CN114622912A - 一种采煤机智能控制装置及其控制方法 - Google Patents
一种采煤机智能控制装置及其控制方法 Download PDFInfo
- Publication number
- CN114622912A CN114622912A CN202210264732.6A CN202210264732A CN114622912A CN 114622912 A CN114622912 A CN 114622912A CN 202210264732 A CN202210264732 A CN 202210264732A CN 114622912 A CN114622912 A CN 114622912A
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- mining machine
- coal mining
- strategy
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 208
- 238000005065 mining Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000002093 peripheral effect Effects 0.000 claims abstract description 4
- 230000002441 reversible effect Effects 0.000 claims abstract description 3
- 239000011435 rock Substances 0.000 claims description 104
- 239000000523 sample Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 24
- 230000015556 catabolic process Effects 0.000 claims description 21
- 238000006731 degradation reaction Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
- E21C35/24—Remote control specially adapted for machines for slitting or completely freeing the mineral
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种采煤机智能控制装置，包括主板、显示器、控制面板、决策控制器和逻辑控制器，显示器、控制面板、决策控制器和逻辑控制器均与主板连接，采煤机通过决策控制器发出指令，通过逻辑控制器执行煤机劣化监测模块、安全执行决策模块、模式控制模块和煤岩识别模块，完成智能采煤作业；本发明的控制方法包括步骤：S1，构建智能决策模型；S2，智能控制装置上电启动，读取上一次停止作业时的状态参数，同时检查外围配件的通讯状态；S3，采煤机实时读取机载传感器信息，按照既定策略完成截割任务；S4，当到达端头/尾时采煤机反向牵引截割，循环进行步骤S3。本发明能够实现采煤机重要动作的智能化，实现合理化的割煤策略。
Description
技术领域
本发明涉及采煤机，尤其涉及一种采煤机智能控制装置及其控制方法。
背景技术
在当前“双碳”背景下煤炭产能降低，逐渐清退低产能矿区，但短期煤炭仍是保证能源安全的主要选择，为确保大型矿区对煤炭的稳定供应需要进一步实现工作面的智能化，综采工作面的“少人化”或“无人化”成为煤矿安全、高效生产的关键。在综采工作面中，采煤机、液压支架和刮板输送机需要配合工作，采煤机直接作用于煤岩，刮板输送机与液压支架服务于采煤机实现装煤与支护，所以采煤机是最关键的机电装备，采煤机底板截割轨迹决定刮板输送机的姿态，顶板截割轨迹决定了液压支架的支护空间，运行轨迹反映了刮板输送机的推移直线度，因此采煤机的智能化程度直接影响整个综采工作面的安全生产。有必要对采煤机的智能控制技术进行研究，减少现场作业人员，为综采工作面的安全高效生产提供技术保障，同时还能避免采煤机长时间处于异常状态而导致设备出现故障，从而大大提高采煤机的可靠性，保证采煤机发挥最大的工作能力。
发明内容
