Research progress and development trends in adaptive cutting technology for shearers
-
摘要:
自适应截割技术是实现采煤机智能化的核心技术，对提升煤矿开采效率、提高安全性和资源利用率具有重要作用。因此，开展了自适应截割技术的综述研究，重点探讨了其技术原理及应用现状。根据核心功能和技术目标，将采煤机自适应截割技术划分为记忆截割、透明地质、煤岩识别和自适应控制4个研究内容。记忆截割通过记录历史数据来优化采煤路径，透明地质利用综合探测技术获取实时地质信息，煤岩识别技术根据不同的识别原理，可以分为基于物理参数的间接法、基于视觉的直接法、以及探地雷达和超声波等基于波动特性的探测法，以实现煤岩界面或煤岩性质的精确识别，自适应控制则通过自动化调节采煤机的运行参数。这些技术从多个角度提升了采煤机的智能化水平。然而，由于煤层地质条件及恶劣开采环境的影响，现有技术在适应性和经济性方面存在一些局限性。因此，针对未来采煤机自适应截割技术的发展趋势，提出了以下建议：促进记忆截割、透明地质与煤岩识别技术的融合，以实现更高效的煤层信息获取；采用多传感器融合技术，以提高煤岩识别的准确度和可靠性；发展基于大数据分析的智能决策支持系统，优化采煤机的运行策略，同时研究多领域协同仿真控制策略，以应对技术瓶颈并增强系统性能。
Abstract:Adaptive cutting technology is crucial for enabling intelligent shearers, significantly improving mining efficiency, safety, and resource utilization. Therefore, a comprehensive review of adaptive cutting technology has been conducted, focusing on its technical principles and current applications. Based on core functions and technical objectives, adaptive cutting technology is categorized into four primary research areas: memory cutting, transparent geology, coal-rock identification, and adaptive control. Memory cutting enhance cutting paths by recording historical data, while transparent geology leverages integrated detection technologies to acquire real-time geological information. Coal-rock identification techniques are classified according to recognition principles: indirect methods based on physical parameters, direct methods relying on visual information, and wave-based detection methods such as ground-penetrating radar and ultrasound. Adaptive control automates the adjustment of shearer operating parameters. Collectively, these technologies advance the intelligence of coal mining machines from various perspectives. Nevertheless, due to geological complexities and challenging mining environments, existing technologies face limitations in adaptability and cost-effectiveness. Therefore, future development of adaptive cutting technology should focus on integrating memory cutting, transparent geology, and coal-rock identification technologies to enhance coal seam data acquisition. Implementing multi-sensor fusion technology to improve the accuracy and reliability of coal-rock identification. Developing intelligent decision-support systems based on big data analytics to optimize mining operations and researching multi-domain collaborative simulation control strategies to address technical challenges and improve system performance.
-
0. 引 言
碳氢化合物资源长期以来是主要的能源[1]，然而，由于近年来开采常规油气藏的枯竭[2]，石油和天然气工业已将注意力转向非常规油气藏[3]。其中页岩气是增长速度最快的来源，可能对未来天然气生产总量的增长贡献最大[4]。
在实际开采过程中，无论是国外还是国内，遇到的最大问题就是页岩极低的渗透率[5]。水力压裂是页岩气经济开采中的常用技术，它可以制造出具有足够渗透率的人工裂缝[6]。然而，由于用水量、环境污染和地层破坏等负面影响，传统的大规模水力压裂最近几年受到越来越多的质疑[7]。随开采技术的进步，除了常规增透手段的水力压裂外，液氮这一低温流体越来越多地应用于页岩气、煤层气的开采[8]。主要致裂机理是LN2可以通过急剧冷却岩体来诱导热应力，并且超低温使岩体产生低温冻结，当LN2升温到储层温度时，LN2蒸发，压力增加导致岩石内部裂缝更加发育，从而起到增透作用[9-10]。
国内外学者在LN2致裂开采非常规天然气方面开展了大量研究。GRUNDMANN等[11]对一口页岩井进行了LN2低温处理，该井页岩气流量增加了8%，这是为数不多的关于LN2应用于页岩气开采现场实际的报道之一。JIANG等[12]开展了一系列有关渗透率和强度特性的试验，指出LN2冷冲击可有效增加页岩孔隙空间，LN2冷处理后，页岩的强度和脆性明显降低。CAI等[13]使用扫描电子显微镜(SEM)和核磁共振(NMR)揭示LN2冷处理后岩石损伤的机理，他指出LN2冷处理可以扩大岩石样品中的原生裂纹，并产生新的微裂纹。QIN等[14]用不同冻结时间、不同冻融循环次数、不同含水量的煤进行了测试，研究了LN2冻融煤后的岩石物理性质的变化，发现煤的孔隙结构、孔隙度和渗透率得到了不同程度的改变，冻融循环次数对煤的物理性质影响最大。翟成等[15]指出LN2循环致裂技术解决了LN2沿裂隙的泄漏补偿难题，可充分发挥LN2的低温冷冻作用。还有学者[16-17]在LN2冻融中结合氮气进行压裂，结果表明可取得更好的致裂效果。近几年计算机断层成像[18]被用来评估岩石三维变化。JIANG等[19]利用计算机断层成像对煤和页岩在三轴应力条件下储层岩石中孔隙和裂缝的演化进行了研究。
