高有進，楊 藝,3，常亞軍，張幸福，李國威，連東輝，崔科飛，武學藝，魏宗杰

(1.鄭州煤礦機械集團股份有限公司，河南 鄭州 450000;2.鄭州煤機液壓電控有限公司，河南 鄭州 450013;3.河南理工大學 電氣工程與自動化學院，河南 焦作 454000)

0 引 言

煤炭是我國重要的基礎能源。根據中國工程院相關報告預測：到2030年，煤炭在我國能源結構中所占比例為50%；直至2050年，仍將以40%的占比高居榜首[1]。煤礦安全高效生產是確保我國經濟發(fā)展和社會穩(wěn)定的重要基礎之一。

煤礦智能化開采是我國能源戰(zhàn)略的重要發(fā)展方向。2020年2月，由國家發(fā)展改革委、國家能源局等八部委聯合印發(fā)的《關于加快煤礦智能化發(fā)展的指導意見》，對煤礦智能化發(fā)展階段性目標和任務提出具體要求:到2035年，各類煤礦基本實現智能化，構建多產業(yè)鏈、多系統集成的煤礦智能化系統，建成智能感知、智能決策、自動執(zhí)行的煤礦智能化體系[2]。河南、山東、山西、內蒙古、安徽、貴州等煤炭主產區(qū)先后出臺了煤礦智能化建設的實施方案，確定了各省煤礦智能化建設的具體任務和目標。

長期以來，煤礦開采作為高危和艱苦行業(yè)，對人才的吸引力很小。2005年，第1次全國經濟普查結果顯示，全國煤炭行業(yè)法人8.2萬個，從業(yè)人員達到888.8萬人[3]。然而，近年來，隨著我國金融、IT、電子商務、新型物流等行業(yè)蓬勃發(fā)展，對煤炭行業(yè)的從業(yè)人員形成巨大沖擊，導致煤炭行業(yè)的各類人才流失嚴重。更為嚴重的是國內主要煤炭院校相關專業(yè)的本科生、研究生報考比例持續(xù)走低，而且社會青年進入煤礦生產一線的意愿不高，從而致使煤炭行業(yè)的新生力量匱乏，員工老齡化十分嚴重。2019年第4次全國經濟普查時，煤炭行業(yè)企業(yè)法人已大幅下降到1.3萬個，從業(yè)人員銳減到347.3萬人[4]。此外，隨著我國煤炭資源開發(fā)的縱深發(fā)展，煤礦采深不斷增加，地質條件更加復雜，沖擊地壓、水害、瓦斯突出等多種災害疊加效應不斷顯現，給煤礦安全生產提出了更高的新要求。因此，如何確保煤礦生產安全、穩(wěn)定生產隊伍、提高煤礦開采效率是煤炭行業(yè)健康可持續(xù)發(fā)展的重要內容。

煤礦智能化開采是以井下少人化、無人化為目標，通過設備的智能自主控制實現自動化高效采煤。這可將工作人員從高風險區(qū)域解放出來，從根本上消除生產過程中的人員傷亡現象。同時，采掘設備的智能自主控制可大幅弱化生產過程對人員的需求，有效緩解人員短缺的問題。此外，在智能開采模式下，井下環(huán)境可實現精確感知；沖擊地壓、有害氣體、巷道圍巖狀態(tài)等監(jiān)控得以完善；大數據分析與事件預測深度融合，形成井下全局信息，并作為工作面設備智能控制的決策依據，從而驅動工作面各個設備控制與決策。在智能控制與決策算法中，以優(yōu)化出煤品質為目的的性能指標，決定了所設計的控制算法和決策策略必將提升出煤的品質，提高煤礦的經濟效益。

綜合機械化采煤是我國煤礦開采的主要方式，綜采工作面的智能化水平直接決定了我國煤礦智能化程度。厘清綜采工作面智能化開采的技術現狀、科學問題及技術難點，對于攻克綜采工作面智能開采關鍵技術，提升我國煤礦開采智能化水平意義重大。筆者以綜采工作面采、支、運等主要系統的智能化技術為核心，從理論研究和工程實踐方面闡述了智能化過程中的科學問題、技術關鍵和未來展望。

1 綜采工作面智能化開采發(fā)展歷程

煤礦綜采工作面的智能化發(fā)展歷程大致可劃分為機械化、自動化和智能化3個階段，如圖1所示。

圖1 煤礦綜采工作面的智能化發(fā)展歷程

1)煤礦機械化開采。1868年，世界上第1臺商用旋轉輪式割煤機在英國誕生[5]，拉開了煤礦開采機械化的大幕。到1954年，英國率先將割煤機、輸送機和液壓支架綜合運用，形成了綜合機械化采煤。隨后，前蘇聯、德國、波蘭等國家逐步開始推進工作面的機械化進程[5]。

我國于1970年在大同煤峪口煤礦1870工作面第1次按照綜合機械化開采模式進行工業(yè)性試驗[6]。通過引進技術、消化吸收，經過半個世紀的發(fā)展，我國煤礦的機械化水平取得突飛猛進的發(fā)展[7]。特別是自主研制的液壓支架、大功率采煤機、刮板輸送機等一批重要的煤機設備成功應用于工業(yè)現場[8-9]，加快了我國煤礦機械化開采的進程。目前，我國大型煤炭企業(yè)的采煤機械化程度已達到97.9%[10]。

2)綜采工作面的自動化。綜采工作面的自動化是在機械化基礎上集成微處理器、傳感器、現場總線、計算機控制、可編程控制器等技術，通過電機調速、電液控制，實現采煤機、液壓支架、刮板輸送機等設備的自動化控制。

20世紀60年代初，英國對工作面自動化提出要求，即研究一種遠距離操縱工作面設備的系統。但由于微處理器等電子元器件尚未成熟而最終失敗[11]。直到1976年，Intel公司推出8位單片機后，單獨的微處理芯片在煤礦的運輸、環(huán)境和水泵站的監(jiān)控才逐步實現[11]。

隨著工業(yè)現場總線在1984年推出標準，設備互聯、非本地控制等技術使得煤礦綜采工作面的自動化水平得到突破性發(fā)展[3]，其中最具代表性的成果是電液控系統。在電液控制系統中，建立了地面主控計算機、井下主控主機到液壓支架傳感器和控制器的網絡結構。如MARCO公司的控制系統采用BIDI Bus總線實現液壓支架間的通信，整個工作面的互聯則采用T-Bus總線。而EEP公司的電液控制系統則采用ProfiBus總線連接各個液壓支架，并將液壓支架與工作面的2臺服務器相連[3]。我國的電液控技術發(fā)展相對較晚。1988年起，煤炭工業(yè)部開始立項對支架電液控制技術進行研究，至1996年，我國完成了首套工作面電液控系統研發(fā)和井下工業(yè)性試驗[12]。2005年，在引進國外技術的基礎上，我國研發(fā)的電液控系統逐步在國內多個大型煤礦推廣[13]。目前，電液控系統已經成為綜采工作面的標準配置，也是綜采工作面智能化的硬件基礎之一。

3)綜采工作面的智能化。綜采工作面智能化是在自動化基礎之上，以工作面少人化或無人化為目標，結合機器視覺、三維激光掃描、多傳感器融合等信息感知技術，采用工業(yè)互聯網、物聯網、云平臺等數據傳輸方法，通過大數據分析與挖掘、深度神經網絡、多智能體決策等，實現綜采工作面設備的智能、自主、最優(yōu)控制。

綜采工作面初級智能控制以遠程視頻監(jiān)控為主要信息感知手段，以設備的程序化控制為目標，采用經驗存儲、順序控制、反饋控制等方法，實現采煤機記憶截割、工作面調直、液壓支架自動跟機移架等功能[4]。2008年，澳大利亞提出LASC技術[14]，包括工作面調直、采煤機自動控制、通信及操作接口、信息系統、防撞系統、狀態(tài)監(jiān)視等6個功能模塊[15-16]。2014年，黃陵煤礦率先在國內實現了綜采設備遠程可視化監(jiān)控和記憶割煤[17-19]。2016年前后，LASC技術被引入我國，并在兗礦集團轉龍灣礦、國家能源集團寧夏煤業(yè)有限公司紅柳煤礦、國家能源集團寧夏煤業(yè)集團有限公司麥垛山礦和陜西能源涼水井礦業(yè)有限公司等地推廣應用[20-22]。

