煤礦巷道智能掘進關鍵共性技術

馬宏偉王世斌毛清華石增武張旭輝楊 征曹現(xiàn)剛薛旭升夏 晶王川偉

(1.西安科技大學機械工程學院,陜西西安 710054;2.陜西省礦山機電裝備智能監(jiān)測重點實驗室,陜西西安 710054;3.陜西煤業(yè)化工集團有限責任公司,陜西 西安 710070;4.陜西陜煤榆北煤業(yè)有限公司,陜西 榆林 719000;5.陜西小保當?shù)V業(yè)有限公司,陜西 榆林 719000)

隨著《中國制造2025》戰(zhàn)略的深入實施,國家高度重視煤炭工業(yè)智能化發(fā)展,2019-01-02 國家煤監(jiān)局發(fā)布了《煤礦機器人重點研發(fā)目錄》,2020-02-25國家發(fā)展改革委等八部委聯(lián)合印發(fā)了《關于加快煤礦智能化發(fā)展的指導意見》。在煤炭人的共同努力下,綜采工作面智能化初見成效,而綜掘工作面智能化嚴重滯后,導致采快掘慢,比例失衡,嚴重影響著煤礦安全、高效、智能生產(chǎn)。

目前煤巷掘進方式主要有4 種[1-3]:①以懸臂式掘進機為主的綜合機械化作業(yè)方式;②連續(xù)采煤機與錨桿鉆車配套作業(yè)方式;③掘錨一體機作業(yè)方式;④包含截割、臨時支護、鉆錨等智能掘進系統(tǒng)作業(yè)方式。美國、澳大利亞、瑞典、英國廣泛采用掘錨一體化技術,實現(xiàn)了自動截割、輸送設備監(jiān)測和自動控制,以及掘進和錨護并行作業(yè)。我國對掘進、錨桿支護設備及自動化技術研究起步較晚,國內(nèi)的西安科技大學和西安煤礦機械有限公司、中國煤炭科工集團太原研究院、中國鐵建重工集團等單位在掘進成套裝備研發(fā)方面走在前列,研發(fā)的智能掘進成套裝備實現(xiàn)了掘進、支護、運輸并行連續(xù)作業(yè),并實現(xiàn)了遠程監(jiān)測監(jiān)控,有效提高了掘進效率和自動化程度。我國煤礦賦存條件復雜,掘進工作面環(huán)境惡劣,亟需研發(fā)智能掘進系統(tǒng),對于全面提升煤礦巷道掘進裝備和工藝水平,最大限度的解放生產(chǎn)力,確保煤礦巷道安全、高效、綠色、智能掘進具有極其重要的意義。

近年來,國內(nèi)外對煤礦掘進智能化的研究不斷深入,已經(jīng)成為研究的熱點。主要聚焦在智能截割技術、智能導航技術、智能協(xié)同控制技術和遠程智能測控技術等方面。

(1)智能截割技術研究現(xiàn)狀。在掘進裝備的定形截割方面,劉治翔等運用機器人運動學分析方法,建立截割頭在巷道斷面坐標系中的運動學方程,并利用蒙特卡洛模擬方法分析了不同油缸位移傳感器誤差等級對截割頭在巷道空間內(nèi)定位精度影響規(guī)律[4]。張旭輝等提出了懸臂式掘進機視覺伺服截割控制系統(tǒng),采用PID 控制方法建立了懸臂式掘進機視覺伺服截割控制模型[5]。毛清華等建立了懸臂式掘進機控制系統(tǒng)傳遞函數(shù)模型,運用PID 控制方法實現(xiàn)了精確截割控制[6]。

在掘進裝備的自適應截割方面,國內(nèi)外主要研究截割臂擺速自適應控制方法,分別為基于油缸壓力判斷和截割電流判斷的截割臂擺速調(diào)節(jié)方法。國外一些機構(gòu)如奧地利奧鋼聯(lián)、德國?？嘶舴蚬?、英國DOSCO 等主要研究基于油缸壓力判斷的截割臂擺速自適應控制方法,研發(fā)了負載敏感型液壓閥。國內(nèi)主要對基于截割電流判斷的截割臂擺速自適應控制方法進行了較為深入的研究。W YANG 等將截割電機電流作為截割載荷變化的判斷依據(jù),基于PID 控制對回轉(zhuǎn)油缸的伸縮速度進行調(diào)節(jié),實現(xiàn)了截割臂擺速自適應控制[7]。宗凱等針對掘進機截割過程中煤巖硬度急劇變化時,截割臂擺動速度無法迅速調(diào)節(jié)以適應當前截割載荷這一實際問題,提出了一種基于BP神經(jīng)網(wǎng)絡的截割臂擺速控制策略來實現(xiàn)截割電機恒功率輸出[8]。

