CN114998798A - 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 - Google Patents
煤岩界面识别模型训练方法、采煤机截割控制方法和装置 Download PDFInfo
- Publication number
- CN114998798A CN114998798A CN202210635956.3A CN202210635956A CN114998798A CN 114998798 A CN114998798 A CN 114998798A CN 202210635956 A CN202210635956 A CN 202210635956A CN 114998798 A CN114998798 A CN 114998798A
- Authority
- CN
- China
- Prior art keywords
- sample
- cutting
- data
- coal
- coal rock
- 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.)
- Pending
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 522
- 239000003245 coal Substances 0.000 title claims abstract description 449
- 239000011435 rock Substances 0.000 title claims abstract description 377
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000005065 mining Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 128
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 33
- 238000001845 vibrational spectrum Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出一种煤岩界面识别模型训练方法、采煤机截割控制方法和装置，该煤岩界面识别模型训练方法，包括：接收边缘处理器发送的样本煤岩分布和样本多模态数据；根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征；根据样本滚筒截割视频数据，获取样本截割煤岩界面特征；根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征；调用煤岩界面识别模型，进行决策级融合，生成样本预测煤岩分布；根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新。由此，能够结合实时工况，根据多模态数据，实时在线训练煤岩界面识别模型，能够提高煤岩界面识别模型的训练效率和准确度。
Description
技术领域
本公开涉及煤矿生产智能化控制技术领域，尤其涉及一种煤岩界面识别模型训练方法、采煤机截割控制方法和装置。
背景技术
相关技术中，通过图像采集传感器获取采煤工作面的图像，利用预先训练好的图像识别模型，对图像进行识别，根据图像识别结果控制采煤机的高度，进行自动化截割煤层。
但是，单一图像模态的识别准确度不高，导致自动化截割煤层的效果不佳。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开提出一种煤岩界面识别模型训练方法、采煤机截割控制方法和装置，能够结合实时工况，根据多模态数据，实时在线训练煤岩界面识别模型，能够提高煤岩界面识别模型的训练效率和准确度。
第一方面，提出一种煤岩界面识别模型训练方法，所述方法由云端服务器执行，所述方法，包括：接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；根据所述样本截割摇臂振动数据和所述样本截割煤岩噪声数据，获取样本载荷状态特征；根据所述样本滚筒截割视频数据，获取样本截割煤岩界面特征；根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取样本滚筒截割载荷特征；调用煤岩界面识别模型，根据所述样本载荷状态特征、所述样本截割煤岩界面特征和所述样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；根据所述样本预测煤岩分布和所述样本煤岩分布，对所述煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
本公开第二方面，提出一种采煤机截割控制方法，所述方法由边缘处理器执行，所述方法，包括：接收云端服务器发送的训练好的煤岩界面识别模型；其中，所述训练好的煤岩界面识别模型为采用上述实施例中所述的方法训练得到的；获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据；根据所述截割摇臂振动数据和所述截割煤岩噪声数据，获取载荷状态特征；根据所述滚筒截割视频数据，获取截割煤岩界面特征；根据所述截割电机电流数据和所述升降油缸压力数据，获取滚筒截割载荷特征；调用所述训练好的煤岩界面识别模型，根据所述载荷状态特征、所述截割煤岩界面特征和所述滚筒截割载荷特征，生成预测煤岩分布；根据所述预测煤岩分布，确定目标滚筒高度和目标牵引速度；将所述目标滚筒高度和所述目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
本公开第三方面，提出一种煤岩界面识别模型训练装置，包括：数据接收单元，被配置为接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；第一处理单元，被配置为根据所述样本截割摇臂振动数据和所述样本截割煤岩噪声数据，获取样本载荷状态特征；第二处理单元，被配置为根据所述样本滚筒截割视频数据，获取样本截割煤岩界面特征；第三处理单元，被配置为根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取样本滚筒截割载荷特征；第四处理单元，被配置为调用煤岩界面识别模型，根据所述样本载荷状态特征、所述样本截割煤岩界面特征和所述样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；训练更新单元，被配置为根据所述样本预测煤岩分布和所述样本煤岩分布，对所述煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
本公开第四方面，提出一种采煤机截割控制装置，包括：第一模型接收单元，被配置为接收云端服务器发送的训练好的煤岩界面识别模型；其中，所述训练好的煤岩界面识别模型为采用上面一些实施例所述的方法训练得到的；数据获取单元，被配置为获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据；第一特征获取单元，被配置为根据所述截割摇臂振动数据和所述截割煤岩噪声数据，获取载荷状态特征；第二特征获取单元，被配置为根据所述滚筒截割视频数据，获取截割煤岩界面特征；第三特征获取单元，被配置为根据所述截割电机电流数据和所述升降油缸压力数据，获取滚筒截割载荷特征；预测单元，被配置为调用所述训练好的煤岩界面识别模型，根据所述载荷状态特征、所述截割煤岩界面特征和所述滚筒截割载荷特征，生成预测煤岩分布；数据确定单元，被配置为根据所述预测煤岩分布，确定目标滚筒高度和目标牵引速度；数据发送单元，被配置为将所述目标滚筒高度和所述目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
本公开实施例提供的技术方案，可以包含如下的有益效果：
通过实施本公开实施例，接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征；根据样本滚筒截割视频数据，获取样本截割煤岩界面特征；根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征；调用煤岩界面识别模型，根据样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。由此，能够结合实时工况，根据多模态数据，实时在线训练煤岩界面识别模型，能够提高煤岩界面识别模型的训练效率和准确度。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本公开实施例提供的一种采煤机智能控制系统的结构图；
