A coal mine data acquisition, fusion and sharing system based on object model
-
摘要: 针对目前煤矿数据采集、融合与共享存在的设备属性缺乏标准化且语义不统一、数据采集规约无法跨操作系统、数据访问实时性差、数据共享效率低等问题，设计了一种基于对象模型的煤矿数据采集融合共享系统。在基于位号的煤矿数据编码标准的基础上设计设备对象模型，克服了设备属性缺少标准化和设备属性语义不统一的问题；采用工业规约采集、Restful API问答式采集和文件数据采集等数据接入方式，可支持国产化操作系统，提供了方便的报文监视工具，能够准确判断通信异常原因；通过设备对象模型映射实现数据融合，引入数据治理机制确保数据的准确性和一致性，以对象模型的形式存储数据来节省存储空间、提高存储效率；将所有设备对象数据存储到一张表中，对象化的数据共享接口可简化成实时数据共享接口和历史数据共享接口，减少了冗余接口，从而降低了数据访问次数。应用结果表明，该系统在对设备数据标准化后降低了数据使用过程中语义解析的难度，同时提高了数据的计算、存储和访问性能，为大数据分析提供了保障。Abstract: In current coal mine data acquisition, fusion, and sharing, there are problems of lack of standardization and semantic inconsistency in device attributes, inability to cross operating systems in data acquisition protocols, poor real-time data access, and low data sharing efficiency. In order to solve the above problems, a coal mine data acquisition, fusion, and sharing system based on object model is designed. On the basis of the coding standard for coal mine data based on tag numbers, a device object model is designed to overcome the problems of lack of standardization of device attributes and semantic inconsistency in device attributes. By using industrial protocol acquisition, Restful API Q&A acquisition, and file data acquisition methods for data access, it can support domestic operating systems and provide convenient message monitoring tools to accurately determine the cause of communication abnormalities. The model implements data fusion through device object model mapping, introduces data governance mechanisms to ensure data accuracy and consistency, and stores data in the form of object models to save storage space and improve storage efficiency. The model stores all device object data in one table. The object-oriented data sharing interface can be simplified into real-time data sharing interface and historical data sharing interface, reducing redundant interfaces and thus reducing data access times. The application results show that the system reduces the difficulty of semantic parsing during data usage after standardizing device data. The system improves the performance of data computation, storage, and access, providing guarantees for big data analysis.
-
Keywords:
- data acquisition /
- data fusion /
- data sharing /
- object model /
- data encoding /
- data governance /
- data storage
-
0. 引言
煤炭开采过程中往往产生大量粉尘[1-3]，高浓度粉尘不仅威胁矿井安全生产，还会诱发尘肺病、心血管疾病等[4-6]。2023年我国新增职业病
