Design of variable frequency control system for local ventilator based on fuzzy theory
-
摘要: 现有局部通风机变频控制方法缺少对瓦斯突变量的预判，当大量瓦斯异常涌出时，调节存在一定滞后性，易导致瓦斯积聚。针对该问题，设计了基于模糊理论的局部通风机变频控制系统。采用瓦斯模糊控制器和风量模糊控制器实现模糊控制，对2个模糊控制器输出的控制量进行比较，根据较大值确定通风机变频情况，当两者相等时以瓦斯模糊控制为主。采用基于瓦斯涌出量的等级划分方法，以最远工况点对应风量为辅助，将通风机频率划分为4个等级。将掘进工作面瓦斯体积分数达到0.8%设置为升频条件，将瓦斯体积分数不大于0.6%或0.5%设置为降频条件，同时设定通风机降频后的供风量为达到降频条件时将回风流瓦斯体积分数控制在0.7%或0.6%所需的供风量。当大量瓦斯异常涌出时，通风机升频以降低瓦斯浓度，同时，通风机供风量可满足更大的瓦斯排放需求，为调整提供一定缓冲，克服变频控制滞后的缺点。试验结果表明：降频条件中瓦斯体积分数为0.5%，降频后供风量为达到降频条件时将回风流瓦斯体积分数控制在0.6%所需供风量，该条件下控制效果较好，但I级供风量略小于最远掘进距离处所需的最小供风量，可新设一个介于I级和II级之间的频率等级I*级，通过提高通风机频率来增加供风量，满足最远掘进距离处最小风量需求。Abstract: The existing variable frequency control method for local ventilator lacks prediction of gas outburst variable. When a large amount of gas emission abnormally, there is a certain lag in regulation, which is easy to lead to gas accumulation. To solve this problem, a variable frequency control system for local ventilator based on fuzzy theory is designed. Fuzzy control is realized by using gas fuzzy controller and air volume fuzzy controller. The control quantity output by two fuzzy controllers is compared. The frequency conversion situation of ventilator is determined according to the larger value. When the two are equal, the fuzzy control of gas is dominant. The classification method based on gas emission is adopted. With the air volume corresponding to the farthest working point as the auxiliary, the ventilator frequency is divided into 4 levels. The gas volume fraction of the heading working face reaching 0.8% is set as the frequency-increasing condition. The gas volume fraction not more than 0.6% or 0.5% is set as the frequency-reducing condition. Moreover, the air supply quantity of the ventilator after frequency reduction is set as the air supply volume required to control the gas volume fraction of return airflow at 0.7% or 0.6% when the frequency reduction condition is achieved. When a large amount of abnormal gas emission, the ventilator is increased in frequency to reduce the gas concentration. At the same time, the air supply volume of the ventilator can meet the greater gas discharge demand. The ventilator can provide a certain buffer for adjustment, and overcome the shortcomings of frequency conversion control lag. The test results show that the gas volume fraction is 0.5% under the condition of frequency reduction. The air supply volume after frequency reduction is the air supply volume required to control the gas volume fraction of return air at 0.6% when the frequency reduction condition is achieved. The control effect is good under this condition. But the air supply volume of level I is slightly less than the minimum air supply volume required at the farthest heading distance. The new frequency level I* between level I and level II can be set. The air supply volume can be increased by increasing the frequency of the ventilator to meet the minimum air supply volume requirement at the farthest heading distance.