图2为本公开实施例提供的一种煤岩界面识别模型训练方法的流程图；
图3为本公开实施例提供的一种煤岩分布的示意图；
图4为本公开实施例提供的一种采煤机智能控制系统的结构图；
图5为本公开实施例提供的煤岩界面识别模型训练方法中S2的流程图；
图6为本公开实施例提供的煤岩界面识别模型训练方法中S3的流程图；
图7为本公开实施例提供的煤岩界面识别模型训练方法中S4的流程图；
图8为本公开实施例提供的一种采煤机截割控制方法的流程图；
图9为本公开实施例提供的采煤机截割控制方法中S20的流程图；
图10为本公开实施例提供的另一种采煤机截割控制方法的流程图；
图11为本公开实施例提供的一种煤岩界面识别模型训练装置的结构图；
图12为本公开实施例提供的煤岩界面识别模型训练装置中第一处理单元的结构图；
图13为本公开实施例提供的煤岩界面识别模型训练装置中第二处理单元的结构图；
图14为本公开实施例提供的煤岩界面识别模型训练装置中第三处理单元的结构图；
图15为本公开实施例提供的一种采煤机截割控制装置的结构图；
图16为本公开实施例提供的采煤机截割控制装置中数据获取单元的结构图；
图17为本公开实施例提供的另一种采煤机截割控制装置的结构图；
图18为本公开实施例提供的采煤机截割控制装置中样本数据获取单元的结构图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的煤岩界面识别模型训练方法、采煤机截割控制方法和装置。
在对本公开实施例提供的煤岩界面识别模型训练方法和采煤机截割控制方法进行说明之前，首先对本公开实施例提供的煤岩界面识别模型训练方法和采煤机截割控制方法所适用的采煤机智能控制系统进行说明。
图1为本公开实施例提供的一种采煤机智能控制系统的结构图。
如图1所示，本公开实施例提供的采煤机智能控制系统，包括：采煤机1，采煤机控制器2，边缘处理器3，5G网络层4，云端服务器5，霍尔大电流传感器6，压力传感器7，振动传感器8，声音传感器9，摄像仪10，倾角传感器11，位置编码器12。
其中，采煤机控制器2、摄像仪10、声音传感器9安装在采煤机中部，采煤机控制器2负责控制牵引电机和调高液压缸，进而控制采煤机截割时的牵引速度和滚筒高度。摄像仪10拍摄截割时的煤岩图像，声音传感器9采集截割煤壁时的声音。
霍尔大电流传感器6安装在截割电机上采集截割电流信号，压力传感器7安装在截割臂升降油缸内收集油缸压力信号，振动传感器8安装在截割臂上采集截割煤岩时振动信号。倾角传感器11安装于截割电机接线腔内部用来检测截割臂角度进而得到滚筒高度。位置编码器12安装在机牵引箱高、低速轴轴向位置，用于采煤机在工作面上的位置和牵引速度的测量。
其中，边缘处理器3包括服务器和交换机。服务器和交换机安装在采煤机内部，交换机与服务器、5G网络层4的CPE设备联通，交换机也与传感器(前述的用于测量数据的装置，包括：摄像仪10、声音传感器9，霍尔大电流传感器6，压力传感器7，倾角传感器11，位置编码器12)联通，交换机实现传感器数据、模型参数的接入、汇聚和传输。服务器实现数据预处理、状态推送、状态辨识、任务下发、协同作业等功能。
其中，5G网络层4包括交换机、基站控制器、5G基站、CPE(Customer PremiseEquipment，客户前置设备)设备。
本公开实施例中，交换机可以为980C交换机，980C交换机可以安装在地面机房。基站控制器可以包括第一基站控制器BBU(Baseband Unit，基带单元)和第二控制器RHUB(remote radio unit hub，射频远端CPRI数据汇聚单元)，井下一部机头安装一台矿用隔爆兼本安型基站控制器(BBU)。控制台旁边设电器备板车上安装矿用隔爆兼本安型基站控制器(RHUB)一台。乳化泵回液过滤器车安装一台5G基站；马蹄尔附近前第八台管线车上安装一台5G基站；工作面18架安装一台5G基站；工作面60架安装一台5G基站；工作面103架安装一台5G基站；采煤机机身安装一台CPE设备，包括发射天线。
本公开实施例中，980C交换机能够实现大容量5G网络接入、汇聚和传输。
第一基站控制器BBU又可以称为基带处理单元，集中控制管理整个基站系统。第一基站控制器BBU主要负责基带信号的处理，包括FFT/IFFT、调制/解调和信道编/解码等。第一基站控制器BBU支持插板式模块化结构。用户可以根据不同网络容量需求配置不同数目的基带处理单板，并能支持基带资源共享。
第二基站控制器RHUB是射频远端CPRI数据汇聚单元，实现第一基站控制器BBU与5G基站pRRU(pico Remote Radio Unit，远端汇聚单元)之间的接入桥接。具备与BBU25GE级联能力，具备8路pRRU接入能力。
本公开实施例中，5G基站可以为KT618(5G)-F矿用隔爆兼本安型基站pRRU，又称为射频远端处理单元，主要包括：高速接口模块、信号处理单元、功放单元、双工器单元、扩展接口和电源模块。该设备接收第二基站控制器RHUB发送的下行基带数据，并向第二基站控制器RHUB发送上行基带数据，实现与第一基站控制器BBU的通信。发送信号过程：将基带信号调制到发射频段，经滤波放大后，通过天线发射；接收信号过程：从天线接收射频信号，经将接收信号下变频至中频信号，并进行放大处理、模数转换(A/D转换)后发送给第一基站控制器BBU进行处理。支持外置天线。支持多频多模灵活配置。CPE设备负责将高速5G信号转换成WiFi信号与5G基站通讯。
交换机与基站控制器和中心云节点5的算法服务器联通，基站控制器与5G基站联通，5G基站与CPE设备联通，利用5G网络的低时延大带宽特点和灵活切片技术，实现边缘处理器3和云端服务器5的数据实时交互，完成边缘处理器3的数据上传和云端服务器5的算法下发。
云端服务器5包括彼此互相联通的数据库、算法服务器、客户端。数据库、算法服务器和客户端均安装在地面，数据库负责数据管理、统计分析等功能。算法服务器负责状态识别、模型训练、任务创建。客户端实现状态监测的功能。
需要说明的是，上述采煤机智能控制系统所列举的设备，均可以设置一个或多个，设置位置可以根据需要进行调整，本公开实施例对此不作具体限制。
还需要说明的是，上述采煤机智能控制系统所列举的设备，仅作为示意，不作为对本公开实施例的具体限制，其中任一设备可以随着各设备的更新升级进行替换，在其功能相同的情况下，均属于本方案的保护范围。
本公开实施例，基于上述采煤机智能控制系统，提供一种煤岩界面识别模型训练方法和采煤机截割控制方法。
图2为本公开实施例提供的一种煤岩界面识别模型训练方法的流程图。
如图2所示，本公开实施例提供的煤岩界面识别模型训练方法，该方法由云端服务器执行，包括但不限于如下步骤：
S1：接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
本公开实施例中，可以通过霍尔大电流传感器，压力传感器，振动传感器，声音传感器，摄像仪，倾角传感器和位置编码器等测量装置，实时获取多模态数据和煤岩分布。
其中，通过霍尔大电流传感器获取截割电机电流数据，通过压力传感器获取升降油缸压力数据，通过振动传感器获取截割摇臂振动数据，通过声音传感器获取截割煤岩噪声数据，通过摄像仪获取滚筒截割视频数据，通过倾角传感器获取滚筒高度，通过位置编码器获取采煤机在工作面上的位置和牵引速度。
本公开实施例中，煤岩分布可以为滚筒高度、采煤机在工作面上的位置和牵引速度，或者根据滚筒高度、采煤机在工作面上的位置和牵引速度确定的煤岩分布位置和比例。
示例性实施例中，如图3所示，采煤机在工作面上进行煤层截割时，岩石可能成块状混杂分布在煤层中(如图3中(a))，在此情况下，煤岩分布可以为煤层和岩石位置分布以及比例；或者煤层与岩石成层状分布，不存在混杂，在此情况下，煤岩分布可以为全煤(如图3中(b))、全岩(如图3中(c))、顶板规则岩层(如图3中(d))、顶板不规则岩层(如图3中(e))、底板规则岩层(如图3中(f))、底板不规则岩层(如图3中(g))、上层夹矸(如图3中(h))、下层夹矸(如图3中(i))等。
需要说明的是，本公开实施例中，边缘处理器需要根据实时获取的多模态数据和煤岩分布确定样本多模态数据和样本煤岩分布，以发送至云端服务器，在云端服务器中根据样本多模态数据和样本煤岩分布对煤岩界面识别模型进行训练，以得到训练好的煤岩界面识别模型。
