Theory and key technologies for intelligent fully-mechanized top-coal caving faces of annual production of millions of tons
-
摘要:
针对综采放顶煤工作面在智能放煤理论、智能感知与识别关键技术、智能放煤综合决策技术和远程放顶煤智能控制技术方面存在的问题，依托“十三五”国家重点研发计划—— 千万吨级特厚煤层智能化综放开采关键技术及示范，开展了千万吨级综放工作面智能化放煤理论及关键技术研究，取得如下成果：①开展了顶板顶煤组合体压缩试验、煤岩组合体破碎块度分布试验和不同顶板−顶煤条件下综放开采放煤相似模拟试验，阐明了顶板顶煤的破碎−运移的相互作用过程；开发了采空区三维激光空间探测技术，证明了群组放煤过程中顶煤“面接触块体成拱现象；开展以采放协调、高回收率、低含矸率为约束条件的特厚煤层多口群组智能放煤数值模拟，确定了群组放煤口数量；综上，为智能放煤工艺优化提供了可靠理论基础。②对工作面煤矸地质信息及物性特征、顶煤放落过程全周期感知要素进行探索研究，形成了包含“顶煤厚度在线探测−煤矸精准识别−煤流动态测量”的综合感知技术体系，为智能化放煤决策技术提供了充分的数据信息支撑。③建立了综放面“人−机−环”多源信息数据库，构建了基于采放时间协调、采放空间协调、采放运能协调的特厚煤层综放面采放协调决策模型，开发了基于Q-learning算法的智能放煤决策软件，形成了基于煤矸识别、顶煤厚度探测和过煤量监测感知，结合煤矸运移时序特征和经验数据的人工智能决策技术。④研发了智能综放面三机位姿高精度惯导监测与控制技术，实现了采煤机、液压支架、刮板输送机的实时定位、姿态监测及动作控制；开发了智能化矿山融合通信调度系统，构建了智能综放远程综合控制平台，成功实现了“远程一键启动”模式的智能放煤。⑤在塔山矿8222工作面，开展了基于探地雷达的顶煤厚度在线探测技术、融合振动−音频−高光谱的煤矸精准识别技术、基于激光三维扫描的放煤量实时监测技术和综放工作面智能化放煤决策软件的应用，现场顶煤厚度探测、混矸率和放煤量的误差分别控制在10.71%、9.32%和7.8%以内，平均每个放煤循环节省时间约30 min，实现了年产
1500 万t的综放工作面智能高效放煤。Abstract:The research focused on addressing various challenges in intelligent top caving theory, intelligent perception and recognition key technology, intelligent caving comprehensive decision-making technology, and remote caving intelligent control technology of fully mechanized top coal caving face. This is being done under the “13th Five-Year” national key research and development plan, specifically designed for the key technology and demonstration of intelligent fully mechanized top coal caving mining method with annual production of 10 million of tons in extra-thick coal seam. The research has resulted in the following outcomes: ① Comprehensive experiments were conducted to understand the interaction process of crushing and migrating of roof and top coal combination (RTCC) and the fragmentation distribution of RTCC under different roof conditions. A three-dimensional laser goaf space detection technology has been developed, and the arching phenomenon of top coal blocks on contact, at coal discharge process with multiple coal discharge ports, has been validated. In addition, the numerical simulation of multi-port intelligent coal caving in extra-thick coal seam is carried out with the constraints of mining and caving coordination, high recovery rate, and low gangue ratio, and the number of coal caving ports is determined. those provide a reliable theoretical basis for optimizing intelligent coal-caving processes. ②The research has explored the geological information and physical characteristics of coal and gangue in the working face, along with full-cycle sensing elements of the top coal caving process. This has led to the development of a comprehensive sensing technology system, including real time detection of top coal thickness, accurate identification of coal and gangue, and dynamic measurement of coal flow, providing crucial data information support for decision making of intelligent coal top caving technology. ③A multi-source information database has been established for the man-machine-environment interface, and a decision-making model has been developed for fully mechanized top caving in extra-thick coal seams. An intelligent coal top caving decision-making software based on the Q-learning algorithm has been created, utilizing artificial intelligence for coal and gangue identification, top coal thickness detection, and coal quantity monitoring. ④A high-precision inertial navigation monitoring and control technology for intelligent fully mechanized caving faces has been developed, enabling real-time positioning, attitude monitoring, and action control for the shearer, hydraulic support, and scraper conveyor. An intelligent mine-integrated communication scheduling system and a remote-integrated control platform for fully mechanized caving have also been established. Those allow