CN112883559A - 基于大数据体系的规划截割方法和装置、存储介质及电子装置 - Google Patents
基于大数据体系的规划截割方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112883559A CN112883559A CN202110115830.9A CN202110115830A CN112883559A CN 112883559 A CN112883559 A CN 112883559A CN 202110115830 A CN202110115830 A CN 202110115830A CN 112883559 A CN112883559 A CN 112883559A
- Authority
- CN
- China
- Prior art keywords
- model
- coal
- cutting
- planning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000003245 coal Substances 0.000 claims abstract description 262
- 238000005065 mining Methods 0.000 claims abstract description 254
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 37
- 238000013499 data model Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000005553 drilling Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013515 script Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于大数据体系的规划截割方法和装置、存储介质及电子装置。截割方法包括以下步骤：获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。本发明通过大数据处理算法实现综采工作面各设备的预动作仿真，保证采煤机开采的安全高效。
Description
技术领域
本发明涉及采煤机技术领域，特别涉及一种基于大数据体系的规划截割方法和装置、存储介质及电子装置。
背景技术
矿井工作面现阶段采用煤炭截割方法为记忆截割技术，该方法在特定工作面通过人工控制采煤机完成第一次截割动作，并将该动作过程中参数进行统计存储，以保证采煤机在下次割煤过程中利用存储参数进行准确截割。
该技术适用于工作面环境变化不大情况下，若矿井工作面条件复杂则需要人工不停干预，以保证采煤机不断学习割煤方法，此时，该方法的应用效率较低。
发明内容
针对上述问题，本发明提供一种基于大数据体系的规划截割方法和装置、存储介质及电子装置。本发明通过大数据处理算法实现综采工作面各设备的预动作仿真，保证采煤机开采的安全高效。
为实现上述目的，本发明采取的技术方案为：
一种基于大数据体系的规划截割方法，包括以下步骤：
获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
作为本发明的进一步改进，深度学习神经网络计算数据转换的具体步骤为：
对地质模型网格化处理，通过沿着两巷的钻孔穿煤层的坐标作为绝对坐标基准点，并进行绝对坐标转换，对所有的设备数据模型进行坐标转换；
根据巷道钻孔的绝对坐标转换为CT模型的煤层信息建立各设备的规划截割模型。
作为本发明的进一步改进，地质模型构建方法如下：
由工作面煤层底板等高线图和煤厚等值线图，初步建立煤层空间起伏初始模型；
基于钻孔测量数据和采掘数据，采用克里金插值法修正煤层空间起伏初始模型；
在煤层空间模型的基础上采用相应的地质建模方法对异常地质构造进行建模显示，得到工作面地质模型；
其中，初步建立煤层空间起伏初始模型具体步骤为：
基于测井和采掘资料，修正速度模型，结合三维地震解释的煤层底板图，刷新煤层底板等高线；并结合巷道揭露的煤层底板标高及起伏形态优化煤层底板等高线局部细节；参考采掘资料，计算槽波地震勘探煤层厚度反演误差，并基于贝叶斯克里金插值理论，优化煤层厚度预测结果，由工作面煤层底板等高线图和煤厚等值线图，初步建立煤层空间起伏初始模型；
工作面地质模型给出方式包括：
①煤层顶底板空间点云数据，用于与采煤机进行交互，生成截割曲线；
②工作面煤层三维可视化显示，基于煤层起伏形态和构造解释成果，采用三维建模方法建立煤层三维可视化模型。
作为本发明的进一步改进，采煤机规划截割包括规划截割的调高方法、调速方法和控制方法；
调高方法是采用透明地质建模预先构建精细化顶底板数字高度模型，利用采煤机实时数据感知系统，监测采煤机位置和姿态，计算出滚筒当前截割边界点，并与顶底板数字高程模型进行叠置分析，最终确定滚筒高度调整值；得到的滚筒调整值下发至采煤机控制器进行存储并发出相应控制指令，从而实现采煤机滚筒高度的自动调整；
调速方法是根据透明地质模型融合大数据智能分析决策系统，规划得到的截割曲线，结合采煤机采煤工艺，预先设定不同工艺段的采煤机运行速度及折返点位置，并通过程序设定提前减速机制，控制采煤机在折返位置减速换向；
控制方法是通过建立的采煤工作面地质数据模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
作为本发明的进一步改进，规划截割模型包括：采煤机规划截割模型、液压支架规划截割模型、刮板输送机规划截割模型。
作为本发明的进一步改进，还包括规划截割模型修正步骤：
系统下发规划截割模型，综采设备按照规划内容进行精准截割，在综采设备过程中实时采集各项数据，通过对比规划内容与执行结果的差值，实时反馈至主系统进行规划内容的及时修正，至此完成一个操作进程；若规划曲线与执行曲线差值较大，重复上述操作；
