CN112926154A - 开采模型优化方法、系统、设备及可读存储介质 - Google Patents
开采模型优化方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112926154A CN112926154A CN202110201233.8A CN202110201233A CN112926154A CN 112926154 A CN112926154 A CN 112926154A CN 202110201233 A CN202110201233 A CN 202110201233A CN 112926154 A CN112926154 A CN 112926154A
- Authority
- CN
- China
- Prior art keywords
- mining
- model
- decision
- accurate
- working face
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 554
- 238000005457 optimization Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000003245 coal Substances 0.000 claims abstract description 149
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 9
- 230000036544 posture Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 230000001276 controlling effect Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
Abstract
本发明公开了一种开采模型优化方法、系统、设备及可读存储介质，包括建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；并导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；本发明利用大数据精准决策开采平台，对精准开采决策模型进行迭代优化，不断学习抽取工作面的推进逻辑，实现了对综采工作面数据信息的实时融合，降低了采煤工作面采煤机会的位置偏移，有效提高了采煤效率。
Description
技术领域
本发明属于煤炭开采技术领域，特别涉及一种开采模型优化方法、系统、设备及可读存储介质。
背景技术
目前，随着煤矿综采工作面智能化开采技术的发展，在综采工作面推进过程，往往基于地质模型建立开采模型；即采用对工作面建立三维地质模型，通过远程操控实现对工作面的快速准确开采。
传统的开采模型考虑因素较为片面，无法保证实时监测综采工作面数据信息，同时对于某些关键信息的融合较为简单，没有实现数据的精准融合，在采煤工作面采煤机会有位置偏移等故障，无法根据煤层地质结构变化，实时更新采煤设备的位置信息。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种开采模型优化方法、系统、设备及可读存储介质，以解决现有的开采模型无法保证实时监测综采工作面数据信息，对数据信息融合精度较低，易导致采煤工作面采煤机会存在位置偏移的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种开采模型优化方法，包括以下步骤：
步骤1、建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；
步骤2、将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；
步骤3、获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；
步骤4、将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；
步骤5、利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
进一步的，步骤1中，工作面开采控制模型为利用CT技术决策的透明地质模型。
进一步的，步骤1中，精准开采决策模型包括综采设备模型及工作面三维空间信息；其中，综采设备模型包括采煤机开采模型、液压支架开采模型及刮板运输机开采模型；采煤机开采模型包括采煤机的运行状态、姿态及采煤机在工作面的实际位置；液压支架开采模型包括液压支架的运行状态、姿态及液压支架在工作面的实际位置；刮板运输机开采模型包括刮板运输机的运行状态、姿态及刮板运输机在工作面的实际位置。
进一步的，步骤3中，通过设置在综采设备上的传感器获取，并利用工作面设备增强感知体系，对传感器数据进行融合处理，得到综采设备的实时开采数据。
进一步的，工作面设备增强感知体系包括工作面视频系统、雷达测量系统及惯导测量系统；其中，工作面视频系统用于获取采煤机的实时视频信息；雷达测量系统用于对综采设备安全感知和定位；惯导测量系统用于获取采煤机的推进信息，并生成刮板运输机的位置曲线。
进一步的，步骤4中，对精准开采决策模型进行迭代优化过程如下：
利用大数据精准决策开采平台对数据样本库进行决策分析，得到样本分析决策结果；
构建规划截割工艺模型，确定评价指标；
将样本分析决策结果输入至综采设备的规划截割工艺模型中，获取评价指标执行结果，并利用大数据决策中心对评价指标的执行结果进行决策，得到开采模型优化结果。
