Prediction of height adjustment of shearer drum based on improved gated recurrent neural network
-
摘要: 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。Abstract: The adaptive cutting technology of the shearer is a key technology for achieving intelligent mining in fully mechanized working faces. In order to solve the problem of low automatic cutting precision of the shearer in complex coal seams, a prediction method for the height adjustment of shearer drum based on improved gated recurrent neural network (GRU) is proposed. Considering the correlation between adjacent data in the longitudinal and transverse directions of the cutting trajectory, the fixed length sliding time window method is used to obtain the height data of the shearer drum. The input data is divided into continuous and adjustable subsequences, while processing the feature information in the transverse and longitudinal directions. To improve the prediction efficiency of the model and meet the real-time requirements of cyclic cutting, causal convolution gated recurrent unit(CC-GRU) is proposed to perform dual feature extraction and dual data filtering on input data. CC-GRU utilizes causal convolution to focus on the local temporal features in the longitudinal direction of the sequence in advance, in order to reduce computational costs and improve computational speed. CC-GRU uses gating mechanism to serialize and model the features obtained from convolution to capture long-term dependencies between elements. The experimental results show that using the CC-GRU model to predict the height adjustment of the shearer drum, the MAE is 43.80 mm, MAPE is 1.90%, RMSE is 50.35 mm, the determination coefficient is 0.65, and the prediction time is only 0.17 seconds. Compared to long short term memory (LSTM) neural networks, GRU, and temporal convolutional network (TCN), the CC-GRU model has a faster prediction speed and higher prediction precision. It can more accurately predict the height adjustment trajectory of the shearer in real time. This provides a basis for the establishment of coal seam models in the working face and the prediction of the height adjustment trajectory of the shearer.
-
0. 引言
随着我国煤炭开采量的持续增长，矿井开采深度逐渐增大，井下风温升高，许多矿井的开采条件恶化，热害问题日益突出，严重制约着深部煤炭资源的安全高效开采。为准确评估矿井热害程度，制定科学合理的降温措施，改善井下高温作业环境，矿井风温预测至关重要。
