采煤機自主導航截割原理及關鍵技術

葛世榮，郝雪弟,田 凱，高 傳，勒立坤

(1.中國礦業大學(北京) 機電與信息工程學院，北京 100083; 2.中國礦業大學(北京) 智慧礦山與機器人研究院，北京 100083)

煤礦智能化無人開采是煤炭開采技術變革的方向，是煤礦實現安全高效生產的核心技術。目前我國尚處于煤礦智能化發展的初級階段，存在基礎理論薄弱、核心技術瓶頸尚未突破的難題，尤其對于深部煤層開采環境下，煤層和圍巖分布的復雜性、綜采設備信息的不完備性以及兩者信息融合困難的問題，成為深部煤層智能化開采的難點與痛點[1-4]。因此，建立深部煤層完整的智能化開采技術體系至關重要。

自從采煤機誕生之后，煤炭開采效率和安全性得到大幅度提高，煤炭開采工藝實現了從炮采、機采到綜采、再跨越到智能化開采(智采)的不斷進步?，F階段智能化工作面研究中，地質模型構建主要集中在以高分辨率三維地震數據為核心或采前與采后多手段配合的方法[6-7]。除此以外，數字化的地質模型如何更新也是需要解決的重點問題[8-9];井下裝備位姿信息精準獲取，從而實現綜采裝備位姿精確感知與修正，提高智能化采煤工作面自主運行與人機交互能力，搭建遠程操作平臺實現數據可視化，實現綜采設備自主導航運行，才能真正實現智能化無人開采[10-11]。

回顧來看，采煤機經歷了桿式截煤機、鏈式截煤機、固定滾筒采煤機、搖臂滾筒采煤機的發展歷程，1870年英國創造了第1臺截桿式截煤機，1914年德國GEW公司制造出第1臺鏈式牽引截桿式割煤機，1928年前蘇聯制造出截煤機康拜因，1943年英國安德森公司制造出麥柯-摩爾(Meco-Moore)截裝機，1948年安德森公司造出第1臺截盤式滾筒采煤機，1952年詹姆斯·安德頓爵士設計第1臺固定單滾筒采煤機，1954年安德森公司造出AB16-安德頓型固定滾筒采煤機，1963年安德森公司造出MK-Ⅰ型可調高單滾筒采煤機，它是世界第1臺可調高搖臂式滾筒采煤機，1964年艾柯夫公司開始生產EW-170-L型可調高單滾筒采煤機[12-13]。

采煤機可視為一種特種環境作業機器人，由于地下煤層在空間上具有非結構特征，因此自適應截割能力是采煤機自動化和智能化水平的關鍵要素。70多年來，采煤機截割調控技術經歷了人工目測截割、機載探測截割、示教記憶截割3個發展階段。在第1階段，人工目測截割依靠司機跟隨采煤機觀察煤層變化，及時調控截割高度，它屬于跟隨式截割模式，20世紀60年代中期之前的采煤機處于人工目測截割階段。進入第2階段，機載探測截割基于煤巖界面輪廓感知而自動調整截割高度，它屬于仿形式截割模式。1966年，英國薩爾福特公司(Salford Electrical Instrument Ltd.)研制出SEI709型γ射線煤層厚度探測器，用于自動調節采煤機截割滾筒高度，開創了基于煤巖界面探測的自動調高新階段。20世紀70年代中期進入第3階段的記憶截割，它綜合了目測截割和仿形截割2種模式，以人工調控截割的軌跡示教與實時探測煤巖界面邊界相結合，成為依靠記憶數據反饋調控的截割模式。1975年，英國煤炭局組織試驗了采煤機記憶截割控制系統，在采煤機上安裝了頂煤厚度γ射線探測儀和采煤機傾斜度、搖臂傾角傳感器，微機存儲上一刀的搖臂傾角及頂煤(煤皮)厚度，在采煤機截割頂煤時預測截割高度，實現搖臂角度按需調節，這是最早的探測截割技術試驗。1976年，德國艾柯夫公司與西門子公司在EDW-170-L雙滾筒采煤機上進行了最早的記憶截割試驗。1980年，薩爾福特公司研發出MIDAS自動調高控制系統，1982年在英國南約克郡沃斯煤礦北42號工作面首次使用，到1990年在數十臺安德遜采煤機上安裝了MIDAS系統。1985年，艾柯夫公司借鑒機器人的“示教跟蹤”控制策略，研發出實時修正反饋的記憶截割控制系統，設定切割高度調控幅度為50 mm，成為目前采煤機普遍使用的煤層截割調控方法[14]。

2014年，筆者主持國家重點基礎研究發展“973”計劃項目，首次提出了基于煤層地理信息系統的自主導航截割新構想并獲得了發明專利，這是采煤機截割方式發展的第4階段。所謂自主導航截割，是利用煤層精細探測地圖作為截割規劃路徑，導控采煤機根據規劃進行無人駕駛操作，合理規避褶皺煤層變化，并實時修正截割路徑，實現采煤機對煤層截割作業的自主運行。筆者是在前期實踐成果的基礎上，對采煤機自主導航截割技術進行系統的凝練和闡述，包括創建具有動態更新功能的精細化煤層導航地圖;針對采煤機位姿狀態的精確感知難題，提出了多傳感器及慣性導航定位技術相結合的融合定位技術;建立以數字孿生矩陣為載體的具有物理-虛擬模型交互驅動的數字孿生模型，在此基礎上給出采煤機無人駕駛的防沖撞策略和采煤機智能導航截割控制。

1 煤層導航截割技術內涵及架構

1.1 導航截割技術內涵

煤層導航截割依靠采煤機無人駕駛實現，其實質是自移動機器人智能化作業，包括導航地圖、位姿感知、路徑規劃、姿態控制等4個技術內涵，如圖1所示。導航地圖是無人駕駛采煤機對煤層及作業環境進行探測和建模，從中提取相關信息并形成導航截割場景理解的能力。例如，煤層變化及異構體的位置、行走軌道檢測、采煤機周圍障礙檢測等數據的語義分類，其中定位也是環境感知的一部分，是采煤機確定其在煤層環境截割位置的關鍵能力。位姿感知是自動檢測采煤機在工作面的位置及作業姿態，從而確定準確的截割坐標，為采煤機自主截割提供方位控制參數，由于井下工作面空間狹窄、環境惡劣，采煤機自主精準定位技術是一個難點。路徑規劃是采煤機為了實現優化開采而做出的決策過程，對于導航截割的采煤機而言，決策目標主要是控制截割滾筒能夠跟蹤煤層起伏變化邊界，同時合理規避煤層中的異構障礙物，不斷優化截割軌跡以保證最大的資源采出率。姿態控制是根據環境感知和路徑規劃坐標，對采煤機的行進速度、截割高度、切割力度進行實時準確控制，在線檢測截割路徑的合理性并做出優化修正，并且實現采煤機與刮板輸送機、液壓支架之間的智能協同控制，形成煤層截割與頂板支護、煤流運輸之間信息交互和智能協作過程。

1.2 導航截割技術架構

煤層自主導航截割技術架構如圖2所示，它利用煤礦地質資料與震波CT物探數據，建立了工作面煤層三維地質模型。以煤層三維地質模型為導航地圖，利用捷聯慣性導航與軸編碼器融合的采煤機自主定位技術，采用地質測量數據和物探的煤厚數據，建立以東北天坐標系為參考坐標的三維地質模型。獲得煤巖截割過程中采煤機在煤層中的三維位置及其姿態，在煤層地質模型導航下實現采煤機截割煤層智能調控。構建自主導航截割架構，需要解決精細化煤層截割定位地圖、精準化煤層截割導航地圖、動態化煤層截割導控地圖、采煤機融合定位方法、定位精度提升、智采機組全位姿參數矩陣建立、物理-虛擬模型驅動與交互、無人駕駛防沖撞路徑規劃、截割作業智能調高調直等9項關鍵技術。

