从煤矿机械化到自动化和智能化的发展与创新实践纪念《工矿自动化》创刊50周年

王国法, 杜毅博, 陈晓晶, 王晖, 包建军, 邢震, 贺耀宜, 韩安, 顾义东

王国法,杜毅博,陈晓晶,等. 从煤矿机械化到自动化和智能化的发展与创新实践——纪念《工矿自动化》创刊50周年[J]. 工矿自动化,2023,49(6):1-18. DOI: 10.13272/j.issn.1671-251x.18132
引用本文: 王国法,杜毅博,陈晓晶,等. 从煤矿机械化到自动化和智能化的发展与创新实践——纪念《工矿自动化》创刊50周年[J]. 工矿自动化,2023,49(6):1-18. DOI: 10.13272/j.issn.1671-251x.18132
WANG Guofa, DU Yibo, CHEN Xiaojing, et al. Development and innovative practice from coal mine mechanization to automation and intelligence: Commemorating the 50th anniversary of the founding of Journal of Mine Automation[J]. Journal of Mine Automation,2023,49(6):1-18. DOI: 10.13272/j.issn.1671-251x.18132
Citation: WANG Guofa, DU Yibo, CHEN Xiaojing, et al. Development and innovative practice from coal mine mechanization to automation and intelligence: Commemorating the 50th anniversary of the founding of Journal of Mine Automation[J]. Journal of Mine Automation,2023,49(6):1-18. DOI: 10.13272/j.issn.1671-251x.18132

从煤矿机械化到自动化和智能化的发展与创新实践—纪念《工矿自动化》创刊50周年

基金项目: 国家自然科学基金重点资助项目(51834006)。
详细信息
    作者简介:

    王国法(1960—),男,山东文登人,中国工程院院士,中国煤炭科工集团首席科学家,博士研究生导师,E-mail:wangguofa@tdkcsj.com

  • 中图分类号: TD713

Development and innovative practice from coal mine mechanization to automation and intelligence: Commemorating the 50th anniversary of the founding of Journal of Mine Automation

  • 摘要: 回顾《工矿自动化》杂志推动和见证中国煤炭50年从煤矿机械化到自动化和智能化发展与创新实践的发展概况,阐述了煤矿自动化和智能化的创新历程。对煤矿信息基础设施、自动化及智能化装备和系统的研发与实践进行了分析。实现异构网络融合与统一承载是煤矿自动化、智能化的信息基础。在主干网+接入网异构网络不断成熟的基础上,有线通信传输速率已达10 Gibit/s以上,5G和WiFi6等无线通信技术得到广泛应用,为煤矿智能化建设提供了可靠的通信平台;将有线通信、无线通信、IP广播、人员位置监测系统、视频监控系统融合,构建多网融合通信系统,实现了融合承载网络与统一位置服务。煤矿自动化、智能化装备发展迅速,采煤工作面在实现工作面采煤机记忆截割、液压支架自动跟机移架等技术的基础上,探索基于透明地质的工作面自适应截割技术、自动放煤控制技术等;掘进工作面在实现仿形截割、定位导航、远程控制的基础上,针对钻锚一体化、多机协同、基于地质模型的掘进截割模板规划等技术进行攻关,取得较好效果;智能变频节能传动支撑煤流运输系统智能装备发展;煤矿机器人集成研发及应用,巡检机器人成熟应用,智能辅助作业机器人得到攻关,多场景机器人集群调度指挥系统研发形成机器人集群。煤矿自动化和智能化建设由单系统自动化、矿井综合自动化、矿山物联网阶段正式迈入智能矿山综合管控阶段,实现智能感知、智能自控、高速传输、协同管控和智能决策是智能化发展的必然要求。提出了煤矿智能化技术迭代发展重点方向,包括建立高精度透明地质模型、无人操作系统常态化可靠运行、构建煤矿巨系统智能化兼容与协同机制、“掘、采、运、洗、销”全流程智能协同管控、优化柔性煤炭生产供给体系。
    Abstract: This paper reviews the general situation of the development and innovation practice of China's coal industry in the past 50 years promoted and witnessed by the Journal of Mine Automation from coal mine mechanization to automation and intelligence. This paper expounds on the innovation process of coal mine automation and intelligence. It focuses on the analysis of the research and development and practice of coal mine information infrastructure, automation and intelligent equipment and systems. The integration and unified hosting of heterogeneous networks is the information foundation for coal mine automation and intelligence. On the basis of the continuous maturity of the heterogeneous network of the backbone network and access network, the wired communication transmission rate has reached over 10 Gibit/s. The wireless communication technologies such as 5G and WiFi6 have been widely applied, providing a reliable communication platform for the intelligent construction of coal mines. Wired communication, wireless communication, IP broadcasting, personnel locaiton monitoring system, and video monitoring system are integrated to build a multi-network integrated communication system, achieving integrated carrier network and unified location service. The development of intelligent automation equipment in coal mines is rapid. It explores adaptive cutting technology based on transparent geology, automatic coal release control technology on the basis of technologies such as memory cutting of coal mining machines and automatic following and moving of hydraulic brackets at coal mining working face. On the basis of achieving profiling cutting, positioning navigation, and remote control, the excavation working face has made breakthroughs in technologies such as drilling anchor integration, multi-machine collaboration, and cutting template planning of roadheader based on geological model, achieving good results. The development of intelligent equipment for coal flow transportation systems is supported by intelligent variable frequency energy-saving transmission. The integrated research and application of coal mine robots are achieved. The mature application of inspection robots is obtained. The breakthroughs in intelligent auxiliary operation robots are achieved. The development of a multi-scene robot cluster scheduling and command system forms a robot cluster. The automation and intelligent construction of coal mines have officially entered the stage of intelligent mine comprehensive control from single system automation, comprehensive mine automation, and the Internet of Things. The realization of intelligent perception, intelligent self-control, high-speed transmission, collaborative control, and intelligent decision-making is an inevitable requirement for the development of intelligence. The paper proposes key directions for the iterative development of coal mine intelligent technology, including the establishment of high-precision transparent geological models, the normal and reliable operation of unmanned operating systems, the construction of intelligent compatibility and collaboration mechanisms for coal mine giant systems, the intelligent collaborative control of the entire process of "excavation, mining, transportation, washing, and sales", and the optimization of a flexible coal production and supply system.
  • 矿井通风系统是煤矿安全生产的核心要素,通过输送新鲜空气、排出有害气体与粉尘,维持井下安全作业环境[1]。要实现上述作用,必须保证矿井内各用风地点风量时刻满足需风量要求。但随着采掘推进,巷道结构不断变化,导致实际风量与需风量之间出现偏差,引发有害气体和粉尘聚集,影响矿井安全生产,因此亟需精准分风方案以保证安全生产。

