STUDY ON THE COAL-ROCK INTERFACE RECOGNITION METHOD BASED ON MULTI-SENSOR DATA FUSION TECHNIQUE

The coal-rock interface recognition method based on multi-sensor data fusiontechnique is put forward because of the localization of single type sensor recognition method. Themeasuring theory based on multi-sensor data fusion technique is analyzed, and hereby the testplatform of recognition system is manufactured. The advantage of data fusion with the fuzzy neuralnetwork (FNN) technique has been probed. The two-level FNN is constructed and data fusion is carriedout. The experiments show that in various conditions the method can always acquire a much higherrecognition rate than normal ones.

基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于改进门控循环神经网络的采煤机滚筒调高量预测

采煤机自适应截割技术是实现综采工作面智能化开采的关键技术。针对采煤机在复杂煤层下自动截割精度较低的问题,提出了一种基于改进门控循环神经网络(GRU)的采煤机滚筒调高量预测方法。鉴于截割轨迹纵向及横向相邻数据之间的相关性,采用定长滑动时间窗法对获取的采煤机滚筒高度数据进行预处理,将输入数据划分为连续、大小可调的子序列,同时处理横向、纵向的特征信息。为提高模型预测效率,满足循环截割的实时性要求,提出了一种用因果卷积改进的门控循环神经网络(CC-GRU),对输入数据进行双重特征提取和双重数据过滤。CC-GRU利用因果卷积提前聚焦序列纵向的局部时间特征,以减少计算成本,提高运算速度;利用门控机制对卷积得到的特征进行序列化建模,以捕捉元素之间的长期依赖关系。实验结果表明,采用CC-GRU模型对采煤机滚筒调高量进行预测,平均绝对误差(MAE)为43.80 mm,平均绝对百分比误差(MAPE)为1.90%,均方根误差(RMSE)为50.35 mm,决定系数为0.65,预测时间仅为0.17 s;相比于长短时记忆(LSTM)神经网络、GRU、时域卷积网络(TCN),CC-GRU模型的预测速度较快且预测精度较高,能够更准确地对采煤机调高轨迹进行实时预测,为工作面煤层模型的建立和采煤机调高轨迹的预测提供了依据。

智能放煤理论与技术研究进展

综放开采技术是厚及特厚煤层开采的有效方法,已成为我国在世界煤炭开采行业的标志性技术。综述了“四要素”放煤理论、顶煤采出率与含矸率关系、基于块度分布的采出率预测模型、煤流瞬时含矸率-累计含矸率关系等智能放煤理论研究进展。分析了智能放煤技术难点,指出含矸率是影响顶煤采出率和煤质的关键因素,放煤过程中含矸率的快速、准确计算是智能放煤技术突破的重点和关键。将智能放煤技术分为非图像识别智能放煤技术和图像识别智能放煤技术2类,对不同技术的研究进展、优缺点及使用条件进行了详细分析。非图像识别智能放煤技术包括记忆放煤技术、声音振动信号识别技术、γ射线探测技术、探地雷达技术、微波照射+红外探测技术、激光扫描放煤量监测技术等,图像识别智能放煤技术包括井下照度环境精准控制、放煤图像去尘算法、含矸率计算精度保障策略、煤岩红外图像识别等。

煤矿冲击地压和煤与瓦斯突出事故自动发现与报警方法研究

煤矿冲击地压和煤与瓦斯突出自动感知报警方法是及时发现事故并应急救援,减少人员伤亡,避免或减少瓦斯和煤尘爆炸等次生事故发生,遏制事故迟报、漏报和瞒报的有效措施。煤矿冲击地压事故感知难,目前还没有煤矿冲击地压事故自动发现和报警方法,煤矿冲击地压事故主要靠人工发现。目前仅有基于甲烷、风速和风向传感器的煤与瓦斯突出自动报警方法,但存在响应速度慢、甲烷传感器损毁前监测不到甲烷浓度大幅升高等问题。提出了煤矿冲击地压和煤与瓦斯突出图像感知报警方法:根据煤矿冲击地压和煤与瓦斯突出温度、颜色、深度、掩埋等图像特征,识别煤矿冲击地压和煤与瓦斯突出;再根据巷道空间和采掘工作面的甲烷浓度变化,区分冲击地压和煤与瓦斯突出,如果甲烷浓度大面积迅速升高,则判定为煤与瓦斯突出,否则判定为冲击地压。该方法具有直观、响应速度快、非接触、监测范围广、简单可靠等优点,可直观地记录煤矿冲击地压和煤与瓦斯突出真实情况;当煤矿冲击地压和煤与瓦斯突出事故报警后,调度室值班人员可以通过录像,立即确认事故,及时进行应急救援。提出了减少煤矿冲击地压和煤与瓦斯突出抛出的煤岩对图像感知影响的方法:摄像机多点布置,摄像机设置在较高位置,视频数据及时传输,甲烷传感器多点布置等。