以上的室内试验主要观察了LN2低温冷处理前后干燥试件的孔隙大小和分布、渗透率或力学性质变化等。自然状态下的页岩通常含有水分，但目前对含水页岩冻融循环致裂增透效果研究成果较少。因此，笔者开展了低温LN2冻融循环下含水页岩孔裂隙和渗透率演化特征试验研究，首先基于SEM，对多次LN2冻融过程中页岩微观孔隙结构变化进行定点观察和定量分析，研究低温LN2循环冻融下页岩孔隙度、渗透率变化，通过CT扫描展示试样的宏观断裂演化，最后从热应力和冻胀力2方面探讨致裂机理，以期为LN2致裂开采页岩气提供一定的理论支撑。
1. 样品制备及试验方案
1.1 试件制备
本研究中使用的页岩样品取自中国四川盆地长宁地区下志留统龙马溪组，从龙马溪组野外露头采集岩样。在野外取样过程中首先剥离表层，确保取出的页岩整体结构完整、层理清晰、未风化。页岩样品运回实验室后，沿着平行层理面方向钻取岩心，并对端面进行研磨，最后对样品进行编号，将制备好的试样用保鲜膜包好备用。得到试验所用样品如图1所示，测得试样基本物理参数见表1。
表 1 试样基本物理参数Table 1. Basic physical parameters of samples试件编号 直径/mm 高度/mm 质量/g 密度/（g·cm−3） D0 10 3 0.58 2.453 W1 24.12 49.0 54.2 2.450 W2 24.21 50.7 56.4 2.456 1.2 试验方案
为了研究LN2冻融循环对页岩的致裂效果，设计了含水页岩样品的冻融循环试验，最大循环次数为7次，并在冻融循环0、1、3、5、7次后对液氮致裂效果进行表征，表征手段包括SEM、CT和孔隙度、渗透率分析。试验系统主要包括：液氮保温罐、台式扫描电镜和渗透率测试设备。试件编号为D0的试件用于SEM试验，在冻融0、1、3、5、7次后用该试样进行电镜扫描。试件编号为W1、W2的试件用于渗透率测试，试件W1还进行了CT扫描试验。同时，在试验开始前通过XRD测试得到页岩矿物组成用于后续LN2对页岩的致裂机理分析。
1.3 试验步骤
试验具体步骤如下：
1) 将所有样品置于干燥箱中，并将温度设置为60 ℃，干燥时间超过24 h，每小时测一次质量，质量变化小于0.01g时，认为获得干燥岩样。
2) 进行渗透率测量和SEM、CT扫描拍摄。随后将试件在−0.1 MPa气压下进行真空饱水24 h。
3) 将含水试样放进装满LN2的保温罐中进行冷冻试验，时长为30 min。到达设定的时间后将剩余LN2倒出，让岩石随着液氮罐恢复到室温，视为一次冻融循环。
4) 重复上述3个步骤，后续的渗透性试验和SEM、CT扫描试验分别在冻融1、3、5、7次后进行。
2. 结果和讨论
2.1 试样矿物组成和热物理性质
通过XRD测试得到样品的X射线衍射光谱图如图2所示，得到所用试样矿物成分包括石英、钠长石、黏土、方解石、白云石、黄铁矿等，黏土矿物主要由伊利石矿物组成。经查阅得到矿物成分的热物理性质[20]，用于后续致裂机理分析，具体数值见表2。
表 2 页岩矿物成分组成Table 2. Mineral composition of shale矿物
成分石英 钠长石 方解石 白云石 黄铁矿 高岭石 伊利石 热膨胀系数
/
10−6℃−124.3 9.6 −3.2 3.2 27.3 9.13 9.13 质量分数/% 60 4 7.8 7.5 2.6 2.2 15.9 2.2 冻融循环后页岩孔裂隙结构演化
岩石内部有大量孔隙、裂隙，在LN2作用下各种结构处于不断演变中，使用扫描电镜对冻融循环下页岩的微观结构进行定点观察，用与对比LN2处理前后的页岩的微观结构变化。实现定点观察的具体操作为：把试样D0放进扫描电镜的样品室，在较低的放大倍数下选取2个代表性区域，标记为区域1和区域2(图3)。这2处不仅包含了页岩孔裂、裂隙系统，而且特征明显，方便LN2处理后寻找同一点进行定点电镜扫描。试验中，首先放大扫描倍数进行SEM扫描，获得初始状态下的图片；然后进行一次LN2冻融循环，干燥后再次放进扫描电镜样品室，在较低倍数下反复对比寻找标记的区域1、区域2的大概位置，确认位置后，放大倍数进行微观拍摄；最后重复上述操作，直至完成试验。
![]()
图 3 岩石区域1、区域2在低倍数下的电镜图片Figure 3. Electron microscope pictures of rock area 1 and area 2 at low magnification电镜扫描试验结果如图4、图5所示，由图4、图5可以看出，试验所用页岩整体结构致密，表面存在较多微裂缝和微孔。由于在微观状态下再次定位到同一位置有极大困难，所展示的不是全过程的微观结构变化。图4主要展示了页岩冻融一次后的微观结构变化，图5展示了冻融0、3、5、7次后的结果。但从整体来看，试验结果有力证明了LN2冻融对页岩微观结构的改变，连通了气体的流动通道。详细的试验结果如下。
![]()
图 4 岩石区域1在冻融一次后微观结构变化Figure 4. The microstructure of rock zone 1 changes after one freeze-thaw cycle从研究区域1(图4a)发现初始状态下页岩表面微孔、微裂隙发育，微裂缝形态为狭缝，部分张开但不连通。在图4b中，观察到冻融一次后，黄色虚线指示区域发生了萌生新裂隙、裂缝变宽、矿物脱落等微观变化。
从研究区域2(图5)中，可以观察到更为全面的变化，原生的裂缝在热应力和冻胀力的共同作用下，扩展延伸进而互相连通。微观状态下页岩孔隙、裂隙随LN2冻融循环的具体变化为：与初始状态对比，冻融循环3次后，页岩表面产生了新孔隙，同时观察到裂缝边缘有明显的水变为冰后体积膨胀造成的矿物脱落，电镜图像中上方的微裂隙向下延伸，右下方微裂隙向上延伸，并与中间裂隙连通，已贯通的裂缝将利于气体流动。
从LN2冻融循环后样品孔隙结构整体变化情况来看，冻融循环作用对孔隙结构的演化具有积极影响，产生的新孔隙和裂隙对页岩孔裂隙网络的连通性具有明显的促进作用。
2.3 孔裂隙结构随液氮冻融循环演化的定量分析
岩体的渗流特性与其孔裂隙结构密切相关。当岩体内部孔隙、裂隙的尺度和分布改变时，其内部流体的运移也随之改变。基于SEM和数字图像处理的方法，利用开源软件Image J对每次冻融后基质中孔裂隙进行识别和提取[21]，进行了面孔隙度和分形维数的计算以定量表征LN2冻融循环下的孔裂隙变化。为了准确提取孔隙结构，通过比较多种分割模式，采用全局阈值法，通过反复调试，结合电镜的视觉观察，确定图像的分割阈值，最终得到二值化图像如图5所示。
![]()
图 5 岩石区域2微观结构随LN2冻融循环次数变化Figure 5. The microstructure of rock zone 2 changes with the number of freeze-thaw cycles of liquid nitrogen面孔隙度（图中白色部分面积与整个图像面积比值）是评价样品表面裂隙分布情况的，反映了孔隙占总面积的比重。分形维数是多孔介质的“固有特征”之一[22]，在二维空间中分形维数介于1～2，值越接近2表示几何体分形特征越明显，由图像计算的分形维数数据是孔隙分布分形维数[23]。“盒计数”是一种计算图像数据分形维数的成熟方法，它量化了物体几何细节，被越来越多地用到孔裂隙结构复杂性的表征上。分形维数的计算公式见式(1)，其中s为盒子的边长，N(s)为盒子数量，计算结果如图6所示，通过拟合lnN(s)和lns的线性关系，以直线的斜率作为分形维数[24]。面孔隙度及分形维数具体数值见表3。
表 3 页岩面孔隙度、分形维数Table 3. Shale surface porosity and fractal dimension冻融
次数电镜下
图像面积
/μm2孔隙面积
/μm2面孔隙度
/%分形维数
拟合公式分形