    许多学者在矿井通风系统分风方案设计方面进行了大量研究。文献[2]使用基于贪婪搜索策略改进的差分进化算法(Differential Evolution Algorithm,DEA)来求解通风网络非线性优化模型,获得了一种可靠风量调节方案。文献[3]基于差分灰狼算法(Differential Evolution Algorithm-Grey Wolf Optimizer,DE−GWO)提出了一种通过分支风量期望值来选择不同调节分支的智能应急调风方案。文献[4-5]提出了一种智能应急调风方案,采用改进后的差分灰狼算法对目标分支风量进行寻优,以满足某一用风分支的期望风量,提高了系统的稳定性与可靠性。文献[6]将禁忌搜索算法与改进粒子群算法相结合,求解通风网络最小功耗问题,解决了井下用风需求多变与通风机能耗高的问题。文献[7]利用自适应混沌粒子群算法求解通风网络模型,获得通风总功率最低的风量调节方案。文献[8]采用文化粒子群优化算法对通风系统总功率进行优化求解,以获得最经济的调风方案。文献[9]将通风机最小功耗和目标用风分支最大需风量作为目标函数,利用改进粒子群优化算法进行求解,在保证通风机功耗最小的前提下,增大用风分支风量。文献[10]提出了一种多策略融合的麻雀搜索算法,引入了Tent混沌映射初始化、自适应参数控制、可变螺旋搜索及柯西−高斯变异扰动的改进策略,弥补了算法在迭代后期种群多样性降低的问题。文献[11]针对混合型通风网络优化模型求解难题,提出了基于遗传算法的两步法风流调节优化算法,以最小支撑树算法计算余树弦风阻调节值,通过逐次迭代法获取风量最优解。文献[12]以通风机功率最小为目标,建立了矿井通风系统网络优化的无约束数学模型,并利用改进的乌燕鸥优化算法(modified Sooty Tern Optimization Algorithm,mSTOA)进行模型求解。当前,虽已通过算法实现矿井通风系统分风方案设计,但现有算法普遍存在收敛速度慢、易陷入局部最优的缺陷。同时,获得的分风方案并没有考虑所涉及巷道是否具有可调节性,导致部分调节措施在实际施工中难以落实,显著增加施工成本。

    针对上述问题,本文提出基于吸引−排斥算法(Attraction–Repulsion Optimization Algorithm,AROA)的精准分风方法。通过该方法生成的方案以功耗最小为优化目标,通过调节通风机及通风设施,运用全局搜索与局部优化策略,实现通风机能耗的合理分配,提升通风系统运行效率,最终达到降低煤矿运营成本的目的。

    矿井通风网络包含D条分支、J个节点和K个独立回路,风量调节需满足回路风压平衡和风量平衡定律。以通风机总功率最小作为优化目标,建立矿井通风系统数学模型,求解合适的分风方案。

    $$ \min W=\sum_{i=1}^D H_i Q_i $$ (1)
    $$ \text { s.t. } \sum_i^D l_{i j} Q_i=0\quad j=1,2, \cdots, J $$ (2)
    $$ \sum_{i=1}^D b_{i k}\left(H_i+\Delta H_i-P_k\right)=0\quad k=1,2, \cdots, K $$ (3)
    $$ H_i=R_i Q_i^2 $$ (4)
    $$ \Delta H_{i \min } \leq \Delta H_i \leq \Delta H_{i \max }\quad i=1,2, \cdots, D $$ (5)
    $$ Q_{i \min } \leq Q_i \leq Q_{i \max }\quad i=1,2, \cdots, D $$ (6)

    式中:W为通风机总功率;Hi为第i条分支的风压;Qi为第i条分支风量;lij为由第i条分支、第j个节点构成关联矩阵的元素;bik为由第i条分支、第k个独立回路构成回路矩阵的元素;ΔHi为第i条分支的调节风压;Pk为回路第k个独立的自然风压;Ri为第i条分支的风阻;ΔHimax,ΔHimin分别为第i条分支风压调节上下限;QimaxQimin分别为第i条分支风量调节上下限。

    在煤矿实际应用中,部分通风分支风量已知,其余则待定,此类矿井通风网络被称为“按需分风网络”。矿井通风系统数字模型的决策变量不仅包含调节风压ΔHi,还包括部分分支的风量Qi,此时该类数学模型求解问题归属于非线性约束优化问题,由于其高度的复杂性和非线性特征,目前尚无通用且可靠的求解算法。即便部分算法能够获取最优通风方案,随着模型中决策变量与约束条件数量的增加,算法的计算效率将呈指数级下降,从而降低了解决实际工程问题的效率与可行性。

    AROA利用排斥机制维持种群多样性,有效避免局部最优,适用于离散与连续等多类型优化问题。结合精准分风思想,AROA可预先锁定可调节巷道,既免除人工确认环节以降低时间与人力成本,又通过减少模型变量提升寻优效率,相比传统算法,其求解的分风方案更契合矿井实际生产需求。

    AROA借鉴自然界中吸引与排斥行为之间的动态平衡,构建了解的更新机制,并结合局部搜索算子和记忆更新策略,提升算法在全局探索与局部开发之间的平衡能力。

    AROA将搜索个体视为候选解,其位置表示当前解的状态。在迭代过程中,每个候选解根据自身适应度、邻域内其他解的质量及当前最优解的引导作用,不断调整自身位置。适应度更优的个体对其他个体形成吸引作用,而较差的个体则产生排斥效应,从而引导解向更优区域集中,避免陷入局部最优。候选解的相互作用及其位置更新机制如图1所示[13]

    图  1  候选解的相互作用及其位置更新机制
    Figure  1.  Interaction of candidate solutions and their position update mechanisms

    中心候选解(紫色圆圈)的位置根据其邻域内更好解(绿色箭头)和更差解(红色箭头)的位置和适应度信息进行更新。解之间的距离(由箭头可视化)可视为指向更新候选解合力向量。

    1) 候选解的确定。候选解的更新由其邻域中个体的适应度及空间关系所驱动,其合力向量为

    $$ \boldsymbol{n}_{\textit{z}}=\frac{1}{{\mathrm{O}}} \sum_{g=1}^{\mathrm{O}} c \left(x_g-x_{\textit{z}}\right) m_{{\textit{z}}, g}, m_{{\textit{z}}, \max } s\left(f_{\textit{z}}, f_g\right) $$ (7)
    $$ I\left(m_{{\textit{z}}, g}, m_{{\textit{z}}, \max }\right)=1-\frac{m_{{\textit{z}}, g}}{m_{{\textit{z}}, \max }} $$ (8)

    式中:nz为第z个候选解在其邻域内受到其他个体吸引−排斥的合力向量;O为种群中候选解的个数;c为步长,用来控制移动的大小;xgxz分别为第g(g≠z)个与第z个候选解;mz,g为第z个候选解与第g个候选解之间的距离;mz,max为第z个候选解与所有候选解中最远候选解之间的距离;sfz, fg)为吸引或排斥函数,fzfg分别为第z个和第g个候选解的适应度,若fg < fz则为+1,表示吸引,反之为−1,表示排斥;Imz,g, mz,max)为衡量第g个候选解对第z个候选解的影响强度,其输出为[0,1],其中0表示对邻近候选解无影响,1表示对邻近候选解施加最大影响。