进一步的，评价指标包括开采效率及安全指标体系评定结果。
本发明还提供了一种开采模型优化系统，包括开采决策模型模块、控制转换模块、数据样本模块、迭代优化模块及执行模块；开采决策模型模块，用于建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；控制转换模块，用于将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；数据样本模块，用于获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；迭代优化模块，用于将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；执行模块，用于利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
本发明还提供了一种开采模型优化设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如下方法：
建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
本发明还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如下方法；
建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
与现有技术相比，本发明的有益效果为：
本发明提供了一种开采模型优化方法、系统、设备及可读存储介质，通过建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，获得精准开采决策模型，并利用精准开采决策模型控制综采设备运转；通过采集推进过程中综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用大数据精准决策开采平台，对精准开采决策模型进行迭代优化，不断学习抽取工作面的推进逻辑，实现了对综采工作面数据信息的实时融合，降低了采煤工作面采煤机会的位置偏移，有效提高了采煤效率。
本发明所述的开采模型优化方法及系统，工作面设备增强感知体系以煤矿综采工作面复杂环境实际开采业务流程为标准，对工作面支架、采煤机及刮板运输机等设备的真实反馈数据和动作建立混合感知模型；开采模型修正技术以透明地质工作面的条件为基础，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、故障情况及生产工艺调整；同时结合惯导和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；利用工作面设备增强感知体系和开采模型修正实现采煤机、支架及刮板运输机的传感器数据和惯导、雷达实时测量模型进行远程控制，通过远程操作采煤机在地质模型工艺下开采，实现了无人开采，有效提高了采煤效率。
附图说明
图1为实施例中所述的开采模型优化方法流程图；
图2为实施例中所述的开采模型优化方法中的采煤机控制影响因素；
图3为实施例中所述的开采模型优化方法中的液压支架控制影响因素；
图4为实施例中所述的开采模型优化方法中的刮板运输机控制影响因素。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种开采模型优化方法，包括以下步骤：
步骤1、建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；其中，工作面开采控制模型为利用CT技术决策的透明地质模型；精准开采决策模型包括综采设备模型及工作面三维空间信息；其中，综采设备模型包括采煤机开采模型、液压支架开采模型及刮板运输机开采模型；采煤机开采模型包括采煤机的运行状态、姿态及采煤机在工作面的实际位置；液压支架开采模型包括液压支架的运行状态、姿态及液压支架在工作面的实际位置；刮板运输机开采模型包括刮板运输机的运行状态、姿态及刮板运输机在工作面的实际位置。
步骤2、将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；
步骤3、获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；本发明中，通过设置在综采设备上的传感器获取，并利用工作面设备增强感知体系，对传感器数据进行融合处理，得到综采设备的实时开采数据。
其中，工作面设备增强感知体系包括工作面视频系统、雷达测量系统及惯导测量系统；其中，工作面视频系统用于获取采煤机的实时视频信息；雷达测量系统用于对综采设备安全感知和定位；惯导测量系统用于获取采煤机的推进信息，并生成刮板运输机的位置曲线。
步骤4、将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果。
本发明中，对精准开采决策模型进行迭代优化过程如下：
利用大数据精准决策开采平台对数据样本库进行决策分析，得到样本分析决策结果；
构建规划截割工艺模型，确定评价指标；其中，评价指标包括开采效率及安全指标体系评定结果；
将样本分析决策结果输入至综采设备的规划截割工艺模型中，获取评价指标执行结果，并利用大数据决策中心对评价指标的执行结果进行决策，得到开采模型优化结果。
步骤5、利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