for the successful implementation of intelligent coal caving in remote one-button start mode. ⑤Advanced technologies such as ground-penetrating radar for top coal thickness detection, vibration-audio-hyperspectral for coal-gangue identification, and laser three-dimensional scanning for real-time coal caving monitoring are utilized in the 8222 Working Face of Tashan Mine. Intelligent coal caving decision software is applied in fully mechanized caving operations, leading to a control of errors within 10.71% for top coal thickness detection, 9.32% for mixed gangue rate, and 7.8% for coal caving amount. On average, each coal caving cycle now saves about 30 minutes, leading to intelligent and efficient coal caving operations with an annual output of 15 million tons.
-
0. 引 言
特厚煤层是我国煤炭安全高效开采的主体煤层[1-2]，其最主要的开采方式是综合机械化放顶煤开采，部分综放工作面年产量可达千万吨[3-5]。为了进一步提高效率，国家提出加快推进煤炭智能化开采技术的研发，使得特厚煤层智能化综放开采成为当前重要的发展趋势[6-7]。国内外进行了大量煤矿智能化开采试验和应用[8]，目前部分矿井初步实现了智能化采煤，具备了自动割煤、自动跟机移架、远程控制、设备智能诊断等功能[9-13]，而综放工作面由于放顶煤开采工序较为繁琐、人工干预较为频繁，使得智能化综放开采工程应用的进展更为缓慢[7, 14-16]，目前尚未出现完全智能化的综采放顶煤工作面，尤其是在智能放煤控制、煤量动态监测、煤矸识别等领域存在诸多难题，稳定可靠的特厚煤层智能综放开采技术仍未突破[9, 17-19]。特厚煤层顶煤厚度大，在传统的“机械割煤、人工操作单放煤口放煤”的条件下，放煤效率、放煤速度远远跟不上采煤机割煤速度，造成采煤和放煤之间的不平衡、不协调[7, 20-22]。另外，实践表明，难以依靠人工操作实现复杂且精准的放煤模式和工艺[8, 20, 23]。在采煤循环时间和追机放煤空间的限制下，以及在高顶煤采出率和低含矸率的约束下，多放煤口放煤与割煤间的时空协调等问题更加复杂，导致特厚煤层顶煤实际采出率大多在60%左右[24]，在一些设备先进、管理高效的特厚煤层综放面顶煤采出率也只有75%左右，煤炭损失较大[20, 25-27]。因此，研发特厚煤层智能综放关键技术以取代人工放煤，对于提高特厚煤层综放面生产效率、提高煤炭资源采出率、降低含矸率至关重要。
智能化综放是指综放工作面系统和装备具备智能感知、智能决策和智能控制3个要素，目前自动化及智能化放煤控制尚未建立完整的技术体系[27-29]，在智能感知技术方面，放煤支架姿态感知传感器的精度及抗干扰能力有待进一步提高[19, 21]，顶煤厚度快速探测方法以及煤矸识别技术大多数处于实验室试验阶段[30-31]，在现场常态化应用较少[32-34]；在智能决策技术方面，对生产大数据的分析决策是实现智能放煤的前提条件，同时应将采煤机割煤方式、支架姿态和刮板输送机运输能力进行关联，进而综合决策动态控制放煤参数[35-37]；在智能控制技术方面，应从程序化控制阶段向基于采放协调作业的群组分布控制进行发展和提升[23, 38-40]。因此，团队依托“十三五”国家重点研发计划——千万吨级特厚煤层智能化综放开采关键技术及示范，对当前亟需的特厚煤层综放开采群组放煤理论、智能放煤的感知识别−决策−控制技术开展系统性研究，并在塔山煤矿8222综放工作面进行了现场应用。
1. 特厚煤层综放面群组智能放煤理论
1.1 顶板−顶煤耦合作用及运移规律
在特厚煤层综放开采中，顶煤与直接顶接触，在二者的相互作用下顶煤呈现不同程度的破碎，影响顶煤的运移规律。图1为顶板顶煤耦合作用下煤矸运移规律。首先，开展了顶板顶煤组合体单轴、三轴压缩的数值模拟和试验研究，分析了不同强度的顶板顶煤组合下顶煤破碎规律；其次，开展了煤岩组合体破碎块度分布研究，掌握不同强度组合下顶煤破碎粒径分布规律，确定碎块粒级及质量比（表1）；最后，开展了不同顶板条件下综放开采放煤相似模拟试验，分析了不同强度顶板对顶煤回采率的影响。
![]()
图 1 顶板顶煤耦合作用下煤矸运移规律Figure 1. Movement law of coal and gangue under coupling effect of roof and top coal表 1 碎块粒级及质量比Table 1. Crushed block grain size - mass percentage试验类型 组合编号 质量比 粗粒（≥9.5 mm） 中粒（4.75～9.50 mm） 细粒（0.075～4.750 mm） 微粒（＜0.075 mm） 单轴
试验硬岩A 0.980 91 0.005 04 0.013 89 0.000 16 硬岩B 0.977 46 0.005 95 0.016 44 0.000 16 单轴
试验软岩A 0.989 57 0.002 29 0.008 15 0 软岩B 0.990 81 0.003 35 0.005 84 0 三轴
试验硬岩A 0.694 48 0.157 87 0.147 57 0.000 08 硬岩B 0.828 34 0.092 19 0.079 24 0.000 23 软岩A 0.943 42 0.039 74 0.016 83 0 软岩B 0.914 39 0.054 68 0.030 93 0 卸围压
试验硬岩A 0.837 99 0.068 33 0.093 53 0.000 15 硬岩B 0.849 97 0.061 69 0.088 11 0.000 23 软岩A 0.980 46 0.005 16 0.014 38 0 软岩B 0.976 74 0.007 11 0.015 98 0.000 16 基于以上模拟和试验，得出如下结论：①当顶煤为软煤时，放煤过程中顶煤能够随采随冒，此时顶板越软，工作面顶煤回收率越高。②当顶煤为中硬煤时，若顶板为软弱岩层，放煤过程中软弱顶板传递力的作用弱，顶煤破碎后的块度大，不利于顶煤的冒放性并影响顶煤回收率；若顶板为坚硬岩层，虽然传递力的作用强，对顶煤的破碎效果好，但容易形成悬臂结构。此外，坚硬顶板垮落后的块度大，垮落过程中形成的空隙也大，因而会有更多的顶煤进入“混合带”致使顶煤流失，降低顶煤回采率。而中硬顶煤、中硬顶板条件下，即煤层、顶板的普氏系数分别为1.5 ～ 3和5 ～ 6时，放煤过程中中硬顶板传递的力适中，顶煤破碎后的块度适中，同时，顶板垮落时间短，有利于顶板管理与煤炭回收，因此，中硬顶煤、中硬顶板条件下有利于提高顶煤回收率[41]。③当顶煤为硬煤时，坚硬顶板传递的力依然不足以对其进行有效地破碎，需对顶煤进行弱化处理。
综上，顶煤顶板硬度相适应的条件下，有利于顶煤的冒放性，提高工作面顶煤回采率。
1.2 顶煤成拱规律
综放工作面的顶煤回收是一个放煤—面接触块体成拱—破拱—放煤的周而复始过程。为了证明顶煤回收过程中确实存在面接触块体成拱的瞬间，从而出现在综放液压支架尾梁上顶煤形成空洞的现象，如图2a所示，在塔山煤矿8301工作面靠近5301运输巷处沿煤层顶板布置工艺巷，工艺巷道内采用JL-CALS洞穴三维扫描探测仪监测顶煤运移规律；JL-CALS洞穴三维扫描探测仪能作球形360°扫描，覆盖整个空穴，最大扫描距离达200 m。通过工艺巷道进入支架后尾梁后，将JL-CALS洞穴三维扫描探测仪摆正位置，随后向外打开激光头，开始扫描空穴的三维形态及其表面反射率，数据系统实时记录数据。并将三维激光测点数据导入ANSYS内进行模型构建，获得不同时刻不同顶煤、顶板条件下成拱形态如图2b、2c、2d所示。
在工艺巷内综放液压支架的后方，通过JL-CALS洞穴三维扫描探测仪测量顶煤流放形态，得出如下规律：①现有的散体介质流理论中关于顶煤连续流动的基本假设在特殊的顶板条件下可能不成立。②根据不同时刻不同顶煤、顶板条件下几处激光扫描获得的空洞形态，煤岩物理力学性质差异越大，顶煤越容易成拱[41]。③坚硬顶板条件下，煤层开采容易导致顶板形成悬臂梁结构，悬臂梁状态下，在周期破断前，受悬臂影响，顶煤易形成空洞；来压时，顶煤与顶板是共同运动的，拱结构发生破坏[42]。④顶煤破碎块度越大，拱的形成越容易，且坚硬顶板条件下成拱现象更为突出。破碎的煤体可能以面接触的形式形成拱结构，拱结构上方的顶煤，受该拱的阻挡影响不能充分放落，使得顶煤采出率降低。