基于此，本公开实施例中，边缘处理器获取霍尔大电流传感器，压力传感器，振动传感器，声音传感器，摄像仪，倾角传感器和位置编码器等测量装置，实时采集的多模态数据和煤岩分布，可以对多模态数据进行预处理，例如：对摄像仪的视频采用Retinex图像增强算法对滚筒截割视频数据中的图像进行增强去噪。
示例性实施例中，边缘处理器中预先存储有记忆截割参数和记忆截割模板，记忆截割参数为采煤机处于工作面不同位置进行截割时的滚筒高度和牵引速度，记忆截割模板为工作面顶底板曲线。
其中，采煤机可以根据记忆截割功能设置的记忆截割参数和记忆截割模板自主进行煤层截割。此时，霍尔大电流传感器，压力传感器，振动传感器，声音传感器，摄像仪，倾角传感器和位置编码器等测量装置，可以实时获取多模态数据和煤岩分布。
其中，在采煤机根据记忆截割功能设置的记忆截割参数和记忆截割模板自主进行煤层截割的过程中，可以基于人工干预，对采煤机进行截割时的滚筒高度和牵引速度进行控制，例如：通过人工遥控调节电液控和变频器，进而调节滚筒高度和牵引速度。
可以理解的是，在采煤机根据记忆截割功能设置的记忆截割参数和记忆截割模板自主进行煤层截割的过程中，若根据记忆截割参数和记忆截割模板自主进行煤层截割时，截割的为煤层，且采煤机牵引速度正常，此时人工可以判断工况正常，无需进行人工干预。而当采煤机根据记忆截割参数和记忆截割模板自主进行煤层截割的过程中，发现采煤机截割到顶板或底板，或采煤机牵引速度异常，此时可以进行人工干预，调节电液控和变频器，调节滚筒高度和牵引速度，以使采煤机正常进行煤层截割。
基于此，在记忆截割参数和记忆截割模板的基础上，结合人工干预，获取实时测量的多模态数据和煤岩分布，能够保证所获取的多模态数据和煤岩分布为正常工况下的数据。
进一步的，边缘处理器根据实时获取的多模态数据和煤岩分布，确定样本多模态数据和样本煤岩分布，其中，可以直接将实时获取的多模态数据和煤岩分布，确定为样本多模态数据和样本煤岩分布，或者，还可以对实时获取的多模态数据和煤岩分布进行预处理后，得到样本多模态数据和样本煤岩分布。
从而，边缘处理器将样本多模态数据和样本煤岩分布，发送至云端服务器，在云端服务中根据样本多模态数据和样本煤岩分布对煤岩界面识别模型进行训练，在训练样本数据准确度较高的情况下，能够获得更加符合工况的煤岩界面识别模型，以在后续使用煤岩界面识别模型进行预测时，能够得到更加准确的预测结果。
需要说明的是，本公开实施例中，样本多模态数据，还可以包括上述示例外的其他数据，例如，还包括：采煤机相关截割状态信息及预警信息：刮板运输机功率、放顶煤工作面倾向长度、初始煤层平均厚度、初始煤层倾角、初始煤层平均夹矸率、初始煤层可采指数和瓦斯浓度等。
其中，可以通过采用数字孪生的方法进行三维仿真建模，用来获取采煤机相关截割状态信息及预警信息。
本公开实施例中，边缘处理器发送样本煤岩分布和样本多模态数据至云端服务器，其中，边缘处理器可以通过5G网络层发送样本煤岩分布和样本多模态数据至云端服务器。5G网络具有低时延、大带宽和灵活切片的特点，通过5G网络层发送样本煤岩分布和样本多模态数据至云端服务器，能够实现边缘处理器和云端服务器数据交互，完成边缘处理器的数据上传和云端服务器的算法下发，且时延较小。
其中，5G网络层的设置，可以参见上述示例中的相关描述，此处不再赘述。
需要说明的是，本公开实施例中，边缘处理器可以实时获取样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据，实时发送至云端服务器。
S2：根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征。
本公开实施例中，云端服务器接收到边缘处理器发送的样本样本截割摇臂振动数据和样本截割煤岩噪声数据之后，可以根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征。
其中，调用预训练的GMM-UBM改进的高斯混合模型与SVM模型所组合GSV模型，根据样本截割煤岩噪声数据，获取声音特征，调用预训练的神经网络模型，根据样本截割摇臂振动数据，获取振动特征，将声音特征和振动特征进行特征融合，生成样本载荷状态特征。由此可以根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征。
S3：根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
本公开实施例中，云端服务器接收到边缘处理器发送的样本滚筒截割视频数据之后，可以根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
其中，调用预训练的深度对抗网络(Adversarial Learnin)算法模型，根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
S4：根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
本公开实施例中，云端服务器接收到边缘处理器发送的样本截割电机电流数据和样本升降油缸压力数据之后，可以根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
其中，调用预训练的基于贝叶斯网络模型的负载特征模型，根据样本截割电机电流数据，判断电流变化与截割煤岩的关系。调用预训练的基于等效平均载荷原理的油缸压力模型，根据样本升降油缸压力数据，判断岩层相对滚筒的高度位置。
S5：调用煤岩界面识别模型，根据样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布。
本公开实施例中，采用协同表示的方法，基于相似性模型，将多模态中的每个模态分别映射到各自的表示空间，获取样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，调用基于生成对抗网络模型的煤岩界面识别模型，联合样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，进行目标预测，生成样本预测煤岩分布。
其中，根据截割电机电流负载特征模型，预测是否截割岩层，通过检测滚筒调高液压缸两腔压力油缸压力模型预测岩层的相对位置，并监测截割不同煤岩赋存条件下振动、噪声和视频的差异，进行决策级融合，生成样本预测煤岩分布。
S6：根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
本公开实施例中，云端服务器根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，其中，样本预测煤岩分布为根据样本多模态数据预测得到的。
其中，根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，可以根据样本预测煤岩分布和样本煤岩分布，计算损失，进一步根据损失对煤岩界面识别模型进行模型参数更新，在计算损失小于一定时，说明此时煤岩界面识别模型识别的精度较高且稳定，从而得到训练好的煤岩界面识别模型。
为方便理解，本公开实施例提供一示例性实施例。
如图4所示，边缘处理器获取多模态传感器设备发送的实时多模态数据，例如：通过霍尔大电流传感器获取截割电机电流数据，通过压力传感器获取升降油缸压力数据，通过振动传感器获取截割摇臂振动数据，通过声音传感器获取截割煤岩噪声数据，通过摄像仪获取滚筒截割视频数据，通过倾角传感器获取滚筒高度，通过位置编码器获取采煤机在工作面上的位置和牵引速度。
边缘处理器可以对实时获取的多模态数据进行预处理，其中，预处理可以为结合人工干预与记忆截割模板、记忆截割参数，得到样本多模态数据和样本煤岩分布，之后进行数据上传，通过5G网络层发送至云端服务器。
云端服务器接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
之后，根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征；根据样本滚筒截割视频数据，获取样本截割煤岩界面特征；根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征；调用煤岩界面识别模型，根据样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
云端服务器在获取训练好的煤岩界面识别模型的情况下，可以进行模型部署，将训练好的煤岩界面识别模型发送至边缘处理器，通过5G网络层发送至边缘处理器。