-
0. 引言
煤泥浮选工艺是典型的多输入多输出复杂工艺，在实际浮选生产过程中，浮选司机主要通过肉眼观察浮选泡沫特征变化，依靠个人经验对浮选工况进行判断并对浮选过程进行控制[1]。这种凭借人工经验的操作方式存在准确性和稳定性不足的劣势，严重影响了浮选过程控制优化[2]。浮选泡沫图像中包含许多与浮选过程变量和产品质量相关的信息，准确并快速地提取浮选泡沫图像特征，建立浮选泡沫图像特征与浮选过程关键参数间的非线性映射关系，对浮选过程的实时在线监测与控制是十分有意义的[3-4]。
煤泥浮选泡沫图像特征一般包括基于单帧图像提取的静态特征（包括泡沫颜色特征、纹理特征、形态特征等）和基于图像序列帧提取的动态特征（包括泡沫速度、稳定度等，泡沫速度是动态特征中的一个关键特征参数）。许多学者对泡沫图像静态特征提取进行了分析。文献[5]从多种图像特征中选择恰当的物理参数（颜色、纹理 ）描述精选泡沫图像，研究了基于图像处理技术的泡沫颜色和纹理特征提取方法。文献[6]将泡沫图像进行颜色空间转换并计算颜色共生矩阵，从归一化后的颜色共生矩阵中提取特征统计量来表征泡沫纹理状况，设计有效描述浮选泡沫纹理的新特征参数。文献[7]采用小波阈值去噪和形态学操作对泡沫图像进行标记，然后对处理后图像进行距离变换、灰度重构，并用分水岭算法完成分割，统计泡沫形态特征。由于浮选泡沫图像局部静态特征相似，难以很好地用于浮选实时监测与控制，一些较为复杂的工况判断需要用到浮选泡沫图像的动态特征。基于图像处理的浮选泡沫动态特征参数提取，文献[8]提出了一种基于尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）和改进卡尔曼滤波的在线泡沫速度测量方法，并讨论了泡沫速度与生产性能指标的关系。文献[9]根据泡沫速度大小和方向对应分布范围改进SIFT算法匹配条件，利用随机抽样一致(Random Sample Consensus, RANSAC)算法进一步剔除误匹配点，并根据匹配结果提取泡沫速度特征。以上算法在图像发生缩放、光照和仿射变换时仍保持稳定，但在匹配过程中出现了大量误匹配且实时性不足的问题。文献[10]采用同态滤波和直方图均衡化相结合的方法对井下图像进行预处理，在加速KAZE(Accelerated-KAZE, AKAZE)和暴力匹配（Brute Force，BF）的基础上利用RANSAC进行精准匹配，但RANSAC在剔除错误匹配的同时也剔除了较多正确匹配。
针对上述问题，本文提出了一种基于AKAZE与基于网格的运动统计（Grid-based Motion Statistics，GMS）算法[11]和卡尔曼运动估计的煤泥浮选泡沫速度特征提取方法。首先，采用限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）和三维块匹配滤波（Block-matching and 3D filtering，BM3D）对浮选泡沫图像进行预处理，保留更多的纹理和边缘细节信息。然后，采用AKAZE特征匹配算法和BF对预处理后的图像特征进行网格划分，采用GMS算法快速可靠地区分正确与错误的特征匹配，从而提高泡沫图像特征匹配的准确性和实时性。最后，根据匹配结果计算浮选泡沫速度，并以此为测量值，利用卡尔曼运动估计对测量值进行修正，得到更稳定的煤泥浮选泡沫速度。
1. 煤泥浮选泡沫速度特征提取流程
煤泥浮选泡沫速度特征是实现浮选状态客观评价不可或缺的特征参量，其与浮选生产速率、泡沫带矿量及精煤回收率等浮选性能参数有极大关联。
基于图像特征匹配可大大降低煤泥浮选泡沫速度特征提取的难度，是一种快速、非接触式的软测量方法。基于图像特征匹配的煤泥浮选泡沫速度特征提取是通过分析泡沫视频图像中相邻帧的相互关系，从而进行特征匹配来实现的。由于高帧率数字相机相邻帧间的间隔时间很短，相邻帧间同一目标煤泥浮选泡沫的亮度和位置不会发生剧烈变化。泡沫在三维空间中的位置变化可看作在二维图像空间的平移。相邻帧泡沫位置信息会发生变化，但其主要特征不会发生剧烈变化，如图1所示。
基于图像特征匹配的煤泥浮选泡沫速度特征提取方法主要包括泡沫图像获取、图像预处理、特征检测与匹配和速度提取4个部分，其流程如图2所示。通过浮选泡沫图像采集系统得到质量清晰及特征明显的视频，从中提取泡沫序列帧图像。对泡沫序列帧图像进行锐化和去噪处理，并对处理后的泡沫图像进行特征点检测、特征匹配和错误匹配过滤。根据特征匹配结果计算泡沫特征点的速度，为浮选泡沫速度特征提供测量值。在此基础上利用卡尔曼运动估计方法对得到的测量值进行迭代修正，得到更稳定的煤泥浮选泡沫速度特征。
![]()