近年来机器学习在岩爆指标预测[1-2]、瓦斯涌出量预测[3-4]、瓦斯渗透率预测[5-6]等方面广泛应用，取得了较好的成果，在矿井风温预测方面也有学者进行了研究。高佳南等[7]通过粒子群优化（Particle Swarm Optimization，PSO）算法对支持向量回归（Support Vector Regression，SVR）参数进行优化，建立了矿井淋水井筒风温预测模型，提高了风温预测精度。纪俊红等[8]使用网格搜索算法和K折交叉验证优化XGBoost模型，建立了井底风温预测模型，解决了XGBoost模型参数多、复杂性大的问题。吕品等[9]首次建立了基于BP神经网络的矿井淋水井筒风温预测模型，为矿井风温预测提供了新思路。张翔等[10]建立了基于PSO−BP的淋水井筒风温预测模型，通过PSO算法优化BP神经网络，解决了BP神经网络易陷入局部最优的问题。马恒等[11]结合模糊方法和人工神经网络，建立了淋水井筒的T−S模糊神经网络风温预测模型，提高了预测模型的精度。段艳艳[12]利用支持向量机（Support Vector Machine, SVM）强大的非线性能力，建立了基于SVM的矿井风温预测模型。张群[13]建立了基于改进BP神经网络的井底风温预测模型，通过trainlm函数对 BP 神经网络进行优化，解决了BP神经网络收敛速度慢的问题。
上述研究为井下热害防治提供了理论依据。在井下风温预测过程中，大多数学者采用具有强大非线性处理能力的BP神经网络，但其预测精度受学习样本数量的影响，且容易陷入局部最优。Elman神经网络是一种动态的前馈性神经网络，其隐含层中增加了一个承接层，可认为是延时算子，主要用于隐含层前一时刻输出值的记忆和存储。与BP神经网络相比，延时算子使Elman神经网络具备局部记忆能力，提高了神经网络的稳定性和动态适应能力。但Elman神经网络仍然存在收敛速度过慢、易陷入局部最优的问题。本文采用PSO算法对Elman神经网络的权重和阈值进行优化调整，建立了基于PSO−Elman神经网络的井底风温预测模型，并通过19个矿井的实测数据[8,10-11,14]进行验证。
1. 基于PSO−Elman的井底风温预测模型
1.1 Elman神经网络
Elman神经网络主要由输入层、隐含层、承接层和输出层构成，如图1所示。承接层属于内部反馈连接，其神经元与隐含层神经元一一对应。
$$ x\left(k\right)=f\left({{\boldsymbol{w}}}_{1}{x}_{{\mathrm{c}}}\left(k\right)+{{\boldsymbol{w}}}_{2}u\left(k-1\right)+{b}_{1}\right) $$ (1) $$ y\left(k\right)=h\left({{\boldsymbol{w}}}_{3}x\left(k\right)+{b}_{2}\right) $$ (2) $$ {x}_{{\mathrm{c}}}\left(k\right)=x\left(k-1\right) $$ (3) 式中：$ x\left(k\right) $为第k次循环隐含层输出；$ f\left( \cdot \right) $为隐含层的激励函数；$ {{\boldsymbol{w}}}_{1} $，$ {{\boldsymbol{w}}}_{2} $分别为输入层到隐含层、承接层到隐含层的连接权重矩阵；$ {x}_{{\mathrm{c}}}\left(k\right) $为第k次循环承接层输出，对应第k−1次循环隐含层输出；$ u\left(k-1\right) $为网络输入；$ {b}_{1} $，$ {b}_{2} $分别为输入层到隐含层、隐含层到输出层的阈值；${\boldsymbol{w}}_3 $为输出层的权重矩阵； $ y\left(k\right) $为输出层输出，即预测的风温；$ h\left( \cdot \right) $为输出层的激励函数。
1.2 PSO算法
PSO 算法是一种全局优化算法，通过个体间相互作用对可行解空间进行迭代搜索，最终获得最优解[19-21]。PSO算法流程如图2所示。首先对参数和粒子进行初始化，计算适应度，更新粒子速度和位置，更新种群；然后引入变异算子，重新初始化粒子，计算新粒子适应度；最后确定个体最优解和全局最优解，当达到设定的迭代次数时结束迭代。
粒子速度和位置更新公式为
$$ v_i^t = \omega v_i^{t - 1} + {c_1}{r_1}\left( {l_{{{\mathrm{pbest}}}_i^t} - X_i^t} \right) + {c_2}{r_2}\left( {l_{{{\mathrm{gbest}}^t}} - X_i^t} \right) $$ (4) $$ X_i^{t + 1} = X_i^t + X_i^t $$ (5) 式中：$ {v}_{i}^{t} $为第$ i $个粒子在第$ t $次迭代时的速度；$ \omega $为惯性权重，$ \omega $∈[0，1.4]；$ {c}_{1} $，$ {c}_{2} $为学习因子；$ {r}_{1} $，$ {r}_{2} $为[0，1]的随机数，用于增加搜索的随机性；$ l_{{\mathrm{{pbest}}}_{i}^{t}} $为第$ i $个粒子在第$ t $次迭代时经过的最好位置，即局部最优解；$ {X}_{i}^{t} $为第$ i $个粒子在第$ t $次迭代时的位置；$ l_{{{\mathrm{gbest}}}^{t}} $为所有粒子在第$ t $次迭代时经过的最好位置，即全局最优解。
1.3 PSO−Elman模型流程
利用PSO算法优化Elman神经网络，建立井底风温预测模型，其流程如图3 所示。
