Transparent mining mode and key technologies of fully mechanized working face
-
摘要: 针对目前基于自适应工作面地质条件的智能开采技术无法满足实际工程应用要求的问题，提出了包括模型构建、待开采空间定位、截割控制决策与执行3个阶段的综采工作面透明化开采模式，即以煤层赋存勘探为基础，以工作面三维数字化模型为对象，通过剖切三维数字化模型、提取待开采煤层顶底板轨迹坐标，制定采煤机调高控制策略，最终采煤机依据截割轨迹参数进行调高控制，达到自主割煤目标；阐述了三维数字化模型建立、三维激光点云模型建立、模型剖切与截割规划、采煤机调高控制等综采工作面透明化开采关键技术。在国家能源集团神东煤炭集团公司榆家梁煤矿43102综采工作面开展了透明化开采模式及关键技术工程应用：构建工作面初始三维地质模型，沿煤层顶底板分界线完成钻孔勘测，实现对工作面煤层赋存情况的探测；获取的数据导入初始三维地质模型后，得到工作面三维数字化模型；在工作面回采过程中每天进行地质测绘，通过测绘数据实现三维数字化模型误差纠偏；构建采场实时三维激光点云模型，提取三维激光点云模型中煤壁、顶板交接处三维坐标数据集形成剖切线，利用剖切线对三维数字化模型进行剖切，获得下一割煤循环的顶底板轮廓曲线；通过分析煤层赋存变化情况制定截割规划，指导采煤机后续割煤循环过程中滚筒自主调高控制。应用结果表明，三维数字化模型误差小于±0.2 m，初步实现了采煤机依据工作面煤层赋存条件进行自主割煤。Abstract: In order to solve the problem that the intelligent mining technology based on adaptive working face geological conditions can not meet the practical engineering application requirements, a transparent mining mode of fully mechanized working face is proposed, which includes three stages, namely model construction, positioning of space to be mined and cutting control decision and execution. The mode is based on the coal seam occurrence exploration, and the 3D digital model of working face is taken as the object. The height adjustment control strategy of the shearer is formulated by cutting the 3D digital model and extracting the track coordinates of the roof and floor of the coal seam to be mined. Finally, the shearer adjusts the height control according to the cutting track parameters to achieve the goal of autonomous coal cutting. This paper expounds the key technologies of transparent mining in fully mechanized working face, such as establishment of 3D digital model, establishment of 3D laser point cloud model, model cutting and cutting planning and shearer height adjustment control. In the 43102 fully mechanized working face of Yujialiang Coal Mine of CHN Energy Shendong Coal Group Co., Ltd., the transparent mining mode and key technologies engineering application are carried out. The initial 3D geological model of the working face is constructed, and the borehole survey is completed along the boundary line between the roof and floor of the coal seam so as to realize the detection of the occurrence of the coal seam in the working face. After the acquired data is imported into the initial 3D geological model, a 3D digital model of the working face is obtained. Geological mapping is carried out daily during the mining process of the working face, and the error correction of the 3D digital model is realized through the mapping data. The real-time 3D laser point cloud model of the stope is constructed, the 3D coordinate data set at the junction of coal wall and roof in the 3D laser point cloud model is extracted to form a cutting line. The cutting line is used to cut the 3D digital model to obtain the contour curve of roof and floor in the next coal cutting cycle. By analyzing the changes of coal seam occurrence, the cutting plan is formulated to guide the automatic height adjustment control of the drum in the subsequent coal cutting cycle of the shearer. The application results show that the error of the 3D digital model is less than ±0.2 m, and the shearer can automatically cut coal according to the coal seam occurrence conditions of the working face.