(2)智能導航技術研究現(xiàn)狀。張旭輝等以巷道中的激光束為特征,建立掘進機機身位姿視覺測量模型,通過空間矩陣變換求解得到掘進機的位姿信息[9]。薛光輝等通過建立基于激光靶向掃描的掘進機位姿測量系統(tǒng)模型,從而解算出掘進機相對巷道坐標系的位置和姿態(tài)信息[10]。但是激光的穿透力有限,井下粉層較大的情況下定位誤差較大。慣性導航測量存在隨著時間增長產(chǎn)生累積誤差問題,通常需要將慣導和其他傳感器構(gòu)成組合測量系統(tǒng),提高測量精度[11]。于永軍等采用慣導與視覺組合,提高了定位精度[12]。筆者等提出基于“慣導+數(shù)字全站儀”的掘進機器人系統(tǒng)位姿檢測方法,實現(xiàn)掘進機器人系統(tǒng)精確定位定向[13]。楊文娟等提出了一種通過共面約束幾何建模和標定提升井下視覺定位精度的新方法,有效解決了基于激光標靶的煤礦井下移動設備精確定位難題[14]。盧新明等構(gòu)建了基于慣性導航儀、指北儀和具有跟蹤功能的全站儀等設備的物聯(lián)網(wǎng),實現(xiàn)了精確可靠的實時定位和掘進機的機器人化[15]。

在智能導航控制方面,筆者等針對煤礦井下移動機器人自主導航問題,構(gòu)建了基于深度相機的機器視覺系統(tǒng),提出了一種基于深度視覺的導航方法[16]。張敏駿等針對傳統(tǒng)掘進機行駛性能與糾偏控制未考慮滑移及巷道傾角的問題,建立了綜合考慮巷道傾角與履帶滑移的掘進機糾偏運動學模型,提出了基于神經(jīng)網(wǎng)絡PID 的掘進機糾偏運動控制算法,實現(xiàn)了控制參數(shù)的在線實時修正與調(diào)整,保證了控制效果的最優(yōu)性[17]。張旭輝等針對在煤礦井下高粉塵、低照度環(huán)境中,掘進機器人定位與控制精度不高的問題,設計了一種基于視覺測量的快速掘進機器人糾偏控制系統(tǒng),通過激光和視覺傳感器對快速掘進機器人定位,采用PID 控制算法實現(xiàn)糾偏控制[18]。

(3)智能協(xié)同控制技術研究現(xiàn)狀。煤礦智能掘進系統(tǒng)主要包括智能截割系統(tǒng)、智能臨時支護系統(tǒng)、智能鉆錨系統(tǒng)、智能錨網(wǎng)運輸系統(tǒng)、智能運輸系統(tǒng)和智能通風除塵系統(tǒng)等多個智能子系統(tǒng)。在實現(xiàn)單個子系統(tǒng)智能控制的基礎上,如何實現(xiàn)對煤礦智能掘進系統(tǒng)多個任務并行與多個子系統(tǒng)智能協(xié)同控制成為重要研究內(nèi)容之一[19]。

協(xié)同控制主要包括2 個方面[20]:①建立多個機器人之間的空間位置關系,一般通過基坐標系標定來實現(xiàn);②協(xié)同插補算法,協(xié)同插補算法中的關鍵技術是協(xié)同軌跡的過渡和對多個運動單元的同步速度規(guī)劃。國內(nèi)外學者大多面向多任務、多工序、多資源、多主體的并行與協(xié)同控制問題,主要研究了強化學習、遺傳算法、Agent 算法、P 學習、粒子群算法等[21]。針對多機器人協(xié)同控制問題,PIERPAOLI P 等提出了多機器人行為排序的強化學習框架[22],CHEN J 等研究了基于深度學習的多機器人協(xié)作模型[23],KOSTAL I A NET 研究了基于分布式梯度粒子群算法的多機器人運動規(guī)劃方法[24]。

