Research progress on intelligent coal caving theory and technology
-
摘要: 综放开采技术是厚及特厚煤层开采的有效方法，已成为我国在世界煤炭开采行业的标志性技术。综述了“四要素”放煤理论、顶煤采出率与含矸率关系、基于块度分布的采出率预测模型、煤流瞬时含矸率−累计含矸率关系等智能放煤理论研究进展。分析了智能放煤技术难点，指出含矸率是影响顶煤采出率和煤质的关键因素，放煤过程中含矸率的快速、准确计算是智能放煤技术突破的重点和关键。将智能放煤技术分为非图像识别智能放煤技术和图像识别智能放煤技术2类，对不同技术的研究进展、优缺点及使用条件进行了详细分析。非图像识别智能放煤技术包括记忆放煤技术、声音振动信号识别技术、γ射线探测技术、探地雷达技术、微波照射+红外探测技术、激光扫描放煤量监测技术等，图像识别智能放煤技术包括井下照度环境精准控制、放煤图像去尘算法、含矸率计算精度保障策略、煤岩红外图像识别等。Abstract: The longwall top-coal caving technology is an effective method for extracting thick and ultra-thick coal seams, and it has become a hallmark technology in China's coal mining industry. This paper reviews the research progress on the "Four elements" coal caving theory, the relationship between the top coal recovery rate and the rock mixed ratio, a recovery rate prediction model based on block distribution, and the relationship between instantaneous rock mixed ratio and cumulative rock mixed ratio. The challenges of intelligent coal caving technology are analyzed, emphasizing that the rock mixed ratio is a key factor affecting the top coal recovery rate and coal quality. Rapid and accurate calculation of the rock mixed ratio during the coal caving process is crucial for breakthroughs in intelligent coal caving technology. This technology is categorized into two types: non-image recognition and image recognition. The research progress, advantages, disadvantages, and usage conditions of different technologies are discussed in detail. Non-image recognition intelligent coal caving technology includes memory coal caving technology, sound and vibration signal detection technology, γ-ray detection technology, ground penetrating radar technology, microwave irradiation combined with infrared detection technology, and laser scanning coal caving monitoring technology. Image-based intelligent coal caving technology encompasses precise control of underground illumination environment, dust removal algorithms for coal caving images, accuracy assurance strategies for rock mixed ratio calculations, and infrared image recognition of coal and rock.
-
0. 引言
带式输送机是现代化生产中一种连续运输设备，已被广泛应用于煤炭、港口、电力、矿山、冶金、化工等领域[1-2]。带式输送机主要由输送带、机架、托辊、滚筒、张紧装置、传动装置等组成，其中滚筒是带式输送机主要的传动部件，由于其长期工作在复杂、条件恶劣的环境中，负荷大、负载不平衡，经常产生筒体开焊、包胶破损、包胶脱落等故障，造成重大安全事故，为此需要对滚筒故障进行实时检测。
传统的带式输送机滚筒故障检测方法是靠检修人员通过观察滚筒表面状态主观判断滚筒故障，需要停机检测，不仅影响生产，而且检测效率低、准确性和安全性较差。近年来，随着信号处理技术与神经网络模型的快速发展，不少学者对滚筒故障检测进行了研究，并取得了一定进展。韩越[3]提出了基于小波降噪的集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）包络解调算法，利用小波软阈值法将掺杂的噪声去除后进行EEMD，将其中能量较大的本征模态函数（Intrinsic Mode Function，IMF）分量进行希尔伯特变换，得到包络后的 IMF分量进行频谱分析，从而提取滚筒的故障特征频率。但微弱的故障信号难以提取，准确率仍有一定的提升空间。李丹宁等[4]提出了基于模糊神经网络的滚筒实时故障预警方法，实时采集滚筒表面温度并进行模糊化处理，以降低成本。但仅通过温度检测可能会造成误检，准确率不高。张强[5]提出了一种基于音频小波包分解和卷积神经网络(Convolutional Neural Network，CNN)的滚筒故障检测方法，利用小波包分解算法将滚筒的音频数据分解为多个频段，利用CNN对各频带特征进行分类，自动提取滚筒的故障特征，提高了带式输送机滚筒故障诊断效率。但这种检测方法需要提取滚筒音频数据，由于工业现场环境复杂，具有一定难度。丁秀荣等[6]提出了一种基于热成像相机的滚筒检测方法，采用基于人工神经网络的深度学习模型进行目标检测和分割，实现滚筒故障检测。这种检测方法在检测精度上有所提升，但样本数据量较少，普适性不高。
