CN116427923B - 自适应截割方法、系统、掘进机、电子设备、介质和芯片 - Google Patents
自适应截割方法、系统、掘进机、电子设备、介质和芯片 Download PDFInfo
- Publication number
- CN116427923B CN116427923B CN202310692269.XA CN202310692269A CN116427923B CN 116427923 B CN116427923 B CN 116427923B CN 202310692269 A CN202310692269 A CN 202310692269A CN 116427923 B CN116427923 B CN 116427923B
- Authority
- CN
- China
- Prior art keywords
- coal rock
- cutting
- coal
- hardness level
- heading machine
- 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
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 515
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011435 rock Substances 0.000 claims abstract description 413
- 239000003245 coal Substances 0.000 claims abstract description 402
- 238000001845 vibrational spectrum Methods 0.000 claims abstract description 85
- 238000012706 support-vector machine Methods 0.000 claims description 65
- 230000010365 information processing Effects 0.000 claims description 54
- 230000003044 adaptive effect Effects 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 13
- 238000013461 design Methods 0.000 description 36
- 238000004458 analytical method Methods 0.000 description 29
- 230000003068 static effect Effects 0.000 description 24
- 238000005299 abrasion Methods 0.000 description 15
- 230000018109 developmental process Effects 0.000 description 14
- 238000010191 image analysis Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000005065 mining Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000036346 tooth eruption Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 239000013590 bulk material Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000005641 tunneling Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种自适应截割方法、系统、掘进机、电子设备、介质和芯片，涉及煤矿综掘设备自主导控技术领域，方法包括：获取工作断面图像，根据工作断面图像确定第一煤岩硬度等级；根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速；获取以初始截割臂摆速对工作断面截割的振动频谱，根据振动频谱与第二模型库确定第二煤岩硬度等级；根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库确定优化截割臂摆速。本发明的技术方案中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速自适应调节的目的。通过不断调整优化截割臂摆速，确保自适应截割效率足够高，避免截割臂所受负载过大，有利于提高使用寿命。
Description
技术领域
本发明涉及煤矿综掘设备自主导控技术领域，具体而言，涉及一种基于煤岩识别的掘进机自适应截割方法、一种基于煤岩识别的掘进机自适应截割系统、一种掘进机、一种电子设备、一种计算机可读存储介质和一种芯片。
背景技术
相关技术中，掘进机通过加装传感器模块、边缘计算机以及数据采集单元，并利用多种类型的参数对截割臂摆速进行自适应控制，以达到掘进机自适应截割的目的。具体地，传感器模块用于采集掘进机在截割过程中的油缸压力数据、油缸位移数据以及截割臂振动数据，以上数据通过数据采集单元发送至边缘计算机。边缘计算机用于对油缸压力数据、油缸位移数据、截割臂振动数据、截割电流数据和截割电压数据进行处理，并根据处理结果对掘进机的截割臂摆速进行自适应控制。
在实现本发明的过程中，发明人发现相关技术中至少存在如下问题：对截割臂摆速自适应控制的方法没有针对不同煤岩工况的工作面进行区分，自适应截割效率不高。
发明内容
为了解决或改善对截割臂摆速自适应控制的方法没有针对不同煤岩工况的工作面进行区分，自适应截割效率不高的技术问题，本发明的一个目的在于提供一种基于煤岩识别的掘进机自适应截割方法。
本发明的另一个目的在于提供一种基于煤岩识别的掘进机自适应截割系统。
本发明的另一个目的在于提供一种掘进机。
本发明的另一个目的在于提供一种电子设备。
本发明的另一个目的在于提供一种计算机可读存储介质。
本发明的另一个目的在于提供一种芯片。
为实现上述目的，本发明第一方面提供了一种基于煤岩识别的掘进机自适应截割方法，包括：获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级；根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速；获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级；根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。
根据本发明提供的基于煤岩识别的掘进机自适应截割方法的技术方案，提供了一种基于煤岩识别的掘进机自适应截割方法，在掘进机进行截割的过程中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速进行自适应调节的目的。具体地，采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值和第一模型库去匹配，不断调整优化截割臂摆速。通过不断调整优化截割臂摆速，一方面，优化截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，优化截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件的使用寿命。