发明目的：本发明的目的是提供一种适应不同工作面、实现无人自动开采的采煤机智能控制装置及其控制方法。
技术方案：本发明的一种采煤机智能控制装置，包括主板、显示器、控制面板、决策控制器和逻辑控制器，显示器、控制面板、决策控制器和逻辑控制器均与主板连接，采煤机通过决策控制器发出指令，通过逻辑控制器执行煤机劣化监测模块、安全执行决策模块、模式控制模块和煤岩识别模块，完成智能采煤作业；显示器实时显示采煤机的主要作业信息，控制面板通过按钮对采煤机进行人为干预；
所述采煤机劣化监测模块通过读取采煤机机身上各个关键位置处传感器信息进行多传感器的信息融合，寻求部件衰减的不同阶段；
所述安全执行决策模块判断当执行器碰到劣化、故障、外界干扰时是否能够按预定轨迹执行；
所述模式控制模块通过对少量人员操作、截割轨迹历史数据进一步训练模型，构建可生成的控制策略，同时建立生成式对抗网络，构建煤层场景在虚拟场景上实现虚拟人为干预的操作；
所述煤岩识别模块通过近红外光扫描煤岩界面，通过自适应扫描策略获取煤岩光谱，判断区域内的煤岩种类与岩石占比，最终判断出煤岩界线。
本发明的控制方法，包括步骤如下：
S1，构建智能决策模型，实现过程包括：
构建劣化监测模型：智能控制器收集历史机身传感器数据，分布式卡尔曼共识滤波器对传感器数据进行滤波和将相似传感器数据进行融合；
获取安全执行策略：智能控制器在评估系统剩余能力时，以执行策略分别输入执行器模型与执行器实物，输出理论与实际IO信号，比较输出理论与实际IO信号的差异，根据差异情况，修正执行策略或重新获取执行策略；
构建光谱煤岩识别策略：根据采煤机牵引速度利用扫描角度和牵引速度之间的关系构建自适应扫描策略，以适应煤岩识别装置；煤岩识别装置根据煤岩类别和当前探测区域岩石占得到煤岩信息；
构建模式控制模块：根据综采工作面三机配套设备的环境参数、尺寸参数、历史截割数据所形成的历史运行参数数据库中获取的数据，构建基于环境参数与尺寸参数的截割空间约束与理想截割目标，形成可用于强化学习(RL)智能体生成执行奖励的规则；
S2，智能控制装置上电启动，读取上一次停止作业时的状态参数，同时检查外围配件的通讯状态；
S3,在采煤机开始牵引时，同时进行实时读取机载传感器数据输入劣化模型给出劣化状态、将采煤过程中人为控制调整的信息传入强化学习模型以实时修正模式控制模型、采用光谱技术扫描煤岩界面通过不同点煤岩种类与岩石占比计算出煤岩界线高度位置、将模式控制模型给出的截割策略与劣化状态进行比对判断以当前剩余能力是否按照既定策略完成截割任务；
S4，当到达端头/尾时采煤机反向牵引截割，循环进行步骤S3。
进一步，所述步骤S1中，所述机身传感器数据，包括摇臂高速轴温度、摇臂低速轴温度、摇臂旋转编码器、冷却水流量、油温油压、截割电流。
进一步，所述步骤S1中，在获取执行策略的过程中：
当差异较小时，不对信号进行调整而让执行器继续执行当前策略；
当差异量较大时，以理论信号、实际信号、历史信号为数据传输给双向循环神经网络模型；双向循环神经网络模型允许存在前后状态时预估中间状态，对执行器模型进行重构，随后对重构后的执行器进行性能约束分析，决断此前状态对信号进行修正或重新获取执行策略。
进一步，所述步骤S1中，所述自适应扫描策略采用双探头扫描，双探头在靠近顶板的煤壁上逐点上下扫描，获取煤岩点的光谱曲线；双探头照射点在煤壁上纵向排列，第一探测区域在上、第二探测区域在下，第一探测区域定时向上微动判断煤岩类别和岩石占比，第二探测区域定时向下微动判断煤岩类别和岩石占比；
当第一探测区域和第二探测区域同时满足第一区域内岩石占比提升与第二区域内下降时，说明界线在两个探头区域之间，可根据岩石占比准确判断界线距离中心探照点的距离，让两探头保持当前角度不变，结合煤机尺寸与定位即可计算出煤岩界线在绝对空间中的坐标；
当不满足第一区域内岩石占比提升与第二区域内下降时，说明煤岩界线出现了移动，无论煤岩界线向上还是向下变化都会有一个探头的岩石占比迅速上升，即可迅速判断出煤岩界线的走向，降低采煤机速度，提高探头扫描速度，迅速使两个探头回归到中间夹界线的位置；恢复采煤机速度，重复进行微动扫描。
进一步，对光谱的识别采用定性与定量的识别方法，定性判断类别是对光谱曲线进行空间化处理，截选出包含特征波段的光谱曲线，对光谱曲线执行空间平移、旋转的操作，将空间化的曲线相互融合进行信息交叉构建多通道“光谱图”，将构建的“光谱图”输入训练好的卷积神经网络模型识别煤岩类别；定量识别采用从原始光谱曲线上提取人为构建的特征：吸收谷深度、斜率、积分面积、吸收谷角度，并筛选最佳的特征进行标准化，输入偏最小二乘模型，输出当前探测区域岩石占比。