本发明还提供了一种开采模型优化系统，包括开采决策模型模块、控制转换模块、数据样本模块、迭代优化模块及执行模块；开采决策模型模块，用于建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；控制转换模块，用于将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；数据样本模块，用于获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；迭代优化模块，用于将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；执行模块，用于利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
本发明还提供了一种开采模型优化设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如下方法：
建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述开采模型优化设备中的执行过程。例如，所述计算机程序可以被分割成开采决策模型模块、控制转换模块、数据样本模块、迭代优化模块及执行模块；各模块具体功能如下：开采决策模型模块，用于建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；控制转换模块，用于将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；数据样本模块，用于获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；迭代优化模块，用于将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；执行模块，用于利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
所述一种开采模型优化设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述开采模型优化设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，其仅仅是开采模型优化设备的示例，并不构成对开采模型优化设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述开采模型优化设备还可以包括输入输出设备、网络接入设备及总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述开采模型优化设备的控制中心，利用各种接口和线路连接整个开采模型优化设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述开采模型优化设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如下方法；
建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
所述开采模型优化设备集成的模块/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，可以存储在一个计算机可读取存储介质中。
基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，实现如下方法；
建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明提供的一种开采模型优化系统、设备及计算机可读存储介质中相关部分的说明可以参见本实施例所述的一种开采模型优化方法中对应部分的详细说明，在此不再赘述。
本发明所述的开采模型优化方法及系统，利用地质模型的开采数据模型，提取顶底板高度信息，结合雷达、惯导数据所实时反馈的采高卧底位置信息，同时结合开采数据，建立数据样本库，并根据综采设备姿态及辅助测量数据对透明地质模型进行优化修正，能够保证工作面采煤机的精准开采，实现对综采工作面的实时监测，保证综采工作面安全、高效开采。
实施例
如附图1-4所示，以下以某煤矿为例，本实施例提供一种开采模型优化方法及系统，综采设备受到工作面自然地质环境的影响，综采设备的开采模型为在三维地质环境复杂约束条件下建立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开采模型，通过大数据精准开采决策平台进行精准控制。
具体包括以下步骤：
步骤1、建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；其中，工作面开采控制模型为利用CT技术决策的透明地质模型；精准开采决策模型包括综采设备模型及工作面三维空间信息；其中，综采设备模型包括采煤机开采模型、液压支架开采模型及刮板运输机开采模型；采煤机开采模型包括采煤机的运行状态、姿态及采煤机在工作面的实际位置；液压支架开采模型包括液压支架的运行状态、姿态及液压支架在工作面的实际位置；刮板运输机开采模型包括刮板运输机的运行状态、姿态及刮板运输机在工作面的实际位置。
步骤2、将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；
步骤3、获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；本发明中，通过设置在综采设备上的传感器获取，并利用工作面设备增强感知体系，对传感器数据进行融合处理，得到综采设备的实时开采数据。
