Research on key technology of intelligent fully mechanized caving face construction in Baode Coal Mine
-
摘要: 针对现有智能综放工作面建设的研究成果缺乏某个综放工作面系统化建设实施研究的问题，以国家能源集团神东煤炭集团有限责任公司保德煤矿81309智能综放工作面为研究背景，在液压支架电液控制系统及综采自动化系统配置的基础上，详细介绍了设备升级改造、有限透明开采模型构建、智能放煤工艺决策、煤矸识别方法优化、多模式融合集成控制等关键技术。① 对采煤机电控系统进行国产化升级改造，加装惯导系统，配套光纤复合电缆/5G通信，实现采煤机姿态及控制数据高效稳定传输。采用迈步自移设备列车系统并配套管缆伸缩装置，实现设备列车拉移由1～2人完成。② 对智能规划中心数据源中的地质模型进行迭代修正，经过一系列换算和多源异构数据融合，形成有限透明开采地质模型。③ 针对 81309工作面一刀一放2轮顺序放煤方式，构建了10个智能综放回采阶段并设计了对应的采煤机、综放液压支架、前后刮板输送机的动作和时间，实现了中部跟机自动化采放、三角煤区域自动开采。④ 采用振动煤矸识别与视频煤矸识别相结合的方式，建成智能综放煤矸识别系统。⑤ 以SAM型综采自动化控制系统为枢纽，通过整合液压支架电液控制、视频监控、采煤机电控、三机泵站集控，构建出智能化集中控制系统，初步建成基于透明开采的“采−支−识−放−运”各环节自适应的综放开采工作面。调试结果表明，81309综放工作面中部实现单班自动控制割煤4刀，液压支架实现自动跟机拉架、联动收伸护帮/伸缩梁、自主推溜等功能，智能化集中控制系统可一键启停生产系统，对设备运行数据进行实时监控。Abstract: The current research achievements in the construction of intelligent fully mechanized caving face lack systematic implementation case for a specific fully mechanized caving face. In order to solve this problem, The 81309 intelligent fully mechanized caving face of Baode Coal Mine, CHN Energy Shendong Coal Group Co.,Ltd. is taken as the research background. Based on the configuration of hydraulic support electro-hydraulic control system and fully mechanized mining automation system, the key technologies such as equipment upgrading and transformation, limited transparent mining model building, intelligent coal drawing process decision-making, optimization of coal gangue recognition method, and multi-mode fusion integrated control are introduced in detail. ① The localization upgrading and transformation of the electric control system of the shearer is carried out. The inertial navigation system is installed. The optical fiber composite cable/5G communication is supported to realize efficient and stable transmission of attitude and control data of shearer. The equipment train can be pulled and moved by 1 - 2 persons by adopting step-type self-shift equipment train and pipe and cable expansion device. ② The iterative correction on the geological model in the data source of the intelligent planning center is carried out. The limited transparent mining geological model is formed through a series of conversions and multi-source heterogeneous data fusion. ③ In view of the sequential coal caving mode of "one cut, one caving and two rounds" in the 81309 working face, 10 intelligent fully mechanized caving mining stages and the corresponding actions and time of shearer, fully mechanized caving hydraulic support, front and rear scraper conveyor are constructed. The automatic mining and drawing in the middle and automatic mining in the triangle coal area are realized. ④ The intelligent coal gangue recognition system of fully mechanized caving is built by combining the vibration coal gangue recognition and video coal gangue recognition technology. ⑤ With the SAM-type fully mechanized mining automation control system as the hub, an intelligent centralized control system is constructed by integrating the electro-hydraulic control of hydraulic support, video monitoring, electric control of shearer and centralized control of pump stations of three machines. The intelligent fully mechanized caving face with adaptation in all links of "mining, support, recognition, caving and transportation" based on transparent mining has been initially built. The debugging results show that the middle part of 81309 fully mechanized caving face can realize the automatic control of 4 coal cutters in a single shift. The hydraulic support can realize the functions of the automatic following machine and pulling frame, linkage receiving and extension guard / expansion beam, and automatic pushing and sliding. The intelligent centralized control system can start and stop the production system with one key, and monitor the equipment operation data in real-time.