修正方法为：在基于地质模型的开采数据模型基础上，提取顶底板高度，结合雷达、惯导数据所实时反馈的采高卧底位置，同时结合开采数据及辅助校准建立数据样本库；并根据设备姿态及辅助测量数据对透明地质模型进行优化修正。
作为本发明的进一步改进，还包括数字孪生的透明可视化模型与工作面精准控制的协同开采步骤：
根据真实的透明地质CT网格地质信息，生成工作面的地理模型，并将采煤机、支架设备三维模型，按照实际位置摆放至透明地质三维可视化中；通过实时获取的设备开采数据，实现与透明工作面三维可视化模型的交互融合，通过对综采工作面主要设备的实时数据采集和开采工艺脚本设计，直观地将透明地质工作面CT切片模型和采煤机位置、速度、牵引方向，以及全部支架的姿态动作信息展示出来，从而实现综采设备智能感知、设备定位及采煤过程中采煤机、支架、运输三机的协同开采及展示，实现数字孪生的透明可视化模型与工作面精准控制的协同开采。
一种基于大数据体系的规划截割系统，包括：
获取模块，获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
规划截割模型建立模块，通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
输出模块，通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述基于大数据体系的规划截割方法。
一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述基于大数据体系的规划截割方法。
与现有技术相比，本发明具有如下有益效果：
本发明技术基于大数据体系的规划截割方法，以大数据技术为背景，通过智能传感设备采集矿井综采工作面的各设备及地质信息数据并进行处理，按照统一数据格式将该信息分类存储于数据库中，采用大数据技术对这些关键数据信息进行处理并计算确定各设备继续动作路径，当采煤机需要割煤时，将仿真数据下发至各设备控制中心，保证各设备能够按照规划路径进行动作。之后重复上述动作，保证生产设备的安全高效运行。本发明技术与现有技术相比能够将大数据技术应用至煤炭开采行业中，通过大数据处理算法实现综采工作面各设备的预动作仿真，保证采煤机开采的安全高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于大数据体系的规划截割方法流程图；
图2为本发明地质模型构建方法流程图；
图3为基于地质模型的规划截割模型设计路线图；
图4为地质模型基准点绝对坐标定位图；
图5为地质模型基准点绝对坐标定位图；
图6为数据驱动工作面设备三维模型协同开采技术路线图；
图7为基于地质模型及设备增强感知的规划截割模型修正路线示意图；
图8为支架开采数据及校准算法模型图；
图9为采煤机开采数据及校准算法模型图；
图10为运输机开采数据及校准算法模型图；
图11规划截割调高技术路线图；
图12规划截割调速技术路线图；
图13规划启动设定界面图；
图14规划截割显示系统界面图；
图15实际截割曲线与规划截割曲线对比图；
图16一阶段规划截割干预率统计图；
图17二阶段规划截割干预率统计图；
图18二阶段规划截割规划曲线与实际截割曲线比对图；
图19三阶段规划截割人工干预统计图；
图20三阶段规划截割规划曲线与实际截割曲线比对图；
图21为本发明的基于大数据体系的规划截割系统框图。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。
下面将结合附图及具体的实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明的范围。
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示，一种基于大数据体系的规划截割方法，其特征在于，包括以下步骤：
获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
其中，深度学习神经网络计算数据转换的具体步骤为：
对地质模型网格化处理，通过沿着两巷的钻孔穿煤层的坐标作为绝对坐标基准点，并进行绝对坐标转换，对所有的设备数据模型进行坐标转换；
根据巷道钻孔的绝对坐标转换为CT模型的煤层信息建立各设备的规划截割模型。
本发明原理为基于大数据体系的规划截割方法，以大数据技术为背景，通过智能传感设备采集矿井综采工作面的各设备及地质信息数据并进行处理，按照统一数据格式将该信息分类存储于数据库中，采用大数据技术对这些关键数据信息进行处理并计算确定各设备继续动作路径，当采煤机需要割煤时，将仿真数据下发至各设备控制中心，保证各设备能够按照规划路径进行动作。之后重复上述动作，保证生产设备的安全高效运行。
如图2所示，地质模型构建方法如下：
由工作面煤层底板等高线图和煤厚等值线图，初步建立煤层空间起伏初始模型；
基于钻孔测量数据和采掘数据，采用克里金插值法修正煤层空间起伏初始模型；
在煤层空间模型的基础上采用相应的地质建模方法对异常地质构造进行建模显示，得到工作面地质模型。
其中，初步建立煤层空间起伏初始模型具体步骤为：
本发明按照地质及设备数据信息建立开采模型，在开采模型基础上利用大数据技术和机器学习技术实时训练、更新开采模型，保证煤机按照规划模型进行规划开采。此处运用大数据技术主要包括数据采集、数据融合和数据分析决策技术。具体包括以下步骤：
地质模型构建方法；
(1)基于测井和采掘资料，修正速度模型，结合三维地震解释的煤层底板等t0图，刷新煤层底板等高线。在此基础上，结合巷道揭露的煤层底板标高及起伏形态(倾角和倾向)优化煤层底板等高线局部细节。参考采掘资料，计算槽波地震勘探煤层厚度反演误差，并基于贝叶斯克里金插值理论，优化煤层厚度预测结果。由工作面煤层底板等高线图和煤厚等值线图，就可以初步建立煤层空间起伏初始模型。