2012年，以深度學習為代表的新一代人工智能技術取得重大突破[23]，并迅速應用于計算機視覺、大數據挖掘、智能控制等領域。2017年3月，我國首次把人工智能寫入政府工作報告，大幅促進了綜采工作面智能化的發(fā)展。其中，煤巖分界線識別[24]、井下視頻目標跟蹤[25]、巷道激光點云重建[26]、工作面三維地質模型[27]、工作面設備群組智能控制[28-29]、煤礦大數據分析[30-31]等關鍵技術已取得可喜進展。綜采工作面的智能化水平也正從初級階段逐步往高級階段邁進。隨著人工智能研究的縱深發(fā)展，綜采工作面信息感知、智能決策和最優(yōu)控制等核心問題將取得突破，綜采工作面智能的無人化開采必將實現。

2 綜采工作面智能化開采技術現狀及難點

2.1 綜采工作面智能化開采系統架構

綜采工作面成套設備主要包括信息感知系統、液壓支架群、采煤機、運輸系統、供液系統等。各部分通過工業(yè)現場總線、以太環(huán)網等建立數據鏈路，可實現地面遠程控制、巷道集控倉集中控制和設備本地控制。目前，典型的智能化綜采工作面結構如圖2所示。

圖2 智能化綜采工作面典型系統架構

目前，綜采工作面的被控對象主要是液壓支架群、采煤機和刮板輸送機。智能控制系統以巷道集控倉和支架電液控系統為核心，形成了信息感知、智能決策、驅動執(zhí)行、反饋評估的集散控制方式。其中，由攝像頭、壓力傳感器、紅外傳感器、位移傳感器和接近傳感器等構成的信息感知子系統，為系統決策提供工作面環(huán)境、設備運行狀況、設備姿態(tài)等信息。供液系統主要為支架電液控提供驅動力，同時也為工作面噴淋裝置提供水源。電液控系統是支架的控制核心，其根據感知的信息，通過控制策略對動作做出決策。而巷道集控倉實現采煤機、刮板輸送機、支架群的遠程協調控制。工作面的視頻信息、地質信息、設備信息、操作過程等數據通過工業(yè)以太網上傳至地面服務器，為地面監(jiān)控中心提供實時數據。同時，這些數據通過互聯網進入云平臺，為云端用戶提供實時的可視化數據及分析結果。

2.2 采煤機智能化技術現狀及難點

采煤機是綜采工作面的核心設備。目前，采煤機的智能化主要圍繞滾筒運動調節(jié)和牽引控制2個方面展開研究和工程實踐。

采煤機牽引系統采用變頻器控制牽引電機驅動采煤機在行走齒輪上往返運動。由于牽引系統的控制精度要求不高，且變頻調速技術已經較為成熟，所以牽引控制本身已能滿足智能系統的需求。但是，由于牽引控制關系到采煤機位置和姿態(tài)，進而影響到煤壁的截割工藝。因此，采煤機的遷移控制衍生出2個主要的問題：采煤機的定位技術和采煤機的規(guī)劃開采技術。

人工操作模式下，在截割煤壁時采煤機司機根據頂板和底板的起伏，手動調節(jié)采煤機滾筒升降，避開頂底板的巖層。而在智能化開采模式下，采煤機需要根據感知信息自主調節(jié)滾筒高低。然而，目前工作面精確的地質信息尚不完善，煤巖分界面識別技術尚無法攻克，無法做到實時感知頂底板狀態(tài)。因此，采煤機滾筒還無法達到真正的智能化調節(jié)。在此情況下，記憶截割是一種較好的半智能化方法。此外，在滾筒截割過程中，煤層變化和滾筒截深不同導致截割部的負載變化明顯，是典型的負載擾動。如果滾筒調節(jié)的控制算法不適配，將導致滾筒的調節(jié)魯棒性差、精度達不到要求，這也是采煤機智能控制領域面臨的重要問題之一。

2.2.1 采煤機定位技術現狀及難點

采煤機精確定位是記憶割煤、液壓支架動作、開采工藝決策的基礎。目前，采煤機定位方法主要有3種：紅外傳感器定位、編碼器定位和慣性導航裝置定位。

1)紅外傳感器定位。紅外傳感器定位是將紅外發(fā)射裝置安裝在采煤機上，在每臺支架上安裝紅外接收裝置。當采煤機經過液壓支架時，支架上的紅外接收裝置輸出開關信息，從而確定采煤機相對于支架的位置。由于采煤機上發(fā)射的紅外線通常是扇形區(qū)域，經常導致多臺支架同時接收到信號。因此，需要設計相應算法對接收到架次信息進行修正。修正算法的可靠性和穩(wěn)定性直接決定了采煤機的定位準確性。

工作面回采是動態(tài)的過程，這使得空間定位難以找到恰當的絕對參考位置。而紅外傳感器定位方法能夠為采煤機提供相對于支架的參考位置，這為支架的“降-移-升”和采煤機的截割規(guī)劃提供了位置基準。但這一方法的定位精度低，一般為液壓支架的寬度。此外，在工程應用中，紅外傳感器偶爾會遭遇砸損、進水、煤塵覆蓋等事故，導致數據丟失，從而引起采煤機定位出現丟架、跳架的情況。

2)編碼器定位。編碼器定位方法是在采煤機牽引部位安裝編碼器，記錄采煤機的增量位置。編碼器的定位精度高，故障少，使用方便，目前已被廣泛使用。同時為防止累積誤差，在工作面回采過程中往往需要定時校正。

編碼器位置校正有靜態(tài)校正和動態(tài)校正2種方式。其中，靜態(tài)校正是在工作面某固定位置安裝接近開關，當采煤機處于該位置時，對編碼器數據進行校正，從而確定編碼器值與工作面位置的關系。動態(tài)校正是編碼器與紅外傳感器定位相結合的方法。該方法需要建立編碼器輸出與紅外傳感器位置的映射關系；在采煤機運行過程中，當通過紅外傳感器可以確定采煤機的相對位置時，對該映射關系進行修正。編碼器動態(tài)校正方法融合了編碼器和紅外傳感器的信息，使得采煤機定位更加準確。

3)慣性導航定位。將慣性導航技術應用于采煤機定位并繪制采煤機的運行軌跡是LASAC的核心技術之一。目前，國內外在采煤機定位中應用的慣性導航裝置均采用捷聯方式，主要結構如圖3所示。慣性導航的主要部件是陀螺儀和加速度計，分別測量載體的角加速度和線加速度；然后通過慣性測量單元得到角速度、線速度；再采用導航解析算法，求解出運動物體的橫滾角、航向角、俯仰角等姿態(tài)以及速度和位置等信息。

圖3 慣性導航裝置的主要結構框圖

通常情況下，慣導系統以“東-北-天”為基準建立導航坐標系{O}，以采煤機幾何中心為原點建立載體坐標系，如圖4所示。載體坐標系采用“右手定則”，以指向煤壁方向為俯仰軸Xb，采煤機的行進方向為橫滾軸Yb，指向頂板方向為航向軸Zb。慣性導航裝置獲得的是在載體坐標系中的運動參數。而實際應用中需要的信息是在導航坐標系{O}下的橫滾角、航向角、俯仰角、速度和位置信息。因此，需要通過導航解析算法將載體坐標系中的位姿轉化到導航坐標系。

圖4 采煤機慣性導航坐標系

在慣性導航系統運行之初，通常需要通過位置校正算法進行位置標定，即通過北斗或GPS等導航衛(wèi)星明確采煤機在導航坐標系中的位置。然而，在工作面無法接受北斗或GPS信號。因此，每次開機均做一次位置初始化標定，且在標定時，無論采煤機處于何種絕對位置和姿態(tài)，均會被初始化為預設值。這就使得慣性導航僅能提供采煤機的相對位置信息。此外，光纖陀螺儀和加速度計在運行過程中存在誤差，當采煤機長時間運行后，產生的累積誤差可能導致導航結果偏差較大。因此，需要通過位置校正算法對慣性導航裝置在導航坐標系中的位置進行校正。

