煤岩界面识别的关键状态参数

阐述了通过截割状态监测进行煤岩界面识别的原理。理论分析表明,拾取振动、电流、扭矩、压力及扭振等截割状态信号,经过特征提取与信息融合可进行煤岩界面辨识。     

煤岩界面识别技术研究

煤岩界面识别系统是综采工作面智能化生产的重要环节,总结了目前国内外各种煤岩界面识别的技术方法,分析了各种方法的优缺点及其应用场合,展望了未来煤岩界面识别技术的发展方向,对煤矿的智能化生产具有重要意义。     

煤岩界面识别的声学建模

为解决煤岩界面识别问题,采用声学探测法,依据声波在水煤、煤岩界面反射、折射时,在界面处满足声压连续和质点速度连续的物理性质,建立了声学传输路径模型.考虑到经过分界面的声波在介质中传播的同时存在介质衰减,推导出声波在水、煤、岩3种介质传输时于水煤、煤岩2个界面传播、反射的回波公式,构成路径传输煤岩识别声学模型.该模型为包含不同介质的声吸收系数、特性阻抗、厚度和声波频率、幅值比模数的非线性方程.通过搭建煤岩识别试验平台,水听器作为声波收发仪器,与信号发生器、示波器构成收发系统和分析装置,使用SIMULINK模拟声波收发及建模过程,标定介质的声吸收系数,求解发射、接收声波的幅值比模型方程获得煤层厚度、水层厚度数值解,从而验证了模型的可行性.仿真试验表明,理论煤厚识别误差为0.03 m,后续将通过现场试验进一步验证.     

自然γ射线煤岩界面识别传感器

提高传感器探测灵敏度的主要途径是选用低能段初始阈，４０ｋｅＶ是较为合理的参数选择。作者使用ＦＤ－３００３能谱仪改装的煤岩界面识别传感器在现场进行了测报实验，结果表明测报误差不大于５０ｍｍ。说明对传感器参数的设计和改装是成功的；同时也验证了所提出的煤岩界面测报模型。     

基于多传感器信息融合的煤岩界面识别

煤岩界面识别是实现采煤机滚筒自动调高的关键之一,本文讨论基于多传感器信息融合的煤岩界面识别方法。     

国内外煤岩界面识别技术研究动态综述

煤岩界面识别 (CII)能使采煤机具有自动追踪煤岩界面的能力 ,不仅有助于引导煤矿井下采煤自动化 ,提高生产效益 ;还能减少那些在选煤过程中必须除去的岩石和其它矿物含量。它既可用于人工操作的采煤机 ,也可用于计算机控制的采煤机。可靠的CII系统在经济效益和安全作业两方面都具有突出的优点 ,它提高煤层的采出率 ;降低煤中的矸石、灰分和硫的含量 ;提高采煤作业效率 ;减轻设备磨损 ;减少设备维修量和停机时间 ;由于振动较小 ,降低了空气中的岩尘含量 ,并可使作业人员远离危险工作面     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

自然γ射线煤岩界面识别研究

叙述了国外利用自然γ射线进行煤岩界面识别的发展状况。对我国煤矿煤、岩中自然γ射线分布特征进行了划分,通过观测数据分析了自然γ射线煤岩界面识别方法在我国煤矿中的适用性     

基于太赫兹光谱技术的煤岩识别方法

煤岩识别是无人化开采中的重大问题,为了研究基于太赫兹谱的煤岩识别方法,首先应用太赫兹时域光谱技术对不同矿井采集来的煤岩样本进行了实验,得到了煤岩样本的太赫兹谱。然后计算出煤岩样本的折射率谱和吸收谱,并分别将其作为训练集和测试集。研究不同支持向量机参数对建模以及煤岩分类结果的影响。结果表明,通过合理的寻优方式,并利用煤岩的吸收特性和折射特性等样本的固有属性,可以建立稳定的THz-SVM的煤岩识别模型,从而可以快速稳定地区分出煤岩介质,这也意味着可以通过该方法来描述采煤机的截割状态(割煤/割岩),从而为采煤机自动调高提供依据。     

煤岩界面识别传感技术

<正> 60年代中期以来,各工业发达国家竞相研究开发能辨识煤层—岩石分界面的煤岩界面识别传感器。从煤矿井下工作条件及工作对象来看,对煤岩界面识别传感器有以下要求: 1.分辨率:在典型地质条件及正常工作噪声和振动的环境下,能精确地分辨50～250mm厚的余煤,并要求重复性好。 2.输出:要有一定输出幅值以实现数显或与采煤机控制系统联接。 3.可靠性:能适应井下恶劣的工作环境。 4.可行性:成本低、结构简单,可在采煤机上安装。     