    2) 最优解的吸引机制。除邻域影响外,候选解还会受到当前全局最优解的吸引作用。为避免前期过度集中导致多样性降低,AROA通过动态调节吸引强度控制最优解的引导能力[14-15]

    $$ \boldsymbol{e}_{\textit{z}}= \begin{cases}c h \left(x_{\text {best }}-x_{\textit{z}}\right) & r_1 \geq q_1 \\ c h \left(a_1 \odot x_{b e s t}-x_{\textit{z}}\right) & r_1< q_1\end{cases} $$ (9)

    式中:ez为候选解xz在本轮迭代中受到当前最优候选解xbest吸引所产生的引导向量;h为平衡全局搜索与局部搜索的算子;r1为[0,1]内的随机数;q1为触发概率,用于控制当前候选解是否接受最优解的引导作用,该机制可避免算法在早期过度集中于当前最优解,增强搜索多样性,降低陷入局部最优的风险;a1为[0,1]内的随机数;$\odot $为乘法运算符号。

    3) 局部搜索算子设计。AROA通过3个随机局部搜索算子更新位置:第1个算子yB受布朗运动启发,模拟小粒子步长[16-17];第2个算子ytri基于三角函数构造的周期性扰动方式,通过概率选择机制引导解更新;第3个算子yR是完全随机生成的新位置,用于扩展种群多样性。

    $$ y_{\textit{z}}= \left\{ \begin{array}{l}y_{\mathrm{B}}\quad r_3>0.5 \dfrac{t}{t_{\max }}+0.25,\;r_2<q_2 \\ y_{{\mathrm{t r i}}}\quad r_3 \leq 0.5 \dfrac{t}{t_{\max }}+0.25,\; r_2<q_2 \\ y_{\mathrm{R}}\quad r_2 \geq q_2\end{array}\right. $$ (10)

    式中:yz为当前迭代中第z个候选解经过某种局部搜索扰动后生成的新位置;r2r3为 [0,1]内随机生成的数字;t为当前迭代的次数;tmax为最大迭代次数;q2为触发概率,用于控制当前是否选择执行某一个扰动方式。

    4) 解的更新与记忆策略。候选解的最终位置更新综合邻域个体对候选解的影响、最优解的引导及局部搜索结果。

    $$ x_{\textit{z}}(t)=x_{\textit{z}}(t-1)+{\boldsymbol{n}}_{\textit{z}}+{\boldsymbol{e}}_{\textit{z}}+y_{\textit{z}} $$ (11)

    式中xzt)和xzt−1)分别为当前迭代和前一次迭代中的候选解。

    为进一步提高稳定性与收敛效率,AROA引入2类基于群体行为的操作算子:一类用于扩展搜索空间、增加种群差异性;另一类则保存解的历史状态,在适应度未改进的情况下回退至先前较优解,从而提升整体鲁棒性与收敛稳定性。

    $$ x_{\text{z}}=\left\{\begin{array}{l}x_{\text{z}}+c_f\left\{\boldsymbol{u}_4\odot\left[\boldsymbol{v}_4\odot\left(x_{\max}-x_{\text{min }}\right)+x_{\text{min }}\right]\right\} \\ x_{\text{z}}+\left[q_{\mathrm{f}}\left(1-r_4\right)+r_4\right]\left(x_{r_5}-x_{r_6}\right)\end{array}\right. $$ (12)
    $$ x_{\textit{z}}(t)= \begin{cases}x_{\textit{z}}(t) & w\left(x_{\textit{z}}(t)\right)<w\left(x_{\textit{z}}(t-1)\right) \\ x_{\textit{z}}(t-1) & w\left(x_{\textit{z}}(t)\right) \geq w\left(x_{\textit{z}}(t-1)\right)\end{cases} $$ (13)

    式中:$ {c}_{f} $为当前最优解对其他解的影响程度;u4为二元向量,表示是否执行该扰动操作的控制开关;v4为随机生成的向量,用于计算候选解的变化方向;qf为向量u4的扰动触发概率;r4为[0,1]内的随机数;r5r6为随机选择的个体编号;xminxmax为候选解搜索边界;w(·)为适应度函数。

    为验证AROA在解决复杂优化问题中的性能,本文选取遗传算法(Genetic Algorithm, GA)[19]、模拟退火−改进粒子群算法(Simulated Annealing-Improved Particle Swarm Optimization, SA−IPSO)[20]及单调盆地跳跃算法(Monotonic Basin Hopping, MBH)[21]作为对比算法,开展性能评估。以Ackley函数为仿真目标函数(该函数为典型的多峰函数,具有多个局部极小值,且全局最优解为0),从收敛速度、全局搜索能力、解的稳定性及避开局部最优解的能力等方面,对AROA进行评估。GA是一种成熟的全局优化算法,具有较强的全局搜索能力,已经被学者广泛应用于处理复杂优化问题。SA−IPSO结合了模拟退火和入侵性杂草优化的优点,在平衡局部和全局搜索方面具有独特优势,特别是在复杂约束和多峰问题中表现出较好的性能。MBH则受仿生学启发,模拟蛾子接近光源的行为,展现了强大的全局优化能力和较好的收敛性。4种算法的种群规模均为30,为消除算法随机特性的影响,各算法对每个函数的测试均运行50次,以其平均值作为优化结果,迭代次数为1 000。4种算法求解得到的平均最优解曲线、算法收敛曲线、算法执行时间和最优解分布分别如图2图5所示。

    图  2  平均最优解曲线
    Figure  2.  Average optimal solution curves
    图  3  算法收敛曲线
    Figure  3.  Algorithm convergence curves

    图2可看出,AROA在约410次迭代后达到稳定,显著早于MBH算法的480次。AROA在收敛速度与稳定性上显著优于其余3种算法,表现出更高的收敛效率与更小的解波动。由图3可看出,AROA仅需约50次迭代就能完成函数求解,并在410次迭代后趋于稳定;相比之下,MBH大约需100次迭代才能完成函数求解,并在580次迭代后进入稳定状态;SA−IPSO虽在约100次迭代可完成求解,但其后期一直存在波动,在800次迭代后趋于稳定;而GA在此次求解中未能找到最优解。由此可见,AROA不仅收敛速度更快,而且在收敛后展现出更高的稳定性。由图4可看出,AROA的运行时间为0.25 s,虽然AROA运行时间略高于MBH,但其最优解分布更集中,寻优稳定性更强,提升了全局收敛概率。由图5可看出,AROA每次运算所得的解更接近全局最优解,且分布更为集中,体现出更强的寻优精度与收敛效果。