针对上述问题，本文提出了一种基于改进YOLOv5s的带式输送机滚筒故障检测方法。首先，在YOLOv5s网络模型中增加小尺寸检测层，增强对小目标检测的学习能力。然后，在主干网络（Backbone）和颈部网络（Neck）间引入卷积注意力机制（Convolutional Block Attention Mechanism，CBAM），在通道维度和空间维度上进行特征优化，提高目标检测的准确率。最后，在Neck中引入高效通道注意力机制（Efficient Channel Attention Mechanism，ECA），在通道维度上关注重要信息，提升目标特征的提取能力。
1. YOLOv5s网络模型及其改进
1.1 YOLOv5s网络模型
YOLOv5s网络模型由输入端（Input）、Backbone、Neck和Head 4个部分组成[7-11]，如图1所示。
Input对数据集进行预处理，主要包括输入图像尺寸自适应调整、数据增强及自适应锚框的计算。Backbone对特征进行初步提取，输出有效特征层。采用CSPDarknet进行特征提取，主要包含Focus、SPP、CBS及CSP模块[12-13]。Neck进一步加强特征提取能力，采用特征金字塔结构（Feature Pyramid Networks，FPN）[14]和路径聚合网络（Path-Aggregation Network，PANet）[15]实现不同尺度特征信息的融合。Head是YOLOv5s的分类器与回归器，用于检测大小不同的目标。YOLOv5s网络模型由3个检测层组成，生成3个大小不同的特征向量预测图像特征，得到位置信息、类别信息和置信度。
1.2 改进YOLOv5s网络模型
改进的YOLOv5s网络模型如图2所示。首先，增加小尺寸检测层，由原来的3个检测层变为4个检测层，因此Head也由原来的3个检测头变为4个检测头，使尺寸较小的滚筒故障更易被检测到。然后，在Backbone和Neck间引入CBAM[16]，在通道维度和空间维度上进行特征优化，使滚筒故障特征更加明显，提高目标检测的准确率。最后，在Neck中引入ECA[17-19]，在通道维度上进一步优化，以增强对滚筒故障的特征提取能力。
1.2.1 小尺寸检测层增加
随着网络的加深，底层特征图经过多次卷积操作后，图像分辨率降低、目标信息模糊，导致小尺寸目标丢失，且滚筒故障的发生具有突发性和隐蔽性，微小故障在短时间内急剧扩大，造成安全事故。因此，在YOLOv5s网络模型中增加小尺寸检测层，由原来的3个检测层变为4个检测层，通过引入少量参数，减少底层特征信息的丢失，增强对小目标检测的学习能力。
1.2.2 Backbone和Neck间区域改进
YOLOv5s网络模型对于检测环境较复杂的目标仍具有局限性，容易导致误检和漏检问题，检测准确率下降。由于卷积操作通过融合通道和空间信息来提取特征，因此，在Backbone和Neck间引入CBAM，沿2个独立的维度即通道和空间维度依次学习特征，并进行自适应特征细化，强调或选择目标处理对象的重要信息，并且抑制无关的其他细节信息，从而起到提高模型检测精度的效果。
CBAM将通道和空间注意力机制进行结合。在通道维度上进行特征优化，获得特征图上需要重点关注的目标内容；在空间维度上进行特征优化，获得特征图上需要重点关注的目标位置。通道注意力机制是保持通道维度不变，压缩空间维度，先对输入的单个特征层分别进行全局平均池化和全局最大池化操作，经过共享全连接层后，将输出的2个特征图像进行加和操作，再经过Sigmoid激活，此时获得输入特征层每一个通道的权值，将得到的权值与原始的特征层相乘得到新的特征图。空间注意力机制是保持空间维度不变，压缩通道维度，将输入的特征图在每一个特征点的通道上取最大值和平均值，将最大值和平均值后的2个结果进行堆叠，经过一个卷积操作调整通道数，并经过Sigmoid激活，获得输入特征层每一个特征点的权值，将得到的权值与原始的特征层相乘得到新的特征图。
1.2.3 Neck区域改进
Neck区域需要更好地利用网络所提取的特征信息，但经过自上而下的特征提取和多次卷积操作后，造成许多重要信息丢失，导致模型的准确率下降。因此，在Neck区域引入ECA，在不改变输入特征图大小的情况下，对输入的特征图进行通道特征加强，提取通道间的依赖关系，进而提高模型的检测性能。
ECA属于通道注意力机制，相比于压缩和激励网络（Squeeze and Excitation Networks，SENet）注意力机制，ECA可以避免降维，去除了SENet的全连接层，直接在全局平均池化后的特征上进行一个一维卷积，高效实现局部跨通道交互。先对输入的特征图进行全局平均池化，使用适合的卷积核大小进行一维卷积操作后，将结果经过Sigmoid激活，得到的各个通道的权重与原始输入特征层相乘得到新的特征图。
2. 基于改进YOLOv5s的滚筒故障检测
2.1 数据集制作
工业现场中滚筒故障图像难以获得，而训练所需样本数据较多。因此，本文主要通过对实验室小型带式输送机的滚筒进行拍摄获取数据。数据集包括滚筒筒体开焊、包胶磨损和包胶脱落３种图像数据，通过手动拍摄、视频取帧、煤矿现场拍摄3种手段获得原始数据集。为了使模型具有更强的鲁棒性和泛化能力，防止过拟合，通过亮暗变换、颜色随机、水平翻转、角度旋转等对原始数据集进行扩增，得到19 522张滚筒图像，组成新的数据集。采用LabelImg软件进行标注，按8∶2比例划分训练集与验证集，按6∶2比例划分训练集与测试集，得到12 329张训练集图像，3 083张验证集图像，4 110张测试集图像。
2.2 模型训练
模型训练平台为Windows10 专业版操作系统、Intel(R) Core(TM) i7−7700 CPU @ 3.60 GHz处理器、NIVIDIA GeForce GTX 1080Ti、CUDA−10.2，使用Pytorch−1.2.0搭建深度学习框架。为提升模型收敛速度，在模型的训练过程中采用随机梯度下降法进行学习和更新模型参数，训练超参数见表1。
表 1 训练超参数Table 1. Training hyperparameterss训练超参数 值 初始学习率 0.01 学习率衰减 0.000 1 动量 0.973 批处理大小 32 训练批次 300 图像输入尺寸 416×416 2.3 滚筒故障检测
基于改进YOLOv5s的滚筒故障检测流程如图3所示。首先将工业相机采集到的滚筒图像通过图像变换的方式进行数据扩增，使用得到的新数据集训练网络模型，在训练开始前，需要按照合适的比例划分训练集、验证集与测试集。然后，为了达到更好的训练效果，需要载入YOLOv5s预训练模型，修改相关参数后开始训练，训练集与验证集的损失函数会随着迭代次数的增加而发生变化，当训练集与验证集的损失值重合并趋于稳定时，表示损失函数达到收敛状态，此时模型的训练效果较好。最后，通过测试集对模型进行性能评估，若平均准确率与平均准确率均值均得到提升，则满足改进需求，否则应修改网络参数重新进行训练。