2 煤層智能化開采導航地圖構建

實現采煤機自主導航截割，需要獲得工作面的精準地質信息，包括煤層傾角信息、煤層頂底板高度線信息等，它須融合地圖構建、數值更新、數據處理以及專家知識等多個子系統，才能掌握煤層上下邊界曲面坐標及煤巖異構信息，為采煤機截割滾筒位姿及運動控制提供數據關聯及更新。目前，三維巖性精細化煤層導航地圖構建是主攻方向，其關鍵點在于精細化，采煤機實現自主導航截割的煤層地圖精度須達到50 mm。為了獲得精細化煤層導航地圖，其構建及更新過程可分為3個步驟(圖3):① 基于馬爾科夫鏈蒙特卡洛(MCMC)算法的地質統計學反演，在綜合了地質、測井、地震等資料的基礎上，利用貝葉斯判別、馬爾科夫鏈采樣、蒙特卡羅模擬等理論，達到符合煤礦生產所需的高分辨率巖性反演標準，構建精細化煤層截割定位地圖，利用精細薄煤層反演的煤層分辨能力可達到1 m左右，這個地圖僅可作為采煤機截割路徑設計的基本依據，還達不到導航控制的精度要求;② 利用井下煤巖同步定位與地圖繪制(C-SLAM，Coal-seam Simultaneous Localization And Mapping)技術，獲得精準化煤層截割導航地圖，其探測深度可達10 m，辨識精度一般為5 cm，這個精細化地圖可為采煤機的3～5刀煤層截割提供導航坐標;③ 利用采煤機上的煤巖截割監測技術，在線判別截齒切削到巖層的狀態變化，對頂底板邊界識別精度可達20 mm，能實時調控截割滾筒姿態，修正和更新采煤機截割路徑坐標，建立動態化煤層截割導控地圖，為采煤機后續截割提供更為精確的導航數據。

圖2 自主導航截割技術架構Fig.2 Autonomous navigation cutting technology architecture

圖3 自主導航截割地圖構建過程Fig.3 Autonomous navigation cutting map construction process

2.1 精細化煤層截割定位地圖

采用鉆探、物探等數據建立初始的煤層截割定位地圖，為采煤機截割控制提供一個三維煤層數據體模型。煤層三維數據體的時間深度轉換是使用地震反演成果數據體直接建立煤層地圖的關鍵，利用精細體時深轉換技術保證這一環節成功進行。為了進一步提高精度，三維數據模型需要由地質統計學反演得到的高分辨率多個等概率各類屬性體進行差異分析和初步優選，為精細體時深轉換的三維數據體對初始模型的修正提供參考依據。

基于MCMC原理的地質統計學反演，如圖4所示，實現煤系地層的精細化刻畫。第1步在已有三維地震勘探成果基礎上，融合礦井地質、鉆孔、測井、采掘信息、礦井物探等數據源，目標得到高分辨率的巖性數據;第2步將全疊加數據進行疊后反演實現煤層精細構造解釋;第3步利用地質統計學手段目標是將縱向高分辨率的巖性數據進行水平延拓，精確反演出模型內1 m厚的薄煤層。依據煤系地層巖性反演結果所建立的三維巖性精細地質模型，較傳統的鉆孔差值建模，能詳細刻畫薄煤層空間分布形態及頂底板巖性提高反演分辨率，為“透明礦山”的建立提供了基礎構架。

圖4 地質統計學反演參數示意Fig.4 Geological statistics inversion parameters schematic

2.2 精準化煤層截割導航地圖

為了獲得更為精準的煤層截割導航信息，需在截割定位地圖基礎上進一步提高煤層分布坐標精度。使用C-SLAM技術，通過煤巖層位智能探測系統實現煤巖界面的自動識別與實時跟蹤，實時動態獲取煤巖界面信息，并通過實時數據精確修正值插入煤層截割定位地圖，完成同步定位與地圖繪制，同時獲取煤層頂底板構造曲面的精準數據。

