CN116187831B - 一种基于大数据的掘进机智能管控系统及方法 - Google Patents

一种基于大数据的掘进机智能管控系统及方法 Download PDF

Info

Publication number
CN116187831B
CN116187831B CN202310045330.1A CN202310045330A CN116187831B CN 116187831 B CN116187831 B CN 116187831B CN 202310045330 A CN202310045330 A CN 202310045330A CN 116187831 B CN116187831 B CN 116187831B
Authority
CN
China
Prior art keywords
data
monitoring
tunneling
cutting head
data sequence
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.)
Active
Application number
CN202310045330.1A
Other languages
English (en)
Other versions
CN116187831A (zh
Inventor
韩玉明
赵洪亮
郭超
郝家兴
刘剑
赵垒
李舰
孙磊
张敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Huahan Energy Equipment Technology Co ltd
Shanxi Luan Environmental Energy Development Co Ltd
Original Assignee
Wuxi Huahan Energy Equipment Technology Co ltd
Shanxi Luan Environmental Energy Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Huahan Energy Equipment Technology Co ltd, Shanxi Luan Environmental Energy Development Co Ltd filed Critical Wuxi Huahan Energy Equipment Technology Co ltd
Priority to CN202310045330.1A priority Critical patent/CN116187831B/zh
Publication of CN116187831A publication Critical patent/CN116187831A/zh
Application granted granted Critical
Publication of CN116187831B publication Critical patent/CN116187831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Animal Husbandry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及掘进机智能管控技术领域，具体为一种基于大数据的掘进机智能管控系统及方法，包括掘进数据获取模块、环境相似指数分析模块、目标考察煤巷提取模块、预警优先级分析模块和预警响应模块；掘进数据获取模块用于获取样本数据和历史监测数据；环境相似指数分析模块用于分析第一样本数据与煤巷的第一监测数据并计算对应煤巷的环境相似指数；目标考察煤巷提取模块用于提取环境相似指数最大值对应的煤巷为目标考察煤巷；预警优先级分析模块用于分析第二样本数据与第二监测数据的预警优先级；预警响应模块用于基于预警优先级进行预警响应，本发明可以为煤巷掘进截割头的替换工作给出有效的规划时间，提高了掘进工作的工作效率。