將慣性導航應用于采煤機定位，不僅可以提升采煤機自身的位姿感知能力，還可以為記憶截割、工作面調直等其他工藝提供重要的信息。在實際的工程應用中，慣性導航的應用仍然存在以下2個問題：

1)慣性導航累積誤差的影響。慣性導航的核心部件光纖陀螺儀和加速度計是精密儀器。在采煤機運行過程中，振動等原因容易造成導航位置漂移，從而構成累積誤差。解決這類問題的最主要方法是定期進行位置校正(如圖3中的位置校驗算法模塊)。然而，位置校正需要從外部引入絕對位置和姿態(tài)信息。因此，目前的工程應用中往往是定期對慣性導航裝置采用尋北定位等方法實現簡單的標定。在理論研究方面，學者提出幾種有益的消除累計誤差的方法。例如：文獻[32]提出一種安裝誤差和初始對準誤差的校驗算法，對定位結果進行補償；文獻[33]提出一種基于零速修正技術的卡爾曼濾波器對位置經行估計，提高了慣性導航的精度；文獻[34]采用構建了冗余慣性導航系統的定位方法，在一個采煤機上配置3套慣性導航裝置，以降低累積誤差的影響。

2)桿臂效應的影響。慣性導航裝置輸出的采煤機姿態(tài)信息是從載體坐標系轉換到導航坐標系的結果。因此，在理想狀態(tài)下，光纖陀螺儀和加速度計的三軸交匯點應該是采煤機的幾何中心。且3個光纖束和加速度測量單元的軸向方向分別與煤壁指向方向、采煤機運行方向和頂板指向方向完全重合。這在實際工程中幾乎是不可能實現的，而中心點的錯位將會形成桿臂效應，造成系統誤差。目前，在工程應用中較少考慮這類問題的補償方法，僅有少量的理論研究。如文獻[32]提出初始對準誤差的校準方法，文獻[35]則對桿臂效應的提出補償方法等。

2.2.2 采煤機姿態(tài)檢測的技術現狀及難點

在無人開采條件下，采煤機的橫滾角、航向角、俯仰角等姿態(tài)信息是割煤工序和參數設置的重要依據。例如：俯仰角直接決定了搖臂的高度，航向角則關系到斜切進刀的深度。因此，如何檢測采煤機的姿態(tài)信息是采煤機智能化技術的重要方向之一。測量姿態(tài)主要采用傾角傳感器或慣性導航裝置，這2類檢測裝置在實際工程中均有成熟的應用。特別是慣性導航裝置可同時提供采煤機的位置和姿態(tài)信息，應用前景更加廣闊。

但是，采煤機的姿態(tài)信息必須與工作面頂底板的地質狀態(tài)相匹配，才能真正實現采煤機滾筒的自適應調節(jié)等智能控制。然而，當前煤層的頂板識別仍然是技術難題。因此，在工程應用中采煤機的姿態(tài)信息檢測應用相對較少。為解決這一問題，部分學者將煤層地質信息與慣性導航裝置檢測的位姿信息相結合，提出了采煤機的定位定姿算法。2015年，文獻[36]利用地震波探測技術對工作面建立了精確的地理信息系統，將采煤機定位在煤層中，并根據采煤機的姿態(tài)信息確定滾筒與工作面頂板和底板的位置關系。該方法在試驗中能使?jié)L筒的截割軌跡與地理信息系統的頂板曲線之間的誤差小于0.2 m，經過消差處理后該誤差可小于0.05 m[37]。2021年，文獻[38]提出采煤機自主導航截割原理和方法，特別是引入運動學原理建立了采煤機全位姿參數矩陣，綜合表述了采煤機左右滾筒的位置信息，實現了采煤機位姿從物理模型到數學模型的轉換。

2.2.3 滾筒自適應調高技術現狀及難點

采煤機滾筒的高度自適應調節(jié)是采煤機智能割煤的基礎和關鍵。采煤機截割部如圖5所示[39-40]。

圖5 采煤機截割部

采煤機滾筒一般通過液壓油缸的伸縮控制搖臂轉動從而使?jié)L筒升降。根據截割部的幾何特性，滾筒調節(jié)高度可簡化為[39]

(1)

式中：H為滾筒高度；ΔL為油缸推出距離；L1和L2分別為大搖臂和小搖臂的長度；θ1為搖臂水平夾角。

由于機械幾何關系固定，因此搖臂高度與油缸行程之間的非線性關系可以確定。然而，在控制油缸行程過程中，滾筒的動載荷受煤層條件、截割深度、牽引速度變化的影響，使得液壓控制系統的負荷變化明顯，從而導致滾筒動態(tài)調節(jié)的控制精度受負載擾動的影響很大。

根據采煤機截割過程的物理模型，滾筒調高過程的動力學方程可簡化為[40]

(2)

式中：Θ為滾筒角位置；ω為載荷變化頻率；m1和m2分別為滾筒和搖臂的質量；Kh為液壓油缸的彈簧剛度；Ch為液壓油缸的黏性阻尼系數；R0和R1分別為水平方向和垂直方向的平均載荷；Rp為滾筒偏心載荷的最大值；Ra和Rb分別為周期性載荷在水平和垂直方向的最大值；g為重力加速度；Mc為截割阻力矩。

由式(2)可知，在負載變化情況下，滾筒的轉動是十分復雜的非線性動力學模型。因此，其控制模型也十分復雜，這也是目前滾筒調高多為人工操作的主要原因。為實現滾筒調高的自動控制，將上述模型和液壓油缸動態(tài)過程簡化成簡單的二階線性系統是一種較為直接的方法[41]。然而，這類方法的負載變化過程并不能被體現，因此控制效果欠佳。為此，智能控制算法，如模糊控制方法、自適應PID控制算法、遺傳算法最優(yōu)控制、魚群算法[42-45]等被研究用來實現不同負載情況下滾筒的自適應調高。但是上述方法基本均處于理論研究階段。在工程應用中，可實現的方式多是在油缸控制中采用液壓比例控制閥[41,46]，通過簡單的比例控制實現滾筒調高。由于比例控制屬于簡單的線性控制方法，無法有效處理滾筒調高的強非線性過程，因此效果十分有限，同時液壓比例閥成本過高也制約了其推廣使用。

2.2.4 記憶截割技術現狀及難點

記憶割煤通常是人工示范1刀或2刀，并記錄采煤機的位置、搖臂高度等信息。在自動截割時，通過查表或模型映射方法為采煤機動態(tài)提供割煤參數。目前，采煤機自動割煤技術已在多個煤礦推廣，取得了較為顯著的效果。但是，即便在頂底板條件都較好的煤礦，記憶割煤在幾刀后一般也需要進行人工校正[47]，其主要原因以下2點：

1)采煤機位置定位精度不高。采煤機位置定位是記憶割煤的基礎，在記憶割煤技術中，通常是存儲示采煤機在示范刀的位置區(qū)間。如圖6所示，xn(k)、xn(k+1)分別為采煤機在示范刀和作業(yè)刀的第n個位置區(qū)間，k為采煤機截割的刀數，圖中，假定第k刀為示范刀，第k+1刀為作業(yè)刀。

圖6 采煤機記憶割煤示意

雖然采用編碼器的定位精度已遠遠超過采煤機區(qū)間定位的需要，但是編碼器定位的參考坐標系為載體坐標系，即xn(k)記錄的是參考坐標系中橫滾軸Yb的值。但由于坐標系是固定在采煤機上，這使得示范刀和作業(yè)刀的空間位置在本質上是相互獨立的。因此，當刮板輸送機的直線度和起伏程度在示范刀和作業(yè)刀不一致時，同一定位區(qū)間在2次軌跡中極易出現錯位，從而導致截割參數錯誤。

2)采煤機姿態(tài)信息欠缺。目前，采煤機記憶割煤主要通過位置信息確定滾筒高度，通常忽略采煤機的姿態(tài)信息。如圖7所示，假設采煤機的導航坐標系{O}的三軸方向與采煤機載體坐標系相同，即XO為指向煤壁方向，YO為采煤機運行方向，ZO為頂板方向。在理想狀態(tài)下，采煤機水平置于XOOYO平面。然而，底板起伏不平和刮板輸送機處于非直線狀態(tài)，即便示范刀和作業(yè)刀相同處于同一水平位置，采煤機的姿態(tài)(俯仰、橫滾、偏航)通常會變化。因此，在示范刀和作業(yè)刀中，即使截割高度相同，滾筒與頂煤的空間位置的差異依然較大。