-
0. 引言
知识图谱是结构化的语义网络知识库，其以三元组的形式结构化表示客观世界中存在的概念、实体及其关联关系[1]。在矿山领域，大量的事故信息通常以报告文本的形式存在，结构化程度低，难以实现事故信息的数据挖掘及知识推理。构建矿山事故知识图谱可有效整合报告文本中事故概述、经过及原因中离散的实体及实体间关系，将矿山事故中事故地点、类型、原因等关键因素及其之间的关系以三元组的形式进行存储，提高矿山事故信息的结构化程度，从而实现对事故信息的数据挖掘及知识推理，为矿山风险识别与预防、应急响应与决策支持、事故分析与原因追溯、事故预防措施制订等一系列矿山智能化安全管理系统建设提供数据支撑[2]。
在矿山领域知识图谱构建中，郭晓黎等[3]对煤矿安全事故的种类及类间关系进行分析，建立了煤矿安全事件本体，为构建煤矿安全事件知识图谱提供了理论指导。潘理虎等[4]提出了一种基于七步法、METHONTOLOGY法的本体构建方法，采用知识存储映射算法将煤矿领域本体映射到Neo4j图数据库中，完成了煤矿领域知识图谱的构建。李蓓等[5]基于煤矿灾害事件概念语义分类和煤矿灾害事件描述属性，构建了煤矿灾害事件本体，为构建煤矿灾害知识图谱提供了理论借鉴。曹现刚等[6]采用预训练的Lattice−LSTM模型进行实体识别，采用基于弱监督学习的Bootstrapping方法进行关系抽取，完成了煤矿设备维护知识图谱的构建。王忠强等[7]针对智慧矿山领域的知识要素，提出了基于依存句法分析的实体抽取方法，并根据语句结构特点，设计了依存句法树结构，构建了智慧矿山知识图谱。韩一搏等[8]采用联合编码器将收集到的综采设备数据转换为向量表示，在解码时采用预训练的Lattice−LSTM模型，完成了综采设备实体识别，实现了煤矿综采设备知识图谱构建。现有矿山领域知识图谱构建多采用基于预训练模型的方法，该方法在预训练阶段需要大量人工标注的高质量监督数据[9]，而标注高质量的监督数据需要投入大量人力资源，并且效率较低。
近年来，大语言模型（Large Language Model，LLM）在自然语言理解、学习和表达上取得重大突破，LLM可在少量人工标注的高质量数据下显著提高信息抽取的质量且效率较高，广泛应用于各领域的信息抽取任务[10-12]。M. Agrawal等[13]证明了LLM在没有针对专业领域进行训练的情况下，仍可在零样本和少样本的医疗文本信息抽取任务中表现良好。S. Wadhwa等[14]证明了LLM可高质量地完成少样本新闻信息抽取。冯钧等[15]证明了LLM在未针对水利调度领域文本进行训练的情况下，可在少样本的调度文本中实现高质量信息抽取。因此，将LLM应用于零样本和少样本的矿山事故信息抽取任务，从而构建矿山事故知识图谱是可行的。
随着LLM的不断发展，Prompt已经成为自然语言处理领域的一种前沿方法，为LLM的使用提供了一种更有效和更具成本效益的方法[16]。然而，LLM结合Prompt的方法会产生灾难性遗忘问题[17]，致使模型原始理解上下文能力丧失，难以处理蕴含复杂关系的信息抽取任务。图结构信息可增强模型对实体间复杂关系的理解能力，提高实体抽取和关系抽取的准确率。Li Lei等[18]提出了一种基于上下文感知图结构的图卷积网络来进行事件检测任务，提高了模型理解语义上下文信息的能力。Zhang Qianjin等[19]将实体间的隐式图结构信息融入知识图谱嵌入模型，在关系预测任务上实现了性能提升，增强了模型对上下文的理解能力。因此，本文将图结构信息嵌入到Prompt模板中，提出了图结构Prompt，通过在LLM上嵌入图结构Prompt，提升矿山事故知识图谱的构建质量。首先，对收集到的矿山事故报告进行预处理得到原始语料。其次，按照相关文件要求，使用LLM对矿山事故报告文本中的事故信息进行K−means聚类分析，挖掘事故信息中的实体及实体间关系，完成事故本体构建。然后，将矿山事故报告文本中蕴含的图结构信息嵌入到Prompt模板中，进行矿山事故实体及关系的信息抽取，实例化实体关系三元组。最后，根据抽取到的实体关系三元组构建知识图谱。
1. 基于LLM的矿山事故知识图谱构建