(4)遠程智能測控技術研究現(xiàn)狀。針對掘進系統(tǒng)遠程測控問題,張敏駿等提出了一種基于機載可編程控制器、機載傳感系統(tǒng)、視頻監(jiān)控系統(tǒng)以及工控機的掘進機遠程監(jiān)控系統(tǒng)[25]。陽廷軍提出了懸臂式掘進機遠程可視化控制系統(tǒng),研究了遠程控制系統(tǒng)關鍵技術[26]。高旭彬提出了綜掘工作面遠程可視化控制方法,研究了成套設備協(xié)同控制、智能截割、智能錨護、智能運輸、視頻監(jiān)控等關鍵技術[27]。

王國法等[28]開展了煤礦智能化建設技術體系研究,分析了煤礦智能化建設存在的技術難題與發(fā)展方向。葛世榮等提出了數(shù)字孿生智采工作面概念和技術架構(gòu),為進一步利用物聯(lián)網(wǎng)、5G 通信、云計算等技術實現(xiàn)智采工作面數(shù)字孿生系統(tǒng)提供了一定的指導[29]。吳淼等提出了一種掘支錨并行作業(yè)的施工工藝體系,結(jié)合數(shù)字孿生技術探討了煤礦綜掘工作面智能發(fā)展的關鍵技術[30]。張旭輝等以虛擬現(xiàn)實為基礎,構(gòu)建了懸臂式掘進機數(shù)字孿生系統(tǒng),實現(xiàn)了懸臂式掘進機的虛擬遠程控制[31]。

綜上所述,近年來在智能掘進方面的研究不斷深入,尤其是國內(nèi)專家學者的研究成果豐富,持續(xù)推動世界掘進智能化水平的不斷提升。由于我國煤炭賦存條件復雜,掘進裝備和工藝呈現(xiàn)多樣化,智能掘進面臨嚴峻挑戰(zhàn),尤其是智能截割、智能導航、智能協(xié)同控制、遠程智能測控等已經(jīng)成為影響和制約智能掘進快速發(fā)展的關鍵共性技術難題,迫切需要系統(tǒng)深入研究。

1 智能截割技術

煤礦巷道成形是通過掘進機截割多個單一截面逐漸形成的,斷面自動成形受掘進機結(jié)構(gòu)、斷面形狀、斷面地質(zhì)構(gòu)造影響。掘進機按照截割形式主要分為縱軸式掘進機、橫軸式掘進機和復合型盾構(gòu)掘進機,縱軸式和橫軸式掘進機主要通過截割頭的旋轉(zhuǎn)、截割臂的擺動來實現(xiàn)成形,而復合型盾構(gòu)掘進機主要通過多個刀盤復合運動成形。為了實現(xiàn)智能截割,需要深入研究智能定形截割方法和自適應截割方法。

1.1 智能定形截割

縱軸式掘進機智能定形截割難度較大,破解了該掘進機的智能定形問題,其他掘進方式的智能定形截割問題則迎刃而解。基于視覺伺服的掘進機智能定形截割控制方法是目前先進的智能定形截割控制方法,其系統(tǒng)構(gòu)成及工作原理如圖1所示。系統(tǒng)由截割頭位置測量模塊、控制器和掘進機截割執(zhí)行機構(gòu)等部分組成,以控制器作為控制系統(tǒng)的主控平臺,通過截割臂視覺測量和機身位姿檢測實現(xiàn)截割頭在巷道斷面的精確位置檢測,將檢測的截割頭位置與截割規(guī)劃位置對比獲得截割控制偏差,將偏差實時反饋給掘進機控制器,掘進機控制器利用基于模糊PID 控制等智能控制方法控制液壓伺服系統(tǒng),從而實現(xiàn)對掘進機的智能定形截割控制。

1.2 自適應截割

煤礦巷道掘進常常存在夾矸、半煤巖等截割載荷交變的工況,必須研究自適應截割方法,優(yōu)化截割參數(shù),才能提高截割的安全性、高效性?；谶z傳算法優(yōu)化的BP(GA-BP)神經(jīng)網(wǎng)絡的掘進機自適應截割控制原理如圖2所示,將截割臂擺速作為控制量,通過遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡來保證截割電機恒功率輸出。在控制過程中,實時檢測截割電機的電壓U和電流I,截割臂驅(qū)動油缸的壓力P和截割臂振動加速度,并將其輸入GABP 神經(jīng)網(wǎng)絡,將GA-BP 神經(jīng)網(wǎng)絡的輸出作為控制信號,通過控制電液比例方向閥來控制截割臂驅(qū)動油缸伸縮速度,進而對截割臂擺速進行控制,從而保證截割電機恒功率輸出。