进一步，所述步骤S1中，所述执行奖励的规则，以滚筒距离煤岩界线距离与沿工作面设定长度内煤层开采效率为奖励，以煤层截割为状态变化构建两个生成对抗网络：其中一个基于历史截割数据与煤层信息形成可用于生成的多种煤层场景；另一个以虚构煤层场景与智能体执行策略输入生成器，最终生成执行动作之后的煤层状态，将强化学习的模型部署于智能控制器上输出执行策略，同时还将改变煤层的生成强化网络部署于控制器内，在不需要向外输出执行策略时，实现动态平行作业。
进一步，所述步骤S2中，若存在通讯异常则停止启动，在界面显示错误代码；若整机各组件通讯正常则启动泵站、读取采煤机所有机载传感器信息，检查传感器信息是否超出阈值而引起危险；若存在电流过大的较大故障则强制断电停机；若存在喷雾水流量不足的小故障时在界面提示故障代码，等待人员处理，直到无故障下启动破碎臂、挡煤板准备开始采煤。
进一步，所述步骤S3中，若能按照既定策略完成截割任务则只重新调整信号输出；若不能则将当前状况回传给模式控制模型，根据当前状况重新给出更优的截割策略重新执行。
本发明与现有技术相比，其显著效果如下：
1、利用本装置能够实现采煤机重要动作的智能化，包括衡量采煤机部件的劣化阶段以消除部件失效后再维修的滞后性、安全稳定的使采煤机执行给定策略避免发出命令而执行不到位的情况、快速高效的获取煤岩界线以降低截齿损伤、基于环境与设备属性的自学习网络实现合理化的割煤策略；
2、该装置使得煤层环境与采煤机自身状态数据的高度融合，以对现有采煤机极少的硬件扩展实现了复杂综放工作面的采煤机智能化；
3、利用光谱技术结合采煤机自身传感器即可实现智能控制，对不同工作面适应性更强，能有效地进行推广应用；
4、本发明的智能控制装置内部多模块之间协同配合，能够相互提供数据的同时相互验证，提高了数据的可信度；
5、本发明的智能控制装置结构简单、可靠实用，能够真正实现无人自动放开采，有效降低开采环境对操作人员的健康损害。
附图说明
图1为本发明的智能控制装置总示意图；
图2为本发明智能控制装置部件连接图
图3为本发明的各模块关系示意图；
图4为劣化阶段评估控制流程图；
图5为剩余能力评估模块控制流程图；
图6为煤岩识别模块控制流程图；
图7为模式学习模块控制流程图；
图8为本发明的智能控制装置执行流程总示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
如图1所示，本发明的智能控制装置包括主板、显示器、控制面板、决策控制器和逻辑控制器，显示器、控制面板、决策控制器和逻辑控制器均与主板连接，。本发明的智能控制装置能实现不同需求任务在不同核上同时处理；由低频ARM核负责完成采煤机逻辑控制任务并负责所有资源的管理调度，由高频ARM核对智能决策任务进行加速并在完成后向逻辑控制部分输出策略，以此满足近实时的智能策略输出的硬件需求。逻辑控制器通过交互按钮和IO口实现对采煤机的自动化控制，发出对采煤机各部分的控制指令，并与决策控制器进行信息交流。机载传感器可实时采集采煤机状态参量，获取采煤机自身状态变化与环境变化；ADIO口(模拟量和数字量的输入输出口)可实现控制指令向执行动作的转化；显示器可实时显示当前采煤机的主要信息；控制面板可通过按钮在采煤机旁对采煤机进行人为干预。具体连接如图2所示，通过在装有高频与低频ARM核CPU的主板上用PCIe连接数字量IO芯片与模拟量IO芯片实现数据采集，通过串口通信用RS232连接控制面板，通过网口通信用RJ45进行外部通信，通过显示接口用HDMI连接显示器。
决策控制器完成对采煤机各组件的智能决策，逻辑控制器是智能决策后实现采煤机控制动作的部分。决策控制器可实现包括采煤机劣化监测模块、安全执行决策模块、模式控制模块以及煤岩识别模块这4个模块的功能，各模块关系如图3所示，由模式控制模块以煤岩识别模块中传递的煤岩界线信息为参考，结合历史截割信息发出执行器的执行路径，安全执行模块综合由劣化监测模块发来的部件当前执行能力和实际需要的执行路径判断应该如何执行，最终将执行结果反馈给模式控制模块以持续优化模式控制模块。
