一种掘进机运行轨迹自学习系统及方法与流程

本发明涉及采煤领域，尤其涉及一种掘进机运行轨迹自学习系统及方法。

背景技术：

1、目前，现有煤矿掘进工作面掘进头运行轨迹多依赖工人经验进行操作，在智能化截割的大背景下难以实现掘进头轨迹的有效规划运行，难以根据煤岩特性、巷道空间层位关系、断面成型尺寸、运输机负载特征进行掘进头轨迹的优化，造成截割头轨迹运行无标准、成巷断面超挖、欠挖突出、巷道断面成型尺寸不均一、煤壁稳定性难以保障等问题，其掘进智能化受煤岩特性影响较大，开采操作存在较大的局限性，在无人条件下成巷效果难以保障。

技术实现思路

1、本发明目的是针对上述问题，提供一种提高掘进效果的掘进机运行轨迹自学习系统及方法。

2、为了实现上述目的，本发明的技术方案是：

3、一种掘进机运行轨迹自学习系统，所述掘进机运行轨迹自学习系统包括用于实现煤岩稳定性分析的煤岩岩性分析模块；提供掘进机轨迹优化及轨迹数据存储的掘进机轨迹模型库；实现巷道尺寸、煤壁稳定性、运输可靠性分析的成巷效果分析评测系统模块；所述煤岩岩性分析模块的信号输出端与掘进机轨迹模型库的信号输入端相连接并根据岩性分析参数数据从掘进机轨迹模型库中选取掘进头轨迹，掘进机轨迹模型库的信号输出端与成巷效果分析评测系统模块的信号输入端连接并将选取的掘进头轨迹输入成巷效果分析评测系统模块中，成巷效果分析评测系统模块的信号输出端与掘进机轨迹模型库的信号输入端相连接并将分析评测结果反馈给掘进机轨迹模型库。

4、一种掘进机运行轨迹自学习方法，包括以下步骤：

5、s1、通过煤岩岩性分析模块获取岩性分析参数数据；

6、s2、建立掘进机轨迹模型库；

7、s3、依据岩性分析参数数据以及巷道沿煤层顶底板布设形式，初步在掘进机轨迹模型库中选定掘进头轨迹；

8、s4、在成巷效果分析评测系统模块中搭建成巷效果分析评测系统；

9、s5、采集成巷宽度及高度数据、煤岩强度及岩性分析参数数据；然后通过断面分析处理器生成巷道断面模型数据库；

10、s6、采集综掘工作面顶板以及煤壁的三维图像，利用图像处理器将三维图像进行拼接，生成煤壁三维动态图像库；

11、s7、采集煤流三维图像，通过煤流质量与体积关联对比，分析运输煤量；同时采集运输机电流数据，利用数据处理器分析设备负载状态，搭建煤流运输状态模型库；

12、s8、通过巷道断面模型数据库、煤壁三维动态图像库、煤流运输状态模型库进行分析，获取巷道几何尺寸、煤壁参数、运输机电流及煤量参数；

13、s9、将巷道几何尺寸、煤壁参数、运输机电流及煤量参数并结合岩性分析参数数据、选定的掘进头轨迹输入到成巷效果分析评测系统中；

14、s10、通过成巷效果分析评测系统对成巷效果进行评估并输出判断结果；当判断结果为达标时，则将该数据作为案例保存到掘进机轨迹模型库中；当判断结果为不达标时，则将判断结果反馈到掘进机轨迹模型库，掘进机轨迹模型库调整选定的掘进头轨迹后再次输入到成巷效果分析评测系统中，直至成巷效果分析评测系统判断成巷效果达标后，将该数据作为案例保存到掘进机轨迹模型库中。

15、进一步的，所述步骤s1中，获取岩性分析参数数据时，当掘进巷道顶板空顶距大于10m,则认定煤岩为非常稳定；当掘进巷道顶板空顶距为2~10m，则认定煤岩为稳定；当掘进巷道顶板空顶距为1~2m，则认定煤岩为一般稳定；当掘进巷道顶板空顶距小于1m，则认定煤岩为不稳定；当掘进巷道顶板无自稳能力，则认定煤岩为极不稳定。

16、进一步的，所述步骤s2中，掘进机轨迹模型库包括底部s型向上截割轨迹、从中部起始环绕四周截割轨迹、顶部s型向下截割轨迹、沿巷边缘塑型环割轨迹、优先成顶截割轨迹、优先割底截割轨迹、采空区侧大宽度滞后截割轨迹。

17、进一步的，所述步骤s4中，成巷效果分析评测系统为bp神经网络模型，搭建成巷效果分析评测系统包括以下步骤：

18、s41、将成巷效果影响因素作为bp神经网络模型的输入层，并进行定量化处理；

19、s42、将成巷效果等级作为bp神经网络模型的输出层；

20、s43、预先设定bp神经网络模型的模型参数，得到初始bp神经网络模型；

21、s44、采集历史数据中的成巷效果影响因素和成巷效果等级并分别作为初始bp神经网络模型的输入层和输出层，将历史数据分成训练集和测试集，用训练集对初始bp神经网络模型进行训练，用测试集对训练好的初始bp神经网络模型进行测试，并修正模型参数，即得到bp神经网络模型。