图 2 煤泥浮选泡沫速度特征提取流程Figure 2. Coal slime flotation froth velocity feature extraction process2. 煤泥浮选泡沫速度特征提取算法
2.1 图像预处理
实验采集到的煤泥浮选泡沫图像存在光照分布不均匀、起泡边缘信息模糊、相邻泡沫间存在阴影及噪声干扰等问题，采用CLAHE−BM3D算法对原始泡沫图像进行增强和去噪处理，使泡沫图像的纹理细节和对比度更加突出。首先，将输入的原始图像分割为多个子块， 计算每个子块与其相邻子块的对比度变换函数，进而增强每个子块的对比度 [12]。其次，使用双线性插值合并相邻子块得到均衡化后的对比度增强图像。然后，对增强图像进行去噪处理，对图像进行分块，计算待匹配块与参考块的相似性，根据相似性进行分组提取相似块[13]。最后，将这些相似块堆叠成三维群组，对其进行协同滤波处理[14]，再将处理后的结果聚合返还到原图像块的位置上，得到预处理后的图像。
2.2 AKAZE−GMS特征匹配
针对传统AKAZE特征匹配算法存在误匹配的问题，在利用BF算法进行粗匹配的基础上，采用GMS算法进行精匹配，提高匹配准确率和实时性。首先，采用快速显式扩散数学框架（Fast Explicit Diffusion，FED）构建泡沫图像尺度空间，引入改进局部差分二进制描述符（Modified-Local Difference Binary，M−LDB）描述每个特征点，寻找不同尺度下Hessian极大值点，以完成局部特征点提取[15]。然后，利用K近邻算法检测出目标特征点的最近邻点和次近邻点，采用BF算法对所有特征点进行特征粗匹配。最后，采用GMS算法快速可靠地区分正确与错误的特征匹配，得到高质量的匹配点对。
2.3 卡尔曼运动估计
卡尔曼滤波器可利用线性系统状态方程对泡沫状态进行最优估计，由于根据图像特征匹配结果得到的泡沫速度测量值受系统的噪声和干扰影响，泡沫速度估计可看作滤波过程 [16]。设泡沫初始时刻位置为
$ {p_0} $ ，速度为$ {v_0} $ ，由于相邻帧时间间隔很短，泡沫位置变化很小，近似看作泡沫做匀速运动，在$ {{\Delta }}t $ 时间后泡沫的位置$ {p_t} $ 和速度$ {v_t} $ 分别为$$ {p_t} = {p_0} + {v_0}\Delta t $$ (1) $$ {v_t} = {v_0} $$ (2) 将式（1）和式（2）转换为矩阵向量。
$$ \left[ \begin{gathered} {p_t} \\ {v_t} \\ \end{gathered} \right] = \left[ \begin{gathered} 1{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \Delta t \\ 0{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1 \\ \end{gathered} \right]\left[ \begin{gathered} {p_0} \\ {v_0} \\ \end{gathered} \right] $$ (3) 通过变量代换可得状态转移公式，对t时刻泡沫状态进行预测。
$$ {{\boldsymbol{S}}_t} = {\boldsymbol{A}}{{\boldsymbol{S}}_0} $$ (4) 式中：St为泡沫在t时刻预测状态矩阵；S0为泡沫在初始时刻的状态矩阵；A为状态转移矩阵，A=
$ \left[ \begin{gathered} 1{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \Delta t \\ 0{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1 \\ \end{gathered} \right] $ 。采用测量值来修正预测状态的误差，在测量值与预测状态间寻找泡沫状态最优估计。
$$ {\boldsymbol{F}} = {{\boldsymbol{S}}_t} + K({{\boldsymbol{Z}}_t} - {{\boldsymbol{S}}_0}) $$ (5) 式中：F为最优估计矩阵；Zt为测量矩阵；
$ K $ 为卡尔曼系数。3. 实验结果分析