本文采用自顶向下的方式构建矿山事故知识图谱，流程如图1所示。知识图谱涵盖模式层和数据层[20]。模式层在数据层之上，主要通过本体来规范数据层中的一系列事实表达；数据层主要由一系列事实三元组组成，知识以事实为单位进行存储。通过网络爬虫技术，收集煤矿安全生产网公开的矿山事故报告，经过预处理得到原始语料，使用LLM对事故报告中的名词、名词短语及动词进行批量化抽取。在模式层中，实体集由事故报告中的名词、名词短语组成，关系集由事故报告中的动词组成。通过LLM对实体集和关系集中的元素进行聚类分析，同时结合《矿山生产安全事故报告和调查处理办法》《生产安全事故报告和调查处理条例》《煤矿安全生产条例》中要求事故报告应包含的内容，构建矿山事故本体。本体构建完成后，对原始语料进行少量的人工标注，标注数据用于LLM的学习与微调。按照本体中的概念定义设计信息抽取模板。在数据层中，将矿山事故报告中不同文本中实体及实体间关系的图结构信息嵌入到信息抽取模板中，使用LLM进行实体及关系抽取，得到矿山事故文本中的实体关系三元组，完成数据的实例化。
1.1 模式层构建
模式层是知识图谱的概念模型和逻辑基础，可借助本体定义的规则和公理对数据层进行规范约束[3]。对矿山事故报告文本分析可知，该报告文本中蕴含丰富的实体对象和关系。使用LLM并结合煤矿生产文件、煤矿设备文件和安全防治文件对矿山事故报告文本进行了实体关系挖掘、聚类和总结归纳。
矿山事故报告按照结构可划分为事故概述、事故原因、事故单位情况和事故发生经过。实体关系挖掘过程如图2所示。首先，本文利用LLM按事故报告结构分批获取矿山事故报告文本中的所有名词及名词短语，同时，提示LLM采用粗粒度分词标准。例如，事故原因文本为“事故直接原因：工作面放炮崩歪单体液压支柱，工人在空顶情况下违章打设支柱，冒落的岩石砸倒支柱，支柱砸伤其头部致死。”，采用粗粒度分词标准后的分词结果为“事故/直接原因/：/工作面放炮崩歪单体液压支柱/，/工人/在/空顶情况下/违章打设支柱/，/冒落的岩石/砸倒支柱/，/支柱/砸伤其头部致死/。”。采用粗粒度分词标准可以保留事故原因的语义完整性，有助于模型理解上下文，减少分词歧义。其次，获取事故报告中的所有名词及名词短语后，通过LLM对所有名词及名词短语进行K−means聚类。如将具体名词“单体液压支柱”“风镐”“液压枪”等聚类在一起，并进一步映射为“设备”标签；将“运输事故”“顶板事故”“水害事故”等聚类在一起，并映射为“事故类型”标签；将“2号采煤工作面”“硐室”“106号—115号液压支架间”等聚类在一起，并映射为“地点”标签；将“2023年6月8日6时许”“60万t/a”“未打设临时支护”等分类为其他标签。得到聚类数据后，将同标签的名词及名词短语放入同一集合中，采用Dice系数对聚类后的每个标签集合进行相似性度量，即两两比较集合中文本元素的重复度。Dice系数越接近1，表示2个集合越相似。如果相似，则重复上述步骤进行进一步聚类，否则根据集合中的元素并结合事故文本特征进行标签映射。最后，得到事故核心、机构、事故原因、设备、事件、人员和证照7类实体。
在对语料中的关系进行挖掘时，首先，利用LLM按事故报告结构分批获取矿山事故报告文本中的所有动词。然后使用LLM对获取到的所有动词进行K−means聚类，同样使用Dice系数对聚类后的动词集合进行相似性度量，结合行业实际情况进行调整。最后获得位于、处于、取得、对应、具备、参与、采取、导致、发生、操作10种关系。
此外，在对训练数据中少量样本进行数据标注时，为提高人工标注的效率，提升实体辨识度，对前文所述7类实体中的事故核心、机构、事件和证照4类实体进行了细分，细分后的实体及实体间关系如图3所示。将事故核心实体细分为时间、地点、事故类型、死亡人数、受伤人数和经济损失，将机构实体细分为煤矿名称、地址、生产能力和生产状态，将事件实体细分为业务名称、救援行动和现象，将证照实体细分为证照编号和证照有效期。最终得到矿山事故领域实体及实体间关系。
1.2 数据层构建
在数据层中，知识以“实体−关系−实体”或“实体−属性−属性值”的三元组形式存在。根据模式层中对实体及实体间关系的定义，对事故文本进行信息抽取，构建矿山事故知识图谱的数据层。
根据矿山事故报告文本中实体及实体间关系结构，可将图结构信息分为3类。事故概述文本和事故原因文本的图结构信息相同。以事故概述文本的图结构信息（图4）为例，按照矿山事故本体中实体及实体间关系，该文本中XX煤矿为起始节点，其余节点为终止节点。起始节点与各个终止节点之间存在发生、导致等不同的关系，并且节点之间只有一对多的图结构信息，在对事故概述文本进行信息抽取时，可定义该部分文本的Prompt模板，将各节点之间的关系和图结构信息嵌入Prompt模板。