基于红外热像和振动信号的煤岩识别实验研究

针对现有煤岩识别技术存在的难以实际应用、易受信号干扰、成本高和实现复杂等问题,通过理论分析煤岩截割产热与煤岩硬度的关系,证明通过红外热像获取的截割温度变化来进行煤岩识别的合理性;搭建了掘进机截齿截割煤岩试验台,对不同硬度的普通煤层、煤岩交界处及中砂岩层进行长时间截割试验,通过红外热像仪和振动传感器分别获取截割温度和截割头振动信号并分析其变化规律。研究结果表明:①随着截割时间增加,截割温度逐渐升高;煤岩硬度越高,截割温度越高,且截割温度上升速率越快;在截割起始阶段无法通过截割温度识别煤岩,但在稳定截割时可根据截割温度特性识别煤岩。②截割头振动强度随着煤岩硬度增大而变大,但不随截割时间增加而产生明显变化,因此可弥补在截割起始阶段无法通过截割温度识别煤岩的不足。③通过单一截割温度或振动强度不能对煤岩进行准确识别,因此可在截割起始阶段和频繁出现闪温时通过振动强度来识别煤岩,而在截割稳定阶段通过红外热像获取的温度来识别煤岩。

基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法

冲击地压和煤与瓦斯突出容易造成煤矿重特大事故。针对目前煤矿冲击地压和煤与瓦斯突出事故发生主要靠人工发现,结合灾害造成不同于正常工况下采掘工作面和巷道空间的颜色和深度特征,提出了一种基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法:在煤矿井下巷道顶板、巷帮靠近顶板以及采掘工作面液压支架顶部或靠近顶部等位置多点布置带有补光灯的彩色双目摄像机,实时采集采掘工作面和巷道空间彩色图像和深度图像;以煤矿井下与灾害抛出煤岩有着鲜明颜色差别的生产设备作为背景,监测识别是否出现彩色图像颜色发生较大变化;如果掘进巷道端头、巷道中间、巷道入口,或回采工作面,或进风巷道入口、巷道中间,或回风巷道入口、巷道中间,或主运输、辅助运输大巷等位置彩色双目摄像机监测到图像颜色发生较大变化,则监测彩色图像平均亮度是否小于设定的亮度阈值;如果平均亮度小于设定的亮度阈值,则以与灾害抛出煤岩有鲜明颜色差别的生产设备为背景,监测深度图像是否发生较大变化;如果深度图像发生较大变化,那么监测导致深度图像发生较大变化物体的移动速度是否大于设定的速度阈值(v>13 m/s);当移动速度大于设定速度阈值时,利用多点布置的甲烷传感器监测监视区域内甲烷浓度,当采煤工作面、掘进工作面、进风巷道、回风巷道、总回风巷道等多个不同地点均监测到甲烷浓度大幅升高或达到报警值,那么进行煤与瓦斯突出报警,反之,则进行冲击地压报警。提出了彩色双目摄像机感知灾害最佳倾角的确定方法,以及导致深度图像发生较大变化物体移动速度的确定方法。在确保安全性的前提下,简化了灾害模拟试验,设计了一套煤矿冲击地压和煤与瓦斯突出颜色和深度特征模拟试验装置:采用与煤岩颜色和比重相近的10 mm橡胶球替代灾害抛出煤岩;利用直径315 mmPVC管模拟煤矿井下巷道受限空间以及与抛出煤岩有着鲜明颜色差异的背景设备;利用轴流式高压鼓风机作为动力装置,进行模拟冲击地压和煤与瓦斯突出发生时大量煤岩抛出造成的采掘工作面和巷道空间颜色和深度异常特征;利用3.4 mm焦距、30FPS、71°×55°视场角的彩色双目摄像机,完成对整个灾害模拟过程的监视与彩色双目图像采集。研究分析表明,提出的方法可识别出灾害发生时颜色和深度特征,验证了基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法的可行性与有效性。