掘进机包括机身、截割臂、截割电机、铲板、行走履带组和运输设备。其中，截割臂和铲板设于机身的同一端。截割电机设于机身，且截割电机与截割臂连接。截割电机用于驱动截割臂运转。截割臂设于铲板的上方。截割臂能够对掌子面的煤岩进行压裂、截割，使其以块状物料的形式掉落。掌子面即开挖坑道（采煤、采矿或隧道工程中）不断向前推进的工作面。位于截割臂下方的铲板能够将掉落在地面上或直接掉落在铲板上的块状物料进行堆积、收集。进一步地，运输设备设于机身，且运输设备的一端与铲板连接。运输设备能够将通过铲板堆积、收集的块状物料由掘进机的前端（靠近掌子面的一端）运输至掘进机的尾端。进一步地，行走履带组设于机身的底部。通过设置行走履带组，掘进机能够在巷道内前进或后退，以实现行走功能。
具体而言，基于煤岩识别的掘进机自适应截割方法的步骤包括：
第一步，获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。本步骤发生在掘进机静态状态下，也可以说是在进行截割之前。当然，掘进机在截割过程中同样可以获取工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。
具体地，通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。
第二步，根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速。本步骤发生在掘进机由静态状态转变为截割状态时。
具体地，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。后续步骤中采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，以使煤岩硬度等级更加精确。
第三步，获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级。本步骤发生在掘进机动态截割时。
具体地，在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
进一步地，根据轴承振动信号确定振动频谱。获取振动频谱与煤岩硬度等级匹配的第二模型库。在掘进机动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
第四步，根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。本步骤发生在掘进机动态截割时。采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确，将此煤岩硬度等级（即平均值）和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
本发明限定的技术方案中，提供了一种基于煤岩识别的掘进机自适应截割方法，在掘进机进行截割的过程中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速进行自适应调节的目的。具体地，采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。通过不断调整优化截割臂摆速，一方面，优化截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，优化截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件的使用寿命。
另外，本发明提供的上述技术方案还可以具有如下附加技术特征：
在上述技术方案中，获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级，具体包括：获取以初始截割臂摆速对工作断面进行截割时的轴承振动信号，并根据轴承振动信号确定第一振动频谱；获取第二模型库；根据第一振动频谱与第二模型库确定第二煤岩硬度等级。
在该技术方案中，在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。根据轴承振动信号确定振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级的具体步骤包括：
获取以初始截割臂摆速对工作断面进行截割时的轴承振动信号，并根据轴承振动信号确定第一振动频谱。在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。进一步地，将多个轴承振动信号进行整理、分析确定第一振动频谱。
获取第二模型库。获取振动频谱与煤岩硬度等级匹配的第二模型库。在掘进机动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。值得说明的是，支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
根据第一振动频谱与第二模型库确定第二煤岩硬度等级。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级。因此，第一振动频谱在第二模型库中也会存在一个煤岩硬度等级与其相匹配，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，第二煤岩硬度等级是通过基于振动信号分析的支持向量机算法分析得到的，对掘进机在截割过程中针对不同煤岩工况的工作面对截割臂摆速进行自适应调节具有很重要的参考价值。
在上述技术方案中，获取第二模型库，具体包括：获取第二振动频谱；通过支持向量机算法对第二振动频谱进行分类；将分类后的第二振动频谱与煤岩硬度等级进行匹配，确定第二模型库。
在该技术方案中，获取振动频谱与煤岩硬度等级匹配的第二模型库的具体步骤包括：
获取第二振动频谱。在掘进机动态截割时，通过传感器模块采集轴承振动信号，并根据轴承振动信号确定第二振动频谱。
通过支持向量机算法对第二振动频谱进行分类。通过分析截割不同硬度的煤岩得到的第二振动频谱，再通过支持向量机算法对不同的第二振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级。支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
将分类后的第二振动频谱与煤岩硬度等级进行匹配，确定第二模型库。通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级。因此，第一振动频谱在第二模型库中也会存在一个煤岩硬度等级与其相匹配。
在上述技术方案中，根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速，具体为：取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速；或取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。
在该技术方案中，根据第一煤岩硬度等级与第二煤岩硬度等级的平均值和第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确（不会偏大，也不会偏小）。若所确定的煤岩硬度等级偏大，对应的截割臂摆速会偏小，会影响截割效率；若所确定的煤岩硬度等级偏小，对应的截割臂摆速会偏大，按照此截割臂摆速进行截割，可能会导致截割臂负载过大，加剧磨损。因此，将两个煤岩硬度等级的平均值和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。