22、进一步的，所述步骤s41中，成巷效果影响因素为巷道几何尺寸、煤壁参数、岩性分析参数数据、运输机电流及煤量参数；所述煤壁参数包括片帮深度、片帮位置、片帮面积、片帮速度。

23、进一步的，所述步骤s42中，成巷效果等级为优秀、良好、一般、差四个等级。

24、进一步的，所述步骤s43中，模型参数包括激活函数类型、隐含层神经元个数、输入层与隐含层连接权值、隐含层与输出层连接权值、隐含层各神经元阈值、输出层各神经元阈值、误差函数、最大训练步数。

25、与现有技术相比，本发明具有的优点和积极效果是：

26、本发明通过对煤岩稳定性、巷道布设关系来规划选定掘进头运行轨迹，再结合成巷效果分析评测系统，依赖巷道断面尺寸、煤壁参数、运输机电流及煤量参数等信息对掘进工艺参数进行逐步优化调整，从断面成型度、成巷稳定性、运行可靠性等多角度进行比较分析，更加客观准确的动态评估出煤岩成巷效果，解决了现有掘进头运行轨迹单一且多依赖人为经验论的局限性问题，提高了煤岩成巷的准确性，同时给煤矿开采工作的安全性进一步做出了保障。

技术特征：

1.一种掘进机运行轨迹自学习系统，其特征在于：所述掘进机运行轨迹自学习系统包括用于实现煤岩稳定性分析的煤岩岩性分析模块；提供掘进机轨迹优化及轨迹数据存储的掘进机轨迹模型库；实现巷道尺寸、煤壁稳定性、运输可靠性分析的成巷效果分析评测系统模块；所述煤岩岩性分析模块的信号输出端与掘进机轨迹模型库的信号输入端相连接并根据岩性分析参数数据从掘进机轨迹模型库中选取掘进头轨迹，掘进机轨迹模型库的信号输出端与成巷效果分析评测系统模块的信号输入端连接并将选取的掘进头轨迹输入成巷效果分析评测系统模块中，成巷效果分析评测系统模块的信号输出端与掘进机轨迹模型库的信号输入端相连接并将分析评测结果反馈给掘进机轨迹模型库。

2.一种掘进机运行轨迹自学习方法，其由如权利要求1所述的掘进机运行轨迹自学习系统进行实施；其特征在于：包括以下步骤：

3.如权利要求2所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s1中，获取岩性分析参数数据时，当掘进巷道顶板空顶距大于10m,则认定煤岩为非常稳定；当掘进巷道顶板空顶距为2~10m，则认定煤岩为稳定；当掘进巷道顶板空顶距为1~2m，则认定煤岩为一般稳定；当掘进巷道顶板空顶距小于1m，则认定煤岩为不稳定；当掘进巷道顶板无自稳能力，则认定煤岩为极不稳定。

4.如权利要求3所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s2中，掘进机轨迹模型库包括底部s型向上截割轨迹、从中部起始环绕四周截割轨迹、顶部s型向下截割轨迹、沿巷边缘塑型环割轨迹、优先成顶截割轨迹、优先割底截割轨迹、采空区侧大宽度滞后截割轨迹。

5.如权利要求4所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s4中，成巷效果分析评测系统为bp神经网络模型，搭建成巷效果分析评测系统包括以下步骤：

6.如权利要求5所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s41中，成巷效果影响因素为巷道几何尺寸、煤壁参数、岩性分析参数数据、运输机电流及煤量参数；所述煤壁参数包括片帮深度、片帮位置、片帮面积、片帮速度。

7.如权利要求6所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s42中，成巷效果等级为优秀、良好、一般、差四个等级。

8.如权利要求7所述的掘进机运行轨迹自学习方法，其特征在于：所述步骤s43中，模型参数包括激活函数类型、隐含层神经元个数、输入层与隐含层连接权值、隐含层与输出层连接权值、隐含层各神经元阈值、输出层各神经元阈值、误差函数、最大训练步数。

技术总结
本发明公开了一种掘进机运行轨迹自学习系统及方法，所述掘进机运行轨迹自学习系统包括煤岩岩性分析模块、掘进机轨迹模型库、成巷效果分析评测系统模块。所述掘进机运行轨迹自学习方法包括以下步骤：S1、通过煤岩岩性分析模块获取岩性分析参数数据；S2、建立掘进机轨迹模型库；S3、在掘进机轨迹模型库中选定掘进头轨迹；S4、搭建成巷效果分析评测系统；S5、生成巷道断面模型数据库；S6、生成煤壁三维动态图像库；S7、搭建煤流运输状态模型库；S8、获取巷道几何尺寸、煤壁参数、运输机电流及煤量参数；S9、将采集的数据输入到成巷效果分析评测系统中；S10、成巷效果分析评测系统对成巷效果进行判断并反馈。

技术研发人员：靳力,王红强,高有进,吕继峰,姚世杰,李保朝,杨洋
受保护的技术使用者：郑州普泽能源科技有限公司
技术研发日：
技术公布日：2024/9/23