基于电磁波的煤岩识别技术研究进展

将电磁波应用于煤岩识别中,可有效提高煤岩界面分辨能力。结合煤岩界面模型,阐述了运用电磁波技术进行煤岩识别的原理;介绍了γ射线法、雷达探测法、太赫兹信号法、电子共振法、X射线法和红外热成像法6种具体的煤岩识别方法,分析了各方法的原理,对各方法的优缺点及煤矿井下适用性进行了对比,并结合实际工业应用分析了各方法的研究现状。γ射线法在探测距离上具有显著优势,但存在放射性问题,基本被淘汰;雷达探测法具有识别准确的优点,但由于其信号衰减严重,探测距离短,目前一般应用于薄煤层测厚;太赫兹信号法探测距离短,只有在井下环境组成稳定时才能应用;电子共振法信号衰减严重,探测距离较短且难度较大,所以目前矿井基本摒弃;X射线法穿透性强,成像较清晰,但危害性极大;红外热成像法中,主动红外激励法需耗费大量时间对煤岩进行激励,且在处于高瓦斯的矿井环境中,存在极大的安全隐患;截割闪温法虽耗时较短,但对于截齿多、排布复杂的情况很难实现有效的煤岩识别。指出电磁波回波信息决定着电磁波煤岩识别的准确性,后续应对其进行深层次挖掘。

基于连通性阈值分割的煤岩裂隙识别方法

煤岩裂隙发育形态是影响煤岩渗透性、决定煤岩体力学特征的重要因素。针对煤岩裂隙识别过程中存在的复杂结构处理不当、裂隙边界特征保留不足、噪声干扰等问题,提出了一种基于连通性阈值分割的煤岩裂隙识别方法。首先,采用直方图均衡化增强算法和非局部均值滤波去噪算法对图像进行预处理,其次,利用自适应Otsu阈值分割确定预处理后图像的阈值,识别出可能的裂隙区域,应用形态学运算对这些区域进行精细化处理,进一步突出裂隙的边界特征。然后,通过Canny边缘计算提取种子点,以识别图像中的关键特征。最后,基于这些种子点进行区域生长操作,从而有效抑制噪声,并在平滑图像裂隙的同时更加清晰地突出裂隙信息。实验结果表明:①连通性阈值分割的均方误差较自适应Otsu阈值分割和自适应阈值分割分别平均减少了7.20,7.10 dB,连通性阈值分割的峰值信噪比较自适应Otsu阈值分割和自适应阈值分割分别平均提高了0.60,0.59 dB。②连通性阈值分割不仅有效解决了裂隙提取不明显、末端提取效果差及连接处特征消失的问题,而且显著减少了噪声的干扰,使裂隙特征变得更加突出,从而极大地提高了裂隙识别的准确性和完整性。③连通性阈值分割在自适应Otsu阈值分割的基础上,强化了裂隙特征并有效消除了噪声点,平均准确率较自适应阈值分割算法和自适应Otsu阈值分割分别提高了8%和0.8%,达98.9%。

融合钻孔地质信息的煤岩图像识别方法

当前应用于煤岩图像识别的深度卷积神经网络模型存在体积庞大、计算过程冗杂等问题,难以满足实时检测要求,且对低照度、高粉尘等复杂环境适应性差。针对上述问题,提出了一种融合钻孔地质信息的煤岩图像识别方法。首先,通过改进的谱残差显著性检测(ISRSD)算法增强煤岩图像质量,有效减弱复杂环境对煤岩图像特征造成的不利影响;然后,使用加入注意力机制的VGG(AVGG)深度卷积神经网络模型——在VGG的基础上进行剪枝、加入卷积注意力模块(CBAM)和引入自适应学习率调整策略,高效提取煤岩图像特征;最后,利用贝叶斯模型融合煤岩图像特征和由钻孔地质柱状图获取的钻孔地质信息,提升煤岩分类的准确性和鲁棒性。实验结果表明,经ISRSD算法增强后的图像目标更突出,色彩失真程度更低,且边缘、纹理等图像特征保留相对完整;AVGG模型的准确率与VGG模型相当,但平均推理时间、参数量及模型大小分别仅为VGG模型的15.61%,33.44%及33.40%;与仅使用AVGG模型识别煤岩图像相比,利用贝叶斯模型融合钻孔地质信息后,准确率提高了1.85%,达97.31%。