    图  4  算法执行时间
    Figure  4.  Algorithm execution time
    图  5  最优解分布
    Figure  5.  Optimal solution distribution

    为验证基于AROA的精准控风方法的可行性,利用辽宁工程技术大学IMVS软件构建矿井通风系统仿真模型进行实例分析。矿井通风网络拓扑结构如图6所示,基本参数见表1

    图  6  矿井通风网络拓扑结构
    Figure  6.  Mine ventilation network topology
    表  1  矿井通风网络基本参数
    Table  1.  Basic parameters of mine ventilation network
    分支编号 始节点 末节点 风阻/
    (kg·m−7
    风量/
    (m3∙s−1
    风窗面积/m2 是否可调节
    e1 5 6 0.13 16 1.37
    e5 16 17 0.11 100
    e6 7 8 0.13 80
    e14 9 16 0.14 25 1.5
    e15 13 14 0.08 8 0.68
    e16 12 15 0.09 3 0.23
    e22 4 6 0.02 19.28 1.45
    e23 3 7 1.81 12.72 1.03
    下载: 导出CSV 
    | 显示表格

    图6中,分支e1,e5,e6,e14,e15,e16,e22,e23具有可调节性;分支e1为备用面,需风量为16 m3/s;分支e2,e3,e4为3个工作面分支,需风量为32 m3/s。

    可调节分支的风量和风压调节范围确定后,利用AROA分别对这些可调节分支进行精准控风。设置AROA适应度函数评估次数为30 000次;GA种群规模为50,交叉概率为0.7,变异概率为0.3;SA−IPSO种群规模为50,学习因子为1.78,波动周期为120,最大惯性权值为0.8,最小惯性权值为0.4,最大限制速度为2,初始违反约束公差为0.25,0.50,0.75,约束公差最大迭代次数为250,违反约束的粒子数为65,演化系数为−0.6,温度退火参数为0.9,开始温度为1 000 ℃;MBH最大外部循环次数为3,最大内部循环次数为5。4种算法都进行1 000次迭代,利用Python进行编程求解,可调节巷道精准分风,结果见表2,解算得到的通风机功率及节能率见表3,左右翼通风机功率变化趋势分别如图7图8所示。

    表  2  巷道精准分风方案结果统计
    Table  2.  Statistics of precision wind allocation scheme for roadways
    分支编号 GA算法 SA−IPSO算法 MBH算法 AROA算法
    风量/
    (m3∙s−1
    调节
    阻力/Pa
    风窗
    面积/m2
    风量/
    (m3∙s−1
    调节
    阻力/Pa
    风窗
    面积/m2
    风量/
    (m3∙s−1
    调节
    阻力/Pa
    风窗
    面积/m2
    风量/
    (m3∙s−1
    调节
    阻力/Pa
    风窗
    面积/m2
    e1 16.00 169 1.49 16.00 169 1.49 16 169 1.39 16 169 1.49
    e14 20.00 349 1.30 12.00 385 0.74 8 396 0.49 6 400 0.36
    e15 8.00 198 0.69 8.00 169 1.49 8 198 0.69 8 198 0.69
    e16 3.00 296 0.21 3.00 296 0.21 3 296 0.21 3 296 0.21
    e22 11.48 209 0.96 4.41 211 0.37 2 211 0.17 2 211 0.17
    下载: 导出CSV 
    | 显示表格
    表  3  各算法运行效果比较
    Table  3.  Comparison of algorithm performance
    算法 左翼通风 右翼通风机 节能率/%
    功率/kW 风量/(m3·s−1 风压/Pa 功率/kW 风量/(m3·s−1 风压/Pa
    GA 131.72 75 1405 188.22 95 1585
    SA−IPSO 114.07 67 1362 167.21 87 1532 13.05
    MBH 103.70 62 1338 154.21 83 1490 5.17
    AROA 97.95 60 1306 146.62 81 1457 23.56
    下载: 导出CSV 
    | 显示表格
    图  7  左翼通风机功率曲线
    Figure  7.  Left wing ventilator power curves
    图  8  右翼通风机功率曲线
    Figure  8.  Right wing ventilator power curves

    表2可看出,4种算法通过调节巷道设施阻力、改变风窗面积,在满足需风量的同时减少通风机输出风量,从而降低通风机功率,达到节能的目的。从表3可看出,算法降低功耗的能力为AROA>SA−IPSO>MBH>GA,AROA的节能率较GA,SA−IPSO,MBH分别提高了23.56%,13.05%,5.17%。左翼通风机功率从131.72 kW降至97.95 kW,降幅25.6%;右翼通风机功率从188.22 kW降至146.62 kW,降幅达22.1%。

    图7图8可看出,AROA在进行精准分风方案决策时能够更早地达到最优解,并且扰动更小。

    为了验证基于AROA的精准控风算法在实际应用中的可行性,以山西兰花煤炭实业集团有限公司唐安煤矿为例进行实例分析。以煤矿井下通风网络拓扑结构为参照并进行适当的简化处理,得到通风网络拓扑结构如图9所示。调节参数见表4,分支e24,e98为备用面,需风量为15 m3/s。分支e35,e41为工作面,需风量为25 m3/s。

    图  9  唐安煤矿通风网络拓扑结构
    Figure  9.  Topology of the ventilation network of Tang'an Coal Mine
    表  4  唐安煤矿通风网络调节参数
    Table  4.  Adjustment parameters for the ventilation network of Tang'an Coal Mine
    分支编号 始节点 末节点 风阻/
    (kg·m−7
    风量/
    (m3∙s−1
    风窗面积/m2 是否可调节
    e7 6 7 0.75 19.88 3.05
    e8 7 8 0.04 3.76 0.15
    e22 25 50 0.01 1.77 0.06
    e30 59 14 0.64 21.88 0.86
    e40 24 21 0.30 10.40 1.53
    e46 31 21 0.01 0.20 0.03
    e49 32 10 0.08 5.91 0.37
    e51 33 50 0.20 5.09 0.15
    e59 40 41 0.04 3.34 0.22
    e62 35 41 0.01 0.27 0.05
    e66 44 45 0.58 21.16 1.80
    e68 30 81 0.01 0.20 0.02
    e69 81 13 0.28 14.00 0.52
    e70 29 59 0.01 0.20 0.01
    e83 47 48 0.01 1.69 1.36
    e85 77 78 0.01 1.71 0.23
    e86 78 74 0.06 5.01 0.18
    e88 79 80 0.04 3.68 0.13
    e95 75 73 0.01 0.20 0.04
    e97 61 66 0.94 8.37 1.17
    e108 66 65 0.03 2.20 0.41
    e112 52 51 0.28 8.71 2.33
    e115 65 72 2.78 18.57 0.60
    e117 69 70 0.06 4.31 0.15
    e118 68 71 0.25 6.68 0.23
    e121 72 73 2.34 15.40 0.54
    e124 34 42 0.01 0.20 0.01
    e127 85 30.83 188.35
    下载: 导出CSV 
    | 显示表格