-
0. 引言
煤矿作业环境复杂多变，存在各种危险因素，传统人工作业效率低且安全难以保障。移动机器人能够自动规划路径和执行[1]，可有效代替部分人工作业。
路径规划是移动机器人自主导航的核心，也是技术难点[2]。路径规划主要指机器人基于环境信息和全局位姿确定从一个地点到另一个地点的最佳路径或轨迹，以实现特定的任务或目标。具体可分为全局路径规划和局部路径规划[3-4]。全局路径规划按照相关评价指标规划出始末点间的最优路径[5]，该过程通常不考虑障碍物的具体位置和动态变化，而是在地图或环境模型的基础上计划一个整体路径，它描述了移动机器人应该遵循的大致方向和路线。局部路径规划依赖搭载的传感器实时获取的环境信息规划出可供执行的实时路径，它关注如何绕开障碍物、避免碰撞、调整速度和方向，以保证移动机器人在复杂环境中安全、高效地移动。现有的全局路径规划算法已较为成熟，在大部分场景下求解速度快且鲁棒性较好；而针对煤矿复杂环境，要保证移动机器人避开障碍物，局部路径规划算法就显得更加重要。常用的局部路径规划算法有人工势场法、动态窗口法（Dynamic Window Approach，DWA）和人工神经网络法等。人工势场法将场景中的障碍物和目标点分别看作对移动机器人有斥力和引力的物体，移动机器人沿着斥力和引力的合力避开障碍物，到达终点[6-8]。如S. M. H. Rostami[9]等通过改进成本函数使得机器人避开障碍物，而不会停在局部最优点；J. Batista[10]等通过遗传算法对人工势场参数进行动态优化调整，实现碰撞避免和更高的目标精度。DWA在速度空间采集多组线速度与角速度的交叉组合数据，模拟并评估未来的运动路径，对比生成路径与参考路径贴合程度，剔除有障碍物路径，最终采用最优路径作为规划结果[11-14]。如王永雄等[15]提出了稠密场景内的自适应DWA，可根据障碍物稠密程度自动调整目标函数权值；魏立新等[16]对DWA进行改进并与蚁群算法融合，提高了DWA响应时间。人工神经网络是一种自适应非线性动力学系统[17]，由大量神经元互相连接组成。如M. Duguleana等[18]使用Q−learning算法和人工神经网络解决不确定工作空间内的路径规划问题；Xue Yang[19]使用非主导排序遗传算法解决静态环境下的多智能体路径规划问题；S. Josef等[20]在强化学习网络中加入自注意模块，以增强对局部环境中重要信息的感知，实现了在离散障碍物和连续地形的路径规划；F. Leiva等[21]使用深度确定性策略梯度算法，依据传感器获取一个可变的2D点云，实现在无图情况下的路径规划。
然而，上述局部路径规划算法只实现了移动机器人在场景内自由移动，但局部路径生成并未考虑场景内道路限制，对于一些规则化的结构道路并不适用。OpenPlanner算法很好地解决了该问题，该算法以全局路径（即行车道中心线）为参考线，在道路内横纵向均匀采样生成局部路径簇，使得移动机器人可沿结构道路移动。但传统OpenPlanner算法未考虑移动机器人最大转向曲率约束，生成的局部路径无法被移动机器人所跟踪。因此，本文基于传统OpenPlanner算法，提出了改进OpenPlanner算法，并用于移动机器人局部路径规划。采用双层局部路径簇，同时在评价函数中引入曲率代价，不仅可扩大解空间，还使得优化过程筛选出的最优局部路径能够满足移动机器人最大转向曲率约束，从而使移动机器人能平顺、安全地跟踪局部路径。
1. 传统OpenPlanner算法
OpenPlanner算法包含用于全局路径规划、任务规划和局部路径规划的开源自动驾驶导航框架[22]。其中局部路径规划的基本思想：首先分别根据横向采样距离和纵向采样距离进行状态采样，生成初始局部路径簇，然后基于梯度下降方法完成路径簇的平滑处理，最后综合考虑参考线代价、过渡代价和障碍物代价筛选出最优的局部路径，重复迭代以上过程，直到移动机器人行驶至目标位置。
1.1 状态采样
OpenPlanner算法以全局路径为参考线，接收移动机器人当前位姿及局部障碍物信息，实时生成局部路径簇并筛选出最优的局部路径。局部路径簇是OpenPlanner算法的关键，其分段结构如图1所示，主要由平滑段、入段和出段构成。平滑段为移动机器人后轴中心至平滑采样点的线段，其长度决定了局部路径转向的平滑性，各条局部路径的平滑段重合。入段为连接平滑段末端和各状态采样点的线段，状态采样点位置由入段横向采样距离和入段纵向采样距离决定。出段为各状态采样点与最远局部规划点的连线，可通过全局参考路径的平移得到。移动机器人沿参考线的状态采样过程如图2所示，其中点M为移动机器人后轴中心，点N为路径簇平滑段和入段的衔接点，点A—E分别为局部路径簇入段的末状态采样点，点A'—E'分别为路径簇出段的末状态采样点，这些点共同决定了路径簇的具体构型。