其中，工作面设备增强感知体系包括工作面视频系统、雷达测量系统及惯导测量系统；其中，工作面视频系统用于获取采煤机的实时视频信息；雷达测量系统用于对综采设备安全感知和定位；惯导测量系统用于获取采煤机的推进信息，并生成刮板运输机的位置曲线。
步骤4、将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果。
本发明中，对精准开采决策模型进行迭代优化过程如下：
利用大数据精准决策开采平台对数据样本库进行决策分析，得到样本分析决策结果；构建规划截割工艺模型，确定评价指标；其中，评价指标包括开采效率及安全指标体系评定结果；将样本分析决策结果输入至综采设备的规划截割工艺模型中，获取评价指标执行结果，并利用大数据决策中心对评价指标的执行结果进行决策，得到开采模型优化结果。
步骤5、利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
本实施例中，工作面开采控制模型为利用CT技术决策的透明地质模型；其中，根据地址模型CT技术决策的透明地质模型，首先完成地质模型网格化，通过沿两巷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，对综采设备的数据模型进行坐标转换。将航道钻孔的绝对坐标转换为透明地质模型的煤层采高和卧底，推进度及俯仰角度信息，建立综采设备的精准开采决策模型。
根据透明地质CT网格地质信息，生成工作面的三维地质模型，并将采煤机、液压支架及刮板运输机的三维模型，按照实际位置摆放至透明地质模型中，实现采煤机、液压支架及刮板运输机的三维可视化。
通过实时获取的设备开采数据，实现与透明地质模型交的互融合技术，通过对综采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、采煤机位置、速度和牵引方向，以及液压支架和刮板运输机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、液压支架及刮板运输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。
精准开采决策模型包括综采设备模型及工作面三维空间信息；其中，综采设备模型包括采煤机开采模型、液压支架开采模型及刮板运输机开采模型；采煤机开采模型包括采煤机的运行状态、姿态及采煤机在工作面的实际位置，其中，采煤机的运行状态包括采煤机的启停状态、电压、电流、左右截割和牵引电机温度、牵引方向及速度，采煤机的姿态包括左右滚筒采高或卧底量，采煤机在工作面的实际位置为采煤机在工作面的实际坐标；液压支架开采模型包括液压支架的运行状态、姿态及液压支架在工作面的实际位置，其中，液压支架的运行状态及姿态包括各支架压力值、各电磁阀动作状态、支架电液控制器主机与工作面控制系统状态，液压支架在工作面的实际位置为液压支架在工作面的实际坐标；刮板运输机开采模型包括刮板运输机的运行状态、姿态及刮板运输机在工作面的实际位置，其中，刮板运输机的运行状态及姿态包括刮板运输机的启停状态、
本实施例中，通过大数据精准决策开采平台的深度学习神经网络的混合算法及权重优化方法，计算得到精准开采决策模型；通过开采过程，融合集控所回传的井下综采设备开采数据，计算综采设备的实际井下位置、揭露的煤层厚度及实际采高和卧底信息，利用获取的综采设备的实际井下位置、揭露的煤层厚度及实际采高和卧底信息，转换建立综采设备的实时开采模型。
其中，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。
本实施例中，采煤机的开采模型数据包括截割电机的电流、电压及截割绝缘状态、牵引电机的电流、摇臂倾角、变频器温度及故障信息、变压器箱温度、采煤机的机身倾角、采煤机的相对位置、采煤机的绝对位置及采煤机的牵引速度。
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若干传感器；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、推移行程传感器及护帮接近传感器等。
本实施例中，液压支架的开采模型数据包括支架立柱压力、支架推移行程、支架护帮接近开关状态、传感器故障信息、支架控制器故障信息、人机界面故障信息、耦合器故障信息及通信故障信息。
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；本实施例中，刮板运输机的的开采模型数据包括减速器的油箱油位、油温、输入轴温度、输出轴温度及冷却水温度、牵引电机的绕组温度、轴承温度、冷却水温度及冷却水压力。
本实施例中，综采设备的数据及逻辑脚本设计过程如下：
采煤机数据驱动包括采煤机的姿态数据，包括采煤机的左右滚筒的运行状态、牵引速度、左右滚筒的高度及牵引方向，分别用于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。
液压支架动作数据驱动是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、伸收伸缩梁及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。
刮板运输机的控制数据驱动包括运输刮板机运行状态、弯曲度及俯仰角姿态等姿态感知和控制过程协同调整。
本实施例中，通过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。
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平台的决策结果精度和设备执行的控制精准度；矿用井下传感器受到环境影响，普遍存在测量精度不高问题；通过历史数据迭代训练，实时对传感器监测数据进行过滤、补偿、更新。