边缘处理器可以使用训练好的煤岩界面识别模型，根据实时获取的多模态数据，进行预测煤岩分布，进一步的，对记忆截割模板和记忆截割参数进行校准，得到采煤机进行煤层截割时的滚筒高度和牵引速度。进一步的，边缘处理器可以将滚筒高度和牵引速度发送至采煤机控制器，控制采煤机按照滚筒高度和牵引速度进行煤层截割。由此，基于5G工业互联网和云边融合的应用可以大幅提高煤岩界面识别模型的训练效率和准确性，能够提高智能截割控制的稳定性。
本公开实施例中，对煤岩界面识别模型的训练，采用闭环迭代、循环收敛的方式进行训练，结合人工干预控制参数，基于云边协同的技术，实现高效的模型训练、部署和控制，并且自适应截割状态提取最优控制参数，对记忆截割参数和记忆截割模板进行修正。
通过实施本公开实施例，接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征；根据样本滚筒截割视频数据，获取样本截割煤岩界面特征；根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征；调用煤岩界面识别模型，根据样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。由此，能够结合实时工况，根据多模态数据，实时在线训练煤岩界面识别模型，能够提高煤岩界面识别模型的训练效率和准确度。
如图5所示，在一些实施例中，S2：根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征，包括：
S21：获取训练好的振动频谱模型和训练好的声音识别模型。
本公开实施例中，训练好的振动频谱模型，可以为训练好的GMM-UBM改进的高斯混合模型与SVM模型所组合GSV模型；训练好的声音识别模型，可以为训练好的神经网络模型。
其中，获取训练好的振动频谱模型，可以预先获取振动数据和振动数据对应的振动特征，将振动数据输入至振动频谱模型，得到预测振动特征，根据振动特征和预测振动特征，对振动频谱模型进行参数更新。其中，可以计算振动特征和预测振动特征的振动损失，对振动频谱模型进行参数更新，在振动损失满足振动优化条件的情况下，确定得到训练好的振动频谱模型。基于此，获取训练好的振动频谱模型。
本公开实施例中，获取训练好的振动频谱模型的方法，还可以参见相关技术中的方法，不限于本公开实施例提供的方法，本公开实施例对此不作具体限制。
其中，获取训练好的声音识别模型，可以预先获取音频数据和音频数据对应的音频特征，将音频数据输入至声音识别模型，得到预测音频特征，根据音频特征和预测音频特征，对声音识别模型进行参数更新。其中，可以计算音频特征和预测音频特征的音频损失，对声音识别模型进行参数更新，在音频损失满足音频优化条件的情况下，确定得到训练好的声音识别模型。基于此，获取训练好的声音识别模型。
本公开实施例中，获取训练好的声音识别模型的方法，还可以参见相关技术中的方法，不限于本公开实施例提供的方法，本公开实施例对此不作具体限制。
S22：调用训练好的振动频谱模型，根据样本截割摇臂振动数据，获取样本振动特征。
S23：调用训练好的声音识别模型，根据样本截割煤岩噪声数据，获取样本声音特征。
本公开实施例中，在获取训练好的振动频谱模型和训练好的声音识别模型的情况下，进一步的，调用训练好的振动频谱模型，根据样本截割摇臂振动数据，获取样本振动特征。调用训练好的声音识别模型，根据样本截割煤岩噪声数据，获取样本声音特征。
S24：将样本振动特征和样本声音特征进行特征级融合，获取样本载荷状态特征。
本公开实施例中，在获取样本振动特征和样本声音特征的情况下，将样本振动特征和样本声音特征进行特征级融合，获取样本载荷状态特征。由此，可以根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征。
如图6所示，在一些实施例中，S3：根据样本滚筒截割视频数据，获取样本截割煤岩界面特征，包括：
S31：获取训练好的深度对抗网络模型。
其中，获取训练好的深度对抗网络模型，可以预先获取视频数据和视频数据对应的截割煤岩界面特征，将视频数据输入至深度对抗网络模型，得到预测截割煤岩界面特征，根据截割煤岩界面特征和预测截割煤岩界面特征，对深度对抗网络模型进行参数更新。其中，可以计算截割煤岩界面特征和预测截割煤岩界面特征的视频损失，对深度对抗网络模型进行参数更新，在视频损失满足视频优化条件的情况下，确定得到训练好的深度对抗网络模型。基于此，获取训练好的深度对抗网络模型。
本公开实施例中，获取训练好的深度对抗网络模型的方法，还可以参见相关技术中的方法，不限于本公开实施例提供的方法，本公开实施例对此不作具体限制。
S32：调用训练好的深度对抗网络模型，根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
本公开实施例中，在获取训练好的深度对抗网络模型的情况下，进一步的，调用训练好的深度对抗网络模型，根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
如图7所示，在一些实施例中，S4：根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征，包括：
S41：获取训练好的载荷特征模型。
本公开实施例中，训练好的载荷特征模型，可以为训练好的贝叶斯网络模型。
其中，获取训练好的载荷特征模型，可以预先获取截割电机电流数据和升降油缸压力数据，以及截割电机电流数据和升降油缸压力数据对应的滚筒截割载荷特征，将截割电机电流数据和升降油缸压力数据输入至载荷特征模型，得到预测滚筒截割载荷特征，根据滚筒截割载荷特征和预测滚筒截割载荷特征，对载荷特征模型进行参数更新。其中，可以计算滚筒截割载荷特征和预测滚筒截割载荷特征的载荷损失，对载荷特征模型进行参数更新，在载荷损失满足振动优化条件的情况下，确定得到训练好的载荷特征模型。基于此，获取训练好的载荷特征模型。
本公开实施例中，获取训练好的载荷特征模型的方法，还可以参见相关技术中的方法，不限于本公开实施例提供的方法，本公开实施例对此不作具体限制。
S42：调用训练好的载荷特征模型，根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
本公开实施例中，在获取训练好的载荷特征模型的情况下，进一步的，调用训练好的载荷特征模型，根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
图8为本公开实施例提供的一种采煤机截割控制方法的流程图。
如图8所示，本公开实施例提供的采煤机截割控制方法，该方法由边缘处理器执行，包括但不限于如下步骤：
S10：接收云端服务器发送的训练好的煤岩界面识别模型；其中，训练好的煤岩界面识别模型为采用上述实施例中的方法训练得到的。
本公开实施例中，边缘处理器接收云端服务器发送的训练好的煤岩界面识别模型，边缘处理器可以通过5G网络层接收云端服务器发送的训练好的煤岩界面识别模型，5G网络具有低时延、大带宽和灵活切片的特点，通过5G网络层接收云端服务器发送的训练好的煤岩界面识别模型，可以快速完成模型部署，以用于后续的采煤机截割预测，控制采煤机进行煤层截割。
其中，训练好的煤岩界面识别模型为采用上述实施例中的方法训练得到的，上述实施例中的方法可以参见上述实施例的相关描述，此处不再赘述。
S20：获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据。
本公开实施例中，可以实时获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据。
如图9所示，在一些实施例中，S20：获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据，包括：
S201：通过设置在截割电机上的电流传感器，获取截割电机电流数据。
S202：通过设置在截割臂升降油缸内的压力传感器，获取升降油缸压力数据。
S203：通过设置在截割臂上的振动传感器，获取截割摇臂振动数据。
S204：通过设置在摇臂底部的声音传感器采集截割煤壁的声音信号，获取截割煤岩噪声数据。
S205：通过设置在摇臂底部的视频采集装置采集截割的煤岩图像，获取滚筒截割视频数据。
本公开实施例中，可以通过设置在截割电机上的电流传感器，获取截割电机电流数据。其中，电流传感器可以为霍尔大电流传感器。可以通过设置在截割臂升降油缸内的压力传感器，获取升降油缸压力数据。可以通过设置在截割臂上的振动传感器，获取截割摇臂振动数据。可以通过设置在摇臂底部的声音传感器采集截割煤壁的声音信号，获取截割煤岩噪声数据。可以通过设置在摇臂底部的视频采集装置采集截割的煤岩图像，获取滚筒截割视频数据。