圖1 視覺伺服的智能定形截割控制原理Fig.1 Schematic diagram of shape-cutting control based on visual servo

圖2 基于GA-BP 神經(jīng)網(wǎng)絡的自適應截割控制原理Fig.2 Principle of adaptive cutting control based on GA-BP neural network

2 智能導航技術

掘進系統(tǒng)按照行走形式主要分為履帶式掘進系統(tǒng)和液壓推移式掘進系統(tǒng)。掘進系統(tǒng)智能導航技術主要包括:掘進系統(tǒng)精確定位定向技術和智能導航控制技術。煤礦巷道掘進系統(tǒng)的定位定向精度,直接影響煤礦巷道的掘進質(zhì)量。由于煤礦井下無GPS、無北斗,如何實現(xiàn)掘進系統(tǒng)的精確定位定向成為巷道掘進的難題。一般情況下掘進巷道寬度偏差為0～100 mm,因此,要求掘進裝備的導航控制精度≤±50 mm,導航控制精度要求高,智能導航難題亟需突破。為實現(xiàn)掘進裝備智能導航,需要深入研究以慣導為核心的多傳感器信息融合精確定位定向方法和智能導航控制方法。慣導與視覺融合方法和慣導、數(shù)字全站儀與油缸行程傳感器融合方法是目前掘進系統(tǒng)先進的精確定位定向方法。慣導與視覺融合方法的定向精度可達±0.01°、定位精度可達±40 mm,主要適用于懸臂式掘進機、掘錨一體機等視野開闊的履帶式掘進系統(tǒng)。慣導、數(shù)字全站儀與油缸行程傳感器融合方法的定向精度可達±0.01°、定位精度可達±20 mm,主要適用于液壓缸作為行走驅(qū)動的液壓推移式掘進系統(tǒng)。

2.1 履帶式掘進系統(tǒng)智能導航控制方法

采用慣導與視覺組合方法檢測履帶式掘進系統(tǒng)的機身位姿,機身位姿測量原理如圖3所示,其包括單目工業(yè)相機、兩平行激光指向儀、捷聯(lián)慣導、雷達測距傳感器和防爆計算機,圖3中,α1,β1,γ1和α2,β2,γ2含義一致,分別為偏航角,仰俯角和橫滾角。系統(tǒng)通過建立基于無跡粒子濾波與非線性緊組合機制的組合定位系統(tǒng)數(shù)學模型,對慣導與視覺信息進行融合,從而獲得機身的精確位姿。

履帶式掘進系統(tǒng)智能導航控制原理如圖4所示,系統(tǒng)由導航控制器、機身位姿檢測系統(tǒng)、行走驅(qū)動組成。通過視覺、雷達測距、捷聯(lián)慣導等多傳感器信息融合,實現(xiàn)掘進系統(tǒng)精確定位定向。以掘進系統(tǒng)精確位姿檢測為基礎,通過神經(jīng)網(wǎng)絡PID 或模糊PID 控制等智能控制算法驅(qū)動掘進系統(tǒng)履帶行走部,從而實現(xiàn)掘進系統(tǒng)智能導航。

圖3 履帶式掘進系統(tǒng)的機身位姿測量原理Fig.3 Principle of the fuselage pose measurement of crawler tunneling system

圖4 履帶式掘進系統(tǒng)智能導航控制原理Fig.4 Principle of intelligent navigation control of crawler tunneling system

2.2 液壓推移式掘進系統(tǒng)智能導航控制方法

液壓推移式掘進系統(tǒng)采用光纖慣導、數(shù)字全站儀、油缸行程傳感器信息融合進行精確定位定向檢測,其定位定向原理如圖5所示。通過高精度的光纖捷聯(lián)慣導測量速度和角速度增量、油缸行程傳感器測量系統(tǒng)推移行程,經(jīng)過數(shù)學解算系統(tǒng)得出煤礦智能掘進系統(tǒng)的實時位姿。油缸行程傳感器和慣導組合會產(chǎn)生位置累積誤差,而數(shù)字全站儀可以測量出煤礦智能掘進系統(tǒng)的精確位置信息,因此運用數(shù)字全站儀修正慣導與油缸行程組合的位置誤差,從而實現(xiàn)煤礦智能掘進系統(tǒng)的精準位姿檢測。

液壓推移式掘進系統(tǒng)智能導航控制原理如圖6所示,系統(tǒng)主要由機身位姿檢測系統(tǒng)、掘進系統(tǒng)控制器、液壓驅(qū)動系統(tǒng)等組成。運用卡爾曼濾波算法對“慣導+數(shù)字式全站儀+油缸行程”的多傳感器信息進行融合,實現(xiàn)煤礦智能掘進系統(tǒng)精確定位定向。將智能掘進系統(tǒng)精確位姿檢測信息實時傳遞到神經(jīng)網(wǎng)絡PID 智能導航控制算法,驅(qū)動行走部液壓油缸進行自動糾偏控制,最終實現(xiàn)液壓推移式掘進系統(tǒng)智能導航控制。

3 智能協(xié)同控制技術

煤礦巷道掘進包括掘進、支護、鉆錨、運輸?shù)榷嗳蝿铡Ｃ嫦蚨嗳蝿?、多系統(tǒng),如何確保高效、有序、智能的完成任務,必須解決多任務最優(yōu)匹配,多系統(tǒng)協(xié)同控制和多任務并行控制等問題。

3.1 多任務并行控制方法

煤巷掘進主要采用掘、錨分開的交替作業(yè)方式,據(jù)統(tǒng)計,在一個掘進循環(huán)中,支護時間大約占到掘進作業(yè)總時間的67%,因此支護速度成為影響提高掘進進尺的關鍵因素。分析煤礦智能掘進系統(tǒng)的并行作業(yè)特征,智能掘進系統(tǒng)屬于多任務、多工序、多主體的并行控制系統(tǒng),通過揭示多系統(tǒng)作業(yè)任務數(shù)目和完成時間等關鍵參數(shù)之間的關系,實現(xiàn)煤礦巷道智能掘進系統(tǒng)有效、可靠的并行作業(yè)。假設由m個子系統(tǒng)組成,分別完成掘、支、鉆、錨、運等n個掘進作業(yè)工藝,結(jié)合子系統(tǒng)環(huán)境與自身狀態(tài)感知信息,建立基于并行作業(yè)特征的智能截割系統(tǒng)、智能臨時支護系統(tǒng)、智能鉆錨系統(tǒng)、智能錨網(wǎng)運輸系統(tǒng)、智能運輸系統(tǒng)等多系統(tǒng)并行控制架構(gòu),控制架構(gòu)如圖7所示,其中,X(m,n)為第m個子系統(tǒng)的第n個掘進作業(yè)工藝;X(m,t)為第m個子系統(tǒng)在t時刻的狀態(tài);N(n,t)為該狀態(tài)下t時刻的動作;a(m,n,t)為第m個子系統(tǒng)的第n個掘進作業(yè)工藝在t時刻的工序。

圖5 慣導與數(shù)字全站儀、油缸行程傳感器融合定位定向原理Fig.5 Principle of fusion positioning and orientation of inertial navigation,digital total station and cylinder stroke sensor

圖6 液壓推移式掘進系統(tǒng)智能導航控制原理Fig.6 Principle of intelligent navigation control of hydraulic push-type tunneling system

圖7 基于多任務并行作業(yè)的控制架構(gòu)Fig.7 Control architecture based on multi-task parallel operation

基于掘進作業(yè)最優(yōu)任務分配的多系統(tǒng)并行作業(yè)流程為:

(1)建立感知系統(tǒng),結(jié)合數(shù)據(jù)采集與處理模塊,構(gòu)建煤礦智能掘進系統(tǒng)并行作業(yè)執(zhí)行知識庫,獲取各子系統(tǒng)的狀態(tài)。

(2)基于掘進作業(yè)工藝,構(gòu)建并行作業(yè)任務分配模型,確定智能掘進子系統(tǒng)對應作業(yè)任務。

(3)根據(jù)各子系統(tǒng)并行作業(yè)任務,構(gòu)建動作決策模型,依據(jù)智能掘進工藝制定工序決策。

(4)根據(jù)多系統(tǒng)并行作業(yè)任務分配、動作決策與工序決策模型問題的適應度,評價智能掘進子系統(tǒng)的適應度值。

(5)依據(jù)多系統(tǒng)并行作業(yè)的任務交互問題描述,建立合作機制,產(chǎn)生下一時間并行作業(yè)執(zhí)行動作,從而確定多系統(tǒng)最優(yōu)并行作業(yè)方案。

