Study on the prediction of gangue content rate in fully mechanized caving face based on DeepLab v3+
-
摘要: 针对综放工作面真实煤矸堆叠状态下的体积含矸率很难获取的问题，提出一种基于DeepLab v3+的综放工作面含矸率预测方法。构建了煤矸堆积体图像数据集，采用半自动的数据标注方法和限制对比度自适应直方图均衡化法对煤矸图像进行预处理。运用DeepLab v3+模型进行煤矸图像语义分割，进而计算煤矸图像的投影面积含矸率。利用PFC3D数值模拟软件，基于重建的三维煤矸块体建立数值模型，模拟顶煤放落和刮板输送机运煤过程，通过fish语言读取每个矸石或煤的体积，计算得到煤矸堆积体体积含矸率。通过分析不同顶煤厚度条件下刮板输送机上煤矸堆积体的投影面积含矸率与体积含矸率的量化关系，建立了煤流的体积含矸率预测模型。实验结果表明：DeepLab v3+模型的准确率、平均像素准确率和平均交并比分别为97.68%，97.72%，95.33%，均高于经典语义分割模型FCN8s和PSPNet，实现了煤矸堆积体投影面积含矸率的精准快速识别；体积含矸率预测模型的决定系数R2为0.982 8，预测效果较好。Abstract: To tackle the challenge of accurately determining the volumetric gangue content rate under actual stacking conditions of coal-gangue in fully mechanized caving faces, a prediction method based on the DeepLab v3+ model was proposed. A dataset consisting of images depicting coal-gangue accumulation was constructed, and a semi-automatic data labeling method, along with Contrast Limited Adaptive Histogram Equalization (CLAHE), was employed for image preprocessing. The DeepLab v3+ model was utilized for the semantic segmentation of coal-gangue images, which facilitated the calculation of the projected area gangue content rate. A numerical model was established using the PFC3D numerical simulation software based on the reconstructed three-dimensional coal-gangue block, simulating the top coal drop and the coal transport process via scraper conveyor. The volume of each gangue or coal particle was extracted using the FISH programming language, enabling the calculation of the volumetric gangue content rate of the coal-gangue accumulation. By analyzing the quantitative relationship between the projected area gangue content rate and the volumetric gangue content rate under varying top coal thickness conditions, a predictive model for the volumetric gangue content rate of coal flow was developed. Experimental results indicated that the accuracy, mean pixel accuracy, and mean intersection-over-union (IoU) of the DeepLab v3+ model were 97.68%, 97.72%, and 95.33%, respectively, all surpassing those of classical semantic segmentation models such as FCN8s and PSPNet. This enabled precise and rapid identification of the projected area gangue content rate of coal-gangue accumulations. The coefficient of determination (R2) for the volumetric gangue content rate prediction model was 0.9828, demonstrating robust predictive performance.