1.2 局部路径簇生成
由于状态采样后的初始局部路径簇在分段连接点处存在较大转折，所以需进行路径平滑处理。OpenPlanner算法将路径平滑转换为无约束的优化问题，采用梯度下降方法求解平滑后的局部路径簇。该问题的优化变量为第k（k=0，1，···，n−1，n为路径点数量）个路径点坐标（xk，yk），代价函数为
$$ {c_{{\mathrm{all}}\_{\mathrm{generate}}}} = {c_{{\mathrm{smooth}}}} + {c_{{\mathrm{length}}}} + {c_{{\mathrm{deviation}}}} $$ (1) $$ \left\{ {\begin{array}{*{20}{l}} {{c_{{\mathrm{smooth}}}} = \displaystyle\sum\limits_{k = 1}^{n - 2} {{{\left| {2{P_k} - {P_{k - 1}} - {P_{k + 1}}} \right|}^2}} } \\ {{c_{{\mathrm{length}}}} = \displaystyle\sum\limits_{k = 0}^{n - 2} {\left| {{P_{k + 1}} - {P_k}} \right|_{}^2} } \\ {{c_{{\mathrm{deviation}}}} = \displaystyle\sum\limits_{k = 0}^{n - 1} {{{\left| {{P_k} - {P_{k\_{\mathrm{ref}}}}} \right|}^2}} } \end{array}} \right. $$ (2) 式中：csmooth为平滑度代价，促使局部路径趋向于直线，路径越平滑，csmooth越小；clength为长度代价，保证各路径点间距分布均匀，各路径点间距分布越均匀，clength越小；cdeviation为偏移代价，确保优化后路径基本维持原路径的几何形状，对应点之间距离越小，与原路径偏移越小；Pk为第k个路径点的笛卡尔坐标；Pk_ref为平滑后第k个路径点的笛卡尔坐标。
1.3 最优局部路径筛选
算法运行时，通过状态采样和梯度下降生成光滑的局部路径簇，并基于包含参考线代价、过渡代价和障碍物代价的评价函数完成最优路径筛选。局部路径的评价函数为
$$ {p_{{\mathrm{all}}\_{\mathrm{filter}}}}(i) = \sigma ({\omega _1} {c_{{\mathrm{center}}}}(i) + {\omega _2} {c_{{\mathrm{transition}}}}(i) + {\omega _3} {c_{{\mathrm{obstacle}}}}(i)) $$ (3) 式中：i为局部路径索引；σ为评价系数；ω1，ω2，ω3分别为参考线代价ccenter（i）、过渡代价ctransition（i）和障碍物代价cobstacle（i）的权重系数。
评价函数的各加权项含义如下。
1） 参考线代价ccenter（i）：度量单个模拟周期内各条局部路径出段偏离行车道参考线距离的代价。
$$ {c_{{\mathrm{center}}}}(i) = \left| {\left(i - \left\lfloor {\frac {\textit{z}}{2}} \right\rfloor \right) {l_{{\mathrm{dis}}\_{\mathrm{resolution}}}}} \right| $$ (4) 式中：z为单个模拟周期内局部路径条数；ldis_resolution为相邻局部路径出段间距。
参考线代价计算原理如图3所示。
2） 过渡代价ctransition（i）：度量单个模拟周期内移动机器人当前位姿与各条局部路径出段距离的代价。该项用于限制最优路径的频繁更换，确保移动机器人平稳地转向。
$$ {c_{{\mathrm{transition}}}}(i) = \left| {\left(i - q\right) {l_{{\mathrm{dis}}\_{\mathrm{resolution}}}}} \right| $$ (5) 式中q为与移动机器人距离最近的局部路径索引。
过渡代价计算原理如图4所示。