![]()
图 3 基于改进YOLOv5s的滚筒故障检测流程Figure 3. Drum fault detection process based on improved YOLOv5s3. 改进YOLOv5s网络模型性能实验
3.1 消融实验
以 YOLOv5s网络模型作为基础模型，采用不同改进策略进行消融实验，结果见表2。
表 2 消融实验结果Table 2. Ablation experimental results改进策略 平均准确率均值/% 帧速率/（帧·s−1） 小尺寸检测层 CBAM ECA × × × 92.81 32.969 √ × × 93.76 26.366 × √ × 93.88 32.375 × × √ 93.87 31.238 √ √ √ 94.46 25.227 由表2可看出，在YOLOv5s网络模型中单独增加小尺寸检测层后，平均准确率均值达93.76%，较改进前提升了0.95%，这是由于增加小尺寸检测层后，底层信息丢失减少，模型对小目标检测的学习能力进一步提高，且帧速率达26.366帧/s，降低了6.603帧/s，这是由于增加了检测层后模型的参数量和计算量都随之增加，检测速度变慢；在YOLOv5s网络模型的Backbone和Neck间增加CBAM后，模型的平均准确率均值达93.88%，较改进前提升了1.07%，这是由于增加CBAM注意力机制可使网络更加关注待检测目标，在通道维度和空间维度上进行了特征优化，提高了目标检测的准确率，且帧速率达32.375帧/s；在YOLOv5s网络模型的Neck中增加ECA后，模型的平均准确率均值达93.87%，较改进前提升了1.06%，这是由于增加ECA后模型在通道维度上提升了目标特征的提取能力，检测性能进一步提高，且帧速率达31.238帧/s；在YOLOv5s网络模型中加入小尺寸检测层、CBAM和ECA后，改进YOLOv5s网络模型平均准确率均值达94.46%，较改进前提升了1.65%，且帧速率降至25.227帧/s，这是由改进网络模型后参数量增加所致，但仍满足实时检测的要求。
3.2 分类实验
YOLOv5s网络模型与本文改进YOLOv5s网络模型在滚筒开焊、包胶磨损和包胶脱落3种故障类别上的性能对比，实验结果见表3。
表 3 YOLOv5s网络模型改进前后性能对比Table 3. Performance comparison before and after YOLOv5s network model improvement模型 类别 平均
准确率/%平均
准确率均值/%参数量 YOLOv5s 滚筒开焊 93.73 92.81 7 066 239 包胶磨损 95.54 包胶脱落 89.15 改进YOLOv5s 滚筒开焊 95.29 94.46 7 210 354 包胶磨损 96.43 包胶脱落 91.65 由表3可看出，改进YOLOv5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%，96.43%，91.65%，较改进前分别提升1.56%，0.89%和2.50%，改进YOLOv5s网络模型的参数量整体上较改进前增加了2.04%，平均准确率均值达94.46%，较改进前增加了1.65%。
4. 带式输送机滚筒故障检测性能测试
4.1 带式输送机滚筒故障检测系统
将改进YOLOv5s网络模型应用到带式输送机滚筒故障检测中，利用嵌入式平台设计带式输送机滚筒故障检测系统。该系统由LED光源、工业相机、滚筒故障检测器、报警器和上位机等组成，如图4所示。该系统利用A5131MG75面阵工业相机采集滚筒图像，通过以太网接口传输给滚筒故障检测器，滚筒故障检测器利用改进YOLOv5s网络模型对滚筒图像进行处理、故障检测与分类，并通过以太网将检测结果传输给上位机，当滚筒发生故障时，启动报警器报警。
![]()
图 4 基于改进YOLOv5s的带式输送机滚筒故障检测系统架构Figure 4. Architecture of belt conveyor drum fault detection system based on improved YOLOv5s采用Jetson Nano[20-21]嵌入式开发板设计了滚筒故障检测器硬件，其由主处理器电路、USB接口电路、通用输入输出（General Purpose I/O，GPIO）接口电路、HDMI接口电路、以太网接口电路等组成，如图5所示。主处理器电路包含CPU和GPU，用于滚筒图像处理、故障检测与分类；USB接口电路是主处理器电路与鼠标和键盘间的接口电路，用于输入滚筒故障检测器设置命令；主处理器电路通过GPIO接口电路与报警器相连；主处理器电路通过HDMI接口电路与显示器相连，以图形化界面的方式显示故障信息；以太网接口电路1是主处理器电路与工业相机间的接口电路，用于传输采集的滚筒图像；以太网接口电路2是主处理器电路与以太网间的接口电路，用于将滚筒故障信息传送给上位机。
![]()
图 5 带式输送机滚筒故障检测器硬件框架Figure 5. Hardware frame of the belt conveyor drum fault detector采用Python语言设计了滚筒故障检测器软件。使用Ubuntu18.04 操作系统，配置相应环境和各项依赖包，将基于改进YOLOv5s网络模型的滚筒故障检测方法移植到嵌入式开发板中。
4.2 实验室测试
将基于改进YOLOv5s的滚筒故障检测算法移植到嵌入式开发板Jetson Nano中进行实验，搭建带式输送机滚筒故障检测系统实验平台，如图6所示。
![]()
图 6 带式输送机滚筒故障检测系统实验平台Figure 6. Experimental platform of belt conveyor drum fault detection system实验数据来源于工业相机在实验室采集的模拟滚筒故障（包括滚筒开焊、包胶磨损和包胶脱落3种表面故障）视频。
利用带式输送机滚筒故障检测系统对模拟图像和视频进行检测，结合带式输送机工程设计要求和实验需求，工业相机最高在2.0 m/s的传动速度下采集视频，滚筒故障检测可视化结果如图7所示。
![]()
图 7 带式输送机滚筒故障检测可视化结果Figure 7. Visual result of the belt conveyor drum fault detection可看出在实时速度为15.15帧/s时，滚筒开焊的置信度为0.95，包胶磨损的置信度为0.97；在实时速度为15.00帧/s时，滚筒开焊的置信度为0.94，包胶脱落的置信度为0.94。