    使用基于AROA的精准控风方法进行计算得到精准分风方案,见表5。可看出基于AROA的精准控风方法通过调节通风设施所在的巷道,在满足最低风量要求的前提下,实现了显著的节能效果。优化后的通风机风量为167.30 m³/s,较调节前的188.35 m³/s降低了11.2%;同时,通风机风压从2 286.54 Pa降至2 045.04 Pa,降幅达10.1%;功率从538.33 kW降至426.89 kW,降低了20.7%。这一结果表明,该算法有效降低了矿井的通风能耗。

    表  5  唐安煤矿精准分风方案结果统计
    Table  5.  Statistics of precision wind allocation scheme for Tang’an Coal Mine
    分支
    编号
    风量/
    (m3∙s−1
    调节阻
    力/Pa
    风窗面
    积/m2
    分支
    编号
    风量/
    (m3∙s−1
    调节阻
    力/Pa
    风窗面
    积/m2
    e7 2.85 302 0.19 e83 2.27 4 1.22
    e8 4.72 699 0.21 e85 13.42 26 2.08
    e22 0.62 1367 0.02 e86 14.58 1076 0.52
    e30 18.03 928 0.68 e88 2.40 1111 0.09
    e40 8.32 41 1.46 e95 3.75 289 0.26
    e46 2.7 69 0.38 e97 3.69 1513 0.11
    e49 2.34 507 0.12 e108 1.56 34 0.31
    e51 2.95 1332 0.10 e112 3.23 15 0.95
    e59 2.70 459 0.15 e115 16.56 1353 0.51
    e62 3.75 444 0.21 e117 3.51 1362 0.11
    e66 e118 1.74 1360 0.06
    e68 2.22 192 0.19 e121 7.30 1073 0.26
    e69 15.70 944 0.59 e124 2.70 992 0.11
    e70 2.25 208 0.18 e127 167.30
    下载: 导出CSV 
    | 显示表格

    1) 基于精准分风思想,经变量筛选,将27条分支压缩至8条,计算量减少约70%,显著降低了计算复杂度。

    2) AROA通过三阶段动态优化策略实现全局寻优。在Ackley函数测试中,该算法平均收敛迭代次数仅为412,较GA减少了40%;最优解标准差为0.17,较MBH降低了62%;解分布范围缩至0.25,较MBH减少了75%。尽管运行时间略长于MBH,但AROA在收敛效率、稳定性及解集中程度上均展现出显著优势,综合性能优于对比算法。

    3) 基于AROA的精准分风方案在实例分析中取得显著节能效果:左翼通风机功率从131.72 kW降至97.95 kW,降幅达25.6%;右翼通风机功率从188.22 kW降至146.62 kW,降幅达22.1%;总节能率达23.56%。其中e14风窗面积由1.50 m²调节至0.36 m²,调节幅度达76%,效果尤为显著。

    4) 以唐安煤矿为例,采用基于AROA的精准分风方案,使通风机风压降低了10.1%,通风机风量降低了11.2%,功率降低了20.7%,有效降低了通风能耗。

  • 图  1   井下精确定位系统架构

    Figure  1.   Architecture of underground precise positioning system

    图  2   智能矿山信息基础设施架构

    Figure  2.   Architecture of intelligent mine information infrastructure

    图  3   采煤工作面自动控制系统架构

    Figure  3.   Architecture of coal working face automatic control system

    图  4   基于地质模型的掘进机截割模板规划

    Figure  4.   Cutting template planning of roadheader based on geological model

    图  5   永磁同步变频调速一体式电动滚筒系统

    Figure  5.   Permanent magnet synchronous variable frequency speed regulation integrated electric roller system

    图  6   矿山物联网系统体系架构

    Figure  6.   Architecture of mine Internet of things system

    图  7   矿井泛在感知无线自组网系统

    Figure  7.   Mine ubiquitous perception wireless ad hoc network system

    图  8   智能矿山综合管控体系架构

    Figure  8.   Architecture of intelligent mine comprehensive control system

  • [1] 王国法,刘合,王丹丹,等. 新形势下我国能源高质量发展与能源安全[J]. 中国科学院院刊,2023,38(1):23-37.

    WANG Guofa,LIU He,WANG Dandan,et al. High-quality energy development and energy security under the new situation for China[J]. Bulletin of Chinese Academy of Sciences,2023,38(1):23-37.

    [2] 王国法,李世军,张金虎,等. 筑牢煤炭产业安全 奠定能源安全基石[J]. 中国煤炭,2022,48(7):1-9.

    WANG Guofa,LI Shijun,ZHANG Jinhu,et al. Ensuring the safety of coal industry to lay the cornerstone of energy security[J]. China Coal,2022,48(7):1-9.

    [3] 康红普,王国法,王双明,等. 煤炭行业高质量发展研究[J]. 中国工程科学,2021,23(5):130-138.

    KANG Hongpu,WANG Guofa,WANG Shuangming,et al. High-quality development of China's coal industry[J]. Strategic Study of CAE,2021,23(5):130-138.

    [4] 康红普. 新时代煤炭工业高质量发展的战略思考[N]. 中国煤炭报, 2021-07-27(4).

    KANG Hongpu. Strategic thinking on high-quality development of coal industry in new era[N]. China Coal News, 2021-07-27(4).

    [5] 刘峰. 对煤矿智能化发展的认识和思考[J]. 中国煤炭工业,2020(8):5-9.

    LIU Feng. Understanding and thinking on the development of intelligent development of coal mines[J]. China Coal Industry,2020(8):5-9.

    [6] 王国法. 加快煤矿智能化建设 推进煤炭行业高质量发展[J]. 中国煤炭,2021,47(1):2-10.

    WANG Guofa. Speeding up intelligent construction of coal mine and promoting high-quality development of coal industry[J]. China Coal,2021,47(1):2-10.

    [7] 丁恩杰,俞啸,夏冰,等. 矿山信息化发展及以数字孪生为核心的智慧矿山关键技术[J]. 煤炭学报,2022,47(1):564-578.

    DING Enjie,YU Xiao,XIA Bing,et al. Development of mine informatization and key technologies of intelligent mines[J]. Journal of China Coal Society,2022,47(1):564-578.

    [8] 丁恩杰,廖玉波,张雷,等. 煤矿信息化建设回顾与展望[J]. 工矿自动化,2020,46(7):5-11.

    DING Enjie,LIAO Yubo,ZHANG Lei,et al. Review and prospect of coal mine informatization construction[J]. Industry and Mine Automation,2020,46(7):5-11.

    [9] 孙继平. 煤矿信息化与自动化发展趋势[J]. 工矿自动化,2015,41(4):1-5.

    SUN Jiping. Development trend of coal mine informatization and automation[J]. Industry and Mine Automation,2015,41(4):1-5.

    [10] 张申. 煤矿自动化发展趋势[J]. 工矿自动化,2013,39(2):27-33.