1） 确定Elman网络各层结构。影响井底风温的主要因素有4个，分别为入风相对湿度、入风温度、地面大气压力和井筒深度，因此输入数据为4维。输出为井底风温，因此输出数据为1维。设计Elman网络结构为4−9−1，即输入层节点个数为4，隐含层节点个数为9，输出层节点个数为1。
2） 归一化处理。对样本数据进行归一化处理，生成模型训练样本集。
3） 新建Elman网络。训练函数选用traingdm，输入层和输出层的传递函数分别选用tansig，purelin。算法参数设置：PSO算法最大迭代次数为100，种群数目为20，惯性权重$ {\omega }={1.2} $，学习因子$ {{c}}_{\text{1}}{=}{{c}}_{\text{2}}{=2} $，最大更新速度为1，最小更新速度为−1。
4） 产生初始粒子。产生一个初始种群，初始化粒子的速度，计算适应度，并初始化粒子全局最优解和局部最优解。
5） 迭代寻优。更新粒子速度和位置，更新种群；引入变异算子，重新初始化粒子，计算新粒子适应度，确定局部最优解和全局最优解，将每代最优解记录到数组中。
6） 训练Elman神经网络。设置最大迭代次数为100，训练目标最小误差为10−5，学习速率为0.1。
7） 预测井底风温。用训练好的模型进行井底风温预测。
1.4 预测结果评估
采用平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、均方误差（Mean−Square Error，MSE）和决定系数R2对井底风温的预测结果进行评价。
MAE是预测值误差实际情况的反映，其计算公式为
$$ E_{{\mathrm{MA}}} = \frac{1}{n}\sum\limits_{j = 1}^n {\left| {{P_j} - {A_j}} \right|} $$ (6) 式中：$ n $为数据个数；$ {P}_{j} $为预测值；$ A_j $为测量值。
MAPE是相对误差度量值，其计算公式为
$$ E_{\mathrm{MAP}} = \frac{1}{n}\sum\limits_{j = 1}^n {\left| {\frac{{{P_j} - {A_j}}}{{{A_j}}}} \right|} \times 100{\text{%}} $$ (7) MSE是预测值与测量值之差的平方的期望值，其值越小，表示预测模型的精度越高。MSE计算公式为
$$ E_{\mathrm{MS}} = \frac{1}{n}{\sum\limits_{j = 1}^n {\left( {{P_j} - {A_j}} \right)} ^2} $$ (8) 决定系数反映测量值与预测值的分布趋势，其值越接近1，表示相关性越强。决定系数计算公式为
$$ {R^2} = 1 - \frac{{\displaystyle\sum\limits_{j = 1}^n {{{\left( {{A_j} - {P_j}} \right)}^2}} }}{{\displaystyle\sum\limits_{j = 1}^n {{{\left( {{A_j} - \overline A } \right)}^2}} }} $$ (9) 式中$\overline A $为测量值的平均值。
2. 实验及结果分析
2.1 样本数据来源
将入风相对湿度、入风温度、地面大气压力和井筒深度作为模型的输入数据。风流自井口流入井下，地面风流温度和地面大气压力影响井筒风温。自压缩热是井底最主要的热源，空气的自压缩热对井筒风温影响较大，井筒深度与风流压缩密切相关，因此，井筒深度也影响井筒风温。井筒一般有淋水现象，风流和井筒淋水间存在热湿交换。地面入风的相对湿度影响风流与淋水巷道的湿交换程度。
选用19个矿井的65 组数据作为样本数据。其中前55组数据作为训练集，用于构建预测模型；后10组数据作为测试集，用于检验模型预测效果。部分样本数据见表1。
表 1 样本数据Table 1. Sample data序号 地面大气
压力/Pa入风
温度/℃入风相对
湿度/%井筒
深度/m井底
风温/℃1 99862.8 26.8 80.23 558.90 25.6 2 99936.2 27.7 76.78 558.90 27.8 3 99868.9 26.5 80.05 552.50 26.5 4 99982.3 27.6 74.26 552.50 27.6 5 99965.1 26.8 78.88 673.20 25.3 $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ 63 92240.0 14.0 51.70 417.54 16.2 64 91860.0 13.8 58.40 417.54 16.0 65 91420.0 12.2 67.60 417.54 15.2 2.2 预测结果分析
在相同的训练集下，比较Elman模型与PSO−Elman模型的收敛速度，二者的进化曲线如图4所示。可看出Elman模型迭代90次后收敛，而PSO−Elman模型迭代41次后收敛，说明PSO−Elman模型收敛速度更快。