C-SLAM技術采用非接觸式雷達探測工作面煤層局部結構，將探測天線與工作面煤壁保持間距300～400 mm，沿著工作面煤壁連續掃描并精準定位，即可獲得局部煤層構造和起伏形態的三維精準信息，探測精度達到50 mm。將采集數據進行自動實時處理，通過無線傳輸給采煤機，可為采煤機截割煤層提供精準化導航地圖，如圖5所示。C-SLAM技術的核心部分是利用地質雷達法通過天線連續移動的方式向巷道頂板(底板或側幫)發射高頻電磁波，電磁波信號在傳播時遇到存在電性差異(如介電常數差異)的介質界面時，發生反射、透射和折射，通過雷達主機精確記錄反射回電磁波的雙程走時、振幅與相位等運動特征，獲得煤巖介質的斷面掃描雷達圖像，達到識別煤巖層位的目的，從而實時動態獲取高精度的煤巖界面、煤層厚度、頂底板邊界、煤層起伏、地質構造等信息。圖6為神東錦界煤礦的煤層探測實驗結果，煤巖界面探測精度為50 mm，通過與采煤機控制系統及集控中心的數據交互，能夠有效的制定滾筒調高策略，實現采煤機導航截割。

圖5 煤巖層位探測技術Fig.5 Coal and rock layer detection technology

圖6 神東錦界煤礦探測實例Fig.6 Shendong Jinjie Coal Mine exploration experiment

2.3 動態化煤層截割導控地圖

2.3.1截割狀態的聲波識別方法

對采煤機截齒切割煤層聲波進行采集，利用小波閾值和果蠅算法對采集的截割聲波自適應去噪，對去噪之后的多通道聲波進行深度學習，從而提取可以表征不同煤巖截割模式的關鍵特征，如圖7所示，對這些波形進行定性分析和區分，得到在截割煤層、截割巖層、截割夾矸以及空載不同截割狀態的聲波信號特征。在此基礎上，建立一種模糊C均值與人工免疫算法的無監督條件下采煤機煤巖截割模式識別算法，如圖8所示，克服了傳統模糊C均值中利用梯度下降法尋找中心位置時迭代時間長、對初始中心敏感的問題。實驗表明，這種識別方法可快速識別截齒割煤、割巖、割夾矸、空載等工作狀態，識別準確率超過95%，耗時少于2 s。

圖7 不同截割狀態的聲波信號特征Fig.7 Acoustic signal characteristics in different cutting states

圖8 基于截割聲音的采煤機截割狀態識別Fig.8 Recognition of shearer cutting state based on cutting sound

2.3.2截割狀態的振動識別方法

采集采煤機截割煤層時的搖臂振動信號，為了降低截割振動信號受環境干擾的問題，利用3次三角Hermite插值的局部均值分解(LMD)算法，分析截割振動信號的時頻分布規律;利用Kullback-Leibler散度的最優分量篩選算法和改進拉普拉斯分值的特征選擇方法，提取截割振動信號的多尺度特征信息。在深入分析采煤機實際截割工況的基礎上，基于果蠅算法-支持向量機(FOA-SVM)、果蠅算法-概率神經網絡(FOA-PNN)相融合創建采煤機截割狀態識別算法，如圖9所示，克服傳統支持向量機、概率神經網絡參數設置不合理的問題。結果表明，這種新方法能快速識別采煤機當前割煤、割巖、空載等工作狀態。

2.3.3截割狀態的溫升識別方法

采煤機截齒與煤巖摩擦產生熱聚集，顯現出截齒周邊的溫升分布，通過監測截齒截割時的紅外熱圖像,建立截割不同煤巖的溫度場特征，即可確定采煤機截割煤巖界面的動態變化。試驗表明，截齒在截割不同硬度的煤巖時，截齒齒尖會產生瞬時閃溫區，截割介質越硬，其閃溫值越高[15]。通過安裝在滾筒附近的紅外熱成像儀獲得實測的采煤機截齒周邊煤壁溫度場分布如圖10(a)所示。通過建立基于混合算法的紅外圖像去噪方法，改進果蠅算法尋找最優閾值，采用雙邊濾波的方法最終生成去噪圖像,由此形成采煤機截割狀態的溫升識別方法，據此采煤機實現自適應調高控制。