圖7 采煤機姿態(tài)示意

為解決上述問題，采用慣性導航裝置對采煤機進行絕對位置定位[21,48]。在此基礎上，通過工作面直線度調整，可以減小偏航姿態(tài)帶來的滾筒調高誤差。但是，目前采用慣性導航的姿態(tài)信息來矯正采煤機搖臂高度的方法尚需進一步研究。

2.3 液壓支架智能化技術現狀及難點

液壓支架是工作面安全支護的核心設備，長臂綜采工作面通常有上百架液壓支架同時作業(yè)，完成頂板支護、煤壁護幫、刮板輸送機推移等工序。自電液控技術成熟以來，液壓支架的升架、降架、移架、護幫板和伸縮梁的伸縮等動作均已能實現程序控制。目前，在智能化綜采工作面中，液壓支架智能控制的關鍵技術主要集中在支架姿態(tài)感知、跟隨采煤機的自主移架和工作面直線度調整等3個方面。

2.3.1 液壓支架姿態(tài)控制技術現狀及難點

液壓支架的姿態(tài)信息是綜采工作面動作控制的基礎，特別是液壓支架群組動作時，如果其姿態(tài)信息不準確，支架容易出現咬架、傾斜、低頭等情況，嚴重影響設備后續(xù)操作，甚至危及工作面安全。因此，首先需要對液壓支架的姿態(tài)進行監(jiān)測，并在支架動作過程中對姿態(tài)進行控制。

以雙柱式液壓支架為例，其姿態(tài)監(jiān)測的參數是在“東-北-天”導航坐標系{O}中估計支架高度、底座俯仰角和滾轉角、頂梁俯仰角、立柱千斤頂長度和傾角、護邦板俯仰角、平衡千斤頂長度與傾角等關鍵參數[49]。由于液壓支架的本質上是四連桿機構與液壓立柱等的組合體[50](圖8)。其姿態(tài)信息可以通過4個傾角傳感器解算出來[49]。因此，目前液壓支架的姿態(tài)信息多是在底座、掩護梁、后連桿和頂梁安裝傾角傳感器，如圖8所示的A—D處的監(jiān)測位置。部分液壓支架還在護幫板上增加1個傾角傳感器，如圖8所示的E，測量護幫板的姿態(tài)。

圖8 液壓支架結構

傾角傳感器的裝配和校準對液壓支架的姿態(tài)監(jiān)測至關重要。然而，在工程應用中，因為裝配不當、校準不夠精細、環(huán)境溫濕度變化等情況，經常導致監(jiān)測精度不高，甚至監(jiān)測失效。此外，根據電容式傾角傳感器監(jiān)測原理，傳感器僅能監(jiān)測二維平面上的傾角。因此，目前的工程應用通常監(jiān)測導航坐標系{O}中XOOZO平面上的支架姿態(tài)，其中XO軸指向煤壁，ZO軸指向頂板，YO軸指向采煤機運行方向。

為解決三維空間姿態(tài)監(jiān)測的難題，部分研究人員采用三軸陀螺儀，通過液壓支架的空間旋轉角度解析其空間姿態(tài)[51-52]。除此以外，也存在少量采用計算機視覺方法檢測液壓支架姿態(tài)的研究[53-54]。在三維空間內解析液壓支架姿態(tài)，需要將支架的幾何結構和三維空間旋轉角度結合，在理論上推理旋轉角度與支架高度、底座俯仰角和滾轉角等關鍵因素的關系，從而刻畫支架三維姿態(tài)。目前，這類理論研究尚未成熟。而采用計算機視覺方法檢測支架姿態(tài)存在2個關鍵性技術難題：一是如何克服井下煤塵和水霧的影響；二是如何在運動環(huán)境中對雙目視覺實現標定，即液壓支架推移過程中，如何確定世界坐標系(可假設世界坐標系與導航坐標系相同)與相機坐標系的映射關系。

雖然目前上述方法在工程應用中還未得到推廣，但部分技術具有很強的實用性。如文獻[54]提出基于深度視覺的液壓支架姿態(tài)檢測方法，采用雙目視覺攝像頭測量支架高度和頂梁姿態(tài)角，可獲得較高精度的姿態(tài)信息。此外，視覺SLAM(Simultaneous Localization and Mapping)技術[55-56]和激光SLAM[57]均可以獲取液壓支架的三維姿態(tài)信息，是目前人工智能技術應用于綜采工作面的又一重要領域。

液壓支架姿態(tài)的調整主要是通過支架的推移千斤頂、抬底千斤頂、底調千斤頂實現。目前，僅有推移千斤頂的油缸安裝有位移傳感器，采用開環(huán)控制方式。因此，對液壓支架姿態(tài)的調整現在仍處于人工調整階段。在智能開采模式下，對支架姿態(tài)進行自動精確調整，首先需要對上述3個千斤頂的控制實現閉環(huán)模式，建立必要的控制模型，設計合理的控制算法。

2.3.2 液壓支架自動跟機控制技術現狀及難點

液壓支架自動跟機控制技術是液壓支架群根據采煤機的運行方向和位置等信息，針對不同的采煤工藝，在采煤機運行前方執(zhí)行收護幫板，在采煤機后方執(zhí)行伸護幫板、伸伸縮梁、成組推移刮板輸送機、拉架等動作。這一系列動作是液壓支架、采煤機和刮板輸送機之間的協同控制，如圖9所示。

圖9 液壓支架群自動跟機示意

目前，液壓支架自動跟機控制技術在傾角較小、頂板條件較好的綜采工作面的中部應用較為成熟。其中，當采煤機位置和運行方向確定后，如何根據割煤工藝確定相應位置液壓支架的動作是自動跟機控制的核心。常用的方法有2種：一是建立采煤機與對應液壓支架動作的規(guī)則庫，以查表的方式確定支架動作[58-59]；二是建立采煤機位置與液壓支架位置之間的函數關系，在線直接求解液壓支架的動作[60-61]。但在實際工程應用中，由于地質條件和設備運行狀態(tài)的影響，仍然存在跟機緩慢、丟架、端頭跟機困難等問題，其主要原因包括以下2個方面。

1)液壓支架移架控制精度難題。液壓支架的移架控制是根據采煤機的運行速度，位于采煤機后方一定數量的液壓支架通過推移千斤頂移動到刮板輸送機的控制。液壓支架移架過程的主要受力如圖10所示。

F—液壓支架所受的頂板壓力；G—液壓支架的自身重力；α—工作面沿回采方向的傾斜角； β—推移千斤頂與液壓支架地板間的夾角

根據液壓支架的受力過程，可得推移千斤頂活塞桿的負載Fd為[62]

(3)

其中，f1和f2分別為液壓支架受到底板和頂板的摩擦力。由式(3)可知，推移千斤頂的負載與工作面傾斜度、頂板壓力、頂底板的摩擦因數密切相關。

在工作面回采過程中，上述參量會發(fā)生較大變化，從而導致推移千斤頂負載變化，特別是當頂板破碎時，液壓支架需要帶壓移架。此時，頂板壓力、頂板和底板對液壓支架的摩擦力變化較大，液壓支架成組移架時，推移千斤頂動力來自供液系統。如果推移油缸負載增大，而供液系統動力不足，則有可能導致支架移動速度過慢或者推移不到位，甚至使得部分支架缺乏動力無法移動，出現丟架。

為解決上述問題，文獻[62]對液壓支架推移的力學過程進行精確建模，分析了影響推移精度的主要因素。文獻[63]提出一種液壓支架的移架狀態(tài)識別方法，并綜合分析環(huán)境因素，通過選擇不同的控制策略，提升支架推移控制的精度。文獻[64]則在統計液壓支架移架時間長度的基礎上，通過置信度估計建立移架時間長度模型，從而確定各液壓支架移架時間，減少丟架的發(fā)生。

