摘要：通过分析矸石从采空区混入煤流、从掩护梁混入煤流和直接进入刮板输送机3种不同路径的特点,设计了高可靠性传感器;提出了区别于人工放煤的智能放煤工艺,在尾梁和插板千斤顶中安设行程传感器,实现了顶煤冒放的精准控制,提高了放煤控制系统的实用性和可靠性。

摘要：针对我国综采放顶煤工作面放煤操作的难题,以回采率高、含矸少为原则控制放煤量,采用记忆放煤时序控制模式,嵌入智能决策机制,实现放煤动作的科学连续。放煤顺序采用分段多窗口多轮放工艺,根据煤层可放难易程度设置放煤窗口开放时间,控制打开放煤窗口的数量,通过人工干预控制,检验放煤效果。系统记忆放煤参数,作为后续工作面大规模放顶煤液压支架分段多窗口多轮放煤控制的样本,当工作面煤层厚度和条件发生变化时,采用神经网络自适应模式可调整放煤参数,实现智能放煤。

摘要：基于煤矿智能化发展现状与要求,系统阐述了煤矿智能化开采模式的定义、技术内涵与特征。针对不同煤层赋存条件,提出了薄及中厚煤层智能化无人开采模式、大采高工作面智能耦合人机协同高效综采模式、综放工作面智能化操控与人工干预辅助放煤模式、复杂条件机械化+智能化开采模式等4种煤矿智能化开采模式。根据截割工艺、工序与装备的差异,将薄及中厚煤层智能化无人开采模式细分为刨煤机智能化无人开采模式、滚筒采煤机智能化无人开采模式,详细阐述了滚筒采煤机定位导航与智能调高技术、半截深高速截割工艺等薄及中厚煤层智能化开采模式关键技术。分析了大采高工作面智能化开采的主要技术瓶颈,论述了基于液压支架与围岩耦合关系的围岩智能耦合控制逻辑、重型装备群的分布式协同控制逻辑等大采高智能化开采模式关键技术。分析了放顶煤工作面与一次采全高工作面智能化开采模式的差异,提出了基于时序控制放煤、自动记忆放煤、煤矸识别放煤等智能化放煤控制逻辑与工艺流程。针对复杂煤层条件,提出了采用局部智能化开采降低工人劳动强度、提高作业环境安全水平的技术思路。

摘要：为了提高千万吨矿井群智能化开采水平及综合协调管理水平,以同煤集团千万吨矿井群开采实践为基础,明确了千万吨矿井群的定义,研究了基于电液控制系统的综放工作面记忆割煤、自动跟机移架、智能放煤技术,分析了基于云计算技术的千万吨矿井群综放智能化开采系统,编制了千万吨矿井群装备系列型谱。研究结果表明:采煤机记忆截割、支架自动跟机移架、智能放煤技术是实现综放工作面智能化开采的基础。云计算技术较好地解决了千万吨矿井群综放智能化开采系统存在的数据量大、处理复杂等问题。通过编制千万吨矿井群装备系列型谱,可以实现矿井群之间设备的统一管理与调配,大幅提高了设备的使用效率。

摘要：综采放顶煤技术已成为我国特厚煤层高产高效开采的主流方式,放煤机构的精准控制是实现放顶煤开采自动化与智能化的重要基础,掌握放煤机构的空间运动规律是实现对其精准控制的前提。液压支架放煤机构的即时形态受支架支撑高度、支架姿态、插板伸出长度、后部刮板机相对位置共同控制,对放煤机构安全过煤高度和放煤口开口度有重要影响。以ZF15000/27.5/42型支架为研究对象,采用有限元分析软件ABAQUS建立了三维四柱式放顶煤液压支架多体动力学仿真模型,分别采用Hinge,Translator连接器模拟支架各铰接点的旋转行为及支架立柱、插板的伸缩行为。以支架支撑高度H、尾梁摆动角度α、插板伸出长度l为控制变量,开展了三因素多状态数值模拟试验,研究了掩护梁–尾梁铰接点、插板末端的空间运动规律,运用Levenberg-Marquardt拟合迭代法得出了放煤机构安全过煤临界准则,建立了插板末端坐标、放煤口开口度与H、α、l的标定关系数据库。推荐了用于感知与控制放煤机构姿态的传感器类型及安装位置,推导了基于行程传感器的尾梁角度计算方法,提出了放煤口开口度精准控制方法。通过现场验证对比放煤机构开口度计算值与现场放煤口实测值,得出两者相对误差符合现场精度要求。该控制方法为智能决策与控制系统(软件)研发提供了理论支持,在现场得到成功应用。

摘要：针对现有基于深度学习的综放工作面混矸率检测方法在井下低照度、高粉尘、煤矸堆叠等复杂条件下存在煤矸识别精度低、分割效果差、模型参数量和运算量大、未实现混矸率的实时检测等问题,提出了一种基于GSL-YOLO模型的混矸率检测方法。GSL-YOLO模型在YOLOv8-seg的基础上进行以下改进:在主干网络中引入全局注意力机制(GAM),通过减少信息弥散和放大全局交互表示提高模型特征提取能力;选用具有高效局部聚合网络的空间金字塔池化(SPPELAN)模块,提升模型处理不同尺寸目标时的检测性能;采用轻量级非对称多级压缩检测头(LADH),降低模型的训练难度,同时提高推理速度。提出了一种基于类别分割掩码的混矸率计算方法,该方法基于煤流图像处理结果中的分割掩码信息,计算其中矸石的像素面积与总像素面积的比值,作为瞬时混矸率。实验结果表明:(1)GSL-YOLO模型的m AP@0.5∶0.95达96.1%,比YOLOv8-seg模型提高了0.8%。(2)GSL-YOLO模型的参数量为2.9×10^(6)个,浮点运算次数为11.4×10^(9),模型权重为6.0MiB,比YOLOv8-seg模型分别降低了12.1%,5.8%,11.8%,实现了模型的轻量化。(3)GSL-YOLO模型在测试集上的帧率为12帧/s,基本满足实时检测要求。(4)与YOLO系列模型相比,GSL-YOLO模型分割效果最好,检测精度最高,参数量和运算量较少,综合性能最佳。(5)基于截取的综放工作面后部刮板输送机上煤流视频中的3帧图像,计算了瞬时混矸率,结果表明,提出的混矸率计算方法基本实现了综放工作面混矸率的实时计算。