3） 障碍物代价cobstacle（i）：度量单个模拟周期内各条局部路径与障碍物接近程度的代价。障碍物代价的计算过程分为2个阶段：第1阶段计算各条局部路径平滑段和入段的碰撞情况，如图5（a）所示，如果在以O为圆心的圆形碰撞检测区域内存在障碍物轮廓点，则该条路径被剔除；第2阶段计算在第1阶段中未发生碰撞的局部路径出段的障碍物代价，该代价包括障碍物横向代价cobstacle_longitude（i）和纵向代价cobstacle_lateral（i），含有m个障碍物轮廓点的代价计算公式为
$$ \left\{ \begin{gathered} \begin{array}{*{20}{l}} {c_{{\mathrm{obstacle}}}}(i) = {c_{{\mathrm{obstacle}}\_{\text{longitude}}}}(i) + {c_{{\mathrm{obstacle}}\_{\mathrm{lateral}}}}(i) \\ {{c_{{\mathrm{obstacle}}\_{\text{longitude}}}}(i) = \displaystyle\sum\limits_{j = 0}^{j = m - 1} {\frac{1}{{\left| {{l_j}} \right|}}} } \\ {{c_{{\mathrm{obstacle}}\_{\mathrm{lateral}}}}(i) = \displaystyle\sum\limits_{j = 0}^{j = m - 1} {\frac{1}{{\left| {{d_j} - (i - \left\lfloor {\dfrac {\textit{z}}{2}} \right\rfloor ) {l_{{\mathrm{dis}}\_{\mathrm{resolution}}}}} \right|}}} } \end{array} \\ \end{gathered} \right. $$ (6) 式中：lj为移动机器人位置和第j（j=0，1，···，m−1）个障碍物轮廓点位置在路径上的投影点距离；dj为第j个障碍物轮廓点到参考路径的垂直距离。
2. 改进OpenPlanner算法
传统OpenPlanner算法的状态采样阶段忽略了移动机器人实际运行状态的影响，同时未考虑移动机器人最大转向曲率约束，可能产生不满足最大转向曲率的局部路径。因此，本文从状态采样和评价函数2个方面对传统OpenPlanner算法进行改进。
2.1 状态采样改进
为扩大最优局部路径的解空间，改进OpenPlanner算法采用双层局部路径簇设计：次层局部路径簇的平滑段与首层局部路径簇的平滑段重合；次层局部路径簇的入段纵向采样距离为首层局部路径簇的1.5倍，入段横向采样距离保持不变；根据最远局部路径规划距离平移参考线得到次层局部路径簇的出段。改进OpenPlanner算法的局部路径簇分段结构如图6所示。
![]()
图 6 改进OpenPlanner算法局部路径簇分段结构Figure 6. Sections of local path cluster of improved OpenPlanner algorithm改进OpenPlanner算法在实际运行时，首层局部路径簇入段纵向采样距离llon与行驶速度v呈分段线性关系：
$$ {l_{{\mathrm{lon}}}} = \left\{ {\begin{array}{*{20}{l}} {{l_{{\mathrm{lon}}\_\min }}}&{v < {v_{\min }}} \\ {a v}&{{v_{\min }} \leqslant v \leqslant {v_{\max }}} \\ {{l_{{\mathrm{lon}}\_\max }}}&{v > {v_{\max }}} \end{array}} \right. $$ (7) 式中：llon_min为最小纵向采样距离；vmin为最小速度；a为速度影响因子；vmax为最大速度；llon_max为最大纵向采样距离。
2.2 评价函数改进
曲率代价能确保最优的局部路径满足移动机器人最大转向曲率约束，同时曲率代价越小，移动机器人行驶越平顺、安全，因此将曲率代价引入评价函数，改进后局部路径的评价函数为