-
0. 引言
近年来，矿山智能化建设需求日益明确，自2020年3月国家发展改革委、能源局、应急部、煤监局、工信部、财政部、科技部、教育部8部委联合印发《关于加快煤矿智能化发展的指导意见》后，作为智能矿山基础支撑技术的矿用5G通信技术广泛开展建设部署，也成为学者广泛开展研究的方向[1-3]。
当前，基于3GPP（3rd Generation Partnership Project，第三代移动通信伙伴项目）Release 15版本的技术及部分Release 16版本的技术、对应中国5G通信行业标准（第1阶段）的5G技术成为矿用5G应用部署的基础技术，初步满足矿井上行大带宽、系统低时延高可靠的传输需求，支持音视频通话、高清视频分析、智能采掘及运输设备远程控制的实现[4]。然而，随着智能矿山建设的不断推广，矿用5G承载的应用需求也不断更新和提升[5-6]，需要进一步研究5G通信演进技术，推动矿用5G通信演进系统研发部署工作。
3GPP Release 17版本主要目标是增强5G通信系统的性能，并进一步支撑垂直行业应用[7-8]。本文在分析矿用5G通信系统应用现状的基础上，系统分析了3GPP Release17版本的5G通信演进技术在矿井通信中的适用性，提出了矿用5G通信演进关键技术及系统架构。
1. 矿用5G应用现状
矿用5G部署环境与公众电信网络具有显著差异，具体如下：
1） 井工矿巷道内遮挡物较多，无线信号传输损耗显著，井下设备发送功率受本安功率要求的限制，井下5G无线覆盖受限，基站覆盖距离较短。
2） 矿用5G以视频传输为上行业务，对上行传输速率需求显著，而公众电信网络以下行传输为主。
3） 矿井生产环境下存在多样化的应用需求，主要包括上行大带宽传输业务、下行低时延传输业务及双向交互类控制业务。
因此，目前矿用5G系统主要采用核心网+承载网+接入网/BBU（Building Base band Unit，基带处理单元）+RHUB（Radio HUB，无线数据汇聚单元）+pRRU（Pico Remote Radio Unit，皮射频拉远单元）+终端的网络架构[9-10]，井下基站同小区覆盖，避免无线覆盖受限下的频繁移动性切换。空中接口配置中，采用DSUUU（D为DownLink，此处指下行链路时隙；S为Special，此处指特殊时隙；U为UpLink，此处指上行链路时隙）的上行时隙为主的帧结构，相比公众电信网络DDDDDDDSUU的帧结构，DSUUU帧结构的上行传输速率可提升1倍以上。目前上行传输主要是采用综合接入器进行数据汇聚后由CPE（Customer Premise Equipment，用户前置设备）进行上传。
目前矿用5G通信系统可支持高清视频传输分析、智能采掘及运输设备远程控制。然而，随着智能矿山广泛推进，智能矿山建设需要进一步支撑全连接矿井部署、全面智能化数据传输和高级智能化水平应用落地。针对演进的智能矿山应用需求，当前矿用5G技术与系统尚存在以下问题亟需突破：
1） 终端形态较为单一，矿用本安型手机主要满足音视频通话需求，矿用本安型CPE能够支持数据的汇聚传输，但通信模组价格高、功耗大[5]，难以支撑传感器、视频监控、智能穿戴设备的低成本、低功耗应用需求。
2） 矿用5G上行链路仍面临负荷较重的问题，难以满足全面智能矿山应用的传输需求[7]，未来车辆自动驾驶、更为丰富的远程控制应用常态化运行时，上行资源紧缺情况将更为显著。
3） 面向高级智能化水平的应用，需要矿用5G提供更为丰富的技术，例如定位技术。然而，目前5G通信与主流的UWB（Ultra Wide Band，超宽带）定位系统分立建设，数据面融合的交互时间较长，难以满足实时高精定位的需求[6]，系统内聚度低、成本较高。
2. 5G通信演进技术的矿井适用性研究
3GPP Release 17的5G第3阶段通信技术规范中，物理层信道、信号与关键机制的技术方向[11-15]见表1。