煤泥浮选泡沫图像采集系统主要由煤泥浮选系统和图像处理系统2个部分组成，如图3所示。煤泥浮选系统由储料桶、矿浆预处理器、药剂桶、给料泵、微量给药泵、驱动下置式浮选柱等组成，主要负责产生连续的煤泥浮选泡沫。图像处理系统由光源、图像采集装置、图像处理平台组成。光源由2条机器视觉专用 LED光源组合而成，图像采集装置采用4.5倍光学变焦，1 200万像素CMOS自动聚焦的工业相机，500万像素3倍变焦镜头。图像处理平台包括硬件和软件2个部分：硬件环境为Intel(R) Core(TM) i7−11800H @ 2.30 GHz，内存为32 GB，显卡为NVIDIA GeForce GTX3060；软件环境为OpenCV开源计算机视觉库和 Python平台。本文实验所用样品来自山西汾西矿业（集团）有限责任公司柳湾选煤厂，粒级为0~0.25 mm。
为验证本文AKAZE−GMS特征匹配算法的性能，采用SIFT算法、SURF（Speeded Up Robust Features，加速稳健特征）算法、传统AKAZE算法与AKAZE−GMS算法进行对比，结果如图4所示。可看出SIFT算法检测到的特征点分布较为稀疏；SURF算法虽然检测到了较多的特征点，但出现了明显的簇集现象，不能很好地表示图像特征；传统AKAZE算法检测的特征点大部分均匀分布在泡沫边缘区域，有效解决了簇集现象，但存在特征点数量较少的问题；AKAZE−GMS算法较好地解决特征点簇集的同时又尽量保留了更多数量的特征点，这是因为预处理后图像所受噪声影响降低、对比度增强、边缘特征更突出。
为验证AKAZE−GMS算法特征匹配效果，将SIFT、SURF、传统AKAZE算法与AKAZE−GMS算法进行对比，匹配结果如图5所示。可看出SIFT算法匹配结果仍有较多的误匹配；SURF算法匹配结果相较于SIFT算法匹配对数量和匹配精度提高，但匹配对分布在集中的一个区域内；传统AKAZE算法相较于前2种算法匹配对分布更均匀，匹配精度更高，但过滤了较多的正确匹配对；AKAZE−GMS算法匹配精度最高，匹配对分布更均匀，同时保留了更多的匹配对。
![]()
图 5 各算法特征匹配结果对比Figure 5. Comparison of the feature matching results of each algorithm对不同匹配算法结果进行分析，匹配精度和算法运行时间见表1。可看出AKAZE−GMS算法匹配正确率提高，保留了更多匹配对，且运行时间更短。
表 1 匹配精度及运行时间Table 1. Matching accuracy and running time算法 总匹配对 正确匹配对 正确率/% 时间/s SIFT 556 540 97.12 15.74 SURF 308 301 97.73 12.84 AKAZE 736 732 99.46 9.76 AKAZE−GMS 2585 2584 99.99 3.73 煤泥浮选泡沫速度计算结果如图6所示。可看出根据特征匹配结果计算得到的泡沫速度测量值波动较大，测量值经过卡尔曼运动估计修正后的速度估计值较为平稳，更符合真实工况。
为了对比不同算法提取泡沫速度特征的稳定性，选取速度均值和标准差作为衡量标准，对不同算法直接根据匹配结果及经过卡尔曼运动估计修正后提取的速度特征进行分析，结果见表2。可看出AKAZE−GMS算法经过卡尔曼运动估计修正后提取的速度特征更加稳定。
表 2 不同算法提取速度特征统计分析Table 2. Statistical analysis of speed features extracted by different algorithms像素/s 算法 测量值 卡尔曼运动估计
修正后测量值速度均值 标准差 速度均值 标准差 SIFT 9.356 5 7.314 7 12.419 2 5.153 3 SURF 12.309 8 7.602 8 12.311 6 1.408 7 AKAZE 12.752 5 7.008 0 12.318 7 1.383 0 AKAZE−GMS 10.974 2 5.045 6 11.181 3 1.188 2 4. 结论
（1） 通过预处理降低了噪声对图像质量的影响并增强了图像的对比度，提高了泡沫图像质量，突出了泡沫的边缘细节特征，解决了特征点检测中特征点簇集的同时又尽量保留了更多数量的特征点。
（2） 采用AKAZE−GMS算法得到的匹配对分布更均匀，匹配精度最高，达99.99%，保留的正确匹配对远高于其他算法，同时运行时间缩短至3.73 s，实时性更好。
（3） 经过卡尔曼运动估计修正后的特征匹配结果得到的泡沫速度稳定性更高，更接近其实际速度，能更好地为浮选过程中泡沫监测提供指示参量。
-
![]()
图 3 局部通风机变频控制系统原理
Figure 3. Principle of frequency conversion control system of local ventilator
![]()