多任務并行控制方法主要有基于強化學習的并行作業(yè)控制方法和基于Agent 的并行控制方法。

3.1.1 基于強化學習的并行作業(yè)控制方法

強化學習是從控制論、統(tǒng)計學、心理學等發(fā)展而來的,是一種通過與環(huán)境交互進而實現(xiàn)實時學習的方法,智能掘進系統(tǒng)選擇“掘—支—鉆—錨—運”動作與執(zhí)行順序,從而影響掘進環(huán)境,環(huán)境在發(fā)生變化的同時,給予子系統(tǒng)一個反饋信息,系統(tǒng)根據(jù)反饋信息不斷地調(diào)整自己的控制策略?；趶娀瘜W習模型建立環(huán)境狀態(tài)與動作的映射關系,作為智能掘進系統(tǒng)并行作業(yè)動作決策依據(jù)。基于強化學習的多任務并行控制原理如圖8所示,x,s,R,a,t參數(shù)分別表示子系統(tǒng)的位置信息、狀態(tài)、反饋、行為、時間步;x(i,t)為第i個子系統(tǒng)t時刻的位置信息;π(i,t)為經(jīng)強化學習后第i個子系統(tǒng)t時刻的動作決策信息。通過強化學習,使得多任務按照并行作業(yè)行為規(guī)則、任務分配規(guī)則及動作決策,能夠自主實現(xiàn)多任務多工藝并行作業(yè)控制,從而提高智能掘進系統(tǒng)的并行作業(yè)性能,減少子系統(tǒng)間的沖突。

3.1.2 基于Agent 的智能掘進并行控制方法

Agent 可以被認為是多系統(tǒng)中的子系統(tǒng)單元,可以對環(huán)境及其他Agent 進行相互作用,一組Agent 通過相互協(xié)作和協(xié)商,完成一個共同的目標?；贏gent 的智能掘進多任務并行控制原理如圖9所示,每個Agent 是智能掘進多任務的一個單元,將多任務控制分解為多個Agent 單元控制,即智能截割系統(tǒng),智能臨時支護系統(tǒng),智能鉆錨系統(tǒng),智能錨網(wǎng)運輸系統(tǒng),智能運輸系統(tǒng)等多個Agent 單元合作完成智能掘進作業(yè)任務,只需建立Agent 之間的通訊模式即能滿足多目標任務。

圖8 基于強化學習方法的多任務并行控制原理Fig.8 Principle multi-task parallel control based on reinforcement learning method

圖9 基于Agent 的智能掘進多任務并行控制原理Fig.9 Principle of multi-task parallel control of intelligent tunneling based on Agent

3.2 多系統(tǒng)智能協(xié)同控制方法

智能掘進各子系統(tǒng)的工作存在相互約束和協(xié)調(diào),根據(jù)智能掘進系統(tǒng)的工藝要求,建立如圖10所示的煤礦智能掘進多系統(tǒng)協(xié)同控制系統(tǒng)框架。典型的多系統(tǒng)智能協(xié)同控制方法主要有l(wèi)eader-follower 法和基于行為法。

3.2.1 基于leader-follower 法智能協(xié)同控制

如圖11所示,通過將煤礦智能掘進系統(tǒng)的多個子系統(tǒng)中智能截割子系統(tǒng)設置為領航者,其余子系統(tǒng)為跟隨者。工作過程中領航者接收全局信息或接收具體任務執(zhí)行方式,按照規(guī)劃好的路線運動,而跟隨者參考編隊中與領航者的相對位置進行運動。該方法有效降低了煤礦智能掘進系統(tǒng)的控制復雜性,使跟隨者容易定位且使編隊易于在掘進作業(yè)工藝中實施。

3.2.2 基于行為法的智能掘進系統(tǒng)協(xié)同控制

圖10 智能掘進系統(tǒng)協(xié)同控制架構(gòu)Fig.10 Collaborative control architecture of intelligent tunneling system