维数R2 0 2 920.78 189.67 6.49 y=−1.258x+11.01 1.258 0.997 3 2 803.19 309.582 11.04 y=−1.364x+11.62 1.364 0.998 5 2 994.11 336.90 11.44 y=−1.378x+11.71 1.378 0.998 7 3 146.64 436.475 13.87 y=−1.424x+11.95 1.424 0.998 $$ {D_{\rm{f}}} = - \mathop {\lim }\limits_{s \to 0} \frac{{\ln N(s)}}{{\ln s}} $$ (1) 图7显示了岩样面孔隙度、分形维数随冻融循环次数的变化情况。对于含水状态下LN2处理的试件，面孔隙度由初始的6.49%增长到13.87%。根据分形维数计算结果，发现试件在冻融3次后分形维数由1.258上升到1.364，随后缓慢上升至1.424。面孔隙度和分形维数的变化情况都表明，孔隙裂隙随冻融循环次数的上升进一步发育。
![]()
图 7 岩石面孔隙度、分形维数随LN2冻融循环次数变化Figure 7. The porosity and fractal dimension of rock face change with the number of freeze-thaw cycles of liquid nitrogen2.4 液氮循环冻融下页岩的孔隙度、渗透率演化
孔裂隙结构的变化会影响页岩整体孔隙度和渗透率的变化，进而影响开采效果。用试件W1、W2对页岩在LN2冻融循环情况下的孔隙度、渗透率演化进行了研究，得到的孔隙度、渗透率测试结果见表4。
表 4 页岩孔隙度、渗透率Table 4. Shale porosity and permeability冻融次数 孔隙度/% 增长率/% 渗透率/% 相对增长率/% 0 4.62 — 6.61×10−19 1 6.63 43.54 1.32×10−16 13 012.66 3 6.70 45.06 1.61×10−16 13 100.61 5 6.94 50.18 2.38×10−16 21 383.47 7 7.14 54.60 6.48×10−16 81 865.77 在页岩饱水过程中涉及到了页岩的水化，水化作用与黏土矿物组成密切相关，伊利石含量高的页岩在水的影响下孔隙结构改善空间有限[25]。笔者做了一组对照试验，对照组在饱水0、1、3、5、7次后测得的渗透率为6.42×10−19、4.46×10−17、7.25×10−17、9.39×10−17、1.04×10−16m2，可见水引起的渗透率变化比冻融循环引起的变化小。为了单纯表征冻胀力和热应力影响，定义渗透率相对增长率$ \lambda _{\rm T}^i $，如式（2）。
$$ \lambda _{\text{T}}^i = \lambda _{{\text{L}}{{\text{N}}_{\text{2}}}}^i - \lambda _{\text{s}}^i $$ (2) $$ \lambda _{{\text{L}}{{\text{N}}_{\text{2}}}}^i = \frac{{k_{{\text{L}}{{\text{N}}_{\text{2}}}}^i - k_{{\text{L}}{{\text{N}}_{\text{2}}}}^0}}{{k_{{\text{L}}{{\text{N}}_{\text{2}}}}^0}} $$ (3) $$ \lambda _{\text{s}}^i = \frac{{k_{\text{s}}^i - k_{\text{s}}^0}}{{k_{\text{s}}^0}} $$ (4) 式中：i为LN2冻融循环次数(i=1、3、5、7)；$ \lambda _{{\text{L}}{{\text{N}}_{\text{2}}}}^i $为冻融i次后W1和W2页岩渗透率增长率；$ \lambda _{\text{s}}^i $为水饱和i次后的页岩渗透率增长率；$ k_{{\text{L}}{{\text{N}}_{\text{2}}}}^i $为冻融i次后W1和W2平均渗透率；$ k_{{\text{L}}{{\text{N}}_{\text{2}}}}^0 $为初始状态W1和W2平均渗透率；$ k_{\text{s}}^i $为对照组饱水i次后试件渗透率；$ k_{\text{s}}^0 $为对照组初始试件渗透率。
按照式（2）—式（4）计算，最终得到的LN2冻融循环条件下渗透率相对增长率（表4）。
图8和图9是页岩在不同LN2冻融次数下的孔隙度、渗透率的变化图，从图8和图9可以看出，随着冻融循环次数的增加，孔隙度和渗透率均逐渐增大。试件W1、W2平均孔隙度从初始状态下的4.62%逐渐增长到7.14%，增加了54.6%，平均渗透率从6.61×10−19m2逐渐增长到6.48×10−16m2，渗透率随LN2冻融循环次数呈指数增长，增长了3个数量级。结合之前的分析，多次LN2冻融对透气性增加的影响比单次更明显，冻融循环可以增加页岩的孔隙度，促进微孔、微裂隙的萌生，含水页岩在LN2冻融下，裂隙最终发生了贯通，这些都极大的增加了气体的渗流通道，显著的提高了页岩的渗透性。
![]()
图 8 页岩孔隙度随LN2冻融循环次数变化Figure 8. Shale porosity changes with the number of liquid nitrogen freeze-thaw cycle![]()
图 9 页岩渗透率随LN2冻融循环次数变化Figure 9. Shale permeability changes with the number of liquid nitrogen freeze-thaw cycle2.5 页岩样品的CT扫描图像变化
图10是在处理前和处理后对试样CT扫描得到的同一截面的2D切片图像，以确定每个处理周期前后是否存在裂纹。显然，从图10可以看出，低温LN2处理使页岩发生了断裂，样品在初始状态下(图10a)，岩样二维层析图像中没有观察到原始的贯穿裂缝，只有分散的矿物颗粒和页岩基质。对于含水页岩试件，试件受水的影响，各方面性能减弱，页岩薄弱层理面连接更加疏离，在LN2冻融下，水冰相变使得页岩在弱面产生裂纹。LN2冻融一次后，在2D切片(图10b)观察到2条可见的裂纹，裂纹从试件边缘萌生，中间暂未连通，此时渗透率大幅度增加；在下一个循环的LN2冻融中，裂纹继续向岩心内部扩展，渗透率增长缓慢；在第五次LN2冻融后在累积损伤的作用下产生新裂纹；在七次LN2冻融后裂纹不断扩展延长，产生更明显的微裂缝。
![]()
图 10 CT扫描图像下页岩随LN2冻融循环次数的变化Figure 10. The changes of shale with the number of freeze-thaw cycles of liquid nitrogen in CT scan images2.6 讨 论
结合SEM和CT扫描结果来看，LN2冻融循环对样品的孔裂隙结构演化具有正向影响，特别是对连通性具有明显的促进作用。同时试验结果表明渗透率随LN2冻融循环次数呈量级增长，远大于孔隙度变化幅度。这主要是因为页岩属于致密储层，基质渗透率极低，页岩渗透率主要受储层连通性、孔隙、微裂缝发育程度等因素影响，和孔隙度之间呈现微弱的正相关关系[26]，连通性对渗透率的增长贡献程度远大于孔隙度的影响。
在未冻融时，页岩基质密实，孔隙度、渗透率较小。页岩冻融一次后，微观下观察到页岩新孔隙萌生，原生裂隙变宽延长；宏观下观察到页岩沿层理面冻胀开裂，冻融破坏效果明显，连通性增强。随冻融次数增加孔隙、裂隙继续发育但总体趋于缓和，第一次冻融贡献了大部分的孔隙度增长(43.54%)和渗透率增长(3个数量级)，随后在循环冻融的作用下，渗透率因新生裂纹的出现，持续增加，但总体没有超过3个数量级。在实际开采过程中，应结合储层条件，合理设计开采方案，达到经济效益的最大化。
3. 致裂机制