基于机器视觉的煤岩识别系统研究

煤岩的准确识别对于煤炭的开采和利用至关重要。提出了一种基于机器视觉的煤岩识别系统。在图像预处理阶段分别采用加权平均算法和中值滤波算法对图像进行灰度处理和去噪处理,随后采用局部二值模式(LBP)对煤岩的纹理特征进行提取,并引入BP神经网络算法对样本库进行训练及煤岩识别。通过系列试验验证该系统的可行性,结果显示该系统对煤岩识别的准确率达到了88%以上,可为煤炭开采和分选的自动化、智能化提供一定的借鉴。

地质动力区划及其在冲击地压研究中的应用

冲击地压的实质是煤岩体内积聚的弹性变形能突然释放的动力现象,是煤矿重大动力灾害之一。地质动力区划认为现代地质构造运动等内动力作用和构造应力场对矿井动力灾害的孕育、发生和发展过程具有重要影响。地质动力区划主要研究内动力地质作用对人类工程活动影响,在煤矿开采领域主要用于研究现代构造运动影响下的冲击地压等矿井动力灾害问题。辽宁工程技术大学地质动力区划团队根据中国大陆的构造运动和构造形式的特点,在俄罗斯И.М.巴图金娜院士和И.М.佩图霍夫院士创建的以断块构造划分为核心内容的地质动力区划方法基础上,经过30余年的研究和实际应用,对地质动力区划的研究内容进行了广泛拓展,创建了地质动力环境评价方法、煤岩动力系统与能量特征分析方法和矿井动力灾害多因素模式识别方法,开发了岩体应力分析系统和地质动力区划信息管理系统,丰富和深化了地质动力区划理论和方法,开创了地质动力区划研究的全新体系,为冲击地压、煤与瓦斯突出等矿井动力灾害的危险性预测与防治提供了全新的研究方法。笔者介绍了地质动力区划及其在冲击地压研究方面的部分应用成果:(1)基于地质动力区划的煤岩动力系统分析方法,计算确定的系统“损伤区半径上限值”作为冲击地压工作面超前支护范围的参考值,为冲击地压矿井确定超前支护范围提供了依据;计算确定的系统“影响区半径上限值”作为冲击地压矿井工作面开采影响范围参考值,为确定2个采煤工作面之间的距离提供了依据。(2)基于地质动力区划的多因素模式识别方法,在地质动力区划信息管理系统的支持下,实现了冲击地压危险性的分单元精细化预测,为矿井提供了更精确的冲击地压危险性区域空间定位和更准确的冲击地压危险程度预测结果,提高了矿井冲击地压危险性预测的准确性和时效性。地质动力区划在中国的义马、鹤壁、鹤岗、双鸭山等矿区的40多个煤矿的动力灾害危险性预测和防治工作等方面得到了广泛应用。

基于图像和激光点云融合的智能采面煤岩识别

为了提高采煤工作面的智能化水平,提出了基于图像和激光点云融合的煤岩识别方法。首先,利用三维重建构建了蕴含煤岩颜色信息及截割纹理特征的图像点云;其次,提出了基于改进迭代最近点(iterative closest point,简称ICP)算法的煤岩点云配准方法,提高了点对间的搜索速度和配准精度;然后,设计了基于改进区域生长算法的煤岩识别方法,通过仿真分析验证了改进措施的有效性;最后,搭建了采煤机煤岩截割实验系统,并对相关改进算法进行了实验对比分析。结果表明,所提方法的点云数据分割效果最好,煤岩识别准确率达92.95%。在煤矿井下采煤工作面进行了现场测试,进一步证明了所提煤岩识别方法的可行性和实用性。