    ZHANG Shen. Development of coal mine automation[J]. Industry and Mine Automation,2013,39(2):27-33.

    [11] 孙继平. 煤矿自动化与信息化技术回顾与展望[J]. 工矿自动化,2010,36(6):26-30.

    SUN Jiping. Review and prospect of technologies of automation and informatization of coal mine[J]. Industry and Mine Automation,2010,36(6):26-30.

    [12] 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.

    WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1-27.

    [13] 王国法,刘峰,庞义辉,等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357.

    WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357.

    [14] 徐瑛. 《工矿自动化》杂志“科研成果”栏目的业绩和影响力分析[J]. 科技创新导报,2012(36):232-233.

    XU Ying. Analysis on the performance and influence of "Scientific Research achievements" column of "Industry and Mine Automation" magazine[J]. Science and Technology Innovation Herald,2012(36):232-233.

    [15] 田大兵. 多网合一信息集成系统在煤矿应用的设想[J]. 工矿自动化,2012,38(9):91-93.

    TIAN Dabing. Application idea of information integration system with multi-network in coal mine[J]. Industry and Mine Automation,2012,38(9):91-93.

    [16] 姜秀柱. 基于EPA的煤矿工业以太网实时调度算法研究[D]. 徐州: 中国矿业大学, 2011.

    JIANG Xiuzhu. Research on Ethernet real-time scheduling algorithm for coal mine industry based on EPA[D]. Xuzhou: China University of Mining and Technology, 2011.

    [17] 顾义东,孟玮. 煤矿5G无线通信系统建设构想[J]. 工矿自动化,2021,47(10):1-6,13.

    GU Yidong,MENG Wei. Coal mine 5G wireless communication system construction concept[J]. Industry and Mine Automation,2021,47(10):1-6,13.

    [18] 霍振龙,张袁浩. 5G通信技术及其在煤矿的应用构想[J]. 工矿自动化,2020,46(3):1-5.

    HUO Zhenlong,ZHANG Yuanhao. 5G communication technology and its application conception in coal mine[J]. Industry and Mine Automation,2020,46(3):1-5.

    [19] 霍振龙. 矿井定位技术现状和发展趋势[J]. 工矿自动化,2018,44(2):51-55.

    HUO Zhenlong. Status and development trend of mine positioning technology[J]. Industry and Mine Automation,2018,44(2):51-55.

    [20] 包建军,霍振龙,徐炜,等. 一种高精度井下人员无线定位方法[J]. 工矿自动化,2009,35(10):18-21.

    BAO Jianjun,HUO Zhenlong,XU Wei,et al. A wireless location method with high precision for underground personnel tracking[J]. Industry and Mine Automation,2009,35(10):18-21.

    [21] 张长森,董鹏永,徐景涛. 基于ZigBee技术的矿井人员定位系统的设计[J]. 工矿自动化,2008,34(2):48-50.

    ZHANG Changsen,DONG Pengyong,XU Jingtao. Design of personnel position system of mine based on ZigBee technology[J]. Industry and Mine Automation,2008,34(2):48-50.

    [22] 陈康,王军,包建军,等. 基于消息复用的TOF井下精确定位技术[J]. 工矿自动化,2019,45(2):1-5.

    CHEN Kang,WANG Jun,BAO Jianjun,et al. TOF underground accurate positioning technology based on message multiplexing[J]. Industry and Mine Automation,2019,45(2):1-5.

    [23] 张建明,曹文君,王景阳,等. 智能化煤矿信息基础设施标准体系研究[J]. 中国煤炭,2021,47(11):1-6.

    ZHANG Jianming,CAO Wenjun,WANG Jingyang,et al. Research on information infrastructure standard system for intelligent coal mine[J]. China Coal,2021,47(11):1-6.

    [24] 黄曾华,王峰,张守祥. 智能化采煤系统架构及关键技术研究[J]. 煤炭学报,2020,45(6):1959-1972.

    HUANG Zenghua,WANG Feng,ZHANG Shouxiang. Research on the architecture and key technologies of intelligent coal mining system[J]. Journal of China Coal Society,2020,45(6):1959-1972.

    [25] 王国法,张良,李首滨,等. 煤矿无人化智能开采系统理论与技术研发进展[J]. 煤炭学报,2023,48(1):34-53.

    WANG Guofa,ZHANG Liang,LI Shoubin,et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society,2023,48(1):34-53.

    [26] 张守祥,张学亮,刘帅,等. 智能化放顶煤开采的精确放煤控制技术[J]. 煤炭学报,2020,45(6):2008-2020.

    ZHANG Shouxiang,ZHANG Xueliang,LIU Shuai,et al. Intelligent precise control technology of fully mechanized top coal caving face[J]. Journal of China Coal Society,2020,45(6):2008-2020.

    [27] 张旭辉,杨文娟,薛旭升,等. 煤矿远程智能掘进面临的挑战与研究进展[J]. 煤炭学报,2022,47(1):579-597.

    ZHANG Xuhui,YANG Wenjuan,XUE Xusheng,et al. Challenges and developing of the intelligent remote control on roadheaders in coal mine[J]. Journal of China Coal Society,2022,47(1):579-597.

    [28] 康红普,姜鹏飞,高富强,等. 掘进工作面围岩稳定性分析及快速成巷技术途径[J]. 煤炭学报,2021,46(7):2023-2045.

    KANG Hongpu,JIANG Pengfei,GAO Fuqiang,et al. Analysis on stability of rock surrounding heading faces and technical approaches for rapid heading[J]. Journal of China Coal Society,2021,46(7):2023-2045.

    [29] 杨小林,葛世荣,祖洪斌,等. 带式输送机永磁智能驱动系统及其控制策略[J]. 煤炭学报,2020,45(6):2116-2126.

    YANG Xiaolin,GE Shirong,ZU Hongbin,et al. Permanent magnet intelligent drive system and control strategy of belt conveyor[J]. Journal of China Coal Society,2020,45(6):2116-2126.

    [30] 葛世荣,胡而已,李允旺. 煤矿机器人技术新进展及新方向[J]. 煤炭学报,2023,48(1):54-73.

    GE Shirong,HU Eryi,LI Yunwang. New progress and direction of robot technology in coal mine[J]. Journal of China Coal Society,2023,48(1):54-73.

    [31] 闫敬旺,王树斌,陈万胜,等. 柠条塔煤矿机器人集群关键技术与应用[J]. 智能矿山,2023,4(2):45-49.

    YAN Jingwang,WANG Shubin,CHEN Wansheng,et al. Key technology and application of robot cluster in Ningtiaota Coal Mine[J]. Journal of Intelligent Mine,2023,4(2):45-49.

    [32] 张应华,王长丰,田同体. 基于工业以太网的煤矿综合自动化系统设计[J]. 煤矿机械,2013,34(1):256-258.