Description

一种基于大数据的掘进机智能管控系统及方法
技术领域
本发明涉及掘进机智能管控技术领域，具体为一种基于大数据的掘进机智能管控系统及方法。
背景技术
随着我国经济的高速发展，煤炭工业不断朝着机械化、自动化的方向发展，智能机械化采煤设备越来越广泛的应用于各种地质条件的煤炭生产中。
目前，掘进机在采煤作业中得到了广泛的应用。但是煤巷中地形环境复杂，在煤层中藏有岩石等硬物，从而导致在掘进过程中掘进机的截割头一般在使用一段周期后就需要更换替代，但是目前掘进工作人员对掘进机截割头的寿命难以预测，导致在掘进机使用中会产生因掘进机截割头报废而使得掘进工作停滞不前的情况，对掘进工作造成了极大的影响，导致生产效率下降。
发明内容
本发明的目的在于提供一种基于大数据的掘进机智能管控系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的掘进机智能管控方法，包括以下步骤：
步骤S1：获取监测煤巷在第一监测周期内已经完成掘进的第一样本数据，样本数据包括监测煤巷的掘进路程、掘进机截割头的使用更换数据以及掘进过程中由摄像装置捕捉记录的图像数据和由测距传感装置获取记录的位置角度数据；
步骤S2：基于步骤S1中的第一样本数据，获取同一矿区内不同煤巷的历史监测数据，历史监测数据的类型与样本数据中的类型相同，提取历史监测数据中与第一样本数据中开始掘进前截割头状态相同时对应的监测数据为第一监测数据，则历史监测数据除去第一监测数据后的数据为第二监测数据；分析第一样本数据与煤巷的第一监测数据并计算出对应煤巷的环境相似指数；
步骤S3：基于不同煤巷的环境相似指数，提取环境相似指数最大值对应的煤巷为目标考察煤巷；
步骤S4：获取目标考察煤巷的第二监测数据，以及实时获取监测巷道的第二样本数据，分析第二样本数据与第二监测数据的预警优先级，并进行预警响应。
进一步的，步骤S2中开始掘进前截割头状态相同，包括以下分析步骤：
获取历史监测数据中第i个煤巷掘进机截割头的平均掘进完整周期Ti，平均掘进完整周期是指在第i个煤巷中掘进机的不同截割头从初次使用到报废更换的使用周期的平均值；提取掘进完整周期与平均掘进完整周期相同时对应截割头的监测数据构成第i个煤巷的评估数据序列Ai；
Ai＝{d1→(m1,s1),d2→(m2,s2),...,dn→(mn,sn)}，
dj＝{d1,d2,d3,...,dn}，(mj,sj)＝{(m1,s1),(m2,s2),...,(mn,sn)}，j≤n；n表示异常表征的总次数；
其中dj表示第j次异常表征，mj表示第j次异常表征对应监测数据中的煤岩块运输效率，sj表示第j次异常表征对应监测数据中截割头的平均偏角速度；
异常表征是指在进行掘进工作时存在掘进层完成该层掘进任务的平均掘进速度小于已完成掘进的路径中所有掘进层对应的平均掘进速度且大于零的事件，并输出事件对应的掘进层为异常层；
煤岩块运输效率是指异常层开始掘进到完成该层掘进时间周期内的煤岩块运输效率；
截割头的平均偏角速度是指异常层开始掘进到完成该层掘进时间周期内截割头每次执行角度偏移速度的平均值；
获取开始掘进前截割头的前向使用数据，前向使用数据是指监测煤巷所使用的截割头从初次使用到第一监测周期开始监测前时段内的使用数据，将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号。
进一步的，评估数据序列Ai，还包括以下分析步骤：
获取第i个煤巷除去评估数据序列中对应的异常层掘进数据外的数据为正常层掘进数据；
获取正常层掘进数据中由摄像装置捕捉记录且剔除对应摄像装置捕捉到截割头停止工作时的图像数据为正常层图像数据；将正常层图像数据进行灰度化处理，并标定煤岩块的灰度值范围；以及获取执行角度偏移的度数γ和偏移时长t；利用公式：
计算第u个时间周期内正常层图像数据中煤岩块的运输效率Pu和截割头的偏角速度Yu，时间周期是指同一掘进层面开始掘进到完成该层掘进的时长；其中R1表示灰度化后的图像数据中属于煤岩块灰度值范围对应的面积值，R2表示传送带对应图像中的面积值；v表示一个时间周期内捕捉到R1/R2的个数，x表示一个时间周期内同一掘进层面截割头执行角度偏转的总次数；
计算正常层图像数据对应的平均运输效率P0，P0＝[∑(Pu)]/w；w表示正常层图像数据中存在的正常层个数，即时间周期的个数；计算正常层图像数据对应的截割头的平均偏角速度Y0，Y0＝[∑(Yu)]/w；分析运输效率是因为在正常掘进过程中传送带上的煤岩块运输比例是比较均匀的，当存在煤岩壁硬度较大的情况时掘进机掘进出的煤岩块可能会出现较多大小不一的规格，而一些小规格的煤岩块便不易被装运机构的三爪星轮给收集到传送到上，从而导致传送带上煤岩块的比例降低；分析偏角速度是因为当煤岩壁的硬度增加，角度偏转的同时因为阻力增大自然会增加转角的时间；而当速度的降低并不是因为这些因素导致的，那么呈现在运输效率和偏角速度则不会存在明显差异；
当存在|P0-mj|的值小于等于第一差值阈值且|Y0-sj|的值小于等于第二差值阈值时，则剔除满足上述要求的异常表征后构成第一评估数据序列对。剔除满足上述要求的异常表征是为了进一步确定异常层掘进速度的减缓是因为煤岩层硬度等客观因素导致的，确定了截割头损伤程度来源的方向性。
进一步的，将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号包括以下分析步骤：
提取前向使用数据中异常表征的个数k，对应获取p个煤巷中异常表征数量大于等于k的第一评估数据序列对为待分析评估数据序列对；