或者，根据第一煤岩硬度等级与第二煤岩硬度等级的最大值和第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。
本步骤的目的在于，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
在上述技术方案中，根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速，具体为：获取煤岩硬度等级与最优截割臂摆速映射的第一模型库，并根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速。
在该技术方案中，针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。后续步骤中采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，以使煤岩硬度等级更加精确。
在上述技术方案中，获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级，具体为：获取掘进机前方的工作断面图像，通过将工作断面图像进行图像纹理识别，确定第一煤岩硬度等级。
在该技术方案中，通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。
本发明第二方面提供了一种基于煤岩识别的掘进机自适应截割系统，包括：信息处理模块，用于执行上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。
根据本发明的基于煤岩识别的掘进机自适应截割系统的技术方案，基于煤岩识别的掘进机自适应截割系统包括信息处理模块，信息处理模块用于执行上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。基于煤岩识别的掘进机自适应截割系统还包括图像采集模块和传感器模块。其中，图像采集模块用于获取掘进机前方的工作断面图像。通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，传感器模块用于获取轴承振动信号。在掘进机对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
进一步地，信息处理模块与图像采集模块通讯连接。信息处理模块用于根据工作断面图像确定第一煤岩硬度等级，并根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速。具体地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。进一步地，信息处理模块获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。
进一步地，信息处理模块与传感器模块通讯连接。信息处理模块还用于根据轴承振动信号确定振动频谱，根据振动频谱与第二模型库确定第二煤岩硬度等级，并且根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。具体地，在掘进机动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。进一步地，信息处理模块根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确，将此煤岩硬度等级（即平均值）和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
本发明限定的技术方案中，在掘进机进行截割的过程中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速进行自适应调节的目的。具体地，采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。通过不断调整优化截割臂摆速，一方面，优化截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，优化截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件的使用寿命。
本发明第三方面提供了一种掘进机，包括：上述技术方案中的基于煤岩识别的掘进机自适应截割系统；截割臂，与基于煤岩识别的掘进机自适应截割系统的信息处理模块连接。
根据本发明的掘进机的技术方案，掘进机包括上述技术方案中的基于煤岩识别的掘进机自适应截割系统和截割臂。基于煤岩识别的掘进机自适应截割系统的信息处理模块与截割臂连接。信息处理模块获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。信息处理模块根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速。进一步地，信息处理模块获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级。信息处理模块根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库确定优化截割臂摆速。
可选地，信息处理模块包括井下工控机和PLC控制器（可编程逻辑控制器）。井下工控机和PLC控制器通过CAN转以太网模块通讯连接。CAN是指控制器局域网络。图像采集模块与井下工控机通讯连接。传感器模块与PLC控制器通讯连接。可选地，掘进机还包括截割电机，截割电机与截割臂连接，截割电机用于驱动截割臂运转。截割电机与PLC控制器电连接，以调节截割臂摆速。
可选地，掘进机还包括机身、铲板、行走履带组和运输设备。其中，截割臂和铲板设于机身的同一端。截割电机设于机身，且截割电机与截割臂连接。截割电机用于驱动截割臂运转。截割臂设于铲板的上方。截割臂能够对掌子面的煤岩进行压裂、截割，使其以块状物料的形式掉落。掌子面即开挖坑道（采煤、采矿或隧道工程中）不断向前推进的工作面。位于截割臂下方的铲板能够将掉落在地面上或直接掉落在铲板上的块状物料进行堆积、收集。进一步地，运输设备设于机身，且运输设备的一端与铲板连接。运输设备能够将通过铲板堆积、收集的块状物料由掘进机的前端（靠近掌子面的一端）运输至掘进机的尾端。进一步地，行走履带组设于机身的底部。通过设置行走履带组，掘进机能够在巷道内前进或后退，以实现行走功能。
可选地，基于煤岩识别的掘进机自适应截割系统的图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。
可选地，基于煤岩识别的掘进机自适应截割系统的传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
本发明第四方面提供了一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。
本发明第五方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。
本发明第六方面提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。
本发明的技术方案的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了根据本发明的一个实施例的基于煤岩识别的掘进机自适应截割方法的第一流程图；