(2)然后基于钻孔测量技术得到的工作面钻孔穿煤层顶底板空间位置数据、钻孔雷达探测得到的煤层顶底板数据和采掘数据，采用克里金插值技术修正上述煤层空间起伏初始模型。
(3)基于不同方法解释的工作面地质异常信息和巷道揭露的地质异常，综合分析异常类型及范围，在煤层空间模型的基础上采用相应的地质建模技术对异常地质构造进行建模显示，主要包括断层等。
(4)工作面地质模型给出方式包括两种：
①煤层顶底板空间点云数据，网格密度1m×1m，该数据可以用于与采煤机进行交互，生成截割曲线；
②工作面煤层三维可视化显示，基于煤层起伏形态和构造解释成果，采用三维建模技术，建立煤层三维可视化模型，用于生产管理。
开采模型建立：
根据巷道钻孔的绝对坐标转换为CT模型的煤层采高和卧底、推进度、俯仰角度等信息建立各设备的开采模型：
转换的关键设备开采模型主要参数及状态值为：
1)采煤机：启停状态、电压、电流、左右截割和牵引电机温度，牵引方向、速度，左右滚筒采高或卧底量，采煤机在工作面位置等。
2)支架电液控：各支架压力值、各电磁阀动作状态、主机与工作面控制系统状态等。
3)运输三机工况：运输机的启停状态、设备姿态、工作电流、工作电压。
还包括更新开采的步骤：
通过大数据平台的深度学习神经网络的混合算法以及权重优化技术，计算出精准的地质模型到开采模型的转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底。利用所计算出的数据转换建立采煤机、支架、三机的实时开采模型。
综采自动化系统受到工作面自然地质环境的影响，是一种在三维地质环境复杂约束条件下建立起来的工作面开采控制模型。基于地质模型顶底板数据、以及预先多刀切面的地质数据建立的规划截割模型，通过大数据精准开采决策平台进行精准控制。基于地质模型的规划截割模型设计路线如下图所示。
根据地质模型CT技术决策的地质模型，首先完成地质模型网格化，通过沿着两巷的钻孔穿煤层的坐标作为绝对坐标基准点，并进行绝对坐标转换，对所有的设备数据模型进行坐标转换，基准点绝对坐标定位如图4所示。
根据巷道钻孔的绝对坐标转换为CT模型的煤层采高和卧底、推进度、俯仰角度等信息建立各设备的规划截割模型，其中转换的关键设备规划截割模型主要参数及状态值可表述如下：
1)采煤机
启停状态、电压、电流、左右截割和牵引电机温度，牵引方向、速度，左右滚筒采高或卧底量，采煤机在工作面位置等。
2)支架电液控
各支架压力值、各电磁阀动作状态、主机与工作面控制系统状态等。
3)运输三机工况
运输机的启停状态、设备姿态、工作电流、工作电压。
通过大数据平台的深度学习神经网络的混合算法以及权重优化技术，计算出精准的地质模型到规划截割模型的转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底。利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型。
建立采煤机规划截割模型
基于地质模型实现对采煤机的工况监测和开采控制模型要求，需要在采煤机的合适位置安装传感器。多种传感器数据的获取，能够较为全面地反映采煤机当前的运行状态，为准确判定当前采煤机的运行状态提供基本信息。采煤机开采数据模型如表1所述。
表1 采煤机开采数据模型
建立液压支架规划截割模型
综采工作面单台液压支架以支架控制器为核心，在每个支架控制单元内配有控制阀组和相关传感器。单元控制器通过传感器获得支架的动作和状态信息，并通过控制阀组对支架动作进行控制。单元控制器之间通过网络实现互连，共同构成了一套完整的综采工作面电液控制系统。在液压支架上安装有红外信号接收装置，通过不断接收安装在采煤机上的红外发射装置所发射的红外信号来确定当前采煤机相对于液压支架的位置。除此之外，为了实现对支架运行状态和动作的实时监控，还根据需要在支架上安装其它类型的传感器，如立柱压力传感器、推移行程传感器、护帮接近传感器等。液压支架开采数据模型如表2所示。
表2 液压支架开采数据模型
刮板输送机规划截割模型建立
对刮板输送机的运行状态和姿态进行实时监控，以保证刮板输送机能够持续正常运行。刮板输送机数据模型如表3所示。
表3 刮板输送机数据模型
数据驱动工作面设备三维模型协同规划截割模型
根据真实的透明地质CT网格地质信息，生成工作面的地理模型，并将采煤机、支架等设备三维模型，按照实际位置摆放至透明地质三维可视化中。通过实时获取的设备开采数据，实现与透明工作面三维可视化模型的交互融合技术，通过对综采工作面主要设备的实时数据采集和开采工艺脚本设计，可以直观地将透明地质工作面CT切片模型和采煤机位置、速度、牵引方向，以及全部支架的姿态动作信息展示出来，从而实现综采设备智能感知、设备定位及采煤过程中采煤机、支架、运输三机的协同开采及展示功能，实现数字孪生的透明可视化模型与工作面精准控制的协同开采。三维模型协同开采技术路线如图5所示。
在三维模型协同开采中，关键的设备数据和逻辑脚本主要包括以下几点：
1)采煤机数据驱动
采煤机的左右滚筒的运行状态、牵引速度、左右滚筒的高度、牵引方向等是采煤过程和姿态数据。实现采煤机左右摇臂的上下摆动控制、左右滚筒的运行转动、采煤机根据煤机位置和牵引速度进行实时移动，实时驱动真实状态井下采煤机进行割煤工艺过程。
2)支架动作数据驱动
支架对采煤区域的姿态坐标定位转换，通过采集到的工作面液压支架数据来驱动三维模型支架的升柱、降柱、推溜、拉架、抬底、伸收侧护、伸收平衡、伸收伸缩梁、伸收护帮等进行相应动作，协同控制工艺脚本的设计可以对生产过程中支架是否动作到位和控制过程协同感知。
3)其他控制数据驱动
工作面的运输刮板机运行状态、弯曲度、俯仰角姿态等姿态感知和控制过程协同调整。
基于透明地质CT三维的模型、煤层结构网格化数据的坐标定位和转换，通过各设备实时开采数据，设计每个设备独立的开采三维模型和驱动脚本，在大数据逻辑处理模块内处理各个设备之间的关系。实现数据驱动的工作面三维模型的协同开采。
