0.   引　　言

2020年2月，国家发展改革委等八部门制定了《关于加快煤矿智能化发展的指导意见》^[1]，指出了煤矿智能化建设是促进我国煤炭工业高质量发展的重要保障。2021年6月，国家能源局、国家矿山安全监察局关于印发《煤矿智能化建设指南（2021年版）》的通知^[2]，提出了“数据驱动”“数字采矿”的智能开采理念，指出智能化采煤系统应具备滚筒智能调高、综采设备精准定位和位姿控制、牵引速度智能控制、设备群协同控制智能截割等功能。因此，总结在采煤方面的煤层地质数据化、截割轨迹规划与跟踪控制、位姿检测与控制、速度控制、设备群协同控制等关键技术研究现状^[3-5]，提出“采煤就是采数据”学术思想，并给出学术思想架构和关键技术模型。

在煤层地质数据化方面，王国法等^[6]提出了透明工作面ARTP棱柱体高精度三维地质模型构建方法，实现了工作面高精度地质模型构建与模型动态更新。袁亮等^[7]提出构建煤矿透明地质的思路，为煤炭资源的精准开发利用和智慧矿区建设提供支撑。毛善君等^[8]提出了基于精确大地坐标的煤矿透明化智能综采工作面自适应割煤关键技术，初步实现了较为复杂地质条件下的智能化自适应开采和地面远程管控。马宏伟等^[9]提出了一种基于地质数据的工作面煤层三维建模方法，为综采工作面自动化与智能化提供可靠的煤层数据。

在截割轨迹规划与跟踪控制方面，葛世荣等^[10]提出了基于精准化煤层截割导航地图的采煤机自主导航截割方法，利用C-SLAM技术实现煤岩界面的精准识别与跟踪，以此规划截割轨迹。安葳鹏等^[11]提出了一种基于改进蚁群算法的滚筒截割轨迹规划方法，提高了规划截割轨迹的有效性。陈伟华等^[12]提出了利用深度长短时记忆神经网络规划采煤机记忆截割轨迹的方法，通过在长短期记忆人工神经网络中引入比例因子，提高了截割轨迹预测精度。胥良等^[13]提出了基于改进蚁群算法优化采煤机滚筒调高控制系统的PID参数的方法，提升了截割轨迹跟踪的响应速度。王慧等^[14]提出了基于单变量边缘分布算法的参数自整定模糊PID控制模型，利用单变量边缘分布算法优化的模糊PID对调高过程进行控制，提高截割轨迹的跟踪性能。

在位姿检测与控制方法，马宏伟团队^[15]提出一种基于“惯导+里程计”的采煤机精准定位算法，提升了采煤机的定位精度，有效提高了采煤机及其配套设备的定位精度。张子悦等^[16]提出基于全站仪、UWB等多感知方式组合的采煤机位姿检测系统，实现采煤机位姿高精度的实时检测。曹正远等^[17]提出了利用4D光场技术实现对井工环境进行感知，采用单目工业相机实时获取环境的四维矢量信息，生成三维点云和二维纹理信息，提升井工工况下的环境感知精度。方新秋等^[18]研发了一种光纤光栅三维曲率传感器传感，采用拟合递推的方法对传感器数据进行三维算法推导，实现刮板输送机三维弯曲形态感知。王宏等^[19]提出了一种基于误差状态方程的最优控制调高技术，利用最优控制方法对滚筒调高状态空间方程进行处理，提高滚筒调高响应速度和控制精度。王峰^[20]通过引入推移控制逻辑阀优化电液控制系统自动推移控制流程，提高了综采工作面液压支架自动推移控制精度。