12087 例，其中尘肺病8 051例，占比近67%[7]。据统计，煤矿尘肺病致亡人数远大于生产事故致亡人数[8]。因此，研究煤炭开采过程中粉尘运移及分布规律对于保护矿工职业健康安全至关重要。目前，大量学者通过实验室实验、现场测试及数值模拟的方法对粉尘运移及分布规律进行了研究[9-11]。冯恒原等[12]运用现场测试、理论分析和数值模拟方法对综掘工作面粉尘运移规律及不同粒径粉尘富集特征进行了研究，给出了涡流区的控降尘建议。周全超等[13]模拟了综掘工作面不同通风条件下的降尘效果，并通过现场测试检验了数值模拟的可靠性。宋淑郑等[14]运用Fluent软件对综采工作面风流场和粉尘浓度逸散规律进行了模拟。Nie Wen等[15]通过数值模拟研究了不同风量下综采工作面风流运移及粉尘运移规律，发现风量为90 m3/min的风幕能有效控制工作面粉尘。Hao Tianxuan等[16]结合数值模拟和现场测试方法，对综采工作面呼吸区的粉尘运移分布规律进行了研究。Zhang Wei等[17]基于数值模拟和现场测试，得出距离尘源越远，粉尘浓度越低，落尘颗粒粒径越小的结论。
目前对综采工作面、综掘工作面粉尘运移及分布规律的研究较多，但对通风扰动下连采工作面截割粉尘运移及分布规律的研究较少。本文以陕煤集团神木红柳林矿业有限公司15218连采工作面为研究对象，采用SolidWorks构建连采工作面物理模型，基于欧拉−拉格朗日方法，利用CFD软件对通风扰动下连采工作面截割粉尘运移及分布规律进行数值模拟研究，研究结果可为连采工作面粉尘治理提供一定的指导。
1. 工作面概况
15218连采工作面由主运巷、辅运巷、切眼、调车硐室及回风巷构成。主运巷长2 733 m，用于运输矿石及其他物料；辅运巷长2 815 m，用于运输人员及设备。该工作面东边为15217备采掘进工作面，西边为实体煤区，北边为5−2煤南辅运巷，南边为拦截斜巷。该工作面通风量为385～6 148.8 m3/min。
2. 数值模型
2.1 物理模型
取15218连采工作面前30 m巷道为研究区域，根据实际情况，对连续采煤机、风筒、梭车等进行简化，使用SolidWorks软件建立连采工作面物理模型，如图1所示。巷道断面为宽6.1 m、高4.2 m的矩形，连续采煤机总长为7.6 m，风筒（直径为1 m）布置在巷道右上方，风筒中心距离巷道顶板和右侧巷道壁面均为0.6 m、距离巷道底板3.6 m，风筒风流出口距离采煤壁面5 m。
2.2 数学模型
2.2.1 基本假设
结合现场情况与气固两相流理论，将空气看作连续相，粉尘看作离散相，利用CFD模拟风流场及粉尘分布情况，并做出如下合理假设[18-19]：① 在采煤过程中，将产尘过程视为一种匀速喷射的理想状态过程，且假定煤体在采煤过程中保持相对一致的含水率，排除因水分变化而导致的复杂因素。② 将粉尘颗粒假设为规则球体，粉尘属性定义为高挥发性煤粉。③ 假设工作面空气密度基本相同且不可压缩，风筒风流洁净无污染。
2.2.2 模型方程
在气固两相流模拟方法中，欧拉−欧拉方法对颗粒级的模拟精度有所欠缺，而欧拉−拉格朗日方法的模型较为简单，计算精度能达到规律分析要求[20]。因此本文采用欧拉−拉格朗日方法对风流场、粉尘运移及分布进行模拟，涉及的相关方程如下。
连续性方程：
$$ \frac{{\partial \rho }}{{\partial t}} + \frac{{\partial (\rho {u_i})}}{{\partial {x_i}}} = 0 $$ (1) 式中：$\rho $为流体密度，kg/m3；$ t $为时间，s；$u_i$为笛卡尔坐标系下i方向的流体速度，m/s；$ {x_i} $为笛卡尔坐标系下i方向的流体位移，m。
动量方程：
$$ \begin{split} \frac{{\partial \left( {\rho {u_i}} \right)}}{{\partial t}} + \frac{{\partial \left( {\rho {u_i}{u_j}} \right)}}{{\partial {x_j}}} =\;& - \frac{{\partial p}}{{\partial {x_i}}} + \frac{\partial }{{\partial {x_j}}}\left[ {\left( {\mu + {\mu _t}} \right)\left( {\frac{{\partial {u_j}}}{{\partial {x_i}}} + \frac{{\partial {u_i}}}{{\partial {x_j}}}} \right)} \right]- \\ & \frac{2}{3}\left( {\mu + {\mu _t}} \right)\frac{{\partial {u_j}}}{{\partial {x_j}}}{{\boldsymbol{\delta}} _{ij}} + \rho {g_i} + {F_i} \end{split} $$ (2) 式中：uj为笛卡尔坐标系下j方向的流体速度，m/s；xj为笛卡尔坐标系下j方向的流体位移，m；$p$为流体静压，Pa；$\mu $，$ {\mu }_{{\mathrm{t}}} $分别为层流、湍流动力黏度，Pa·s；${{\boldsymbol{\delta}} _{ij}}$为单位张量；${g_i}$为笛卡尔坐标系下i方向的重力加速度，m/s2；${F_i}$为笛卡尔坐标系下i方向的同离散相相互作用而产生的外力，N。
湍流动能方程：
$$ \frac{{\partial (\rho k)}}{{\partial t}} + \frac{{\partial (\rho k{u_i})}}{{\partial {x_i}}} = \frac{\partial }{{\partial {x_j}}}\left[(\mu + \frac{{{\mu _t}}}{{{\sigma _k}}})\frac{{\partial k}}{{\partial {x_j}}}\right] + {G_k} - \rho \varepsilon $$ (3) 式中：$k$为湍流动能，m2/s2；$ {\sigma _k} $为湍流动能方程的紊流普朗特数；$G_k$为平均速度梯度引起的湍流动能的产生项，kg/（m·s3）；$ \varepsilon $为湍流耗散率，m2/s3。