事故单位情况文本的图结构信息如图5所示。按照矿山事故本体中实体及实体间关系，该文本中XX煤矿为起始节点，证号为中间节点，证照有效期为终止节点。起始节点和终止节点通过中间节点进行连接，各个节点之间存在取得、对应等不同的关系，并且起始节点与中间节点之间只存在一对多的关系，中间节点和终止节点之间存在一对一的关系，在对事故单位证照情况进行信息抽取时，可固定该部分文本的Prompt模板，将各节点之间的关系和图结构信息嵌入Prompt模板。
![]()
图 5 事故单位情况文本的图结构信息Figure 5. Graph structure information of accident unit situation text事故发生经过文本的图结构信息如图6所示。在该文本中，事件是按照时间顺序发生的，各个时间点中都有人员参与，且参与其中的人员都在进行相应活动，如操作设备、进行业务施工、采取救援措施等。因此，按照矿山事故本体中实体及实体间关系，将该文本中时间点作为起始节点，人员作为中间节点，具体业务名称作为终止节点。起始节点和终止节点通过中间节点进行连接，各个节点之间存在参与、操作、对应等不同的关系，并且起始节点与中间节点之间存在一对多的关系，中间节点与终止节点之间存在一对一和一对多的关系，在对事故发生经过文本进行信息抽取时，可固定该部分文本的Prompt模板，将事故发生经过文本中各节点之间关系和图结构信息嵌入Prompt模板。
根据矿山事故报告文本各部分内容的差异性，对事故概述、事故原因、事故单位情况和事故发生经过进行信息抽取时采用不同的Prompt模板。信息抽取过程如图7（a）所示，在Prompt模板中嵌入原始语料中实体之间的图结构信息，将嵌入图结构信息的Prompt模板和待抽取文本输入LLM，使用人工标注的训练集数据指导LLM进行矿山事故中实体及实体间复杂关系的学习，对模型参数进行微调，使LLM在当前对话中保持对该任务的信息抽取能力。具体信息抽取案例如图7（b）所示，模板中的triples表示当前待抽取文本中所包含的三元组，target表示嵌入图结构信息后的文本，Subject_X标签表示起始节点，Object_X标签表示终止节点，target_text表示待抽取文本的内容，ner2ent表示待抽取文本中所包含的实体节点与标签的对应关系。
在信息抽取时，按矿山事故报告结构对原始语料进行划分，将嵌入图结构信息的Prompt模板和待抽取文本输入LLM进行批量化信息抽取，最终LLM输出抽取到的实体关系三元组。
2. 实验验证
为验证本文方法的可行性和有效性，开展实验验证。用于实验验证的LLM包括GPT−3.5，GLM_4，ERNIE−4.0及Qwen−7B−chat，将LLM的信息抽取结果与通用信息抽取（Universal Information Extraction，UIE）模型[21]的信息抽取结果进行对比。
2.1 数据集构建
在矿山事故信息抽取任务中，目前尚无公开的数据集，因此需要自行构建数据集。本文收集的数据来源于煤矿安全生产网，通过网络爬虫获取原始语料文本，选取7类矿山事故，共包含2 532个矿山事故报告文本，人工标注253个矿山事故报告文本，将标注后的数据按照7∶3的比例划分为训练集和测试集。
通过网络爬虫获取到的原始矿山事故报告文本存在实体关系和专业词汇复杂及实体嵌套等问题，使得本体构建变得困难，且直接对原始语料进行信息抽取并不能得到高质量的抽取结果。此外，收集到的原始矿山事故报告存在诸多冗余信息和格式混乱数据，无法将其直接用于信息抽取任务。为改善上述问题，需要对数据进行预处理，以提高语料库的构建质量。
根据国家矿山安全监察局《关于印发〈矿山安全生产事故报告和调查处理办法〉的通知》（矿安〔2023〕7 号）第十条要求，对采集到的原始矿山事故报告进行预处理，如图8所示。首先，对原始语料进行数据清洗，修正格式混乱的数据，同时对报告内容进行精简，删除矿山事故报告中的冗余信息，去除事故责任追究与处理建议等与本体构建无关信息，保留事故发生单位概况，事故发生的时间、地点、事故类别，事故的简要经过，事故已经造成伤亡人数、涉险人数、失踪人数和初步估计的直接经济损失等必要内容。然后，进行实体对齐，例如针对XX市XX区XX煤业有限公司（以下简称“XX煤业”），统一使用简称之后的煤矿名称。最后，统一矿山事故报告结构，将矿山事故报告保留的内容进一步精炼为事故概述、事故原因、事故单位情况和事故发生经过4个部分内容。
2.2 信息抽取结果
分别采用GPT−3.5，GLM_4，ERNIE−4.0及Qwen−7B−chat这4个LLM与UIE模型对矿山事故报告中的实体和关系进行抽取，结果见表1。