a1k1+b1k2+c1k3＝H1
a2k1+b2k2+c2k3＝H2
a3k1+b3k2+c3k3＝H3
其中，H1、H2及H3分别为已获取的三个不同传感器数据；k1、k2及k3分别为权重系数，H1为地质传感器对地质倾角的测量值，H2为惯性导航传感器对惯性导航倾角的测量值，H3为煤机传感器对煤机倾角的测量值；a1、b1及c1分别为三个不同地质传感器对地质倾角的测量值；a2、b2及c3分别为三个不同惯导传感器对惯性导航倾角的测量值；a3、b3及c3分别为三个不同煤机传感器对煤机倾角的测量值。
设计基于人工智能与设备姿态融合的复杂地质条件下综采工作面增强感知体系，以煤矿综采工作面复杂环境实际开采业务流程为标准，对液压支架、采煤机及刮板运输机等设备的真实反馈数据和动作建立混合感知模型，在实现顺槽和地面远程控制环境和功能的基础上，按照开采情况、设备姿态及轨迹等的增强可视化，并结合智能视频跟踪和惯导、雷达校准辅助控制、智能预警和联锁保护工作面设备的协同控制；其中关键技术为采煤机、支架、三机传感器数据和惯导、雷达实时测量模型进行远程控制，达到远程操作采煤机在地质模型工艺下开采。
本实施例中，综采工作面增强感知体系包括智能视觉系统、智能雷达测量系统及智能惯导测量系统；其中，智能视觉系统，根据工作面部署的视频系统，作为智能视频图像处理提供视觉数据基础，实现煤机视频根据获取的采煤机位置，智能识别并跟随采煤机视频自动追踪技术；智能雷达测量系统，工作面设计位置并安装部署雷达，按照工作面雷达发射四线垂直方向大角度，水平方向270°扫描的激光，此激光脉冲在到达工作面挡板和采煤机的摇臂上经过反射，过计算各个点反射光返回的时间和状态，计算工作面和摇臂的姿态信息，并进行数据融合计算和数字建模，基于视频技术对综采设备安全感知、定位的雷达测量系统辅助校准控制；智能惯导测量系统安装在采煤机上，由采煤机制造厂家提供安装位置、供电电源，预留机载无线基站安装位置、以及与找直系统的以太网通信接口；采用精度不低于1.0×10-3rad的惯性定位装置，实现精确到±50mm工作面对齐调直控制。通过采煤机推移行程数据、采煤机自身编码器、图像识别和惯性导航对数据同时进行校准，系统生成刮板运输机位置曲线。电液控制器执行控制平台发出的调直指令，通过精准推移，达到工作面调直的目的。
本实施例中，以基于透明地质工作面的条件为核心设计研发工作面开采模型，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及俯仰角度等内容。
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影响程度的大小列出影响推进过程影响精准控制的因素，如附图2-4所示；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。
研究规划截割工艺，建立开采效率和安全指标体系，根据开采效率和安全指标体系评定结果，训练规划截割工艺的参数组合，修正规划截割模型。
本实施例中，通过对比规划截割模型与执行结果的差值，实时反馈到大数据智能分析决策中心，利用执行效果评价体系和数据挖掘技术，对透明地质模型的CT切片数据精度、角度转换修正精度、工况导航位置精度、机械特性定差准确度及人工干预的学习修正准确度进行偏差原因分析，适时修正规划截割模型，修正后再次下发验证，直至偏差消失。
修正和更新算法：
1)历史数据：Y1＝{x1,y1,z1,h1,h2}
其中，x1为推进方向，y1为切眼方向，z1为采高方向，h1为采高，h2为卧底；
2)规划数据：Y2＝{x2,y2,z2,h3,h4}
其中，x2为推进方向，y2为切眼方向，z2为采高方向，h3为采高，h4为卧底；
3)数学表达式：
(左)h5＝h1-h3+b1(预期采高值)
其中，h5为预期采高值；b1为数据损失补偿值；
(右)h6＝h2-h4+b2(预期卧底值)
其中，h6为预期卧底值；b2为数据损失补偿值；
F(h)＝a×h+b
其中，F(h)为决策函数，a为经验参数调整倍数，b为补偿值。
4)模型评估策略包括训练集和测试集、损失函数和经验风险；训练误差和测试误差。在给定数据集的基础上，训练集用于训练模型，调节模型参数；测试集用于评估训练好的模型对于数据的预测性能评估。
训练误差是训练集上的错分样本比率，训练误差的表达式为：
其中，N是训练样本容量，y为理论模型，L为函数模型；假设
为学习模型，
为学习模型中具体对应样本的学习模型，xi为某一个样本容量；训练误差是学习模型关于训练数据集的平均损失：
测试误差是模型在测试集上的错分率，测试误差的表达式为：
其中，N′是测试样本容量；yi为第i个理论模型；测试误差是学习模型关于测试数据集的平均损失：
损失函数用来衡量模型预测的的误差大小，损失函数的表达式为：
L(Y,F(h))＝|Y-F(h)|
其中，F(h)为决策函数，h为输入参数，F(h)为预测结果，Y为真实结果；L(Y,F(h))为损失函数，F(h)和Y之间的偏差采用损失函数来度量预测偏差程度。
本实施例中，大数据精准决策开采平台包括大数据存储中心、数据仓库和大数据计算平台；其中，大数据存储中心，首先通过kafka流实时获取emqx传出的工况数据，spark解析分解数据按业务场景分别存库，数据聚合算法reducebykey，zipwithid,最后用sparksql按照数据库表对应字段存库；大数据计算平台首先读取mysql数据库的地质测量数据并对读取到的每条数据做id自增运算，通过一系列rdd,dataframe,datasate和tableview的算法映射聚合形成22道工艺数据存入但是不作为采煤机真正执行的数据而是计算平台获取历史工况数据作为机器学习样本数据，通过机器学习算法实现煤机执行曲线并将曲线输送至控制端执行；经此反复学习和训练，随着训练次数的增多执行准确率将逐步提高以代替人工干预过程。