湍流耗散率方程：
$$ \frac{{\partial (\rho \varepsilon )}}{{\partial t}} + \frac{{\partial (\rho \varepsilon {u_i})}}{{\partial {x_i}}} = \frac{\partial }{{\partial {x_j}}}\left[\left(\mu + \frac{{{\mu _t}}}{{{\sigma _\varepsilon }}}\right)\frac{{\partial \varepsilon }}{{\partial {x_j}}}\right] + \frac{{{C_{1\varepsilon }}\varepsilon }}{k}{G_k} - {C_{2\varepsilon }}\rho \frac{{{\varepsilon ^2}}}{k} $$ (4) 式中：$ {\sigma _\varepsilon } $为湍流耗散率方程的紊流普朗特数；$ {C_{1\varepsilon }} $，$ {C_{2\varepsilon }} $为经验常数。
粉尘运动轨迹方程：
$$ \frac{\text{d}u_{\mathrm{p}}}{\text{d}t}=\frac{u-u_{\mathrm{p}}}{\tau }+\frac{g\left({\rho } _{{\mathrm{p}}}-\rho \right)}{{\rho }_{ {\mathrm{p}}}}+B $$ (5) $$ \tau=\frac{\rho_{\text{p}}d_{\mathrm{p}}^2}{18\mu}\frac{24}{C_{\text{d}}Re} $$ (6) $$ C_{\mathrm{d}} = {a_1} + \frac{{{a_2}}}{{Re}} + \frac{{{a_3}}}{{R{e^2}}} $$ (7) $$ Re = \frac{{\rho d_{\mathrm{p}}\mid u_{\mathrm{p}} - u\mid }}{\mu } $$ (8) 式中：$u_{\mathrm{p}}$为粒子速度，m/s；$\tau $为粒子的弛豫时间，s；$ {\rho }_{{{\mathrm{p}}}} $为粒子密度，kg/m3；$B$为附加加速度项，N/kg；$d_{\mathrm{p}}$为粒子直径，m；$C_{\mathrm{d}}$为阻力系数；$Re$为相对雷诺数；$a_1$−$a_3$为适用于多个$Re$范围的常数。
2.2.3 参数设置
为确保数值模拟的准确性，基于连采工作面作业空间内的粉尘浓度和粉尘粒径分布的测定数据，对模拟参数进行设置，见表1。
表 1 模拟参数设置Table 1. Simulation parameters setting参数 设置 参数 设置 入口边界类型 速度入口 粉尘类型 高挥发性煤 出口边界类型 自由出流 粒径分布 罗森−拉姆勒
分布函数入口速度/（m·s−1） 16.3 最小粒径/mm 0.001 壁面边界 反射 中位粒径/mm 0.032 壁面剪切条件 无滑移 最大粒径/mm 0.100 壁面运动 静止 分布指数 3.5 喷射源类型 面喷射 质量流率/（kg·s−1） 0.003 发尘时间/min 10 湍流扩散模型 随机轨道模型 2.3 网格划分
以全局四面体网格的划分方法对物理模型进行网格划分，在23×104，31×104，42×104，52×104，63×104，73×104个网格数量下进行网格独立性验证，对应网格数量的单元尺寸依次为300，240，200，180，165，155 mm。
在模型出口断面风筒正下方1.5 m处设置速度监测点，记录各网格数量下该监测点的风速，如图2所示。
由图2可知，当网格数量达到63×104个时，风速变化较小，趋于稳定，说明网格具有独立性。考虑计算精度及计算速度需求，选择单元尺寸为165 mm、数量为63×104个的网格进行数值模拟计算。
2.4 模型验证
结合现场实际情况、尘源地点和工作面人员位置，现场巷道粉尘浓度测定共布置3个测点（编号为A，B，C），如图3所示。
以滤膜称重法进行粉尘浓度测定。先使用CCZ−20A采样器采集粉尘，再使用电子天平称量粉尘滤膜。粉尘浓度计算公式为
$$ {{c}} = \frac{m}{V} $$ (9) 式中：c为粉尘浓度，mg/m³；$m$为粉尘质量，mg；$V$为气体体积，m³。
根据现场测点位置布置粉尘采样器，待连续采煤机截割5 min后开始取样，每次取样2.5 min，取样3次。根据式（9）计算得到各测点的粉尘浓度，现场实测数据与模拟数据对比如图4所示。
由图4可知，实测数据与模拟数据相近，且相对误差在5%以内。考虑到现场因素（如连续采煤机位置变化、人员走动等）对粉尘浓度的影响，相对误差在可接受范围内，表明数值模型较为准确。
3. 数值模拟结果及分析
3.1 粉尘运移及分布
3.1.1 风流场中的粉尘运移及分布
粉尘运移及分布规律受多种因素影响，其中以风流场的影响最为显著。因此，通过分析风流场分布规律来解释粉尘运移及分布特征[21]。连采工作面风流场如图5所示。
由图5可知：风筒出口风速达16.3 m/s；风流向采煤壁面运移的过程中，随着射流长度增加，风速逐渐减小，与采煤壁面接触时风速减至8 m/s，此时风流受到采煤壁面阻碍，不能保持原来的风流方向，因此形成冲击射流区；冲击射流撞向采煤壁面时，风流因受阻碍沿采煤壁面向各个方向运移，其中向进风侧运移的风流受到进风侧巷道壁面、巷道底板和巷道顶板的阻碍后运移方向发生改变，又因为高速射流对运移受限风流的卷吸，风流在连续采煤机截割臂附近形成涡流区；风流流经梭车时，因巷道断面面积的急剧变大而形成尾流区，流入尾流区的风流撞击到巷道底板后运移方向发生改变，所以部分风流在此处呈凹形流动。