表 1 3GPP Release 17物理层信道、信号与关键机制的技术方向Table 1. Technical direction of physical layer channel, signal and key mechanism in 3GPP Release 17技术方向 立项类型 技术特性 RedCap轻量化终端 新立项 RedCap终端的性能降低方案、早期识别机制、节能机制等 NR直连通信增强 演进 面向车联网、公共安全场景的节能的资源分配方案、非连续接收方案等 NR定位增强 演进 面向工业互联网的定位精度增强、时延缩减、基于请求的定位机制等 覆盖增强 新立项 上行控制/数据信道增强，随机接入Msg3增强 MIMO增强 演进 多波束、多传输资源集合增强，SRS及CSI增强等 52.6~71 GHz的高频段5G通信 新立项 高频段整体接入层机制设计 NB−IoT/LTE−MTC增强 演进 NB−IoT支持16QAM，定义LTE−MTC PDSCH调度时延等 NR动态频谱共享 演进 SCell到sPCell的跨载波调度等 XR评估 新立项 XR/AR应用业务模型、关键指标、评估方法和性能评估 NB−IoT/eMTC对NTN的支持 新立项 支持NB−IoT和eMTC的NTN整体架构 基于LTE的5G地面广播新频段 新立项 MBMS定义6/7/8 MHz带宽及MBSFN信号及信令 RedCap（Reduced Capability）轻量化终端具备轻量化的必要终端能力，支持终端节能机制，能够确保传感设备、智能穿戴设备等轻量传输需求，并实现终端成本和功耗的显著降低，能够有效支撑海量机器连接的需求。同时，RedCap轻量化终端还支持网络对终端的早期识别，支持终端与业务对应和准确调度。
NR（New Radio，新空口）直连通信增强支持在智能交通专用频段Band47上通过直通链路（Sidelink）机制进行传输，支持V2X（Vehicle to Everything，车联网）的传感器共享、高等级自动驾驶和编队行驶等业务，还可支持公共安全业务和终端节能机制，能够同时满足人、车、巷道设施的通信传输需求，且不需要通过5G蜂窝网络的上行链路进行传输，同时可以支持矿用应急通信自组网的极低时延和极高可靠传输需求，将能够有效解决矿用5G面向未来车辆自动驾驶及更为丰富的远程控制应用常态化运行时上行链路负荷重等技术问题。
NR定位增强实现“5G一张网”承载通信定位特性，Release 17面向工业互联网场景的定位，预期目标为实现定位精度＜0.2 m、时延＜10 ms，一方面能够提供低时延、高精度的定位性能，另一方面能够实现通信、定位的融合从5G+UWB的数据面融合向单一3GPP技术体制下5G通信定位控制面融合的转变，显著提升面向矿用设备远程控制类应用的支撑能力。
覆盖增强目前主要是通过PUCCH（Physical Uplink Control Channel，上行控制信道）和PUSCH（Physical Uplink Shared Channel，上行数据信道）的重复传输、随机接入过程中Msg3（Message3，第3步传输的信息）的重复传输来提升传输可靠性，进而提升覆盖性能，但在矿用5G上行资源紧张的情况下，覆盖增强非优选方案。
MIMO（Multiple-In Multiple-Out，多入多出阵列天线技术）增强方面，受限于安标6 W发送功率限制，目前能够应用的天线数量有限，按照目前的规范要求，MIMO增强技术难以得到有效部署应用。
52.6~71 GHz的高频段5G通信在矿用5G无线发送功率受限、巷道受限空间下多径效应显著、设备设施遮挡损耗显著的情况下，覆盖距离将显著降低，预期难以在井下环境中开展部署应用。
NB−IoT（Narrow Band Internet of Things，窄带物联网）/LTE−MTC（Long Term Evolution-Machine Type Communication，长期演进−机器类通信）增强相关技术本质上属于轻量化的LTE技术，且时延、传输速率等性能难以匹配智能矿山建设的应用需求，因此需优先支持更加符合应用需求的5G NR RedCap轻量化终端技术。
NR动态频谱共享主要支持不同制式的网络共享和智能动态分配频谱资源（如4G和5G），但由于矿用通信网络建设中，已有的4G通信系统已经完成部署建设，业务相对固定，不会进行清频退网，频段已经固化，动态频谱共享预期难以有应用空间。
XR（Extended Reality，扩展现实）评估目前处于研究项目（Study Item，SI）阶段，协议制定工作最早会从3GPP Release18开始，面向应用部署为时尚早。
NB−IoT/eMTC （Enhanced Machine-Type Communication，增强型机器类通信）对NTN（Non-Terrestrial Network，非地面网络）的支持及基于LTE的5G地面广播不符合矿用5G的应用需求和场景，此处不展开分析。