岩石是一种导热系数低的材料，矿物成分的热膨胀系数存在差异，表1展示了页岩矿物的热膨胀系数。石英的热膨胀系数大约为24.3×10−6℃−1，白云石热膨胀系数为3.2×10−6℃−1，意味着在降低相同温度时石英的收缩量最大为白云石的7.59倍。在LN2接触页岩时，由于页岩内部各矿物收缩量的不相同，矿物成分间处于互相约束的状态，从而产生热应力[12]，同时水变成冰产生9%体积膨胀以及未冻水迁移，引发冻胀力[27]。在二者作用下引起裂隙尖端的应力强度因子达到材料的断裂韧度，会驱动岩体的裂隙扩展[28]。在热应力的作用下页岩试件外部区域受拉应力，拉应力随冷却时间的延长而增大，快速冷却过程中的损伤主要发生试件外缘[10]。随着循环次数的增加，在页岩上反复产生热应力，颗粒之间原本强大的胶结或结晶连接被破坏，产生新的微孔[29]。冻胀力是与岩石和冰的力学参数以及裂隙几何参数等有关的复杂变量，其量值及裂隙冻融开裂扩展机制都是研究冻岩过程中亟待解决的关键问题，刘泉声[30]等建立了封闭裂隙中冻胀力演化模型，冻胀力随岩石弹性模量E增加而迅速增大，当某种岩石E＞30 GPa且在饱和状态下就会产生超过50 MPa的冻胀力，足以驱动任何岩体冻胀开裂。
综合前面孔隙度、渗透率、CT切片结果，在LN2冻融循环期间页岩的变形与破坏本质上表现为新孔隙的产生、微观裂纹的扩展加宽。如图11示意图所示，在页岩第一次冻融循环后，试样萌生了新孔隙、裂沿着本身的薄弱层理面发生了开裂，孔隙度、渗透率快速增加。在随后的几次冻融循环后，页岩渗透率和孔隙度的增加幅度变缓，说明页岩孔裂隙扩展量变小。事实上，冻胀力主要来源于体积膨胀机制，裂隙的密封条件决定了冻胀力的形成和强弱[28]。在第一次冻融后页岩岩体出现较大程度的破坏，孔裂隙连通性增加。在下一次的冻融中，在裂隙水结冰初期，冰层较薄，冻结的岩体介质中冰岩界面间存在着一层未冻水膜，未冻水膜的存在为水分迁移提供了通道，部分水在冰层的薄弱处被挤出释放(图11)，因此冻胀力基本没有增长。文献[31]也提到随着冻融循环次数增加，峰值冻胀力呈指数函数形式减小。在低于10−18m2渗透率岩石中裂隙水冻结会产生较大的冻胀水压力，容易引起裂隙冻胀扩展，甚至导致整个岩体的冻裂破坏，渗透率大于10−16m2的岩石中，低温冻结难以形成足够的冻胀力。随着冻融循环的进行，水冰相变膨胀和基质收缩的重复导致岩石中应变的累积，岩心内部即发生以微裂纹为主的冻结损伤，随着冻融循环次数的增加，这种损伤逐渐积累并发展直至演变为微裂缝，使得渗透率在多次LN2冻融后大幅度增长。
![]()
图 11 冻融循环下页岩孔裂隙结构演化及致裂机制Figure 11. Shale pore fracture structure evolution and fracture mechanism under freeze-thaw cycle4. 结 论
1）LN2低温致裂是一种很有效的页岩储层增透技术，LN2低温冻结会引发和扩展微裂纹，提高裂缝复杂性和连通性，有利于页岩气的流动。
2）定点电镜扫描结果真实的反映了LN2冻融循环下页岩的微观变化。页岩在低温冻结后萌生了新孔隙，初始裂缝沿着裂缝尖端延伸，最后与其他裂缝贯通。面孔隙度和分形维数的计算结果定量化展示了页岩孔裂隙随冻融循环次数进一步发育。
3）随着LN2冻融循环次数的增加，页岩孔隙度和渗透率不断增加。7次冻融循环后，试件孔隙度增加了54.6%，渗透率增加了3个数量级。
4）LN2冷冻会在含水页岩上产生热应力和冻胀力，页岩在LN2冻融循环的作用下微观结构不断损伤断裂，最终使试件产生肉眼可见的微裂缝。
-
![]()
图 2 工作面综合探测示意
Figure 2. Schematic diagram of the comprehensive detection of the working face
![]()
图 3 基于透明地质的协同规划控制系统
Figure 3. Collaborative planning and control system based on transparent geology
![]()
图 6 预测截割顶底板岩层位置原理
Figure 6. Principle of identification position of cutting top and bottom slate
![]()
图 13 不同煤岩比例下的截齿红外图像
Figure 13. Infrared thermal image of picks under different coal-rock cutting ratio
![]()
图 15 煤岩红外图像采集与识别
Figure 15. Infrared image acquisition and recognition result of coal rock
![]()
图 17 节点式雷达探测与随采动态探测系统
Figure 17. Nodal GPR detection system and accompanying dynamic detection system
![]()
图 18 基于超声波技术煤岩界面识别原理
Figure 18. Coal-rock interface identification principle based on ultrasonic technology
表 1 有量纲时域统计参量对比
Table 1 Comparison of dimensional time-domain statistical parameters
有量纲指标 割煤状态（dm·s−2） 割顶状态（dm·s−2） 绝对值增幅/% 均方值 71.40 281.28 295 方差 71.40 281.28 295 方根幅值 5.73 8.69 52 平均幅值 6.76 11.27 67 有效值 8.45 16.77 98 
下载: 导出CSV
表 2 无量纲时域统计参量对比
Table 2 Comparison of dimensionless time-domain statistical parameters
无量纲指标 割煤状态 割顶状态 绝对值增幅/% 波形指标 1.25 1.49 24 峰值指标 4.96 9.20 85 脉冲指标 6.20 13.69 120 裕度指标 7.31 17.76 143 峭度指标 0.04 0.03 −25
下载: 导出CSV
表 3 采煤机自适应截割技术对比分析
Table 3 Comparison and Analysis of Adaptive Cutting Technology for shearers
单点技术 核心内容 技术特点 应用场景 优劣势对比 记忆截割 利用历史截割数据生成最优截割路径以提升作业效率 基于历史数据、具备路径优化能力和较高的重复精确度 地质条件相对稳定且重复作业较多的工况 优点：路径优化、提高效率
缺点：对地质变化的适应性较差，需配合其他技术以应对动态变化透明地质 通过地质数据采集、处理和透明化展示，使得地质特征更加清晰 实时展现地质特征、数据可视化强 复杂地质结构下的采矿场景 优点：清晰展示地质特征，辅助决策
缺点：依赖高精度传感器和实时处理系统，可能存在成本高的问题煤岩识别 利用传感器技术实时识别煤岩分界，实现精准截割 识别精度高、适应复杂地质环境 煤岩混杂、地质变化显著的工况 优点：精确识别煤岩分界，减少误割率
缺点：对传感器性能和数据处理要求高，在数据缺失或误差大的条件下可能失效自适应控制 通过实时反馈控制算法，自动调节截割参数以适应不同工况 智能化高，实时调整截割速度、力度等关键参数 工况实时变化明显、需要灵活调整的场景 优点：灵活应对复杂工况，提升作业稳定性和安全性
缺点：对控制算法和实时计算要求高，依赖大量实时数据以保证精度和响应速度
下载: 导出CSV
-
[1] 高有进,杨艺,常亚军,等. 综采工作面智能化关键技术现状与展望[J]. 煤炭科学技术,2021,49(8):1−22. GAO Youjin,YANG Yi,CHANG Yajun,et al. Status and prospect of key technologies of intelligentization of fully-mechanized coal mining face[J]. Coal Science and Technology,2021,49(8):1−22.