获取前向使用数据中异常表征对应的数据序列(m,s)，将k个异常表征对应的数据序列(m,s)与待分析评估数据序列对依次计算相似度；m表示前向使用数据中的煤岩块运输效率，s表示前向使用数据中的截割头的平均偏角速度；并计算前向使用数据对应k个异常表征的平均相似度；
提取平均相似度大于等于平均相似度阈值时的煤巷对应截割头的监测数据并输出开始掘进前截割头状态相同信号。
进一步的，步骤S2中分析第一样本数据与不同煤巷的第一监测数据并计算出对应煤巷的环境相似指数，包括以下分析步骤：
当第一监测数据唯一时，则输出煤巷的环境相似指数为1；
当第一监测数据不唯一时，获取第一样本数据与第g个第一监测数据中异常表征对应的数据序列对的平均相似度f1g和正常层对应的数据序列对的平均相似度f2g；利用公式：
Fg＝a1*f1g+a2*f2g；
计算第g个第一监测数据对应煤巷的环境相似指数Fg；a1+a2＝1，a1大于0，a2大于0，a1表示平均相似度f1g的影响系数，a2表示平均相似度f2g的影响系数。
进一步的，分析第二样本数据和第二监测数据的预警优先级，并进行预警响应，包括以下步骤：
获取第二样本数据在第二监测周期内正常层的数据序列(m`,s`)，并生成待分析数据序列集合B，B＝{(m`1,s`2),(m`1,s`2),...,(m`h,s`h)}，(m`h,s`h)表示第二样本数据在第二监测周期内第h个正常层的数据序列；
获取第二监测数据在第二监测周期内正常层的数据序列(m*,s*)，并生成待对比数据序列集合C，C＝{(m*1,s*2),(m*1,s*2),...,(m*h,s*h)}，(m*h,s*h)表示第二监测数据在第二监测周期内第h个正常层的数据序列；
第二监测周期小于第一监测周期；
计算待分析数据序列集合B的截割头使用离散率Rb，Rb＝{max[B]-min[B]}/B0，其中max[B]表示待分析数据序列集合B中数据序列的最大值，min[B]表示待分析数据序列集合B中数据序列的最小值，B0表示待分析数据序列集合B中的平均值；
计算待对比数据序列集合C的截割头使用离散率Rc，Rc＝{max[C]-min[C]}/C0，其中max[C]表示待对比数据序列集合C中数据序列的最大值，min[C]表示待对比数据序列集合C中数据序列的最小值，C0表示待对比数据序列集合C中的平均值；
当Rc>Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第二优先级；并传输监测巷道截割头的预估剩余使用时长大于第二监测数据对应的掘进机截割头的实际剩余使用时长，实际剩余使用时长通过掘进机截割头的使用更换数据中的完整使用周期-已记录使用周期，
当Rc≤Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第一优先级；并传输监测巷道截割头的预估剩余使用时长小于第二监测数据对应的掘进机截割头的实际剩余使用时长；
第一优先级预警程度大于第二优先级。
分析使用离散率是因为离散率反应率了在截割头使用一段时间后自身的截割效果会降低从而在数据上体现出来，且在截割头即将报废的后段时间，截割头的截割效率会更加趋于明显的数据差异，而通过分析数据在监测周期的离散程度对比历史数据中与当前监测环境最相近的煤巷来判断当前截割头的预估可用时长与历史数据的关系，当离散率小于对应历史数据时说明当前截割头的使用时长要长于对应历史的数据，进行预警程度要次于使用时长小于对应历史数据的；且截割头在掘进过程中是一定需要定期更换的，合理的预测更换的时长以及更换的时间，可以为煤巷掘进截割头的替换工作给出有效的规划时间，不会产生在掘进过程中截割头损坏时而未有准备造成的时间资源浪费，提高了掘进工作的工作效率。
一种基于大数据的掘进机智能管控系统，包括掘进数据获取模块、环境相似指数分析模块、目标考察煤巷提取模块、预警优先级分析模块和预警响应模块；
掘进数据获取模块用于获取样本数据和历史监测数据，样本数据包括第一样本数据和第二样本数据，历史监测数据包括第一监测数据和第二监测数据；
环境相似指数分析模块用于分析第一样本数据与煤巷的第一监测数据并计算对应煤巷的环境相似指数；
目标考察煤巷提取模块用于提取环境相似指数最大值对应的煤巷为目标考察煤巷；
预警优先级分析模块用于分析第二样本数据与第二监测数据的预警优先级；
预警响应模块用于基于预警优先级进行预警响应。
进一步的，环境相似指数分析模块包括截割头状态分析单元和环境相似指数计算单元；
截割头状态分析单元用于分析煤巷的评估数据序列对，以及筛选剔除评估数据序列对中异常层数据序列与正常层数据序列差异小于阈值时对应的异常表征，更新评估数据序列对为第一评估数据序列对，并基于第一评估数据序列对分析截割头状态；
环境相似指数计算单元用于基于第一样本数据与第一监测数据中异常表征对应的数据序列对的平均相似度和正常层对应的数据序列对的平均相似度，计算环境相似指数。
进一步的，预警优先级分析模块包括第二监测周期数据序列分析单元、使用离散率计算单元和优先级对比分析单元；
第二监测周期数据序列分析单元用于获取第二样本数据在第二监测周期内正常层的数据序列，以及第二监测数据在第二监测周期内正常层的数据序列；
使用离散率计算单元用于计算数据序列集合中截割头的使用离散率；
优先级对比分析单元用于分析第二样本数据和第二监测数据对应的使用离散率，判断优先级并传输对应信号。