3. 矿用5G通信演进关键技术及系统架构
针对RedCap轻量化终端、NR直连通信、NR定位等3项矿用5G通信演进关键技术进行详细研究，并构建矿用5G通信演进系统架构。
3.1 矿用RedCap轻量化终端技术
RedCap技术是面向工业传感器、视频监控的集成传输设备、智能穿戴设备等应用的轻量化、低成本、小尺寸的5G终端技术。上述应用对上行速率和传输时延要求不严苛，如工业传感器时延需求为100 ms，集成于视频监控设备的单路传输需求为2～24 Mibit/s，用于人员健康监测的手表、手环等智能穿戴设备则需要实现低功耗。
针对上述需求，3GPP定义了RedCap轻量化终端性能要求，见表2，终端性能降低后，可降低成本近70%[16]。
表 2 RedCap轻量化终端性能要求Table 2. Requirements of RedCap lightweight terminal capability性能 常规终端 RedCap轻量化终端 成本缩减 最大带宽 100 MHz 20 MHz 30%以上 接收天线 4R 2R/1R 40%～60% 双工方式 FD−FDD HD−FDD 10%以内 调制阶数 256QAM 64QAM 约6% 为了实现RedCap终端节电特性，满足低功耗需求，3GPP定义了减少PDCCH（Physical DownLink Cnotrol Channel，下行控制信道）监听的具体方案：减少每个时隙上要求终端执行的最大盲检次数，增大PDCCH监测周期，动态调整PDCCH盲检参数等；增大RRC（Radio Resource Control，无线资源控制）空闲态或非激活态终端的DRX（Discontinuous Reception，非连续接收）周期；降低无线资源测量频次等要求[17]。
为了确保RedCap终端能够快速被基站识别，在调度过程中提供匹配的调度策略，3GPP定义的随机接入过程中，终端可以通过随机接入信息指示自身为RedCap终端，实现终端类型的快速识别和基站的针对性处理。
RedCap轻量化终端技术能够解决终端形态较为单一、CPE通信模组价格高、功耗大的问题，满足矿用无线传感器、单路无线传输的矿用视频监控设备、智能矿灯、智能穿戴设备的应用需求，实现支撑必要传输需求下，根据终端能力轻量化实现成本降低，基于节电机制实现功耗降低，将成为未来矿用5G mMTC（Massive Machine Type Communication，海量机器通信）和全连接矿井建设主要演进技术之一。
3.2 矿用NR直连通信技术
3GPP定义的NR直连通信主要面向V2X和公共安全（Public Safety）场景，也可用于商用场景。直连通信通过直通链路实现终端与终端之间的直接通信，无需接入基站，是uRLLC（Ultra-Reliable Low-Latency Communications，超高可靠低时延）场景的标志性技术之一[18-19]。
NR直连通信技术具有以下特点：
1） 支持基站调度资源的通信模式（Mode1）和终端自主资源选择的通信模式（Mode2）。Mode1通过基站调度直通链路无线资源，Mode2可在无基站场景下实现完全独立的无线自组织通信。
Mode2下，终端基于感知+资源预约的方式进行自主资源选择，终端在设定的感知资源窗口内不断监听SCI（Sidelink Control Information，直通链路控制信息），根据SCI指示的资源预约信息，结合直通链路参考信号接收功率测量值，判断未来哪些发送资源将被占用，已被占用并预约的资源需要从候选资源集合中排除，在业务包到达时，仅在未被排除的资源中选择发送资源，从而实现低干扰、高可靠的发送资源自主选择，原理如图1所示。
![]()
图 1 直通链路Mode2的终端自主资源选择机制原理Figure 1. Principle of UE autonomous resource selection mechanism of Sidelink Mode22） 支持直通链路的广播、组播、单播通信方式。可以通过在直通链路的控制信道上盲检控制信令的方式进行解码，实现广播通信，也可以通过终端组/终端节点对之间建立组播/单播连接，进行数据的组播/单播传输。
3） 支持有反馈信道和无反馈信道的2种帧结构设计，如图2所示，可按需配置直通链路反馈信道。单业务包支持最大32次重传，实现高可靠传输。