采煤机劣化监测模块通过读取采煤机机身上各个关键位置处传感器信息进行多传感器融合，寻求部件衰减的不同阶段；安全执行决策模块判断当执行器碰到劣化、故障、外界干扰时是否能够按预定轨迹执行，如果可以则重新分配输出信号，如果不能则调整执行器轨迹；模式控制模块则是通过对少量人员操作、截割轨迹历史数据进一步训练模型，构建可生成的控制策略(通过工作中的人为修正更新模型)，同时建立生成式对抗网络，构建煤层场景以在虚拟场景上实现虚拟人为干预的操作，双网络共同工作给出最优的控制策略；煤岩识别模块是指通过近红外光扫描煤岩界面，通过自适应扫描策略获取煤岩光谱，判断区域内的煤岩种类与岩石占比，最终判断出煤岩界线。
本发明的控制方法实现步骤如下：
步骤一，构建智能决策模型
构建劣化监测模型：如图4所示，智能控制器收集历史机身传感器数据，包括摇臂高速轴温度、摇臂低速轴温度、摇臂旋转编码器、冷却水流量、油温油压、截割电流，通过分布式卡尔曼共识滤波器(DKCF)对传感器数据进行滤波，DKCF允许从相邻传感器进行估计并在传感器网络中鲁棒性较强，随后将相似传感器数据进行融合，如将摇臂转轴编码器与倾角传感器数据进行融合，将部分融合的输入放入训练好的稀疏自编码器(SAE)中，取中间层的低维抽象特征进行长短期记忆网络(LSTM)预测，获得下一个周期下的传感器特征，随后将这些特征再次放入解码器中对数据低维特征进行解码以还原回有物理意义的特征，将这些特征与之前的信号(即输入的原始信号)进行交叉熵计算，以信息量作为衡量劣化程度的标准。
获取安全执行策略：如图5，智能控制装置评估系统剩余能力时以执行策略分别输入执行器模型与执行器实物，输出理论与实际IO信号，计算两个信号的互相关数值r，比较二者的差异，当互相关数值r>0.8时不对信号进行调整而让执行器继续执行当前策略，当r<0.8时以理论信号、实际信号、历史信号为数据传输进双向循环神经网络(BRNN)，BRNN模型允许存在前后状态时预估中间状态，以更好的从全局异常变化获得当前参数，BRNN模型在执行器任意状态下工作而不必维修后对模型参数进行修正，根据输入状态可生成异常执行器模型的参数，对执行器模型进行重构，随后对重构后的执行器进行性能约束分析，决断此前状态对信号进行修正或重新获取执行策略。
构建光谱煤岩识别策略：如图6，煤岩识别模块根据采煤机牵引速度利用扫描角度和牵引速度之间的关系构建自适应扫描策略，以适应煤岩识别装置，双探头在靠近顶板的煤壁上逐点上下扫描，获取这些煤岩点的光谱曲线，双探头照射点在煤壁上纵向排列，探测区域1在上探测区域2在下，探测区域1定时向上微动判断煤岩类别和岩石占比，探测区域2定时向下微动判断煤岩类别和岩石占比，当探测区域1和探测区域2同时满足区域1内岩石占比提升与区域2内下降时，说明界线在两个探头区域之间，可根据岩石占比准确判断界线距离中心探照点的距离，让两探头保持当前角度不变，结合煤机尺寸与定位即可计算出煤岩界线在绝对空间中的坐标。当不满足两个条件时，说明煤岩界线出现了移动，无论煤岩界线向上还是向下变化都会有一个探头的岩石占比迅速上升，即可迅速判断出煤岩界线的走向，降低采煤机速度，提高探头扫描速度，迅速使两个探头回归到中间夹界线的位置。恢复采煤机速度，重复进行微动扫描。
对原始光谱的识别采用定性与定量的识别方法，定性判断类别是对光谱曲线进行空间化处理，截选出包含特征波段的光谱曲线，对光谱曲线执行空间平移、旋转的操作，将空间化的曲线相互融合进行信息交叉构建多通道“光谱图”，将构建的“光谱图”输入训练好的卷积神经网络(CNN)模型识别煤岩类别。定量识别采用从原始光谱曲线上提取人为构建的特征：吸收谷深度、斜率、积分面积、吸收谷角度，并筛选最佳的特征进行标准化，输入偏最小二乘模型(PLSR)，输出当前探测区域岩石占比。根据煤岩类别和当前探测区域岩石占得到煤岩信息。
构建模式控制模块：如图7，模式学习模块根据综采工作面三机配套设备的环境参数、尺寸参数、历史截割数据所形成的历史运行参数数据库中获取的数据，构建基于环境参数与尺寸参数的截割空间约束与理想截割目标，形成可用于强化学习(RL)智能体生成执行奖励的规则，以滚筒距离煤岩界线距离与沿工作面5m长度内煤层开采效率为奖励，以煤层截割为状态变化构建两个生成对抗网络(GAN)，其中一个基于历史截割数据与煤层信息形成可用于生成的多种煤层场景(通过辨别器提升真实煤层与虚构煤层的辨别度，同时提升生成器构筑虚构煤层的真实度，最终输出足以拟真的虚构煤层)，另一个以虚构煤层场景与智能体执行策略输入生成器，最终生成执行动作之后的煤层状态(辨别器提升执行策略实际作用于虚构煤层场景后的煤层状态与生成煤层状态的辨识度，同时提升生成器改变虚构煤层场景的真实度，最终输出作用之后的煤层状态)，将强化学习的模型部署于智能控制器上输出执行策略，同时还将改变煤层的生成强化网络部署于控制器内，在不需要向外输出执行策略时，将可能的输出策略在生成对抗网络上执行判断当前最优的控制策略，实现动态平行作业。模型在现场工作面中可实时学习，工人对策略进行人为干预时会显著提高奖惩数值，实现模型的动态调整。