$$ \begin{split} {{p'}_{{\mathrm{all}}\_{\mathrm{filter}}}}(i) =& \sigma ({\omega _1} {c_{{\mathrm{center}}}}(i) + {\omega _2} {c_{{\mathrm{transition}}}}(i) +\\ & {\omega _3} {c_{{\mathrm{obstacle}}}}(i) + {\omega _4} {c_{{\mathrm{curve}}}}(i)) \end{split} $$ (8) 式中：ccurve（i）为局部路径的曲率代价，由该条局部路径上各采样点曲率之和得到；ω4为曲率代价ccurve（i）的权重系数。
$$ {c_{{\mathrm{curve}}}}(i) = \sum\limits_{\lambda = 1}^{\lambda = t - 2} {{\kappa _\lambda }} $$ (9) 式中：κλ为局部路径上采样点曲率；λ为采样点索引（λ=1，2，···，t−2，t为局部路径上采样点数量）。
局部路径上采样点曲率κλ可由该点坐标（xb，yb）与左右相邻2个点坐标（xa，ya），（xc，yc）通过外接圆求曲率法得到：
$$ \left\{ {\begin{array}{*{20}{l}} {{\kappa _\lambda } = \dfrac{{2\sqrt {1 - {{\left( {\dfrac{{{a^2} + {c^2} - {b^2}}}{{2ac}}} \right)}^2}} }}{b}} \\ {a = \sqrt {{{({x_b} - {x_c})}^2} + {{({y_b} - {y_c})}^2}} } \\ {b = \sqrt {{{({x_a} - {x_c})}^2} + {{({y_a} - {y_c})}^2}} } \\ {c = \sqrt {{{({x_b} - {x_a})}^2} + {{({y_b} - {y_a})}^2}} } \\ \end{array}} \right. $$ (10) 3. 实验与分析
为验证改进OpenPlanner算法的可行性和有效性，在Gazebo仿真环境下搭建了有障碍物和无障碍物2种场景，对传统OpenPlanner算法和改进OpenPlanner算法进行对比实验。在2种场景下设置相同起点，与障碍物距离相同，局部规划路径簇长度为15 m。传统OpenPlanner算法的评价函数权重系数ω1=2.5，ω2=1.0，ω3=1.0，改进OpenPlanner算法的评价函数权重系数ω1=2.5，ω2=0.5，ω3=1.0，ω4=0.5。算法运行环境为Ubuntu18.04操作系统，处理器为Intel（R） Core（TM）i5−10400F，主频为2.9 GHz，内存为8 GiB。
传统OpenPlanner算法和改进OpenPlanner算法在有障碍物、无障碍物场景下的局部路径规划仿真结果分别如图7、图8所示。可看出2种算法均可满足避障需求，但改进OpenPlanner算法筛选的局部路径转向更加平缓。
![]()
图 7 有障碍物场景下局部路径规划仿真结果Figure 7. Simulation results of local path planning in scenario with obstacle![]()
图 8 无障碍物场景下局部路径规划仿真结果Figure 8. Simulation results of local path planning in scenario without obstacle传统OpenPlanner算法和改进OpenPlanner算法在不同场景下多次仿真实验的平均数据见表1。可看出改进OpenPlanner算法虽然在无障碍物和有障碍物场景下规划耗时较传统OpenPlanner算法分别增加了30.9%和36.2%，但算法单次规划耗时仍小于1 ms，实时性能够满足移动机器人的要求；在无障碍物场景下，传统OpenPlanner算法规划出的局部路径最大曲率为0.280 8 m−1，超过了移动机器人最大转向曲率0.219 3 m−1，导致局部路径无法被移动机器人所跟踪；与传统OpenPlanner算法相比，改进OpenPlanner算法生成的局部路径平均曲率更小，无障碍物场景下局部路径的平均曲率下降了31.3%，有障碍物场景下局部路径的平均曲率下降了6.2%，更有利于移动机器人平顺、安全地行驶。