分析决策技术
在基于地质模型的开采数据模型基础上，提取顶底板高度，结合雷达、惯导数据所实时反馈的采高卧底位置，同时结合开采数据及辅助校准(惯导、雷达的精准测量系统)建立数据样本库。并根据设备姿态及辅助测量数据对透明地质模型进行优化修正。基于地质模型及设备增强感知的规划截割模型修正技术路线如图7所示。
工作面设备增强感知融合技术
传感器的校准
传感器作为工作面数据的主要采集器件，它的精确度直接影响系统中相关设备的运行状况，为了保证综采设备安全、高效完成开采任务，传感器的初始校准是非常重要的。常见传感器校准是通过给传感器添加标准被测量，然后调整传感器的某些部件或者软件参数，使得传感器的输出与被测量准确对应。
传感器的授信权重
矿用设备传感器由于环境受限造成多数传感器均存在测量精度不足问题，本项目中利用多传感器联合标定校准的思路进行传感器授信权重系数的训练，通过权重值的训练实现多传感器的相互校准。下面就举例说明采高传感器的校准原理：
h＝H*k+h1*k
其中h表示实际煤层厚度，H*k表示采煤机采高，h1*k表示支架测高传感器，权重分布可为50％，30％，20％。H和h1通过读取获得，实际高度h通过测量定期标定。
规划截割模型修正技术
研究过程以地质模型和开采工艺为基础建立的工作面规划截割模型，对融合后的地质及开采数据进行影响因素的分析，采集推进过程中各相关设备的运行状态、故障情况、生产工艺调整特别是运输机的直线度、俯仰角度等内容。系统下发规划截割模型，综采设备按照规划内容进行精准截割，在综采设备过程中实时采集各项数据，通过对比规划内容与执行结果的差值，实时反馈至主系统进行规划内容的及时修正，至此完成一个操作进程。若规划曲线与执行曲线差值较大，重复上述操作即可。其中规划截割模型由地质模型、角度换算、工况导航位置、机械特性定差、人工干预的学习差值、地质变化预测和周期来压预测组成。
由于综采工作面的设备种类繁多，主要综采设备由液压支架、采煤机、刮板输送机、转载机、破碎机、胶带输送机、组合开关、泵站等十几种类型、几百台数量组成。数据量巨大，因此研究综采工作面大数据的分类、筛选方法非常必要。
同时结合惯导、雷达的实际测量数据通过分析收集到的现场数据具体化工作面推进过程，不断学习抽取其中可能的工作面的推进逻辑，而且针对不同工作面依照程度的大小列出影响推进过程影响精准控制的因素。在此基础上建立工作面生产相关的精准校准决策分析结果。其中分析校准的算法因素主要包括以下几个方面：
1)支架开采及校准算法模型
由图8可知综采工作面支架开采数据及校准算法模型主要包括基本的支架信息和支架与其它关联设备的关系，其中基本支架信息由支架支护状态、支架姿态传感器、支架行程传感器和支架视频信息组成；关联设备主要是运输机、采煤机等。
2)采煤机开采及校准算法模型
由图9可知综采工作面采煤机开采数据及校准算法模型主要包括采煤机基本状态信息和关联设备关系。其中采煤机基本状态信息由采煤机运行状态、采煤机姿态传感器、采煤机编码器实际位移、采高、卧底值精准度和煤机视频信息组成；关联准备主要包括支架、运输机和工作面地质条件。
3)运输机开采及校准算法模型
由图10可知运输机开采数据及校准算法模型主要包括运输机基本状态信息和关联设备关系。其中运输机基本状态信息由平直度测量数据、运输机俯仰角度、运输机负载、运输机电机运行数据和运输机视频信息组成；关联设备主要包括支架和采煤机；支架与运输机的关系包括支架、运输机推移位置和运输机相对支架上串下移两点。
采煤机规划截割技术
1)功能要求
实现精准开采，采煤机需要具备以下基本功能：
(1)具备位姿监测定位功能：利用传感器，精确定位采煤机在工作面的位置，并检测采煤机在工作过程中的姿态信息。
(2)具备采高监测功能：利用倾角传感器和角度位移传感器冗余系统，进行精确采高监测，采高误差小于10mm。
(3)具备双向高速通讯功能：数据上传下达延时不超过100ms。
(4)具备远程控制功能：可通过精准控制中心和地面大数据分析决策平台对采煤机进行远程控制。
(5)具备规划截割功能：可参数化编程，根据大数据精准控制中心指令修改采煤机规划截割路径。可根据大数据精准控制平台速度要求进行调速。可根据大数据精准控制平台采高要求进行采高调整。
2)采煤机规划截割关键技术包括规划截割的调高技术、调速技术和控制技术。
1)基于规划截割的调高技术
利用透明地质建模预先构建精细化顶底板数字高程模型，利用采煤机实时数据感知系统，监测采煤机位置和姿态，计算出滚筒当前截割边界点，并与顶底板数字高程模型进行叠置分析，最终确定滚筒高度调整值。得到的滚筒调整值下发至采煤机控制器进行存储并发出相应控制指令，从而实现采煤机滚筒高度的自动调整。规划截割调高技术路线如图11所示。
2)基于规划截割的调速技术
根据透明地质模型融合大数据智能分析决策系统，规划得到的截割曲线，结合采煤机22道采煤工艺，预先设定不同工艺段的采煤机运行速度及折返点位置，并通过程序设定提前减速机制，控制采煤机在折返位置减速换向。因人为干扰或其他因素导致采煤机退出规划截割模式，再次进入规划截割模式后，采煤机程序通过速度比较自动调速至该工艺段设定速度，从而实现采煤机规划截割速度的自动调整。规划截割调速技术路线如图12所示。
3)采煤机规划截割控制
通过建立的采煤工作面地质数据模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
采煤机规划截割流程如下：
(1)采煤机在进行规划截割之前，首先需确认采煤机与精准控制中心是否通讯正常，以及采煤机与惯性导航系统是否通讯正常。
(2)规划截割曲线下发
采煤机与精准控制中心及采煤机与惯性导航系统通讯确认正常后，精准控制中心下发规划截割曲线至采煤机。
(3)规划截割启动
规划截割曲线下发完毕后，需要进行象限设定。如图13所示，为规划截割象限设定界面，通过精准控制中心在此界面，根据采煤机实际所处象限位置进行设定。象限设定结束后，即进入规划截割模式，采煤机按照规划方向运行。