步骤二，智能控制装置上电启动，开始工作
如图8，智能控制装置系统上电启动，读取上一次停止作业时的状态参数，同时检查外围配件的通讯状态，若存在通讯异常则停止启动，在界面显示错误代码。若整机各组件通讯正常则启动泵站、读取采煤机所有机载传感器信息，检查传感器信息是否超出阈值而引起危险，若存在电流过大的较大故障则强制断电停机，若存在喷雾水流量不足的小故障时在界面提示故障代码，等待人员处理，直到无故障下启动破碎臂、挡煤板准备开始采煤。
步骤三，智能控制装置通过智能决策模块控制采煤机执行工作任务
在采煤机开始牵引时还同时进行四个任务：实时读取机载传感器数据输入劣化模型给出劣化状态、将采煤过程中人为控制调整的信息传入强化学习模型以实时修正模式控制模型、采用光谱技术扫描煤岩界面通过不同点煤岩种类与岩石占比计算出煤岩界线高度位置、将模式控制模型给出的截割策略与劣化状态进行比对判断以当前剩余能力是否按照既定策略完成截割任务，若能完成则只重新调整信号输出，若不能则将当前状况回传给模式控制模型，根据当前状况重新给出更优的截割策略重新执行，四个任务会将决策结果作用于采煤机摇臂与行走部，调整PWM信号与变频器输出。
步骤四，当到达端头/尾时采煤机反向牵引截割，循环进行步骤三。
Claims (9)
1.一种采煤机智能控制装置，包括主板、显示器、控制面板、决策控制器和逻辑控制器，显示器、控制面板、决策控制器和逻辑控制器均与主板连接，其特征在于：采煤机通过决策控制器发出指令，通过逻辑控制器执行煤机劣化监测模块、安全执行决策模块、模式控制模块和煤岩识别模块，完成智能采煤作业；显示器实时显示采煤机的主要作业信息，控制面板通过按钮对采煤机进行人为干预；
所述采煤机劣化监测模块通过读取采煤机机身上各个关键位置处传感器信息进行多传感器的信息融合，寻求部件衰减的不同阶段；
所述安全执行决策模块判断当执行器碰到劣化、故障、外界干扰时是否能够按预定轨迹执行；
所述模式控制模块通过对少量人员操作、截割轨迹历史数据进一步训练模型，构建可生成的控制策略，同时建立生成式对抗网络，构建煤层场景在虚拟场景上实现虚拟人为干预的操作；
所述煤岩识别模块通过近红外光扫描煤岩界面，通过自适应扫描策略获取煤岩光谱，判断区域内的煤岩种类与岩石占比，最终判断出煤岩界线。
2.一种采煤机智能控制装置的控制方法，其特征在于，包括步骤如下：
S1，构建智能决策模型，实现过程包括：
构建劣化监测模型：智能控制器收集历史机身传感器数据，分布式卡尔曼共识滤波器对传感器数据进行滤波和将相似传感器数据进行融合；
获取安全执行策略：智能控制器在评估系统剩余能力时，以执行策略分别输入执行器模型与执行器实物，输出理论与实际IO信号，比较输出理论与实际IO信号的差异，根据差异情况，修正执行策略或重新获取执行策略；
构建光谱煤岩识别策略：根据采煤机牵引速度利用扫描角度和牵引速度之间的关系构建自适应扫描策略，以适应煤岩识别装置；煤岩识别装置根据煤岩类别和当前探测区域岩石占得到煤岩信息；
构建模式控制模块：根据综采工作面三机配套设备的环境参数、尺寸参数、历史截割数据所形成的历史运行参数数据库中获取的数据，构建基于环境参数与尺寸参数的截割空间约束与理想截割目标，形成可用于强化学习(RL)智能体生成执行奖励的规则；
S2，智能控制装置上电启动，读取上一次停止作业时的状态参数，同时检查外围配件的通讯状态；
S3,在采煤机开始牵引时，同时进行实时读取机载传感器数据输入劣化模型给出劣化状态、将采煤过程中人为控制调整的信息传入强化学习模型以实时修正模式控制模型、采用光谱技术扫描煤岩界面通过不同点煤岩种类与岩石占比计算出煤岩界线高度位置、将模式控制模型给出的截割策略与劣化状态进行比对判断以当前剩余能力是否按照既定策略完成截割任务；
S4，当到达端头/尾时采煤机反向牵引截割，循环进行步骤S3。
3.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S1中，所述机身传感器数据，包括摇臂高速轴温度、摇臂低速轴温度、摇臂旋转编码器、冷却水流量、油温油压、截割电流。
4.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S1中，在获取执行策略的过程中：