在设备群速度控制方面，赵丽娟等^[21]以采煤机综合性能最优为目标，利用改进的多目标灰狼算法求解出了采煤机的最优牵引速度和最优滚筒转速。陈迪蕾等^[22]以采煤机和刮板输送机协同运行时的总能耗最小为目标，提出了基于双机能耗模型的速度协同优化控制方法。刘寰等^[23]提出一种基于卷积神经网络和模糊PID控制器的刮板输送机速度控制方法，实现了刮板输送机速度的智能调控。胡磊等^[24]提出了基于粒子群算法优化模糊PID的刮板输送机运行速度控制方法，利用粒子群算法对模糊PID控制参数进行优化，提升刮板输送机运行速度控制的动态性能。张强等^[25]提出了刮板输送机多永磁电机串联“驱动−传动”输送新模式，采用刮板输送机多永磁电机串联驱动方式，提高刮板输送机运行速度的控制性能。

在设备群协同控制方面，王国法等^[26]提出“数字煤矿−综采设备群−开采系统”多层级的最优规划控制策略，大幅提高了智能开采工艺对于井下复杂生产环境的适应能力。谢嘉成等^[27]建立全景综采虚拟现实场景，再现了综采工作面设备的动态配套关系、姿态和性能等运行状况，为设备协同控制提供了技术支持。宋焘等^[28]构建了基于智能感知的综采设备远程智能协同控制系统，实现综采工作面采煤机位姿与刮板输送机直线度精确检测、液压支架自动跟机和自动调直控制。徐严军等^[29]以采煤机实时定位为中心，根据刮板输送机移架过程挠度约束，建立设备协同控制方法，提高了综采工作面开采效率与智能化水平。

综上所述，目前在煤层地质数据化、截割轨迹规划与跟踪控制、位姿检测与控制、设备群速度控制、设备群协同控制等方面研究成果颇多，但研究内容分散，缺乏基于数据驱动的智能综采方法的系统化研究。因此，提出了“采煤就是采数据”的学术思想，从“数字工作面构建、截割轨迹规划与跟踪控制、位姿检测与控制、设备群速度控制、设备群协同控制”五方面展开研究，为煤矿安全、高效、智能开采提供新思想、新理论和新方法。

1.   “采煤就是采数据”学术思想内涵

“采煤就是采数据”学术思想核心是数据，其内涵在于：利用综采工作面数字煤层数据、设备群数据等构建数字工作面，建立多源信息融合的数字工作面数据库；融合数字工作面和设备群运行“位−姿−速”数据，决策设备群“位−姿−速”协同控制数据，驱动设备群“位−姿−速”精准控制，实现综采工作面设备群安全、高效、智能协同开采。“采煤就是采数据”学术思想内涵如图1所示。

图  1  “采煤就是采数据”学术思想内涵

Figure  1.  Academic concept of “Coal mining is data mining”

下载: 全尺寸图片 幻灯片

2.   “采煤就是采数据”学术思想架构

“采煤就是采数据”学术思想架构分为3层：建模层、决策层、执行层。

建模层：包括数字煤层建模、数字化设备群建模、数字工作面建模等，依托工作面地质数据、设备群运行数据、工作面环境数据、随采探测数据等，建立数字工作面模型并进行动态更新。

决策层：主要包括截割轨迹规划与跟踪控制参数决策、牵引与截割速度决策、运煤速度决策、设备群协同控制参数决策等，融合截割轨迹数据、截割载荷数据、采煤量数据、综采工作面环境数据等，利用人工智能算法决策设备群最优控制参数。

执行层：用来执行决策的最优设备群协同控制参数，采用虚实同步技术，实现对设备群的位姿和速度的高效精准控制。在执行层中，设备群协同作业的“位−姿−速”数据形成综采作业的数据流，反馈至决策层对控制参数进行动态优化，实现最优控制；同时，将实时最优控制参数反馈至建模层，动态迭代更新数字工作面模型，提高模型的精度。“采煤就是采数据”学术思想架构如图2所示。

图  2  “采煤就是采数据”学术思想架构

Figure  2.  Academic ideological framework of “Coal mining is data mining”