表 1 UIE模型与LLM在信息抽取任务上的对比结果Table 1. Comparison results of Universal Information Extraction（UIE） model and Large Language Model（LLM） in information extraction tasks模型 实体抽取 关系抽取 精确率 召回率 F1 精确率 召回率 F1 UIE 0.894 0.827 0.859 0.713 0.627 0.667 GPT−3.5 0.893 0.847 0.870 0.887 0.904 0.895 GLM_4 0.956 0.850 0.901 0.910 0.885 0.898 ERNIE−4.0 0.752 0.836 0.792 0.788 0.817 0.802 Qwen−7B−chat 0.883 0.855 0.869 0.862 0.881 0.871 由表1可知：在实体抽取任务中，UIE模型表现稳定但整体略差于LLM；在关系抽取任务中，LLM表现显著优于UIE模型。这是因为UIE模型依赖于预定义的结构化模式，难以灵活处理多样化的关系类型；而LLM凭借强大的上下文理解能力、生成式框架及对大规模预训练数据的深度学习能力，能够更好地捕捉语义关联和隐含关系，此外，LLM在处理动态和多样化任务时表现出更强的泛化能力，能够更准确地构建实体之间的关系，从而在实体抽取和关系抽取任务中取得更好的效果。
在GPT−3.5，GLM_4，ERNIE−4.0和Qwen−7B−chat上开展嵌入图结构Prompt和未嵌入图结构Prompt的对比实验，分别对测试集数据进行实体抽取和关系抽取，结果见表2。
表 2 LLM嵌入图结构Prompt前后在信息抽取任务上的对比结果Table 2. Comparison results of information extraction tasks before and after LLM embedded with Graph-Structured Prompt模型 实体抽取 关系抽取 精确率 召回率 F1 精确率 召回率 F1 GPT−3.5 未嵌入图结构Prompt 0.775 0.835 0.804 0.803 0.791 0.797 嵌入图结构Prompt 0.893 0.847 0.870 0.887 0.904 0.895 GLM_4 未嵌入图结构Prompt 0.831 0.679 0.793 0.785 0.794 0.789 嵌入图结构Prompt 0.956 0.850 0.901 0.910 0.885 0.898 ERNIE−4.0 未嵌入图结构Prompt 0.673 0.731 0.701 0.695 0.683 0.689 嵌入图结构Prompt 0.752 0.836 0.792 0.788 0.817 0.802 Qwen−7B−chat 未嵌入图结构Prompt 0.761 0.748 0.754 0.792 0.731 0.760 嵌入图结构Prompt 0.883 0.855 0.869 0.862 0.881 0.871 由表2可知，在LLM中嵌入图结构Prompt后的信息抽取结果明显优于未嵌入图结构Prompt。未嵌入图结构Prompt的LLM虽能捕捉一定的语义信息，但在精确率和召回率上存在局限性，尤其在处理复杂图结构数据时，难以充分利用节点和边之间的关系信息。而嵌入图结构Prompt可帮助LLM更好地理解图中节点和边之间的关系，并将图结构信息保留至低维空间表征中，提升捕捉实体间复杂关系的能力。
2.3 知识图谱构建结果
利用嵌入图结构Prompt的LLM从矿山事故报告中抽取事故概述、事故原因、事故单位情况和事故发生经过所包含的实体及实体间关系信息，生成矿山事故知识图谱三元组，并将其存储在Neo4j图数据库中，从而构建矿山事故知识图谱。
使用Cypher语句可对Neo4j图数据库中的矿山事故进行查询。以顶板事故为例，查询某一煤矿发生的顶板事故，该顶板事故的事故概述、事故原因、事故单位情况和事故发生经过所涵盖的实体关系三元组构成的知识图谱如图9所示。
3. 结论
1） 通过LLM对矿山事故报告文本中的名词、名词短语及动词进行K−means聚类分析，使用Dice系数对聚类后的集合进行相似性度量，并结合煤矿领域相关规范性文件，可快速、高效地完成煤矿领域事故本体构建，生成矿山事故知识图谱三元组，实现矿山事故信息的结构化表示。
2） 在LLM上嵌入图结构Prompt，提升了LLM实体抽取和关系抽取的准确率，从而在少量的标注数据下快速实现矿山事故知识图谱的高质量构建。