4） 支持直通链路高阶调制（最高256QAM），支持2层空间复用传输，理论最高传输速率可达400 Mibit/s以上，能够有效支撑自动驾驶、车巷协同、公共安全应急救援等业务传输需求。
5） 支持终端节电机制。自动驾驶的“人−车−巷−云”协同架构下，能够使人员携带的直连通信终端和应急通信中继设备获得更长的工作时间。
NR直连通信技术能够满足矿井自动驾驶“人−车−巷−云”协同控制的传输需求，实现更低时延、更高可靠的矿井应急通信传输性能，通过智能交通系统专用频谱，能够有效分流5G蜂窝网络上行传输的负荷，将成为未来矿用5G uRLLC场景中自动驾驶和应急通信的主要演进技术之一。
3.3 矿用NR定位技术
3GPP Release 16定义了NR定位的第1个版本，能够支持室内场景横向和纵向误差均小于3 m（80%以上的情况）；Release 17针对常规商用场景、工业互联网场景开展NR定位增强的标准化，面向工业互联网的预期目标为实现定位精度＜0.2 m、时延＜10 ms[20-21]。
NR定位通过定位专用资源进行DL−PRS（DownLink Positioning Reference Signal，下行定位参考信号）和上行SRS−Pos（Sounding Reference Signal-Positioning，用于定位的信道探测参考信号）传输，通过终端侧或基站侧进行定位参考信号测量，实现测距、测角，进而进行终端定位。
以下行为例，终端通常在基站调度的DL−BWP（DownLink-BandWidth Part，下行接收部分带宽）上进行下行控制信令解码和下行数据接收，将基站配置的DL−PRS资源切换到定位BWP（BandWidth Part，部分带宽）上进行DL−PRS测量。通常为了实现定位相关的精确测量，DL−PRS的BWP会显著增大，可配置为全带宽，NR下行数据接收BWP与定位BWP切换原理如图3所示。
![]()
图 3 NR下行数据接收BWP与定位BWP切换原理Figure 3. Switching principle between NR downlink data reception BWP and positioning BWPNR定位支持接入技术相关（NR接入技术）的定位测量及接入技术无关（非NR接入技术）的定位测量值传输。
接入技术无关的定位测量值可以通过5G高层信令进行传输，支持以下方式：GNSS（Global Navigation Satellite System，全球导航卫星系统）、WLAN（Wireless Local Area Networks，无线局域网络）、蓝牙、TBS（Terrestrial Beacon System，地面信标系统）、压力传感器、运动传感器。
NR接入技术相关物理层测量包括DL−TDOA（Time Difference of Arrival，到达时间差）、DL−AOD（Angle of Departure，离开角）、UL−TDOA、UL−AOA（Angle of Arrival，到达角）、Multi−RTT（Round Trip Time，往返时间）、E−CID（Enhanced-Cell ID，增强小区标志）。
矿井定位如果采用NR定位技术，由于目前受安标射频发送功率不得超过6 W的限制，目前尚无法部署使用大规模阵列天线，结合井下封闭空间多径效应显著，难以实现高精度角度测量（DL−AOD，UL−AOA）。此外，限于覆盖受限的问题，矿用5G一般采用多pRRU同小区覆盖的方式，因此E−CID方式也不适用于矿井定位。
TDOA测量方式能够一定程度上规避时间同步误差造成的测距误差，但一般需要至少4个基站同时覆盖才能实现定位，这在矿井巷道条状、带状分布情况下难以实现。
因此，矿井NR定位应采用RTT方式进行测量，实现一维定位或双基站定位参考信号进行增强覆盖情况下的Multi−RTT定位。基于RTT的矿井NR定位原理如图4所示（T1为DL−PRS在基站和终端之间的传输时间，T2为SRS−Pos在终端和基站之间的传输时间）。
NR定位技术为矿井定位提供了低时延、高精度定位性能，同时构建了基于单一3GPP技术体制实现矿井通信−定位一体化的技术基础，对于提升系统融合能力、降低系统成本具有重要作用。
3.4 矿用5G通信演进系统架构
矿用5G通信演进系统架构如图5所示。在矿用5G系统基础上，进一步拓展以下设备：
1） 在现有的CPE之外，应用RedCap轻量化终端技术的模组，嵌入矿用无线传感器、单路无线传输的矿用视频监控设备、矿用智能矿灯、智能穿戴设备，形成新型传感感知设备。