(4)规划截割执行
在执行规划截割，在第1和第12象限中部割煤过程中，采煤机按照规划截割曲线运行，并自适应调整滚筒截割高度，以保证与规划截割曲线相吻合；当进入其余象限三角煤阶段运行时，采煤机接受精准控制中折返点位置命令，根据折返点位置进行规划减速、停机、反向等动作。执行过程可通过规划截割显示系统界面实时查看，如图14所示。
(5)规划截割退出
当运行结束后，可通过精准控制中心下发退出指令结束。
运行数据分析
1)模型精度分析
通过收集工作面开采7月17日调试的实际截割数据、地质规划数据、人工干预数据，得到图15。
从上图可以发现，规划数据与实际截割数据基本相符，能够实现规划数据对采煤机动作的指导。
2)效果分析
本项目工业试验所取得的效果主要分为三个阶段，各阶段应用效果见表4。
表4 工业试验进度表
(1)第一阶段采煤机运行轨迹数据分析
如图16所示，本阶段已经实现了中部规划截割，三角煤部分对存在问题进一步试验与优化。
(2)第二阶段采煤机运行轨迹数据分析
如图17所示，进入第二阶段后，采煤机能够完全按照规划曲线执行，并完全实现了三角煤部分的规划截割，三角煤部分规划截割耗时约1小时。
如图18所示，第二阶段实验中，规划曲线与实际截割曲线还存在一定差异，表明本阶段中规划曲线的准确性和采煤机执行的精准度还有待提高。
(3)第三阶段采煤机运行轨迹数据分析
如图19所示，实验进入第三阶段后，采煤机按照规划曲线完整执行规划截割工艺(含三角煤)，三角煤部分规划截割耗时30分钟，整刀规划截割耗时1小时左右。
如图20所示，第三阶段实验中，煤机的采高、卧底截割曲线和规划曲线已基本一致，说明规划截割模型训练成果显著。
本发明技术以采煤机实时数据感知系统为基准获取采煤机动作过程中相关数据，利用数据对采煤机运行方向、高度和速度等参数进行预设，使煤机按照预设参数完成工作面煤炭的准确开采。
如图3所示，本发明第二个目的是提供一种基于大数据体系的规划截割系统，包括：
获取模块，获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
规划截割模型建立模块，通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
输出模块，通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
本发明第三个目的是提供一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行所述的基于大数据体系的规划截割方法。
本发明第四个目的是提供一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述的基于大数据体系的规划截割方法。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于大数据体系的规划截割方法，其特征在于，包括以下步骤：
获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
2.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，深度学习神经网络计算数据转换的具体步骤为：
对地质模型网格化处理，通过沿着两巷的钻孔穿煤层的坐标作为绝对坐标基准点，并进行绝对坐标转换，对所有的设备数据模型进行坐标转换；
根据巷道钻孔的绝对坐标转换为CT模型的煤层信息建立各设备的规划截割模型。
3.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，地质模型构建方法如下：
由工作面煤层底板等高线图和煤厚等值线图，初步建立煤层空间起伏初始模型；
基于钻孔测量数据和采掘数据，采用克里金插值法修正煤层空间起伏初始模型；
在煤层空间模型的基础上采用相应的地质建模方法对异常地质构造进行建模显示，得到工作面地质模型；
其中，初步建立煤层空间起伏初始模型具体步骤为：
基于测井和采掘资料，修正速度模型，结合三维地震解释的煤层底板图，刷新煤层底板等高线；并结合巷道揭露的煤层底板标高及起伏形态优化煤层底板等高线局部细节；参考采掘资料，计算槽波地震勘探煤层厚度反演误差，并基于贝叶斯克里金插值理论，优化煤层厚度预测结果，由工作面煤层底板等高线图和煤厚等值线图，初步建立煤层空间起伏初始模型；
工作面地质模型给出方式包括：
①煤层顶底板空间点云数据，用于与采煤机进行交互，生成截割曲线；
②工作面煤层三维可视化显示，基于煤层起伏形态和构造解释成果，采用三维建模方法建立煤层三维可视化模型。
4.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，采煤机规划截割包括规划截割的调高方法、调速方法和控制方法；
调高方法是采用透明地质建模预先构建精细化顶底板数字高度模型，利用采煤机实时数据感知系统，监测采煤机位置和姿态，计算出滚筒当前截割边界点，并与顶底板数字高程模型进行叠置分析，最终确定滚筒高度调整值；得到的滚筒调整值下发至采煤机控制器进行存储并发出相应控制指令，从而实现采煤机滚筒高度的自动调整；
调速方法是根据透明地质模型融合大数据智能分析决策系统，规划得到的截割曲线，结合采煤机采煤工艺，预先设定不同工艺段的采煤机运行速度及折返点位置，并通过程序设定提前减速机制，控制采煤机在折返位置减速换向；
控制方法是通过建立的采煤工作面地质数据模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
5.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，规划截割模型包括：采煤机规划截割模型、液压支架规划截割模型、刮板输送机规划截割模型。