2)自動跟機自適應控制難題。液壓支架自動跟機控制需要完成“降-移-升”、護幫板伸縮、噴霧等成組動作。在頂板和底板地質條件較好、煤層分布均勻的工作面，上述自動跟機控制可以采用相對固定的順序邏輯，通過查表或者計算直接獲取液壓支架的執(zhí)行動作。然而受復雜地質條件和設備運行狀態(tài)的影響，部分執(zhí)行順序可能需要重新配置，如帶壓移架需要減少成組移架的數量、底板起伏則需要調整采煤機運行到可以移架的液壓支架的距離等。特別是當發(fā)生跟機緩慢、丟架等事件時，上述固化的順序邏輯控制有可能使得整個移架過程出現錯亂。因此，如何感知工作面的環(huán)境變化和液壓支架的自身工作狀態(tài)，使液壓支架具備自適應控制功能，從而實現智能跟機控制是目前面臨的一大難題。

2.3.3 工作面自動調直技術現狀及難點

在工作面回采過程中，液壓支架不斷推動刮板輸送機向著回采方向移動。在液壓支架推移刮板輸送機過程中，由于底板地質條件差異和刮板輸送機與液壓支架之間的鏈接間隙，使得在相同的推移方式下，各支架常產生不同的推移距離，造成了刮板輸送機的直線度較差。如圖11所示，采煤機的空間位置在地面的投影(XOOYO平面投影)顯示刮板輸送機彎曲變形，若長時間處于該狀態(tài)，容易引起刮板鏈條斷裂，直接影響生產。此外，工作面的推移會發(fā)生偏移，可能導致液壓支架支護不到位，從而影響工作面的安全。因此，在回采過程中需要經常對工作面進行調直。

圖11 工作面直線度變化

工作面智能調直需要解決工作面的直線度感知和工作面直線度調整2個關鍵技術。

1)工作面直線度感知。工作面直線度感知的實質是獲取刮板輸送機在導航坐標系{O}中的空間位置。在工程中通常以地面投影，即XOOYO平面投影作為直線度的量測對象，如圖11所示。目前，工程中常用的測試方法有鋼絲量測、測距傳感器量測、慣性導航反演量測、光纖光柵傳感器量測和機器視覺量測等幾種類型。

鋼絲量測是人工調節(jié)工作面直線度的主要方法。該方法是在工作面聯絡巷1根鋼絲，支架操作工以該鋼絲為基準，調節(jié)液壓支架的直線度。由于鋼絲2頭本身是固定在液壓支架上，其參考坐標實質是建立在液壓支架群上的固連坐標系，這可能會造成刮板輸送機的整體傾斜，如圖12a所示。

圖12 直線度檢測存在的問題

測距傳感器量測是采用超聲波傳感器、激光傳感器等測距元件，測量液壓支架與刮板輸送機之間的距離。這類方法測量的是以各液壓支架為基點的相對距離，理論上存在相對距離相同，但直線度較差的情況，如圖12b所示。

光纖光柵傳感器是在光纖中制作光柵，使其具備光柵效應。當光纖發(fā)生形變時，可以通過光柵效應檢測入射光線的波長變化，從而反演光纖曲率，確定光纖的外部形狀[65-66]。目前，采用光纖光柵傳感器在解決工作面調直問題時僅處于理論研究階段。

基于機器視覺的直線度檢測是采用工業(yè)高清攝像頭，通過檢測刮板輸送機的邊沿等特征信息，從而確定工作面的直線度[67]。這類方法容易受到工作面煤層和水霧的影響。此外，當采煤機覆蓋攝像頭視野時，由于缺乏刮板輸送機邊沿信息，使得機器視覺失效。

慣性導航裝置量測方法最早可以追溯到澳大利亞的LASC技術，通過光纖陀螺儀和加速度計測量采煤機在導航坐標系下的位置和姿態(tài)，并根據采煤機的運行軌跡確定工作面的直線度。通常情況下，導航坐標系采用“東-北-天”三軸坐標，因此工作面的直線度是相對于地心而言，可認為是工作面的絕對坐標系?；趹T性導航裝置的直線度量測方法是綜采工作面智能化的關鍵技術之一[68-69]。

2)工作面直線度調整。工作面直線度調整是在測定刮板輸送機當前狀態(tài)后，通過推移千斤頂使液壓支架達到指示的期望位置。目前工程應用中常用的調節(jié)方法可認為起源于澳大利亞的LASC系統，如圖13、圖14所示[70]。根據圖13中工作面的實際位置(輪廓線)及期望位置，給出需要移動的最佳距離，然后采用圖14所示的閉環(huán)基礎控制策略，通過對推移千斤頂的控制實現推移刮板輸送機和拉架，使工作面達到期望的直線度。

圖13 工作面直線度調整示意

圖14 工作面直線度調整基礎控制策略

在實際工程應用中，慣性導航裝置擬合出的前一刀工作面直線度的相對位置作為液壓支架推移刮板輸送機或拉架距離的參考值，這使得工作面直線度調整取得了較好的效果。但仍然存在兩方面的問題：一是慣性導航裝置擬合出的前一刀工作面直線度相對位置是刮板輸送機尚未推移刮板輸送機前的位置，而當前刀執(zhí)行工作面調直時，刮板輸送機已經推移刮板輸送機，使得擬合的參考位置在時間上落后一刀，從而造成參考位置精度不夠。二是由于液壓支架只能朝著煤壁前行而不能后退，這使得工作面的直線度不能通過震蕩調節(jié)實現。更為主要的是工程中使用的液壓閥是單相開關閥，且不能高頻率開關，這就使得控制算法失去了可靠的執(zhí)行機構。此外，底板和頂板的復雜地質狀態(tài)導致推移千斤頂的負載變化較大，因此，簡單的開環(huán)控制無法滿足調整精度的要求，從而影響工作面的直線調整。

2.3.4 工作面設備協同控制技術現狀與難點

綜采工作面液壓支架跟機、移架等控制本質上是采煤機、液壓支架群、刮板輸送機的協同控制。包括順序邏輯系統控制和設備運動狀態(tài)適配協同2種情況。其中，順序邏輯控制以采煤機位置變化為依據，動態(tài)確定對應液壓支架執(zhí)行動作。設備狀態(tài)適配協同主要是指采煤機牽引速度與液壓支架動作適配、采煤機割煤量與刮板輸送機運力適配等問題。目前，針對這一難題，多采用定性分析，獨立解決的思路[71-72]。然而，上述問題相互影響，單一解決某個問題，無法獲得較好的控制效果。為此，出現了部分從系統層面解決工作面設備系統控制難題的研究[73]，采用全局最優(yōu)規(guī)劃思路，建立工作面設備之間的空間位姿關系等多個模型，將全局最優(yōu)問題納入燃料最優(yōu)控制問題，并提出了一種多模態(tài)控制策略[74]。則基于數據驅動建立了工作面設備的協同控制模型，融合案例推理和規(guī)則推理的設備動作自主決策方法[75]。將工作面所有設備的動作看作一個混雜系統，并借用Petri網絡建立該混雜系統模型，分別處理設備的連續(xù)動作和離散事件。由于綜采工作面設備系統控制幾乎關系到所有設備，其系統建模和智能決策方法仍需要大量而深入的研究。

傳統的建模方法以系統傳遞函數或微分方程為基礎，根據設備的物理特性和動態(tài)過程建立嚴密的數學關系，并在此基礎上建立控制算法。在此框架下，采煤機、刮板輸送機、液壓支架群等設備均需抽象成為數學模型，再設置如安全約束、負荷約束等系統約束條件，同時根據需要優(yōu)化的性能指標，如生產效率、產量、能耗等，建立系統層級性能指標函數，最后采用最優(yōu)控制、自適應控制等理論設計控制算法，在設計算法時，通?？紤]系統的穩(wěn)定性、響應的快速性和控制的精確性。工作面設備集群控制流程如圖15所示。

D、S—設備的位姿空間和環(huán)境空間，D?Rm，S?Rn，其中m、n為位姿信息和環(huán)境的維度；di、si—第i個設備位姿信息和環(huán)境信息；f()—設備控制控制模型； J()—優(yōu)化性能指標； c()—控制算法

這類方法以嚴格的數學模型為基礎，在工作面系統模型涉及的設備太多、狀態(tài)變量之間的耦合關系難以用簡單的顯性數學表達式表述。因此，通常需要對系統復雜度進行大幅精簡才能設計合理的控制算法。鑒于上述情況，這類方法尚無法在工程中應用。