当差异较小时，不对信号进行调整而让执行器继续执行当前策略；
当差异量较大时，以理论信号、实际信号、历史信号为数据传输给双向循环神经网络模型；双向循环神经网络模型允许存在前后状态时预估中间状态，对执行器模型进行重构，随后对重构后的执行器进行性能约束分析，决断此前状态对信号进行修正或重新获取执行策略。
5.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S1中，所述自适应扫描策略采用双探头扫描，双探头在靠近顶板的煤壁上逐点上下扫描，获取煤岩点的光谱曲线；双探头照射点在煤壁上纵向排列，第一探测区域在上、第二探测区域在下，第一探测区域定时向上微动判断煤岩类别和岩石占比，第二探测区域定时向下微动判断煤岩类别和岩石占比；
当第一探测区域和第二探测区域同时满足第一区域内岩石占比提升与第二区域内下降时，说明界线在两个探头区域之间，可根据岩石占比准确判断界线距离中心探照点的距离，让两探头保持当前角度不变，结合煤机尺寸与定位即可计算出煤岩界线在绝对空间中的坐标；
当不满足第一区域内岩石占比提升与第二区域内下降时，说明煤岩界线出现了移动，无论煤岩界线向上还是向下变化都会有一个探头的岩石占比迅速上升，即可迅速判断出煤岩界线的走向，降低采煤机速度，提高探头扫描速度，迅速使两个探头回归到中间夹界线的位置；恢复采煤机速度，重复进行微动扫描。
6.根据权利要求5所述的采煤机智能控制装置的控制方法，其特征在于，对光谱的识别采用定性与定量的识别方法，定性判断类别是对光谱曲线进行空间化处理，截选出包含特征波段的光谱曲线，对光谱曲线执行空间平移、旋转的操作，将空间化的曲线相互融合进行信息交叉构建多通道“光谱图”，将构建的“光谱图”输入训练好的卷积神经网络模型识别煤岩类别；定量识别采用从原始光谱曲线上提取人为构建的特征：吸收谷深度、斜率、积分面积、吸收谷角度，并筛选最佳的特征进行标准化，输入偏最小二乘模型，输出当前探测区域岩石占比。
7.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S1中，所述执行奖励的规则，以滚筒距离煤岩界线距离与沿工作面设定长度内煤层开采效率为奖励，以煤层截割为状态变化构建两个生成对抗网络：其中一个基于历史截割数据与煤层信息形成可用于生成的多种煤层场景；另一个以虚构煤层场景与智能体执行策略输入生成器，最终生成执行动作之后的煤层状态，将强化学习的模型部署于智能控制器上输出执行策略，同时还将改变煤层的生成强化网络部署于控制器内，在不需要向外输出执行策略时，实现动态平行作业。
8.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S2中，若存在通讯异常则停止启动，在界面显示错误代码；若整机各组件通讯正常则启动泵站、读取采煤机所有机载传感器信息，检查传感器信息是否超出阈值而引起危险；若存在电流过大的较大故障则强制断电停机；若存在喷雾水流量不足的小故障时在界面提示故障代码，等待人员处理，直到无故障下启动破碎臂、挡煤板准备开始采煤。
9.根据权利要求1所述的采煤机智能控制装置的控制方法，其特征在于，所述步骤S3中，若能按照既定策略完成截割任务则只重新调整信号输出；若不能则将当前状况回传给模式控制模型，根据当前状况重新给出更优的截割策略重新执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210264732.6A CN114622912B (zh) | 2022-03-17 | 2022-03-17 | 一种采煤机智能控制装置及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210264732.6A CN114622912B (zh) | 2022-03-17 | 2022-03-17 | 一种采煤机智能控制装置及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114622912A true CN114622912A (zh) | 2022-06-14 |
| CN114622912B CN114622912B (zh) | 2022-12-27 |
Family