基于改进YOLOv5的带式输送机滚筒故障检测系统实验结果见表4。可看出系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%，96.43%，91.65%，3种故障检测的平均准确率均值达94.46%。
表 4 带式输送机滚筒故障检测系统检测性能Table 4. Detection performance of the belt conveyor drum falut detection system% 类别 精确率 召回率 平均准确率 平均准确率均值 滚筒开焊 93.10 90.98 95.29
94.46包胶磨损 97.12 95.33 96.43 包胶脱落 98.21 90.85 91.65 控制终端显示界面如图8所示，可看出滚筒故障类别、位置信息和实时检测速度，检测速度约为14帧/s。
实验结果表明，基于改进YOLOv5s的带式输送机滚筒故障检测系统准确性和可靠性较高，并满足实时检测要求。
4.3 现场测试
为了进一步验证带式输送机滚筒故障检测系统的实际适用性，收集了山西省大同市某煤矿故障停机时拍摄的少量滚筒故障（包胶磨损和包胶脱落）图像进行测试，该矿井下环境昏暗，拍摄时进行了光源补光处理，检测结果如图9所示。可看出包胶磨损和包胶脱落的置信度分别为0.92，0.97，且可以较为准确地检测出滚筒的故障类型和位置。
![]()
图 9 煤矿现场带式输送机滚筒故障检测结果Figure 9. Fault detection results of belt conveyor drum in coal mine field5. 结论
1） 在YOLOv5s网络模型中增加了小尺寸检测层，增强了对小目标检测的学习能力；在Backbone和Neck间引入了CBAM，在通道维度和空间维度上进行特征优化，提高了目标检测的准确率；在Neck中引入了ECA，提升了目标特征的提取能力。
2） 通过消融实验可知，与YOLOv5s网络模型相比，改进YOLOv5s网络模型的平均准确率均值增加了1.65%，帧速率达25.227帧/s，可进行实时检测。
3） 改进YOLOv5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%，96.43%，91.65%，较改进前分别提升了1.56%，0.89%和2.50%。
4） 设计了基于改进YOLOv5s的带式输送机滚筒故障检测系统。实验结果表明，基于改进YOLOv5s的带式输送机滚筒故障检测方法对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%，96.43%，91.65%，3种故障检测的平均准确率均值达94.46%，检测速度约为14帧/s。现场测试结果表明，包胶磨损和包胶脱落的置信度分别为0.92，0.97，并能准确地检测出滚筒的故障信息，说明设计的带式输送机滚筒故障检测系统具有可行性。
【编者按】综放开采是我国开采厚煤层的主要方法，智能化综放开采是未来综放开采技术发展的重要方向。近年来我国在智能化综放开采相关技术领域取得了一定成果，但放煤智能化技术仍相对落后，是制约智能化综放开采发展的主要技术瓶颈。为促进智能放煤理论及技术发展、智能放煤装备研发及智能综放工作面建设，提升综放开采智能化水平，推进厚煤层绿色智能开采，《工矿自动化》编辑部特邀中国矿业大学（北京）王家臣教授担任客座主编，山东科技大学张强教授、中煤科工集团庞义辉研究员、中国矿业大学（北京）张锦旺副教授担任客座副主编，于2024年第9期组织出版“放顶煤开采智能化进展”专题。在专题刊出之际，衷心感谢各位专家学者的大力支持！ -
![]()
图 2 综放工作面顶煤采出率与含矸率的关系
Figure 2. The relationship between top coal recovery rate and gangue content rate in fully mechanized top-coal caving face
![]()
图 3 瞬时含矸率与累计含矸率监测结果
Figure 3. Monitoring results of instantaneous and cumulative gangue content rates
![]()
图 4 投影面积含矸率与累计体积含矸率关系
Figure 4. Relationship between projected area and cumulative volume gangue content rates
![]()
图 6 不同照度、感光度及快门速度下的图像灰度特征
Figure 6. Image grayscale characteristics under different illuminance, sensitivity, and shutter speed
![]()
图 7 放煤图像去尘前后效果对比
Figure 7. Comparison of dust removal effects before and after processing coal caving images
![]()
表 1 智能放煤方法分类及其研究情况
Table 1 Classification and research status of intelligent coal caving methods
技术
类别技术 主要研究组织（按笔画排序） 非图像
识别
技术记忆放煤技术 大同煤矿集团有限责任公司[17]
山东能源集团有限公司[7]
天地科技股份有限公司[18-19]
中国矿业大学[20]
中国矿业大学（北京）[21]
中矿先进（北京）采矿技术研究院有限公司[21]
中煤华晋集团有限公司[22]
中煤科工开采研究有限公司[19, 23]
北京天地玛珂电液控制系统有限公司[22]
国家能源集团[21]
英国利兹大学[21]
陕西未来能源化工有限公司[23]
煤炭科学研究总院开采研究院[19, 23]声音振动信号识别技术 山东大学[24-26]
山东科技大学[27-30]
山东工商学院[31]
山东交通学院[25-26]
中国矿业大学[10, 32-36]
中国矿业大学（北京）[14]
天地科技股份有限公司[37]
太原理工大学[38]
北京天地玛珂电液控制系统有限公司[39]
北京信息科技大学[40]
辽宁工程技术大学[41]
潞安矿业（集团）有限责任公司[31]γ射线探测
技术中国矿业大学[13, 35, 42-44]
安徽理工大学[44]探地雷达技术 山东工商学院[45]
太原理工大学[38]
中煤华晋集团有限公司[46]
北京天地玛珂电液控制系统有限公司[45-46]
南阳理工学院[45]微波照射+红外探测技术 河南理工大学[8] 激光扫描放煤量监测技术 中国矿业大学[47-50]
应急管理部信息研究院[47-50]图像
识别
技术可见光图像识别技术 中国矿业大学（北京）[14-15, 21, 51]
中矿先进（北京）采矿技术研究院有限公司[21]
辽宁工程技术大学[41]