6.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，还包括规划截割模型修正步骤：
系统下发规划截割模型，综采设备按照规划内容进行精准截割，在综采设备过程中实时采集各项数据，通过对比规划内容与执行结果的差值，实时反馈至主系统进行规划内容的及时修正，至此完成一个操作进程；若规划曲线与执行曲线差值较大，重复上述操作；
修正方法为：在基于地质模型的开采数据模型基础上，提取顶底板高度，结合雷达、惯导数据所实时反馈的采高卧底位置，同时结合开采数据及辅助校准建立数据样本库；并根据设备姿态及辅助测量数据对透明地质模型进行优化修正。
7.根据权利要求1所述的一种基于大数据体系的规划截割方法，其特征在于，还包括数字孪生的透明可视化模型与工作面精准控制的协同开采步骤：
根据真实的透明地质CT网格地质信息，生成工作面的地理模型，并将采煤机、支架设备三维模型，按照实际位置摆放至透明地质三维可视化中；通过实时获取的设备开采数据，实现与透明工作面三维可视化模型的交互融合，通过对综采工作面主要设备的实时数据采集和开采工艺脚本设计，直观地将透明地质工作面CT切片模型和采煤机位置、速度、牵引方向，以及全部支架的姿态动作信息展示出来，从而实现综采设备智能感知、设备定位及采煤过程中采煤机、支架、运输三机的协同开采及展示，实现数字孪生的透明可视化模型与工作面精准控制的协同开采。
8.一种基于大数据体系的规划截割系统，其特征在于，包括：
获取模块，获取传感器设备采集矿井综采工作面的各设备及地质信息数据并建立地质模型；
规划截割模型建立模块，通过大数据的深度学习神经网络计算地质模型到规划截割模型的数据转换，同时融合集控所回传的井下设备姿态数据，计算采煤机实际井下位置、揭露的煤层厚度、实际采高卧底；利用所计算出的数据转换建立采煤机、支架、三机的实时规划截割模型；
输出模块，通过建立的规划截割模型，结合工作面多种传感器进行大数据决策分析，形成规划截割曲线，将规划截割曲线下发至采煤机控制系统，由采煤机控制系统根据规划截割曲线进行自动截割。
9.一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7任一项中所述的基于大数据体系的规划截割方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的基于大数据体系的规划截割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115830.9A CN112883559B (zh) | 2021-01-27 | 2021-01-27 | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115830.9A CN112883559B (zh) | 2021-01-27 | 2021-01-27 | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883559A true CN112883559A (zh) | 2021-06-01 |
| CN112883559B CN112883559B (zh) | 2024-03-26 |
Family
ID=76052995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110115830.9A Active CN112883559B (zh) | 2021-01-27 | 2021-01-27 | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883559B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420465A (zh) * | 2021-07-30 | 2021-09-21 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
| CN113431574A (zh) * | 2021-06-25 | 2021-09-24 | 桂林电子科技大学 | 一种采煤机低能耗高效开采参数优化方法及三维扫描装置 |
| CN113722979A (zh) * | 2021-07-30 | 2021-11-30 | 太原理工大学 | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 |
| CN113934154A (zh) * | 2021-09-16 | 2022-01-14 | 北京天玛智控科技股份有限公司 | 基于数字孪生技术的支架仿真方法 |
| CN114722039A (zh) * | 2022-03-09 | 2022-07-08 | 山东拓新电气有限公司 | 一种采煤机截割作业控制方法及装置 |
| CN115081866A (zh) * | 2022-06-16 | 2022-09-20 | 安徽理工大学 | 一种回采煤层介质状态区划方法、系统、设备和存储介质 |
| CN116291434A (zh) * | 2023-05-18 | 2023-06-23 | 煤炭科学研究总院有限公司 | 高精地质模型采煤截割导航方法和装置 |
| WO2023159913A1 (zh) * | 2022-02-25 | 2023-08-31 | 三一重型装备有限公司 | 掘进机的控制方法、装置、可读存储介质和掘进机 |
| CN117671160A (zh) * | 2024-01-30 | 2024-03-08 | 北京星天地信息科技有限公司 | 多源数据协同的煤层建模方法、装置、设备及存储介质 |
| CN118114844A (zh) * | 2024-04-23 | 2024-05-31 | 西安华创马科智能控制系统有限公司 | 采煤机截割轨迹规划方法和装置 |