下载: 全尺寸图片 幻灯片

3.   “采煤就是采数据”关键技术

“采煤就是采数据”学术思想关键技术包括数字工作面构建技术、截割轨迹规划与跟踪控制技术、位姿检测与控制技术、速度控制技术、设备群协同控制技术等。

3.1   “采煤就是采数据”数据底座

“采煤就是采数据”的基础是数据，构建基于数字煤层数据库、智能感知数据库、截割轨迹数据库和协同控制数据库等的综采工作面智能开采的数据底座。

数字煤层数据库包含煤层厚度数据、煤层倾角数据、煤岩分布数据等；智能感知数据库包含设备群位姿和速度感知数据、运行状态感知数据以及环境感知数据等；截割轨迹数据库包含数字煤层规划轨迹数据、历史截割位姿数据、规划滚筒截割轨迹数据等；协同控制数据库包含设备群的位姿协同控制数据、速度协同控制数据和位姿速协同控制数据等。“采煤就是采数据”的数据结构如图3所示，数字煤层数据库为智能感知数据库和截割轨迹数据库提供数字煤层数据；智能感知数据库与数字工作面数据库进行交互，动态更新数字工作面模型；智能感知数据库为截割轨迹数据库提供位姿感知数据，为协同控制数据库提供设备群实时的“位−姿−速”感知数据；截割轨迹数据库中的历史截割位姿数据用来动态更新数字煤层模型。

图  3  “采煤就是采数据”数据结构

Figure  3.  Data structure of “Coal mining is data mining”

下载: 全尺寸图片 幻灯片

综采工作面数据底座存在数据量大、数据类型繁杂等特点，为获取有用和有效的数据，采用数据清洗、数据集成、数据变换、数据规约等环节进行数据预处理，预处理后的数据分别存放在数字煤层数据库、智能感知数据库、截割轨迹数据库、协同控制数据库中，采用数据挖掘和数据融合进行处理，决策出设备群的“位−姿−速”最优协同控制参数，指导设备群进行智能高效开采作业。设备群运行的“位−姿−速”数据流反馈至数据库进行历史数据存储；运行过程中，随采探测的综采工作面煤岩分布数据、环境数据、煤炭赋存量数据、设备群位姿数据等反馈至数据采集环节。“采煤就是采数据”数据底座结构如图4所示。

图  4  “采煤就是采数据”数据底座结构

Figure  4.  Data base structure of “Coal mining is data mining”

下载: 全尺寸图片 幻灯片

3.2   多源数据融合的数字工作面构建技术

3.2.1   数字工作面构建方法

利用切眼开拓写实地质数据、巷道开拓写实地质数据、煤层地质构造数据等，采用空间插值算法构建数字煤层；构建采煤机、刮板输送机、液压支架等设备群数学模型；融合设备群数学模型和数字煤层模型，建立数字工作面模型；采用数字孪生技术实现设备群虚拟模型与实物模型的数据交互。数字工作面构建原理如图5所示。

图  5  多源数据融合的数字工作面构建方法

Figure  5.  Construction method of digital workspace based on multi-source data fusion

下载: 全尺寸图片 幻灯片

3.2.2   数字工作面动态更新方法

数字工作面随着开采作业进行动态更新，其数据主要来源智能感知数据库。提出多源数据融合的数字工作面迭代更新方法，工作原理为：获取智能感知数据库中n刀的历史截割位姿数据、采煤量数据、工作面环境数据等，与前n−1刀的历史数字工作面数据进行对比，采用数据融合模型进行迭代运算，得到数字工作面第n+1刀的修正数据，存放至数字工作面数据库更新第n+1刀的数字工作面模型，从而提升模型的精度。多源数据融合的数字工作面迭代更新方法如图6所示。

图  6  多源数据融合的数字工作面迭代更新方法

Figure  6.  Iterative updating method for digital workface based on multi-source data fusion