西安科技大学[52]
国家能源集团 [21, 53]红外图像识别技术 中国矿业大学[54-55]
中国矿业大学（北京）[56]
辽宁工程技术大学[41]
河南理工大学[8]
下载: 导出CSV
-
[1] 王家臣,张锦旺,王兆会. 放顶煤开采基础理论与应用[M]. 北京:科学出版社,2018. WANG Jiachen,ZHANG Jinwang,WANG Zhaohui. Basic theories and applications in top-coal caving mining[M]. Beijing:Science Press,2018.
[2] 王家臣. 放煤规律与智能放煤[M]. 北京:科学出版社,2022. WANG Jiachen. Top coal drawing mechanism and intelligent drawing[M]. Beijing:Science Press,2022.
[3] KUMAR R,SINGH A K,MISHRA A K,et al. Underground mining of thick coal seams[J]. International Journal of Mining Science and Technology,2015,25(6):885-896. DOI: 10.1016/j.ijmst.2015.09.003
[4] ÇELIK A,ÖZÇELIK Y. Investigation of the efficiency of longwall top coal caving method applied by forming a face in horizontal thickness of the seam in steeply inclined thick coal seams by using a physical model[J]. International Journal of Rock Mechanics and Mining Sciences,2021,148. DOI: 10.1016/j.ijrmms.2021.104917.
[5] KLISHIN V I,KLISHIN S V. Coal extraction from thick flat and steep beds[J]. Journal of Mining Science,2010,46(2):149-159. DOI: 10.1007/s10913-010-0020-y
[6] 王国法,庞义辉,任怀伟. 煤矿智能化开采模式与技术路径[J]. 采矿与岩层控制工程学报,2020,2(1):5-19. WANG Guofa,PANG Yihui,REN Huaiwei. Intelligent coal mining pattern and technological path[J]. Journal of Mining and Strata Control Engineering,2020,2(1):5-19.
[7] 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 Wei. Research and application of intelligent control system for full-mechanized caving mining[J]. Coal Science and Technology,2021,49(10):128-135.
[8] 刘闯. 综放工作面多放煤口协同放煤方法及煤岩识别机理研究[D]. 焦作:河南理工大学,2018. LIU Chuang. Study on coal caving method and coal rock identification mechanism of multi-coal caving holes in fully mechanized top-coal caving face[D]. Jiaozuo:Henan Polytechnic University,2018.
[9] 向阳. 近红外光谱煤岩识别环境适应性研究[D]. 徐州:中国矿业大学,2020. XIANG Yang. Study on environmental adaptability of coal and rock identification by near infrared spectroscopy[D]. Xuzhou:China University of Mining and Technology,2020.
[10] 宋庆军. 综放工作面放煤自动化技术的研究与应用[D]. 徐州:中国矿业大学,2015. SONG Qingjun. Research and application of coal caving automation technology in fully mechanized top coal caving face[D]. Xuzhou:China University of Mining and Technology,2015.
[11] 万丽荣,陈博,杨扬,等. 单颗粒煤岩冲击放顶煤液压支架尾梁动态响应分析[J]. 煤炭学报,2019,44(9):2905-2913. WAN Lirong,CHEN Bo,YANG Yang,et al. Dynamic response of single coal-rock impacting tail beam of top coal caving hydraulic support[J]. Journal of China Coal Society,2019,44(9):2905-2913.
[12] 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.
[13] ZHANG Ningbo,LIU Changyou. Radiation characteristics of natural gamma-ray from coal and gangue for recognition in top coal caving[J]. Scientific Reports,2018,8(1). DOI: 10.1038/s41598-017-18625-y.
[14] 王家臣,黄国君,杨胜利,等. 煤矸识别与自动化放煤控制系统:CN200910152006. X[P]. 2009-07-02. WANG Jiachen,HUANG Guojun,YANG Shengli,et al. Coal gangue identification and automated coal caving control system:CN200910152006. X[P]. 2009-07-02.