图 4 局部通风机变频控制系统控制流程
Figure 4. Control flow of frequency conversion control system of local ventilator
![]()
图 5 局部通风机变频控制系统硬件结构
Figure 5. Hardware structure of frequency conversion control system of local ventilator
![]()
图 6 嵌入式风冷变频器结构
1—变压器模块；2—接触器；3—接线板；4—防爆钢制外壳；5—开关电源模块；6—电容器模块；7—变频器控制模块；8—散热片模块。
Figure 6. Structure of embedded air-cooled frequency converter
![]()
图 7 嵌入式风冷变频器安装位置
Figure 7. Installation position of embedded air-cooled frequency converter
![]()
图 9 偏差变化率
$e_{{\rm{c}}1}' $ 的隶属函数Figure 9. Membership function of deviation change rate of
$e_{{\rm{c}}1}' $ ![]()
图 13 不同降频条件及供风量所对应的试验数据
Figure 13. Test data corresponding to different frequency reduction conditions and air supply volume
表 1 瓦斯浓度模糊控制规则
Table 1 Fuzzy control rule for gas concentration
$e_1' $ $e_{{\rm{c}}1}' $ NB NS ZO PS PB NB A A B B C NM B B B C C NS B C C C D ZO C C D D D PS C D D D E PM D D E E E PB D E E E E 
下载: 导出CSV
表 2 试验设备及仪器
Table 2 The equipments and instruments used in the test
名称 规格型号 对旋轴流局部通风机 FBDNo_5.0/2×7.5 变频器 BPJ−75/690SF 低浓度瓦斯传感器 GJC4 风量传感器 KGF2 无纸记录仪 MIK−R5000C
下载: 导出CSV
表 3 达到第1种降频条件时控制c2=0.7%所需的供风量
Table 3 The air supply required to control c2=0.7% when the first frequency reduction condition is achieved
频率等级 供风量/
(m3·min−1)Qh/
(m3·min−1)c1/% Wg/
(m3·min−1)$Q_1' $/
(m3·min−1)IV 255.0 212.5 0.8 1.70 — 0.6 1.28 219.5 III 219.5 182.9 0.8 1.46 — 0.6 1.10 188.5 II 188.5 157.1 0.8 1.26 — 0.6 0.94 161.2 I 161.2 134.3 0.8 1.07 — 0.6 0.81 —
下载: 导出CSV
表 4 第1种降频条件下控制量范围
Table 4 The range of control quantity under the first frequency reduction condition
频率变化 控制量U1 控制量U 2 升频 U1≥60 U 2＜20 频率不变 40＜U 1＜60 20≤U 2≤60 降频 U 1≤40 U 2＞60
下载: 导出CSV
表 5 达到第2种降频条件时控制c2=0.7%所需的供风量
Table 5 The air supply required to control c2=0.7% when the second frequency reduction condition is achieved
频率等级 供风量/
(m3·min−1)Qh/
(m3·min−1)c1/% Wg/
(m3·min−1)$Q_2' $/
(m3·min−1)IV 255.0 212.5 0.8 1.70 — 0.5 1.06 181.7 III 181.7 151.4 0.8 1.21 — 0.5 0.76 130.3 II 130.3 108.6 0.8 0.87 — 0.5 0.54 92.5 I 92.5 77.1 0.8 0.62 — 0.5 0.39 —