下载: 全尺寸图片 幻灯片

3.3   数字煤层驱动的截割轨迹规划与跟踪控制技术

3.3.1   截割轨迹规划技术

为提升截割轨迹规划精度，提出融合数字煤层截割轨迹规划数据和历史截割位姿数据的轨迹规划方法，以数字煤层截割轨迹规划数据和历史截割位姿数据，求解出第n刀的截割轨迹误差数据，并与数字煤层第n+1刀截割轨迹数据为智能神经网络模型输入，规划出精准的第n+1刀上下滚筒和三角煤截割轨迹^[30]。

截割轨迹规划原理如图7所示，截割轨迹数据库存放数字煤层切片数据和历史截割轨迹数据。数字煤层切片数据指的是以等截深对数字煤层进行切片，利用暴露出的煤岩分界线得到的截割轨迹数据；实时位姿检测数据构成了历史截割轨迹数据；二者共同作为截割轨迹规划模型的输入，动态规划精准的截割轨迹数据^[9]。

图  7  截割轨迹规划原理

Figure  7.  Schematic diagram of cutting trajectory planning

下载: 全尺寸图片 幻灯片

3.3.2   截割轨迹跟踪控制技术

为实现截割轨迹的精准跟踪控制，提出智能插补的截割轨迹跟踪控制方法。以规划截割轨迹数据作为设备群数字化模型的输入，利用智能插补算法求解设备群跟踪控制中的滚筒位姿数据和刮板输送机的位姿数据，决策滚筒调高油缸和液压支架推移油缸的位移控制量^[31]。在智能插补算法中，采用人工智能算法对截割轨迹跟踪控制参数进行迭代运算，求解最优轨迹跟踪的插补位姿跟踪控制数据，从而提高轨迹跟踪控制精度。截割轨迹跟踪控制参数决策原理如图8所示。

图  8  截割轨迹跟踪控制参数决策原理

Figure  8.  Decision principle of cutting trajectory tracking control parameters

下载: 全尺寸图片 幻灯片

决策的截割轨迹跟踪控制参数包括滚筒调高油缸位移控制数据、滚筒位置控制数据、液压支架推移油缸控制数据等，通过位姿控制系统对其进行精准的位姿控制，从而实现轨迹精准跟踪控制。

3.4   多传感数据融合的位姿检测与控制技术

3.4.1   位姿检测技术

1）采煤机位姿检测^[15]：采煤机位姿数据包括机身位姿数据、滚筒位姿数据等，位姿传感检测系统包括惯性传感器、位移传感器、激光传感器、角度传感器等。采煤机位姿检测采用惯导定位系统对机身的位姿数据进行实时检测。为实现惯导系统的连续精准定位，提出了“惯导+定位标靶”组合定位误差校正方法，在巷道煤壁布置定位标靶，通过安装在机身标靶感知传感器，对定位标靶的绝对位置数据进行采集并解算，从而校正惯导系统定位误差。采用角度传感器和位移传感器，获取摇臂摆角和调高油缸位移数据，经解算后得到滚筒高度数据，与机身位姿数据融合，得到滚筒的位姿数据。

2）刮板输送机位姿检测：建立采煤机与刮板输送机的位姿关系模型，通过采煤机与刮板输送机对应轨迹位姿数据，求解刮板输送机位姿数据，从而获得综采工作面的直线度数据。

3）液压支架位姿检测^[32]：液压支架位姿数据包括立柱油缸的位姿数据、推移油缸的位姿数据、护帮推移油缸位置数据、伸缩油缸位置数据等。建立刮板输送机与液压支架的位姿关系数学模型，融合刮板输送机直线度数据与液压支架推移油缸数据，获得每台液压支架的位置数据，从而求解液压支架群的直线度数据。通过液压支架立柱油缸等多个油缸位移数据，求解每台液压支架的姿态数据。

综采工作面设备群的位姿检测原理如图9所示，设备群的位姿检测数据存放至智能感知数据库，作为设备群位姿控制决策的重要依据。

图  9  多传感数据融合的综采设备群位姿检测原理

Figure  9.  Principle of group pose detection for comprehensive mining equipment using multi-sensor data fusion