图2示出了根据本发明的一个实施例的基于煤岩识别的掘进机自适应截割方法的第二流程图；
图3示出了根据本发明的一个实施例的基于煤岩识别的掘进机自适应截割方法的第三流程图；
图4示出了根据本发明的一个实施例的基于煤岩识别的掘进机自适应截割系统的模块之间的连接示意图；
图5示出了根据本发明的一个实施例的掘进机的示意图。
其中，图4和图5中附图标记与部件名称之间的对应关系为：
400：基于煤岩识别的掘进机自适应截割系统；410：图像采集模块；420：传感器模块；430：信息处理模块；500：掘进机；510：机身；520：截割臂；530：截割电机；540：铲板；550：行走履带组；560：运输设备。
具体实施方式
为了能够更清楚地理解本发明的实施例的上述目的、特征和优点，下面结合附图和具体实施方式对本发明的实施例进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是，本发明的实施例还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图5描述根据本发明一些实施例提供的基于煤岩识别的掘进机自适应截割方法、基于煤岩识别的掘进机自适应截割系统400、掘进机500、电子设备、计算机可读存储介质和芯片。
如图5所示，掘进机500包括机身510、截割臂520、截割电机530、铲板540、行走履带组550和运输设备560。其中，截割臂520和铲板540设于机身510的同一端。截割电机530设于机身510，且截割电机530与截割臂520连接。截割电机530用于驱动截割臂520运转。截割臂520设于铲板540的上方。截割臂520能够对掌子面的煤岩进行压裂、截割，使其以块状物料的形式掉落。掌子面即开挖坑道（采煤、采矿或隧道工程中）不断向前推进的工作面。位于截割臂520下方的铲板540能够将掉落在地面上或直接掉落在铲板540上的块状物料进行堆积、收集。进一步地，运输设备560设于机身510，且运输设备560的一端与铲板540连接。运输设备560能够将通过铲板540堆积、收集的块状物料由掘进机500的前端（靠近掌子面的一端）运输至掘进机500的尾端。进一步地，行走履带组550设于机身510的底部。通过设置行走履带组550，掘进机500能够在巷道内前进或后退，以实现行走功能。
在根据本发明的一个实施例中，如图1所示，基于煤岩识别的掘进机自适应截割方法的第一流程图的步骤包括：
S102，获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。本步骤发生在掘进机静态状态下，也可以说是在进行截割之前。当然，掘进机在截割过程中同样可以获取工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。
具体地，通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。
S104，根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速。本步骤发生在掘进机由静态状态转变为截割状态时。
具体地，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。后续步骤中采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，以使煤岩硬度等级更加精确。
S106，获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级。本步骤发生在掘进机动态截割时。
具体地，在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
进一步地，根据轴承振动信号确定振动频谱。获取振动频谱与煤岩硬度等级匹配的第二模型库。在掘进机动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
S108，根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。本步骤发生在掘进机动态截割时。采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确，将此煤岩硬度等级（即平均值）和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
本发明限定的技术方案中，提供了一种基于煤岩识别的掘进机自适应截割方法，在掘进机进行截割的过程中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速进行自适应调节的目的。具体地，采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。通过不断调整优化截割臂摆速，一方面，优化截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，优化截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件的使用寿命。
在根据本发明的一个实施例中，如图2所示，基于煤岩识别的掘进机自适应截割方法的第二流程图的步骤包括：
S202，获取掘进机前方的工作断面图像，通过将工作断面图像进行图像纹理识别，确定第一煤岩硬度等级。本步骤发生在掘进机静态状态下，也可以说是在进行截割之前。当然，掘进机在截割过程中同样可以获取工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。
具体地，通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。
S204，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库，并根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速。本步骤发生在掘进机由静态状态转变为截割状态时。
具体地，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。后续步骤中采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，以使煤岩硬度等级更加精确。
S206，获取以初始截割臂摆速对工作断面进行截割时的轴承振动信号，并根据轴承振动信号确定第一振动频谱。本步骤发生在掘进机动态截割时。在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。进一步地，将多个轴承振动信号进行整理、分析确定第一振动频谱。
S208，获取第二模型库。获取振动频谱与煤岩硬度等级匹配的第二模型库。在掘进机动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。值得说明的是，支持向量机（SupportVector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
S210，根据第一振动频谱与第二模型库确定第二煤岩硬度等级。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级。因此，第一振动频谱在第二模型库中也会存在一个煤岩硬度等级与其相匹配，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，第二煤岩硬度等级是通过基于振动信号分析的支持向量机算法分析得到的，对掘进机在截割过程中针对不同煤岩工况的工作面对截割臂摆速进行自适应调节具有很重要的参考价值。