基于连采工作面风流场的规律分析，利用Tecplot软件与CFD自带的后处理功能，从粉尘浓度分布、粉尘滞留时间分布和粉尘颗粒流指数分布3个方面研究风流场中粉尘的运移及分布规律，如图6−图8所示。
![]()
图 7 连采工作面粉尘滞留时间分布Figure 7. Dust residence time distribution of continuous mining face![]()
图 8 连采工作面粉尘颗粒流指数分布Figure 8. Dust particle flow index distribution of continuous mining face由图6可知，风流经风筒进入巷道，连采工作面产生的大部分粉尘被风流裹挟由回风侧向巷道出口运移，回风侧整体粉尘浓度大于进风侧。在风流影响下巷道内形成2处粉尘富集区域：① 连续采煤机截割工作面产生的粉尘受冲击射流的裹挟向回风侧运移，含尘风流受回风侧巷道壁面的阻碍，其裹挟粉尘的作用减弱，粉尘在回风侧截割滚筒三角区形成富集区。② 含尘风流向巷道出口运移的过程中，因断面面积增大，风速衰减，粉尘在回风侧的连续采煤机尾部至巷道中部形成了带状富集区。含尘风流向巷道出口运移的整个过程中，涡流区并没有形成明显的粉尘富集区，这是由于连采工作面截割产尘面靠近回风侧，大部分粉尘被风流裹挟向回风侧运移，受涡流影响较小。
由图7可知，滞留时间较短的粉尘主要分布于回风侧截割滚筒三角区和连续采煤机尾部至巷道中部区域，这是由于对应区域含尘风流风速较大形成的；另外还有部分滞留时间较短的粉尘分布于连续采煤机尾部与梭车头部的上方区域，这是由于该区域位于涡流区域外部与紊乱风流附近，使得粉尘滞留时间较短。滞留时间较长的粉尘主要分布在巷道中后部区域的上层空间，这是由于该区域含尘风流较少且风速较低。
由图8可知，在回风侧截割滚筒三角区和连续采煤机尾部至巷道中部区域的粉尘颗粒流指数较大，与粉尘滞留时间较小的区域高度重合。
综合图5−图8可知，涡流区域内粉尘浓度较低，粉尘富集不明显。粉尘运移分布主要受冲击射流的影响，风流将粉尘裹挟向回风侧运移，进而回风侧粉尘富集较多，粉尘浓度较大。回风侧截割滚筒三角区和连续采煤机尾部至巷道中部区域的粉尘富集较多。在回风侧风速较大区域内，粉尘滞留时间较短，粉尘颗粒流指数较大，粉尘浓度较高，且粉尘滞留时间较短区域与粉尘颗粒流指数较大区域高度重合。
3.1.2 巷道截面中的粉尘运移及分布
沿连采工作面的巷道走向（Z方向）、巷道高度方向（Y方向）及巷道宽度方向（X方向）截取相应截面，研究连采工作面粉尘运移及分布规律。
距离采煤壁面0，0.5，5，10，20，30 m处粉尘浓度分布如图9所示。
![]()
图 9 距采煤壁面不同距离处粉尘浓度分布Figure 9. Dust concentration distribution at different distances from coal wall由图9可知，在Z=0截面，高浓度粉尘分布在连续采煤机截割工作面的产尘区域，受冲击射流的裹挟及粉尘自身重力作用，粉尘云团由矩形产尘面向回风侧和巷道底板运移，综合作用下粉尘云团浓度呈由中心向周围降低的倒梯形分布。由于大部分含尘风流受连续采煤机机身的阻挡，沿巷道空隙向巷道出口运移，在Z=0.5 m截面，高浓度粉尘云团分布在巷道回风侧截割滚筒三角区。当含尘风流运移到连续采煤机机身中部时，向巷道出口运移的含尘风流并不是完全沿着巷道运移的，且随着运移距离的增加，风流对粉尘的裹挟作用减弱，大粒径粉尘在运移过程中发生沉降，因此在Z=5 m截面，回风侧截割滚筒三角区的粉尘浓度相应降低，粉尘云团的区域面积相应减小。小粒径粉尘在涡流区内发生富集，在Z=5 m截面，粉尘在连续采煤机上方区域形成浓度为100～200 mg/m3的粉尘富集云团。当含尘风流进一步运移时，因巷道底板和顶板阻碍而改变方向的含尘风流在梭车区域聚拢，在Z=10 m截面，回风侧底部三角区的粉尘云团位置略有上移，且凹槽形状的梭车及其中倾斜的箱板截留了部分粉尘。当粉尘运移到Z=20 m截面处时，由于截面面积扩大，风流运移空间相对自由，风速随之降低，风流对粉尘的裹挟作用减弱，粒径较大粉尘发生沉降，粒径较小粉尘发生扩散，所以综合体现为粉尘云团浓度降低与面积扩大。含尘风流继续向巷道出口运移，风流对粉尘的裹挟作用进一步减弱，粒径更小的粉尘进一步发生扩散，当粉尘最终运移到出口位置（Z=30 m截面）时，粉尘云团的浓度进一步降低，粉尘云团的形成位置在空间内更具自由性。
距离巷道底板0，0.5，1，2，3.5 m处粉尘浓度分布如图10所示。
![]()
图 10 距巷道底板不同距离处粉尘浓度分布Figure 10. Dust concentration distribution at different distances from roadway floor由图10可知，在巷道底板（Y=0截面），高浓度粉尘云团主要分布于回风侧连续采煤机与梭车区域。在Y=0.5 m截面，分布于回风侧连续采煤机与梭车区域的粉尘云团浓度虽然降低，但粉尘云团分布呈更完整的条带状，粉尘运移受梭车的截留作用，粉尘在梭车内发生富集。在Y=1 m截面，高浓度粉尘主要分布于梭车区域，矩形产尘区域内粉尘受风流的裹挟作用，在该截面中部形成较高浓度的粉尘云团。在Y=2 m截面，粉尘受涡流区风流的富集作用，部分粉尘分布于连续采煤机上方，因风流对粉尘的裹挟作用减弱与粉尘自身的扩散作用，粉尘在截面中后部富集。在Y=3.5 m截面，粉尘因涡流区的富集作用，在连续采煤机与风筒间形成了较高浓度的粉尘云团。
距离回风侧巷道壁面1，2，3，4，5，6 m处粉尘浓度分布如图11所示。
![]()