| WO2024131607A1 (zh) * | 2022-12-20 | 2024-06-27 | 北京天玛智控科技股份有限公司 | 煤矿自动化工作面供液规划方法、装置、电子设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE29606084U1 (de) * | 1996-04-02 | 1996-06-20 | Alpine Westfalia Berg- und Tunneltechnik GmbH & Co., 44534 Lünen | Teilschnittmaschine |
| CN202788836U (zh) * | 2012-08-17 | 2013-03-13 | 湖南金塔机械制造有限公司 | 变频调速无链电牵引采煤机的截割部结构 |
| CN108252713A (zh) * | 2018-03-29 | 2018-07-06 | 西安煤矿机械有限公司 | 采煤机自动截割模式下的多段运行速度调节装置及方法 |
| CN109214076A (zh) * | 2018-08-28 | 2019-01-15 | 太原理工大学 | 一种支撑综采工作面地理环境及装备的虚拟规划方法 |
| CA3087877A1 (en) * | 2018-01-09 | 2019-07-18 | Technological Resources Pty. Limited | Mining system |
| CN111485880A (zh) * | 2020-04-14 | 2020-08-04 | 北京龙软科技股份有限公司 | 一种煤矿回采工作面智能开采预测截割线生成方法及装置 |
| CN112001982A (zh) * | 2020-09-04 | 2020-11-27 | 陕西陕煤黄陵矿业有限公司 | 基于煤层数字化模型ct剖切的采煤机智能截割方法及系统 |
-
2021
- 2021-01-27 CN CN202110115830.9A patent/CN112883559B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE29606084U1 (de) * | 1996-04-02 | 1996-06-20 | Alpine Westfalia Berg- und Tunneltechnik GmbH & Co., 44534 Lünen | Teilschnittmaschine |
| CN202788836U (zh) * | 2012-08-17 | 2013-03-13 | 湖南金塔机械制造有限公司 | 变频调速无链电牵引采煤机的截割部结构 |
| CA3087877A1 (en) * | 2018-01-09 | 2019-07-18 | Technological Resources Pty. Limited | Mining system |
| CN108252713A (zh) * | 2018-03-29 | 2018-07-06 | 西安煤矿机械有限公司 | 采煤机自动截割模式下的多段运行速度调节装置及方法 |
| CN109214076A (zh) * | 2018-08-28 | 2019-01-15 | 太原理工大学 | 一种支撑综采工作面地理环境及装备的虚拟规划方法 |
| CN111485880A (zh) * | 2020-04-14 | 2020-08-04 | 北京龙软科技股份有限公司 | 一种煤矿回采工作面智能开采预测截割线生成方法及装置 |
| CN112001982A (zh) * | 2020-09-04 | 2020-11-27 | 陕西陕煤黄陵矿业有限公司 | 基于煤层数字化模型ct剖切的采煤机智能截割方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 朱良嘉等: "采煤机记忆截割自动化控制工作原理", 《陕西煤炭》, vol. 39, no. 06, 31 December 2020 (2020-12-31), pages 100 - 103 * |
| 李旭: "机电自动化技术在煤矿掘进工作面中的应用研究", 《内蒙古煤炭经济》, no. 02, 30 January 2020 (2020-01-30), pages 55 * |
| 陈衡等: "一号煤矿微视频《带你看基于动态地质模型大数据融合迭代规划控制策略的智能开采技术》", Retrieved from the Internet <URL:http://www.hlkyt.com.cn/info/1234/30982.html> * |
| 高士岗等: "中薄煤层智能开采技术及其装备", 《煤炭学报》, vol. 45, no. 06, 30 June 2020 (2020-06-30), pages 1997 - 2001 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113431574A (zh) * | 2021-06-25 | 2021-09-24 | 桂林电子科技大学 | 一种采煤机低能耗高效开采参数优化方法及三维扫描装置 |
| CN113420465B (zh) * | 2021-07-30 | 2023-05-05 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
| CN113722979A (zh) * | 2021-07-30 | 2021-11-30 | 太原理工大学 | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 |