S212，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速；或取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。本步骤发生在掘进机动态截割时。采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类。
可选地，根据第一煤岩硬度等级与第二煤岩硬度等级的平均值和第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确（不会偏大，也不会偏小）。若所确定的煤岩硬度等级偏大，对应的截割臂摆速会偏小，会影响截割效率；若所确定的煤岩硬度等级偏小，对应的截割臂摆速会偏大，按照此截割臂摆速进行截割，可能会导致截割臂负载过大，加剧磨损。因此，将两个煤岩硬度等级的平均值和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。
可选地，根据第一煤岩硬度等级与第二煤岩硬度等级的最大值和第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。
本步骤的目的在于，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
在根据本发明的一个实施例中，如图3所示，基于煤岩识别的掘进机自适应截割方法的第三流程图的步骤包括：
S302，获取掘进机前方的工作断面图像，通过将工作断面图像进行图像纹理识别，确定第一煤岩硬度等级。本步骤发生在掘进机静态状态下，也可以说是在进行截割之前。当然，掘进机在截割过程中同样可以获取工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。
具体地，通过图像采集模块对掌子面进行图像采集，得到掘进机前方的工作断面图像。可选地，图像采集模块设于掘进机的机身。通过将图像采集模块设于掘进机的机身，相对于将图像采集模块设于掘进机的铲板或行走履带组的设计方式而言，图像采集模块具有足够的高度，采集图像的视角更开阔，并且图像采集模块无论在掘进机处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的截割臂或截割电机的设计方式而言，图像采集模块不会在掘进机处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块设于掘进机的运输设备的设计方式而言，图像采集模块更靠近掌子面，具有更开阔的视角。可选地，图像采集模块为摄像头和/或相机。
进一步地，工作断面图像作为图像信号，信息处理模块对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。
S304，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库，并根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速。本步骤发生在掘进机由静态状态转变为截割状态时。
具体地，获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块对工作断面图像进行图像纹理分析得到的，对掘进机由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂以及截割齿）的使用寿命。后续步骤中采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类，以使煤岩硬度等级更加精确。
S306，获取以初始截割臂摆速对工作断面进行截割时的轴承振动信号，并根据轴承振动信号确定第一振动频谱。本步骤发生在掘进机动态截割时。在掘进机以初始截割臂摆速对工作断面进行截割时，通过传感器模块采集轴承振动信号。可选地，传感器模块为高频振动传感器。可选地，传感器模块设于掘进机的截割电机。通过将传感器模块设于掘进机的截割电机，相对于将传感器模块设于掘进机的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。进一步地，将多个轴承振动信号进行整理、分析确定第一振动频谱。
S308，获取第二振动频谱。在掘进机动态截割时，通过传感器模块采集轴承振动信号，并根据轴承振动信号确定第二振动频谱。
S310，通过支持向量机算法对第二振动频谱进行分类。通过分析截割不同硬度的煤岩得到的第二振动频谱，再通过支持向量机算法对不同的第二振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级。支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
S312，将分类后的第二振动频谱与煤岩硬度等级进行匹配，确定第二模型库。通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级。因此，第一振动频谱在第二模型库中也会存在一个煤岩硬度等级与其相匹配。
S314，根据第一振动频谱与第二模型库确定第二煤岩硬度等级。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级。因此，第一振动频谱在第二模型库中也会存在一个煤岩硬度等级与其相匹配，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，第二煤岩硬度等级是通过基于振动信号分析的支持向量机算法分析得到的，对掘进机在截割过程中针对不同煤岩工况的工作面对截割臂摆速进行自适应调节具有很重要的参考价值。
S316，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速；或取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。本步骤发生在掘进机动态截割时。采用基于振动信号分析的支持向量机算法与图像采集模块采集工作断面图像相结合的形式来实现煤岩分类。
可选地，根据第一煤岩硬度等级与第二煤岩硬度等级的平均值和第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确（不会偏大，也不会偏小）。若所确定的煤岩硬度等级偏大，对应的截割臂摆速会偏小，会影响截割效率；若所确定的煤岩硬度等级偏小，对应的截割臂摆速会偏大，按照此截割臂摆速进行截割，可能会导致截割臂负载过大，加剧磨损。因此，将两个煤岩硬度等级的平均值和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。
可选地，根据第一煤岩硬度等级与第二煤岩硬度等级的最大值和第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。
本步骤的目的在于，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