下载: 导出CSV
表 6 达到第2种降频条件时控制c2=0.6%所需的供风量
Table 6 The air supply required to control c2=0.6% when the second frequency reduction condition is achieved
频率等级 供风量/
(m3·min−1)Qh/
(m3·min−1)c1/% Wg/
(m3·min−1)$Q_3' $/
(m3·min−1)IV 255.0 212.5 0.8 1.70 — 0.5 1.06 212.0 III 212.0 176.7 0.8 1.41 — 0.5 0.88 176.0 II 176.0 146.7 0.8 1.17 — 0.5 0.73 146.0 I 146.0 121.7 0.8 0.97 — 0.5 0.61 —
下载: 导出CSV
表 7 第2种降频条件下控制量范围
Table 7 The range of control quantity under the second frequency reduction condition
频率变化 控制量U1 控制量U 2 升频 U1≥60 U2＜20 频率不变 30＜U1＜60 20≤U2≤60 降频 U1≤30 U2＞60
下载: 导出CSV
-
[1] 杨杰,赵连刚,全芳. 煤矿通风系统现状及智能通风系统设计[J]. 工矿自动化,2015,41(11):74-77. DOI: 10.13272/j.issn.1671-251x.2015.11.018 YANG Jie,ZHAO Liangang,QUAN Fang. Current situation of coal mine ventilation system and design of intelligent ventilation system[J]. Industry and Mine Automation,2015,41(11):74-77. DOI: 10.13272/j.issn.1671-251x.2015.11.018
[2] 周福宝,魏连江,夏同强,等. 矿井智能通风原理、关键技术及其初步实现[J]. 煤炭学报,2020,45(6):2225-2235. ZHOU Fubao,WEI Lianjiang,XIA Tongqiang,et al. Principle,key technology and preliminary realization of mine intelligent ventilation[J]. Journal of China Coal Society,2020,45(6):2225-2235.
[3] 吴新忠,张芝超,许嘉琳,等. 矿井智能风量调节研究[J]. 工矿自动化,2021,47(4):44-50. DOI: 10.13272/j.issn.1671-251x.17693 WU Xinzhong,ZHANG Zhichao,XU Jialin,et al. Research on intelligent air volume regulation in mines[J]. Industry and Mine Automation,2021,47(4):44-50. DOI: 10.13272/j.issn.1671-251x.17693
[4] 景国勋,刘孟霞. 2015—2019年我国煤矿瓦斯事故统计与规律分析[J]. 安全与环境学报,2022,22(3):1680-1686. DOI: 10.13637/j.issn.1009-6094.2021.0092 JING Guoxun,LIU Mengxia. Statistics and analysis of coal mine gas accidents in China from 2015 to 2019[J]. Journal of Safety and Environment,2022,22(3):1680-1686. DOI: 10.13637/j.issn.1009-6094.2021.0092
[5] BI Qiuping,LI Yucheng,SHEN Cheng. Screening of evaluation index and construction of evaluation index system for mine ventilation system[J]. Sustainability,2021,13(21):1-15.