[2] 王国法,杜毅博,徐亚军,等. 中国煤炭开采技术及装备50年发展与创新实践:纪念《煤炭科学技术》创刊50周年[J]. 煤炭科学技术,2023,51(1):1−18. WANG Guofa,DU Yibo,XU Yajun,et al. Development and innovation practice of China coal mining technology and equipment for 50 years:commemorate the 50th anniversary of the publication of coal science and technology[J]. Coal Science and Technology,2023,51(1):1−18.
[3] 李福涛,王忠宾,司垒,等. 基于振动信号的采煤机煤岩截割状态识别[J]. 煤炭工程,2022,54(1):123−127. LI Futao,WANG Zhongbin,SI Lei,et al. Coal cutting state recognition of shearer based on vibration signal[J]. Coal Engineering,2022,54(1):123−127.
[4] 巩师鑫,任怀伟,黄伟,等. 复杂起伏煤层自适应开采截割路径优化与仿真[J]. 煤炭科学技术,2023,51(S2):210−218. GONG Shixin,REN Huaiwei,HUANG Wei,et al. Optimization and simulation of adaptive mining cutting path in complex undulating coal seam[J]. Coal Science and Technology,2023,51(S2):210−218.
[5] 刘春生,陈金国. 基于单示范刀采煤机记忆截割的数学模型[J]. 煤炭科学技术,2011,39(3):71−73,103. LIU Chunsheng,CHEN Jinguo. Mathematic model of memory cutting for coal shearer based on single demo knife[J]. Coal Science and Technology,2011,39(3):71−73,103.
[6] 张强,张润鑫,刘峻铭,等. 煤矿智能化开采煤岩识别技术综述[J]. 煤炭科学技术,2022,50(2):1−26. ZHANG Qiang,ZHANG Runxin,LIU Junming,et al. Review on coal and rock identification technology for intelligent mining in coal mines[J]. Coal Science and Technology,2022,50(2):1−26.
[7] 薛国华. 基于透明地质的综采工作面三维煤层建模[J]. 工矿自动化,2022,48(4):135−141. XUE Guohua. Three-dimensional coal seam modeling of fully mechanized working face based on transparent geology[J]. Journal of Mine Automation,2022,48(4):135−141.
[8] 刘旭南,赵丽娟,盖东民,等. 基于采煤机可靠性的智能牵引调速系统研究[J]. 系统仿真学报,2016,28(7):1601−1608. LIU Xunan,ZHAO Lijuan,GAI Dongmin,et al. Research on intelligent hauling speed regulation system based on shearer’s reliability[J]. Journal of System Simulation,2016,28(7):1601−1608.
[9] 夏蒙健,刘洋. 煤矿采煤机智能化关键技术[J]. 工矿自动化,2023,49(S2):10−12. XIA Mengjian,LIU Yang. Intelligent key technologies of coal mine shearer[J]. Industry and Mine Automation,2023,49(S2):10−12.
[10] 王福忠,高颖. 采煤机截割滚筒轨迹的迭代学习跟踪控制[J]. 控制工程,2018,25(6):966−971. WANG Fuzhong,GAO Ying. Tracking control of shearer cutting-drum using iterative learning[J]. Control Engineering of China,2018,25(6):966−971.
[11] 刘春生,杨秋,李春华. 采煤机滚筒记忆程控截割的模糊控制系统仿真[J]. 煤炭学报,2008,33(7):822−825. doi: 10.3321/j.issn:0253-9993.2008.07.021 LIU Chunsheng,YANG Qiu,LI Chunhua. Simulation of shearer drum cutting with memory program controlling by fuzzy control[J]. Journal of China Coal Society,2008,33(7):822−825. doi: 10.3321/j.issn:0253-9993.2008.07.021
[12] 王忠宾,徐志鹏,董晓军. 基于人工免疫和记忆切割的采煤机滚筒自适应调高[J]. 煤炭学报,2009,34(10):1405−1409. doi: 10.3321/j.issn:0253-9993.2009.10.021 WANG Zhongbin,XU Zhipeng,DONG Xiaojun. Self-adaptive adjustment height of the drum in the shearer based on artificial immune and memory cutting[J]. Journal of China Coal Society,2009,34(10):1405−1409. doi: 10.3321/j.issn:0253-9993.2009.10.021
[13] 陈伟华,南鹏飞,闫孝姮,等. 基于深度学习的采煤机截割轨迹预测及模型优化[J]. 煤炭学报,2020,45(12):4209−4215. CHEN Weihua,NAN Pengfei,YAN Xiaoheng,et al. Prediction and model optimization of shearer memory cutting trajectory based on deep learning[J]. Journal of China Coal Society,2020,45(12):4209−4215.
[14] 齐爱玲,王雨,马宏伟. 基于改进门控循环神经网络的采煤机滚筒调高量预测[J]. 工矿自动化,2024,50(2):116−123. QI Ailing,WANG Yu,MA Hongwei. Prediction of height adjustment of shearer drum based on improved gated recurrent neural network[J]. Journal of Mine Automation,2024,50(2):116−123.
[15] 李重重,刘清. 基于截割顶底板高度预测模型的采煤机自动调高技术[J]. 工矿自动化,2024,50(1):9−16. LI Zhongzhong,LIU Qing. Automatic height adjustment technology of shearer based on cutting roof and floor height prediction model[J]. Journal of Mine Automation,2024,50(1):9−16.
[16] 程诚,吴洪状,刘送永. 基于B样条曲线拟合和蜉蝣算法的采煤机截割路径约束优化[J]. 煤炭科学技术,2024,52(S1):269−279. CHENG Cheng,WU Hongzhuang,LIU Songyong. Constraint optimization of shearer cutting path based on B-spline curve fitting and mayfly algorithm[J]. Coal Science and Technology,2024,52(S1):269−279.
[17] 程建远,王保利,范涛,等. 煤矿地质透明化典型应用场景及关键技术[J]. 煤炭科学技术,2022,50(7):1−12. CHENG Jianyuan,WANG Baoli,FAN Tao,et al. Typical application scenes and key technologies of coal mine geological transparency[J]. Coal Science and Technology,2022,50(7):1−12.
[18] 毛明仓,张孝斌,张玉良. 基于透明地质大数据智能精准开采技术研究[J]. 煤炭科学技术,2021,49(1):286−293. MAO Mingcang,ZHANG Xiaobin,ZHANG Yuliang. Research on intelligent and precision mining technology based on transparent geological big data[J]. Coal Science and Technology,2021,49(1):286−293.
[19] 王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1−27. doi: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001 WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1−27. doi: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001
[20] 刘再斌,刘程,刘文明,等. 透明工作面多属性动态建模技术[J]. 煤炭学报,2020,45(7):2628−2635. LIU Zaibin,LIU Cheng,LIU Wenming,et al. Multi-attribute dynamic modeling technique for transparent working face[J]. Journal of China Coal Society,2020,45(7):2628−2635.
[21] 袁亮. 煤炭精准开采科学构想[J]. 煤炭学报,2017,42(1):1−7. YUAN Liang. Scientific conception of precision coal mining[J]. Journal of China Coal Society,2017,42(1):1−7.
[22] 袁亮,张平松. 煤炭精准开采透明地质条件的重构与思考[J]. 煤炭学报,2020,45(7):2346−2356. YUAN Liang,ZHANG Pingsong. Framework and thinking of transparent geological conditions for precise mining of coal[J]. Journal of China Coal Society,2020,45(7):2346−2356.
[23] 侯运炳,张弘,毛善君,等. 基于高精度三维动态地质模型的采煤机自适应智能截割技术研究[J]. 矿业科学学报,2023,8(1):26−38. HOU Yunbing,ZHANG Hong,MAO Shanjun,et al. Adaptive intelligent cutting technology of the shearer based on the high-precision three-dimensional dynamic geological model[J]. Journal of Mining Science and Technology,2023,8(1):26−38.
[24] 李森,李重重,刘清. 基于透明地质的综采工作面规划截割协同控制系统[J]. 煤炭科学技术,2023,51(4):175−184. LI Sen,LI Zhongzhong,LIU Qing. Planned cutting and collaborative control system for fully-mechanized mining face based on transparent geology[J]. Coal Science and Technology,2023,51(4):175−184.
[25] 王海舰,黄梦蝶,高兴宇,等. 考虑截齿损耗的多传感信息融合煤岩界面感知识别[J]. 煤炭学报,2021,46(6):1995−2008. WANG Haijian,HUANG Mengdie,GAO Xingyu,et al. Coal-rock interface recognition based on multi-sensor information fusion considering pick wear[J]. Journal of China Coal Society,2021,46(6):1995−2008.
[26] 苏秀平,李威,徐志鹏. 采煤机工作面截割试验分析[J]. 煤炭学报,2013,38(9):1681−1685. SU Xiuping,LI Wei,XU Zhipeng. Test analysis of shearer cutting at coal face[J]. Journal of China Coal Society,2013,38(9):1681−1685.
[27] 田立勇,毛君,王启铭. 基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法[J]. 煤炭学报,2016,41(3):782−787. TIAN Liyong,MAO Jun,WANG Qiming. Coal and rock identification method based on the force of idler shaft in shearer’s ranging arm[J]. Journal of China Coal Society,2016,41(3):782−787.
[28] 刘春生,刘延婷,刘若涵,等. 采煤机截割状态与煤岩识别的关联载荷特征模型[J]. 煤炭学报,2022,47(1):527−540. LIU Chunsheng,LIU Yanting,LIU Ruohan,et al. Correlation load characteristic model between shearer cutting state and coal-rock recognition[J]. Journal of China Coal Society,2022,47(1):527−540.
[29] LI F T,WANG Z B,SI L,et al. Traction resistance analysis and cutting state recognition of shearer based on numerical simulation[J]. Measurement,2024,237:115261. doi: 10.1016/j.measurement.2024.115261
[30] JIANG K,WAN L R,ZENG Q L,et al. New effective method for identification of coal and roof interface based on cutting performance[J]. Arabian Journal for Science and Engineering,2023,48(9):11351−11362. doi: 10.1007/s13369-022-07400-5
[31] 赵健博. 采煤机截割载荷识别与智能控制方法研究[D]. 西安科技大学机械工程,2022. ZHAO Jianbo. Research on cutting load identification and intelligent control method of shearer[D]. Xi`an University of Science and Technology,2022
[32] 刘俊利,赵豪杰,李长有. 基于采煤机滚筒截割振动特性的煤岩识别方法[J]. 煤炭科学技术,2013,41(10):93−95,116. LIU Junli,ZHAO Haojie,LI Changyou. Coal-rock recognition method based on cutting vibration features of coal shearer drums[J]. Coal Science and Technology,2013,41(10):93−95,116.
[33] 杨健健,姜海,吉晓东,等. 基于小波包特征提取的煤岩硬度振动识别方法[J]. 煤炭科学技术,2015,43(12):114−117,179. YANG Jianjian,JIANG Hai,JI Xiaodong,et al. Vibration identification method of coal and rock hardness based on wavelet packet features[J]. Coal Science and Technology,2015,43(12):114−117,179.
[34] 丛晓妍,王增才,王保平,等. 基于EMD与峭度滤波的煤岩界面识别[J]. 振动 测试与诊断,2015,35(5):950-954,995-996. CONG Xiaoyan,WANG Zengcai,WANG Baoping,et al. Application of filtering method based on EMD and kurtosis in coal-rock interface recognition[J]. Journal of Vibration,Measurement & Diagnosis,2015,35(5):950-954,995-996.
[35] 任洁,刘頔. 基于采煤机振动时域特性的煤岩识别方法研究[J]. 煤炭工程,2016,48(3):106−109. REN Jie,LIU Di. Recognition method of coal-rock interface based on time-domain vibration characteristics of coal cutter[J]. Coal Engineering,2016,48(3):106−109.
[36] SI L,WANG Z B,TAN C,et al. Vibration-based signal analysis for shearer cutting status recognition based on local mean decomposition and fuzzy C-means clustering[J]. Applied Sciences,2017,7(2):164. doi: 10.3390/app7020164
[37] 许静. 采煤机煤岩截割模式识别关键技术研究[D]. 徐州:中国矿业大学,2018. XU Jing. Research on key technologies of coal-rock cutting pattern recognition for shearer[D]. Xuzhou:China University of Mining and Technology,2018.
[38] LI C P,PENG T H,ZHU Y M,et al. Noise reduction method of shearer’s cutting sound signal under strong background noise[J]. Measurement and Control,2022,55(7-8):783−794. doi: 10.1177/00202940221091547
[39] 尹玉玺,周常飞,许志鹏,等. 基于改进1DCNN的煤岩识别模型研究[J]. 工矿自动化,2023,49(1):116−122. YIN Yuxi,ZHOU Changfei,XU Zhipeng,et al. Research on coal and rock recognition model based on improved 1DCNN[J]. Journal of Mine Automation,2023,49(1):116−122.