圖11 leader-follower 法工作原理Fig.11 Principle of leader-follower

基于行為法通過研究一個子系統(tǒng)在場景中的運動規(guī)律制定相對應的運動規(guī)則,進一步擴展到多系統(tǒng)控制上。因此,針對煤礦智能掘進系統(tǒng)中“掘—支—鉆—錨—運”作業(yè)的多目標跟蹤、障礙物實時規(guī)避和隊形重建等任務,通過對預先定義的智能掘進工藝行為進行比例加權,調(diào)節(jié)加權系數(shù)以得到理想編隊的控制方法。使得智能截割系統(tǒng),智能臨時支護系統(tǒng),智能鉆錨系統(tǒng),智能錨網(wǎng)運輸系統(tǒng),智能運輸系統(tǒng)都具備一定的自主決策能力,包括系統(tǒng)間防碰撞與協(xié)同作業(yè)的決策能力。當各子系統(tǒng)感知到相鄰子系統(tǒng)距離過近或前方有障礙物存在,每個子系統(tǒng)輸入都會發(fā)生相應的變化,控制器關于速度、方向的輸出會隨之改變,進而使整個系統(tǒng)達到預期控制效果。通過設置各子系統(tǒng)優(yōu)先級的方式,使多系統(tǒng)根據(jù)不同掘進作業(yè)環(huán)境做出不同工藝選擇,從而合理完成協(xié)同作業(yè)任務?；谛袨榉梢詫崿F(xiàn)實時反饋,是一個完全分布式的控制結(jié)構(gòu),系統(tǒng)柔性較好,可以適應動態(tài)加入新子系統(tǒng)的情況。

4 遠程智能測控技術

4.1 智能測控系統(tǒng)架構(gòu)

以智能化、網(wǎng)絡化、數(shù)字化為核心,運用物聯(lián)網(wǎng)、5G 通信技術、大數(shù)據(jù)管理技術、人工智能等現(xiàn)代信息技術,研發(fā)具有智能定形截割、智能導航、人員安全預警、環(huán)境安全預警、設備故障預警、關鍵部位視頻監(jiān)控和數(shù)字孿生驅(qū)動的遠程智能測控系統(tǒng),在地面監(jiān)控中心可以實現(xiàn)遠程一鍵啟停、關鍵部位遠程視頻監(jiān)控、異常狀態(tài)遠程人工干預和數(shù)字孿生驅(qū)動的遠程智能測控。智能測控系統(tǒng)總體架構(gòu)包含3 層,分別為本地控制層、近程集控層和遠程監(jiān)控層,如圖12所示。

圖12 智能掘進測控系統(tǒng)架構(gòu)Fig.12 Intelligent tunneling measurement and control system architecture

(1)本地控制層。在掘進系統(tǒng)上,集成傳感檢測系統(tǒng)、本地控制系統(tǒng)、通信系統(tǒng)等,實現(xiàn)掘進系統(tǒng)各個部分的單機智能控制,并通過工業(yè)以太網(wǎng)將整個掘進系統(tǒng)的各個部分與近程集控層的集中控制器實時通信,將本地掘進系統(tǒng)的人員、環(huán)境、設備、視頻等信息傳輸?shù)骄蜻M工作面近程集控層。

(2)井下近程集控層。通過與本地監(jiān)控層的控制主機通信,實現(xiàn)本地掘進工作面的人員安全預警、環(huán)境安全預警、設備故障預警、關鍵部位視頻監(jiān)控和數(shù)字孿生驅(qū)動的掘進工作面遠程智能測控,以及近程一鍵啟停,并且通過礦井工業(yè)環(huán)網(wǎng)可以將信息實時傳輸?shù)孛孢h程監(jiān)控層。

(3)地面遠程監(jiān)控層。通過礦井環(huán)網(wǎng)和地面環(huán)網(wǎng),在地面監(jiān)控中心可以實現(xiàn)人員安全預警、環(huán)境安全預警、設備故障預警、關鍵部位視頻監(jiān)控和數(shù)字孿生驅(qū)動的遠程智能測控,以及遠程一鍵啟停等,還具備對關鍵信息進行實時存儲和歷史數(shù)據(jù)查詢等功能。