在根据本发明的一个实施例中，如图4所示，基于煤岩识别的掘进机自适应截割系统400包括信息处理模块430，信息处理模块430用于执行上述任一技术方案中的基于煤岩识别的掘进机自适应截割方法的步骤。基于煤岩识别的掘进机自适应截割系统400还包括图像采集模块410和传感器模块420。其中，图像采集模块410用于获取掘进机500前方的工作断面图像。通过图像采集模块410对掌子面进行图像采集，得到掘进机500前方的工作断面图像。可选地，图像采集模块410设于掘进机500的机身510。通过将图像采集模块410设于掘进机500的机身510，相对于将图像采集模块410设于掘进机500的铲板540或行走履带组550的设计方式而言，图像采集模块410具有足够的高度，采集图像的视角更开阔，并且图像采集模块410无论在掘进机500处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块410在掘进机500处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块410设于掘进机500的截割臂520或截割电机530的设计方式而言，图像采集模块410不会在掘进机500处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块410设于掘进机500的运输设备560的设计方式而言，图像采集模块410更靠近掌子面，具有更开阔的视角。可选地，图像采集模块410为摄像头和/或相机。
进一步地，传感器模块420用于获取轴承振动信号。在掘进机500对工作断面进行截割时，通过传感器模块420采集轴承振动信号。可选地，传感器模块420为高频振动传感器。可选地，传感器模块420设于掘进机500的截割电机530。通过将传感器模块420设于掘进机500的截割电机530，相对于将传感器模块420设于掘进机500的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
进一步地，信息处理模块430与图像采集模块410通讯连接。信息处理模块430用于根据工作断面图像确定第一煤岩硬度等级，并根据第一煤岩硬度等级与第一模型库确定初始截割臂摆速。具体地，工作断面图像作为图像信号，信息处理模块430对工作断面图像基于图像纹理进行煤岩识别分类。可选地，信息处理模块430包括图像分析模块。通过图像分析模块对工作断面图像基于断面纹理图形进行图像识别，得到基于图像纹理识别的第一煤岩硬度等级。进一步地，信息处理模块430获取煤岩硬度等级与最优截割臂摆速映射的第一模型库。可选地，第一模型库为最优截割模型库。针对不同煤岩工况的工作面，会存在多个不同的煤岩硬度等级。在第一模型库中，每一个煤岩硬度等级均会存在一个对应的最优截割臂摆速。因此，第一煤岩硬度等级在第一模型库中也会存在一个截割臂摆速与其相匹配，将此截割臂摆速作为初始截割臂摆速。值得说明的是，第一煤岩硬度等级为信息处理模块430对工作断面图像进行图像纹理分析得到的，对掘进机500由静态状态转变为截割状态时的初始截割臂摆速具有很重要的参考价值，一方面，初始截割臂摆速不会过小，确保掘进机500具有足够高的自适应截割效率；另一方面，初始截割臂摆速不会过大，以避免截割臂520所受负载过大，有利于降低磨损程度，提高截割部件（包括截割臂520以及截割齿）的使用寿命。
进一步地，信息处理模块430与传感器模块420通讯连接。信息处理模块430还用于根据轴承振动信号确定振动频谱，根据振动频谱与第二模型库确定第二煤岩硬度等级，并且根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。具体地，在掘进机500动态截割时，通过分析截割不同硬度的煤岩得到的振动频谱，再通过支持向量机算法对不同的振动频谱做分类，最后将得到的分类结果匹配煤岩硬度等级，得到振动频谱与煤岩硬度等级相匹配的第二模型库。在第二模型库中，每一个振动频谱均会存在一个对应的煤岩硬度等级，将此煤岩硬度等级作为第二煤岩硬度等级。值得说明的是，支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
进一步地，信息处理模块430根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。采用基于振动信号分析的支持向量机算法与图像采集模块410采集工作断面图像相结合的形式来实现煤岩分类。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的平均值，根据平均值与第一模型库确定优化截割臂摆速。这种情况下，所确定的煤岩硬度等级更加准确，将此煤岩硬度等级（即平均值）和第一模型库去匹配，可以对应到更合适的优化截割臂摆速。可选地，取第一煤岩硬度等级与第二煤岩硬度等级的最大值，根据最大值与第一模型库确定优化截割臂摆速。这种情况下，相较于取平均值的方式而言，所确定的煤岩硬度等级偏大但差值不会很大，计算方式简单，调整优化截割臂摆速的间隔更长。将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。
本发明限定的技术方案中，在掘进机500进行截割的过程中，根据煤岩硬度等级不断调整优化截割臂摆速，以达到针对不同煤岩工况的工作面对截割臂摆速进行自适应调节的目的。具体地，采用基于振动信号分析的支持向量机算法与图像采集模块410采集工作断面图像相结合的形式来实现煤岩分类，将第一煤岩硬度等级以及第二煤岩硬度等级的平均值或最大值和第一模型库去匹配，不断调整优化截割臂摆速。通过不断调整优化截割臂摆速，一方面，优化截割臂摆速不会过小，确保掘进机500具有足够高的自适应截割效率；另一方面，优化截割臂摆速不会过大，以避免截割臂520所受负载过大，有利于降低磨损程度，提高截割部件的使用寿命。
在根据本发明的一个实施例中，如图5所示，掘进机500包括上述实施例中的基于煤岩识别的掘进机自适应截割系统400和截割臂520。基于煤岩识别的掘进机自适应截割系统400的信息处理模块430与截割臂520连接。信息处理模块430获取掘进机500前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级。信息处理模块430根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速。进一步地，信息处理模块430获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级。信息处理模块430根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库确定优化截割臂摆速。
可选地，信息处理模块430包括井下工控机和PLC控制器（可编程逻辑控制器）。井下工控机和PLC控制器通过CAN转以太网模块通讯连接。CAN是指控制器局域网络。图像采集模块410与井下工控机通讯连接。传感器模块420与PLC控制器通讯连接。可选地，掘进机500还包括截割电机530，截割电机530与截割臂520连接，截割电机530用于驱动截割臂520运转。截割电机530与PLC控制器电连接，以调节截割臂摆速。
可选地，掘进机500还包括机身510、铲板540、行走履带组550和运输设备560。其中，截割臂520和铲板540设于机身510的同一端。截割电机530设于机身510，且截割电机530与截割臂520连接。截割电机530用于驱动截割臂520运转。截割臂520设于铲板540的上方。截割臂520能够对掌子面的煤岩进行压裂、截割，使其以块状物料的形式掉落。掌子面即开挖坑道（采煤、采矿或隧道工程中）不断向前推进的工作面。位于截割臂520下方的铲板540能够将掉落在地面上或直接掉落在铲板540上的块状物料进行堆积、收集。进一步地，运输设备560设于机身510，且运输设备560的一端与铲板540连接。运输设备560能够将通过铲板540堆积、收集的块状物料由掘进机500的前端（靠近掌子面的一端）运输至掘进机500的尾端。进一步地，行走履带组550设于机身510的底部。通过设置行走履带组550，掘进机500能够在巷道内前进或后退，以实现行走功能。