1.3 特厚煤层综放开采群组放煤理论
为了提高放煤效率，学者们提出了综放面多放煤口群组协同放煤，即在工作面同时打开n个（n≥2）连续的放煤口，以一定的放煤方式，使打开的n个放煤口上方的煤岩分界面，能够保持为一近似倾斜的直线进行同时放煤，放煤过程中，不仅要保证n个放煤口之间的协调，同时也要与综放面的运输能力、通风能力和岩层控制效果等相协同。第1次n个放煤口的放煤过程称为多放煤口放煤的起始放煤，如图3a所示；最后一次n个放煤口的放煤过程称为多放煤口放煤的末端放煤，如图3b所示；起始放煤和末端放煤之间的放煤过程称为中间放煤。
为了确定群组放煤口数量，开展了不同放煤口下综放工作面顶煤运移数值模拟，如图4所示。图中，数值模型的两端约束其水平位移，并在左右边界上沿着垂深施加线性载荷，方向水平；顶煤和顶板的力学参数参考文献[43]。基于数值模拟研究得出：①在初始放煤时，打开的放煤口数量越多，放出量越大，3口同时放煤放出量较单口多出了56%。②4次移架后，打开的放煤口数量越多，累计放出量越大，2口放煤、3口放煤较单口放煤放出量分别提高22%，93.8%。③在相同的移架步距下，2口放煤煤岩分界面提前出现回勾现象。群组放煤放出体呈现出中部宽，两端窄的特点，中位顶煤放出体较大。④以采放协调、高回收率、低含矸率为约束条件，放煤口最佳数量为2～3个，随顶煤厚度的增大，增加放煤轮次和群组数可以进一步减少煤矸混入的概率，提升煤炭回收率。
![]()
图 4 不同放煤口下综放面顶煤运移数值模拟Figure 4. Numerical simulation of top coal movement in top coal caving face under different discharge ports2. 特厚煤层综放面智能感知与识别关键技术
2.1 基于探地雷达的顶煤厚度在线探测技术
基于探地雷达的顶煤厚度在线探测技术是通过天线向顶煤发射电磁波，电磁波在不同岩性的交接面上不断地发生折射和反射，最终反射出的信号被接收天线接收，如图5所示。采用LTD-2600探地雷达，采用已知厚度法测量每种岩性的相对介电常数，由于夹矸实际厚度已知，通过雷达探测得到夹矸厚度，然后与实际厚度进行对比，以此推算电磁波在介质中的传播速度，从而反演出每种夹矸的相对介电常数。在该介电常数下得到的探测厚度与介质实际厚度进行对比获得顶煤厚度。
根据接收信号采用时域有限差分算法反演顶煤分层情况，从而判断顶板的岩性和顶煤的厚度。顶煤中含有煤、矸等多种矿物质，导致其注定不是介质单一的物理系统，而是一个多相的复杂系统。
2.2 融合振动、音频和高光谱的煤矸精准识别技术
2.2.1 基于近红外光谱的煤矸识别技术
基于近红外光谱的煤矸识别技术首先需要构建不同煤岩近红外光谱数据库，图6a为晋能控股煤业集团塔山煤矿8222综放工作面煤岩钻心试样实物图。参照该工作面地质报告，将煤岩钻心按赋存位置可分为6大类：3-5号煤层夹矸、2号煤层夹矸、直接顶、基本顶、3-5号煤层所含煤，2号煤层所含煤，共计27种。
![]()
图 6 基于近红外光谱的煤矸识别技术Figure 6. Coal gangue identification technology based on near-infrared spectroscopy图6b为晋、鲁、宁、蒙等不同矿区煤与岩石试样实物图。基于塔山矿和典型矿区煤岩试样的近红外波段反射光谱数据、成分、含量等信息，建立了煤和煤系岩石反射光谱数据库，设计了基于MATLAB GUI模块的煤和煤系岩石光谱库查询系统软件。
以150个烟煤和碳质泥岩训练试样特征波段的连续统去除光谱数据，进行主成分分析、核主成分分析，以获得2类主成分数据。将2类主成分数据和煤岩类型代号数据作为输入参数，分别训练支持向量分类模型，建立了PCA-SVM、GRB-KPCA-SVM 2类煤岩识别算法模型，2种识别算法的流程如图6c和6d所示。
2.2.2 基于振动特征辨识的煤矸识别技术
煤与矸石掉落到综放液压支架尾梁产生碰撞时，其振动特征声信号不同，可提取振动特征声信号作为煤矸识别区分的特征。如图7a所示，通过螺纹或磁力座将LZDY1型IEPE振动加速度传感器安装在综放液压支架尾梁上，该传感器具有频响宽、动态特性好、灵敏度高、抗干扰能力强等优点。在进行了多次测试试验后，采集现场放煤声音，并通过DH5925N数据采集系统收集分析振动测试曲线，如图7b所示。
![]()
图 7 基于振动特征的煤矸识别方法Figure 7. Coal and gangue identification method based on vibration characteristics煤矸识别算法是准确识别煤和矸石的基础，随机森林煤矸识别算法是常用的一种煤矸识别算法，其流程如图7c所示。为了能够进一步准确识别煤和矸振动特征，结合经验模态分解（Empirical Mode Decomposition，EMD）方法，建立了一种基于EMD特征提取的随机森林煤矸识别算法。该算法是一个包含多个决策树的组合分类模型，随机森林（RF）是以决策树为个体，基于bagging策略，并且属性集随机分裂的并行式集成分类器。基于EMD-RF的煤矸识别流程如图7d所示，RF是一种可以提升机器学习稳定性和准确性的集成学习算法，在一定程度上克服了单一模型的局限性，使用CART树作为基学习器，构建RF模型，每棵树均由随机选择的特征子集训练生成，以此达到增加树模型多样性的目的，使得最终预测模型的泛化能力得以提升。
2.2.3 基于音频特征辨识的煤矸识别技术
煤与矸石冲击综放液压支架产生碰撞时，其音频特征不同，可提取音频特征声信号作为煤矸识别区分的特征。音频信号的采集在2.2.2节中已进行了描述，这里不再进行赘述。在分析音频特征前，需要由小波变换去除现场无效噪声，并基于小波包变换对传统梅尔倒谱系数（Mel-scale Frequency Cepstral Coefficient，MFCC）参数提取进行改进，提出一种新的基于小波变换和MFCC的声音特征参数WMFCC（Wave Mel-scale Frequency Cepstral Coefficient）提取方法，其提取流程如图8a所示。系统对现场采集的声音进行数据标定，根据其特征信息判断每秒的放煤状态（放煤、放矸、不放煤），并利于LSTM（Long Short-Term Memory）算法进行音频识别的模型训练；实时采集现场放煤声音，调用训练好的音频煤矸识别模型，进行实时分辨，并将相关数据结果发送至上位机展示。
![]()
图 8 基于音频特征辨识的煤矸识别方法Figure 8. Coal and gangue recognition method based on audio feature recognitionEMD是处理非平稳随机信号时频域的经典方法，对于一段未知信号，不需要预先研究与分析，而是直接对信号进行分解，即可得出各层信号分量内涵模态分量（Intrinsic Mode Functions，IMF）。根据IMF对原始信号进行特征提取，设计基于信息熵和频率识别的信号重构算法，合成比原始信号识别度高的信号，其流程如图8b所示。
图8c为EMD分解图，左侧由8张图片组成，右侧为每个信号对应的频谱图，其中第1张为原始信号，后边依次为EMD分解之后得到的6个分量，分别叫做IMF1～IMF6，最后一张是重构信号图，每一个IMF分量代表了原始信号中存在的一种内涵模态分量。
2.3 基于激光三维扫描的放煤量实时监测技术
在综放工作面的实际放煤过程中，由于支架后部空间受限、放煤过程中粉尘等因素对工人视线干扰极大，支架尾梁放煤口开放后放煤量的控制精准度低，不能准确获取单个或成组支架的单轮次放煤量信息，从而影响放煤口的开闭时机的准确判断，且瞬时放煤量过大时还容易造成后部刮板输送机局部过载状态运行，导致负载变化过大，影响设备运行健康状况和生产连续性，所以放煤量的精准监测感知对实现放煤工作面智能化具有重要意义。
因此，提出了基于激光扫描的综放工作面放煤量智能监测系统，如图9a所示，搭配防尘防爆的硬件设备和内置去噪算法的多线程通讯软件，来克服综放工作面噪声、粉尘等影响。刮板输送机上部的煤流相对支架作直线运动，安装在支架尾梁下方的扫描装置以固定频率获得堆煤的截 面轮廓高度信息，如图9b所示，通过对不同时刻的煤流表面轮廓进行激光扫描采样，形成一段时间内的堆煤截面高度参量序列，可以计算获得一段时间内的运煤量，而运煤量和放煤支架放煤口的放煤量具有一一对应的关系，即可获得工作面放煤量信息。
![]()