基于掩埋图像特征的煤矿冲击地压和煤与瓦斯突出感知报警方法

分析了冲击地压和煤与瓦斯突出时抛出大量黑色煤岩的掩埋图像特征:监视区域内颜色及其对应图形面积变化、颜色及其对应图形数量变化、颜色及其对应图形形状变化、掩埋位置异常等。根据灾害发生时会造成监视区域内非黑色区域面积减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形面积变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会造成监视区域内非黑色区域数量减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形数量变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会造成监视区域内非黑色图形的圆形度、矩形度和面积周长比减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形形状变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会导致煤矿井下人员、液压支架顶部及靠近顶部等位置被煤岩掩埋的特征,提出了基于掩埋位置异常特征的冲击地压和煤与瓦斯突出感知报警方法。上述基于掩埋图像特征的煤矿冲击地压和煤与瓦斯突出感知报警方法具有响应速度快、非接触、监测范围广、成本低和使用维护方便等优点。

煤岩裂隙图像识别方法研究

煤岩裂隙与瓦斯运移密切相关,且影响煤岩体稳定性,研究煤岩体中复杂的裂隙系统对于巷道支护和瓦斯抽采有重要意义。目前煤岩裂隙图像识别方法未能综合考虑煤岩图像裂隙数量、位置、形态和类别等特点,难以获取有效信息。以鹤壁煤电股份有限公司第八煤矿掘进工作面煤岩图像为研究对象,提出了一种基于U-Net网络对图像中裂隙及类别实现像素级智能识别的方法。采用直方图均衡化、高斯双边滤波和拉普拉斯算子对煤岩图像进行预处理,以提高图像质量,更有效地提取裂隙特征信息。通过观测记录煤岩裂隙特征并分为7类,对筛选出的煤岩裂隙图像进行扩增,采用Labelme软件对图像进行像素级标注,建立煤岩裂隙数据集。采用U-Net网络构建煤岩裂隙识别模型,经调试确定网络批量大小和学习率参数,实验表明当迭代次数达到300以上时,该模型的识别精确率均值为87%,召回率均值为92%,平均交并比大于85%,类别平均像素准确率大于80%。采集井下煤岩采动裂隙和实验室张性外生裂隙对煤岩裂隙识别模型进行验证,结果表明该模型可有效提取目标特征信息并与背景特征信息区分,能够较准确地定位、识别单一裂隙。

基于改进DeeplabV3+和迁移学习的煤岩界面图像识别方法

煤岩识别技术是实现煤矿工作面智能无人开采的关键技术之一。为进一步提高基于机器视觉实现煤岩界面图像识别的精度和效率,提出一种基于改进DeeplabV3+和迁移学习的煤岩界面图像识别网络模型:首先,使用轻量化MobilenetV2模块作为骨干特征提取网络,减少网络模型参数,提高语义分割效率;然后,在编码器和解码器中引入卷积注意力机制模块(CBAM),提高模型特征提取能力,并实现不同层级特征信息有效融合,提升模型分割精度;其次,采用迁移学习训练方法,克服样本分布差异性,增强模型泛化性,以适应于不同应用场景下的煤岩识别任务。应用自制煤岩分割数据集和综采面煤岩分割数据集验证模型性能,与FCN、SegNet、U-net、DeeplabV3+网络模型作对比试验,并选择准确度、平均交并比、推理时间等指标对模型识别效果进行评估。消融试验结果表明,改进DeepLabV3+网络模型在自制煤岩分割数据集上准确度和平均交并比分别为94.67%和93.48%,测试用时42.58 ms/张,采用推理加速框架TensorRT优化后推理时间可达6.14 ms/张,与其他模型相比,改进DeepLabV3+对煤岩边界细节特征提取能力更强,分割精度和处理效率更高。最后通过构建综采工作面含有煤岩层的煤岩图像分割数据集对改进DeepLabV3+模型采用迁移学习方法进行训练测试,实现了煤矿井下工作面的煤岩界面图像识别,验证了该方法在实际煤岩图像识别任务的可行性和有效性。