下载: 全尺寸图片 幻灯片

3.4.2   位姿控制技术

综采设备群的位姿数据主要依据规划截割轨迹数据以及位姿传感检测数据，位姿控制对象主要包括牵引电机、滚筒调高油缸、液压支架推移油缸和立柱油缸等^[33-35]。为实现综采设备群位姿精准控制，提出基于神经网络算法的位姿控制方法，以位姿控制数据为输入，利用神经网络算法决策设备群的位姿控制参数，设备群实时位姿数据反馈至神经网络算法，进行位姿控制参数的迭代优化，从而提升位姿的控制精度。设备群位姿控制原理如图10所示。

图  10  设备群位姿控制原理

Figure  10.  Principle of equipment group pose control

下载: 全尺寸图片 幻灯片

3.5   多源异构数据驱动的速度控制技术

煤矿综采设备群间的速度匹配和控制的核心是采煤机牵引速度与截割速度的控制，而采煤机牵引与截割速度的控制依据是截割载荷数据。

3.5.1   截割载荷测量模型

截割载荷数据是采煤机牵引与截割速度控制的重要依据。为提升截割载荷测量精度，提出多源异构数据的截割载荷测量方法，以截割电机转速数据、截割电机电流数据、截割部振动数据等多源异构数据为输入，利用人工智能算法构建截割载荷软测量模型，分别利用电信号和力信号对截割载荷进行测量，二者的测量误差反馈至软测量模型进行迭代运算，二者的测量结果通过滤波算法处理后得到基于力电异构数据的截割载荷测量数据^[36]。多源异构数据的截割载荷测量方法原理如图11所示。

图  11  多源异构数据的截割载荷测量方法原理

Figure  11.  Cutting load measurement method for multi-source heterogeneous data

下载: 全尺寸图片 幻灯片

3.5.2   速度智能控制方法

综采设备群速度的主要控制量为牵引速度、滚筒转速、运煤速度等。以安全高效生产为目标，利用人工智能寻优算法构建智能速度决策模型。截割载荷和采煤量与速度的关系为：截割载荷直接决定牵引速度和滚筒转速的大小，采煤量取决于牵引速度值，运煤速度需与采煤量进行协同控制^[37]。其中，采煤量数据通过滚筒的位姿数据和数字煤层煤岩分布数据求解获取。以截割载荷数据和采煤量数据为输入，利用智能速度决策模型获得最优的牵引速度、滚筒转速、运煤速度数据，从而实现安全、高效开采作业。设备群速度智能控制方法原理如图12所示。

图  12  速度智能控制方法原理

Figure  12.  Intelligent speed control method

下载: 全尺寸图片 幻灯片

3.6   多源数据驱动的设备群协同控制技术

3.6.1   设备群协同控制原理

综采设备群协同控制主要包括“位−姿”协同、“速度”协同、“位−姿−速”协同。在“位−姿”协同控制中，以规划的截割轨迹数据为依据，协同采煤机整机位姿与刮板输送机位姿、滚筒位姿与液压支架位姿；在速度协同控制中，以截割载荷数据、截割轨迹数据、采煤量数据等，协同牵引速度与截割速度、牵引速度与运煤速度、牵引速度与移架速度等；在“位−姿−速”协同中，以截割轨迹数据为依据，协同采煤机滚筒位姿与牵引速度^[38]。最终，实现设备群的高效协同作业。设备群协同控制原理如图13所示。

图  13  设备群协同控制原理

Figure  13.  Principle of collaborative control of equipment groups

下载: 全尺寸图片 幻灯片

3.6.2   协同控制方法

在综采设备群协同控制中，以采煤机作为核心装备，提出基于人工智能的主从协同控制方法。以采煤机控制参数作为主导控制对象，刮板输送机和液压支架控制参数作为跟随控制对象，利用人工智能算法对主从控制对象之间的位姿协同控制参数、速度协同控制参数进行寻优，决策出最优的设备群协同控制量。