可选地，基于煤岩识别的掘进机自适应截割系统400的图像采集模块410设于掘进机500的机身510。通过将图像采集模块410设于掘进机500的机身510，相对于将图像采集模块410设于掘进机500的铲板540或行走履带组550的设计方式而言，图像采集模块410具有足够的高度，采集图像的视角更开阔，并且图像采集模块410无论在掘进机500处于静态状态还是截割状态均能够稳定工作，有效避免图像采集模块410在掘进机500处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块410设于掘进机500的截割臂520或截割电机530的设计方式而言，图像采集模块410不会在掘进机500处于截割状态下剧烈抖动，有利于提高工作断面图像的清晰度；相对于将图像采集模块410设于掘进机500的运输设备560的设计方式而言，图像采集模块410更靠近掌子面，具有更开阔的视角。
可选地，基于煤岩识别的掘进机自适应截割系统400的传感器模块420设于掘进机500的截割电机530。通过将传感器模块420设于掘进机500的截割电机530，相对于将传感器模块420设于掘进机500的其它部件的设计方式而言，可以更加灵敏地获取轴承振动信号，以使第二煤岩硬度等级更加精确。
在根据本发明的一个实施例中，电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现上述任一实施例中的基于煤岩识别的掘进机自适应截割方法的步骤。
在根据本发明的一个实施例中，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的基于煤岩识别的掘进机自适应截割方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下部分：获取掘进机前方的工作断面图像，并根据工作断面图像确定第一煤岩硬度等级；根据第一煤岩硬度等级与第一模型库，确定初始截割臂摆速；获取以初始截割臂摆速对工作断面进行截割时的振动频谱，并根据振动频谱与第二模型库确定第二煤岩硬度等级；根据第一煤岩硬度等级、第二煤岩硬度等级与第一模型库，确定优化截割臂摆速。所述的存储介质，如计算机只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、磁碟或者光盘等。
在根据本发明的一个实施例中，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述任一实施例中的基于煤岩识别的掘进机自适应截割方法的步骤。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.一种基于煤岩识别的掘进机自适应截割方法，其特征在于，包括：
获取掘进机前方的工作断面图像，并根据所述工作断面图像确定第一煤岩硬度等级；
根据所述第一煤岩硬度等级与第一模型库，确定初始截割臂摆速；
获取以所述初始截割臂摆速对工作断面进行截割时的振动频谱，并根据所述振动频谱与第二模型库确定第二煤岩硬度等级；
根据所述第一煤岩硬度等级、所述第二煤岩硬度等级与所述第一模型库，确定优化截割臂摆速；
所述根据所述第一煤岩硬度等级、所述第二煤岩硬度等级与所述第一模型库，确定优化截割臂摆速，具体为：
获取所述第一煤岩硬度等级与所述第二煤岩硬度等级的平均值，根据所述平均值与所述第一模型库确定所述优化截割臂摆速；或取所述第一煤岩硬度等级与所述第二煤岩硬度等级的最大值，根据所述最大值与所述第一模型库确定所述优化截割臂摆速。
2.根据权利要求1所述的基于煤岩识别的掘进机自适应截割方法，其特征在于，所述获取以所述初始截割臂摆速对工作断面进行截割时的振动频谱，并根据所述振动频谱与第二模型库确定第二煤岩硬度等级，具体包括：
获取以所述初始截割臂摆速对所述工作断面进行截割时的轴承振动信号，并根据所述轴承振动信号确定第一振动频谱；
获取所述第二模型库；
根据所述第一振动频谱与所述第二模型库确定所述第二煤岩硬度等级。
3.根据权利要求2所述的基于煤岩识别的掘进机自适应截割方法，其特征在于，所述获取所述第二模型库，具体包括：
获取第二振动频谱；
通过支持向量机算法对所述第二振动频谱进行分类；
将分类后的所述第二振动频谱与煤岩硬度等级进行匹配，确定所述第二模型库。
4.根据权利要求1至3中任一项所述的基于煤岩识别的掘进机自适应截割方法，其特征在于，所述根据所述第一煤岩硬度等级与第一模型库，确定初始截割臂摆速，具体为：
获取煤岩硬度等级与最优截割臂摆速映射的所述第一模型库，并根据所述第一煤岩硬度等级与所述第一模型库确定所述初始截割臂摆速。
5.根据权利要求1至3中任一项所述的基于煤岩识别的掘进机自适应截割方法，其特征在于，所述获取掘进机前方的工作断面图像，并根据所述工作断面图像确定第一煤岩硬度等级，具体为：
获取所述掘进机前方的所述工作断面图像，通过将所述工作断面图像进行图像纹理识别，确定所述第一煤岩硬度等级。
6.一种基于煤岩识别的掘进机自适应截割系统，其特征在于，包括：
信息处理模块（430），用于执行如权利要求1至5中任一项所述的基于煤岩识别的掘进机自适应截割方法的步骤。
7.一种掘进机，其特征在于，包括：
如权利要求6所述的基于煤岩识别的掘进机自适应截割系统；
截割臂（520），与所述基于煤岩识别的掘进机自适应截割系统的信息处理模块（430）连接。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至5中任一项所述的基于煤岩识别的掘进机自适应截割方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于煤岩识别的掘进机自适应截割方法的步骤。
10.一种芯片，其特征在于，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如权利要求1至5中任一项所述的基于煤岩识别的掘进机自适应截割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692269.XA CN116427923B (zh) | 2023-06-13 | 2023-06-13 | 自适应截割方法、系统、掘进机、电子设备、介质和芯片 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692269.XA CN116427923B (zh) | 2023-06-13 | 2023-06-13 | 自适应截割方法、系统、掘进机、电子设备、介质和芯片 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116427923A CN116427923A (zh) | 2023-07-14 |
| CN116427923B true CN116427923B (zh) | 2023-09-05 |
Family
ID=87087622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310692269.XA Active CN116427923B (zh) | 2023-06-13 | 2023-06-13 | 自适应截割方法、系统、掘进机、电子设备、介质和芯片 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116427923B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 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 |