“十四五” 时期我国煤炭工业发展思考

煤岩识别是极薄煤层综采工作面实现智能化开采的核心技术之一。针对极薄煤层开采时煤岩分界线自然裸露在外的特殊情况,提出了一种基于MRU-Net++网络的极薄煤层煤岩图像识别方法。该网络以U-Net++为基础,通过“剪枝”技术对U-Net++结构进行优化,在U-Net++网络性能损失最小的同时减少其复杂度,以提高运算速度;采用MobileNetV2轻量化网络,构建一个基于MobileNetV2的核心骨干网络,替代U-Net++原有的网络架构,显著降低了模型的参数数量,提高了模型分割效率;同时引入含有通道注意力机制的ResNeSt模块来增强对煤岩图像边缘细节特征的提取能力,提高分割精度。利用液压支架上的防爆摄像仪采集极薄煤层综采工作面煤岩图像,获取具有煤岩分布信息的高清煤岩图像并对图像进行预处理,创建含有2 536个样本的极薄煤层综采面煤岩图像数据集。设置消融试验,验证改进部分对网络性能的影响,并将该模型与经典FCN、U-Net、U-Net++网络模型进行对比,利用自适应学习算法训练各网络模型,选择像素准确度(Pixel Accuracy, P_A)、交并比(Intersection over Union, I_OU)及测试时间等关键指标评估模型分割效果。结果显示,MRU-Net++网络模型的平均像素准确度P_AM和交并比I_OUM分别为97.15%和94.16%,模型占用内存25.71 M,每张图像的平均测试时间28.61 ms,充分证明了该方法在极薄煤层特殊环境下进行煤岩识别任务的可行性与有效性。

     

基于GAN网络的煤岩图像样本生成方法

煤矿智能化要求实现智能化开采,其中煤岩识别是实现无人化开采的核心技术之一,近年来基于图像的煤岩识别方法受到广泛关注。受采掘环境影响导致图像获取困难是制约煤岩图像识别的主要因素之一,针对煤岩图像数据短缺的问题提出解决方法并增加数据量,基于在单张图像上训练的生成式对抗网络提出Var-ConSinGAN模型并构建样本生成与特征迁移框架。ConSinGAN模型生成的图像虽然清晰但对于煤岩图像生成来说仍然缺少多样性,改进模型的训练方式和图像重构方法可提高生成煤岩图像的多样性。模型采用金字塔结构,使用多阶段训练方法,每个阶段训练不同尺度的图像,可以生成任意数量图像。在模型中提出了新的图像尺寸变换方法用来生成分辨率不同的重构图像,同时采用曲线函数使每一阶段的迭代次数逐步增加,之后对第1阶段用单张图像生成的结果使用基于辅助分类器的条件生成式对抗网络进行特征迁移。新图像重建方法保持重建图像高分辨率阶段的密度大于低分辨率阶段的密度,新训练迭代函数在减少模型学习图像结构的次数的同时增加模型学习图像纹理细节的次数。新的训练迭代函数可以减少模型迭代的总次数,从而减少模型训练时消耗的计算资源。模型需要输入一张符合正态分布的噪声图片,经过训练,生成器输出满足真实图像分布的生成样本。实验在500张煤岩图像上进行,每张图像生成400张仿真图像,并使用SSIM指标对生成图像的亮度、对比度、结构等3方面进行测评。其中结构性强的煤岩图像其SSIM指标值很低,反之,结构性弱的煤岩图像其SSIM指标值较高。根据实验结果可得结论:Var-ConSinGAN模型缓解了原始GAN在数据不足时无法训练和ConSinGAN生成的煤岩图像具有明显“边框”感且多样性不足的问题;Var-ConSinGAN与ConSinGAN相比模型性能提高了13.8%;特征迁移的实验结果显示不同种类的煤岩之间学习到了彼此没有的特征;增加了煤岩图像数据量。     

基于VMD的多相介质超声回波检测技术

提取多相介质中有效超声回波信号是实现煤岩界面识别的关键技术。利用超声波探测煤岩介质所获取的回波信噪比低且为非平稳、非线性信号,难以有效准确的获取煤岩界面的回波波形,进而无法有效判断煤岩分界面。传统的小波分析手段需要根据信号特点选取特定的小波基,EMD,EEMD等自适应信号分解方法存在模态混叠及虚假分量等现象。提出利用VMD(变分模态分解)分析超声回波信号的组成成分,准确获取煤岩界面的首次回波的波形与时间,以达到识别不同介质界面和判断介质相关参数的目的。模拟仿真及实验表明,VMD可实现更优化的信号分解效果,实现对煤岩界面首波波形和首波时间的检测,达到准确识别以煤岩介质为代表的多相介质分界面的目的。     

煤岩界面识别物理模拟测试系统研究

采煤机滚筒在截割煤岩的过程中,随着截割介质的变化,滚筒的截割状态也发生变化,监测这些参数变化,可实现截割过程煤岩界面识别。建立了采煤机煤岩界面识别物理模拟系统,包括介质模拟和采煤机牵引-截割机构的模拟,研制了试验控制系统。     

基于视觉技术的煤岩特征分析与识别

为研究煤岩自动识别技术,提出了一种基于视觉技术的煤岩特征分析与识别方法。首先根据煤和岩石图像分析煤岩纹理差异;然后根据灰度共生矩阵分别计算煤和岩石纹理特征向量;最后选择计算出的纹理特征向量作为神经网络输入来分别识别煤和岩石2种情况。实验结果表明,煤和岩石纹理特征值差别较大,采用能量、对比度、相关性和熵作为特征向量均可实现煤和岩石自动识别,且以熵值作为特征向量的煤岩识别效果最好。     