工作面設備群的智能控制方法一定程度上可以緩解系統建模和控制算法設計困難的問題，特別是模糊控制[54,76]、決策樹[77-78]等方法在解決單一設備控制方面具有一定優(yōu)勢。但以整個工作面設備為對象的智能控制仍然面臨系統建模不完備、狀態(tài)關聯關系不清晰、優(yōu)化性能指標過多等諸多問題。因此，采用單一的智能控制方法無法完成設備的集群控制。多智能體框架是解決復雜環(huán)境下多控制對象的有效方法[79-80]。將工作面所有設備轉換為智能體模型，智能體之間采用合作機制共同完成采煤任務。

2.4 供液系統智能化技術現狀及難點

供液系統是綜采工作面液壓支架的主要動力源，是液壓支架能否及時準確執(zhí)行給定動作的決定因素之一。綜采工作面供液系統如圖16所示，主要由綜合供水凈化站、乳化液自動配液站、乳化液泵站、高壓反沖洗過濾站和回液過濾站組成。工作面供水管中的地下水在供水凈化站中經過粗過濾、軟化和精過濾之后，形成pH值為6.5～7.5，硬度小于100 mg/L的純水。純水和礦用乳化油在乳化液自動配液站中按照既定比例配成乳化液。當液壓支架有供液請求時，乳化液泵站啟動將乳化加壓，通過高壓反沖洗過濾站后供應液壓支架千斤頂。當液壓支架回液產生后，乳化液經過回液過濾站后進入乳化液泵站。

圖16 綜采工作面供液系統

目前，綜采工作面供液系統是“機-電-液”一體的復雜系統，其智能化關鍵技術主要集中在智能協調控制[81]和故障智能診斷[82]2個方面。目前在工程應用中，由于對機械振動、磨損、爆管等機械故障及油污、油液磨損等油液品質檢測的機理研究尚未成熟，故障診斷主要集中在壓力、溫度、電流等常規(guī)的檢測參量。在智能協調控制方面，主要的關鍵技術是乳化液自適應恒壓供液及乳化液自動配比。

2.4.1 多泵恒壓控制技術現狀與難點

在工程應用中，供液系統的乳化液泵站一般包含2臺以上的乳化液加壓泵，為液壓支架提供高壓乳化液。乳化液加壓泵的運行方式決定了液壓支架供液的穩(wěn)定性。恒定的供液系統有利于液壓支架高效準確動作，提高工作面推進速度，確保工作面圍巖穩(wěn)定性。然而，液壓支架動作的種類、順序和數量對供液系統壓力的影響很大[81]，如何確保供液系統的壓力穩(wěn)定，是供液系統智能化的關鍵技術之一。

供液系統中，普通的運行模式是單泵或多泵長時間循環(huán)運行。當液壓支架不執(zhí)行動作時，容易造成壓力過大，沖擊溢流閥，延緩液壓支架移架跟機。而當多臺液壓支架同時執(zhí)行多個動作時，又容易造成乳化液壓力過小，導致液壓支架執(zhí)行動作緩慢。

目前，乳化液泵站多采用變頻器控制。系統通過流量和壓力傳感器檢測供液油路的狀態(tài)信息，反饋給變頻器啟停對應的加壓泵[83]。在工程應用中，為確保壓力的穩(wěn)定性，每一臺加壓泵的輸出端加裝有溢流閥，當供液回路中的壓力大于設定溢流閾值時，溢流閥打開，供液回路的乳化液通過溢油回路進入到泵站油箱中。由于溢流閥設定了供液回路的壓力上限，因此工程中僅通過簡單邏輯判斷來控制加壓泵的啟停，而忽略流量控制。在此情況下，多泵恒壓控制就簡化成了單輸入單輸出的線性控制系統。簡單的開關控制就可滿足工作面的供液需求，這也是目前關于多泵恒壓控制智能化算法研究不多的主要原因。

然而，該控制算法仍然存在供液壓力不穩(wěn)定的情況，容易出現加壓過緩或壓力沖擊的現象。為緩解壓力過緩就需要加大加壓泵數量，但是供液回路的壓力傳導本身具有時滯特征，這就導致了從控制算法上難以根植。為此，在供液回路設計了一種儲能器[84]，增加了物理上的壓力緩沖機構，可以有效地彌補算法的不足。而在算法層面，簡單的開關控制對單一泵的調節(jié)十分有效，但無法有效協調多個加壓泵工作。為解決這一問題，提出一種協同控制機制[81]，構建液壓支架跟機速度和供液系統壓力變化之間的映射模型，通過供液系統與液壓支架動作邏輯的交疊關系產生變頻器的控制規(guī)則，從而實現供液系統的恒壓自適應控制，并采用模糊控制方法研究了供液系統的流量穩(wěn)定問題[85]。

事實上，從混雜控制系統角度考慮，多泵恒壓供液系統是一種混雜系統，即控制系統中連續(xù)控制量和離散事件同時發(fā)生。其中，加壓泵的啟動和停止、溢流閥的打開和關閉均屬于離散事件，而變頻器動態(tài)調節(jié)供液壓力時則屬于連續(xù)控制量。因此，將乳化液加壓泵納入混雜控制范疇，研究系統模型和控制算法，可以從根本上解決恒壓供液問題。

2.4.2 乳化液自動配比技術現狀與難點

按照國家標準，綜采工作面乳化液配比質量分數需要控制在3%～5%。若濃度過低，將會增加機械磨損，損壞關鍵部件，縮短設備的使用壽命。若濃度過高則會增加乳化油的使用成本[86]。

乳化液自動配液站的凈化水通過水泵和減壓閥進入配比器。油箱中的乳化油在虹吸作用下，通過配比濃度調節(jié)閥進入配比器。其中，凈化水回路中的減壓閥和乳化油回路的配比濃度調節(jié)閥是乳化液配比濃度的關鍵設備。目前，這2個設備的調節(jié)均采用人工操作。當傳感器檢測到乳化液濃度超出允許范圍時，操作工手動調節(jié)減壓閥或配比濃度調節(jié)閥，從而使乳化液濃度達到要求[87]。然而，人工配比需要反復調節(jié)，調節(jié)時間長，且目前無法滿足無人化的要求。

為實現無人乳化液濃度精確配比，需要解決乳化液濃度檢測和調節(jié)閥的可控問題。目前，乳化液濃度檢測多采用濃度傳感器通過透光效應實現，但是檢測精度較低。因此，提升乳化液濃度檢測精度是關鍵難題。此外，針對調節(jié)閥可控的問題，通常的解決思路是分別采用油泵和水泵自動向配比器注入乳化油和凈化水。如文獻[88]設計了一種對沖噴嘴，凈水回路和乳化油路分別采用水泵和油泵控制二者的流量。但這類方法增加了系統的復雜性，且注入的水和乳化油的壓力均衡性得不到保障，常導致配液濃度不均勻的問題，實際工程中應用較少。因此，研制供液壓力均衡的可控調節(jié)閥是乳化液自動配比的又一關鍵問題。

2.5 運輸系統智能化技術現狀及難點

綜采工作面的運輸系統主要由刮板輸送機、破碎機和橋式轉載機組成。刮板輸送機將采煤機截割的煤運到橋式轉載機中，經過破碎機破碎后進入帶式輸送機送出地面。目前，刮板輸送機、橋式轉載機多采用高壓大功率變頻控制。運輸系統智能化的技術難點主要集中在刮板輸送機故障診斷、煤流檢測、負載均衡協調控制等方面。

2.5.1 刮板輸送機故障診斷技術現狀及難點

刮板輸送機的故障主要表現為電機故障和鏈條故障2類。大多數刮板輸送機由變頻器控制，而在變頻器中一般都具備成熟的檢測方法來保護短路、過載、欠壓等電機故障。因此，刮板輸送機的故障診斷主要集中在鏈條故障上，鏈條故障主要包括鏈條張力過大、松弛和斷鏈故障等。上述狀態(tài)都可以通過鏈條張力檢測系統實現，目前，張力檢測主要分為應變片壓力檢測、張緊油缸壓力檢測、舌板運動狀態(tài)檢測等方法。