表 1 OpenPlanner算法改进前后实验结果Table 1. Experimental results before and after improvement of OpenPlanner algorithm场景 算法 路径长度/m 规划耗时/ms 平均曲率/m−1 最大曲率/m−1 无障碍物 传统OpenPlanner算法 16.566 0.42 0.064 3 0.280 8 改进OpenPlanner算法 16.413 0.55 0.044 2 0.171 9 有障碍物 传统OpenPlanner算法 16.135 0.47 0.035 5 0.155 4 改进OpenPlanner算法 16.012 0.64 0.033 3 0.128 1 在仿真环境中采用纯追踪控制算法，对传统OpenPlanner算法和改进OpenPlanner算法分别进行局部路径跟踪实验，对比结果如图9所示。可看出传统OpenPlanner算法规划的局部路径和移动机器人实际行驶路径无法重合，这是由于规划的局部路径存在部分路径曲率超过最大转向曲率限制，使得大曲率路径段无法被跟踪，并在后续跟踪中造成累计误差；而改进OpenPlanner算法考虑了局部路径曲率代价，规划的局部路径曲率并未超过最大转向曲率约束，使得移动机器人能完全跟踪改进OpenPlanner算法规划的局部路径。
为验证改进OpenPlanner算法的实际效果，搭建了搭载激光雷达的双轮履带实验车进行实物实验。以行人为动态障碍物，在距离行人3 m处开始避障规划，如图10所示。实验结果表明，移动机器人能够准确发现行人且计算出左侧不满足通行要求，然后快速执行右转的避让操作，整个跟踪过程移动机器人动作执行平顺。
![]()
图 10 改进OpenPlanner算法实物实验Figure 10. Physical experiment of improved OpenPlanner algorithm4. 结论
1） 为扩大最优局部路径解空间，设计了双层局部路径簇，其中首层局部路径簇入段纵向采样距离与行驶速度呈分段线性变化，次层局部路径簇入段纵向采样距离为首层局部路径簇的1.5倍。
2） 在评价函数中引入曲率代价，既确保了最优路径满足移动机器人的最大转向曲率约束，又降低了局部路径的平均曲率。
3） 在无障碍物和有障碍物场景下，改进OpenPlanner算法筛选的最优局部路径平均曲率较传统OpenPlanner算法分别下降了31.3%和6.2%，局部路径能够被移动机器人较好地跟踪。
-
[1] 黄曾华. 可视远程干预无人化开采技术研究[J]. 煤炭科学技术,2016,44(10):131-135. HUANG Zenghua. Study on unmanned mining technology with visualized remote interference[J]. Coal Science and Technology,2016,44(10):131-135.
[2] 田成金. 煤炭智能化开采模式和关键技术研究[J]. 工矿自动化,2016,42(11):28-32. TIAN Chengjin. Research of intelligentized coal mining mode and key technologies[J]. Industry and Mine Automation,2016,42(11):28-32.
[3] 李首滨. 智能化开采研究进展与发展趋势[J]. 煤炭科学技术,2019,47(10):102-110. LI Shoubin. Progress and development trend of intelligent mining technology[J]. Coal Science and Technology,2019,47(10):102-110.
[4] 范京道,徐建军,张玉良,等. 不同煤层地质条件下智能化无人综采技术[J]. 煤炭科学技术,2019,47(3):43-52. FAN Jingdao,XU Jianjun,ZHANG Yuliang,et al. Intelligent unmanned fully-mechanized mining technology under conditions of different seams geology[J]. Coal Science and Technology,2019,47(3):43-52.
[5] 王国法,刘峰,庞义辉,等. 煤矿智能化−煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357. WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357.