与现有技术相比，本发明所达到的有益效果是：本发明通过获取历史煤巷中截割头的使用记录数据来分析与当前监测巷道所使用截割头状况最相近的截割头使用数据，从而以该截割头的使用时长为依据判断当前监测巷道的掘进情况，分析实时动态数据预测当前巷道所使用截割头的剩余寿命并进行预警；本申请合理的预测更换的时长以及更换的时间，可以为煤巷掘进截割头的替换工作给出有效的规划时间，不会产生在掘进过程中截割头损坏时而未有准备造成的时间资源浪费，提高了掘进工作的工作效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的掘进机智能管控系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：步骤S1：获取监测煤巷在第一监测周期内已经完成掘进的第一样本数据，样本数据包括监测煤巷的掘进路程、掘进机截割头的使用更换数据以及掘进过程中由摄像装置捕捉记录的图像数据和由测距传感装置获取记录的位置角度数据；摄像装置包括防爆网络摄像仪、矿用本安摄像仪和矿用云台摄像仪等，且摄像装置的数量可依据实际情况进行设置；测距传感装置包括矿用扇形激光发射仪、掘进机身位移监测仪、激光测距仪和双轴倾向传感器等，这些测距传感装置可以共同监测掘进机的水平偏角和水平偏距；
步骤S2：基于步骤S1中的第一样本数据，获取同一矿区内不同煤巷的历史监测数据，历史监测数据的类型与样本数据中的类型相同，提取历史监测数据中与第一样本数据中开始掘进前截割头状态相同时对应的监测数据为第一监测数据，则历史监测数据除去第一监测数据后的数据为第二监测数据；分析第一样本数据与煤巷的第一监测数据并计算出对应煤巷的环境相似指数；
步骤S3：基于不同煤巷的环境相似指数，提取环境相似指数最大值对应的煤巷为目标考察煤巷；
步骤S4：获取目标考察煤巷的第二监测数据，以及实时获取监测巷道的第二样本数据，分析第二样本数据与第二监测数据的预警优先级，并进行预警响应。
步骤S2中开始掘进前截割头状态相同，包括以下分析步骤：
获取历史监测数据中第i个煤巷掘进机截割头的平均掘进完整周期Ti，平均掘进完整周期是指在第i个煤巷中掘进机的不同截割头从初次使用到报废更换的使用周期的平均值；提取掘进完整周期与平均掘进完整周期相同时对应截割头的监测数据构成第i个煤巷的评估数据序列Ai；
Ai＝{d1→(m1,s1),d2→(m2,s2),...,dn→(mn,sn)}，
dj＝{d1,d2,d3,...,dn}，(mj,sj)＝{(m1,s1),(m2,s2),...,(mn,sn)}，j≤n；n表示异常表征的总次数；
其中dj表示第j次异常表征，mj表示第j次异常表征对应监测数据中的煤岩块运输效率，sj表示第j次异常表征对应监测数据中截割头的平均偏角速度；
异常表征是指在进行掘进工作时存在掘进层完成该层掘进任务的平均掘进速度小于已完成掘进的路径中所有掘进层对应的平均掘进速度且大于零的事件，并输出事件对应的掘进层为异常层；在煤巷掘进工作中，掘进效率是非常重要的工作指标，当某一煤岩层面的掘进速度明显小于平均掘进速度时，造成该现象的原因可能是煤岩层硬度增大、设备部件故障等，分析出异常表征是为了分析这些异常情况对截割头造成的影响，因为当煤岩层的硬度增大时对截割头造成的损伤也会增大；
煤岩块运输效率是指异常层开始掘进到完成该层掘进时间周期内的煤岩块运输效率；
截割头的平均偏角速度是指异常层开始掘进到完成该层掘进时间周期内截割头每次执行角度偏移速度的平均值；
获取开始掘进前截割头的前向使用数据，前向使用数据是指监测煤巷所使用的截割头从初次使用到第一监测周期开始监测前时段内的使用数据，使用数据类型与样本数据类型相同；将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号。
评估数据序列Ai，还包括以下分析步骤：
获取第i个煤巷除去评估数据序列中对应的异常层掘进数据外的数据为正常层掘进数据；
获取正常层掘进数据中由摄像装置捕捉记录且剔除对应摄像装置捕捉到截割头停止工作时的图像数据为正常层图像数据；将正常层图像数据进行灰度化处理，并标定煤岩块的灰度值范围；以及获取执行角度偏移的度数γ和偏移时长t；利用公式：
计算第u个时间周期内正常层图像数据中煤岩块的运输效率Pu和截割头的偏角速度Yu，时间周期是指同一掘进层面开始掘进到完成该层掘进的时长；其中R1表示灰度化后的图像数据中属于煤岩块灰度值范围对应的面积值，R2表示传送带对应图像中的面积值；如R2可以设定为传送带对应图像显示中矩形框的大小；v表示一个时间周期内捕捉到R1/R2的个数，x表示一个时间周期内同一掘进层面截割头执行角度偏转的总次数；
计算正常层图像数据对应的平均运输效率P0，P0＝[∑(Pu)]/w；w表示正常层图像数据中存在的正常层个数，即时间周期的个数；计算正常层图像数据对应的截割头的平均偏角速度Y0，Y0＝[∑(Yu)]/w；分析运输效率是因为在正常掘进过程中传送带上的煤岩块运输比例是比较均匀的，当存在煤岩壁硬度较大的情况时掘进机掘进出的煤岩块可能会出现较多大小不一的规格，而一些小规格的煤岩块便不易被装运机构的三爪星轮给收集到传送到上，从而导致传送带上煤岩块的比例降低；分析偏角速度是因为当煤岩壁的硬度增加，角度偏转的同时因为阻力增大自然会增加转角的时间；而当速度的降低并不是因为这些因素导致的，那么呈现在运输效率和偏角速度则不会存在明显差异；
评估数据序列中的煤岩块运输效率、截割头的平均偏角速度与正常层对应的煤岩块运输效率、截割头的平均偏角速度计算方式相同；