图 9 基于激光三维扫描的放煤量实时监测技术Figure 9. Real time monitoring technology for coal discharge based on laser 3D scanning通过建立煤矸石的光谱数据库，使用主成分分析（PCA）等算法对光谱特征进行分析，进而区分两者。设备通过传感器采集实时光谱数据，系统会将其与已有的光谱数据库进行比对，从而实时识别煤和矸石。采用激光扫描系统生成煤流和矸石的三维点云数据。通过点云数据的处理，系统可以基于不同物体的形状、体积和反射强度等特征进行分类，进而识别煤和矸石，即使两者堆叠在一起也能分离。
采取大数据多算法融合技术，系统通过多次扫描采集数据，将多个时刻的数据进行融合，确保即使在块度较大的情况下，也能通过多次测量减小误差。激光扫描生成的点云数据通过三角微元法进行处理，对煤块表面进行细致的三角化处理，识别出由于块度大造成的空隙。
为了应对井下高粉尘和多雾的环境，系统采用了防爆设计和IP68防护等级，并配备了防尘功能，某些设备还采用了仿生眼睑结构的自动除尘装置，定期清理设备表面，保证在多尘多雾条件下依然能正常运行。激光雷达发射的激光穿过粉尘，第一波回波可能受到粉尘的反射干扰，但后续回波会对煤流表面产生更精确的测量，避免粉尘对数据的影响。并通过如卡尔曼滤波和基于深度学习的噪声抑制的去噪算法有效滤除因粉尘、噪声等干扰因素产生的数据误差，确保在高粉尘环境下的测量精度。根据实验数据，激光扫描系统的监测精度误差一般不超过3.5%。此外，在实际的工业性试验中，系统通过多次测量，最大误差为8.9%。
3. 特厚煤层智能综放工作面放煤综合决策技术
3.1 智能综放面“人−机−环”多源信息数据库构建
为了更准确的挖掘综放开采工艺中的内部工艺信息、外部环境信息、实时反馈信息三者之间的关联关系，从中提取多种放煤工艺模式，包括采放工艺协作模式以及放煤方式、放煤方向、放煤条件、放煤参数、放煤口轨迹等各工序模式，最终组建智能放煤工艺模型。首先需要从现场角度出发，对基于人工放煤条件下的煤层赋存、顶板压力、顶煤冒放、采放工艺、设备工况等数据综合统计，并将其划分为3类：内部工艺信息、外部环境信息、实时反馈信息，组建人−机−环多源信息数据库的基础数据。
通过对内部工艺信息、外部环境信息、实时反馈信息参量化处理，从顶底板条件、煤层厚度、设备参数等基础信息采集与整合，到支架姿态、采高、支架动作、煤机位置、运输机电流等动态数据监测与关联，再到顶煤冒放性识别、运输机负载诊断、放煤工序参数自动规划等分析与决策，构建了一整套打破数据孤岛、关联各类型数据实现数据共享与关联分析的多源信息数据库。如图10所示，该多源信息数据库包括7种采煤机割煤模式、4种采放工艺协作模式和4种采放协调方式，提供2种放煤方式、4种放煤顺序和4种放煤机构动作模式。
![]()
图 10 综放开采多源信息数据库Figure 10. Multi source information database for fully-mechanized top-coal caving mining method3.2 特厚煤层综放面采放协调决策模型
特厚煤层综放工作面采放协调是指在自动化或智能化放煤条件下，以采煤机运行方向、速度和作业时间为控制依据，以工作面运输系统运载能力为约束条件，以工作面地质及开采条件为影响变量，通过自动调整放煤工艺参数，实现割煤与放煤高度平行作业，保证综放工作面安全高效连续生产。就综放工作面的主要作业工序的协调作业特征来讲，综放工作面采放协调主要包括采放时间协调、采放空间协调、采放运能协调等3方面，因此，需要建立3种对应的调控模型。
1）综放面采放时间协调控制模型。现场监测结果显示，放煤时间过长、难以与采煤机割煤速度相匹配是影响采放协调的主要原因，由于人工放煤条件下放煤劳动强度大、放煤间隔时间长、难以实现放煤时间进一步优化。采放时间协调是采放协调作业的重点和难点，智能化放煤为实现放煤工艺的革新提供了可能，也为优化放煤时间和采煤时间的匹配提供了技术支撑，对于采放时间协调的控制的流程如图11a所示。
![]()
图 11 特厚煤层综放面采放协调决策模型Figure 11. Coordination decision model for mining and caving in fully mechanized caving face of extra thick coal seam2）综放面采放空间协调控制模型。由于采放作业空间狭小，且采放工作衔接紧密，合理的采煤机、液压支架和刮板输送机空间位置协同控制以及采煤工序和放煤工序在空间上的合理安排，有利于采放作业更加高效。采煤机、液压支架和刮板输送机三者之间的空间位置关系以采煤机位置和速度为动作依据，同时又互为条件，有机配合，共同完成采放作业的整个流程，采放空间协调控制的流程如图11b所示。
3）综放面采放运能协调控制模型。综放工作面出煤量由采煤机割煤和放顶煤2部分组成，割煤量与放煤量分别由前部刮板输送机和后部刮板输送机运送至转载机，然后由输送带运送至大巷主运输系统，工作面出煤量能被及时运出，是保证综放面采放作业协调的重要部分。采放运能协调是在采放平行作业前提下，以刮板输送机、转载机及输送带组成的运输系统的运载能力为约束，最大限度地保证采煤机割煤量和支架放煤量的产出，同时保证运输系统的能力得到最大的发挥，采放运能协调控制的流程如图11c所示。
3.3 智能放煤模式与工艺智能决策技术
基于多源信息数据库，从中挖掘内部工艺信息、外部环境信息、实时反馈信息三者之间的关联关系，从中提取多种放煤工艺模式，包括采放工艺协作模式以及放煤方式、放煤方向、放煤条件、放煤参数、放煤口轨迹等各工序模式，最终组建智能放煤工艺模型。
基于人工放煤的监测信息和特厚煤层多源信息数据库及采放协调智能放煤工艺模型，开发出一套采用基于Q-learning算法综采工作面智能放煤决策软件。采用基于Q-learning算法的智能放煤决策，通过结合放出体及顶煤赋存状态、奖赏函数，以最大化期望累积奖赏为主要目标，在线调整最优放顶煤控制动作，可优化多放煤口群组协同放煤过程，合理平衡顶煤采出率、出煤含矸率二者关系。
根据采放协调关系以及煤层厚度等放煤外部条件，在内置人工智能算法支持下，放煤软件可以智能决策放煤方式、放煤位置、放煤口数量、放煤口状态、实时判断放煤量等，并根据采集到的数据，实时判断放煤工艺与放煤环境是否正常。多源数据采集后，会先进行标准化和量化处理，智能决策系统会应用机器学习算法，尤其是Q-learning算法，进行深度学习和智能决策。最终，通过放煤工艺决策神经网络模型训练，在自学习、自修复和深度学习的基础上，开发基于煤矸识别、顶煤厚度探测和过煤量监测感知，结合煤矸运移时序特征和经验数据的人工智能决策技术，如图12所示。
4. 特厚煤层综放面远程放顶煤智能控制技术
4.1 智能综放面三机位姿高精度惯导检测与控制技术
采用惯性导航，配置液压控制推移阀，实现综放液压支架移架或推溜的精确控制，综合运用激光雷达、工业相机和惯性导航三维数据，控制前后部刮板机的直线度，如图13所示。
综采工作面的“三直两平”是综采工作面的核心部分，即煤壁、刮板输送机和支架成直线状，刮板输送机和综放液压支架平稳牢靠。由于采煤机受力情况复杂，采煤机实际轨迹与中心计算机设定的理想轨迹存在一定偏差。针对组合惯导体系应用的主要算法为LSTM算法，又被称为长短期记忆神经网络，可以有效的解决组合惯性导航的采煤机定位问题，采用LSTM算法后，可精确预测出惯导所经过的空间位置，大大提升了采煤机定位精度。
4.2 智能综放远程通讯及综合控制平台
4.2.1 智能综放远程通讯
智能综放远程通讯系统的解决方案架构在逻辑上是由终端层、接入层、平台层、开放层及应用层组成，如图14所示。
应用层是日常调度和应急指挥的业务应用，基于融合通信平台开放的C/S架构的SDK接口进行开发，也可以基于开放的B/S架构的JS SDK或Restful接口进行开发。平台层是融合通信的业务系统和接入网关，作为融合调度的基础平台南向对接下层各类终端，实现融合通信。融合的终端包括有线电话、广播电话、摄像头、公网手机、智能矿灯、专网终端、会议终端等，融合后进行统一进行音视频调度。接入层包括各种通信网络，提供终端接入的管道，含有线网络和无线网络2部分，有线网络涉及有线电话系统、应急广播系统、视频监控系统等；无线网络涉及WIFI网络、5G网络（含公、专网）、应急专网等。终端层包括各类业务场景使用的终端设备，有广播电话、有线电话、摄像头、公网手机、智能矿灯、专网终端、会议终端等。
4.2.2 综合控制平台
聚合产业资源，联合煤机厂商、矿用终端厂商、5G网络解决方案提供商和移动运营商共同进行综采5G智能远控的应用试点，形成了“5方协作+4大举措”的创新合作模式，实现远控时延小于100 ms、系统可靠性达到99.99%的成熟商用标准，实现真正意义的5G智能远控，助力实现少人则安、提效增产的矿山建设目标。
在结合矿上现有设备现状基础上，基于技术领先且实用的700 M传输装置和系统。采用双发选收方案来提升数据传输的稳定性和可靠性，通过在采煤机上安装CPE和双发选收设备，将控制信号双路发送，信号接收端从双路信号中择优选择接收，实现矿端对实用、高效、智能化生产的要求。