[40] LI F T,WANG Z B,SI L,et al. A novel recognition method of shearer cutting status based on SDP image and MCK-DCNN[J]. Proceedings of the Institution of Mechanical Engineers,Part C:Journal of Mechanical Engineering Science,2024,238(5):1495−1506. doi: 10.1177/09544062231185486
[41] 黄韶杰. 基于灰度阈值法的煤岩界面识别研究[J]. 工矿自动化,2013,39(5):52−54. doi: 10.7526/j.issn.1671-251X.2013.05.015 HUANG Shaojie. Research of coal-rock interface identification based on gray threshold method[J]. Industry and Mine Automation,2013,39(5):52−54. doi: 10.7526/j.issn.1671-251X.2013.05.015
[42] 李嘉豪,司垒,王忠宾,等. 综放工作面煤矸识别技术及其应用[J]. 仪器仪表学报,2024,45(1):1−15. LI Jiahao,SI Lei,WANG Zhongbin,et al. Coal gangue identification technology and its application in fully-mechanized coal mining face[J]. Chinese Journal of Scientific Instrument,2024,45(1):1−15.
[43] 王超,张强. 基于LBP和GLCM的煤岩图像特征提取与识别方法[J]. 煤矿安全,2020,51(4):129−132. WANG Chao,ZHANG Qiang. Coal rock image feature extraction and recognition method based on LBP and GLCM[J]. Safety in Coal Mines,2020,51(4):129−132.
[44] 张万枝,王增才. 基于视觉技术的煤岩特征分析与识别[J]. 煤炭技术,2014,33(10):272−274. ZHANG Wanzhi,WANG Zengcai. Characteristic analysis and recognition of coal and rock based on visual technology[J]. Coal Technology,2014,33(10):272−274.
[45] 黄韶杰,刘建功. 基于高斯混合聚类的煤岩识别技术研究[J]. 煤炭学报,2015,40(S2):576−582. HUANG Shaojie,LIU Jiangong. Research of coal-rock recognition technology based on GMM clustering analysis[J]. Journal of China Coal Society,2015,40(S2):576−582.
[46] 伍云霞,田一民. 基于字典学习的煤岩图像特征提取与识别方法[J]. 煤炭学报,2016,41(12):3190−3196. WU Yunxia,TIAN Yimin. Method of coal-rock image feature extraction and recognition based on dictionary learning[J]. Journal of China Coal Society,2016,41(12):3190−3196.
[47] 高峰,殷欣,刘泉声,等. 基于塔式池化架构的采掘工作面煤岩图像识别方法[J]. 煤炭学报,2021,46(12):4088−4102. GAO Feng,YIN Xin,LIU Quansheng,et al. Coal-rock image recognition method for mining and heading face based on spatial pyramid pooling structure[J]. Journal of China Coal Society,2021,46(12):4088−4102.
[48] 司垒,王忠宾,熊祥祥,等. 基于改进U-net网络模型的综采工作面煤岩识别方法[J]. 煤炭学报,2021,46(S1):578−589. SI Lei,WANG Zhongbin,XIONG Xiangxiang,et al. Coal-rock recognition method of fully-mechanized coal mining face based on improved U-net network model[J]. Journal of China Coal Society,2021,46(S1):578−589.
[49] 闫志蕊,王宏伟,耿毅德. 基于改进DeeplabV3+和迁移学习的煤岩界面图像识别方法[J]. 煤炭科学技术,2023,51(S1):429−439. YAN Zhirui,WANG Hongwei,GENG Yide. Coal-rock interface image recognition method based on improved DeeplabV3+ and transfer learning[J]. Coal Science and Technology,2023,51(S1):429−439.
[50] 张云,童亮,来兴平,等. 基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别[J]. 煤炭学报,2024,49(7):3276−3290. ZHANG Yun,TONG Liang,LAI Xingping,et al. Coal-rock interface perception and accurate recognition in heading face under coal dust environment based on machine vision[J]. Journal of China Coal Society,2024,49(7):3276−3290.
[51] 张强,王海舰,郭桐,等. 基于截齿截割红外热像的采煤机煤岩界面识别研究[J]. 煤炭科学技术,2017,45(5):22−27. ZHANG Qiang,WANG Haijian,GUO Tong,et al. Study on coal-rock interface recognition of coal shearer based on cutting infrared thermal image of picks[J]. Coal Science and Technology,2017,45(5):22−27.
[52] 张强,刘志恒,王海舰,等. 基于截齿振动及温度特性的煤岩识别研究[J]. 煤炭科学技术,2018,46(3):1−9,18. ZHANG Qiang,LIU Zhiheng,WANG Haijian,et al. Study on coal and rock identification based on vibration and temperature features of picks[J]. Coal Science and Technology,2018,46(3):1−9,18.
[53] 刘治翔,孙战,尹家阔,等. 基于红外热像和振动信号的煤岩识别实验研究[J]. 工矿自动化,2024,50(4):78−83,152. LIU Zhixiang,SUN Zhan,YIN Jiakuo,et al. Experimental study on coal rock recognition based on infrared thermal imaging and vibration signals[J]. Journal of Mine Automation,2024,50(4):78−83,152.
[54] 张强,孙绍安,张坤,等. 基于主动红外激励的煤岩界面识别[J]. 煤炭学报,2020,45(9):3363−3370. ZHANG Qiang,SUN Shaoan,ZHANG Kun,et al. Coal and rock interface identification based on active infrared excitation[J]. Journal of China Coal Society,2020,45(9):3363−3370.
[55] 王海舰,刘丽丽,卢士林,等. 多参数耦合优化煤岩界面主动红外感知识别[J]. 振动 测试与诊断,2022,42(2):308-314,408−409. WANG Haijian,LIU Lili,LU Shilin,et al. Coal-rock interface recognition based on active infrared and coupling optimization of multiple parameters[J]. Journal of Vibration,Measurement & Diagnosis,2022,42(2):308-314,408-409.
[56] 王海舰,刘丽丽,赵雪梅,等. 基于改进PSPnet-MobileNetV2的煤岩界面快速精准识别[J]. 振动 测试与诊断,2024,44(4):793−800,832−833. WANG Haijian,LIU Lili,ZHAO Xuemei,et al. Rapid and accurate identification of coal-rock interface based on improved PSPnet-MobileNetV2[J]. Journal of Vibration,Measurement & Diagnosis,2024,44(4):793−800,832−833.
[57] 王昕,丁恩杰,胡克想,等. 煤岩散射特性对探地雷达探测煤岩界面的影响[J]. 中国矿业大学学报,2016,45(1):34−41. WANG Xin,DING Enjie,HU Kexiang,et al. Effects of coal-rock scattering characteristics on the GPR detection of coal-rock interface[J]. Journal of China University of Mining & Technology,2016,45(1):34−41.
[58] 刘帅,赵文生,高思伟. 超宽带探地雷达煤层厚度探测试验研究[J]. 煤炭科学技术,2019,47(8):207−212. LIU Shuai,ZHAO Wensheng,GAO Siwei. Experimental study on coal seam thickness measurement of ultra-wide band ground penetrating radar[J]. Coal Science and Technology,2019,47(8):207−212.