[6] 尹智伟. 煤矿通风系统稳定性分析[J]. 中国石油和化工标准与质量,2019,39(2):163-164. DOI: 10.3969/j.issn.1673-4076.2019.02.080 YIN Zhiwei. Stability analysis of coal mine ventilation system[J]. China Petroleum and Chemical Standard and Quality,2019,39(2):163-164. DOI: 10.3969/j.issn.1673-4076.2019.02.080
[7] 尹伊君,尹丽娜. 变频技术和模糊控制在矿井局部通风机中的应用[J]. 煤矿机械,2007,28(1):139-141. DOI: 10.3969/j.issn.1003-0794.2007.01.061 YIN Yijun,YIN Lina. Frequency-variable technology and fuzzy control used in mine local ventilator[J]. Coal Mine Machinery,2007,28(1):139-141. DOI: 10.3969/j.issn.1003-0794.2007.01.061
[8] 张燕峰. 矿井主节能通风系统的配置及其功能的实现[J]. 机械管理开发,2020,35(11):237-238,271. ZHANG Yanfeng. Configuration and function realization of main energy-saving ventilation system in mine[J]. Mechanical Management and Development,2020,35(11):237-238,271.
[9] BABU V R,MAITY T,PRASAD H. Energy saving techniques for ventilation ventilators used in underground coal mines:a survey[J]. Journal of Mining Science,2015,51(5):1001-1008. DOI: 10.1134/S1062739115050198
[10] MALEKI S,SOTOUDEH F,SERESHKI F. Application of VENTSIM 3D and mathematical programming to optimize underground mine ventilation network:a case study[J]. Journal of Mining and Environment,2018,9(3):741-752.
[11] 常新明,陈国栋,李相,等. 矿井局部通风机变频控制系统的设计研究[J]. 能源与环保,2021,43(5):227-232. CHANG Xinming,CHEN Guodong,LI Xiang,et al. Research on design of frequency conversion control system of mine local fan[J]. China Energy and Environmental Protection,2021,43(5):227-232.
[12] 张兴兵. 矿井通风在矿井安全生产中的重要性[J]. 能源与节能,2022(1):159-160. DOI: 10.3969/j.issn.2095-0802.2022.01.059 ZHANG Xingbing. Importance of mine ventilation in mine safety production[J]. Energy and Energy Conservation,2022(1):159-160. DOI: 10.3969/j.issn.2095-0802.2022.01.059
[13] 郝文科. 变频调速技术在煤矿通风机节能的应用研究[J]. 煤炭与化工,2017,40(9):141-142,145. HAO Wenke. Application research of frequency conversion technology in energy saving of mine fan[J]. Coal and Chemical Industry,2017,40(9):141-142,145.
[14] 谭晓峰. 变频技术在煤矿节能中的应用探讨[J]. 中国设备工程,2021(4):194-196. DOI: 10.3969/j.issn.1671-0711.2021.04.122 TAN Xiaofeng. Discussion on application of frequency conversion technology in coal mine energy saving[J]. China Plant Engineering,2021(4):194-196. DOI: 10.3969/j.issn.1671-0711.2021.04.122
[15] 刘丹. 基于PLC的矿井通风机变频调速系统设计[J]. 煤矿机械,2020,41(3):181-183. DOI: 10.13436/j.mkjx.202003059 LIU Dan. Design of mine ventilator variable frequency speed regulation system based on PLC[J]. Coal Mine Machinery,2020,41(3):181-183. DOI: 10.13436/j.mkjx.202003059
[16] ZHANG Hongkui, ZHANG Qiulin, ZHE Wang, et al. Design of control and frequency conversion speed regulation system for mine fan[C]. The 2020 International Conference on Advanced Materials and Intelligent Manufacturing & Advanced Steel for Automotive Seminar, Guilin, 2020.