采用双发选收路由器+5G CPE改造为5G无线传输，如图15所示，并且实现控制信令的双发选收；实现采煤机支持5G上行700 MHz +下行900 MHz频段传输。综上，实现“远程一键启动”模式的智能放煤。
![]()
图 15 采煤机5G“双发选收”控制方案Figure 15. Control scheme for 5G “dual engine selective collection” of coal mining machine5. 现场应用
5.1 塔山8222智能化综放工作面基本情况
塔山矿井8222智能化综放工作面位于矿井3-5号层二盘区中部，工作面倾向长度230.5 m，走向可采长度
2471 m，煤层总厚为14.47 ～ 29.21 m，平均全煤厚19.93 m，煤层倾角1° ～ 2°，可采储量1645 万t；工作面回采巷道为2222运输巷和5222回风巷，采用8222高抽巷抽采工作面瓦斯（图16）。5.2 顶煤厚度在线探测应用效果
顶煤厚度在线探测样机采用电波LTD系列超宽带雷达发射传感器，设计了屏蔽式接收天线。于2020年8月在塔山矿8222工作面回风巷5222巷与工作面进行顶煤探测试验，如图17所示。为了比较顶煤厚度探测误差，将测量数据与工作面钻孔数据进行对比，见表2。从表2可以明显看出，经过介电常数校正后，钻孔煤厚与探地雷达所测煤厚相差不超过10%，最小探测误差为0.86%，最大探测误差为9.32%。
![]()
图 17 巷道与工作面顶煤厚度探测Figure 17. Detection of top coal thickness in roadway and working face表 2 工作面钻孔数据与探测煤厚比较Table 2. Comparison of drilling data and detected coal thickness data in working face采位/m 工作面钻孔煤厚度/m 探地雷达探测煤厚/m 探测误差/% 2123 11.8 10.7 9.32 2139 12.6 11.5 8.37 2164 11.6 11.7 0.86 2230 11.0 12.0 9.09 2250 12.0 11.8 1.67 2269 11.1 11.5 3.60 2279 9.6 10.2 6.25 2289 9.3 9.1 2.15 2296 9.6 8.8 8.33 2302 7.2 7.6 5.56 2307 8.0 8.7 8.75 2311 10.8 10.1 6.48 利用研制的煤厚在线探测装置在塔山煤矿5222巷道与钻孔实测数据进行煤厚探测比对试验。在5222巷道起点依次选取8个钻孔位进行厚度比对测量试验，见表3。从表3可以明显看出，最小测量误差为0.73%，最大测量误差为10.71%，平均测量误差为5.52%。
表 3 煤厚在线实测数据和钻孔数据对比Table 3. Comparison between real time measured coal thickness data and drilling data采位/m 钻孔厚度/m 探测厚度/m 误差率% 2311 10.20 10.63 4.22 2307 9.89 9.55 3.48 2296 10.59 9.86 6.89 2279 9.06 8.64 7.64 2269 10.5 11.63 10.71 2230 10.81 10.63 1.68 2139 13.61 13.71 0.73 2123 12.58 11.47 8.82 5.3 煤矸精准识别技术应用效果
1）基于振动信号的煤矸识别技术。在2020年7—9月期间，如图18a所示，通过安装在塔山煤矿综放液压支架后尾梁背部的振动传感器，对现场放煤过程中产生的振动数据进行了实时分析识别，如图18b并构建了煤、矸振动特征数据集，使用随机森林算法建立了煤矸识别模型并输出最终判定结果，如图18c所示，实现综放工作面垮落煤矸的自动识别。
![]()
图 18 基于振动信号的煤矸识别效果Figure 18. Identification effect of coal and gangue based on vibration signals2）基于高光谱的煤矸识别技术。在2020年7—9月期间通过安装在液压支架后尾梁上的光源探头一体化装置采集光谱数据以及放落煤岩识别分析处理装置分析存储数据，对现场采集的大量光谱数据与放落煤岩情况进行关联性分析。识别软件利用前期训练好的预测模型对实时采集的光谱曲线进行判别并将该次判别结果保存，数据典型时光谱曲线如图19a所示。图19b和19c为放煤过程中光谱煤岩识别实际采集光谱曲线与识别结果。从上述光谱曲线与识别结果随放煤时间变化的情况可以看出，识别结果与顶板垮落顺序高度吻合。
3）识别效果分析。为了分析识别煤矸类别与真实煤矸类别的误差，在工作面现场进行了3个月试验，采集了多组试验数据，将识别得到的混矸率（预测混矸率）与真实混矸率进行对比，结果如图20所示。分析结果表明，煤矸识别装置的识别效果较好，在放煤过程中可以将混矸率控制在10%以下，真实最大含矸率为9.32%，最大相对误差为8.03%，在放煤过程中基于冲击振动煤矸识别与基于高光谱的煤矸识别均能取得较好效果并可相互验证，有效的提高识别准确率，使关窗时刻更加精准。
5.4 放煤量实时监测技术应用效果
在2020年7—9月期间，如图21a和21b所示，在塔山矿8222工作面在综放液压支架后尾梁背部，安装并测试激光扫描装置。鉴于综放工作面存在电气噪声和机械振动，造成了放煤数据的缺失和偏差，对原始点云数据采用基于卡尔曼滤波和高次项回归的图像预测方法处理，并基于adaboost的煤流点云识别方法，从庞杂的点云数据中分离出非煤流点云与煤流点云，如图21c，据此构建了煤流截面特征轮廓，利用三角微元法最终取放煤量体积，实现综放工作面放煤量在线监测。
在试验期间找到一位长期从事放煤工作的一线工人实时解说综放液压支架放煤状况，与试验测量结果比对分析。为了精准获取放煤量监测系统的测量误差，开展了多次现场放煤试验，见表4。表4表明基于三维激光扫描的放煤量实时监测技术的最大误差不超过8.9%，验证了该技术的准确性。
表 4 放煤试验误差Table 4. Error analysis of coal discharge test序号 刮板输送机平均
速度/(m·s−1)真实体
积/m3测量体
积/m3相对误
差/%1 1.32 6.45 6.83 5.9 2 1.45 12.11 13.19 8.9 3 1.36 24.23 26.16 8.0 4 1.56 8.97 9.51 6.0 5 1.71 15.62 16.59 6.2 6 1.45 9.21 9.93 7.8 7 1.61 17.81 18.98 6.6 8 1.42 13.44 14.28 6.3 5.5 综放工作面智能化放煤决策软件应用效果
塔山矿8222智能化综放工作面以决策性信息为导向的智能化综放开采技术，配套的综放智能化成套装备采用全新SAM2.0系统平台架构，以采煤机自动记忆截割、液压支架基于SAC控制系统的自动跟机移架、智能记忆放煤技术及可视化远程监控为基础，以Longwall Mind自动化控制软件为核心，形成“以工作面自动控制为主，远程干预控制为辅”的自动化生产模式，实现采煤过程的“无人跟机作业，有人安全巡视，地面远程操控”的技术变革。
在人工放煤条件下，工作面支架放煤时间分布不均，平均标准差为0.48 min；在相同放煤方式下，系统应用后，自动化、智能化放煤条件下，主要由放煤程序均匀分配各台支架放煤时间，平均标准差为0.14 min，工作面每台支架放煤时间更加均匀，避免了由于人工放煤导致的放煤随意性、顶煤放出量不均匀性问题，为煤岩界面均匀下沉提供了技术保证。
系统应用前，在工作面采位
2279 m，顶煤厚度为9.6 m，采用群组多轮放煤方式，放煤口数量为2个，连续8次放煤过程中，每台放煤支架的放煤次数统计结果如图22所示。在人工放煤条件下，工作面支架少放、漏放现场严重，8个放煤循环，多数支架不能完成8次放煤；系统应用后，在工作面采位2296 m，顶煤厚度为9.6 m，采用群组多轮放煤方式，放煤口数量为2个，工作面5—155号支架范围放煤机会均等，10个放煤循环，除个别循环由人工参与外，多数支架完成10次放煤，避免了由于人工放煤导致的端头、端尾支架漏放问题，同时节约了人工在架间走动、操纵控制器的辅助放煤时间，据现场统计，平均每个放煤循环节省时间约30 min。![]()
图 22 系统应用前后放煤次数分布Figure 22. Distribution of coal discharge frequency after system application6. 结 论
1）开展了顶板顶煤组合体压缩试验、煤岩组合体破碎块度分布试验和不同顶板−顶煤条件下综放开采放煤相似模拟试验，阐明了顶板顶煤的破碎−运移的相互作用过程；开发了采空区三维激光空间探测技术，证明了群组放煤过程中顶煤“面接触块体成拱现象；开展以采放协调、高回收率、低含矸率为约束条件的特厚煤层多口群组智能放煤数值模拟，确定了群组放煤口数量；综上，为智能放煤工艺优化提供了可靠理论基础。