可以理解的是，本公开实施例中，通过上述多媒体传感器装置获取多模态数据，可以实时获取，从而，能够获取实时的工况，使得后续进行预测时，所得到的预测结果更加满足实际工况的需求，能够提高预测的准确性。
在一些实施例中，本公开实施例提供的采煤机截割控制方法，还包括：接收云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型。
本公开实施例中，边缘处理器接收云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型，边缘处理器可以通过5G网络层接收云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型，5G网络具有低时延、大带宽和灵活切片的特点，通过5G网络层接收云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型，可以快速完成模型部署，以用于后续的采煤机截割预测，控制采煤机进行煤层截割。
可以理解的是，云端服务器将训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型发送给边缘处理器，振动频谱模型、声音识别模型、深度对抗网络模型和载荷特征模型可以在云端服务器中完成训练过程。
S30：根据截割摇臂振动数据和截割煤岩噪声数据，获取载荷状态特征。
本公开实施例中，调用训练好的振动频谱模型，根据截割摇臂振动数据，生成振动特征，调用训练好的声音识别模型，根据截割煤岩噪声数据，生成音频特征，之后，将振动特征和声音特征进行特征级融合，获取载荷状态特征。
S40：根据滚筒截割视频数据，获取截割煤岩界面特征。
本公开实施例中，调用训练好的深度对抗网络模型，根据滚筒截割视频数据，获取截割煤岩界面特征。
S50：根据截割电机电流数据和升降油缸压力数据，获取滚筒截割载荷特征。
本公开实施例中，调用训练好的载荷特征模型，根据截割电机电流数据和升降油缸压力数据，获取滚筒截割载荷特征。
S60：调用训练好的煤岩界面识别模型，根据载荷状态特征、截割煤岩界面特征和滚筒截割载荷特征，生成预测煤岩分布。
本公开实施例中，在获取载荷状态特征、截割煤岩界面特征和滚筒截割载荷特征的情况下，调用训练好的煤岩界面识别模型，根据载荷状态特征、截割煤岩界面特征和滚筒截割载荷特征，生成预测煤岩分布。
S70：根据预测煤岩分布，确定目标滚筒高度和目标牵引速度。
本公开实施例中，根据预测煤岩分布，确定目标滚筒高度和目标牵引速度。可以理解的是，不同预测煤岩分布的情况下，对应的滚筒高度和牵引速度不同，根据基于深度确定性策略梯度算法DDPG和自适应截割控制策略，确定目标滚筒高度和目标牵引速度。
其中，深度确定性策略梯度算法DDPG和自适应截割控制策略可以预设根据需要进行设置，可以预先训练或者制定，本公开实施例对此不作具体限制。
本公开实施例中，边缘处理器还可以根据预测煤岩分布，确定目标顶底板截割曲线。
S80：将目标滚筒高度和目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
本公开实施例中，在获得目标滚筒高度和目标牵引速度的情况下，进一步的将目标滚筒高度和目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。由此，能够实现对采煤机的煤岩分布进行预测，并且根据预测结果对采煤机进行智能截割控制，符合实时工况，准确度较高。
在一些实施例中，本公开实施例提供的采煤机截割控制方法，还包括：获取样本煤岩分布和样本多模态数据，以发送至云端服务器获取训练好的煤岩界面识别模型；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
本公开实施例中，边缘处理器还获取样本煤岩分布和样本多模态数据，发送至云端服务器，以在云端服务器进行模型训练，获取训练好的煤岩界面识别模型。
本公开实施例中，煤岩分布可以为滚筒高度、采煤机在工作面上的位置和牵引速度，或者根据滚筒高度、采煤机在工作面上的位置和牵引速度确定的煤岩分布位置和比例。
其中，获取样本煤岩分布，可以通过倾角传感器获取滚筒高度，通过位置编码器获取采煤机在工作面上的位置和牵引速度，进一步确定样本煤岩分布。
其中，样本多模态数据的获取方法，可以参见上述实施例中的相关描述，此处不再赘述。
如图10所示，在一些实施例中，获取样本煤岩分布和样本多模态数据，包括：
S100：确定记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度。
本公开实施例中，可以在边缘处理器中存储记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度，其中，记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度可以采用相关技术中的方法进行获取，预先存储在边缘处理器中。
S200：获取预设条件下，采煤机进行煤层截割的实时截割电机电流数据、实时升降油缸压力数据、实时截割摇臂振动数据、实时截割煤岩噪声数据、实时滚筒截割视频数据、实时顶底板截割曲线、实时滚筒高度和实时牵引速度；其中，预设条件为基于人工干预的记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度。
本公开实施例中，采煤机可以根据记忆截割功能设置的记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度自主进行煤层截割。此时，霍尔大电流传感器，压力传感器，振动传感器，声音传感器，摄像仪，倾角传感器和位置编码器等测量装置，可以实时获取多模态数据和煤岩分布。
其中，在采煤机根据记忆截割功能设置的记忆截割参数和记忆截割模板自主进行煤层截割的过程中，可以基于人工干预，对采煤机进行截割时的滚筒高度和牵引速度进行控制，例如：通过人工遥控电液控和变频器，进而调节滚筒高度和牵引速度。
可以理解的是，在采煤机根据记忆截割功能设置的记忆截割参数和记忆截割模板自主进行煤层截割的过程中，若根据记忆截割参数和记忆截割模板自主进行煤层截割时，截割的为煤层，且采煤机牵引速度正常，此时人工可以判断工况正常，无需进行人工干预。而当采煤机根据记忆截割参数和记忆截割模板自主进行煤层截割的过程中，发现采煤机截割到顶板或底板，或采煤机牵引速度异常，此时可以进行人工干预，调节电液控和变频器，调节滚筒高度和牵引速度，以使采煤机正常进行煤层截割。
基于此，在记忆截割参数和记忆截割模板的基础上，结合人工干预，获取实时测量的多模态数据和煤岩分布，能够保证所获取的多模态数据和煤岩分布为正常工况下的数据。
S300：根据实时顶底板截割曲线、实时滚筒高度和实时牵引速度，确定样本煤岩分布。
本公开实施例中，根据实时顶底板截割曲线、实时滚筒高度和实时牵引速度，确定样本煤岩分布。
可以理解的是，不同预测煤岩分布的情况下，对应的滚筒高度和牵引速度不同，根据实时顶底板截割曲线、实时滚筒高度和实时牵引速度，可以确定样本煤岩分布。
S400：确定实时截割电机电流数据为样本截割电机电流数据，实时升降油缸压力数据为样本升降油缸压力数据，实时截割摇臂振动数据为样本截割摇臂振动数据，实时截割煤岩噪声数据为样本截割煤岩噪声数据，实时滚筒截割视频数据为样本滚筒截割视频数据。
本公开实施例中，边缘处理器根据实时获取的多模态数据和煤岩分布，确定样本多模态数据和样本煤岩分布，其中，可以直接将实时获取的多模态数据和煤岩分布，确定为样本多模态数据和样本煤岩分布，或者，还可以对实时获取的多模态数据和煤岩分布进行预处理后，得到样本多模态数据和样本煤岩分布。
边缘处理器将样本多模态数据和样本煤岩分布，发送至云端服务器，在云端服务器中根据样本多模态数据和样本煤岩分布对煤岩界面识别模型进行训练，在训练样本数据准确度较高的情况下，能够获得更加符合工况的煤岩界面识别模型，以在后续使用煤岩界面识别模型进行预测时，能够得到更加准确的预测结果。
图11为本公开实施例提供的一种煤岩界面识别模型训练装置的结构图。
如图11所示，该煤岩界面识别模型训练装置100，包括：数据接收单元101、第一处理单元102、第二处理单元103、第三处理单元104、第四处理单元105和训练更新单元106。
数据接收单元101，被配置为接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
第一处理单元102，被配置为根据样本截割摇臂振动数据和样本截割煤岩噪声数据，获取样本载荷状态特征。