| CN113420465A (zh) * | 2021-07-30 | 2021-09-21 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
| CN113722979B (zh) * | 2021-07-30 | 2023-06-16 | 太原理工大学 | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 |
| CN113934154A (zh) * | 2021-09-16 | 2022-01-14 | 北京天玛智控科技股份有限公司 | 基于数字孪生技术的支架仿真方法 |
| WO2023159913A1 (zh) * | 2022-02-25 | 2023-08-31 | 三一重型装备有限公司 | 掘进机的控制方法、装置、可读存储介质和掘进机 |
| CN114722039A (zh) * | 2022-03-09 | 2022-07-08 | 山东拓新电气有限公司 | 一种采煤机截割作业控制方法及装置 |
| CN115081866B (zh) * | 2022-06-16 | 2023-04-14 | 安徽理工大学 | 一种回采煤层介质状态区划方法、系统、设备和存储介质 |
| CN115081866A (zh) * | 2022-06-16 | 2022-09-20 | 安徽理工大学 | 一种回采煤层介质状态区划方法、系统、设备和存储介质 |
| WO2024131607A1 (zh) * | 2022-12-20 | 2024-06-27 | 北京天玛智控科技股份有限公司 | 煤矿自动化工作面供液规划方法、装置、电子设备及介质 |
| CN116291434A (zh) * | 2023-05-18 | 2023-06-23 | 煤炭科学研究总院有限公司 | 高精地质模型采煤截割导航方法和装置 |
| CN116291434B (zh) * | 2023-05-18 | 2023-08-18 | 煤炭科学研究总院有限公司 | 高精地质模型采煤截割导航方法和装置 |
| CN117671160A (zh) * | 2024-01-30 | 2024-03-08 | 北京星天地信息科技有限公司 | 多源数据协同的煤层建模方法、装置、设备及存储介质 |
| CN117671160B (zh) * | 2024-01-30 | 2024-04-23 | 北京星天地信息科技有限公司 | 多源数据协同的煤层建模方法、装置、设备及存储介质 |
| CN118114844A (zh) * | 2024-04-23 | 2024-05-31 | 西安华创马科智能控制系统有限公司 | 采煤机截割轨迹规划方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883559B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883559B (zh) | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 | |
| WO2021184614A1 (zh) | 一种用于复杂条件工作面的综采装备智能决策控制方法及系统 | |
| CN113379909B (zh) | 一种透明工作面智能开采大数据分析决策方法和系统 | |
| CN109356608B (zh) | 一种掘进机、系统及方法 | |
| CN109469484B (zh) | 基于上位机规划的自动化采煤方法 | |
| CN102797462B (zh) | 一种采煤机自动截割控制系统及自动截割控制方法 | |
| CN109630110A (zh) | 一种综采工作面煤层厚度自适应截割控制方法及电子设备 | |
| CN113128109B (zh) | 一种面向智能化综采机器人生产系统的测试与评估方法 | |
| CN106407624B (zh) | 一种虚拟采煤机记忆截割方法 | |
| CN109214076B (zh) | 一种支撑综采工作面地理环境及装备的虚拟规划方法 | |
| CN114329936B (zh) | 基于多智能体深度强化学习的虚拟综采生产系统推演方法 | |
| CN107905786A (zh) | 一种基于透明工作面的采煤方法和系统 | |
| CN106194181A (zh) | 基于地质数据的智能化工作面煤岩界面识别方法 | |
| CN202731919U (zh) | 一种采煤机自动截割控制系统 | |
| CN114004103B (zh) | 可支撑数字孪生综采工作面基础研究的协同运行试验平台 | |
| CN112001982A (zh) | 基于煤层数字化模型ct剖切的采煤机智能截割方法及系统 | |
| CN106089201A (zh) | 一种用于无人化采煤工作面的截割路径规划方法 | |
| CN111445170A (zh) | 一种无人碾压机群自主作业系统及方法 | |
| CN101952547A (zh) | 在地下煤矿开采的长壁式开采作业中自动建立确定的工作面开口的方法 | |
| CN116736809A (zh) | 基于环境压力感知的工作面设备的联动控制系统 | |
| CN110836824A (zh) | 基于液压缸压力信号识别岩石硬度的方法及其识别平台 | |
| CN113236249A (zh) | 一种融合地质基线的自适应截割方法 | |
| CN112926154B (zh) | 开采模型优化方法、系统、设备及可读存储介质 | |
| CN113051756B (zh) | 一种虚实融合的采煤机记忆截割试验系统和方法 | |
| CN114091233B (zh) | 综采工作面采煤机自适应跟随煤层截割路径优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |