基于模糊神經網絡信息融合的采煤機煤巖識別系統

張　強　王海艦　井　旺　毛　君　袁　智　胡登高

1.遼寧工程技術大學，阜新,1230002.大連理工大學工業裝備結構分析國家重點實驗室，大連,1160233.中國煤礦機械裝備有限責任公司，北京,1000114.四川理工學院材料腐蝕與防護四川省重點實驗室，成都， 643000

?

基于模糊神經網絡信息融合的采煤機煤巖識別系統

張強1,2,4王海艦1井旺1毛君1袁智3胡登高3

1.遼寧工程技術大學，阜新,1230002.大連理工大學工業裝備結構分析國家重點實驗室，大連,1160233.中國煤礦機械裝備有限責任公司，北京,1000114.四川理工學院材料腐蝕與防護四川省重點實驗室，成都， 643000

摘要：針對采用單一信號進行煤巖界面識別實現采煤機滾筒高度調整控制時精確度和可靠性不高的問題，提出一種基于模糊神經網絡的多傳感器信息融合煤巖識別方法。通過實驗數據采集和分析得到不同煤巖比例截面截割過程中的振動、電流以及聲功率譜信號特征樣本，根據最小模糊度優化模型求得各煤巖識別信號的模糊隸屬度函數，采用基于自適應神經網絡模糊推理系統構建的多維模糊神經網絡實現多傳感器信息的決策融合，得到高可信度和精確度的滾筒調高控制量值。實驗室截割實驗對比以及現場隨機煤巖軌跡的截割實驗結果表明,采煤機滾筒截割軌跡與實際隨機煤巖軌跡基本吻合，實驗結果驗證了系統的有效性和可靠性。

關鍵詞：采煤機；模糊；神經網絡；信息融合；煤巖識別

0引言

采煤機是綜采工作面的主要開采設備，其工作效率的高低直接影響整個礦區的出煤量和經濟效益。綜采面煤層走向錯綜復雜，采煤機滾筒在截割過程中常常遇到夾矸和巖石斷層，其結構材質較硬，傳統上采用“一刀切”的截割方法，依靠滾筒的大轉矩對煤和巖石同時進行截割，在此過程中截齒承受巨大的沖擊負載，加快了滾筒截齒的磨損和破壞[1]，部分截齒還可能由于集中應力的作用而折斷[2]，造成采煤機滾筒缺齒截割作業，增大了采煤機滾筒的受力及瞬時負載波動，加速衰減同一截線上相鄰截齒以及整個滾筒的使用壽命，降低采煤機的截割效率。而夾矸與巖石斷層的分布具有隨機性，沒有特定的分布規律。因此，如何快速有效地識別煤巖分界面，實現截割滾筒的自動調高控制成為當前煤炭開采行業亟待解決的瓶頸問題。

煤巖界面識別是保障采煤機滾筒在截割過程中避開夾矸與巖石斷層，實現滾筒自動調高控制的重要手段和關鍵技術[3-4]。近年來，一些專家學者針對煤巖識別技術進行了大量研究。國外對煤巖識別技術的研究比較早, 1966年，英國首先提出基于煤巖自然伽瑪射線輻射特性的NGR(naturalgammaradiation)傳感器煤巖識別方法；1980年，英國與美國合作研究了一種天然伽馬射線煤巖識別方法；1985年，美國麻省理工學院的采礦系統改造中心研制了一臺截齒振動監測煤巖識別系統。以上方法雖然能夠在一定程度上實現煤巖界面的識別，但都具有非常大的局限性，至今仍沒有成熟的產品問世。

國內針對煤巖動態識別技術的研究相對較晚，記憶截割方法最早被用于煤巖截割調高控制過程中，它通過分析截割過程中采煤機的位姿來確定滾筒的截割軌跡，但記憶截割方法并不屬于煤巖識別的技術范疇，它無法實現巖石突變情況下截割軌跡的自適應改變[5]。孫濟平等[6]利用Daubechies小波實現對煤巖圖像特征的抽取與識別，為煤巖界面的自動識別提供了重要的理論依據。田慧卿等[7]則采用圖像處理技術對煤巖的灰度值和紋理進行提取，并以此為依據進行煤巖的識別。汪玉鳳等[8]根據放頂煤時產生的聲波種類、數量和環境特點，采用盲源信號分離技術確定煤和矸石的比例，實現煤巖界面的識別。何家健等[9]提出基于主成分分析的煤巖界面識別方法，根據主元信息建立的HotellingT2和SPE統計量捕捉采煤機截割巖石的異常特征來識別煤巖界面。劉俊利等[10]通過對采煤機滾筒進行受力分析，利用采煤機滾筒的截割振動信號實現對煤巖界面的輔助識別，驗證了振動信號應用于煤巖識別的可行性。苗艷才等[11]則根據截割電機負載的變化實現煤巖的初步識別，再通過調高油缸前后缸體壓力的變化實現進一步識別，在一定程度上提高了煤巖識別的可信程度。傳感技術在煤巖識別領域的應用雖然在一定程度上提高了煤巖識別的可靠性，但由于綜采面復雜的采掘環境、傳感器自身精度以及未知擾動的影響，采用單一信號的煤巖識別方法具有非常大的局限性，識別精確度不高，與真實煤巖界面誤差較大。基于上述缺陷和不足，筆者提出一種基于模糊神經網絡信息融合方法的煤巖界面識別技術，為實現采煤機滾筒的精確調高控制提供行之有效的技術方法。

1系統結構及參數特性分析

實現滾筒高度精確控制調節的前提是實現對滾筒截割過程中實時煤巖截割比例的獲取。采煤機滾筒在非斜切進刀截割過程中，滾筒與煤巖的接觸弧線長度為滾筒周長的二分之一，滾筒截割煤、巖的比例是指其滾筒分別與煤、巖接觸面的弧線長度比值。如圖1所示，設L1和L2分別為采煤機滾筒截割煤、巖的弧線長度，則采煤機滾筒截割煤的弧長占煤巖總接觸弧長的比例為L1∶(L1+L2)，稱為截煤比β，通過采集不同截煤比截割條件下采煤機的多特征信號來建立煤巖識別的特征信號數據庫。

采煤機滾筒在截割過程中的特征信號是客觀反映其截割環境的重要依據。不同特征信號在不同條件及擾動下的表征差異很大，采用單一信號特征提取的方式實現煤巖識別時偏差較大，可信度較低。鑒于此，系統以滾筒截割過程中的電流、振動以及聲信號作為模糊神經網絡融合的特征參數，根據最小模糊度規則計算得到不同特征參數的模糊隸屬度函數，構建基于自適應神經網絡模糊推理系統(adaptiveneuro-fuzzyinferencesystem，ANFIS)的多維模糊神經網絡模型，實現多數據信息的模糊化、模糊推理和解模糊過程，并通過學習方法實現內部權值節點參數的修正優化，得到高可信度的截煤比β，再通過內部計算得到最優的滾筒高度控制量值。采煤機煤巖識別調高控制系統結構如圖2所示。

2模糊神經網絡融合

2.1煤巖截割信號測試與分析

煤巖截割過程中各傳感器數據信號的準確性與可靠性是決定融合結果可信度的關鍵。本文主要針對截割煤、巖過程中的振動信號、電流信號以及聲發射信號進行采集與分析，建立各傳感器數據信號的特征值樣本。

采煤機滾筒在截割煤、巖過程中各截齒所受的截割阻力可看作是滾筒x、y、z三個軸向上的分力Fx、Fy、Fz[12]，如圖3所示。因此，分別針對采煤機滾筒在截割煤、巖過程中x、y、z三個軸向的振動信號進行檢測，得到的振動曲線見圖4。

由圖4煤、巖截割振動曲線可以看出，滾筒在截割煤、巖過程中，x軸方向的振動幅度變化較小，y和z軸方向的振動幅度變化較大，因此，本文主要針對y軸和z軸方向的振動信號進行采集和分析研究。

煤巖截割實驗臺滾筒的驅動減速電機額定功率為100W，額定電流為0.4A，額定轉速為30r/min，輸出轉矩為300kg·cm，煤、巖及混合試件的尺寸為600mm×200mm×500mm，實驗截割滾筒直徑為180mm,截割深度為30mm。截割過程中的電流信號通過三相電參數采集模塊進行采集，聲發射信號采用SAEU2S聲發射系統進行采集。

通過對不同煤巖比例試件截割過程中振動、電流以及聲功率譜信號的長期檢測和采集，建立不同煤巖比例截割條件下的特征信號數據庫。抽取部分振動、電流和聲發射的特征采樣數據作為模型的參數樣本，分別如表1～表4所示，表中各樣本分別為1∶1(全煤)、4∶5、2∶3、1∶2、1∶3、1∶5以及0∶1(全巖)7種截煤比條件下的特征值，根據這些特征樣本值建立多個截割特征信號不同截煤比條件下的的模糊隸屬度函數。

2.2基于特征樣本的模糊隸屬度函數

熵是模糊變量的重要數字特征，用來度量模糊變量的不確定性，而模糊熵用于描述模糊集的模糊性程度,模糊熵值越大，其代表的模糊集的模糊度也越大，反之則越小[13]。分明集不具有模糊性，因此其模糊熵為0，而模糊熵為1/2時的模糊度最大，是最難確認的模糊集。設模糊集F={f1,f2,…,fn}，其隸屬度函數為μ(f)，f取值為0或1時，所述模糊集無模糊性，即為分明集，模糊熵為0[14]；當f?(0，1)時，其模糊熵的表達式為

(1)

E(f)=flnf

U(f)=(1-f)ln(1-f)

煤巖識別系統截割比例狀態的模糊集為{1∶1， 4∶5， 2∶3， 1∶2， 1∶3， 1∶5，0∶1}，用集合M={M1，M2，M3，M4，M5，M6，M7}表示。對應的各模糊子集的隸屬度函數為μ1、μ2、μ3、μ4、μ5、μ6和μ7，其隸屬度函數圖見圖5。

根據隸屬度函數圖5和各信號參數的特征樣本值，通過下式利用最小模糊度規則進行k值求解：

Smin(M1,M2,…,M7)=

(2)

其中,n為模糊集所有樣本的個數；fi為模糊集的第i個樣本。設n為M中的樣本個數。當下標j為最小值1或最大值7時，隸屬度曲線為梯形，其μ(f)的表達式分別為

當下標j值為2、3、4、5、6時，隸屬度函數為三角形，其μ(f)的表達式為

根據表1～表4中不同信號的特征樣本值可以看出，不同煤巖截割比例條件下各信號的特征樣本數據具有一定的模糊性。通過式(2)所示的隸屬度函數優化模型擬合各項特征樣本值，求解計算各隸屬度函數的k值問題，得到電流、振動以及聲功率譜特征參數的模糊隸屬度函數如圖6所示。

2.3ANFIS模糊融合模型

采用ANFIS構建采煤機的多傳感器信息融合煤巖識別模型[15]。ANFIS利用神經網絡的自適應學習功能，為模糊建模過程中學習一個數據集的信息提供了一種新的方法和理念[16]。通過ANFIS跟蹤隸屬度函數給定的輸入/輸出參數，實現模糊規則前件和后件隸屬函數參數的自適應最優選取并在模糊多層前饋網絡中進行局部節點或權值的整定,可提高整個系統的優化學習速度[17]。基于模糊神經網絡信息融合的采煤機煤巖識別系統的結構模型如圖7所示，包含輸入層、規則運算層、歸一化層、規則輸出層以及ANFIS輸出層五層結構框架，神經元由煤巖截割過程中提取的y、z軸振動信號、截割電流信號以及聲發射信號組成。

(1)輸入層。第一層為網絡的隱含層，用來計算各煤巖截割信號變量值模糊集的模糊隸屬度，實現各輸入變量值的模糊化處理。每個輸入變量包含7個模糊集，其隸屬度函數分別用Ai、Bi、Ci、Di表示，則第一層各節點的輸出分別為A1～A7、B1～B7、C1～C7和D1～D7。

(2)規則運算層。第二層的每一個節點代表系統的一條模糊規則，用來匹配模糊規則的前件，計算出每條規則的適用度，第i個節點的適用度為

(3)歸一化層。第三層的節點數與第二層的節點數相同，主要實現適用度的歸一化計算：

式中，ai為各節點的適用度。

(4)規則輸出層。規則輸出層用于計算每一條規則的輸出，各節點的傳遞函數為線性函數，其規則輸出為

式中，ξi為結論參數集對應的函數[18]。

(5)ANFIS輸出層。第五層是后件網絡，用于計算每一條規則的后件，最后的ANFIS輸出為

3實驗室對比截割實驗

根據相似材料準則，采用沙子、水泥以及煤巖碎塊澆筑長寬高為600mm×200mm×500mm的煤巖試件，煤巖分界面為0.25m高度的水平截面，下半部為巖層，上半部為煤層。

分別采用聲發射信號、截割電流信號、振動信號以及模糊神經網絡多傳感器信息融合煤巖識別方法對試件進行截割實驗，得到的實際截割軌跡界面如圖8所示。截割完成后實際截割界面與真實煤巖界面的煤層截割殘余量與巖層截割量對比如表5所示。

圖8是分別采用四種基于單一信號的煤巖識別控制方法進行截割試驗，每種方法進行5次截割，每次截割取30個采樣點，得到的煤巖截割界面。結合圖8中基于不同煤巖識別方法的截割界面以及表5中煤層截割殘余量與巖層截割量對比可知，基于聲發射(圖8a)或基于電流單一信號(圖8b)的煤巖識別方法識別效果較差，實際截割界面與真實界面誤差較大，截割軌跡在煤巖真實分界面0.25m處上下起伏波動劇烈，煤層截割殘余量與巖層截割量非常大，說明基于單一信號的煤巖識別方法具有非常大的局限性，識別精度不高；基于y、z軸振動信號的煤巖識別方法(圖8c)較前兩者效果有了很大提高，但較真實煤巖分界面仍然存在較大幅度的誤差，煤層截割殘余量與巖層截割量仍相對較大；而采用基于ANFIS的模糊神經網絡多傳感器信息融合系統的煤巖識別方法(圖8d)效果顯著，截割軌跡基本與煤巖的真實分界面一致(0.25m高度為實際的煤巖分界面)，上下起伏波動較小，煤層截割殘余量與巖層截割量均較少，截割界面軌跡與實際煤巖澆筑界面基本一致，煤巖識別精度較高。

4現場隨機煤巖界面截割實驗

為驗證采煤機模糊神經網絡多傳感器信息融合煤巖識別系統的精確性與穩定性，進行現場隨機煤巖界面的工業性實驗，如圖9所示。

采煤機型號為MGN500/1130-WD，滾筒直徑為1.8m，截割深度為0.8m；煤壁高度為3m，煤壁全長為70m，內部澆筑隨機走向的巖石斷層。通過現場截割實驗得到采煤機滾筒的截割軌跡與實際隨機煤巖界面軌跡如圖10所示。

由圖10可看出，采煤機滾筒截割煤巖軌跡與實際煤巖軌跡基本一致，單次截割的煤層截割殘余量與巖層截割量分別為1.165m3和0.542m3，較單一信號煤巖識別方法的煤層截割殘余量與巖層截割量分別降低了78.2%和69.3%，局部截割偏差可能是控制系統以及采煤機懸臂調高系統的滯后性所致。說明基于模糊神經網絡的多傳感器信息融合煤巖識別系統具有較高的識別精度及可靠性。

5結論

(1)通過采集采煤機截割煤巖過程中的不同數據信號，得到不同截煤比條件下的特征樣本值，根據最小模糊度原則得到各特征信號的優化模糊隸屬度函數，建立了基于ANFIS的多維模糊神經網絡融合的煤巖識別模型。

(2)采用實驗室對比截割實驗得到不同截割信號識別條件下的煤巖截割界面，驗證了模糊神經網絡多傳感器信息融合系統的煤巖識別精度及可靠性;現場隨機煤巖界面工業性截割實驗結果表明，基于模糊神經網絡信息融合的采煤機煤巖識別系統能夠實現煤巖界面的實時動態識別，根據煤巖識別結果進行自動調高控制，系統具有非常好的靜態性能和動態性能。

參考文獻：

[1]劉春生,宋楊,陳金國,等.鎬形截齒割巖過程的溫度場模擬[J].黑龍江科技學院學報,2013,23(4):337-340.

LiuChunsheng,SongYang,ChenJinguo,etal.SimulationofTemperatureFieldsonConicalPickCuttingRock[J].JournalofHeilongjiangInstituteofScience&Technology,2013,23(4):337-340.

[2]趙麗娟,陳穎,董萌萌.滾筒截齒對采煤機截割部工作可靠性的影響研究[J].現代制造工程,2010(12):104-110.

ZhaoLijuan,ChenYing,DongMengmeng.ResearchontheInfluenceonWorkingReliabilityofCuttingUnitofShearerbyCuttingPick[J].ModernManufacturingEngineering, 2010(12):104-110.

[3]KellyM,HainsworthD,ReidD,etal.ProgressTowardsLong-wallAutomation[J].MiningScienceandTechnology, 2005, 16(5):769-776.

[4]ReidDC,HainsworthDW,RalstonJC,etal.ShearerGuidance:aMajorAdvanceinLong-wallMining[J].FieldandServiceRobotics:RecentAdvancesinResearchandApplication, 2006,24:469-476.

[5]劉春生.滾筒式采煤機記憶截割的數學原理[J].黑龍江科技學院學報,2010,20(2):85-90.

LiuChunsheng.MathematicPrincipleforMemoryCuttingonDrumShearer[J].JournalofHeilongjiangInstituteofScienceandTechnology,2010,20(2):85-90.

[6]孫濟平,佘杰.基于小波的煤巖圖像特征抽取與識別[J].煤炭學報,2013,38(10):1900 -1904.

SunJiping,SheJie.Wavelet-basedCoal-rockImageFeatureExtractionandRecognition[J].JournalofChinaCoalSociety, 2013,38(10): 1900 -1904.

[7]田慧卿,魏忠義.基于圖像識別技術的煤巖識別研究與實現[J].西安工程大學學報,2012,26(5):657-660.

TianHuiqing,SheJie.TheresearchandImplementationofCoalandRockIdentificationBasedonImageRecognitionTechnology[J].JournalofXi’anPolytechnicUniversity,2012, 26(5):657-660.

[8]汪玉鳳,夏元濤,王曉晨.含噪超完備獨立分量分析在綜放煤巖識別中的應用[J].煤炭學報,2011,36(增刊1):203-206.

WangYufeng,XiaYuantao,WangXiaochen.ApplicationonOverCompleteICAwithNoiseinCoalandRockIdentificationofFullyMechanizedMining[J].JournalofChinaCoalSociety,2011,36(S1):203-206.

[9]何家健,陳卓,吳孟侗,等.基于主成分分析的煤巖界面識別方法[J].工況自動化, 2011(7):76-78.

HeJiajian,ChenZhuo,WuMengtong,etal.IdentificationMethodofCoalandRockInterfaceBasedonPCA[J].IndustryandMineAutomation,2011(7):76-78.

[10]劉俊利,趙豪杰,李長有.基于采煤機滾筒截割振動特性的煤巖識別方法[J].煤炭科學技術,2013,41(10):93-95.

LiuJunli，ZhaoHaojie，LiChangyou.Coal-rockRecognitionMethodBasedonCuttingVibrationFeaturesofCoalShearerDrums[J].CoalScienceandTechnology,2013, 41(10):93-95.

[11]苗艷才,楊棟,趙其龍.智能采煤機煤巖識別分析與設計[J].煤礦機械,2014,35(7):81-83.

MiaoYancai,YangDong,ZhaoQilong.IntelligentShearerCoalandRockIdentificationAnalysisandDesign[J].CoalMineMachinery, 2014,35(7):81-83.

[12]李曉豁,何洋,焦麗等.基于參數識別的截割頭縱向隨機振動響應優化[J].中國機械工程,2015,26(6):818-823.

LiXiaohuo,HeYang,JiaoLi,etal.VerticalRandomVibrationResponseandOptimizationofCuttingHeadBasedonParameterIdentification[J].ChinaMechanicalEngineering, 2015,26(6): 818-823.

[13]劉曉明,牟龍華,張鑫.基于信息融合的隔爆開關永磁機構儲能電容失效診斷[J].煤炭學報, 2014,39(10):2121-2127.

LiuXiaoming,MuLonghua,ZhangXin.FailureDiagnosisforStorage-capacitorinPermanentMagneticActuatorOfflameproofSwitchgearBasedonInformationFusion[J].JournalofChinaCoalSociety, 2014,39(10): 2121-2127.

[14]張鑫,牟龍華.基于信息融合的礦山電網復合保護的研究[J].煤炭學報,2012,37(11): 1947-1952.

ZhangXin,MuLonghua.ResearchonCompoundProtectionforMinePowerNetworkBasedonInformationFusion[J].JournalofChinaCoalSociety,2012,37(11): 1947-1952.

[15]劉卓凡,楊凱,王加詳,等.基于ANFIS神經網絡的GPS/INS組合導航信息融合[J].計算機測量與控制,2012,20(8): 2291-2293.

LiuZhuofan,YangKai,WangJiaxiang,etal.GPS/INSIntegratedNavigationFusionAlgorithmBasedonANFISNeuralNetwork[J].ComputerMeasurement&Control，2012,20(8): 2291-2293.

[16]田毅,張欣,張昕,等.汽車運行狀態識別方法研究(二)——基于模糊神經網絡的識別方法[J].中國機械工程,2013,24(11): 1521-1524.