第二处理单元103，被配置为根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
第三处理单元104，被配置为根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
第四处理单元105，被配置为调用煤岩界面识别模型，根据样本载荷状态特征、样本截割煤岩界面特征和样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布。
训练更新单元106，被配置为根据样本预测煤岩分布和样本煤岩分布，对煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
如图12所示，在一些实施例中，第一处理单元102，包括：第一模型获取模块1021、样本振动特征获取模块1022、样本声音特征获取模块1023和载荷特征融合模块1024。
第一模型获取模块1021，被配置为获取训练好的振动频谱模型和训练好的声音识别模型。
样本振动特征获取模块1022，被配置为调用训练好的振动频谱模型，根据样本截割摇臂振动数据，获取样本振动特征。
样本声音特征获取模块1023，被配置为调用训练好的声音识别模型，根据样本截割煤岩噪声数据，获取样本声音特征。
载荷特征融合模块1024，被配置为将样本振动特征和样本声音特征进行特征级融合，获取样本载荷状态特征。
如图13所示，在一些实施例中，第二处理单元103，包括：第二模型获取模块1031和界面特征融合模块1032。
第二模型获取模块1031，被配置为获取训练好的深度对抗网络模型。
界面特征融合模块1032，被配置为调用训练好的深度对抗网络模型，根据样本滚筒截割视频数据，获取样本截割煤岩界面特征。
如图14所示，在一些实施例中，第三处理单元104，包括：第三模型获取模块1041和截割特征融合模块1042。
第三模型获取模块1041，被配置为获取训练好的载荷特征模型。
截割特征融合模块1042，被配置为调用训练好的载荷特征模型，根据样本截割电机电流数据和样本升降油缸压力数据，获取样本滚筒截割载荷特征。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例中煤岩界面识别模型训练装置所能取得的有益效果与上述示例煤岩界面识别模型训练方法所能取得的有益效果相同，此处不再赘述。
图15为本公开实施例提供的一种采煤机截割控制装置的结构图。
如图15所示，该采煤机截割控制装置1000，包括：第一模型接收单元1001、数据获取单元1002、第一特征获取单元1003、第二特征获取单元1004、第三特征获取单元1005、预测单元1006、数据确定单元1007和数据发送单元1008。
第一模型接收单元1001，被配置为接收云端服务器发送的训练好的煤岩界面识别模型；其中，训练好的煤岩界面识别模型为采用如权利要求1至4中任一项的方法训练得到的。
数据获取单元1002，被配置为获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据。
第一特征获取单元1003，被配置为根据截割摇臂振动数据和截割煤岩噪声数据，获取载荷状态特征。
第二特征获取单元1004，被配置为根据滚筒截割视频数据，获取截割煤岩界面特征。
第三特征获取单元1005，被配置为根据截割电机电流数据和升降油缸压力数据，获取滚筒截割载荷特征。
预测单元1006，被配置为调用训练好的煤岩界面识别模型，根据载荷状态特征、截割煤岩界面特征和滚筒截割载荷特征，生成预测煤岩分布。
数据确定单元1007，被配置为根据预测煤岩分布，确定目标滚筒高度和目标牵引速度。
数据发送单元1008，被配置为将目标滚筒高度和目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
如图16所示，在一些实施例中，数据获取单元1002，包括：电流获取模块10021、压力获取模块10022、振动获取模块10023、噪声获取模块10024和图像获取模块10025。
电流获取模块10021，被配置为通过设置在截割电机上的电流传感器，获取截割电机电流数据。
压力获取模块10022，被配置为通过设置在截割臂升降油缸内的压力传感器，获取升降油缸压力数据。
振动获取模块10023，被配置为通过设置在截割臂上的振动传感器，获取截割摇臂振动数据。
噪声获取模块10024，被配置为通过设置在摇臂底部的声音传感器采集截割煤壁的声音信号，获取截割煤岩噪声数据。
图像获取模块10025，被配置为通过设置在摇臂底部的视频采集装置采集截割的煤岩图像，获取滚筒截割视频数据。
如图17所示，在一些实施例中，该采煤机截割控制装置1000，还包括：第二模型接收单元1009。
第二模型接收单元1009，被配置为接收云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型。
请继续参见图17，在一些实施例中，该采煤机截割控制装置1000，还包括：样本数据获取单元1010。
样本数据获取单元1010，被配置为获取样本煤岩分布和样本多模态数据，以发送至云端服务器获取训练好的煤岩界面识别模型；其中，样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
如图18所示，在一些实施例中，样本数据获取单元1010，包括：记忆数据确定模块10101、实时数据获取模块10102、煤岩分布确定模块10103和样本数据确定模块10104。
记忆数据确定模块10101，被配置为确定记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度。
实时数据获取模块10102，被配置为获取预设条件下，采煤机进行煤层截割的实时截割电机电流数据、实时升降油缸压力数据、实时截割摇臂振动数据、实时截割煤岩噪声数据、实时滚筒截割视频数据、实时顶底板截割曲线、实时滚筒高度和实时牵引速度；其中，预设条件为基于人工干预的记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度。
煤岩分布确定模块10103，被配置为根据实时顶底板截割曲线、实时滚筒高度和实时牵引速度，确定样本煤岩分布。
样本数据确定模块10104，被配置为确定实时截割电机电流数据为样本截割电机电流数据，实时升降油缸压力数据为样本升降油缸压力数据，实时截割摇臂振动数据为样本截割摇臂振动数据，实时截割煤岩噪声数据为样本截割煤岩噪声数据，实时滚筒截割视频数据为样本滚筒截割视频数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例中采煤机截割控制装置所能取得的有益效果与上述示例采煤机截割控制方法所能取得的有益效果相同，此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“示例性实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种煤岩界面识别模型训练方法，其特征在于，所述方法由云端服务器执行，包括：
接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；
根据所述样本截割摇臂振动数据和所述样本截割煤岩噪声数据，获取样本载荷状态特征；
根据所述样本滚筒截割视频数据，获取样本截割煤岩界面特征；
根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取样本滚筒截割载荷特征；
调用煤岩界面识别模型，根据所述样本载荷状态特征、所述样本截割煤岩界面特征和所述样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；
根据所述样本预测煤岩分布和所述样本煤岩分布，对所述煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本截割摇臂振动数据和所述样本截割煤岩噪声数据，获取样本载荷状态特征，包括：
获取训练好的振动频谱模型和训练好的声音识别模型；
调用所述训练好的振动频谱模型，根据所述样本截割摇臂振动数据，获取样本振动特征；
调用所述训练好的声音识别模型，根据所述样本截割煤岩噪声数据，获取样本声音特征；
将所述样本振动特征和所述样本声音特征进行特征级融合，获取所述样本载荷状态特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述样本滚筒截割视频数据，获取样本截割煤岩界面特征，包括：