[15] 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(1):87-101.
[16] WANG Jiachen,WEI Weijie,ZHANG Jinwang,et al. Laboratory and field validation of a LTCC recovery prediction model using relative size of the top coal blocks[J]. Bulletin of Engineering Geology and the Environment,2021,80(2):1389-1401. DOI: 10.1007/s10064-020-01970-0
[17] 鲍永生. 特厚煤层综放工作面智能控制关键技术研究[J]. 煤炭科学技术,2020,48(7):55-61. BAO Yongsheng. Study on key technology of intelligent control in fully-mechanized top coal caving face in extra thick seam[J]. Coal Science and Technology,2020,48(7):55-61.
[18] 马英. 基于记忆放煤时序控制的智能放煤模式研究[J]. 煤矿机电,2015,36(2):1-5. DOI: 10.3969/j.issn.1001-0874.2015.02.001 MA Ying. Research on intelligent coal caving system based on memory coal caving sequential control[J]. Colliery Mechanical & Electrical Technology,2015,36(2):1-5. DOI: 10.3969/j.issn.1001-0874.2015.02.001
[19] 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. 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.
[20] 胡瑞永. 燕子山矿综放工作面煤岩运移规律与智能放煤关键技术研究及应用[D]. 徐州:中国矿业大学,2023. HU Ruiyong. Research and application of coal and rock migration law and key technology of intelligent caving in fully mechanized top-coal caving face of Yanzishan Mine[D]. Xuzhou:China University of Mining and Technology,2023.
[21] 程伟轩,陈敬川,张立辉,等. 智能放顶煤技术在特厚煤层上覆含水层保护中的应用[J]. 煤炭科学技术,2024,52(增刊1):249-258. CHENG Weixuan,CHEN Jingchuan,ZHANG Lihui,et al. Application of intelligent top coal caving technology in the protection of overlying aquifers on extra thick coal seams[J]. Coal Science and Technology,2024,52(S1):249-258.
[22] 韩秀琪,杨秀宇,孙峰,等. 智能综放工作面自动运行与人工干预分析系统[J]. 工矿自动化,2020,46(12):31-37. HAN Xiuqi,YANG Xiuyu,SUN Feng,et al. Automatic operation and manual intervention analysis system for intelligent fully mechanized caving face[J]. Industry and Mine Automation,2020,46(12):31-37.
[23] 许永祥,李申龙,王国法,等. 特厚坚硬煤层超大采高综放首采工作面智能化技术[J]. 煤炭科学技术,2020,48(7):186-194. XU Yongxiang,LI Shenlong,WANG Guofa,et al. Intelligent technology of first-mining face of longwall top-coal caving with super large cutting height in extra-thick and hard coal seam[J]. Coal Science and Technology,2020,48(7):186-194.
[24] ZHANG Guoxin,WANG Zengcai,ZHAO Lei. Recognition of rock-coal interface in top coal caving through tail beam vibrations by using stacked sparse autoencoders[J]. Journal of Vibroengineering,2016,18(7):4261-4275. DOI: 10.21595/jve.2016.17386
[25] 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. 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.
[26] 王保平. 放顶煤过程中煤矸界面自动识别研究[D]. 济南:山东大学,2012. WANG Baoping. Study on automatic identification of coal gangue interface in top coal caving process[D]. Jinan:Shandong University,2012.
[27] 杨扬. 基于动态冲击滑移接触特性的煤矸识别与试验研究[D]. 青岛:山东科技大学,2020. YANG Yang. Identification and experimental study of coal gangue based on dynamic impact-slip contact characteristics[D]. Qingdao:Shandong University of Science and Technology,2020.
[28] LI He,ZHANG Yao,YANG Yang,et al. Performance analysis of coal gangue recognition based on hierarchical filtering and coupled wrapper feature selection method[J]. IEEE Access,2023,11:85822-85835. DOI: 10.1109/ACCESS.2023.3303394
[29] YANG Yang,ZENG Qingliang. Multipoint acceleration information acquisition of the impact experiments between coal gangue and the metal plate and coal gangue recognition based on SVM and serial splicing data[J]. Arabian Journal for Science and Engineering,2021,46(3):2749-2768. DOI: 10.1007/s13369-020-05227-6
[30] YANG Yang,ZENG Qingliang,YIN Guangjun,et al. Vibration test of single coal gangue particle directly impacting the metal plate and the study of coal gangue recognition based on vibration signal and stacking integration[J]. IEEE Access,2019,7:106784-106805. DOI: 10.1109/ACCESS.2019.2932118
[31] 张艳丽,张守祥,矫林岳,等. 独立分量分析法在综采煤岩界面识别中的应用[J]. 煤炭科学技术,2007,35(8):22-24,28. ZHANG Yanli,ZHANG Shouxiang,JIAO Linyue,et al. Application on ICA in coal and rock interface identification of the fully mechanized mining[J]. Coal Science and Technology,2007,35(8):22-24,28.
[32] 陈钱有. 综放工作面煤矸冲击特性与识别方法研究[D]. 徐州:中国矿业大学,2022. CHEN Qianyou. Study on impact characteristics and identification method of coal gangue in fully mechanized top-coal caving face[D]. Xuzhou:China University of Mining and Technology,2022.
[33] 陈旭. 基于听觉感知原理的综放工作面垮落煤矸识别方法研究[D]. 徐州:中国矿业大学,2022. CHEN Xu. Research on recognition method of caving coal gangue in fully mechanized caving face based on the principle of auditory perception[D]. Xuzhou:China University of Mining and Technology,2022.