[17] 朱培祥,龚柏宇,李海,等. 应用模糊控制的煤矿通风机节能控制装置研制[J]. 自动化仪表,2020,41(8):87-90. ZHU Peixiang,GONG Boyu,LI Hai,et al. Development of energy saving control device for coal mine ventilator with fuzzy control[J]. Process Automation Instrumentation,2020,41(8):87-90.
[18] 陈志峰,郭珊珊,徐立军,等. 煤矿局部通风机瓦斯浓度自动调节及节能控制研究[J]. 电气自动化,2021,43(1):23-25. DOI: 10.3969/j.issn.1000-3886.2021.01.007 CHEN Zhifeng,GUO Shanshan,XU Lijun,et al. Research on gas concentration automatic regulation and energy saving control of local ventilators in coal mines[J]. Electrical Automation,2021,43(1):23-25. DOI: 10.3969/j.issn.1000-3886.2021.01.007
[19] 王勇. 矿井局部通风机变频控制方法的探讨[J]. 硅谷,2014,7(14):49-50. WANG Yong. Discussion on frequency conversion control method of mine local ventilator[J]. Silicon Valley,2014,7(14):49-50.
[20] 杜岗,马小平,张萍. 煤矿局部通风机转速控制算法研究[J]. 工矿自动化,2020,46(9):69-73,87. DU Gang,MA Xiaoping,ZHANG Ping. Research on speed control algorithm of coal mine local ventilator[J]. Industry and Mine Automation,2020,46(9):69-73,87.
[21] 任志玲,林冬,夏博文,等. 基于GASA−SVR的矿井瓦斯涌出量预测研究[J]. 传感技术学报,2017,30(2):247-252. DOI: 10.3969/j.issn.1004-1699.2017.02.014 REN Zhiling,LIN Dong,XIA Bowen,et al. Research on prediction of mine gas emission quantity based on GASA-SVR[J]. Chinese Journal of Sensors and Actuators,2017,30(2):247-252. DOI: 10.3969/j.issn.1004-1699.2017.02.014
-
期刊类型引用(9)
1. 段中川，杨小荣. 基于机器视觉的浮选泡沫灰分在线检测研究. 兰州石化职业技术大学学报. 2024(02): 16-22 . 
百度学术
2. 魏凯，王然风，王珺，韩杰，张茜. 基于质心-凸包-自适应聚类法的浮选泡沫动态特征提取. 工矿自动化. 2024(08): 151-160 . 本站查看
3. 李向荣，化秀玲，李振东. 深度学习下动态图像无损压缩加密算法设计. 计算机仿真. 2024(09): 146-150+479 . 百度学术
4. 王玮，董富江. 改进U-Net神经网络下LII质量增强方法. 计算机仿真. 2024(09): 200-204 . 百度学术
5. 薛峰，陶海峰. 三维虚拟图像中动态特征增强算法设计. 吉林大学学报(信息科学版). 2024(05): 840-846 . 百度学术
6. 李玉鹏，刘峰波. 融合图像多特征的煤炭微细粒矿物在线识别方法. 矿业装备. 2023(06): 13-15 . 百度学术
7. 莫兴福，许明善，张建华，李沙. 改进遗传算法的焊接机器人焊接路径优化方法研究. 焊接技术. 2023(10): 109-113 . 百度学术
8. 师亚文，崔耀，刁长隆. 开放场景下筛上杂物目标检测算法研究. 煤炭工程. 2023(S1): 225-230 . 百度学术
9. 赵吉成. 基于视觉传达的船舶组合导航人机交互界面系统. 舰船科学技术. 2022(24): 141-144 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 206
- HTML全文浏览量: 25
- PDF下载量: 40
- 被引次数: 12