本发明所述的开采模型优化方法、系统、设备及可读存储介质，通过建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，获得精准开采决策模型，并利用精准开采决策模型控制综采设备运转；通过采集推进过程中综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用大数据精准决策开采平台，对精准开采决策模型进行迭代优化，不断学习抽取工作面的推进逻辑，实现了对综采工作面数据信息的实时融合，降低了采煤工作面采煤机会的位置偏移，有效提高了采煤效率。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种开采模型优化方法，其特征在于，包括以下步骤：
步骤1、建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；
步骤2、将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；
步骤3、获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；
步骤4、将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；
步骤5、利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
2.根据权利要求1所述的一种开采模型优化方法，其特征在于，步骤1中，工作面开采控制模型为利用CT技术决策的透明地质模型。
3.根据权利要求1所述的一种开采模型优化方法，其特征在于，步骤1中，精准开采决策模型包括综采设备模型及工作面三维空间信息；其中，综采设备模型包括采煤机开采模型、液压支架开采模型及刮板运输机开采模型；采煤机开采模型包括采煤机的运行状态、姿态及采煤机在工作面的实际位置；液压支架开采模型包括液压支架的运行状态、姿态及液压支架在工作面的实际位置；刮板运输机开采模型包括刮板运输机的运行状态、姿态及刮板运输机在工作面的实际位置。
4.根据权利要求1所述的一种开采模型优化方法，其特征在于，步骤3中，通过设置在综采设备上的传感器获取，并利用工作面设备增强感知体系，对传感器数据进行融合处理，得到综采设备的实时开采数据。
5.根据权利要求4所述的一种开采模型优化方法，其特征在于，工作面设备增强感知体系包括工作面视频系统、雷达测量系统及惯导测量系统；其中，工作面视频系统用于获取采煤机的实时视频信息；雷达测量系统用于对综采设备安全感知和定位；惯导测量系统用于获取采煤机的推进信息，并生成刮板运输机的位置曲线。
6.根据权利要求1所述的一种开采模型优化方法，其特征在于，步骤4中，对精准开采决策模型进行迭代优化过程如下：
利用大数据精准决策开采平台对数据样本库进行决策分析，得到样本分析决策结果；
构建规划截割工艺模型，确定评价指标；
将样本分析决策结果输入至综采设备的规划截割工艺模型中，获取评价指标执行结果，并利用大数据决策中心对评价指标的执行结果进行决策，得到开采模型优化结果。
7.根据权利要求6所述的一种开采模型优化方法，其特征在于，评价指标包括开采效率及安全指标体系评定结果。
8.一种开采模型优化系统，其特征在于，包括开采决策模型模块、控制转换模块、数据样本模块、迭代优化模块及执行模块；
开采决策模型模块，用于建立工作面开采控制模型，利用大数据精准决策开采平台进行精准控制，得到精准开采决策模型；
控制转换模块，用于将精准开采决策模型导入井下精准控制系统，执行控制转换，获取综采设备的控制参数，控制综采设备运转；
数据样本模块，用于获取综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息，利用综采设备的实时开采数据、工作面顶底板高度信息、煤层采高和卧底信息建立数据样本库；
迭代优化模块，用于将数据样本库回传至大数据精准决策开采平台，对精准开采决策模型进行迭代优化，得到开采模型优化结果；
执行模块，用于利用开采模型优化结果，驱动综采设备对工作面煤层进程采掘。
9.一种开采模型优化设备，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201233.8A CN112926154B (zh) | 2021-02-23 | 2021-02-23 | 开采模型优化方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201233.8A CN112926154B (zh) | 2021-02-23 | 2021-02-23 | 开采模型优化方法、系统、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926154A true CN112926154A (zh) | 2021-06-08 |
| CN112926154B CN112926154B (zh) | 2024-02-02 |
Family
ID=76170473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110201233.8A Active CN112926154B (zh) | 2021-02-23 | 2021-02-23 | 开采模型优化方法、系统、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926154B (zh) |