[34] 孟林. 基于振动谱图像的放顶煤工作面煤矸识别方法研究[D]. 徐州:中国矿业大学,2023. MENG Lin. Study on identification method of coal gangue in top-coal caving face based on vibration spectrum image[D]. Xuzhou:China University of Mining and Technology,2023.
[35] 赵明鑫. 综放煤矸放落的环境特征及自动识别的影响因素研究[D]. 徐州:中国矿业大学,2020. ZHAO Mingxin. Research on environmental characteristics and influencing factors of automatic identification of coal gangue unloading in comprehensive coal mining[D]. Xuzhou:China University of Mining and Technology,2020.
[36] CHEN Xu,WANG Shibo,LIU Houguang,et al. Coal gangue recognition using multichannel auditory spectrogram of hydraulic support sound in convolutional neural network[J]. Measurement Science and Technology,2022,33(1). DOI: 10.1088/1361-6501/ac3709.
[37] 马英. 基于尾梁振动信号采集的煤矸识别智能放煤方法研究[J]. 煤矿开采,2016,21(4):40-42,25. MA Ying. Intelligent coal caving with gangue identification based on tail beam vibration signal collection[J]. Coal Mining Technology,2016,21(4):40-42,25.
[38] HUO Yuming,ZHAO Dangwei,ZHU Defu,et al. Application of an automated top coal caving control system:the case of Wangjialing Coal Mine[J]. Sustainability,2024,16(10). DOI: 10.3390/su16104261.
[39] 魏冠伟,魏效征. 放顶煤液压支架振动数据采集装置设计[C]. 第23届全国煤矿自动化与信息化学术会议暨第5届中国煤矿信息化与自动化高层论坛,北京,2013:219-225. WEI Guanwei,WEI Xiaozheng. Design of vibration data acquisition device for hydraulic support of top coal caving[C]. The 23rd National Conference on Coal Mine Automation and Informatization and the 5th China Coal Mine Informatization and Automation High Level Forum,Beijing,2013:219-225.
[40] 李一鸣. 基于小波包多尺度模糊熵和加权KL散度的煤岩智能识别[J]. 工矿自动化,2023,49(4):92-98. LI Yiming. Intelligent recognition of coal and rock based on wavelet packet multi-scale fuzzy entropy and weighted KL divergence[J]. Journal of Mine Automation,2023,49(4):92-98.
[41] 韩立国. 综合放顶煤开采煤矸识别关键技术研究[D]. 阜新:辽宁工程技术大学,2023. HAN Liguo. Study on key technology of gangue identification in fully mechanized top-coal caving mining[D]. Fuxin:Liaoning Technical University,2023.
[42] 郭凤岐. 复杂结构特厚煤层综放煤−矸−岩放落流动时序规律及识别研究[D]. 徐州:中国矿业大学,2021. GUO Fengqi. Research on the time sequence and identification of coal-gangue-rock caving flow in complex structure thick coal seam fully mechanized mining[D]. Xuzhou:China University of Mining and Technology,2021.
[43] 张宁波. 综放开采煤矸自然射线辐射规律及识别研究[D]. 徐州:中国矿业大学,2015. ZHANG Ningbo. Study on natural ray radiation law and identification of fully mechanized top-coal caving mining gangue[D]. Xuzhou:China University of Mining and Technology,2015.
[44] 刘长友,张宁波,郭凤岐,等. 特厚煤层综放煤−矸−岩放落流动的时序规律及识别方法[J]. 煤炭学报,2022,47(1):137-151. LIU Changyou,ZHANG Ningbo,GUO Fengqi,et al. Sequential rules and identification method of coal-gangue-rock caving flow in fully mechanized top-coal-caving workface of extra thick coal seam[J]. Journal of China Coal Society,2022,47(1):137-151.
[45] 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.
[46] 张学亮,刘清,郎瑞峰,等. 厚煤层智能放煤工艺及精准控制关键技术研究[J]. 煤炭工程,2020,52(9):1-6. ZHANG Xueliang,LIU Qing,LANG Ruifeng,et al. Intelligent coal drawing process and the key technologies of precise control for thick coal seam top-coal caving[J]. Coal Engineering,2020,52(9):1-6.
[47] 胡而已. 基于激光扫描的综放工作面放煤量智能监测技术[J]. 煤炭科学技术,2022,50(2):244-251. HU Eryi. Intelligent monitoring technology of coal caving in fully-mechanized caving face based on laser scanning[J]. Coal Science and Technology,2022,50(2):244-251.
[48] 胡而已,叶兰,孙益壮,等. 综放工作面放煤量激光扫描自适应监测技术研究[J]. 中国煤炭,2022,48(11):57-66. HU Eryi,YE Lan,SUN Yizhuang,et al. Study on laser scanning adaptive monitoring technology for coal caving volume in fully mechanized top-coal caving face[J]. China Coal,2022,48(11):57-66.
[49] 吕东翰. 综放工作面放煤量激光扫描在线智能监测技术研究[D]. 徐州:中国矿业大学,2021. LYU Donghan. Research on laser scanning online intelligent monitoring technology for coal caving quantity in fully mechanized mining face[D]. Xuzhou:China University of Mining and Technology,2021.
[50] 孙益壮. 基于激光扫描的综放工作面放煤量自适应监测技术[D]. 徐州:中国矿业大学,2022. SUN Yizhuang. Adaptive monitoring technology for coal caving volume in fully mechanized top coal caving face based on laser scanning[D]. Xuzhou:China University of Mining and Technology,2022.