当存在|P0-mj|的值小于等于第一差值阈值且|Y0-sj|的值小于等于第二差值阈值时，则剔除满足上述要求的异常表征后构成第一评估数据序列对。剔除满足上述要求的异常表征是为了进一步确定异常层掘进速度的减缓是因为煤岩层硬度等客观因素导致的，确定了截割头损伤程度来源的方向性。
将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号包括以下分析步骤：
提取前向使用数据中异常表征的个数k，对应获取p个煤巷中异常表征数量大于等于k的第一评估数据序列对为待分析评估数据序列对；
获取前向使用数据中异常表征对应的数据序列(m,s)，将k个异常表征对应的数据序列(m,s)与待分析评估数据序列对依次计算相似度；m表示前向使用数据中的煤岩块运输效率，s表示前向使用数据中的截割头的平均偏角速度；并计算前向使用数据对应k个异常表征的平均相似度；
提取平均相似度大于等于平均相似度阈值时的煤巷对应截割头的监测数据并输出开始掘进前截割头状态相同信号。
步骤S2中分析第一样本数据与不同煤巷的第一监测数据并计算出对应煤巷的环境相似指数，包括以下分析步骤：
当第一监测数据唯一时，则输出煤巷的环境相似指数为1；
当第一监测数据不唯一时，获取第一样本数据与第g个第一监测数据中异常表征对应的数据序列对的平均相似度f1g和正常层对应的数据序列对的平均相似度f2g；利用公式：
Fg＝a1*f1g+a2*f2g；
计算第g个第一监测数据对应煤巷的环境相似指数Fg；a1+a2＝1，a1大于0，a2大于0，a1表示平均相似度f1g的影响系数，a2表示平均相似度f2g的影响系数。
分析第二样本数据和第二监测数据的预警优先级，并进行预警响应，包括以下步骤：
获取第二样本数据在第二监测周期内正常层的数据序列(m`,s`)，并生成待分析数据序列集合B，B＝{(m`1,s`2),(m`1,s`2),...,(m`h,s`h)}，(m`h,s`h)表示第二样本数据在第二监测周期内第h个正常层的数据序列；
获取第二监测数据在第二监测周期内正常层的数据序列(m*,s*)，并生成待对比数据序列集合C，C＝{(m*1,s*2),(m*1,s*2),...,(m*h,s*h)}，(m*h,s*h)表示第二监测数据在第二监测周期内第h个正常层的数据序列；且其中的m`、s`和m*、s*表示正常层对应的平均值数据，计算方式与上述分析第一评估序列数据对中的计算Pu和Yu方式相同；
第二监测周期小于第一监测周期；
计算待分析数据序列集合B的截割头使用离散率Rb，Rb＝{max[B]-min[B]}/B0，其中max[B]表示待分析数据序列集合B中数据序列的最大值，min[B]表示待分析数据序列集合B中数据序列的最小值，B0表示待分析数据序列集合B中的平均值；
计算待对比数据序列集合C的截割头使用离散率Rc，Rc＝{max[C]-min[C]}/C0，其中max[C]表示待对比数据序列集合C中数据序列的最大值，min[C]表示待对比数据序列集合C中数据序列的最小值，C0表示待对比数据序列集合C中的平均值；
如B＝{(0.7,0.51),(0.2,0.33),(0.6,0.53)}
C＝{(0.81,0.64),(0.4,0.53),(0.39,0.51)}
则min[B]＝(0.2,0.33)，max[B]＝(0.7,0.51)，max[C]＝(0.81,0.64)，min[C]＝(0.39,0.51)，
Rb＝{max[B]-min[B]}/B0＝[(0.7,0.51)-(0.2,0.33)]/(0.5,0.45)＝(1,0.4)；
Rc＝{max[C]-min[C]}/C0＝[(0.81,0.64)-(0.39,0.51)]/(0.53,0.56)＝(0.79,0.23)；
此时Rc<Rb，只有当两个数值均小于时才可称为Rc<Rb，当存在Rc中一个数值大于Rb对应的数值，一个数值小于Rb对应的数值时，取两个数值的均值进行比较；
当Rc>Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第二优先级；并传输监测巷道截割头的预估剩余使用时长大于第二监测数据对应的掘进机截割头的实际剩余使用时长，实际剩余使用时长通过掘进机截割头的使用更换数据中的完整使用周期-已记录使用周期，
当Rc≤Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第一优先级；并传输监测巷道截割头的预估剩余使用时长小于第二监测数据对应的掘进机截割头的实际剩余使用时长；
第一优先级预警程度大于第二优先级。
分析使用离散率是因为离散率反应率了在截割头使用一段时间后自身的截割效果会降低从而在数据上体现出来，且在截割头即将报废的后段时间，截割头的截割效率会更加趋于明显的数据差异，而通过分析数据在监测周期的离散程度对比历史数据中与当前监测环境最相近的煤巷来判断当前截割头的预估可用时长与历史数据的关系，当离散率小于对应历史数据时说明当前截割头的使用时长要长于对应历史的数据，进行预警程度要次于使用时长小于对应历史数据的；且截割头在掘进过程中是一定需要定期更换的，合理的预测更换的时长以及更换的时间，可以为煤巷掘进截割头的替换工作给出有效的规划时间，不会产生在掘进过程中截割头损坏时而未有准备造成的时间资源浪费，提高了掘进工作的工作效率。
一种基于大数据的掘进机智能管控系统，包括掘进数据获取模块、环境相似指数分析模块、目标考察煤巷提取模块、预警优先级分析模块和预警响应模块；
掘进数据获取模块用于获取样本数据和历史监测数据，样本数据包括第一样本数据和第二样本数据，历史监测数据包括第一监测数据和第二监测数据；