2） 基于NR直连通信技术，应用自动驾驶的车载直连通信终端、巷侧直连通信终端、应急通信的中继通信设备，实现矿井自动驾驶的“人−车−巷−云”协同控制与应急通信更低时延、更高可靠的中继通信。
3） 基于NR定位技术形成具备定位功能的智能通信终端、监测定位终端，实现低时延、高可靠、大带宽通信与低时延、高精度定位融合一体化的矿用5G系统。
4. 结语
现有的矿用5G通信系统能够初步满足矿井上行大带宽、低时延、高可靠的传输需求，初步实现了音视频通话、高清视频分析、装备远控等应用，但面临终端形态单一、上行传输负荷较重、通信定位系统分立建设等问题。3GPP Release 17的5G通信演进技术中，RedCap轻量化终端、NR直连通信、NR定位3项技术适用于矿用5G通信的演进：RedCap轻量化终端技术能够满足矿井无线传感器、无线视频监控、智能穿戴设备的传输需求，支持低成本、低功耗的多模态终端研发；NR直连通信技术能够基于智能交通专用频段，满足矿井自动驾驶和应急通信的传输需求；面向工业互联网的NR定位技术能够满足通信定位融合一体化的技术需求。矿用5G通信演进系统架构应包括RedCap轻量化终端、NR直连通信终端、NR定位设备，以支撑全连接矿井建设，实现矿用5G的多链路无线接入，构建通信感知一体化的矿用5G智能化信息高速传输通道，全面覆盖eMBB（Enhanced Mobile Broadband，增强移动宽带）、uRLLC、mMTC三大5G场景，实现5G+智能矿山的常态化应用。
-
表 1 DeepLab v3+模型参数设置
Table 1 DeepLab v3+ model parameter setting
名称 参数 名称 参数 数据集大小 2 480 学习率下降调整策略 cos Batch size 6 backbone MobileNet 初始学习率 0.000 1 优化方法 Adam 迭代次数 80 
下载: 导出CSV
表 2 图像分割模型对比实验结果
Table 2 Comparison of image segmentation models experimental results
% 模型 准确率 平均交并比 MPA FCN8s 87.84 86.52 98.28 PSPNet 97.46 94.86 97.34 DeepLab v3+ 97.68 95.33 97.72
下载: 导出CSV
表 3 放煤模拟实验方案
Table 3 Coal caving simulation experiment plans
方案 顶煤块体直径/m 矸石块
体直径/m顶煤
厚度/m刮板
速度/（m·s−1）方案1 0.3 0.4～0.5 5 2 方案2 0.3 0.4～0.5 7.5 2 方案3 0.3 0.4～0.5 2.5 2
下载: 导出CSV
-
[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,孟令宇. 煤矿智能化及其技术装备发展[J]. 中国煤炭,2023,49(7):1-13. WANG Guofa,MENG Lingyu. Development of coal mine intelligence and its technical equipment[J]. China Coal,2023,49(7):1-13.
[3] 王国法,庞义辉,任怀伟,等. 智慧矿山系统工程及关键技术研究与实践[J]. 煤炭学报,2024,49(1):181-202. WANG Guofa,PANG Yihui,REN Huaiwei,et al. System engineering and key technologies research and practice of smart mine[J]. Journal of China Coal Society,2024,49(1):181-202.
[4] 王家臣,刘云熹,李杨,等. 矿业系统工程60年发展与展望[J]. 煤炭学报,2024,49(1):261-279. WANG Jiachen,LIU Yunxi,LI Yang,et al. 60 years development and prospect of mining systems engineering[J]. Journal of China Coal Society,2024,49(1):261-279.
