国内外煤岩界面识别技术研究动态综述

煤岩界面识别 (CII)能使采煤机具有自动追踪煤岩界面的能力 ,不仅有助于引导煤矿井下采煤自动化 ,提高生产效益 ;还能减少那些在选煤过程中必须除去的岩石和其它矿物含量。它既可用于人工操作的采煤机 ,也可用于计算机控制的采煤机。可靠的CII系统在经济效益和安全作业两方面都具有突出的优点 ,它提高煤层的采出率 ;降低煤中的矸石、灰分和硫的含量 ;提高采煤作业效率 ;减轻设备磨损 ;减少设备维修量和停机时间 ;由于振动较小 ,降低了空气中的岩尘含量 ,并可使作业人员远离危险工作面     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

基于视觉技术的煤岩特征分析与识别

为研究煤岩自动识别技术,提出了一种基于视觉技术的煤岩特征分析与识别方法。首先根据煤和岩石图像分析煤岩纹理差异;然后根据灰度共生矩阵分别计算煤和岩石纹理特征向量;最后选择计算出的纹理特征向量作为神经网络输入来分别识别煤和岩石2种情况。实验结果表明,煤和岩石纹理特征值差别较大,采用能量、对比度、相关性和熵作为特征向量均可实现煤和岩石自动识别,且以熵值作为特征向量的煤岩识别效果最好。     

基于信号分析的煤岩分界识别技术研究

采煤机工作时,摇臂弯曲应力和调高油缸压力的变化间接地反映了滚筒不同的工作状态。通过试验,对切割假煤壁和岩石所获取的应力信号进行分析,并利用这些信号研究了煤岩分界识别技术。结果表明,切割煤壁、岩石信号的功率谱和相关函数及均方差回归参数均有明显差异,可以对采煤机切割状态进行识别。     

煤岩界面识别技术研究

煤岩界面识别系统是综采工作面智能化生产的重要环节,总结了目前国内外各种煤岩界面识别的技术方法,分析了各种方法的优缺点及其应用场合,展望了未来煤岩界面识别技术的发展方向,对煤矿的智能化生产具有重要意义。     

煤岩界面的高光谱识别原理

为研究以物性成分为辨识依据的煤岩高光谱识别技术,对来自我国不同煤矿生产线的煤岩试样在350~2 500 nm波段范围进行了反射光谱的采集。通过分析代表性样品的光谱反射率曲线,得出了煤岩的主要吸收谱带,发现了岩在2 200 nm附近表现为强吸收,而煤在此波长点附近吸收不明显,原因为岩中含Al-OH振动结构的矿物含量较高,而煤中此类矿物含量较低。以此2 200 nm附近煤岩吸收差异性为煤岩识别的基本原理,通过初步预处理和包络线去除预处理的方法,在全波段和2 150~2 250 nm吸收谷特征谱带,采用了4种识别算法模型,对训练集光谱数据进行训练,预测测试集光谱类型。测试集试样类型总体识别精度达到90%左右,且具有较好的一致性,识别速度达到毫秒级,实时性好,这些原理和识别方法为实际工程应用提供了参考。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

掘进机煤岩识别技术研究与应用

随着王庄矿大采高综合自动化工作面的实施,矿井采掘衔接矛盾更加突出,这就要求我们必须寻找掘进先进技术。通过巷道煤岩识别技术,来控制掘进机按规定巷道断面截割,并且可以有效区分煤、岩,可以杜绝掘进机割破底板或(顶板),保证掘进机按规定线路截割,从而真正实现掘进自动化截割、机械化打设锚杆,减轻工人的劳动强度,提高掘进效率。     

基于太赫兹光谱技术的煤岩识别方法

煤岩识别是无人化开采中的重大问题,为了研究基于太赫兹谱的煤岩识别方法,首先应用太赫兹时域光谱技术对不同矿井采集来的煤岩样本进行了实验,得到了煤岩样本的太赫兹谱。然后计算出煤岩样本的折射率谱和吸收谱,并分别将其作为训练集和测试集。研究不同支持向量机参数对建模以及煤岩分类结果的影响。结果表明,通过合理的寻优方式,并利用煤岩的吸收特性和折射特性等样本的固有属性,可以建立稳定的THz-SVM的煤岩识别模型,从而可以快速稳定地区分出煤岩介质,这也意味着可以通过该方法来描述采煤机的截割状态(割煤/割岩),从而为采煤机自动调高提供依据。     

独立分量分析法在综采煤岩界面识别中的应用

介绍了独立分量分析(ICA)理论,将ICA方法用于对放顶煤过程中产生的混合声波信号的处理,并给出了煤岩界面识别技术的实现方法。试验结果表明,ICA方法可以较好地分离出混合声音信号中独立的源信号,根据独立信号的频谱差异,能够确定煤和矸石的混合比例,实现煤岩界面的识别。     

基于Faster R-CNN的煤岩 识别与煤层定位测量

传统机器学习的煤岩识别技术大多数采用的是手工设计图像特征,并结合滑动窗口的方式对煤岩图像进行特征提取,再经过分类器进行分类和识别,存在图像特征设计难度大、耗时长、泛化性差等缺点。针对传统机器学习的这些缺点,采用了一种基于机器深度学习Faster R-CNN的煤岩识别方法。首先利用采煤机上的监控摄像机现场采集煤岩图片数据集,将图片输入到VGG16卷积神经网络,对煤岩图像特征进行提取,将提取出来的特征图经过区域建议网络(Region Proposal Network),对图像上的煤岩进行初步定位与分类,最后经过R-CNN网络精确定位分类,输出煤层边界点的像素坐标值。解算出监控摄像机内外置参数,结合理想针孔线性成像模型,将图片中所定位到的煤层边界点(煤层角点)的像素坐标值转化成矿井测量坐标值,为采煤机自动调整滚筒空间位置提供数据依据。     

基于钻孔返渣图像的煤岩界面识别方法研究

为满足未来煤矿井下钻孔机器人对智能化施工的要求,针对钻孔返渣中只有岩屑和煤渣,且二者颜色特征差异大的特点,利用返渣图像特征进行了煤岩识别技术研究。结果表明:研究的煤岩界面识别方法主要包括图像预处理、阈值分割和图像识别3个步骤;其中图像预处理先采用HSV颜色空间进行转换以提取明度分量,再采用高斯滤波进行图像去噪,最后采用拉普拉斯方法实现图像增强;将预处理图像采用固定单阈值分割方案进行图像分割,并以实验采集数据为例,利用最大类间方差法确定了采集样品图像的固定阈值为115;最后在图像分割的二值图像基础上,通过计算煤渣和岩屑在图像像素点总数中各自所占比例,进行煤岩标识,再通过分析场景中采集的大量样本数,设置不同煤层条件下煤、岩界限的阈值,从而实现了图像识别。     

基于高斯混合聚类的煤岩识别技术研究

根据煤矿工作面煤与岩石的性状不同,基于聚类分析的基本原理、应用高斯混合模型、借助数字图像处理技术,对工作面的煤岩界面图像进行了分析和研究,提出了一种基于高斯混合聚类算法的煤岩识别技术。应用过程为通过布置工作面采集装置、采集工作面煤岩数据,应用不同的图像处理技术手段分析工作面煤岩数据、计算工作面煤岩分界数据。经测实验证,高斯混合聚类算法的技术手段能够为部分煤矿工作面煤岩界面识别的研究提供参考。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

煤岩压裂多裂缝风险识别及防治机理研究

为了提高煤层气井压裂施工成功率,并掌握施工压力与裂缝形态之间的响应规律,基于140余口煤层气井压裂施工曲线,分析总结了煤岩压裂具有破裂压力不明显,平均施工压力较高,前置液阶段恒定排量时施工压力不断上升等特点。同时从物模实验、G函数分析、净压力拟合3个方面进行了论证研究,认为多裂缝起裂、延伸是上述特点产生的主要原因。研究结果表明:多裂缝延伸时破裂压力不明显或破裂后压力继续上升,平均实验压力偏高;G函数、净压力拟合分析显示煤岩压裂出现多裂缝现象。基于以上研究,提出可调式多段塞压裂工艺防治多裂缝延伸,施工结果表明该工艺可大幅提高煤层气井压裂的一次施工成功率。     

采煤机截割状态与煤岩识别的关联载荷特征模型

针对采煤工作面煤层的厚度变化、含夹矸和包裹体的不确定性,以及复杂煤岩占比和岩层位置辨识的差异,致使采煤机在截割过程中会产生无效调整截割高度的情况,影响其可靠性和智能化技术水平。截割煤岩载荷特征及其关联截割状态的模型可以预测、修正和决策采煤机截割行为,提升采煤机智能化程度。借鉴多信息实时修正记忆截割与煤层三维地质信息建模等方法,提出了采煤机自主调高-调速二元协同控制模式及截割状态关联特征模型,考虑煤岩赋存条件以及滚筒相对煤岩层的位置和工作参数,划分滚筒截割过程为顺转截割、逆转截割、向和逆自由面截割以及截割顶底板和夹矸等截割状态,分析截齿截割煤岩的过程与状态,构建了向和逆自由面截割状态特征量的数学模型和截割顶底板位置与占比的识别定量载荷关联特征模型,给出了截齿垂直、平行于层理方向截割力的累计占比计算方法,通过旋转截割实验验证截割煤岩载荷特征模型的准确性。根据截割顶、底板、夹矸岩层前后载荷变化导致的截割电机电流变化规律与调高液压缸两腔压力的关联性变化规律,结合截割状态的关联载荷特征模型,修正与预测截割状态和岩层位置,确定了修正采煤机调高调速行为协调控制的截割状态特征参量。研究表明:向自由面截割煤岩断裂位置大于逆自由面的,向自由面易于破碎煤岩,且截割载荷与比能耗均小;分别获取截齿截割顶底板载荷增量与方向角,载荷增量均与岩层厚度呈正相关性,但截割顶底板方向存在明显差异;随截割夹矸岩层厚度增加,截齿截割载荷增大,且截割载荷与夹矸位置呈抛物线关系;给出截齿垂直和平行层理截割力特征值占比的度量,反映截割顶板易于截割底板的特征;截齿向自由面截割煤岩理论和实验的截割阻力功特征值、断裂位置和断裂崩落线与截割点垂线夹角的平均误差分别为3.10%,3.37%和8.07%,验证了截割煤岩状态特征量数学模型的正确性。该研究通过给出融合载荷特征的截割状态修正与煤岩状态识别的理论基础描述,为进一步精准实现智能化采煤机调高-调速二元协调控制提供了借鉴。     

采煤机截割状态与煤岩识别的关联载荷特征模型

针对采煤工作面煤层的厚度变化、含夹矸和包裹体的不确定性,以及复杂煤岩占比和岩层位置辨识的差异,致使采煤机在截割过程中会产生无效调整截割高度的情况,影响其可靠性和智能化技术水平。截割煤岩载荷特征及其关联截割状态的模型可以预测、修正和决策采煤机截割行为,提升采煤机智能化程度。借鉴多信息实时修正记忆截割与煤层三维地质信息建模等方法,提出了采煤机自主调高-调速二元协同控制模式及截割状态关联特征模型,考虑煤岩赋存条件以及滚筒相对煤岩层的位置和工作参数,划分滚筒截割过程为顺转截割、逆转截割、向和逆自由面截割以及截割顶底板和夹矸等截割状态,分析截齿截割煤岩的过程与状态,构建了向和逆自由面截割状态特征量的数学模型和截割顶底板位置与占比的识别定量载荷关联特征模型,给出了截齿垂直、平行于层理方向截割力的累计占比计算方法,通过旋转截割实验验证截割煤岩载荷特征模型的准确性。根据截割顶、底板、夹矸岩层前后载荷变化导致的截割电机电流变化规律与调高液压缸两腔压力的关联性变化规律,结合截割状态的关联载荷特征模型,修正与预测截割状态和岩层位置,确定了修正采煤机调高调速行为协调控制的截割状态特征参量。研究表明:向自由面截割煤岩断裂位置大于逆自由面的,向自由面易于破碎煤岩,且截割载荷与比能耗均小;分别获取截齿截割顶底板载荷增量与方向角,载荷增量均与岩层厚度呈正相关性,但截割顶底板方向存在明显差异;随截割夹矸岩层厚度增加,截齿截割载荷增大,且截割载荷与夹矸位置呈抛物线关系;给出截齿垂直和平行层理截割力特征值占比的度量,反映截割顶板易于截割底板的特征;截齿向自由面截割煤岩理论和实验的截割阻力功特征值、断裂位置和断裂崩落线与截割点垂线夹角的平均误差分别为3.10%,3.37%和8.07%,验证了截割煤岩状态特征量数学模型的正确性。该研究通过给出融合载荷特征的截割状态修正与煤岩状态识别的理论基础描述,为进一步精准实现智能化采煤机调高-调速二元协调控制提供了借鉴。     

含噪超完备独立分量分析在综放煤岩识别中的应用

根据放顶煤时产生的声波种类、数量和环境特点，将含噪的超完备独立分量分析（overcomplete ICA）方法应用于放顶煤过程中产生的煤岩混合声波信号的分离。仿真结果表明，在欠定盲源分离情况下，通过此方法可以较完整地辨认出各盲源信号。通过各盲源信号的有效分离，便可确定顶煤中煤和矸石的比例，实现煤岩界面的识别。