环境相似指数分析模块用于分析第一样本数据与煤巷的第一监测数据并计算对应煤巷的环境相似指数；
目标考察煤巷提取模块用于提取环境相似指数最大值对应的煤巷为目标考察煤巷；
预警优先级分析模块用于分析第二样本数据与第二监测数据的预警优先级；
预警响应模块用于基于预警优先级进行预警响应。
环境相似指数分析模块包括截割头状态分析单元和环境相似指数计算单元；
截割头状态分析单元用于分析煤巷的评估数据序列对，以及筛选剔除评估数据序列对中异常层数据序列与正常层数据序列差异小于阈值时对应的异常表征，更新评估数据序列对为第一评估数据序列对，并基于第一评估数据序列对分析截割头状态；
环境相似指数计算单元用于基于第一样本数据与第一监测数据中异常表征对应的数据序列对的平均相似度和正常层对应的数据序列对的平均相似度，计算环境相似指数。
预警优先级分析模块包括第二监测周期数据序列分析单元、使用离散率计算单元和优先级对比分析单元；
第二监测周期数据序列分析单元用于获取第二样本数据在第二监测周期内正常层的数据序列，以及第二监测数据在第二监测周期内正常层的数据序列；
使用离散率计算单元用于计算数据序列集合中截割头的使用离散率；
优先级对比分析单元用于分析第二样本数据和第二监测数据对应的使用离散率，判断优先级并传输对应信号。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于大数据的掘进机智能管控方法，其特征在于，包括以下步骤：
步骤S1：获取监测煤巷在第一监测周期内已经完成掘进的第一样本数据，所述样本数据包括监测煤巷的掘进路程、掘进机截割头的使用更换数据以及掘进过程中由摄像装置捕捉记录的图像数据和由测距传感装置获取记录的位置角度数据；
步骤S2：基于步骤S1中的第一样本数据，获取同一矿区内不同煤巷的历史监测数据，所述历史监测数据的类型与所述样本数据中的类型相同，提取历史监测数据中与第一样本数据中开始掘进前截割头状态相同时对应的监测数据为第一监测数据，则历史监测数据除去第一监测数据后的数据为第二监测数据；
所述步骤S2中开始掘进前截割头状态相同，包括以下分析步骤：
获取历史监测数据中第i个煤巷掘进机截割头的平均掘进完整周期Ti，所述平均掘进完整周期是指在第i个煤巷中掘进机的不同截割头从初次使用到报废更换的使用周期的平均值；提取掘进完整周期与平均掘进完整周期相同时对应截割头的监测数据构成第i个煤巷的评估数据序列Ai；
Ai＝{d1→(m1,s1),d2→(m2,s2),...,dn→(mn,sn)}，
dj＝{d1,d2,d3,...,dn}，(mj,sj)＝{(m1,s1),(m2,s2),...,(mn,sn)}，j≤n；n表示异常表征的总次数；
其中dj表示第j次异常表征，mj表示第j次异常表征对应监测数据中的煤岩块运输效率，sj表示第j次异常表征对应监测数据中截割头的平均偏角速度；
所述异常表征是指在进行掘进工作时存在掘进层完成该层掘进任务的平均掘进速度小于已完成掘进的路径中所有掘进层对应的平均掘进速度且大于零的事件，并输出事件对应的掘进层为异常层；
所述煤岩块运输效率是指异常层开始掘进到完成该层掘进时间周期内的煤岩块运输效率；
所述截割头的平均偏角速度是指异常层开始掘进到完成该层掘进时间周期内截割头每次执行角度偏移速度的平均值；
获取开始掘进前截割头的前向使用数据，所述前向使用数据是指监测煤巷所使用的截割头从初次使用到第一监测周期开始监测前时段内的使用数据；将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号；
所述评估数据序列Ai，还包括以下分析步骤：
获取第i个煤巷除去评估数据序列中对应的异常层掘进数据外的数据为正常层掘进数据；
获取正常层掘进数据中由摄像装置捕捉记录且剔除对应摄像装置捕捉到截割头停止工作时的图像数据为正常层图像数据；将正常层图像数据进行灰度化处理，并标定煤岩块的灰度值范围；以及获取执行角度偏移的度数γ和偏移时长t；利用公式：
计算第u个时间周期内正常层图像数据中煤岩块的运输效率Pu和截割头的偏角速度Yu，所述时间周期是指同一掘进层面开始掘进到完成该层掘进的时长；其中R1表示灰度化后的图像数据中属于煤岩块灰度值范围对应的面积值，R2表示传送带对应图像中的面积值；v表示一个时间周期内捕捉到R1/R2的个数，x表示一个时间周期内同一掘进层面截割头执行角度偏转的总次数；
计算正常层图像数据对应的平均运输效率P0，P0＝[∑(Pu)]/w；w表示正常层图像数据中存在的正常层个数，即时间周期的个数；计算正常层图像数据对应的截割头的平均偏角速度Y0，Y0＝[∑(Yu)]/w；
当存在|P0-mj|的值小于等于第一差值阈值且|Y0-sj|的值小于等于第二差值阈值时，则剔除满足上述要求的异常表征后构成第一评估数据序列对；
所述将前向使用数据与评估数据序列对进行相似度比较分析，并输出对应信号包括以下分析步骤：
提取前向使用数据中异常表征的个数k，对应获取p个煤巷中异常表征数量大于等于k的第一评估数据序列对为待分析评估数据序列对；
获取前向使用数据中异常表征对应的数据序列(m,s)，将k个异常表征对应的数据序列(m,s)与待分析评估数据序列对依次计算相似度；m表示前向使用数据中的煤岩块运输效率，s表示前向使用数据中的截割头的平均偏角速度；并计算前向使用数据对应k个异常表征的平均相似度；
提取平均相似度大于等于平均相似度阈值时的煤巷对应截割头的监测数据并输出开始掘进前截割头状态相同信号；
分析第一样本数据与煤巷的第一监测数据并计算出对应煤巷的环境相似指数；
