采煤机记忆截割自动化控制技术探究

前言：想要写出一篇引人入胜的文章？我们特意为您整理了采煤机记忆截割自动化控制技术探究范文，希望能给你带来灵感和参考，敬请阅读。

摘要：“无人化或少人化”是煤炭开采的发展方向，对实现采煤机的自动化具有非常重要的意义。基于此，对采煤机的记忆截割自动化控制技术进行研究，对煤岩识别技术进行分析，确定机器深度学习煤岩识别技术的优越性。在工作面煤层变化情况下，可以通过监控中心远程干预调整，实现自动截割控制技术。

关键词：采煤机煤岩识别截割线路遗传算法

引言

煤炭作为我国的基础能源，在我国能源生产及消费中占主导地位。随着，煤矿采掘技术的快速发展，煤矿综采工作面也正朝着无人化或少人化方向发展。采煤机自动化是机械化采煤工作面迈向智能化工作面的关键技术支撑，工作性能直接决定了煤矿的开采效率。近年来我国综采面的机械化程度不断趋于智能化、无人化、自动化，采煤机作为我国重要的煤矿开采设备[1-2]，其主要负责截煤、落煤、装煤等工作，采煤机正在工作过程中，由于煤矿环境较为恶劣，使得采煤机管理十分复杂，为了保证采煤机安全运行，对采煤机自动化管理技术研究十分重要[3-4]。本文基于煤岩识别技术对从采煤机自动化管理进行研究，为综采面机械自动化发展提供一定的参考。

1采煤机智能煤岩识别技术

采煤机自动化生产是一个十分复杂的工作。其主要是通过传感器、信息技术、人工智能技术、科学技术等组合而成的一项应用化技术。采煤机按照设定的参数进行自动化割煤，有效提升矿井采煤机的工作效率。煤岩识别技术是采煤机自动化的关键。在工作面日常开采过程中，由于煤层常常会出现夹矸的情况，采煤机无法分别煤与矸石而进行统一截割，使得采煤机截齿发生较大的磨损，且影响矿井的出煤率，加大了劳动强度。目前，煤岩识别技术可以大致分为两大类，分别为物理识别法和图像识别法，物理识别法主要包含同位素探测法、紫外线探测法、无线电探测法及噪声探测法等。随着21世纪人工智能的不断发展，基于机器学习的图像煤岩识别方法逐步发展。传统的图像识别方法主要依靠煤岩图像色彩进行识别，此类方法识别效率低、识别精度较差，不能同时识别不同物体，所以本文研究基于机器深度学习算法的煤岩识别技术。2016年提出FasterR-CNN物体识别算法，通过测试发现，FasterR-CNN算法不仅能够提升煤岩识别的速度，同时图像识别的精度也得到了很大的提升，FasterR-CNN物体识别算法是端到端的网络，其通过建立卷积神经网络提取图像的特征，代替原有的手动提取，使得速度提升了250倍。FasterR-CNN网络是由反向及前向传播网络两个部分组成，对输入的数据进行分析，从而给出输出数据，同时通过对比输出数据与实际监测数据的差值，从而得到最优的参数。FasterR-CNN物体识别算法的前向传播网络共由4个子单元构成，分别为VGG16网络、RPN网络、ROIPooling网络及R-CNN网络。基于FasterR-CNN物体识别算法及编程语言编写机器学习语言，网络通过ImageNet识别VGG16卷积神经网络，对各参数进行初始化。对参数进行优化，设定学习频率为0.001Hz，训练次数为4800次，动量设定为0.9kg·m/s，每次训练出图100张，此时得出煤岩识别结果，煤岩识别结果如图1所示。如图1所示，形成的图片会有红色外框，同时在外框的上端边界位置会标出判别的可信度。可以看出可行度均大于0.9kg·m/s，所以基于FasterR-CNN物体识别算法准确性较高且计算速度较快。

2煤层模型建立及截割线路分析

在复杂工作面，实现采煤机智能化、自动化开采需要对煤层的地质信息进行预先感知，通过建立三维煤层模型使得煤层内部地质情况区域透明化、数据化、可视化，所以建立合理的地质模型十分重要。模型的建立主要依赖于地质的数据及对数据的处理。首先对煤层地质进行钻孔，分别测量煤层开切眼巷、运输巷、回风巷等顶板底板的物理参数。对煤层表面三角网模型进行建立，选用狄罗尼三角网进行模型建立，狄罗尼三角网具有数据处理快及表观特性及局部更新速度快等优点，按照6个刨分准则进行刨分，分别为：最短距离和准则、最大最小角准则、空外接圆准则、面积比准则、张角最大准则，通过高低不同的三角网显示煤层地质表观特性。同时选用D-TIN-GTP放样建模法对煤层模型进行生成，利用生成的狄罗尼三角网，找出顶板煤层顶板底板的三角形放样命令对煤层地质模型进行建立。煤层地质模型建立流程如图2所示。如图2所示可以看出，首先进行模型数据点的信息读取，形成顶板底板三角网，完成三角网建立后对模型生成准则进行验证，检查图形信息对应关系，当对应关系不符时，此时重新回到三角形图元数据界面调整数据信息，当图元信息相互对应后执行放样命令，此时煤层地质模型建立完成。完成煤层模型初步建立后对基于信息融合对模型进行修正，具体步骤大致分为获取信息、提炼信息、信息分析对比、作出优化决策。数据融合修正后煤层曲面图如3所示。完成煤层模型设定后对模型的预割煤线进行研究，传统的记忆割煤技术在应用过程中，常常会受到煤层厚度及煤层倾角变化的影响，此时自动截割的精度将会大大折扣，所以需要对采煤机的预截割线路进行研究，实现采煤机自动化管理。首先需要对采区进行统一坐标，通过构建的采区地理信息，将煤层地质模型信息与采煤机姿态位置信息进行融合。根据采煤机与开采煤层间的空间位置信息及工况环境，设定采区正东方为建立坐标轴的X轴，采取正北方为坐标轴的Y轴，垂直向上方向为坐标轴的Z轴。利用惯性导航技术进行截割线的确定，惯性导航技术是通过测量元件得到的线参数及角参数计算得出采煤机位置、速度及姿态位置的一种导航方法，此方法不受到外部信息的干扰，准确、及时、全面定位采煤机的姿态位置。完成采煤机姿态位置确定后，利用遗传算法对割煤线路进行优化分析，实现割煤线路的平滑贴合。确保割煤线路与煤岩分界线完美贴合，保证切割准确性，提升矿井开采的经济效益。采煤机优化割线结果如图4所示。从图4可以看出，采用遗传算法可以较好优化采煤机的割煤线路。由图4可以看出，煤层模型顶板曲线和优化后的割煤线路有着较大的差异，经过优化后的曲线平滑。保证了较高的回采率，有效提升了采煤机自动化运行可行性。

3结语

本文为了研究采煤机自动化管理平台，对基于机器深度学习算法的煤岩识别技术进行分析，通过煤岩识别结果图验证了机器深度学习煤岩识别技术的优越性。同时通过对煤层模型建立及截割线路等进行分析，为采煤机自动化管理技术实现提供保证，为矿井智能化、自动化工作面建设作出一定的贡献。

作者:王治 单位:西山煤电集团有限责任公司镇城底矿