图 11 距回风侧巷道壁面不同距离处粉尘浓度分布Figure 11. Dust concentration distribution at different distances from roadway wall of return air side由图11可知，在X=1 m截面，风流经过梭车后，由于断面面积急剧扩大而形成尾流区，含尘风流流经尾流区撞击到巷道底板后运移方向发生改变，所以粉尘在截面中后部区域呈凹形条带分布。由于粉尘主要沿巷道回风侧向巷道出口运移，所以仅在X=1 m截面有较明显的粉尘云团。由于部分含尘风流撞击到巷道底板导致运移方向发生改变，变向的含尘风流流经连续采煤机上方区域，所以在X=2 m截面，连续采煤机上方区域有较明显的粉尘云团，又因梭车对含尘风流的截留作用，梭车内有较明显的粉尘云团。由于涡流区的形成位置靠近进风侧，且粉尘运移主要受冲击射流的影响，涡流区内粉尘富集不明显，仅在巷道宽度方向的中间位置（X=3，4 m截面）有较明显的粉尘云团。大部分含尘风流向巷道出口运移的过程中，有部分含尘风流流经风筒并形成了圆柱绕流，所以在X=5 m截面，后段风筒附近有较明显的粉尘云团。在X=6 m截面，因含尘风流在巷道中后部裹挟粉尘的能力降低，粉尘云团形成更自由，粉尘云团浓度也进一步降低。
3.2 不同粒径粉尘运移及分布
距离采煤壁面0.5，5，10，20，30 m处粉尘粒径分布如图12所示。
![]()
图 12 距采煤壁面不同距离处粉尘粒径分布Figure 12. Dust particle size distribution at different distances from coal wall由图12（a）可知：微尘（粒径∈（0.25，10] μm）、细尘（粒径∈（10，40] μm）和粗尘（粒径∈（40，85] μm）数量均随着距采煤壁面距离的增大而减少，说明含尘风流向巷道出口运移的过程中，微尘、细尘、粗尘都发生了沉降；含尘风流运移到巷道出口位置时，粗尘沉降最多，细尘次之，微尘沉降最少；在Z∈[0.5，20）m区域粗尘沉降最多，细尘次之，微尘沉降最少，但在Z∈[20，30） m区域细尘与微尘的沉降量相近，这主要是由于风流向巷道出口运移的过程中，随着风速的衰减，风流对粉尘的裹挟作用减弱。
由图12（b）可知：在Z=0.5，5m截面，粗尘占比最大；在Z=10，20，30 m截面，细尘占比最大；微尘、细尘占比均随着距采煤壁面距离的增大而增大，粗尘占比随着距采煤壁面距离的增大而减小。
距离巷道底板0，0.5，1，2，3.5 m处粉尘粒径分布如图13所示。
![]()
图 13 距巷道底板不同距离处粉尘粒径分布Figure 13. Dust particle size distribution at different distances from roadway floor由图13（a）可知，微尘、细尘、粗尘数量随着距巷道底板距离的增大均呈先增多后减少的变化趋势，这是由于矩形产尘面位于Z=0截面的中部及冲击射流的作用。
由图13（b）可知：在Y=0，0.5，1 m截面，粗尘占比最大，微尘占比最小；在Y=2，3.5 m截面，细尘占比最大，微尘占比最小，粗尘占比急剧减小，其中在Y=3.5 m截面，细尘占比过半，粗尘、微尘的占比相近；微尘、细尘占比随着距巷道底板距离的增大而增大，粗尘占比随着距离巷道底板距离的增大而减小。
距离回风侧巷道壁面1，2，3，4，5，6 m处粉尘粒径分布如图14所示。
![]()
图 14 距回风侧巷道壁面不同距离处粉尘粒径分布Figure 14. Dust particle size distribution at different distances from roadway wall of return air side由图14可知：微尘、细尘、粗尘数量均随着距回风侧巷道壁面距离的增大而减小；沿巷道宽度方向各截面中细尘占比最大，微尘占比最小；粗尘占比随着距回风侧巷道壁面距离的增大而减小，细尘、微尘占比总体随着距回风侧巷道壁面距离的增大而增大。
综合图9−图14可知：① 梭车截留粉尘于梭车内富集形成高浓度粉尘云团；涡流区将部分粉尘富集于连续采煤机上方区域；富集在尾流区域的高浓度粉尘云团呈凹形条带状。② 微尘、细尘、粗尘向出口运移的过程中均发生沉降，其中粗尘沉降最多，微尘沉降最少；微尘、细尘、粗尘的数量随着距巷道底板距离的增大均呈先增多后减少的变化规律；微尘、细尘、粗尘的数量随着距采煤壁面距离、回风侧巷道壁面距离的增大而减少。
3.3 不同风速下粉尘运移及分布
在风流场、粉尘浓度及粉尘粒径分布规律分析的基础上，截取呼吸带高度（Y=1.5 m）截面，从粉尘浓度与粉尘粒径分布2个方面研究不同风速下连采工作面粉尘运移及分布规律。
3.3.1 不同风速下粉尘浓度分布
不同风速下呼吸带粉尘浓度分布如图15所示。
![]()
图 15 不同风速下呼吸带粉尘浓度分布Figure 15. Dust concentration distribution in respiratory zone under different wind speeds由图15可知，大部分含尘风流沿采煤壁面向回风侧运移，高浓度粉尘云团主要分布于回风侧截割滚筒三角区及回风侧连续采煤机尾部至巷道中部区域。风速较低时，风流对粉尘的裹挟作用较弱，粉尘较易富集形成浓度较高、面积较大的粉尘云团。随着风速增大，风流裹挟更多粉尘更快地向巷道出口运移，所以粉尘云团的面积和浓度均随着风速的增大而减小。根据粉尘云团面积与浓度减小幅度可初步得出1.6 m/s的排尘风速较为合理。
在进风侧风筒正下方与回风侧未受连续采煤机阻碍处，每间隔2 m在呼吸带高度（Y=1.5 m）位置设置粉尘浓度监测点，15个监测点的粉尘浓度均值如图16所示。
![]()
图 16 呼吸带进回风侧粉尘浓度分布Figure 16. Dust concentration distribution in inlet and return air sides of respiratory zone由图16（a）可知，呼吸带进风侧粉尘浓度相对较小，在120 mg/m3以下，且随着距采煤壁面距离的增加，粉尘浓度呈波动变化趋势。进风风速为0.5 m/s时，距采煤壁面20 m处粉尘浓度最高，距采煤壁面4 m处粉尘浓度最低。相邻风速下的粉尘浓度差值随着风速增大而减小，且风速在1.6 m/s以上时粉尘浓度差值减小不明显，进一步得出1.6 m/s的排尘风速较为合理。