| CN107120115A (zh) * | 2017-06-19 | 2017-09-01 | 中国矿业大学 | 一种掘进机自适应截割控制系统及方法 |
| CN107269275A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种悬臂式掘进机截割臂摆速自适应控制系统及方法 |
| CN113006793A (zh) * | 2021-04-28 | 2021-06-22 | 北京坤世拓智能科技有限公司 | 一种悬臂式掘进机智能截割联合控制系统及方法 |
| CN113062736A (zh) * | 2021-03-29 | 2021-07-02 | 中国矿业大学 | 一种基于机器视觉的掘进机自适应截割系统及方法 |
| CN114592865A (zh) * | 2022-02-25 | 2022-06-07 | 三一重型装备有限公司 | 掘进机的控制方法、装置、可读存储介质和掘进机 |
| WO2022121139A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
| CN115185174A (zh) * | 2022-07-07 | 2022-10-14 | 中国铁建重工集团股份有限公司 | 一种截割控制方法、系统、电子设备及存储介质 |
| CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
-
2023
- 2023-06-13 CN CN202310692269.XA patent/CN116427923B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 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 |
| CN107269275A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种悬臂式掘进机截割臂摆速自适应控制系统及方法 |
| CN107120115A (zh) * | 2017-06-19 | 2017-09-01 | 中国矿业大学 | 一种掘进机自适应截割控制系统及方法 |
| WO2022121139A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
| CN113062736A (zh) * | 2021-03-29 | 2021-07-02 | 中国矿业大学 | 一种基于机器视觉的掘进机自适应截割系统及方法 |
| CN113006793A (zh) * | 2021-04-28 | 2021-06-22 | 北京坤世拓智能科技有限公司 | 一种悬臂式掘进机智能截割联合控制系统及方法 |
| CN114592865A (zh) * | 2022-02-25 | 2022-06-07 | 三一重型装备有限公司 | 掘进机的控制方法、装置、可读存储介质和掘进机 |
| CN115185174A (zh) * | 2022-07-07 | 2022-10-14 | 中国铁建重工集团股份有限公司 | 一种截割控制方法、系统、电子设备及存储介质 |
| CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116427923A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2023219909B2 (en) | Method, apparatus and system for monitoring a condition associated with operating heavy equipment such as a mining shovel or excavator | |
| AU2023202061B2 (en) | Mining shovel with compositional sensors | |
| AU2011221435B2 (en) | System and method for terrain analysis | |
| CN116427923B (zh) | 自适应截割方法、系统、掘进机、电子设备、介质和芯片 | |
| CN110967974B (zh) | 基于粗糙集的煤流平衡自适应控制方法 | |
| CN106829393A (zh) | 带式输送机自动调速方法 | |
| CN112668109B (zh) | 一种综采工作面截割路线模型建立方法 | |
| CN109236292A (zh) | 一种掘进机截割轨迹规划系统与方法 | |
| CN108910405A (zh) | 井工开采刮板输送机上煤层高度控制装置及其工作方法 | |
| CN114988052A (zh) | 一种在动态卸船中的自动补偿方法、装置、存储介质以及电子设备 | |
| CN113677870A (zh) | 用于使材料开采设施能够在材料开采地点的工作面处自动地运行的方法和装置 | |
| CN113685180A (zh) | 一种采煤机采割曲线修正测量方法 | |
| EP4372156A1 (en) | Monitoring an operating cycle of heavy equipment | |
| CN112282755B (zh) | 基于瓦斯检测的采煤机与刮板输送机联动控制方法及系统 | |
| CN115075799A (zh) | 一种煤矿用定向钻机的发动机转速控制方法 | |
| CN114522791B (zh) | 碎石尺寸筛选系统及方法 | |
| JP6765559B1 (ja) | 岩塊サイズの最適化システム、最適化方法、プログラム、及び記録媒体 | |
| CN111583302A (zh) | 一种基于三维激光点云的割煤顶板线提取方法 | |
| Duff | Automated volume estimation of haul-truck loads | |
| US20240353856A1 (en) | Material categorisation and transportation systems and methods | |
| Passen | Weir Motion Metrics Unveils Cutting-Edge Product Catalogue Empowering Mines with Advanced Technologies. | |
| CN114033372A (zh) | 煤矿综采工作面的控制方法和装置 | |
| CN116704252A (zh) | 一种三维激光点云多尺度-维度特征的爆堆块度计算方法 | |
| AU2021221715A1 (en) | System and method for determining fragmentation | |
| AU2022343970A1 (en) | Intelligent monitoring system for mineral loading process |
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 |