應變片檢測是將電阻式單軸應變片緊貼于鏈條內側，通過檢測應變片的形變間接測量張力，張力數據通過無線方式傳出[89-90]。張緊油缸壓力檢測是在油缸中安裝壓力傳感器和位移傳感器，通過油缸壓力和位移反演鏈條張力[91]。刮板輸送機運動狀態(tài)檢測方法是通過霍爾元件等設備，檢測刮板輸送機上舌板的運動狀態(tài)，當舌板運動時，霍爾元件會檢測到均勻的脈沖，當發(fā)生堵轉和斷鏈時，脈沖消失[92]。

在實際的工程應用中，由于刮板輸送機的鏈條需要拉著堆煤運行，并且容易遭受落煤的撞擊，因此安裝在鏈條上的應變片容易損壞。而刮板輸送機上舌板容易受到堆煤干擾，且不能定量檢測張力，因此舌板運動檢測方法應用并不廣泛。目前，應用最多的是張緊油缸壓力檢測方法，但由于油缸壓力是鏈條張力的間接量，因此干擾因數較多，無法像應變片一樣精準檢測張力。

2.5.2 刮板輸送機智能調速與煤流檢測技術及難點

目前，刮板輸送機啟動后通常以額定速度運行。然而，當采煤機尚未割煤或割煤量較少時，刮板輸送機在額定速度下運行將造成較大的電力浪費。為降低系統能耗，刮板輸送機的運行速度應該與煤流量關聯。即負載煤流量少時，運行速度低；當負載煤流量達到一定程度后，以額定速度運行。目前，大多數綜采工作面的刮板輸送機均采用高壓變頻控制，具備動態(tài)調速功能，只要參考速度確定，即可設定刮板輸送機的運行速度。然而，在實際工程應用中，由于缺乏煤流量檢測方法導致無法提供參考速度，因此變頻器絕大部分僅使用了軟啟動功能，沒有實現速度的自適應調節(jié)。根據煤流量的精確檢測結果確定刮板輸送機的動態(tài)參考速度是智能變頻調試的基礎。目前，常用的煤流檢測有負載電流檢測法和斷面掃描法等。

負載電流檢測方法是通過對比刮板輸送機空載電流與負載電流之差來確定輸送機上的煤流量。然而，在實際工程應用中，刮板輸送機的舌板與槽之間的摩擦力較大，特別是在液壓支架推移刮板輸送機形成的S彎，不同的彎曲程度其摩擦力變化較大，從而導致電機的負載不均勻。因此，直接采用負載電流法檢測刮板輸送機上的煤流量出現的誤差較大。

理論上斷面掃描法是一種較為精確地煤流量檢測方法，如圖17所示。其中，機器視覺方案是在刮板輸送機上方安裝一個線激光發(fā)生器，并在一定傾斜角度上安裝攝像頭，獲取線激光在煤流表面的投射曲線，通過截面累積反演煤流量[93]。但是這一方法存在刮板輸送機邊界難以確定、光斑去噪、攝像頭污損等問題。激光掃描方案是在刮板輸送機正上方安裝一排激光測距裝置，通過每點的距離差求得煤的高度，從而反演煤流量。但是由于堆煤表面雜亂無章，反射的激光有可能不能進入接收裝置，從而導致測距不準。目前刮板輸送機的煤流檢測還處于理論研究階段，尚未有成熟技術應用工程實踐。

圖17 刮板輸送機煤流檢測斷面掃描法

3 綜采工作面智能化研究前沿及技術展望

3.1 綜采工作面智能化發(fā)展方向展望

人工智能方興未艾，仍有很多科學問題有待解決。在將人工智能最新研究成果引入到綜采工作面智能化過程中，同樣存在大量有待解決的技術難題。正如王國法院士指出的那樣，目前我國煤礦智能化開采尚處于初級階段[94]，與所期望的煤礦智能化開采還有很大的差距。綜采工作面成套設備系統龐大，更加需要厘清關鍵科學問題和技術難點，逐步實現綜采工作面的智能化開采。

從控制學的角度分析，綜采工作面智能化的關鍵問題是以智能控制為核心，構建控制系統模型、完備系統感知信息、設計控制算法和決策策略。其中，系統模型的構建依賴于感知信息，控制算法與決策策略則基于系統模型。由于開采環(huán)境復雜和開采工藝過程高度耦合，導致信息感知和系統建模較為困難，這也是阻滯綜采工作面智能化提高的關鍵科學問題之一。

隨著人工智能技術的發(fā)展，機器視覺、激光掃描、電磁波透射、多傳感器融合等檢測手段和分析方法將大幅提升系統的信息感知能力；同時，各類深度神經網絡和數據回歸方法將進一步增強高維非線性強耦合控制系統的建模能力，為系統的智能控制與最優(yōu)決策提供基礎。此外，在強化學習、自適應動態(tài)規(guī)劃等控制策略和方法的指引下，以多智能體理論為框架，以反饋、學習和優(yōu)化為技術手段，這是實現綜采工作面全面智能化的重要技術路徑。在上述技術突破后，綜采工作面主要設備的控制可徹底實現智能化。

1)液壓支架智能化展望。液壓支架具備轉換為機器人的基本條件。當完成姿態(tài)、環(huán)境等信息感知后，再結合相應的控制算法，依照工藝和環(huán)境變化自主完成安全支護、姿態(tài)調整、精確推移刮板輸送機等動作。在此情況下，液壓支架可視為一個智能體。進而可在多智能體框架下，將單一的液壓支架上升為整個工作面所有支架的多智能體集群控制，從工作面全局實現支護效益、直線度調整等性能的最優(yōu)控制。此外，以大數據分析為支撐，液壓支架的故障診斷及預測技術取得突破，故障信息及維修措施將及時送達維護中心，這將極大減輕故障的排查及維修工作。

2)采煤機智能化發(fā)展方向。采煤機的運動范圍大，滾筒調節(jié)精度要求較高。若煤巖在線識別技術取得突破，或在透明工作面信息指引下，結合多信息融合技術繞開煤巖在線識別這一技術難題，采煤機結合慣性導航、煤機牽引及滾筒調高自適應控制、故障診斷及預測等技術可實現全面智能化。此外，采煤機在整個工作面運行，可作為移動平臺，搭載三維激光掃描儀或雙目視覺系統，結合慣性導航裝置，對整個工作面實現三維動態(tài)建模，從而為各設備的智能控制提供更加豐富完整的判斷信息。

3)運輸系統智能化發(fā)展方向。綜采工作面的運輸系統控制相對簡單，但包括刮板輸送機、轉載機和帶式輸送機等，空間分布更加廣泛。在突破煤流量檢測等關鍵技術后，運輸系統可實現智能的低功耗運行，將極大地節(jié)約生產成本。此外，在煤進入裝載機之前，加入視頻目標檢測系統和雜質分揀裝置，可實現錨桿、鐵皮等雜質的檢測和分揀。同時，視頻目標檢測實現了輸送帶堆煤、溢水、人員越界等異常事件的檢測與識別。結合工作面其他信息，實現與其他煤機設備的聯動預警和緊急控制。

3.2 煤礦綜采與人工智能交叉領域研究前沿及技術展望

3.2.1 計算機視覺在智能化開采中的研究前沿及技術展望

以深度神經網絡為代表的新一代人工智能技術使得計算機視覺的研究與應用取得突破性進展。將計算機視覺先進的研究成果應用于綜采工作面，將大幅提升環(huán)境信息的感知能力。然而，井下環(huán)境特殊，煤塵、水霧嚴重，且塵霧的濃度和空間分布存在嚴重的隨機性。因此，首先需要對視頻圖像進行清晰化處理[95-96]，這也是目前機器視覺應用到煤礦井下的難點之一。構建合適的深度神經網絡，建立隨機非均勻塵霧圖像的優(yōu)質化模型是有效的解決辦法。提出一種雙胞胎深度神經網絡，實現了隨機低質圖像的優(yōu)質化[97]，這為煤礦井下煤塵、噴霧等引起的降質圖像的清晰化奠定了基礎。

煤巖識別、煤矸識別是機器視覺在綜采工作面的重要研究方向。但由于井下光照、煤塵、噪聲等因素的影響，使得傳統的方法難以達到較好的識別效果，深度卷積神經網絡的興起，為破解這一難題提供了新的思路[24,98-99]。近年來，重點設備自動跟蹤成為計算機視覺在綜采工作面中的應用熱點，如圖18所示?？梢灶A見，在視頻目標跟蹤實現之后，實現目標行為理解，能有效提升決策系統的信息感知能力，有利于系統決策與優(yōu)化控制。