为验证基于PSO−Elman的井底风温预测模型的预测效果，将BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型进行比较。BP神经网络模型利用Matlab软件自带的BP神经网络工具箱进行预测，BP神经网络结构为4−7−1；SVR模型的惩罚因子C=22.627 4，核函数参数$g $=0.031 3；Elman模型的神经网络结构为4−8−1；PSO−Elman模型的神经网络结构为4−9−1。利用相同的训练数据集和测试数据集，比较4种模型的预测精度，结果见表2。分析可知，BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型的相对误差范围分别为−6.01%～17.02%，−9.52%～1.41%，−7.91%～0.70%，−6.55%～1.12%，PSO−Elman模型的相对误差最小，预测效果最好。
表 2 4种模型的井底风温预测结果及误差Table 2. Prediction results and errors of bottom air temperature of four models样本
编号真实
值/℃BP神经网络模型 SVR模型 Elman模型 PSO−Elman模型 预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%1 27.9 27.2131 −0.6869 −2.46 27.8983 −0.0017 −0.01 27.7709 −0.1291 −0.46 27.8026 −0.0974 −0.35 2 27.6 26.9595 −0.6405 −2.32 27.7180 0.1180 0.43 27.0653 0.0053 0.02 27.6048 0.0048 −0.02 3 28.9 27.2982 −1.6018 −5.54 27.9765 −0.9235 −3.20 27.8461 −1.0539 −3.65 27.8981 −1.0019 −3.47 4 27.4 27.1367 −0.2633 −0.96 27.6248 0.2248 0.82 27.5246 0.1246 0.45 27.6149 0.2149 0.78 5 28.0 27.4548 −0.5452 −1.95 28.3935 0.3935 1.41 28.1950 0.1950 0.70 28.1494 0.1494 0.53 6 16.2 16.4894 0.2894 1.79 15.2606 −0.9394 −5.80 15.1536 −1.0464 −6.46 16.3820 0.1820 1.12 7 15.8 14.8908 −0.9092 −5.75 14.6212 −1.1788 −7.46 14.6948 −1.1052 −6.99 14.7649 −1.0351 −6.55 8 16.2 15.2269 −0.9731 −6.01 15.0037 −1.1963 −7.38 14.9791 −1.2209 −7.54 15.4598 −0.7402 −4.57 9 16.0 16.4385 0.4385 2.74 14.8663 −1.1337 −7.09 14.8427 −1.1573 −7.23 15.7786 −0.2214 −1.38 10 15.2 17.7870 2.5870 17.02 13.7536 −1.4464 −9.52 13.9971 −1.2029 −7.91 15.3130 0.1130 −0.74 4种井底风温预测模型在测试集上的预测结果和误差分别如图5、图6所示。从图5可看出，相比于其他模型，PSO−Elman模型的预测值与真实值曲线更为接近，说明其预测效果更好。从图6可看出，PSO−Elman模型的预测误差最小，说明该预测模型的准确性和可靠性最高。
![]()
图 5 4种预测模型在测试集上的预测结果Figure 5. Prediction results of four prediction models on test set![]()
图 6 4种预测模型在测试集上的预测误差Figure 6. Prediction errors of four prediction models on test set4种预测模型的评估指标见表3。可看出，与BP神经网络模型、SVR模型和Elman模型相比，PSO−Elman模型预测误差更低，MAE，MSE，MAPE分别为0.376 0 ℃，0.278 3，1.95%。4种模型的决定系数$ {{R}}^{\text{2}} $非常接近1，表明预测模型具有良好的预测效果。实验结果表明，PSO−Elman模型具有较高的稳定性和准确性。
表 3 4种预测模型的评估指标Table 3. Evaluation indicators of four prediction models模型 MAE/℃ MSE MAPE/% $ {R}^{2} $ BP神经网络 0.8935 1.2557 4.65 0.9658 SVR 0.7556 0.8153 4.31 0.9985 Elman 0.7241 0.7774 4.14 0.9788 PSO−Elman 0.3760 0.2783 1.95 0.9924 3. 实例验证
为了进一步验证PSO−Elman模型的预测精度及通用性，于2022年10月3日实测了河南省安阳市某矿井的5组数据，利用训练好的模型进行井底风温预测。井下实测数据见表4，预测数据评估结果见表5，井底风温预测值与真实值对比如图7所示。
表 4 井下实测数据Table 4. Underground measured data测点位置 入风温度/℃ 入风相对
湿度/%地面大气