局部约束的自学习煤岩识别方法

针对训练样本不足情况下的煤岩图像识别问题,提出了一种局部约束的自学习(LCSL)煤岩识别方法。该方法首先从辅助数据中通过局部约束的字典优化模型获取高层结构特征,这些辅助数据是无标签的非煤岩自然图像,与煤岩图像的特征分布不同,且更容易获取;然后利用学习的高层结构特征结合局部约束线性编码提取煤岩图像特征;最后利用SVM算法对煤岩图像进行分类识别。实验表明:通过该方法得到的特征能够有效地表征煤岩图像,具有很强的鉴别性和鲁棒性,达到了很好地识别效果,相比于原有煤岩识别方法平均识别率提高了1%～3%。     

基于图像处理与识别技术的煤矿矸石自动分选

矸石分选是煤矿生产的重要环节,即在煤块中将矸石挑选出来,目前我国大块矸石的分选大多采用手选,工人劳动强度大,生产效率低,工作环境恶劣,严重影响着人工的身心健康,通过采用图像处理和模式识别技术对煤块和矸石进行识别,再结合计算机技术和机械自动化技术,从而达到煤矸自动分选的目的。     

煤矿事故分析与煤矿大数据和物联网

针对目前冲击地压和煤与瓦斯突出致灾机理尚未完全明确,仍偶有发生,严重威胁着我国煤矿的安全生产,结合灾害发生时大量抛出煤岩有着不同于采掘工作面和巷道空间正常工况下的温度与速度特征,提出了一种基于热红外图像的煤矿冲击地压和煤与瓦斯突出感知报警方法：在煤矿井下巷道顶部、巷帮以及采掘工作面液压支架等位置多点布置红外热像仪,实时采集采掘工作面和巷道空间热红外视频图像;监测识别监视区域内物体温度是否处于设定的温度范围(30 ℃≤T≤150 ℃);当掘进工作面、掘进巷道入口、掘进巷道中间、回采工作面、进风巷入口、进风巷中间、回风巷入口、回风巷中间、主运输大巷、辅助运输大巷等位置红外热像仪监测到物体温度处于设定温度范围时,监测识别处于设定温度范围物体的移动速度是否处于设定的速度范围(v＞13 m/s);当处于设定速度范围时,利用多点布置的甲烷传感器监测监视区域内环境甲烷体积分数是否迅速升高;当工作面、回风巷、进风巷、总回风巷等多个不同地点甲烷体积分数均大幅升高,则进行煤与瓦斯突出报警,反之,则进行冲击地压报警。提出了基于热红外图像的煤矿冲击地压和煤与瓦斯突出感知报警中,红外热像仪的最佳倾角确定方法,以及红外热像仪有前倾角度情况下监测温度异常物体移动速度的方法。根据宁夏双马煤矿实际掘进巷道情况,结合红外热像仪帧率25 FPS,焦距13 mm,并且沿巷道轴向方向的视场角为21°,相对于竖直向下进行图像监视,该方法在保证测速效果的前提下得到的红外热像仪最佳倾角约为58°,进行图像监视时监视范围增大了约292%,在密集监视区域红外热像仪成本减少近75%。为了更逼真的迎合灾害特征,简化实验复杂度与确保安全性,设计了一套灾害温度、速度特征模拟实验装置：采用直径315 mm PVC管模拟圆形巷道;采用颜色、密度相近的10 mm橡胶球替代破碎煤岩作为主要实验材料与主要识别目标;采用物理加热法(热水浴)使橡胶球温度达到灾害发生时的温度异常范围;采用高压鼓风机提供动力源,使橡胶球速度能够达到灾害发生时的速度异常范围。并利用红外热像仪来完成对整个模拟灾害过程的监视与热红外视频图像采集。对所提出的灾害感知报警方法进行了代码实现。模拟实验与结果分析表明,该方法识别效果良好,验证了基于热红外图像的煤矿冲击地压和煤与瓦斯突出感知报警方法的可行性与有效性。

     

杨庄煤矿煤岩波速特征及与其强度的关系研究

系统地测试了淮北煤田杨庄煤矿5,6煤层煤样的纵波速度、抗压强度、抗拉强度和变形参数,得出了煤波速的差异性及各向异性特征,分析了煤体结构是煤波速差异性的重要原因;对煤样波速与其力学指标进行了对比研究,得出了拟合公式,表明两者之间有很好的相关关系,为煤岩强度的确定提供了一种新的方法。     

图像识别智能放煤技术原理与应用

煤炭智能开采是煤炭行业高质量发展的必由之路,放顶煤工作面的智能化滞后于综采工作面.智能放煤是实现智能放顶煤开采的关键核心技术,低照度、小空间、高粉尘、煤矸叠压、声振信号干扰、夹矸误识别等问题严重制约智能放煤技术开发.在探索尝试图像、声音、振动等多种煤矸识别技术的基础上,提出了图像识别智能放煤技术.精准快速识别混矸率与适...