3） 由于数据来源于煤矿安全生产网的矿山事故报告，文本结构相对固定，文本类型相对单一。在未来的研究中，可提高数据源的多样性，进一步完善矿山事故知识图谱，探索在矿山事故原因分析、救援策略决断、防范措施制订和事故报告自动生成等场景下的应用。
-
![]()
图 1 智能综放控制系统基本配置
Figure 1. Basic configuration of intelligent fully mechanized Caving control system
![]()
图 3 迈步式自移设备列车及管缆伸缩装置
Figure 3. Step-type self-shift equipment train and pipe and cable expansion device
![]()
图 4 基于透明地质的综采工作面智能化协同规划开采系统
Figure 4. Intelligent collaborative planning and mining system of fully mechanized mining face based on transparent geology
![]()
图 6 加速度传感器时域能量算法三维图
Figure 6. Time domain energy algorithm 3D diagram of acceleration sensor
![]()
图 8 智能综放地面分控中心
Figure 8. Intelligent fully mechanized caving ground sub-control center
表 1 智能回采工艺阶段
Table 1 Intelligent coal mining process stage
序号 阶段说明 动作说明 1 阶段1
采煤机中心12号架
停留0 min上行1） 跟机自动移架，从7号架开始，移架距离为6台支架，允许动作为3台支架；
2） 跟机伸伸缩梁−护帮联动（该动作为移架后自动动作），距离为6台支架，允许动作为3台支架；
3） 跟机收伸缩梁−护帮联动，距离为3台支架，允许动作为5台支架；
4） 跟机推溜，从3号架开始，推溜距离为10台支架，允许动作为8台支架（端头3号−6号架推溜结束后进行自动顺序移架）；
5） 跟机时放煤，从7号架开始，距离为19台支架，允许动作为2台支架；
6） 跟机拉后溜，从3号架开始，距离为22台支架，允许动作为10台支架（拉后溜必须在放煤之后完成动作）2 阶段2
采煤机中心116号架
停留8 min下行（此时跟机移架到110号架，跟机伸护帮至110号架，跟机推溜至106号架，98号架为满行程，跟机放煤至95号架，拉后溜到86号架）
1） 跟机补充自动移架，111号−117号架补充移架，移架后不伸护帮板；
2） 补充跟机收护帮至110号−105号架，给采煤机扫煤留出空间；
3） 补充推出蛇形段，动作区域为98号−106号架；
4） 补充跟机放煤由87号架顺序向115号架执行（放煤动作执行未完毕，不允许执行补充拉后溜动作）；
5） 补充跟机拉后溜，从86号−117号架满行程拉后溜（拉后溜必须在放煤之后完成动作）3 阶段3
采煤机中心112号架
停留41 s下行1） 采煤机割透机尾后，反向下行至 113号架（滚筒在108号架，扫底煤不限次，不扫可直接经过）；
2） 采煤机反向下行至蛇形段最大架号，该蛇形段区域执行中部跟机伸护帮动作，从112号架开始，采煤机前滚筒收伸缩梁护帮联动（时间可设置），采煤机后滚筒执行跟机伸伸缩梁护帮联动动作（时间可设置）4 阶段4
采煤机中心92号架
停留4 min上行1） 采煤机运行到蛇形段最大架号92号时，触发98号−121号架满行程推溜；
2） 采煤机反向上行割三角煤，该蛇形段区域执行中部跟机伸护帮动作，从92号架开始，采煤机前滚筒收伸缩梁护帮联动（时间可设置），采煤机后滚筒执行跟机伸伸缩梁护帮联动动作（时间可设置）；
3） 满行程推溜后，补充跟机移架从 121号−118号架（移架后进行伸护帮）；
4） 补充跟机拉后溜满行程，从118号−121号架5 阶段5
采煤机中心113号架
停留0 min下行采煤机割透三角煤后，反向下行至113号架，扫底煤不限次数 6 阶段6
采煤机中心112号架
停留0 min下行1） 跟机自动移架，从117号架开始，移架距离为6台支架，允许动作为3台支架；
2） 跟机伸伸缩梁−护帮联动（该动作为移架后自动动作），距离为6台支架，允许动作为3台支架；