圖18 工作面關鍵視頻目標跟蹤

3.2.2 基于激光點云的智能化開采研究前沿及技術展望

激光對井下煤塵和水霧具有較強的穿透能力。采用激光對巷道和工作面進行三維掃描，并在獲得的點云數據集上實現巷道和工作面三維地圖構建、目標檢測與識別，對建立無人化工作面具有重要意義。

點云數據包括三維坐標、激光反射強度和顏色等信息。由于呈點狀分布且數量巨大，傳統的數據分析方法無法建立從點云數據集到物理三維空間的映射模型。得益于深度神經網絡對非線性、強耦合模型的超強擬合能力，激光掃描和點云信息重建技術得到了大幅提升，并已經延伸到煤礦井工開采過程中[100]。激光點云數據三維重建的核心設備是三維激光掃描儀[101]，如圖19a所示。目前，少量煤礦開展了工作面三維重建的試驗[26,102]，如圖19b所示。當激光點云工作面三維重建實現之后，對于人員與設備定位、頂板災害預測、煤壁片幫檢測及圍巖穩(wěn)定性分析等具有重要意義。

圖19 激光掃描三維地圖構建

3.2.3 透明工作面研究前沿及技術展望

在盤區(qū)開采前，需要對礦區(qū)煤層賦存條件、地質結構、瓦斯分布、水文地質等進行綜合調查，在此基礎上對盤區(qū)開采進行規(guī)劃。在智能采礦條件下，礦區(qū)地質模型縱深化發(fā)展，精確的地質模型作為設備運行的輸入參數，直接指導采煤機、液壓支架等設備運行。三維地質模型及透明工作面技術在新一代人工智能技術的促進下，有了長足進步[103-104]。其中，三維地質模型的精度從十米級向亞米級邁進，建立更加精準的工作面三維地質模型成為研究重點。

目前，綜合地質模型以三維地震勘探及地面網格鉆孔為主，主要方法是在三維地震探測的基礎上建立基本的地質模型。一般首先通過網格化鉆探的地質數據進行校正，形成初步的地質模型。然后根據工作面建設過程中探明的煤層賦存、水文條件等地質信息對初步模型進一步修正和精細化。再采用電磁波物探等方式對回采區(qū)域進行精確探測，確認回采區(qū)域的瓦斯富集、地質斷層等情況，對地質模型再次進行增補和校正。最后，在回采過程中根據探明的地質條件對精確的地質模型進行最后的修正。其中，電磁波煤層透視是透明工作面的關鍵技術之一，煤層電磁波透視及工作原理如圖20所示。

圖20 煤層電磁波透視儀及工作原理

煤層電磁波透視的主要理論基礎是Radon變換及其反變換，即電磁波投射角從0°～180°連續(xù)積分可得到完整的煤層內部信息[105]。但在實際應用中，電磁波透射是離散的稀疏探測點，對煤層內部狀態(tài)反演較為困難[106]。從信息學角度理解電磁投射原理，可認為Radon變換及反變換。其實質是尋找從接收的電磁波信號到實際地質分布之間的映射關系。因此，引入深度神經網絡可實現對該映射的擬合，其運用原理如圖21所示。圖中,A1～A4表示電磁波發(fā)射點；電磁波透過煤壁后，從B1～B4接收信號。電磁波信號從A側到B側可認為是電磁波透過煤壁后提取了煤壁的內部特征，是一個編碼(Encoder)的過程，而B1～B4則是編碼輸出。為了反演煤層內部信息，采用深度神經網絡構造解碼器(Decoder)，對特征輸出進行轉置卷積上采用，從而得到煤壁內部信息。隨后，接入一個深度神經網絡，用于劃分異常區(qū)域與類別，從而精確圈定并判別煤壁內部異常區(qū)域及類型。

圖21 基于深度神經網絡的電磁波透視示意

3.2.4 綜采工作面大數據挖掘研究前沿與技術展望

隨著煤礦自動化、信息化建設的推進，大量工業(yè)傳感器、攝像頭、控制設備通過現場總線、工業(yè)以太網等數據鏈路將實時數據傳輸到數據處理中心，形成煤礦生產環(huán)節(jié)的基礎數據。在此基礎上，匯集煤礦地質數據、設備信息、管理臺賬等，構成煤礦數據分析的主體。此外，社會經濟形勢、科學研究成果等遠程知識數據，構成煤礦數據分析的外延，在龐大的煤礦數據中，如何挖掘數據價值是目前面臨的主要問題。數據挖掘的本質是從數據樣本中尋找特征，建立模型，實現功能性判斷與預測。隨著人工智能技術發(fā)展，大數據分析方法和手段發(fā)生了較大變化。數據特征可實現自動提取，高維非線性模型的逼近能力大幅增強，從而使得判別和預測能力大幅提升。

目前，煤礦大數據分析的重點是關注數據分析的基礎架構、數據清洗及單一事件預測等問題[30]；煤礦人員定位、距離測量、逃生路徑規(guī)劃等位置服務問題中的關鍵技術也是大數據分析與預測的范疇[107]。此外，煤礦水害防治[92]、監(jiān)測系統異常數據識別[93]等領域的建模與信息獲取，均可采用大數據分析得到解決。隨著數據挖掘、機器學習技術的縱深發(fā)展，綜采工作面開采過程中的設備運行狀態(tài)預測、故障診斷、綜合信息分析等問題將可得到較好的解決。

3.2.5 綜采工作面設備群體智能決策與控制研究前沿與技術展望綜采工作面設備眾多，各設備在開采過程中時序動作相互耦合。在確保作業(yè)安全的前提下，根據不同的采煤工藝，耦合的次序和程度將發(fā)生改變。在無人開采模式下，固定的控制流程無法適應工作面復雜的環(huán)境變化。因此，需要在系統層級建立各設備的智能協調機制，以確保工作面設備間相互協同，共同應對環(huán)境變化引起的系統擾動。

目前，在工作面設備的系統控制中，協調控制主要體現在采煤機、液壓支架與輸送機之間的采-支-運協同，以及液壓支架之間的動作協同。從控制學角度出發(fā)，建立各設備之間的關聯關系模型，在多智能體的框架下可實現采煤機、刮板輸送機、液壓支架群的智能決策和控制。

強化學習是多智能體框架下，實現最優(yōu)協調控制與智能決策的有效方法[108]。在強化學習學決策過程中，將液壓支架、刮板輸送機、采煤機的動作決策抽象成馬爾可夫過程，采用Q-learning[28]、Deep Q-network[29]等強化學習機制，可實現多智能體的最優(yōu)決策，這也是未來綜采工作面設備智能協調控制的重要途徑之一。

4 結 語

1)以深度神經網絡為代表的人工智能技術，重點是在強非線性建模方法上取得了重大突破，能切實解決綜采工作面智能化過中的信息感知、數據分析與推理、系統決策等方面的部分問題。隨著人工智能研究的深入，在圖網絡(Graph Network)、元學習(Meta Learning)、Transformer架構等方面取得進一步突破，并將其轉換到綜采工作面智能化的科學問題中，逐個攻克各個關鍵技術難題，從而全面深度實現綜采工作面的智能化開采。

2)在綜采工作面智能化過程中，仍然存在大量涉及控制、機械、地質等學科的基礎性問題需要解決。如液壓支架推移的閉環(huán)控制問題、設備姿態(tài)檢測建模問題、工作面空間絕對坐標定標問題等。受這類問題的牽制，人工智能技術在綜采工作面的應用和推廣受到較大限制。因此，夯實基礎，扎實推進解決基礎性問題，是人工智能技術可以應用于綜采工作面的前提。

3)綜采工作面智能化是一個系統工程，人工智能技術應用于綜采工作面需要充分考慮采場環(huán)境、采煤工藝、控制邏輯等諸多耦合因素引起的適應性條件。如機器視覺應用于工作面時必定面臨的煤塵和水霧干擾問題、智能控制應用于液壓支架群控制時必須考慮支護安全問題等。因此，通過基礎研究，打通人工智能技術與綜采工作面之間的梗阻，擴大人工智能技術在綜采工作面的適應范圍，是人工智能技術在綜采工作面工程化的關鍵。