机器视觉感知理论与技术在煤炭工业领域应用进展综述

机器视觉技术对改善煤矿安全监测手段、提高装备自动化水平具有积极意义。详细阐述了当前煤矿智能化建设过程中基于机器视觉的不同场景和系统下的设备信息状态感知原理,综述了机器视觉感知技术在煤矿安全监测、拣选识别、煤岩识别、定位导航、运输检测、位姿检测和信息测量等方面的实践应用;分析指出未来煤矿机器视觉感知技术应深入挖掘采掘工作面机器视觉场景理解需求,构建生产全视场监视检测体系,提升多时空多维度多变量集成监测效果,改善视频自主监视告警能力,增强视觉引导能力,并形成地面生产管理运行系统的视觉资料统一化管理方式等,重点研究综采装备(群)姿态同时空测量、采掘环境动态变化感知、生产全视场监测与自主告警、煤矿机器人视觉引导控制等技术;指出煤矿机器视觉感知技术在防爆或本安型智能视觉传感器研发、高效视觉测量与分析、检测识别测量精度提升、图像高质量标注方面仍存在挑战,通过开发具有边缘计算能力的视觉传感器,构建井上下视觉分布式测量方案,实现各类复杂环境下开采信息准确识别与测量,可有效提高机器视觉感知技术在煤炭行业的更深层次融合和应用。

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

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。

基于小波包多尺度模糊熵和加权KL散度的煤岩智能识别

垮落煤岩智能识别是智能放煤的前提,通过垮落煤岩实时精准识别可避免人工放煤造成的顶煤“欠放”或“过放”问题。现有煤岩识别方法大多通过数据降维处理获得垮落煤岩特征向量,通过构建识别模型进行煤岩识别,但数据降维、模型建立和训练均需较长时间,一定程度上影响了连续综放开采效率。针对该问题,提出了一种基于小波包多尺度模糊熵和加权KL散度的煤岩智能识别方法。对不同工况(顶煤垮落、岩石垮落、大块顶煤垮落)下垮落煤岩冲击液压支架后尾梁的振动信号进行小波包分解,得到一系列频带;对各频带的序列进行粗粒化,计算各频带多个尺度粗粒化向量的模糊熵,即小波包多尺度模糊熵,将其作为特征向量;以小波包分解后各频带能量与振动信号总能量的比值作为加权KL散度的权重,比较待测未知样本与不同工况下样本特征向量的加权KL散度,实现垮落煤岩的实时精准识别。实验结果表明:基于小波包多尺度模糊熵和加权KL散度的方法可有效识别垮落煤岩类别,而基于多尺度模糊熵和KL散度的方法、基于小波包模糊熵和KL散度的方法识别效果不佳;将小波包多尺度模糊熵作为特征向量时,BP神经网络识别准确率达95%,进一步验证了小波包多尺度模糊熵可作为表征垮落煤岩的特征向量;整个煤岩识别过程耗时为1.063 9 s,基本满足垮落煤岩智能识别实时性需求,大大降低了对连续综放开采效率的影响,综合性能优于同类煤岩识别方法。

煤岩识别技术发展综述

煤岩识别技术可为采煤机自动调高提供依据,是实现煤矿智能无人化开采的关键。现有煤岩识别技术包括图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别等。详细介绍了上述几种技术原理及应用现状:(1)图像识别技术目前处于实验阶段,主要涉及大规模煤岩图像数据标注和复杂地质条件下的识别问题。(2)过程信号监测识别技术可分析煤矿开采过程中的相关信号,识别潜在的煤岩界面信息,但需要解决信号噪声干扰和复杂煤岩界面识别问题。(3)电磁波识别技术和超声波探测识别技术已在实际煤岩界面探测中应用,但仍需要提高识别准确性和可靠性,尤其是对于复杂煤岩结构和界面情况。(4)多传感器融合识别技术需解决数据融合和匹配的难题,确保不同传感器之间的精确校准和可靠性,并验证其在实际应用中的可行性和实用性。针对上述问题,指出煤岩识别技术发展方向:(1)煤岩识别研究应着重提高算法的实时性和抗干扰能力,确保在特定条件下并兼有复杂环境干扰下也能准确识别煤岩,满足井下实际开采需求。(2)加强矿用传感器的研究,以提高其抗干扰性能,同时采用先进的视觉相机和智能设备,与传感器相结合,提高煤岩识别的精度和效率。(3)多种煤岩识别技术交叉融合使用:对于不同硬度的煤岩,可采用过程信号监测识别和多传感器融合技术;对于硬度接近的情况,可结合图像识别和电磁波识别技术,实现煤岩壁界面和煤层厚度的准确识别。