3） 跟机收伸缩梁−护帮联动，距离为3台支架，允许动作为5台支架；
4） 跟机推溜，从121号架开始，推溜距离为10台支架，允许动作为8台支架（端头121号−118号架推溜结束后进行自动顺序移架）；
5） 跟机时放煤，从117号架开始，距离为19台支架，允许动作为2台支架；
6） 跟机拉后溜，从121号架开始，距离为22台支架，允许动作为10台支架（拉后溜必须在放煤之后完成）7 阶段7
采煤机中心7号架
停留8 min上行（此时跟机移架到13号架，跟机伸护帮至13号架，跟机推溜到17号架，25号架为满行程，跟机放煤至28号架，拉后溜到39号架）
1） 跟机补充自动移架，12号−7号补充移架，移架后不伸护帮；
2） 补充跟机收护帮至13号−18号架，给采煤机扫煤留出空间；
3） 补充推出蛇形段，动作区域为15号−25号架；
4） 补充跟机放煤，由27号架顺序向9号架执行（放煤动作执行未完毕，禁止补充拉后溜）；
5） 补充跟机拉后溜，从38号−7号架满行程拉后溜（拉后溜必须在放煤之后完成）8 阶段8
采煤机中心12号架
停留41 s上行1） 采煤机割透机头后，反向上行至 11号架（滚筒在7号，扫底煤不限次，不扫可直接经过）；
2） 采煤机反向上行至蛇形段最大架号，该蛇形段区域执行中部跟机伸护帮动作，从12号开始，采煤机前滚筒处收伸缩梁−护帮联动（时间可设置），采煤机后滚筒处伸伸缩梁−护帮联动（时间可设置）9 阶段9
采煤机中心32号架
停留4 min下行1） 采煤机运行到蛇形段最大架号32号时，触发25号−3号架满行程推溜；
2） 采煤机反向下行割三角煤，该蛇形段区域执行中部跟机伸护帮动作，从32号架开始，采煤机前滚筒处收伸缩梁-护帮联动（时间可设置），采煤机后滚筒处伸伸缩梁−护帮联动（时间可设置）；
3） 满行程推溜后，补充跟机移架从3号−6号架（顺序：3号−6号架，同时移架后进行伸护帮板）；
4） 补充跟机拉后溜满行程，从3号−6号架；
5） 拉后溜后，端头组合支架1号−2号架分别执行降（前中后立柱）、拉、升（（前中后立柱）动作10 阶段10
采煤机中心11号架
停留0 min上行采煤机割透三角煤后，反向上行至11号架，扫底煤不限次数 
下载: 导出CSV
-
[1] 王国法,庞义辉. 特厚煤层大采高综采综放适应性评价和技术原理[J]. 煤炭学报,2018,43(1):33-42. WANG Guofa,PANG Yihui. Full-mechanized coal mining and caving mining method evaluation and key technology for thick coal seam[J]. Journal of China Coal Society,2018,43(1):33-42.
[2] 王国法,庞义辉,马英. 特厚煤层大采高综放自动化开采技术与装备[J]. 煤炭工程,2018,50(1):1-6. WANG Guofa,PANG Yihui,MA Ying. Automated mining technology and equipment for fully-mechanized caving mining with large mining height in extra-thick coal seam[J]. Coal Engineering,2018,50(1):1-6.
[3] 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 intelligent and its problems[J]. Coal Science and Technology,2022,50(1):1-27.
[4] 王勇. 加快推进煤矿智能化建设 提高煤矿本质安全水平[J]. 中国煤炭工业,2020(11):4. DOI: 10.3969/j.issn.1673-9612.2020.11.001 WANG Yong. Accelerate the construction of intelligent coal mine to improve the essential safety level of coal mine[J]. China Coal Industry,2020(11):4. DOI: 10.3969/j.issn.1673-9612.2020.11.001
[5] 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.