由图16（b）可知，呼吸带回风侧粉尘浓度随着距采煤壁面距离的增加也呈波动变化趋势，但与呼吸带进风侧相比波动幅度更大，粉尘浓度更高，最高粉尘浓度近800 mg/m3。呼吸带回风侧相邻风速下的粉尘浓度差值也随着风速增大而减小，因为回风侧粉尘浓度总体偏高，所以相邻风速下的粉尘浓度差值总体偏大，回风侧也同样表现出风速在1.6 m/s以上时粉尘浓度差值减小不明显，再次说明1.6 m/s的排尘风速较为合理。
由上述分析可知，粉尘主要在巷道回风侧运移，因此以0.5 m/s风速下回风侧15个监测点的粉尘浓度为初始浓度，以1.0 m/s风速下回风侧15个监测点的粉尘浓度为最终浓度，计算1.0 m/s风速相对于0.5 m/s风速的排尘率，然后再以1.0 m/s风速下15个监测点的粉尘浓度为初始浓度，以1.6 m/s风速下15个监测点的粉尘浓度为最终浓度，计算1.6 m/s风速相对于1.0 m/s风速的排尘率，以此类推，计算不同风速下的排尘率，结果如图17所示。
![]()
图 17 呼吸带回风侧不同风速排尘率Figure 17. Dust removal rate under different wind speeds on return air side of respiratory zone由图17可知，各风速下的排尘率均有为负的情况，说明风速的增大并不能对回风侧所有区域的粉尘进行排除，会使回风侧某些区域的粉尘发生富集现象，但风速增大有利于排除大部分区域的粉尘。1.0，1.6，2.3，3.1，4.0 m/s风速下的最低排尘率分别为−447.7%，−95.5%，−139.9%，−255.5%，−433.3%，最高排尘率分别为85.4%，88.9%，95.1%，71.1%，85.1%。1.6 m/s风速下的最低排尘率最大，2.3 m/s次之；2.3 m/s风速下的最高排尘率最大，1.6 m/s次之。考虑到风速持续增大对连采工作面安全生产的不利影响，最终确认1.6 m/s的排尘风速较为合理。
综合图15−图17可知：粉尘主要分布在呼吸带回风侧一带的连续采煤机、梭车和巷道中部区域；随着风速增加，较大浓度的粉尘云团面积减小，但减小程度递减；进风侧、回风侧粉尘浓度随着风速增加而减小，风速增大有利于排除大部分区域的粉尘，但不能对回风侧所有区域的粉尘进行排除；1.6 m/s的排尘风速较为合理。
3.3.2 不同风速下粉尘粒径分布
在风流场计算稳定后，开启离散相，通过Fluent自带的采样功能，得到呼吸带粉尘随风速变化的分布情况，如图18所示。
![]()
图 18 不同风速下呼吸带粉尘粒径分布Figure 18. Dust particle size distribution in respiratory zone under different wind speeds由图18可知：微尘、细尘、粗尘数量随风速增加均呈先增多后减少的变化规律，其中风速由0.5 m/s增加到1.0 m/s时，微尘、细尘、粗尘的数量增加最明显，这说明随着风速增加，有更多粉尘进入到呼吸带高度平面，但随着风速继续增加，一些粉尘离开了呼吸带高度平面；细尘占比最大，微尘占比最小；微尘、细尘、粗尘占比分别为15%，54%，31%左右，基本不受风速变化的影响。
4. 连采工作面控降尘建议
由上述分析可知，虽然适当增大连采工作面风速（1.6 m/s）可有效改善呼吸带高度平面粉尘在局部区域的富集问题，但风速的提升也会扬起更多粉尘分布在呼吸带高度平面。相较于局部区域聚集的高浓度粉尘云团，离散的粉尘分布更广，危害更大，另外风速增大对采煤工艺、采煤效率及巷道支护影响也较大。鉴于此，对连采工作面的控降尘给出以下建议：
1） 以不影响安全生产、保护井下作业人员身心健康为前提，适当增大连采工作面的风速进行全局排尘。
2） 工作面的粉尘治理应优先对煤层进行注水开采，即从粉尘产生的源头控制，通过煤层注水润湿降低产尘量。
3） 针对微尘、细尘难以沉降的问题，在连续采煤机截割滚筒附近安装雾化效果良好的高压喷雾装置进行粉尘治理。
4） 在回风侧连续采煤机处安装局部电动除尘器进一步提升粉尘治理效果。
5. 结论
1） 连采工作面内粉尘运移主要受冲击射流区的影响向回风侧运移。大部分粉尘分布于回风侧截割滚筒三角区及连续采煤机尾部至巷道中部区域，且高浓度粉尘的富集与风速、滞留时间及颗粒流指数密切相关。涡流区内粉尘富集较少，部分粉尘富集于梭车内，尾流区内粉尘云团呈凹形条带状。
2） 含尘风流向巷道出口运移的过程中，粗尘沉降最多，微尘沉降最少；微尘、细尘、粗尘的数量随着距巷道底板距离的增大均呈先增多后减少的变化规律；微尘、细尘、粗尘的数量随着距采煤壁面距离、回风侧巷道壁面距离的增大而减少。
3） 在呼吸带高度处粉尘云团浓度和面积均随着风速增加而减小，且减小幅度逐渐降低。粉尘浓度随着距采煤壁面距离的增大呈波动变化，微尘、细尘、粗尘占比分别为15%，54%，31%左右，基本不受风速变化的影响。1.6 m/s的风速虽有利于高浓度粉尘区域的排尘，但会扬起更多粉尘进入呼吸带高度平面。因此既要合理增大风速进行全局排尘，也要采取针对性措施进行局部重点控降尘。
-
![]()
图 1 基于对象模型的煤矿数据采集融合共享系统架构
Figure 1. Architecture of coal mine data acquisition, fusion and sharing system based on object model
表 1 数据计算性能对比
Table 1 Comparison of data calculation performance
计算方式 准确率/% 每10万条数据计算用时/s 数据存储前计算 90 1 数据使用时计算 87 5 
下载: 导出CSV