2）对工作面煤矸地质信息及物性特征、顶煤放落过程全周期感知要素进行探索研究，形成了包含“顶煤厚度在线探测−煤矸精准识别−煤流动态测量”的综合感知技术体系，为智能化放煤决策技术提供了充分的数据信息支撑。
3）建立了综放面“人−机−环”多源信息数据库，构建了基于采放时间协调、采放空间协调、采放运能协调的特厚煤层综放面采放协调决策模型，开发了基于Q-learning算法的智能放煤决策软件，形成了基于煤矸识别、顶煤厚度探测和过煤量监测感知，结合煤矸运移时序特征和经验数据的人工智能决策技术。
4）研发了智能综放工作面“三机”位姿高精度惯导监测与控制技术，实现了采煤机、液压支架、刮板输送机的实时定位、姿态监测及动作控制；开发了智能化矿山融合通信调度系统，构建了智能综放远程综合控制平台，成功实现了“远程一键启动”模式的智能放煤。
5）在塔山矿8222工作面，开展了基于探地雷达的顶煤厚度在线探测技术、融合振动-音频-高光谱的煤矸精准识别技术、基于激光三维扫描的放煤量实时监测技术和综放工作面智能化放煤决策软件的应用，现场顶煤厚度探测、混矸率和放煤量的误差分别控制在10.71%、9.32%和7.8%以内，平均每个放煤循环节省时间约30 min，实现了年产
1500 万t的综放工作面智能高效放煤。 -
![]()
图 1 顶板顶煤耦合作用下煤矸运移规律
Figure 1. Movement law of coal and gangue under coupling effect of roof and top coal
![]()
图 4 不同放煤口下综放面顶煤运移数值模拟
Figure 4. Numerical simulation of top coal movement in top coal caving face under different discharge ports
![]()
图 6 基于近红外光谱的煤矸识别技术
Figure 6. Coal gangue identification technology based on near-infrared spectroscopy
![]()
图 7 基于振动特征的煤矸识别方法
Figure 7. Coal and gangue identification method based on vibration characteristics
![]()
图 8 基于音频特征辨识的煤矸识别方法
Figure 8. Coal and gangue recognition method based on audio feature recognition
![]()
图 9 基于激光三维扫描的放煤量实时监测技术
Figure 9. Real time monitoring technology for coal discharge based on laser 3D scanning
![]()
图 10 综放开采多源信息数据库
Figure 10. Multi source information database for fully-mechanized top-coal caving mining method
![]()
图 11 特厚煤层综放面采放协调决策模型
Figure 11. Coordination decision model for mining and caving in fully mechanized caving face of extra thick coal seam
![]()
图 15 采煤机5G“双发选收”控制方案
Figure 15. Control scheme for 5G “dual engine selective collection” of coal mining machine
![]()
图 17 巷道与工作面顶煤厚度探测
Figure 17. Detection of top coal thickness in roadway and working face
![]()
图 18 基于振动信号的煤矸识别效果
Figure 18. Identification effect of coal and gangue based on vibration signals
![]()
图 22 系统应用前后放煤次数分布
Figure 22. Distribution of coal discharge frequency after system application
表 1 碎块粒级及质量比
Table 1 Crushed block grain size - mass percentage
试验类型 组合编号 质量比 粗粒（≥9.5 mm） 中粒（4.75～9.50 mm） 细粒（0.075～4.750 mm） 微粒（＜0.075 mm） 单轴
试验硬岩A 0.980 91 0.005 04 0.013 89 0.000 16 硬岩B 0.977 46 0.005 95 0.016 44 0.000 16 单轴
试验软岩A 0.989 57 0.002 29 0.008 15 0 软岩B 0.990 81 0.003 35 0.005 84 0 三轴
试验硬岩A 0.694 48 0.157 87 0.147 57 0.000 08 硬岩B 0.828 34 0.092 19 0.079 24 0.000 23 软岩A 0.943 42 0.039 74 0.016 83 0 软岩B 0.914 39 0.054 68 0.030 93 0 卸围压
试验硬岩A 0.837 99 0.068 33 0.093 53 0.000 15 硬岩B 0.849 97 0.061 69 0.088 11 0.000 23 软岩A 0.980 46 0.005 16 0.014 38 0 软岩B 0.976 74 0.007 11 0.015 98 0.000 16 
下载: 导出CSV
表 2 工作面钻孔数据与探测煤厚比较
Table 2 Comparison of drilling data and detected coal thickness data in working face
采位/m 工作面钻孔煤厚度/m 探地雷达探测煤厚/m 探测误差/% 2123 11.8 10.7 9.32 2139 12.6 11.5 8.37 2164 11.6 11.7 0.86 2230 11.0 12.0 9.09 2250 12.0 11.8 1.67 2269 11.1 11.5 3.60 2279 9.6 10.2 6.25 2289 9.3 9.1 2.15 2296 9.6 8.8 8.33 2302 7.2 7.6 5.56 2307 8.0 8.7 8.75 2311 10.8 10.1 6.48
下载: 导出CSV
表 3 煤厚在线实测数据和钻孔数据对比
Table 3 Comparison between real time measured coal thickness data and drilling data
采位/m 钻孔厚度/m 探测厚度/m 误差率% 2311 10.20 10.63 4.22 2307 9.89 9.55 3.48 2296 10.59 9.86 6.89 2279 9.06 8.64 7.64 2269 10.5 11.63 10.71 2230 10.81 10.63 1.68 2139 13.61 13.71 0.73 2123 12.58 11.47 8.82
下载: 导出CSV
表 4 放煤试验误差
Table 4 Error analysis of coal discharge test
序号 刮板输送机平均
速度/(m·s−1)真实体
积/m3测量体
积/m3相对误
差/%1 1.32 6.45 6.83 5.9 2 1.45 12.11 13.19 8.9 3 1.36 24.23 26.16 8.0 4 1.56 8.97 9.51 6.0 5 1.71 15.62 16.59 6.2 6 1.45 9.21 9.93 7.8 7 1.61 17.81 18.98 6.6 8 1.42 13.44 14.28 6.3
下载: 导出CSV
-
[1] 于斌,杨敬轩,刘长友,等. 大空间采场覆岩结构特征及其矿压作用机理[J]. 煤炭学报,2019,44(11):3295−3307. YU Bin ,YANG Jingxuan ,LIU Zhangyou ,et al. Overburden structure and mechanism of rock pressure in large space stope[J]. Journal of China Coal Society,2019,44(11):3295−3307.