获取训练好的深度对抗网络模型；
调用所述训练好的深度对抗网络模型，根据所述样本滚筒截割视频数据，获取所述样本截割煤岩界面特征。
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取样本滚筒截割载荷特征，包括：
获取训练好的载荷特征模型；
调用所述训练好的载荷特征模型，根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取所述样本滚筒截割载荷特征。
5.一种采煤机截割控制方法，其特征在于，所述方法由边缘处理器执行，包括：
接收云端服务器发送的训练好的煤岩界面识别模型；其中，所述训练好的煤岩界面识别模型为采用如权利要求1至4中任一项所述的方法训练得到的；
获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据；
根据所述截割摇臂振动数据和所述截割煤岩噪声数据，获取载荷状态特征；
根据所述滚筒截割视频数据，获取截割煤岩界面特征；
根据所述截割电机电流数据和所述升降油缸压力数据，获取滚筒截割载荷特征；
调用所述训练好的煤岩界面识别模型，根据所述载荷状态特征、所述截割煤岩界面特征和所述滚筒截割载荷特征，生成预测煤岩分布；
根据所述预测煤岩分布，确定目标滚筒高度和目标牵引速度；
将所述目标滚筒高度和所述目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
6.根据权利要求5所述的方法，其特征在于，所述获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据，包括：
通过设置在截割电机上的电流传感器，获取所述截割电机电流数据；
通过设置在截割臂升降油缸内的压力传感器，获取所述升降油缸压力数据；
通过设置在截割臂上的振动传感器，获取所述截割摇臂振动数据；
通过设置在摇臂底部的声音传感器采集截割煤壁的声音信号，获取所述截割煤岩噪声数据；
通过设置在摇臂底部的视频采集装置采集截割的煤岩图像，获取所述滚筒截割视频数据。
7.根据权利要求5所述的方法，其特征在于，所述方法，还包括：
接收所述云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型。
8.根据权利要求5所述的方法，其特征在于，所述方法，还包括：
获取样本煤岩分布和样本多模态数据，以发送至所述云端服务器获取所述训练好的煤岩界面识别模型；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
9.根据权利要求8所述的方法，其特征在于，所述获取样本煤岩分布和样本多模态数据，包括：
确定记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度；
获取预设条件下，所述采煤机进行煤层截割的实时截割电机电流数据、实时升降油缸压力数据、实时截割摇臂振动数据、实时截割煤岩噪声数据、实时滚筒截割视频数据、实时顶底板截割曲线、实时滚筒高度和实时牵引速度；其中，所述预设条件为基于人工干预的所述记忆顶底板截割曲线、所述记忆滚筒高度和所述记忆牵引速度；
根据所述实时顶底板截割曲线、所述实时滚筒高度和所述实时牵引速度，确定所述样本煤岩分布；
确定所述实时截割电机电流数据为所述样本截割电机电流数据，所述实时升降油缸压力数据为所述样本升降油缸压力数据，所述实时截割摇臂振动数据为所述样本截割摇臂振动数据，所述实时截割煤岩噪声数据为所述样本截割煤岩噪声数据，所述实时滚筒截割视频数据为所述样本滚筒截割视频数据。
10.一种煤岩界面识别模型训练装置，其特征在于，包括：
数据接收单元，被配置为接收边缘处理器发送的样本煤岩分布和样本多模态数据；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据；
第一处理单元，被配置为根据所述样本截割摇臂振动数据和所述样本截割煤岩噪声数据，获取样本载荷状态特征；
第二处理单元，被配置为根据所述样本滚筒截割视频数据，获取样本截割煤岩界面特征；
第三处理单元，被配置为根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取样本滚筒截割载荷特征；
第四处理单元，被配置为调用煤岩界面识别模型，根据所述样本载荷状态特征、所述样本截割煤岩界面特征和所述样本滚筒截割载荷特征，进行决策级融合，生成样本预测煤岩分布；
训练更新单元，被配置为根据所述样本预测煤岩分布和所述样本煤岩分布，对所述煤岩界面识别模型进行模型训练更新，以得到训练好的煤岩界面识别模型。
11.根据权利要求10所述的装置，其特征在于，所述第一处理单元，包括：
第一模型获取模块，被配置为获取训练好的振动频谱模型和训练好的声音识别模型；
样本振动特征获取模块，被配置为调用所述训练好的振动频谱模型，根据所述样本截割摇臂振动数据，获取样本振动特征；
样本声音特征获取模块，被配置为调用所述训练好的声音识别模型，根据所述样本截割煤岩噪声数据，获取样本声音特征；
载荷特征融合模块，被配置为将所述样本振动特征和所述样本声音特征进行特征级融合，获取所述样本载荷状态特征。
12.根据权利要求10所述的装置，其特征在于，所述第二处理单元，包括：
第二模型获取模块，被配置为获取训练好的深度对抗网络模型；
界面特征融合模块，被配置为调用所述训练好的深度对抗网络模型，根据所述样本滚筒截割视频数据，获取所述样本截割煤岩界面特征。
13.根据权利要求10所述的装置，其特征在于，所述第三处理单元，包括：
第三模型获取模块，被配置为获取训练好的载荷特征模型；
截割特征融合模块，被配置为调用所述训练好的载荷特征模型，根据所述样本截割电机电流数据和所述样本升降油缸压力数据，获取所述样本滚筒截割载荷特征。
14.一种采煤机截割控制装置，其特征在于，包括：
第一模型接收单元，被配置为接收云端服务器发送的训练好的煤岩界面识别模型；其中，所述训练好的煤岩界面识别模型为采用如权利要求1至4中任一项所述的方法训练得到的；
数据获取单元，被配置为获取截割电机电流数据、升降油缸压力数据、截割摇臂振动数据、截割煤岩噪声数据以及滚筒截割视频数据；
第一特征获取单元，被配置为根据所述截割摇臂振动数据和所述截割煤岩噪声数据，获取载荷状态特征；
第二特征获取单元，被配置为根据所述滚筒截割视频数据，获取截割煤岩界面特征；
第三特征获取单元，被配置为根据所述截割电机电流数据和所述升降油缸压力数据，获取滚筒截割载荷特征；
预测单元，被配置为调用所述训练好的煤岩界面识别模型，根据所述载荷状态特征、所述截割煤岩界面特征和所述滚筒截割载荷特征，生成预测煤岩分布；
数据确定单元，被配置为根据所述预测煤岩分布，确定目标滚筒高度和目标牵引速度；
数据发送单元，被配置为将所述目标滚筒高度和所述目标牵引速度发送至采煤机控制器，以控制采煤机进行煤层截割。
15.根据权利要求14所述的装置，其特征在于，所述数据获取单元，包括：
电流获取模块，被配置为通过设置在截割电机上的电流传感器，获取所述截割电机电流数据；
压力获取模块，被配置为通过设置在截割臂升降油缸内的压力传感器，获取所述升降油缸压力数据；
振动获取模块，被配置为通过设置在截割臂上的振动传感器，获取所述截割摇臂振动数据；
噪声获取模块，被配置为通过设置在摇臂底部的声音传感器采集截割煤壁的声音信号，获取所述截割煤岩噪声数据；
图像获取模块，被配置为通过设置在摇臂底部的视频采集装置采集截割的煤岩图像，获取所述滚筒截割视频数据。
16.根据权利要求14所述的装置，其特征在于，所述装置，还包括：
第二模型接收单元，被配置为接收所述云端服务器发送的训练好的振动频谱模型、训练好的声音识别模型、训练好的深度对抗网络模型和训练好的载荷特征模型。
17.根据权利要求16所述的装置，其特征在于，所述装置，还包括：
样本数据获取单元，被配置为获取样本煤岩分布和样本多模态数据，以发送至所述云端服务器获取所述训练好的煤岩界面识别模型；其中，所述样本多模态数据包括：样本截割电机电流数据、样本升降油缸压力数据、样本截割摇臂振动数据、样本截割煤岩噪声数据以及样本滚筒截割视频数据。
18.根据权利要求17所述的装置，其特征在于，所述样本数据获取单元，包括：
记忆数据确定模块，被配置为确定记忆顶底板截割曲线、记忆滚筒高度和记忆牵引速度；
实时数据获取模块，被配置为获取预设条件下，所述采煤机进行煤层截割的实时截割电机电流数据、实时升降油缸压力数据、实时截割摇臂振动数据、实时截割煤岩噪声数据、实时滚筒截割视频数据、实时顶底板截割曲线、实时滚筒高度和实时牵引速度；其中，所述预设条件为基于人工干预的所述记忆顶底板截割曲线、所述记忆滚筒高度和所述记忆牵引速度；