表 2 数据存储性能对比
Table 2 Comparison of data storage performance
数据库 松散数据存储速率/（kbit·s−1） 对象数据存储速率/（kbit·s−1） Redis 200 2 000 ClickHouse 100 5 000
下载: 导出CSV
表 3 数据查询性能对比
Table 3 Comparison of data query performance
数据库 松散数据查询速率/（kbit·s−1） 对象数据查询速率/（kbit·s−1） Redis 1 000 4 000 ClickHouse 100 1 000
下载: 导出CSV
-
[1] 王国法,刘峰,孟祥军,等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术,2019,47(8):1-36. WANG Guofa,LIU Feng,MENG Xiangjun,et al. Research and practice on intelligent coal mine construction(primary stage)[J]. Coal Science and Technology,2019,47(8):1-36.
[2] 王国法,杜毅博. 煤矿智能化标准体系框架与建设思路[J]. 煤炭科学技术,2020,48(1):1-9. WANG Guofa,DU Yibo. Coal mine intelligent standard system framework and construction ideas[J]. Coal Science and Technology,2020,48(1):1-9.
[3] 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.
[4] 张鹏. 智能矿山大数据体系建设探索[J]. 工矿自动化,2021,47(增刊1):21-23,44. ZHANG Peng. Exploration on construction of big data system for intelligent mine[J]. Industry and Mine Automation,2021,47(S1):21-23,44.
[5] 杜毅博,赵国瑞,巩师鑫. 智能化煤矿大数据平台架构及数据处理关键技术研究[J]. 煤炭科学技术,2020,48(7):177-185. DU Yibo,ZHAO Guorui,GONG Shixin. Study on big data platform architecture of intelligent coal mine and key technologies of data processing[J]. Coal Science and Technology,2020,48(7):177-185.
[6] 韩安. 基于Hadoop的煤矿数据中心架构设计[J]. 工矿自动化,2019,45(8):60-64. HAN An. Architecture design of coal mine data center based on Hadoop[J]. Industry and Mine Automation,2019,45(8):60-64.
[7] 方乾,张晓霞,王霖,等. 智能化煤矿大数据治理关键技术研究、实践与应用[J]. 工矿自动化,2023,49(5):37-45,73. FANG Qian,ZHANG Xiaoxia,WANG Lin,et al. Research,practice and application of key technologies of intelligent coal mine big data governance[J]. Journal of Mine Automation,2023,49(5):37-45,73.
[8] 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.
[9] 孟光伟. 基于大数据技术的区域煤矿监管数据服务平台设计[J]. 工矿自动化,2021,47(10):97-102,109. MENG Guangwei. Design of a regional coal mine supervision data service platform based on big data technology[J]. Industry and Mine Automation,2021,47(10):97-102,109.
[10] 贺耀宜,刘丽静,赵立厂,等. 基于工业物联网的智能矿山基础信息采集关键技术与平台[J]. 工矿自动化,2021,47(6):17-24. HE Yaoyi,LIU Lijing,ZHAO Lichang,et al. Key technology and platform of intelligent mine basic information acquisition based on industrial Internet of things[J]. Industry and Mine Automation,2021,47(6):17-24.
[11] 李国民,章鳌,贺耀宜,等. 智能矿井多元监控数据集成关键技术研究[J]. 工矿自动化,2022,48(8):127-130,146. LI Guomin,ZHANG Ao,HE Yaoyi,et al. Research on key technologies of multi-element monitoring data integration in intelligent mine[J]. Journal of Mine Automation,2022,48(8):127-130,146.