所述步骤S2中分析第一样本数据与不同煤巷的第一监测数据并计算出对应煤巷的环境相似指数，包括以下分析步骤：
当第一监测数据唯一时，则输出煤巷的环境相似指数为1；
当第一监测数据不唯一时，获取第一样本数据与第g个第一监测数据中异常表征对应的数据序列对的平均相似度f1g和正常层对应的数据序列对的平均相似度f2g；利用公式：
Fg＝a1*f1g+a2*f2g；
计算第g个第一监测数据对应煤巷的环境相似指数Fg；a1+a2＝1，a1大于0，a2大于0，a1表示平均相似度f1g的影响系数，a2表示平均相似度f2g的影响系数；
步骤S3：基于不同煤巷的环境相似指数，提取环境相似指数最大值对应的煤巷为目标考察煤巷；
步骤S4：获取目标考察煤巷的第二监测数据，以及实时获取监测巷道的第二样本数据，分析第二样本数据与第二监测数据的预警优先级，并进行预警响应；
所述分析第二样本数据和第二监测数据的预警优先级，并进行预警响应，包括以下步骤：
获取第二样本数据在第二监测周期内正常层的数据序列(m`,s`)，并生成待分析数据序列集合B，B＝{(m`1,s`2),(m`1,s`2),...,(m`h,s`h)}，(m`h,s`h)表示第二样本数据在第二监测周期内第h个正常层的数据序列；
获取第二监测数据在第二监测周期内正常层的数据序列(m*,s*)，并生成待对比数据序列集合C，C＝{(m*1,s*2),(m*1,s*2),...,(m*h,s*h)}，(m*h,s*h)表示第二监测数据在第二监测周期内第h个正常层的数据序列；
所述第二监测周期小于第一监测周期；
计算待分析数据序列集合B的截割头使用离散率Rb，Rb＝{max[B]-min[B]}/B0，其中max[B]表示待分析数据序列集合B中数据序列的最大值，min[B]表示待分析数据序列集合B中数据序列的最小值，B0表示待分析数据序列集合B中的平均值；
计算待对比数据序列集合C的截割头使用离散率Rc，Rc＝{max[C]-min[C]}/C0，其中max[C]表示待对比数据序列集合C中数据序列的最大值，min[C]表示待对比数据序列集合C中数据序列的最小值，C0表示待对比数据序列集合C中的平均值；
当Rc>Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第二优先级；并传输监测巷道截割头的预估剩余使用时长大于第二监测数据对应的掘进机截割头的实际剩余使用时长，所述实际剩余使用时长通过所述掘进机截割头的使用更换数据中的完整使用周期-已记录使用周期，
当Rc≤Rb时，输出第二监测周期内监测巷道的截割头预警优先级为第一优先级；并传输监测巷道截割头的预估剩余使用时长小于第二监测数据对应的掘进机截割头的实际剩余使用时长；
所述第一优先级预警程度大于第二优先级。
2.应用权利要求1中所述的一种基于大数据的掘进机智能管控方法的一种基于大数据的掘进机智能管控系统，其特征在于，包括掘进数据获取模块、环境相似指数分析模块、目标考察煤巷提取模块、预警优先级分析模块和预警响应模块；
所述掘进数据获取模块用于获取样本数据和历史监测数据，所述样本数据包括第一样本数据和第二样本数据，所述历史监测数据包括第一监测数据和第二监测数据；
所述环境相似指数分析模块用于分析第一样本数据与煤巷的第一监测数据并计算对应煤巷的环境相似指数；
所述目标考察煤巷提取模块用于提取环境相似指数最大值对应的煤巷为目标考察煤巷；
所述预警优先级分析模块用于分析第二样本数据与第二监测数据的预警优先级；
所述预警响应模块用于基于预警优先级进行预警响应。
3.根据权利要求2所述的一种基于大数据的掘进机智能管控系统，其特征在于：所述环境相似指数分析模块包括截割头状态分析单元和环境相似指数计算单元；
所述截割头状态分析单元用于分析煤巷的评估数据序列对，以及筛选剔除评估数据序列对中异常层数据序列与正常层数据序列差异小于阈值时对应的异常表征，更新评估数据序列对为第一评估数据序列对，并基于第一评估数据序列对分析截割头状态；
所述环境相似指数计算单元用于基于第一样本数据与第一监测数据中异常表征对应的数据序列对的平均相似度和正常层对应的数据序列对的平均相似度，计算环境相似指数。
4.根据权利要求3所述的一种基于大数据的掘进机智能管控系统，其特征在于：所述预警优先级分析模块包括第二监测周期数据序列分析单元、使用离散率计算单元和优先级对比分析单元；
所述第二监测周期数据序列分析单元用于获取第二样本数据在第二监测周期内正常层的数据序列，以及第二监测数据在第二监测周期内正常层的数据序列；
所述使用离散率计算单元用于计算数据序列集合中截割头的使用离散率；
所述优先级对比分析单元用于分析第二样本数据和第二监测数据对应的使用离散率，判断优先级并传输对应信号。
CN202310045330.1A 2023-01-30 2023-01-30 一种基于大数据的掘进机智能管控系统及方法 Active CN116187831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310045330.1A CN116187831B (zh) 2023-01-30 2023-01-30 一种基于大数据的掘进机智能管控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310045330.1A CN116187831B (zh) 2023-01-30 2023-01-30 一种基于大数据的掘进机智能管控系统及方法