煤岩分布确定模块，被配置为根据所述实时顶底板截割曲线、所述实时滚筒高度和所述实时牵引速度，确定所述样本煤岩分布；
样本数据确定模块，被配置为确定所述实时截割电机电流数据为所述样本截割电机电流数据，所述实时升降油缸压力数据为所述样本升降油缸压力数据，所述实时截割摇臂振动数据为所述样本截割摇臂振动数据，所述实时截割煤岩噪声数据为所述样本截割煤岩噪声数据，所述实时滚筒截割视频数据为所述样本滚筒截割视频数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635956.3A CN114998798A (zh) | 2022-06-07 | 2022-06-07 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
| PCT/CN2022/098271 WO2023236221A1 (zh) | 2022-06-07 | 2022-06-10 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635956.3A CN114998798A (zh) | 2022-06-07 | 2022-06-07 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998798A true CN114998798A (zh) | 2022-09-02 |
Family
ID=83033075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210635956.3A Pending CN114998798A (zh) | 2022-06-07 | 2022-06-07 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114998798A (zh) |
| WO (1) | WO2023236221A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310843A (zh) * | 2023-05-16 | 2023-06-23 | 三一重型装备有限公司 | 煤岩识别方法、装置、可读存储介质和掘进机 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496004B (zh) * | 2011-11-24 | 2013-11-06 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
| CN102720496B (zh) * | 2012-06-27 | 2014-12-31 | 江苏师范大学 | 采煤机煤岩界面自动识别、滚筒自动调高方法和系统 |
| CN104329090B (zh) * | 2014-10-21 | 2016-05-11 | 中国矿业大学(北京) | 一种基于采煤机截割电机温度的煤岩性状识别方法 |
| US11319809B2 (en) * | 2020-02-19 | 2022-05-03 | Joy Global Underground Mining Inc | Impact sensor and control system for a longwall shearer |
| CN114119481B (zh) * | 2021-10-25 | 2023-04-07 | 桂林电子科技大学 | 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 |
-
2022
- 2022-06-07 CN CN202210635956.3A patent/CN114998798A/zh active Pending
- 2022-06-10 WO PCT/CN2022/098271 patent/WO2023236221A1/zh unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310843A (zh) * | 2023-05-16 | 2023-06-23 | 三一重型装备有限公司 | 煤岩识别方法、装置、可读存储介质和掘进机 |
| CN116310843B (zh) * | 2023-05-16 | 2023-07-21 | 三一重型装备有限公司 | 煤岩识别方法、装置、可读存储介质和掘进机 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023236221A1 (zh) | 2023-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102292990B1 (ko) | 상태 관련 정보 공유 방법 및 장치 | |
| CN110831029B (zh) | 一种模型的优化方法和分析网元 | |
| CN109889599B (zh) | 一种数据处理方法及系统 | |
| CN114998798A (zh) | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 | |
| CN107431527A (zh) | 使用自主车辆闭环优化无线网络 | |
| KR20090080723A (ko) | 무선망 설계 장치 및 방법 | |
| CN107819676B (zh) | 基于加权矩阵模型的智能路由装置及方法 | |
| CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
| US11477748B2 (en) | Apparatus to be controlled, control method, non- transitory computer readable medium, and remote control system | |
| CN104851280A (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
| CN111431644A (zh) | 面向频谱认知的无人机路径自主规划装置及方法 | |
| US20230089513A1 (en) | Improvements in and relating to power saving in a telecommunication network | |
| CN111749723A (zh) | 放顶煤控制方法及系统 | |
| CN112616126A (zh) | 一种基于分布式协作的传感器信息处理方法 | |
| CN102238571A (zh) | 物联网m2m业务处理的装置、系统以及方法 | |
| CN111781934A (zh) | 一种主从分布式协同装置及其控制方法 | |
| US11726451B2 (en) | Remote processing of sensor data for machine operation | |
| KR20190080695A (ko) | 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법 | |
| US20220381007A1 (en) | Selectively causing remote processing of data for an autonomous digging operation | |
| CN112160750B (zh) | 采煤机状态控制、预测的系统及方法 | |
| CN113365302A (zh) | 等信号线/区域生成方法及装置、设备、计算机程序 | |
| KR101888584B1 (ko) | 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법 | |
| CN113514819B (zh) | 梯控主控模块安装位置确定方法、系统、装置及存储介质 | |
| CN112417728B (zh) | 一种远程智能自升式平台作业安全评估系统 | |
| CN115589424A (zh) | 基于群组的控制方法、系统、作业机械及电子设备 |
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 |