ID=81902766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210264732.6A Active CN114622912B (zh) | 2022-03-17 | 2022-03-17 | 一种采煤机智能控制装置及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114622912B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437248A (zh) * | 2022-08-16 | 2022-12-06 | 煤炭科学研究总院有限公司 | 基于深度q学习算法的设备运行控制方法、装置及设备 |
| CN117473313A (zh) * | 2023-10-30 | 2024-01-30 | 长江师范学院 | 一种液压支架群组推移位姿的少传感估计系统及方法 |
| CN117967307A (zh) * | 2024-04-01 | 2024-05-03 | 枣庄矿业集团新安煤业有限公司 | 一种用于远程控制采煤机旋转调采的数据处理方法 |
| CN118051469A (zh) * | 2024-04-15 | 2024-05-17 | 深圳鸿祥源科技有限公司 | 一种基于5g通信的主板控制系统 |
| WO2024114752A1 (zh) * | 2022-12-01 | 2024-06-06 | 北京天玛智控科技股份有限公司 | 综采工作面无人化采煤系统和控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109630110A (zh) * | 2019-01-18 | 2019-04-16 | 天地科技股份有限公司 | 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 |
| CN111173510A (zh) * | 2020-03-14 | 2020-05-19 | 天地科技股份有限公司 | 一种用于复杂条件工作面的综采装备智能控制方法及系统 |
| CN111427278A (zh) * | 2020-04-29 | 2020-07-17 | 中国矿业大学 | 一种采煤机控制器半实物仿真测试系统及使用方法 |
| US20210216686A1 (en) * | 2020-09-10 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and electronic device for constructing reinforcement learning model and medium |
| 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 |
-
2022
- 2022-03-17 CN CN202210264732.6A patent/CN114622912B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109630110A (zh) * | 2019-01-18 | 2019-04-16 | 天地科技股份有限公司 | 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 |
| CN111173510A (zh) * | 2020-03-14 | 2020-05-19 | 天地科技股份有限公司 | 一种用于复杂条件工作面的综采装备智能控制方法及系统 |
| CN111427278A (zh) * | 2020-04-29 | 2020-07-17 | 中国矿业大学 | 一种采煤机控制器半实物仿真测试系统及使用方法 |
| US20210216686A1 (en) * | 2020-09-10 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and electronic device for constructing reinforcement learning model and medium |
| 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437248A (zh) * | 2022-08-16 | 2022-12-06 | 煤炭科学研究总院有限公司 | 基于深度q学习算法的设备运行控制方法、装置及设备 |