    ZHANG Yinghua,WANG Changfeng,TIAN Tongti. Design on coal mine integrated automation system based on industry Ethernet[J]. Coal Mine Machinery,2013,34(1):256-258.

    [33] 李小四,马建民,王莹莹. 智慧矿山建设的演进及发展趋势[J]. 工矿自动化,2019,45(9):65-69.

    LI Xiaosi,MA Jianmin,WANG Yingying. Evolution of smart mine construction and its development tendency[J]. Industry and Mine Automation,2019,45(9):65-69.

    [34] 张申,张滔. 论矿山物联网的结构性平台与服务性平台[J]. 工矿自动化,2013,39(1):34-38.

    ZHANG Shen,ZHANG Tao. Discussion of structured platform and service platform of mine Internet of things[J]. Industry and Mine Automation,2013,39(1):34-38.

    [35] 丁恩杰,赵志凯. 煤矿物联网研究现状及发展趋势[J]. 工矿自动化,2015,41(5):1-5.

    DING Enjie,ZHAO Zhikai. Research advances and prospects of mine Internet of things[J]. Industry and Mine Automation,2015,41(5):1-5.

    [36] 吕鹏飞,何敏,陈晓晶,等. 智慧矿山发展与展望[J]. 工矿自动化,2018,44(9):84-88.

    LYU Pengfei,HE Min,CHEN Xiaojing,et al. Development and prospect of wisdom mine[J]. Industry and Mine Automation,2018,44(9):84-88.

    [37] 毛善君. “高科技煤矿”信息化建设的战略思考及关键技术[J]. 煤炭学报,2014,39(8):1572-1583.

    MAO Shanjun. Strategic thinking and key technology of informatization construction of high-tech coal mine[J]. Journal of China Coal Society,2014,39(8):1572-1583.

    [38] 韩安,陈晓晶,贺耀宜,等. 智能矿山综合管控平台建设构思[J]. 工矿自动化,2021,47(8):7-14.

    HAN An,CHEN Xiaojing,HE Yaoyi,et al. Construction conception of intelligent mine integrated management and control platform[J]. Industry and Mine Automation,2021,47(8):7-14.

    [39] 陈晓晶,何敏. 智慧矿山建设架构体系及其关键技术[J]. 煤炭科学技术,2018,46(2):208-212,236.

    CHEN Xiaojing,HE Min. Framework system and key technology of intelligent mine construction[J]. Coal Science and Technology,2018,46(2):208-212,236.

    [40] 王国法,王虹,任怀伟,等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报,2018,43(2):295-305.

    WANG Guofa,WANG Hong,REN Huaiwei,et al. 2025 scenarios and development path of intelligent coal mine[J]. Journal of China Coal Society,2018,43(2):295-305.

    [41] 王国法,徐亚军,张金虎,等. 煤矿智能化开采新进展[J]. 煤炭科学技术,2021,49(1):1-10.

    WANG Guofa,XU Yajun,ZHANG Jinhu,et al. New development of intelligent mining in coal mines[J]. Coal Science and Technology,2021,49(1):1-10.

    [42] 霍中刚,武先利. 互联网+智慧矿山发展方向[J]. 煤炭科学技术,2016,44(7):28-33,63.

    HUO Zhonggang,WU Xianli. Development tendency of Internet plus intelligent mine[J]. Coal Science and Technology,2016,44(7):28-33,63.

    [43] 王国法,庞义辉,任怀伟,等. 矿山智能化建设的挑战与思考[J]. 智能矿山,2022,3(10):2-15.

    WANG Guofa,PANG Yihui,REN Huaiwei,et al. The challenge and thinking of mine intelligence construction[J]. Journal of Intelligent Mine,2022,3(10):2-15.

    [44] 王国法,任怀伟,赵国瑞,等. 煤矿智能化十大“痛点”解析及对策[J]. 工矿自动化,2021,47(6):1-11.

    WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Analysis and countermeasures of ten 'pain points' of intelligent coal mine[J]. Industry and Mine Automation,2021,47(6):1-11.

    [45] 毛善君,杨乃时,高彦清,等. 煤矿分布式协同“一张图”系统的设计和关键技术[J]. 煤炭学报,2018,43(1):280-286.

    MAO Shanjun,YANG Naishi,GAO Yanqing,et al. Design and key technology research of coal mine distributed cooperative 'one map' system[J]. Journal of China Coal Society,2018,43(1):280-286.

    [46] 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.

    [47] 王国法,任怀伟,赵国瑞,等. 智能化煤矿数据模型及复杂巨系统耦合技术体系[J]. 煤炭学报,2022,47(1):61-74.

    WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Digital model and giant system coupling technology system of smart coal mine[J]. Journal of China Coal Society,2022,47(1):61-74.

    [48] 邢震,韩安,陈晓晶,等. 基于工业互联网的智能矿山灾害数字孪生研究[J]. 工矿自动化,2023,49(2):23-30,55.

    XING Zhen,HAN An,CHEN Xiaojing,et al. Research on intelligent mine disaster digital twin based on industrial Internet[J]. Journal of Mine Automation,2023,49(2):23-30,55.

    [49] 王国法,赵路正,庞义辉,等. 煤炭智能柔性开发供给体系模型与技术架构[J]. 煤炭科学技术,2021,49(12):1-10.

    WANG Guofa,ZHAO Luzheng,PANG Yihui,et al. Model and technical framework of smart flexible coal development-supply system[J]. Coal Science and Technology,2021,49(12):1-10.

  • 期刊类型引用(40)