[59] 苗曙光,刘晓文,李淮江,等. 基于探地雷达的煤岩界面探测数据解释方法[J]. 工矿自动化,2019,45(1):35−39. MIAO Shuguang,LIU Xiaowen,LI Huaijiang,et al. Data interpretation method of coal-rock interface detection based on ground penetrating radar[J]. Industry and Mine Automation,2019,45(1):35−39.
[60] 刘万里,马修泽,张学亮. 基于探地雷达的特厚煤层厚度动态探测技术[J]. 煤炭学报,2021,46(8):2706−2714. LIU Wanli,MA Xiuze,ZHANG Xueliang. Dynamic detection technology of extra-thick coal seam thickness based on ground penetrating radar[J]. Journal of China Coal Society,2021,46(8):2706−2714.
[61] 许献磊,陈令洲,彭苏萍,等. 矿井煤岩界面节点式雷达快速动态探测系统及实验研究[J]. 煤炭学报,2024,49(4):1964−1975. XU Xianlei,CHEN Lingzhou,PENG Suping,et al. Mining coal-rock interface nodal GPR rapid dynamic detection system and experimental research[J]. Journal of China Coal Society,2024,49(4):1964−1975.
[62] 李力,刘佳鹏,魏伟. 基于经验小波变换的煤岩界面识别超声回波处理方法研究[J]. 煤炭学报,2019,44(S1):370−377. LI Li,LIU Jiapeng,WEI Wei. Signal processing method on ultrasonic echo from coal-rock interface based on EWT[J]. Journal of China Coal Society,2019,44(S1):370−377.
[63] 李力,唐汝琪,魏伟. 黏弹性VTI煤层介质超声波传播模型建立与分析[J]. 煤炭学报,2015,40(12):2987−2994. LI Li,TANG Ruqi,WEI Wei. Modeling and analyzing the propagation of ultrasonic waves in viscoelastic VTI medium of coal seam[J]. Journal of China Coal Society,2015,40(12):2987−2994.
[64] 李力,欧阳春平. 基于超声相控阵的煤岩界面识别研究[J]. 中国矿业大学学报,2017,46(3):485−492. LI Li,OUYANG Chunping. Research on coal-rock interface recognition based on ultrasonic phased array[J]. Journal of China University of Mining & Technology,2017,46(3):485−492.
[65] 李力,魏伟,唐汝琪. 基于改进S变换的煤岩界面超声反射信号处理[J]. 煤炭学报,2015,40(11):2579−2586. LI Li,WEI Wei,TANG Ruqi. Processing of ultrasonic reflection signal from coal-rock interface using modified S-transform[J]. Journal of China Coal Society,2015,40(11):2579−2586.
[66] 李力,施万发,魏伟. 基于VMD的多相介质超声回波检测技术[J]. 煤炭学报,2018,43(10):2944−2950. LI Li,SHI Wanfa,WEI Wei. Ultrasonic detection research on multiphase medium based on VMD[J]. Journal of China Coal Society,2018,43(10):2944−2950.
[67] 毛君,杨振华,潘德文. 基于自适应模糊滑模变结构的采煤机自动调高控制策略[J]. 中国机械工程,2016,27(3):360−364. doi: 10.3969/j.issn.1004-132X.2016.03.014 MAO Jun,YANG Zhenhua,PAN Dewen. Control strategy of shearer automatic height adjusting based on adaptive fuzzy sliding-mode variable structure[J]. China Mechanical Engineering,2016,27(3):360−364. doi: 10.3969/j.issn.1004-132X.2016.03.014
[68] 李鹏,孔屹刚,张敬芳,等. 基于负载敏感的采煤机调高液压系统效率分析[J]. 煤炭工程,2017,49(6):103−106. doi: 10.11799/ce201706030 LI Peng,KONG Yigang,ZHANG Jingfang,et al. Efficiency analysis of shearer with height-adjusting hydraulic system based on load sensitive technology[J]. Coal Engineering,2017,49(6):103−106. doi: 10.11799/ce201706030
[69] 王慧,宋宇宁. 滚筒截割负载扰动对采煤机调高的影响[J]. 中国机械工程,2018,29(2):127−133. doi: 10.3969/j.issn.1004-132X.2018.02.001 WANG Hui,SONG Yuning. Influences of drum cutting load disturbances on shearer height adjustments[J]. China Mechanical Engineering,2018,29(2):127−133. doi: 10.3969/j.issn.1004-132X.2018.02.001
[70] 李雪梅. 基于变速趋近律的采煤机调高滑模控制研究[J]. 控制工程,2019,26(4):724−728. LI Xuemei. Research on control method of sliding mode based on the variable rate reaching law for shearer automatic height adjusting[J]. Control Engineering of China,2019,26(4):724−728.
[71] 赵丽娟,王雅东,张美晨,等. 复杂煤层条件下采煤机自适应截割控制策略[J]. 煤炭学报,2022,47(1):541−563. ZHAO Lijuan,WANG Yadong,ZHANG Meichen,et al. Research on self-adaptive cutting control strategy of shearer in complex coal seam[J]. Journal of China Coal Society,2022,47(1):541−563.
[72] 王雅东,赵丽娟,张美晨. 采煤机自适应调高控制策略[J]. 煤炭学报,2022,47(9):3505−3522. WANG Yadong,ZHAO Lijuan,ZHANG Meichen. Research on self-adaptive height adjustment control strategy of shearer[J]. Journal of China Coal Society,2022,47(9):3505−3522.
[73] 葛帅帅,秦大同,胡明辉. 突变工况下滚筒式采煤机调速控制策略研究[J]. 煤炭学报,2015,40(11):2569−2578. GE Shuaishuai,QIN Datong,HU Minghui. Research on drum shearer speed control strategies under impact conditions[J]. Journal of China Coal Society,2015,40(11):2569−2578.
[74] 秦大同,王镇,胡明辉,等. 基于多目标优化的采煤机滚筒最优运动参数的动态匹配[J]. 煤炭学报,2015,40(S2):532−539. QIN Datong,WANG Zhen,HU Minghui,et al. Dynamic matching of optimal drum movement parameters of shearer based on multi-objective optimization[J]. Journal of China Coal Society,2015,40(S2):532−539.
[75] 刘永刚,闫忠良,秦大同,等. 采煤机无人自适应变速截割控制方法[J]. 中南大学学报(自然科学版),2017,48(6):1513−1521. doi: 10.11817/j.issn.1672-7207.2017.06.014 LIU Yonggang,YAN Zhongliang,QIN Datong,et al. Adaptive control method of unmanned shearer with variable speed cutting[J]. Journal of Central South University (Science and Technology),2017,48(6):1513−1521. doi: 10.11817/j.issn.1672-7207.2017.06.014
[76] 刘永刚,侯立良,秦大同,等. 基于综合截割性能优化的采煤机变速截割控制[J]. 东北大学学报(自然科学版),2018,39(1):118−122,137. LIU Yonggang,HOU Liliang,QIN Datong,et al. Variable speed cutting control of shearer based on cutting performance optimization[J]. Journal of Northeastern University (Natural Science),2018,39(1):118−122,137.
计量
- 文章访问数: 130
- HTML全文浏览量: 13
- PDF下载量: 70