| WO2024114752A1 (zh) * | 2022-12-01 | 2024-06-06 | 北京天玛智控科技股份有限公司 | 综采工作面无人化采煤系统和控制方法 |
| CN117473313A (zh) * | 2023-10-30 | 2024-01-30 | 长江师范学院 | 一种液压支架群组推移位姿的少传感估计系统及方法 |
| CN117967307A (zh) * | 2024-04-01 | 2024-05-03 | 枣庄矿业集团新安煤业有限公司 | 一种用于远程控制采煤机旋转调采的数据处理方法 |
| CN117967307B (zh) * | 2024-04-01 | 2024-06-07 | 枣庄矿业集团新安煤业有限公司 | 一种用于远程控制采煤机旋转调采的数据处理方法 |
| CN118051469A (zh) * | 2024-04-15 | 2024-05-17 | 深圳鸿祥源科技有限公司 | 一种基于5g通信的主板控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114622912B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114622912B (zh) | 一种采煤机智能控制装置及其控制方法 | |
| CN110371112B (zh) | 一种自动驾驶车辆的智能避障系统及方法 | |
| CN100572810C (zh) | 一种有杆泵抽油机抽油控制方法及其系统 | |
| US7099737B2 (en) | Intelligent STEP-NC controller | |
| CN105512812A (zh) | 基于动态仿真模型的核电厂设备故障预警分析方法及系统 | |
| CN104077773A (zh) | 图像边缘检测方法、图像目标识别方法及装置 | |
| CN105182980A (zh) | 一种自动清洁设备的控制系统及控制方法 | |
| CN102622578A (zh) | 一种乘客计数系统及方法 | |
| CN112084030B (zh) | 基于云边协同的无人驾驶列车控制系统及其控制方法 | |
| LU500120B1 (en) | Multi-arm robot for automatic tunnel maintenance and control method thereof | |
| CN115494796B (zh) | 一种基于step-nc的边云协同数字孪生系统 | |
| CN110733043A (zh) | 一种机器人运行状态监测与切换的方法 | |
| CN104182613A (zh) | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 | |
| CN102201659B (zh) | 一种电动机保护控制方法 | |
| CN114013923A (zh) | 一种皮带纠偏方法、装置、系统及计算机可读存储介质 | |
| CN103317513A (zh) | 一种基于多cpu的网络化机器人控制系统 | |
| CN110656975B (zh) | 一种基于虚拟现实与acp平行智能的隧道救援系统及方法 | |
| CN117272139A (zh) | 一种结合特征相关性与时间相关性的盾构机姿态预测方法 | |
| CN112365004A (zh) | 一种机器人自主异常修复技能学习方法及系统 | |
| CN117005999A (zh) | 基于毫米波雷达的叶片净空控制方法、系统、介质及设备 | |
| CN114019908B (zh) | 一种螺旋锥齿轮齿廓弧面倒棱控制方法 | |
| CN112926154B (zh) | 开采模型优化方法、系统、设备及可读存储介质 | |
| CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN114594750A (zh) | 一种基于故障树的高铁塞拉门故障诊断方法 | |
| CN114089747B (zh) | 一种基于时间片的多agv路径规划方法 |
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 |