压力/Pa井筒深度/m 井底风温/℃ 副井 20.8 71.40 104610 521.5 24.3 21.2 82.00 104660 521.5 23.0 回风联络巷 21.6 88.00 102668 521.5 22.6 一车场 21.8 86.90 104633 521.5 22.8 运输大巷 22.4 78.80 106604 521.5 24.6 表 5 井底风温预测数据评估结果Table 5. Evaluation results of prediction data of bottom air temperature真实值/℃ 预测值/℃ 绝对误差/℃ 相对误差% MSE 24.3 24.46 0.14 0.66 0.26 23.0 22.82 −0.18 −0.78 22.6 21.54 −1.06 −4.69 22.8 23.09 0.29 1.27 24.6 24.38 −0.22 −0.89 分析表5与图7可知，PSO−Elman模型的相对误差范围为−4.69%～1.27%，绝对误差范围为−1.06～0.29 ℃，MSE为0.26，整体预测精度可满足井下实际需要，验证了PSO−Elman模型在井底风温预测中应用具有可行性。
![]()
图 7 井底风温预测值与真实值对比Figure 7. Comparison between predicted and actual values of bottom air temperature4. 结论
1） 在相同的训练样本数据下，Elman模型迭代90次后收敛，PSO−Elman模型迭代41次后收敛，说明PSO−Elman模型收敛速度更快。
2） BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型的相对误差范围分别为−6.01%～17.02%，−9.52%～1.41%，−7.91%～0.70%，−6.55%～1.12%，PSO−Elman模型的相对误差最小，预测效果最好。
3） 与BP神经网络模型、SVR模型和Elman模型相比，PSO−Elman模型的预测误差更低，MAE，MSE，MAPE分别为0.376 0 ℃，0.278 3，1.95%，决定系数$ {{R}}^{\text{2}} $为0.992 4，非常接近1，表明预测模型具有良好的预测效果。
4） 实例验证结果表明，PSO−Elman模型的相对误差范围为−4.69%～1.27%，绝对误差范围为−1.06～0.29 ℃，MSE为0.26，整体预测精度可满足井下实际需要。
-
![]()
图 1 基于CC−GRU的采煤机滚筒调高量预测流程
Figure 1. Prediction process of height adjustment of shearer drum based on causal convolution gated recurrent unit （CC-GRU）
![]()
图 6 不同参数下CC−GRU模型的预测结果对比
Figure 6. Comparison of prediction results of CC-GRU model under different parameters
表 1 不同参数下CC−GRU模型的预测结果
Table 1 Prediction results of CC-GRU model under different parameters
隐层层数 隐层节点数 $ {\rm{MAE}}/{\mathrm{mm}} $ $ {\rm{MAPE}}/\text{%} $ $ {\rm{RMSE}}/{\mathrm{mm}} $ $ {{{R^{\text{2}}}}} $ 第1层 第2层 第3层 2 16 16 — 46.54 2.02 53.41 0.61 2 32 16 — 51.88 2.25 64.73 0.35 2 32 32 — 43.80 1.90 50.35 0.65 2 64 32 — 47.44 2.06 54.38 0.55 2 64 64 — 50.58 2.19 57.40 0.45 3 16 16 16 47.84 2.07 54.15 0.54 3 32 16 16 50.98 2.21 61.70 0.41 3 32 32 16 48.89 2.12 55.86 0.56 3 32 32 32 53.71 2.32 67.33 0.29 
下载: 导出CSV
表 2 不同模型评价指标
Table 2 Evaluation indicators of different models
模型 $ {\rm{MAE}}/{\mathrm{mm}} $ $ {\rm{MAPE}}/ {\text{%}} $ $ {\rm{RMSE}}/{\mathrm{mm}} $ $ {{{R^{\text{2}}}}} $ LSTM 51.01 2.21 63.85 0.36 GRU 48.25 2.10 59.58 0.38 TCN 61.27 2.64 66.41 0.32 CC−GRU 43.80 1.90 50.35 0.65
下载: 导出CSV
表 3 不同模型预测时间对比
Table 3 Comparison of prediction time of different models
模型 预测时间/s LSTM 0.96 GRU 0.88 TCN 0.08 CC−GRU 0.17
下载: 导出CSV
-
[1] 王国法,张良,李首滨,等. 煤矿无人化智能开采系统理论与技术研发进展[J]. 煤炭学报,2023,48(1):34-53. WANG Guofa,ZHANG Liang,LI Shoubin,et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society,2023,48(1):34-53.