[12] 崔亚仲,白明亮,李波. 智能矿山大数据关键技术与发展研究[J]. 煤炭科学技术,2019,47(3):66-74. CUI Yazhong,BAI Mingliang,LI Bo. Key technology and development research on big data of intelligent mine[J]. Coal Science and Technology,2019,47(3):66-74.
[13] 袁亮,俞啸,丁恩杰,等. 矿山物联网人−机−环状态感知关键技术研究[J]. 通信学报,2020,41(2):1-12. YUAN Liang,YU Xiao,DING Enjie,et al. Research on key technologies of human-machine-environment states perception in mine Internet of things[J]. Journal on Communications,2020,41(2):1-12.
[14] 谭章禄,马营营,袁慧. 煤炭大数据平台建设的关键技术及管理协同架构[J]. 工矿自动化,2018,44(6):16-20. TAN Zhanglu,MA Yingying,YUAN Hui. Key technologies and management collaborative architecture of construction of coal big data platform[J]. Industry and Mine Automation,2018,44(6):16-20.
[15] 谭章禄,王美君. 智慧矿山数据治理概念内涵、发展目标与关键技术[J]. 工矿自动化,2022,48(5):6-14. TAN Zhanglu,WANG Meijun. Research on the concept connotation,development goal and key technologies of data governance for smart mine[J]. Journal of Mine Automation,2022,48(5):6-14.
[16] 孙彦景,于满,何妍君. 煤矿信息物理融合系统模型[J]. 计算机研究与发展,2011,48(增刊2):295-301. SUN Yanjing,YU Man,HE Yanjun. Modeling of cyber-physical system for coal mine[J]. Journal of Computer Research and Development,2011,48(S2):295-301.
[17] 庞义辉,王国法,任怀伟. 智慧煤矿主体架构设计与系统平台建设关键技术[J]. 煤炭科学技术,2019,47(3):35-42. PANG Yihui,WANG Guofa,REN Huaiwei. Main structure design of intelligent coal mine and key technology of system platform construction[J]. Coal Science and Technology,2019,47(3):35-42.
[18] 刘道玉,程宝军. 基于位置服务的煤矿智能化综合管控平台研究与应用[J]. 中国煤炭,2022,48(9):94-102. DOI: 10.3969/j.issn.1006-530X.2022.09.014 LIU Daoyu,CHENG Baojun. Research and application of intelligent integrated management and control platform for coal mine based on location-based service[J]. China Coal,2022,48(9):94-102. DOI: 10.3969/j.issn.1006-530X.2022.09.014
[19] 姜德义,魏立科,王翀,等. 智慧矿山边缘云协同计算技术架构与基础保障关键技术探讨[J]. 煤炭学报,2020,45(1):484-492. JIANG Deyi,WEI Like,WANG Chong,et al. Discussion on the technology architecture and key basic support technology for intelligent mine edge-cloud collaborative computing[J]. Journal of China Coal Society,2020,45(1):484-492.
[20] 刘海强,陈晓晶,张兴华,等. 面向煤矿安全监控的数据仓库关键技术[J]. 工矿自动化,2022,48(4):31-37,113. LIU Haiqiang,CHEN Xiaojing,ZHANG Xinghua,et al. Key technologies of data warehouse for coal mine safety monitoring[J]. Journal of Mine Automation,2022,48(4):31-37,113.
[21] 谭章禄,马营营. 煤炭大数据研究及发展方向[J]. 工矿自动化,2018,44(3):49-52. TAN Zhanglu,MA Yingying. Research on coal big data and its developing direction[J]. Industry and Mine Automation,2018,44(3):49-52.
-
期刊类型引用(8)
1. 张新磊，谢翠娟，许俊锋. 机器人自主探索规划方法和系统设计. 计算机与数字工程. 2024(10): 2908-2913+2959 . 
百度学术
2. 朱雷，闯喜宏，李磊，梁秋祥，魏铭毅. 输煤廊道巡检机器人智能避障控制方法设计. 自动化与仪器仪表. 2023(07): 210-213+218 . 百度学术
3. 郭爱军，刘建宇，郑安. 基于多传感器信息融合灭火机器人避障策略. 煤炭技术. 2022(04): 201-203 . 百度学术
4. 张燕. 基于模糊控制的智能移动机器人最优避障路线生成系统. 机械设计与制造工程. 2022(04): 86-90 . 百度学术
5. 杨春雨，张鑫. 煤矿机器人环境感知与路径规划关键技术. 煤炭学报. 2022(07): 2844-2872 . 百度学术
6. 岳仍瑞. 基于概率论的机器人避障方案规划. 信息记录材料. 2021(01): 178-179 . 百度学术
7. 刘曦，柳文轩，阿丽米热·阿布来提，麦吾兰·伊力哈木. 双目避障系统在桥式起重机上的应用. 现代制造技术与装备. 2021(10): 95-97 . 百度学术
8. 袁晓明，郝明锐. 煤矿无轨辅助运输无人驾驶关键技术与发展趋势研究. 智能矿山. 2020(01): 89-97 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 226
- HTML全文浏览量: 56
- PDF下载量: 76
- 被引次数: 9