[5] 王家臣,杨胜利,李良晖,等. 智能放煤理论与技术研究进展[J]. 工矿自动化,2024,50(9):1-12. WANG Jiachen,YANG Shengli,LI Lianghui,et al. Research progress on intelligent coal caving theory and technology[J]. Journal of Mine Automation,2024,50(9):1-12.
[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] 王家臣. 我国综放开采40年及展望[J]. 煤炭学报,2023,48(1):83-99. WANG Jiachen. 40 years development and prospect of longwall top coal caving in China[J]. Journal of China Coal Society,2023,48(1):83-99.
[8] 王家臣,杨胜利,刘淑琴,等. 急倾斜煤层开采技术现状与流态化开采构想[J]. 煤炭科学技术,2022,50(1):48-59. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201003 WANG Jiachen,YANG Shengli,LIU Shuqin,et al. Technology status and fluidized mining conception for steeply inclined coal seams[J]. Coal Science and Technology,2022,50(1):48-59. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201003
[9] 王家臣. 我国综放开采技术及其深层次发展问题的探讨[J]. 煤炭科学技术,2005,33(1):14-17. WANG Jiachen. Fully mechanized longwall top coal caving technology in China and discussion on issues of further development[J]. Coal Science and Technology,2005,33(1):14-17.
[10] 张宁波,鲁岩,刘长友,等. 综放开采煤矸自动识别基础研究[J]. 采矿与安全工程学报,2014,31(4):532-536. ZHANG Ningbo,LU Yan,LIU Changyou,et al. Basic study on automatic detection of coal and gangue in the fully mechanized top coal caving mining[J]. Journal of Mining & Safety Engineering,2014,31(4):532-536.
[11] 王增才,富强. 自然γ射线穿透煤层及支架顶梁衰减规律[J]. 辽宁工程技术大学学报,2006,25(6):804-807. WANG Zengcai,FU Qiang. Attenuation of natural γ-ray passing through coal seam and hydraulic support[J]. Journal of Liaoning Technical University,2006,25(6):804-807.
[12] 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.
[13] 窦希杰,王世博,刘后广,等. 基于EMD特征提取与随机森林的煤矸识别方法[J]. 工矿自动化,2021,47(3):60-65. DOU Xijie,WANG Shibo,LIU Houguang,et al. Coal and gangue identification method based on EMD feature extraction and random forest[J]. Industry and Mine Automation,2021,47(3):60-65.
[14] 王家臣,李良晖,杨胜利. 不同照度下煤矸图像灰度及纹理特征提取的实验研究[J]. 煤炭学报,2018,43(11):3051-3061. WANG Jiachen,LI Lianghui,YANG Shengli. Experimental study on gray and texture features extraction of coal and gangue image under different illuminance[J]. Journal of China Coal Society,2018,43(11):3051-3061.
[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] 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 technology of coal caving state control based on U-Net[J]. Coal Science and Technology,2022,50(S2):237-243.
[17] SONG Qingjun,JIANG Haiyan,ZHAO Xieguang,et al. An automatic decision approach to coal-rock recognition in top coal caving based on MF-Score[J]. Pattern Analysis and Applications,2017,20(4):1307-1315. DOI: 10.1007/s10044-017-0618-7
[18] 张国军,章振海,汪玉凤,等. 综放采煤自动化煤岩识别传感器的研究[J]. 传感器与微系统,2011,30(2):14-16. ZHANG Guojun,ZHANG Zhenhai,WANG Yufeng,et al. Research on fully mechanized caving mining automation technology for coal rock recognition[J]. Transducer and Microsystem Technologies,2011,30(2):14-16.
[19] 朱世刚. 综放工作面煤岩性状识别方法研究[D]. 北京:中国矿业大学(北京),2014. ZHU Shigang. Study on identification method of coal and rock properties in fully mechanized top-coal caving face[D]. Beijing:China University of Mining & Technology-Beijing,2014.
[20] 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):29-31,42.
[21] 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.
计量
- 文章访问数: 82
- HTML全文浏览量: 37
- PDF下载量: 21