    1. 王立涛,邱黎明,韦梦菡,宋大钊,苟仁涛,刘琳,钟时强,谢天逸. 基于DBO-VMD滤波的煤岩爆破电磁信号时-频特征. 工程科学学报. 2025(03): 441-453 . 百度学术
    2. 孙康,刘强,邱黎明,李振雷,王超杰,孙谦,刘海瑞,王立涛. 煤样受载破坏电阻率-应力-损伤耦合规律及机制研究. 工矿自动化. 2025(02): 155-162 . 本站查看
    3. 何志龙,孙谦,宋大钊. 安顺煤矿煤岩电磁辐射测试技术研究. 山东煤炭科技. 2024(02): 103-108 . 百度学术
    4. 杨科,范超尘,刘静波,吴劲松,池小楼,张杰. 极复杂条件煤层智能化开采安全保障体系及关键技术. 矿业研究与开发. 2024(03): 164-170 . 百度学术
    5. 郭明功,李延河,宋大钊,杨港,邱黎明,杨乘. 深部极近距离煤层群开采底抽巷层位布置研究. 煤矿安全. 2024(03): 155-165 . 百度学术
    6. 宋大钊,童永军,邱黎明,韦梦菡,王满,郭明功. 花岗岩劈裂破坏电磁-震动有效信号重构与混沌特征. 煤炭学报. 2024(03): 1375-1387 . 百度学术
    7. 王峰,刘强,邱黎明,刘勇,徐九洲,郭明功,马涛,张国雷. 不同变异系数煤层应力场与瓦斯场规律的数值模拟研究. 西安科技大学学报. 2024(02): 268-278 . 百度学术
    8. 李宇杰,刘小鹏. 煤矿开采瓦斯突出致灾机制与治理技术研究进展. 采矿技术. 2024(06): 159-166 . 百度学术
    9. 张志刚,张庆华,刘军. 我国煤与瓦斯突出及复合动力灾害预警系统研究进展及展望. 煤炭学报. 2024(S2): 911-923 . 百度学术
    10. 郭欢欢,邱黎明,刘强,杨乘. 薄煤层开采覆岩“三带”可视化探测方法研究. 煤矿安全. 2023(08): 73-80 . 百度学术
    11. 梁运培,郑梦浩,李全贵,毛树人,栗小雨,李建波,周俊江. 我国煤与瓦斯突出预测与预警研究现状. 煤炭学报. 2023(08): 2976-2994 . 百度学术
    12. 陈强,刘祥洁,廖石宝. 基于GA-BP的煤矿瓦斯监控系统“大数干扰”信号辨识. 机电工程技术. 2023(12): 204-206+272 . 百度学术
    13. 张楠,徐九洲,邱黎明. 突出薄煤层中间巷掩护掘进消突技术研究. 工矿自动化. 2022(03): 40-46 . 本站查看
    14. 郭欢欢,胡家喻,邱黎明. 突出煤层孤岛工作面多场演化规律及瓦斯灾害防治技术. 西安科技大学学报. 2022(02): 227-236 . 百度学术
    15. 戚昱. 基于物联网的瓦斯突出预警监测系统设计. 煤炭技术. 2022(05): 226-228 . 百度学术
    16. 田茂林. 矿用激光甲烷传感器的设计及应用研究. 内蒙古石油化工. 2022(04): 20-22 . 百度学术
    17. 程肖禾,宋大钊,邱黎明,王洪磊,王安虎. 含气体突出煤岩纵波波速与应力耦合关系研究. 煤矿安全. 2021(01): 36-41 . 百度学术
    18. 胡旭东,郝建新. 塔山煤矿上覆煤层遗留煤柱水力致裂卸压技术应用实践. 山东煤炭科技. 2021(01): 161-164 . 百度学术
    19. 李杰,邱黎明,殷山,刘洋,童永军. 煤岩膨胀破裂应变及声发射特征实验研究. 工矿自动化. 2021(02): 63-69+74 . 本站查看
    20. 袁亮. 煤矿典型动力灾害风险判识及监控预警技术“十三五”研究进展. 矿业科学学报. 2021(01): 1-8 . 百度学术
    21. 衡献伟,李青松,付金磊,左金芳. 贵州煤炭工业科技创新进展及“十四五”时期发展方向. 中国煤炭. 2021(05): 13-19 . 百度学术
    22. 宋大钊,何学秋,邱黎明,赵英杰,程肖禾,王安虎. 区域和局部突出危险性动态实时监测预警技术研究. 煤炭科学技术. 2021(05): 110-119 . 百度学术
    23. 刘强,邱黎明,祖自银,罗卫东,韦善阳,程肖禾,殷山. 含裂隙煤样受载破坏过程视电阻分布特征. 西安科技大学学报. 2021(04): 731-738 . 百度学术
    24. 郭海峰,宋大钊,何学秋,娄全,邱黎明. 冲击倾向性煤不同损伤程度声发射分形特征研究. 煤炭科学技术. 2021(09): 38-46 . 百度学术
    25. 刘彦武. 基于智能通风的火灾和瓦斯突出灾变管控系统探讨. 山西焦煤科技. 2021(08): 47-52 . 百度学术
    26. 肖钰哲,邱黎明,田向辉,周超,刘洋. 煤受载破坏声电信号波形持续时间特征研究. 煤矿安全. 2021(11): 63-68 . 百度学术
    27. 陈凯,戴英健,张丽娟,李小龙. 基于煤与瓦斯突出声电实时监测预警系统的应用研究. 科技视界. 2021(34): 159-161 . 百度学术
    28. 唐巨鹏,任凌冉,潘一山,孙胜杰. 深部煤与瓦斯突出孕育全过程声发射前兆信号变化规律研究. 实验力学. 2021(06): 827-837 . 百度学术
    29. 刘明,曹民远,吴玉海,李波. 屯宝煤矿逆断层破碎带巷道变形控制研究. 工矿自动化. 2020(04): 98-103 . 本站查看
    30. 王伟象,宋大钊,何学秋,邱黎明,娄全,郭海峰. 煤微表面形貌和电势特征及其对电磁辐射的影响. 西安科技大学学报. 2020(03): 424-433 . 百度学术
    31. 刘洋,邱黎明,娄全,韦梦菡,殷山,李鹏鹏,程肖禾. 岩石受载破坏过程声电信号时频特征研究. 工矿自动化. 2020(06): 87-91 . 本站查看
    32. 宁小亮. 基于多源信息融合的煤与瓦斯突出动态预警模型. 矿业安全与环保. 2020(03): 1-5+16 . 百度学术
    33. 宁小亮. 基于大数据的煤与瓦斯突出预警技术. 矿业安全与环保. 2020(04): 51-56 . 百度学术
    34. 刘明,曹民远,李波. 综放工作面煤柱周围应力分布特征研究. 工矿自动化. 2020(10): 104-108+113 . 本站查看
    35. 王恩元,李忠辉,李德行,刘晓斐,李金铎. 电磁辐射监测技术装备在煤与瓦斯突出监测预警中的应用. 煤矿安全. 2020(10): 46-51 . 百度学术
    36. 曹康,李忠辉,余得胜,周明,张酉年,夏善奎. 掘进工作面煤与瓦斯突出前兆特征及综合预警研究. 煤炭科学技术. 2020(11): 147-152 . 百度学术
    37. 张庆华,马国龙. 我国煤矿重大灾害预警技术现状及智能化发展展望. 智能矿山. 2020(01): 52-62 . 百度学术
    38. 王璐. 煤矿安全监控系统中无线激光甲烷传感器的研究与设计. 煤炭技术. 2019(08): 154-158 . 百度学术
    39. 宁小亮. 煤与瓦斯突出预警技术研究现状及发展趋势. 工矿自动化. 2019(08): 25-31+37 . 本站查看
    40. 徐剑坤,习丹阳,余鑫. 煤单轴破坏同步声电场响应规律试验研究. 煤矿安全. 2019(10): 54-57 . 百度学术

    其他类型引用(13)

图(8)
计量
  • 文章访问数:  1816
  • HTML全文浏览量:  132
  • PDF下载量:  215
  • 被引次数: 53
出版历程
  • 收稿日期:  2023-05-24
  • 修回日期:  2023-06-09
  • 网络出版日期:  2023-06-18
  • 刊出日期:  2023-06-24

目录

/

返回文章
返回