[2] 于雷,闫少宏. 特厚煤层综放开采顶板岩层控制基本原理[J]. 煤炭学报,2020,45(S1):31−37. YU Lei,YAN Shaohong. The basic principle of roof strata control in fully mechanized caving mining of extra thick coal seam[J]. Journal of China Coal Society,2020,45(S1):31−37.
[3] 于斌. 大同矿区综采40 a开采技术研究[J]. 煤炭学报,2010,35(11):1772−1777. YU Bin. Study on fully mechanized coal mining technology in passed 40 years in Datong mining area[J]. Journal of China Coal Society,2010,35(11):1772−1777.
[4] 吴兴利,刘大同,张东方. 大同综采40a综合机械化装备的研发[J]. 煤炭学报,2010,35(11):1893−1897. WU Xingli,LIU Datong,ZHANG Dongfang. Research and development of fully mechanized coal mining equipmentin passed 40 years of Datong fully mechanized coal mining[J]. Journal of China Coal Society,2010,35(11):1893−1897.
[5] 康红普,徐刚,王彪谋,等. 我国煤炭开采与岩层控制技术发展40a及展望[J]. 采矿与岩层控制工程学报,2019,1(2):7−39. KANG Hongpu,XU Gang,WANG Biaomou,et al. Forty years development and prospects of underground coal mining and strata control technologies in China[J]. Journal of Mining And Strata Control Engineering,2019,1(2):7−39.
[6] 周开平. 薄煤层智能化无人工作面成套装备与技术[J]. 煤炭科学技术,2020,48(3):59−67. ZHOU Kaiping. Complete equipment and technology for intelligent unmanned workingface in thin coal seam[J]. Coal Science and Technology,2020,48(3):59−67.
[7] 王国法,张德生. 煤炭智能化综采技术创新实践与发展展望[J]. 中国矿业大学学报,2018,47(3):459−467. WANG Guofa,ZHANG Desheng. Innovation practice and development prospect of intelligent fully mechanized technology for coal mining[J]. Journal of China University of Mining & Technology,2018,47(3):459−467.
[8] 韩会军,王国法,许永祥,等. 6~10 m厚煤层超大采高液压支架及其工作面系统自适应智能耦合控制[J]. 煤炭科学技术,2024,52(5):276−288. doi: 10.12438/cst.2023-1692 HAN Huijun,WANG Guofa,XU Yongxiang,et al. Adaptive intelligent coupling control of hydraulic support and working face system for 6−10 m super high mining in thick coal seams[J]. Coal Science and Technology,2024,52(5):276−288. doi: 10.12438/cst.2023-1692
[9] 任怀伟,孟祥军,李政,等. 8 m大采高综采工作面智能控制系统关键技术研究[J]. 煤炭科学技术,2017,45(11):37−44. REN Huaiwei,MENG Xiangjun,LI Zheng,et al. Study on key technology of intelligent control system applied in 8 m large mining height fully-mechanized face[J]. Coal Science and Technology,2017,45(11):37−44.
[10] 李首滨,李森,张守祥,等. 综采工作面智能感知与智能控制关键技术与应用[J]. 煤炭科学技术,2021,49(4):28−39. LI Shoubin,LI Sen,ZHANG Shouxiang,et al. Key technology and application of intelligent perception and intelligent control in fully mechanized mining face[J]. Coal Science and Technology,2021,49(4):28−39.
[11] 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.
[12] 魏文艳. 综采工作面智能化开采技术发展现状及展望[J]. 煤炭科学技术,2022,50(S2):244−253. WEI Wenyan. Development status and prospect of intelligent mining technology of longwall mining[J]. Coal Science and Technology,2022,50(S2):244−253.
[13] 郭金刚,李化敏,王祖洸,等. 综采工作面智能化开采路径及关键技术[J]. 煤炭科学技术,2021,49(1):128−138. GUO Jingang,LI Huamin,WANG Zuguang,et al. Path and key technologies of intelligent mining in fully-mechanized coal mining face[J]. Coal Science and Technology,2021,49(1):128−138.
[14] 孟祥军,李明忠,孙计爽,等. 千万吨级矿井智能化综采成套装备及关键技术[J]. 煤炭科学技术,2020,48(7):47−54. MENG Xiangjun,LI Mingzhong,SUN Jishuang,et al. Complete sets of equipment and key technologies for intelligent fully-mechanized mining of ten-million tonnage level mine[J]. Coal Science and Technology,2020,48(7):47−54.
[15] 贺海涛. 综采工作面智能化开采系统关键技术[J]. 煤炭科学技术,2021,49(S1):8−15. HE Haitao. Key technology of intelligent mining system in fully-mechanized mining face[J]. Coal Science and Technology,2021,49(S1):8−15.
[16] 刘小雄,马宝,陈建华. 综采工作面智能化开采装备与技术研究[J]. 煤炭科学技术,2022,50(S2):271−276. LIU Xiaoxiong,MA Bao,CHEN Jianhua. Study on coal seam transparency technology of thin coal seam intelligent mining face[J]. Coal Science and Technology,2022,50(S2):271−276.
[17] 王学文,刘曙光,王雪松,等. AR/VR融合驱动的综采工作面智能监控关键技术研究与试验[J]. 煤炭学报,2022,47(2):969−985. WANG Xuewen,LIU Shuguang,WANG Xuesong,et al. Research and test on key technologies of intelligent monitoring and controldriven by AR/VR for fully mechanised coal-mining face[J]. Journal of China Coal Society,2022,47(2):969−985.
[18] 苏杰,王新坤. 寸草塔煤矿综采工作面智能化建设关键技术研究与应用[J]. 煤炭科学技术,2022,50(S1):250−256. SU Jie,WANG Xinkun. Research and application of key technologies for intelligent constructionof fully mechanised mining face in Cuncaota Coal Mine[J]. Coal Science and Technology,2022,50(S1):250−256.
[19] 付翔,李浩杰,张锦涛,等. 综采液压支架中部跟机多模态人机协同控制系统[J]. 煤炭学报,2024,49(3):1717−1730. FU Xiang,LI Haojie,ZHANG Jintao,et al. Multimodal human-machine collaborative control system for hydraulic supports following the shearer in the middle range of fully mechanized mining face[J]. Journal of China Coal Society,2024,49(3):1717−1730.
[20] 王国法,庞义辉,许永祥,等. 厚煤层智能绿色高效开采技术与装备研发进展[J]. 采矿与安全工程学报,2023,40(5):882−893. WANG Guofa,PANG Yihui,XU Yongxiang,et al. Development of intelligent green and efficient mining technology and equipment for thick coal seam[J]. Journal of Mining & Safety Engineering,2023,40(5):882−893.
[21] 庞义辉,刘新华,马英. 千万吨矿井群综放智能化开采设备关键技术[J]. 煤炭科学技术,2015,43(8):97−101. PANG Yihui,LIU Xinhua,MA Ying. Key technologies of fully-mechanized caving intelligent mining equipment in ten million tons of mines group[J]. Coal Science and Technology,2015,43(8):97−101.
