.Smart coal mine logic model and decision control method of mining system[J].Journal of China Coal Society,2019,44(9):2923-2935.
[9] 王国法,张铁岗,王成山,等.基于新一代信息技术的能源与矿业治理体系发展战略研究[J].中国工程科学,2022,24(1):176-189.
WANG Guofa,ZHANG Tiegang,WANG Chengshan,et al.Development of energy and mining governance system based on new-generation information technology[J].Strategic Study of CAE,2022,24(1):176-189.
[10] 杨挺,赵黎媛,王成山.人工智能在电力系统及综合能源系统中的应用综述[J].电力系统自动化,2019,43(1):2-14.
YANG Ting,ZHAO Liyuan,WANG Chengshan.Review on application of artificial intelligence in power system and integrated energy system[J].Automation of Electric Power Systems,2019,43(1):2-14.
[11] 李首滨.智能化开采研究进展与发展趋势[J].煤炭科学技术,2019,47(10):102-110.
LI Shoubin.Progress and development trend of intelligent mining technology[J].Coal Science and Technology,2019,47(10):102-110.
[12] 张保,张安思,梁国强,等.激光雷达室内定位技术研究及应用综述[J/OL].激光杂志:1-10[2022-12-22].http://kns.cnki.net/kcms/detail/50.1085.tn.20220928.1357.008.html.
ZHANG Bao,ZHANG Ansi,LIANG Guoqiang,et al.Research and application of lidar indoor positioning technology[J/OL].Laser Journal:1-10[2022-12-22].http://kns.cnki.net/kcms/detail/50.1085.tn.20220928.1357.008.html.
[13] 南柄飞,郭志杰,王凯,等.基于视觉显著性的煤矿井下关键目标对象实时感知研究[J].煤炭科学技术,2022,50(8):247-258.
NAN Bingfei,GUO Zhijie,WANG Kai,et al.Study on real-time perception of target ROI in underground coal mines based on visual saliency[J].Coal Science and Technology,2022,50(8):247-258.
[14] 向天烛,高熔溶,闫利,等.一种顾及区域特征差异的热红外与可见光图像多尺度融合方法[J].武汉大学学报,2017,42(7):911-917.
XIANG Tianshi,GAO Rongrong,YAN Li,et al.Region feature based multi-scale fusion method for thermal infrared and visible images[J].Geomatics and Information Science of Wuhan University,2017,42(7):911-917.
[15] 蔡泽平.面向无人车的多目融合感知研究[D].长沙:湖南大学,2014.
CAI Zeping.Multi-view perception for unmanned ground vehicles[D].Changsha:Hunan University,2014.
[16] ANDRIANI S,ZABOT A,CALVAGNO G,et al.3D-LUT optimization for high dynamic range andwide color gamut color processing[J/OL].Color Imaging XXVI,https://library.imaging.org/ei/articles/33/16/art00002.
[17] HE K,ZHANG X,REN S,et al.Deep residual learning for image recognition[J].2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2016:770-778.
[18] SALINAS R,JIMENEZ J,BOLIVAR E,et al.Mapping and localization from planar markers[J].Pattern Recognition,2018,73:158-171.
[19] 张旭辉,王冬曼,杨文娟.基于视觉测量的液压支架位姿检测方法[J].工矿自动化,2019,45(3):56-60.
ZHANG Xuhui,WANG Donman,YANG Wenjuan.Position detection method of hydraulic support based on vision measurement[J].Industry and Mine Automation,2019,45(3):56-60.
[20] 王铉彬,李星星,廖健驰,等.基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法[J].测绘学报,2022,51(8):1744-1756.
WANG Xuanbin,LI Xingxing,LIAO Jianchi,et al.Tightly-coupled stereo visual-inertial-LiDAR SALM based on graph optimization[J].Acta Geodaeticaet Cartographica Sinica,2022,51(8):1744-1756.
[21] 李森.基于惯性导航的工作面直线度测控与定位技术[J].煤炭科学技术,2019,47(8):169-174.
LI Sen.Measurement &control and localisation for fully-mechanized working face alignment based on inertial navigation[J].Coal Science and Technology,2019,47(8):169-174.
[22] 李森,王峰,刘帅,等.综采工作面巡检机器人关键技术研究[J].煤炭科学技术,2020,48(7):218-225.
LI Sen,WANG Feng,LIU Shuai,et al.Study on key technology of patrol robots for fully-mechanized mining face[J].Coal Science and Technology,2020,48(7):218-225.
[23] WAN Lirong,YU Zhengmiao,WANG Dalong,et al.Analysis of the influence of accumulator on the stability of liquid supply of emulsion pump station[C]//International Conference on Intelligent Equipment and Special Robots (ICIESR).Qingdao,2021.
[24] 周如林.综采工作面供液系统负载流阻理论分析及试验[J].工矿自动化,2019,45(4):30-34.
ZHOU Rulin.Theoretical analysis and test of load flow resistance of fluid supply system in fully mechanized mining face[J].Industry and Mine Automation,2019,45(4):30-34.
[25] 叶健.一种乳化液泵用润滑油泵的改进研制[J].矿山机械,2020,48(2):67-69.
YE Jian.Improvement of a lubricating oil pump used for emulsionpump[J].Mining &Processing Equipment,2020,48(2):67-69.
[26] LI Ran,WANG Dalong,WEI Wenshu,et al.Analysis of the movement characteristics of the pump valve of the mine emulsion pump based on the internet of things and cellular automata[J].Mobile Information Systems,2021,2021:1-8.
[27] 卢海承,韦文术,周如林,等.纯水液压系统在综采工作面应用中的关键技术研究[J].煤矿机械,2019,40(4):136-139.
LU Haicheng,WEI Wenshu,ZHOU Rulin,et al.Research on key technology of pure water hydraulic system in fully mechanized mining face[J].Coal Mine Machinery,2019,40(4):136-139.
[28] WEI Wenshu ,ZOU Xiang ,JI Xinxiang,et al.Analysis of concentration polarisation in full-size spiral wound reverse osmosis membranes using computational fluid dynamics[J].Membranes,2021,11(5):353.
[29] 李然.综采工作面智能供液技术及发展趋势[J].煤炭科学技术,2019,47(9):203-207.
LI Ran.Intelligent fluid supply technology in fully-mechanized coal mining face and its development trend[J].Coal Science and Technology,2019,47(9):203-207.
[30] 李然,刘波,王大龙,等.工作面智能供液技术创新进展及工程实践[J/OL].煤炭科学技术:1-9[2022-12-21].DOI:10.13199/j.cnki.cst.2021-0487.
LI Ran,LIU Bo,WANG Dalong,et al.Innovation progress and engineering practice of intelligent fluid supply technology in working face[J/OL].Coal Science and Technology:1-9[2022-12-21].DOI:10.13199/j.cnki.cst.2021-0487.