[2] 王国法,富佳兴,孟令宇. 煤矿智能化创新团队建设与关键技术研发进展[J]. 工矿自动化,2022,48(12):1-15. WANG Guofa,FU Jiaxing,MENG Lingyu. Development of innovation team construction and key technology research in coal mine intelligence[J]. Journal of Mine Automation,2022,48(12):1-15.
[3] HOLM M,BOHN C. Modelling of the cutting process of underground coal mining with shearer loaders for adaptive horizon control[C]. 19th SGEM International Multidisciplinary Scientific GeoConference,2019:423-430. DOI: 10.5593/sgem2019/1.3/S03.054.
[4] YANG Jianjian,CHANG Boshen,ZHANG Yuchen,et al. CNN coal and rock recognition method based on hyperspectral data[J]. International Journal of Coal Science & Technology,2022,9(1). DOI: 10.1007/s40789-022-00516-x.
[5] WANG Haijian,LIU Lili,ZHAO Xuemei,et al. Pre-perception and accurate recognition of coal–rock interface based on active excitation infrared characterization[J]. Journal of Computational Design and Engineering,2022,9(5):2040-2054. DOI: 10.1093/jcde/qwac104
[6] SUN Chuanmeng,LI Xinyu,CHEN Jiaxin,et al. Coal-rock image recognition method for complex and harsh environment in coal mine using deep learning models[J]. IEEE Access,2023,11:80794-80805. DOI: 10.1109/ACCESS.2023.3300243
[7] 张强,张润鑫,刘峻铭,等. 煤矿智能化开采煤岩识别技术综述[J]. 煤炭科学技术,2022,50(2):1-26. ZHANG Qiang,ZHANG Runxin,LIU Junming,et al. Review on coal and rock identification technology for intelligent mining in coal mines[J]. Coal Science and Technology,2022,50(2):1-26.
[8] 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 based on transparent geological big data[J]. Coal Science and Technology,2021,49(1):286-293.
[9] WANG Chen,ZHOU Jie. New advances in automatic shearer cutting technology for thin seams in Chinese underground coal mines[J]. Energy Exploration & Exploitation,2022,40(1):3-16.
[10] 田立勇,毛君,王启铭. 基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法[J]. 煤炭学报,2016,41(3):782-787. TIAN Liyong,MAO Jun,WANG Qiming. Coal and rock identification method based on the force of idler shaft in shearer's ranging arm[J]. Journal of China Coal Society,2016,41(3):782-787.
[11] 王廷栋. 基于遗传算法的采煤机截割控制系统研究[J]. 煤炭技术,2021,40(10):206-208. WANG Tingdong. Research on cutting control system of coal shearer based on genetic algorithm[J]. Coal Technology,2021,40(10):206-208.