[22] 于斌,徐刚,黄志增,等. 特厚煤层智能化综放开采理论与关键技术架构[J]. 煤炭学报,2019,44(1):42−53. YU Bin,XU Gang,HUANG Zhizeng,et al. Theory and its key technology framework of intelligentized fully-mechanized caving mining in extremely thick coal seam[J]. Journal of China Coal Society,2019,44(1):42−53.
[23] 李伟. 综放开采智能化控制系统研发与应用[J]. 煤炭科学技术,2021,49(10):128−135. LI WeiLi. Research and application of intelligent control system forfull-mechanized caving mining[J]. Coal Science and Technology,2021,49(10):128−135.
[24] 宋选民,朱德福,王仲伦,等. 我国煤矿综放开采40年:理论与技术装备研究进展[J]. 煤炭科学技术,2021,49(3):1−29. SONG Xuanmin,ZHU Defu,WANG Zhonglun,et al. Advances on longwall fully-mechanized top-coal caving mining technology inChina during past 40 years:theory,equipment and approach[J]. Coal Science and Technology,2021,49(3):1−29.
[25] 路正雄,郭卫,张帆,等. 基于数据驱动的综采装备协同控制系统架构及关键技术[J]. 煤炭科学技术,2020,48(7):195−205. LU Zhengxiong,GUO Wei,ZHANG Fan,et al. Collaborative control system architecture and key technologies of fully-mechanized mining equipment based on data drive[J]. Coal Science and Technology,2020,48(7):195−205.
[26] 张德文,张文坦,郝胜峰. 金鸡滩煤矿智能煤流均衡系统研制与应用[J]. 煤炭科学技术,2021,49(S1):142−145. ZHANG Dewen,ZHANG Wentan,HAO Shengfeng. Application and development on intelligent coal flow balancing system in Jinjitan Coalmine[J]. Coal Science and Technology,2021,49(S1):142−145.
[27] 陈志军. 灵新煤矿综采工作面视频监控系统应用优化与探索[J]. 煤炭科学技术,2021,49(S1):146−149. CHEN Zhijun. Optimization and exploration of video monitoring system infully-mechanized mining face of Lingxin coal mine[J]. Coal Science and Technology,2021,49(S1):146−149.
[28] 王占飞,王耀. 煤矿井下煤流运输系统智能调速研究与应用[J]. 煤炭科学技术,2022,50(S1):283−288. WANG Zhanfei,WANG Yao. Research and application of intelligent speed regulation of coalflow transportation system in coal mine[J]. Coal Science and Technology,2022,50(S1):283−288.
[29] 李世银,杨瑞鑫,杨磊,等. 煤矿井下智能超表面非视距无线覆盖技术综述[J]. 中国矿业大学学报,2024,53(3):613−622. LI Shiyin,YANG Ruixin,YANG Lei,et al. Survey of the non-line-of sight wireless coverage technology by reconfigurable intelligent surfaces in underground coal mines[J]. Journal of China University of Mining & Technology,2024,53(3):613−622.
[30] 梁卫国,郭凤岐,于永军,等. 煤矸石井下原位智能分选充填技术研究进展[J]. 煤炭科学技术,2024,52(4):12−27. LIANG Weiguo,GUO Fengqi,YU Yongjun,et al. Research progress on in-situ intelligent sorting and filling technology of coal gangue underground[J]. Coal Science and Technology,2024,52(4):12−27.
[31] 王家臣,潘卫东,张国英,等. 图像识别智能放煤技术原理与应用[J]. 煤炭学报,2022,47(1):87-101. WANG Jiachen,PAN Weidong,ZHANG Guoying,et al. Principles and applications of image-based recognition of withdrawn coal and intelligent control of draw opening in longwall top coal caving face[J]. Journal of China Coal Society,2022,47(01):87-101.
[32] 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.
[33] 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.
[34] 李梅,毛善君,赵明军. 煤矿智能地质保障系统研究进展与展望[J]. 煤炭科学技术,2023,51(2):334−348. LI Mei,MAO Shanjun,ZHAO Mingjun. Research progress and prospects of coal mine intelligent geological guarantee systems[J]. Coal Science and Technology,2023,51(2):334−348.
[35] 崔亚仲,任艳艳,白明亮. 神东矿区煤炭智能化建设实践[J]. 煤炭科学技术,2022,50(S1):218-226. CUI Yazhong,REN Yanyan,BAI Ming liang Practice of ntelligent construction of Shendong Coal Mine[J]. Coal Science and Technology,2022,50(S1):218-226.
[36] 任怀伟,王国法,赵国瑞,等. 智慧煤矿信息逻辑模型及开采系统决策控制方法[J]. 煤炭学报,2019,44(9):2923−2935. REN Huaiwei,WANG Guofa,ZHAO Guorui,et al. Smart coal mine logic model and decision control method of mining system[J]. Journal of China Coal Society,2019,44(9):2923−2935.
[37] 方新秋,梁敏富,李爽,等. 智能工作面多参量精准感知与安全决策关键技术[J]. 煤炭学报,2020,45(1):493−508. FANG Xinqiu,LIANG Minfu,LI Shuang,et al. Key technologies of multi-parameter accurate perception and security decision in intelligent working face[J]. Journal of China Coal Society,2020,45(1):493−508.
[38] 刘永亮,李艳杰,崔耀. 超大采高工作面智能集成供液系统研究与应用[J]. 煤炭科学技术,2022,50(S2):387−392. LIU Yongliang,LI Yanjie,CUI Yao. Research and application of intelligent integrated liquid supply system for super high mining face[J]. Coal Science and Technology,2022,50(S2):387−392.
[39] 尤秀松,葛世荣,郭一楠,等. 智采工作面三机数字孪生驱动控制架构[J]. 煤炭学报,2024,49(7):3265−3275. YOU Xiusong,GE Shirong,GUO Yinan,et al. Digital twin-driven Control construction for Three machines ofSmart Coal Mining Face[J]. Journal of China Coal Society,2024,49(7):3265−3275.
[40] 马宏伟,赵英杰,薛旭升,等. 智能采煤机器人关键技术[J]. 煤炭学报,2024,49(2):1174−1182. MA Hongwei,ZHAO Yingjie,XUE Xusheng,et al. Key technologies of intelligent mining robot[J]. Journal of China Coal Society,2024,49(2):1174−1182.
[41] 于斌,夏洪春,孟祥斌. 特厚煤层综放开采顶煤成拱机理及除拱对策[J]. 煤炭学报,2016,41(7):1617−1623. YU Bin,XIA Hongchun,MENG Xiangbin. Top coal arching mechanism and arch removal strategies in fully mechanized top coal caving mining of ultra-thick coal seam[J]. Journal of China Coal Society,2016,41(7):1617−1623.
[42] 于斌,朱帝杰,陈忠辉. 基于随机介质理论的综放开采顶煤放出规律[J]. 煤炭学报,2017,42(6):1366−1371. YU Bin,ZHU Dijie,CHEN Zhonghui. Top-coal drawing law of LTCC mining based on stochastic medium theory[J]. Journal of China Coal Society,2017,42(6):1366−1371.
[43] 左建平,吴根水,孙运江,等. 岩层移动内外“类双曲线”整体模型研究[J]. 煤炭学报,2021,46(2):333−343. ZUO Jianping,WU Genshui,SUN Yunjiang,et al. Investigation on the inner and outer analogous hyperbola model (AHM)of strata movement[J]. Journal of China Coal Society,2021,46(2):333−343.
-
期刊类型引用(1)
1. 于斌，孟祥斌，邰阳，尚子榆，彭明贤，匡铁军，郭飞龙，李东印，王世博. 坚硬顶板特厚冲击煤层智能高效安全开采关键技术. 煤炭学报. 2025(01): 245-263 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 144
- HTML全文浏览量: 17
- PDF下载量: 64
- 被引次数: 1