[6] 王家臣. 我国放顶煤开采的工程实践与理论进展[J]. 煤炭学报,2018,43(1):43-51. WANG Jiachen. Engineering practice and theoretical progress of top-coal caving mining technology in China[J]. Journal of China Coal Society,2018,43(1):43-51.
[7] 黄曾华. 综采装备单机智能化向智能协同模式转型的探索研究[J]. 煤炭科学技术,2021,49(4):169-175. HUANG Zenghua. Exploration and research on transformation from intelligent single machine equipment to intelligent synergy in coal mine[J]. Coal Science and Technology,2021,49(4):169-175.
[8] 葛世荣. 煤矿智采工作面概念及系统架构研究[J]. 工矿自动化,2020,46(4):1-9. GE Shirong. Research on concept and system architecture of smart mining workface in coal mine[J]. Industry and Mine Automation,2020,46(4):1-9.
[9] 王国法,徐亚军,孟祥军,等. 智能化采煤工作面分类、分级评价指标体系[J]. 煤炭学报,2020,45(9):3033-3044. WANG Guofa,XU Yajun,MENG Xiangjun,et al. Specification,classification and grading evaluation index for smart longwall mining face[J]. Journal of China Coal Society,2020,45(9):3033-3044.
[10] 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.
[11] 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.
[12] 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.
[13] 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.
[14] 秦文光. 王家岭矿综放工作面智能化协同控制方案设计与实现[J]. 煤炭科学技术,2020,49(增刊1):53-58. QIN Wenguang. Design and complete of intelligent collaborative control scheme for fully-mechanized top coal caving face in Wangjialing Mine[J]. Coal Science and Technology,2020,49(S1):53-58.
[15] 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.
[16] 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 withdraw coal and intelligent control of draw opening in longwall top coal caving face[J]. Journal of China Coal Society,2022,47(1):87-101.
[17] 袁源,汪嘉文,朱德昇,等. 顶煤放落过程煤矸声信号特征提取与分类方法[J]. 矿业科学学报,2021,6(6):711-720. YUAN Yuan,WANG Jiawen,ZHU Desheng,et al. Feature extraction and classification method of coal gangue acoustic signal during top coal caving[J]. Journal of Mining Science and Technology,2021,6(6):711-720.
[18] 曹贯强,尉瑞,孟祥涛,等. 用于煤矸识别的振动传感器设计[J]. 工矿自动化,2021,47(1):118-122. CAO Guanqiang,YU Rui,MENG Xiangtao,et al. Design of vibration sensor for coal gangue identification[J]. Industry and Mine Automation,2021,47(1):118-122.
[19] 张守祥,张艳丽,王永强,等. 综采工作面煤矸频谱特征[J]. 煤炭学报,2007,32(9):971-974. ZHANG Shouxiang,ZHANG Yanli,WANG Yongqiang,et al. Caved coal and rock spectrum on long wall face[J]. Journal of China Coal Society,2007,32(9):971-974.
[20] 吴婕萍,李国辉. 煤岩界面自动识别技术发展现状及其趋势[J]. 工矿自动化,2015,41(12):44-49. WU Jieping,LI Guohui. Development status and tendency of automatic identification technologies of coal-rock interface[J]. Industry and Mine Automation,2015,41(12):44-49.
[21] 魏文艳. 综采工作面放顶煤自动控制系统[J]. 工矿自动化,2015,41(7):10-13. WEI Wenyan. Automatic control system for top coal caving on fully mechanized mining face[J]. Industry and Mine Automation,2015,41(7):10-13.
-
期刊类型引用(4)
1. 庞义辉，关书方，姜志刚，白云，李鹏. 综放工作面围岩控制与智能化放煤技术现状及展望. 工矿自动化. 2024(09): 20-27 . 
本站查看
2. 常树峰. 基于图像识别技术的综放工作面安全智能监控方法. 矿业装备. 2024(10): 7-9 . 百度学术
3. 夏秋龙，孔德彪. 智能化采煤机在综放工作面的应用. 晋控科学技术. 2023(05): 33-35 . 百度学术
4. 王雷，张硕，徐泽鹏. 智能化建设对井下煤矿工人劳动强度的影响研究. 煤炭经济研究. 2023(11): 72-79 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 279
- HTML全文浏览量: 50
- PDF下载量: 44
- 被引次数: 5