Publications (2)

Publication Number Publication Date
CN116187831A CN116187831A (zh) 2023-05-30
CN116187831B true CN116187831B (zh) 2024-04-02

Family

ID=86435869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310045330.1A Active CN116187831B (zh) 2023-01-30 2023-01-30 一种基于大数据的掘进机智能管控系统及方法

Country Status (1)

Country Link
CN (1) CN116187831B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118111020B (zh) * 2024-02-01 2024-09-24 山东和同信息科技股份有限公司 一种基于多维数据的换热站运行监测智能控制系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839133A (zh) * 2010-04-26 2010-09-22 山西潞安环保能源开发股份有限公司王庄煤矿 掘进机煤岩识别自动截割控制方法及系统
CN107392394A (zh) * 2017-08-20 2017-11-24 煤炭科学技术研究院有限公司 一种动态监测掘进工作面煤与瓦斯突出危险性预测方法
CN209510394U (zh) * 2018-12-29 2019-10-18 煤炭科学技术研究院有限公司 一种采掘工作面煤与瓦斯突出实时监测预警系统
CN110779574A (zh) * 2019-10-30 2020-02-11 北京科技大学 一种煤岩动力灾害多系统多参量集成综合预警方法及系统
CN112983417A (zh) * 2021-03-15 2021-06-18 中国煤炭科工集团太原研究院有限公司 一种煤矿采掘装备数据分析预警方法
WO2022036512A1 (zh) * 2020-08-17 2022-02-24 上海亦我信息技术有限公司 数据处理方法、装置、终端和存储介质
CN115075886A (zh) * 2022-07-26 2022-09-20 北京科技大学 煤巷掘进全周期多尺度突出危险时空预警与消突检验方法
CN115081749A (zh) * 2022-07-28 2022-09-20 华中科技大学 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统
CN115163192A (zh) * 2022-05-20 2022-10-11 中国矿业大学(北京) 一种煤矿巷道矿山压力监测设备及预警预报分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019161593A1 (zh) * 2018-02-26 2019-08-29 北京科技大学 一种煤岩动力灾害危险的电磁辐射和地音监测预警方法
US11932245B2 (en) * 2020-09-01 2024-03-19 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for improving path selection for automated driving

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839133A (zh) * 2010-04-26 2010-09-22 山西潞安环保能源开发股份有限公司王庄煤矿 掘进机煤岩识别自动截割控制方法及系统
CN107392394A (zh) * 2017-08-20 2017-11-24 煤炭科学技术研究院有限公司 一种动态监测掘进工作面煤与瓦斯突出危险性预测方法
CN209510394U (zh) * 2018-12-29 2019-10-18 煤炭科学技术研究院有限公司 一种采掘工作面煤与瓦斯突出实时监测预警系统
CN110779574A (zh) * 2019-10-30 2020-02-11 北京科技大学 一种煤岩动力灾害多系统多参量集成综合预警方法及系统
WO2022036512A1 (zh) * 2020-08-17 2022-02-24 上海亦我信息技术有限公司 数据处理方法、装置、终端和存储介质
CN112983417A (zh) * 2021-03-15 2021-06-18 中国煤炭科工集团太原研究院有限公司 一种煤矿采掘装备数据分析预警方法
CN115163192A (zh) * 2022-05-20 2022-10-11 中国矿业大学(北京) 一种煤矿巷道矿山压力监测设备及预警预报分析方法
CN115075886A (zh) * 2022-07-26 2022-09-20 北京科技大学 煤巷掘进全周期多尺度突出危险时空预警与消突检验方法
CN115081749A (zh) * 2022-07-28 2022-09-20 华中科技大学 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全断面岩石掘进机智能选型方案生成系统;何小新;中国机械工程(第6期);正文681-686页 *

Also Published As

Publication number Publication date
CN116187831A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116187831B (zh) 一种基于大数据的掘进机智能管控系统及方法
Marcher et al. Machine Learning in tunnelling–Capabilities and challenges
CN115239108B (zh) 一种基于tbm实时破岩数据的软弱破碎围岩感知方法
CN115638833B (zh) 一种监控数据处理方法及系统
CN113762283A (zh) 传送带跑偏监测方法及装置
CN113063573A (zh) 盾构刀具磨损检测方法及系统
CN113762360B (zh) 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法
CN109543268A (zh) 基于kriging模型的TBM推进力主要影响因素的识别方法
CN114075979B (zh) 盾构掘进环境变化实时辨识系统及方法
Fischer et al. Equipment data-based activity recognition of construction machinery
CN106246226A (zh) 一种矿井瓦斯涌出异常的识别方法
CN114972994A (zh) 盾构机施工掌子面地质类型识别方法及系统
JP7510768B2 (ja) 工程判別システム、及び工程判別方法
CN116296956A (zh) 一种滚刀磨损检测方法和装置
CN113685166B (zh) 一种钻井事故预警方法及系统
CN115759351A (zh) 泥水盾构掘进综合预警方法、系统及存储介质
CN113982605B (zh) 多层级盾构法隧道安全保护系统及方法
CN115687444A (zh) 一种盾构tbm滚刀边滚刀损坏预警方法
Marcher et al. Capabilities and challenges using machine learning in tunnelling
CN114088194A (zh) 一种tbm主机振动异常自适应判别方法及tbm
Zhou et al. Towards a data-driven assistance system for operating segment erectors in tunnel boring machines
CN111594197B (zh) 一种基于tbm岩机信息的隧洞断层段超前智能感知方法
CN118246731B (zh) 一种tbm卡机风险预测方法及系统
CN115762047B (zh) 一种基于边缘计算的稀有金属开发安全保证系统
CN116591772A (zh) 煤巷掘进工作面煤壁变形监测装置、突出预警系统及方法

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