[6] 葛世荣,王忠宾,王世博. 互联网+采煤机智能化关键技术研究[J]. 煤炭科学技术,2016,44(7):1-9. GE Shirong,WANG Zhongbin,WANG Shibo. Study on key technology of Internet plus intelligent coal shearer[J]. Coal Science and Technology,2016,44(7):1-9.
[7] 袁亮,张平松. 煤炭精准开采地质保障技术的发展现状及展望[J]. 煤炭学报,2019,44(8):2277-2284. YUAN Liang,ZHANG Pingsong. Development status and prospect of geological guarantee technology for precise coal mining[J]. Journal of China Coal Society,2019,44(8):2277-2284.
[8] 毛善君,鲁守明,李存禄,等. 基于精确大地坐标的煤矿透明化智能综采工作面自适应割煤关键技术研究及系统应用[J]. 煤炭学报,2021,47(2):1-6. MAO Shanjun,LU Shouming,LI Cunlu,et al. Key technology and system of adaptive coal cutting in transparent intelligent fully mechanized coal mining face based on precise geodetic coordinates[J]. Journal of China Coal Society,2021,47(2):1-6.
[9] 毛明仓,张孝斌,张玉良. 基于透明地质大数据智能精准开采技术研究[J]. 煤炭科学技术,2021,49(1):286-293. MAO Mingcang,ZHANG Xiaobin,ZHANG Yuliang. Research on intelligent and precision mining technology base on transparent geological big data[J]. Coal Science and Technology,2021,49(1):286-293.
[10] 王国法,赵国瑞,任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报,2019,44(1):34-41. WANG Guofa,ZHAO Guorui,REN Huaiwei. Analysis on key technologies of intelligent coal mine and intelligent mining[J]. Journal of China Coal Society,2019,44(1):34-41.
[11] 王国法,庞义辉,任怀伟,等. 煤炭安全高效综采理论、技术与装备的创新和实践[J]. 煤炭学报,2018,43(4):903-913. WANG Guofa,PANG Yihui,REN Huaiwei,et al. Coal safe and efficient mining theory,technology and equipment innovation practice[J]. Journal of China Coal Society,2018,43(4):903-913.
[12] 任怀伟,王国法,赵国瑞,等. 智慧煤矿信息逻辑模型及开采系统决策控制方法[J]. 煤炭学报,2019,44(9):2923-2935. REN Huaiwei,WANG Guofa,ZHAO Guorui,et al. Smart coal mine logic model and decision control method of mining system[J]. Journal of China Coal Society,2019,44(9):2923-2935.
[13] 袁亮. 面向煤炭精准开采的物联网架构及关键技术[J]. 工矿自动化,2017,43(10):1-7. YUAN Liang. The framework and key technologies of Internet of things for precise coal mining[J]. Industry and Mine Automation,2017,43(10):1-7.
[14] 王峰. 基于透明工作面的智能化开采概念、实现路径及关键技术[J]. 工矿自动化,2020,46(5):39-42. WANG Feng. Concept,realization path and key technologies of intelligent mining based on transparent longwall face[J]. Industry and Mine Automation,2020,46(5):39-42.
[15] 王存飞,荣耀. 透明工作面的概念、架构与关键技术[J]. 煤炭科学技术,2019,47(7):156-163. WANG Cunfei,RONG Yao. Concept,architecture and key technologies for transparent longwall face[J]. Coal Science and Technology,2019,47(7):156-163.
[16] 贺海涛. 综采工作面智能化开采系统关键技术[J]. 煤炭科学技术,2021,49(增刊1):8-15. HE Haitao. Key technology of intelligent mining system in fully-mechanized mining face[J]. Coal Science and Technology,2021,49(S1):8-15.
-
期刊类型引用(1)
1. 卢国菊，史文芳. 基于Dijkstra-ACO混合算法的煤矿井下应急逃生路径动态规划. 工矿自动化. 2024(10): 147-151+178 . 
本站查看
其他类型引用(2)
-
其他相关附件
下载:
计量
- 文章访问数: 335
- HTML全文浏览量: 169
- PDF下载量: 75
- 被引次数: 3