基于人工智能算法的设备群主从协同控制方法原理如图14所示。主导协同控制参数决策以截割载荷数据、截割轨迹数据、采煤量数据为输入，利用人工智能算法决策出采煤机最优的位姿与速度协同控制参数；跟随协同控制参数决策，以决策的最优牵引速度、最优截割速度、最优滚筒位姿数据为输入，利用人工智能算法决策出设备群最优的速度协同控制参数和位姿协同控制参数。最终，实现综采设备群安全、高效、智能的协同作业。

图  14  基于人工智能算法的设备群主从协同控制方法

Figure  14.  Collaborative control method for device group owners based on artificial intelligence algorithms

下载: 全尺寸图片 幻灯片

4.   “采煤就是采数据”学术思想的工程应用

本文提出的“采煤就是采数据”学术思想已在陕煤黄陵矿业有限公司、铜川矿业有限公司等煤矿得到不同程度的应用，有效提高了综采工作面智能化水平。

图15a为某煤矿综采工作面的智能化采煤机，集成了行程传感器、倾角传感器、惯性导航、视觉传感器以及电流、电压、压力等参数型传感器，为智能化综采工作面采煤机智能控制、智能运维提供了数据基础，结合数字孪生技术，通过运行状态、远程控制与预测决策等模型，实现了实时获取采煤机运行状态与虚实协同控制。图15b为某煤矿智能化综采工作面采煤机运行状态监测数据，实现了实时获取采煤机位置、自动运行等参数，奠定了智能化综采工作面采煤机定位、跟踪等精准控制的数据基础。图15c为某煤矿智能化综采工作面采煤机轨迹跟踪与控制数据、采煤机位置数据、截割姿态数据等，获取并存储了智能化综采工作面每一刀截割位姿、轨迹与控制数据，为实现智能化综采工作面预测截割轨迹与截割轨迹跟踪控制提供了数据基础。图15d为某煤矿智能化综采工作面液压支架运行状态检查与控制，实现了液压支架姿态、位置、压力等监测，奠定了智能化综采工作面采煤机、液压支架与刮板运输机系统控制的数据基础。

图  15  工程应用部分截图

Figure  15.  Engineering application of academic ideas on intelligent comprehensive mining face in coal mines

下载: 全尺寸图片 幻灯片

5.   结　　论

1）针对数字工作面构建问题，阐明了多源数据融合的数字工作面构建与动态更新方法，基于截割轨迹数据、设备群协同数据、采煤量数据、环境数据等融合实现数字工作面动态更新，旨在提高数字工作面模型精度。

2）针对截割轨迹规划与跟踪控制问题，阐明了数字煤层驱动下截割轨迹规划数据、历史截割位姿数据融合的轨迹规划方法，论述了智能插补的截割轨迹跟踪控制方法，利用人工智能算法对规划截割轨迹数据和轨迹跟踪控制的位姿插补数据进行迭代优化，旨在提高截割轨迹规划和轨迹跟踪控制精度。

3）针对位姿检测与控制问题，阐明了基于多传感器融合的精准位姿检测方法以及基于位姿控制数据和实时运行位姿数据的神经网络优化迭代位姿控制方法，旨在实现对设备群位姿的精准检测与高精度控制。

4）针对速度控制问题，提出了力−电耦合的截割载荷测量方法以及基于人工智能寻优算法的速度智能控制方法，融合截割载荷数据和采煤量数据，利用人工智能寻优算法决策最优的牵引速度、截割速度、运煤速度，旨在实现高效智能截割控制。

5）针对设备群协同控制问题，论述了建立基于数字工作面的设备群“位−姿−速”协同控制模型方法，阐明了基于人工智能算法的设备群主从协同控制方法，以采煤机位姿与速度控制数据作为主导者，刮板输送机和液压支架控制数据作为跟随者，旨在实现设备群智能高效安全作业。