Cited By (1)
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107905786A (zh) * | 2017-10-24 | 2018-04-13 | 北京天地玛珂电液控制系统有限公司 | 一种基于透明工作面的采煤方法和系统 |
| CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
| CN111223182A (zh) * | 2019-10-28 | 2020-06-02 | 北京天地玛珂电液控制系统有限公司 | 一种综采工作面数字化开采模型构建系统及方法 |
| 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
- 2021-02-23 CN CN202110201233.8A patent/CN112926154B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107905786A (zh) * | 2017-10-24 | 2018-04-13 | 北京天地玛珂电液控制系统有限公司 | 一种基于透明工作面的采煤方法和系统 |
| CN111223182A (zh) * | 2019-10-28 | 2020-06-02 | 北京天地玛珂电液控制系统有限公司 | 一种综采工作面数字化开采模型构建系统及方法 |
| CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
| 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 (1)
| Title |
|---|
| 毛明仓等: "基于透明地质大数据智能精准开采技术研究", 《煤炭科学技术》 * |
Cited By (2)
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926154B (zh) | 2024-02-02 |
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 | |
| US11085295B2 (en) | Tunnel boring robot and remote mobile terminal command system | |
| LU501938B1 (en) | Method and system for intelligent analysis of big data on unmanned mining in mine | |
| CN111622252B (zh) | 大型沉井施工全过程智能控制系统及控制方法 | |
| CN102854838B (zh) | 掘进机巷道自适应截割系统及自适应遥控方法 | |
| EP2446332B1 (en) | Determination of route for arranging automatic control of mobile mining machine | |
| 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 | |
| CN111723448A (zh) | 数字孪生智能综采工作面液压支架直线度监测方法 | |
| AU2016200785B1 (en) | Improved sensing for a mining machine and method | |
| CN111140231B (zh) | 面向综采装备时空运动学的煤层顶底板路径虚拟规划方法 | |
| 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 | |
| CN114254457A (zh) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 | |
| CN112906202B (zh) | 基于地理信息的开采方法和装置、存储介质及电子装置 | |
| CN114329936A (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 | |
| CN112926154B (zh) | 开采模型优化方法、系统、设备及可读存储介质 | |
| CN112832867A (zh) | 一种融合开采数据及地质信息的开采视频建模方法 | |
| CN114352300A (zh) | 一种数字化钻爆开挖系统和开挖方法 | |
| CN116776444A (zh) | 一种基于数字孪生的沉管隧道建造方法及系统 | |
| CN113160404B (zh) | 采煤机截割曲线规划方法、系统、设备及存储介质 | |
| CN117094056A (zh) | 一种城市地下环路数字孪生智能建造方法及系统 | |
| CN112949130A (zh) | 近地铁建筑的智能施工方法及其系统 | |
| CN116736809A (zh) | 基于环境压力感知的工作面设备的联动控制系统 | |
| CN113051756B (zh) | 一种虚实融合的采煤机记忆截割试验系统和方法 | |
| CN111287776B (zh) | 一种基于专家系统的群液压支架位置获得方法 |
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 |