4.2 設備故障與安全預警技術

4.2.1 設備故障預警技術

針對掘進工作面裝備工況復雜、故障源多等特點,利用振動、溫度、壓力、流量、液位、電流、位姿等傳感器實時監(jiān)測掘進裝備的運行狀態(tài)。為了實現(xiàn)掘進裝備故障診斷和故障預警,需深入研究多傳感器數(shù)據(jù)融合的掘進系統(tǒng)關鍵部件的故障診斷和預警方法。

4.2.2 環(huán)境安全預警技術

根據(jù)煤礦安全規(guī)程要求,需要在智能掘進系統(tǒng)上布置瓦斯?jié)舛取⒀鯕鉂舛?、一氧化碳濃度、二氧化碳濃度、風量、溫度、濕度等傳感器,實時監(jiān)測井下掘進工作面的環(huán)境參數(shù)。為了實現(xiàn)環(huán)境安全預警,需要對采集的環(huán)境信息進行實時處理和對環(huán)境信息進行預測。因此,需要深入研究環(huán)境信息智能預測方法,實現(xiàn)對環(huán)境信息進行準確預測,從而實現(xiàn)進工作面的環(huán)境安全預警。

4.2.3 人員安全預警技術

目前,煤礦井下人員定位技術有了較大的發(fā)展,先進的人員定位技術主要為視覺識別技術和UWB的無線定位技術。為了確保掘進工作面人員安全,需深入研究截割滾筒、錨桿鉆機等關鍵部位的人員定位方法,實現(xiàn)掘進工作面人員精確定位。掘錨過程中一旦發(fā)現(xiàn)掘截割滾筒和錨桿鉆機等關鍵部位有人員存在,立即發(fā)出報警提示,并且能對設備進行人員安全閉鎖。

4.3 數(shù)字孿生驅(qū)動的虛擬遠程測控

數(shù)字孿生驅(qū)動的虛擬遠程測控系統(tǒng)如圖13所示,建立煤礦巷道掘進系統(tǒng)三維虛擬模型和掘進系統(tǒng)運動學模型,將掘進系統(tǒng)的傳感器數(shù)據(jù)實時反饋給虛擬掘進系統(tǒng),運用數(shù)字孿生驅(qū)動技術對掘進系統(tǒng)虛擬模型進行動態(tài)修正,從而實現(xiàn)掘進系統(tǒng)的遠程虛實同步控制。

圖13 數(shù)字孿生驅(qū)動的虛擬遠程測控系統(tǒng)Fig.13 Virtual remote measurement and control system driven by digital twin

5 結(jié) 論

(1)針對掘進系統(tǒng)智能截割問題,研究了智能定形截割和自適應截割控制方法,采用基于視覺伺服的掘進系統(tǒng)定形截割控制方法實現(xiàn)掘進系統(tǒng)智能定形截割控制,采用基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡自適應截割控制方法,實現(xiàn)截割滾筒的恒功率截割。

(2)針對掘進系統(tǒng)智能導航問題,提出基于慣導與視覺信息融合方法,實現(xiàn)履帶式掘進系統(tǒng)精確定位定向檢測;提出基于慣導、數(shù)字全站儀與油缸行程信息融合方法,實現(xiàn)液壓推移式掘進系統(tǒng)的精確定位定向檢測。采用神經(jīng)網(wǎng)絡PID、模糊PID 或GA-BP 神經(jīng)網(wǎng)絡等智能控制算法,實現(xiàn)智能掘進系統(tǒng)智能導航控制。

(3)針對掘進系統(tǒng)中掘進、支護、鉆錨、運輸?shù)榷嘞到y(tǒng)協(xié)同控制和多任務并行控制問題,提出基于強化學習和基于Agent 的并行控制方法,實現(xiàn)智能掘進系統(tǒng)多任務并行控制;提出基于leader-follower 法和基于行為法,實現(xiàn)智能掘進系統(tǒng)的智能協(xié)同控制。

(4)針對掘進系統(tǒng)遠程智能測控問題,構(gòu)建了以智能化、網(wǎng)絡化、數(shù)字化為核心的智能掘進測控系統(tǒng)架構(gòu)。遠程智能掘進測控系統(tǒng)具有智能定形截割、智能導航、人員安全預警、環(huán)境安全預警、設備故障預警、關鍵部位視頻監(jiān)控、數(shù)字孿生驅(qū)動的遠程智能測控等功能,能夠?qū)崿F(xiàn)掘進系統(tǒng)遠程虛實同步控制和一鍵啟?？刂?。