[51] 李良晖. 图像识别智能放煤基础研究[D]. 北京:中国矿业大学(北京),2023. LI Lianghui. Research on intelligent coal caving fundamentals based on image recognition[D]. Beijing:China University of Mining and Technology-Beijing,2023.
[52] 单鹏飞,孙浩强,来兴平,等. 基于改进Faster R−CNN的综放煤矸混合放出状态识别方法[J]. 煤炭学报,2022,47(3):1382-1394. SHAN Pengfei,SUN Haoqiang,LAI Xingping,et al. Identification method on mixed and release state of coal-gangue masses of fully mechanized caving based on improved Faster R-CNN[J]. Journal of China Coal Society,2022,47(3):1382-1394.
[53] 贺海涛,王佳豪,张海峰,等. 基于U−Net的放煤状态控制关键技术研究[J]. 煤炭科学技术,2022,50(增刊2):237-243. HE Haitao,WANG Jiahao,ZHANG Haifeng,et al. Research on key technologies of coal discharge state control based on U-Net[J]. Coal Science and Technology,2022,50(S2):237-243.
[54] 卢召栋. 近红外光谱煤岩识别算法及风速影响研究[D]. 徐州:中国矿业大学,2022. LU Zhaodong. Research on near infrared spectroscopy coal rock recognition algorithm and wind speed influence[D]. Xuzhou:China University of Mining and Technology,2022.
[55] ESHAQ R M A,HU Eryi,LI Menggang,et al. Separation between coal and gangue based on infrared radiation and visual extraction of the YCbCr color space[J]. IEEE Access,2020,8:55204-55220. DOI: 10.1109/ACCESS.2020.2981534
[56] 张锦旺,王家臣,何庚. 煤矸红外图像识别基础研究[M]. 北京:应急管理出版社,2024. ZHANG Jinwang,WANG Jiachen,HE Geng. Basic research on infrared image recognition of coal gangue[M]. Beijing:Emergency Management Press,2024.
[57] 王增才. 综采放顶煤开采过程煤矸识别研究[J]. 煤矿机械,2002,23(8):13-14. DOI: 10.3969/j.issn.1003-0794.2002.08.007 WANG Zengcai. Study on distributing coal and rock in the process of fully-mechanized coal winning sublevel caving coal technology[J]. Coal Mine Machinery,2002,23(8):13-14. DOI: 10.3969/j.issn.1003-0794.2002.08.007
[58] 许献磊,彭苏萍,马正,等. 基于空气耦合雷达的矿井煤岩界面随采动态探测原理及关键技术[J]. 煤炭学报,2022,47(8):2961-2977. XU Xianlei,PENG Suping,MA Zheng,et al. Principle and key technology of dynamic detection of coal-rock interface in coal mine based on air-coupled radar[J]. Journal of China Coal Society,2022,47(8):2961-2977.
[59] 李术才,刘斌,孙怀凤,等. 隧道施工超前地质预报研究现状及发展趋势[J]. 岩石力学与工程学报,2014,33(6):1090-1113. LI Shucai,LIU Bin,SUN Huaifeng,et al. State of art and trends of advanced geological prediction in tunnel construction[J]. Chinese Journal of Rock Mechanics and Engineering,2014,33(6):1090-1113.
[60] 苗曙光. 基于GPR与ESR的煤岩性状识别方法研究[D]. 徐州:中国矿业大学,2019. MIAO Shuguang. Research on coal rock character recognition method based on GPR and ESR[D]. Xuzhou:China University of Mining and Technology,2019.
[61] 许献磊,王一丹,朱鹏桥,等. 基于高频雷达波的煤岩层位识别与追踪方法研究[J]. 煤炭科学技术,2022,50(7):50-58. XU Xianlei,WANG Yidan,ZHU Pengqiao,et al. Research on coal and rock horizon identification and tracking method based on high frequency radar waves[J]. Coal Science and Technology,2022,50(7):50-58.
[62] 李良晖. 基于差异照度图像的综放开采煤矸混合度识别研究[D]. 北京:中国矿业大学(北京),2019. LI Lianghui. Research on the identification of coal gangue mixture in fully mechanized top coal mining based on differential illumination images[D]. Beijing:China University of Mining and Technology-Beijing,2023.
[63] 潘卫东,李新源,员明涛,等. 基于顶煤运移跟踪仪的自动化放煤技术原理及应用[J]. 煤炭学报,2020,45(增刊1):23-30. PAN Weidong,LI Xinyuan,YUN Mingtao,et al. Principle and application of automated coal caving technology based on top coal transport tracker[J]. Journal of China Coal Society,2020,45(S1):23-30.
[64] 米彦军,潘卫东,杨克虎,等. 黄玉川煤矿无人干预自动化放煤研究[J]. 工矿自动化,2021,47(增刊2):29-31,42. MI Yanjun,PAN Weidong,YANG Kehu,et al. Research of automatic top-coal caving without human intervention in Huangyuchuan Coal Mine[J]. Industry and Mine Automation,2021,47(S2):29-31.
-
期刊类型引用(2)
1. 高杨，张培航. 可再生能源并网逆变器通信自动化监控方法研究. 长江信息通信. 2024(08): 60-61+64 . 
百度学术
2. 杨铭轩，刘轩，彭纬伟，陈云云. 基于深度学习的水轮机运转状态识别系统研究. 自动化与仪器仪表. 2023(03): 190-194 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 668
- HTML全文浏览量: 51
- PDF下载量: 81
- 被引次数: 7