[12] 司垒,王忠宾,刘新华,等. 基于煤层分布预测的采煤机截割路径规划[J]. 中国矿业大学学报,2014,43(3):464-471. SI Lei,WANG Zhongbin,LIU Xinhua,et al. Cutting path planning of coal mining machine based on prediction of coal seam distribution[J]. Journal of China University of Mining & Technology,2014,43(3):464-471.
[13] XIE Jiacheng,YAN Zewen,WANG Xuewen,et al. A memory cutting method of virtual shearer based on shape track prediction of AFC[J]. Mining,Metallurgy & Exploration,2021,38(5):2005-2019.
[14] WANG Weibing,JING Zelin,ZHAO Shuanfeng,et al. Intelligent height adjustment method of shearer drum based on rough set significance reduction and fuzzy rough radial basis function neural network[J]. Applied Sciences,2023,13(5):2877-2898. DOI: 10.3390/app13052877
[15] 梁耍,王世博,葛世荣,等. 综采工作面煤层三维模型动态修正方法研究[J]. 工矿自动化,2022,48(7):58-65,72. LIANG Shua,WANG Shibo,GE Shirong,et al. Study on dynamic modification method of 3D model of coal seam in fully mechanized working face[J]. Journal of Mine Automation,2022,48(7):58-65,72.
[16] 崔涛. 基于真实开采数据的采运装备虚拟规划方法研究[D]. 太原:太原理工大学,2022. CUI Tao. Research on virtual planning method of mining and transportation equipment based on real mining data[D]. Taiyuan:Taiyuan University of Technology,2022.
[17] 陈伟华,南鹏飞,闫孝姮,等. 基于深度学习的采煤机截割轨迹预测及模型优化[J]. 煤炭学报,2020,45(12):4209-4215. CHEN Weihua,NAN Pengfei,YAN Xiaoheng,et al. Prediction and model optimization of shearer memory cutting trajectory based on deep learning[J]. Journal of China Coal Society,2020,45(12):4209-4215.
[18] 唐志章. 综采工作面集中控制关键技术研究[D]. 徐州:中国矿业大学,2021. TANG Zhizhang. Research on key technologies of centralized control in fully mechanized mining face[D]. Xuzhou:China University of Mining and Technology,2021.
[19] BAI Shaojie,KOLTER J Z,KOLTUN V. Trellis networks for sequence modeling[C]. The 7th International Conference on Learning Representations,New Orleans,2018:1-18.
[20] CHO K,MERRIENBOER B,GULCEHRE C,et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]. Conference on Empirical Methods in Natural Language Processing,Doha,2014:1724-1734.
[21] RUÍZ-GUIROLA D E,LÓPEZ O L A,MONTEJO-SÁNCHEZ S,et al. Performance analysis of ML-based MTC traffic pattern predictors[J]. IEEE Wireless Communications Letters,2023,12(7):1144-1148. DOI: 10.1109/LWC.2023.3264273
-
期刊类型引用(5)
1. 陈湘源，饶天荣，潘涛. 基于半监督学习的煤矿井下行人检测模型. 煤炭技术. 2024(02): 231-234 . 
百度学术
2. 王娜，温静，冯佳，卢娜利，刘翠华，智佳，王子阳，黄锦. 基于人工智能深度学习算法辅助诊断早期ESCC的研究. 胃肠病学和肝病学杂志. 2024(02): 156-161 . 百度学术
3. 罗磊，谢竹逵. 基于改进YOLOv8的交通标志检测算法. 机电工程技术. 2024(03): 205-210 . 百度学术
4. 杨伟康，吕文生，杨鹏，张宇栋，党龙飞. 基于倒置残差的井下无人车目标检测研究. 矿业研究与开发. 2024(04): 222-227 . 百度学术
5. 孙林，陈圣，姚旭龙，张艳博，陶志刚，梁鹏. 煤矿井下残缺信息的多目标检测方法研究. 煤炭科学技术. 2024(S2): 211-220 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 154
- HTML全文浏览量: 47
- PDF下载量: 20
- 被引次数: 13