TianYi,ZhangXin,ZhangLiang.ResarchonVehicleDrivingSituationIdentification(PartⅡ)-BasedonFuzzy-neuralNetwork[J].ChinaMechanicalEngineering, 2013,24(11):1521- 1524.

[17]榮健,喬文釗.基于模糊神經系統的多傳感器數據融合算法[J].電子科技大學學報, 2010,39(3):376-378.

RongJian,QiaoWenzhao.Neural-Fuzzy-BasedMulti-sensorDataFusionArchitecture[J].JournalofUniversityofElectronicScienceandTechnologyofChina, 2010,39(3):376-378.

[18]朱安福,景占榮,陳煒軍,等. 基于ANFIS和證據理論的信息融合研究[J].中北大學學報(自然科學版),2009,30(1):74-79.

ZhuAnfu,JingZhanrong,ChenWeijun,etal.DataFusionBasedonANFISandEvidenceTheory[J].JournalofNorthUniversityofChina(NaturalScienceEdition), 2009,30(1):74-79.

(編輯蘇衛國)

Shearer’sCoal-rockRecognitionSystemBasedonFuzzyNeuralNetworkInformationFusion

ZhangQiang1,2,4WangHaijian1JingWang1MaoJun1YuanZhi3HuDenggao3

1.LiaoningTechnicalUniversity,Fuxin,Liaoning,1230002.StateKeyLaboratoryofStructuralAnalysisforIndustrialEquipment,DalianUniversityofTechnology,Dalian,Liaoning,1160233.ChinaNationalCoalMiningEquipmentCo.,Ltd.,Beijing,1000114.MaterialCorrosionandProtectionKeyLaboratoryofSichuanProvince,SichuanUniversityofScience&Engineering,Chengdu,643000

Keywords:shearer;fuzzy;neuralnetwork;informationfusion;coal-rockrecognition

Abstract:Aimingatthelowaccuracyandreliabilityproblemswhenusingsinglesignalstorecognizethecoal-rockinterfaceforcontrollingandadjustingtheheightofshearerroller,amulti-sensorinformationfusioncoal-rockrecognitionmethodwasputforwardbasedonfuzzyneuralnetwork.Thesamplecharacteristicsofvibration,currentandsoundpowerspectrumsignalswereobtainedthroughtheacquisitionandanalysesofexperimentaldataduringcuttingthesectionwithdifferentproportionsofcoal-rock,andthecoal-rockrecognitionsignals’fuzzymembershipfunctionwasfoundaccordingtotheminimumfuzzyoptimizationmodel.Thecontrolledmeasurementofroller’sheightwithhighlyreliabilityandaccuracywasobtainedthroughmulti-dimensionalfuzzyneuralnetwork，whichwasbuiltbyadaptiveneuro-fuzzyinferencesystem.Laboratorycuttingexperimentsandthescenecuttingexperimentsofrandomcoal-rocktrajectorywerecarriedout,theresultsshowthatthecuttingtrajectoryofshearer’srollerisbasicallythesameastherandomtrajectoryofcoal-rockspecimen,theresultsconfirmtheeffectivenessandreliabilityofthesystem.

收稿日期：2015-05-04

基金項目：高等學校博士學科點專項科研基金資助項目(20132121120011);工業裝備結構分析國家重點實驗室開放基金資助項目(GZ1402);材料腐蝕與防護四川省重點實驗室開放基金資助項目 (2014CL18);遼寧省高等學校杰出青年學者成長計劃資助項目(LJQ2014036);遼寧“百千萬人才工程”培養經費資助項目(2014921070);中煤集團重點科技項目(13-8)

作者簡介：張強，男,1980年生。遼寧工程技術大學機械工程學院教授、博士研究生導師，大連理工大學工業裝備結構分析國家重點實驗室訪問學者，四川理工學院材料腐蝕與防護四川省重點實驗室訪問學者。研究方向為礦山機械動態設計及監測技術。發表論文60余篇。 王海艦，男，1987年生。遼寧工程技術大學機械工程學院博士研究生。井旺，男，1990年生。遼寧工程技術大學機械工程學院碩士研究生。毛君，男，1960年生。遼寧工程技術大學機械工程學院院長。袁智，男，1970年生。中國煤礦機械裝備有限責任公司高級工程師。胡登高，男，1960年生。中國煤礦機械裝備有限責任公司高級工程師。

中圖分類號：TP76

DOI：10.3969/j.issn.1004-132X.2016.02.010