圖9 基于截割振動信號的采煤機截割狀態識別Fig.9 Recognition of cutting state of shearer based on cutting vibration signal

圖10 基于溫升的采煤機截割狀態識別Fig.10 Recognition of cutting state of shearer based on temperature rise

將聲波識別、振動識別、溫升識別3種方法聯合使用，形成截齒摩擦聲波、振動波、熱輻射波的多信息融合監測手段，對采煤機截割煤巖狀態進行實時感知，并且控制截割滾筒高度自適應調控，對煤巖界面邊界的追蹤誤差小于20 mm，記錄的追蹤軌跡即為動態化煤層截割導控地圖，用于采煤機下一個截割循環的導航地圖。

3 采煤機位姿精準感知

3.1 采煤機融合定位技術

通過捷聯慣性導航定位技術與其他傳感器融合感知，實現對井下各種惡劣環境中的采煤機機身位姿精確監測，如圖11所示。定位系統利用2個采煤機搖臂軸編碼器、1個采煤機牽引部軸編碼器和慣性測量單元的輸出數據，根據姿態解算公式和位置解算公式實時解算獲得采煤機在“東北天”坐標系下的運行軌跡和滾筒截割軌跡。然后，將采煤機運行軌跡和滾筒截割軌跡通過UDP通訊傳輸至綜采工作面回采巷道的數據存儲與處理系統。數據存儲與處理系統將采煤機運行軌跡和滾筒截割軌跡數據點與工作面煤層三維模型頂底板數據繪制在同一個“東北天”坐標系里，從而可以直觀觀察采煤機與工作面煤層的相對位置關系。

圖11 采煤機位姿感知與修正示意Fig.11 Shearer’s attitude perception and correction signal

基于航位推算原理，采煤機定位坐標的基本方程[16]為

(1)

(2)

式中，φ，θ，γ分別為由慣性導航裝置測量的采煤機航向角、俯仰角和橫滾角。

采煤機機身在“東北天”坐標系下的位置可表示為

Pnj(t)=Pnj(t-1)+Sn(t)

(3)

3.2 定位精度提升方法

圖12 動態零速修正技術的原理Fig.12 Schematic diagram of dynamic zero speed correction technology

將定位裝置安裝于某礦井下MG1000/2660-WD電牽引采煤機上進行定位試驗，其定位追蹤軌跡曲線如圖13所示[17]。試驗工作面的部分地質數據為:回采為南北方向，工作面為東西方向，工作面傾角 10.16°,材料巷標高+670.6 m，運輸巷標高+617.1 m，工作面傾斜長302 m，采煤機定位坐標系原點定義在刮板輸送機機頭處(運輸巷方向)。從圖13可以看出，采煤機定位裝置完整地測量并記錄了采煤機的連續截割過程，采煤機在工作面端頭的斜切進刀、工作面中部的持續截割均可在運行軌跡中觀察到，定位誤差小于50 mm。

4 導航截割數字孿生系統

根據綜采工作面智能化采煤與數字孿生科學問題的分析，本文提出以 “物理空間感知、數據交互與處理、虛擬空間執行”三維度的智采機組“三機”全位姿參數矩陣與數字孿生系統基本架構，如圖14所示。

圖13 采煤機在截割過程中的運行定位軌跡與截割軌跡Fig.13 Positioning and cutting tracks of the test shearer in an operation longwall face

圖14 “三機”全位姿參數矩陣與數字孿生系統示意Fig.14 Schematic diagram of three-machine full pose parameter matrix and digital twin system

(1)物理空間感知。通過對采煤機械設備物理結構、設備間運動關系與信息融合，將當前機械化開采依靠人工觀測的模式轉化為智能化信息提取與管理，同時使信息更精確化、全面化。

(2)數據交互與處理。作為數據分析決策端，將匯集的數據以“三機”全位姿參數矩陣模式歸并，將物理空間感知和虛擬空間執行的信息基于歷史數據、模擬仿真數據分析與邊緣、云計算，形成分析決策思想，代替傳統人工決策。

(3)虛擬空間執行。通過對“三機”全位姿參數矩陣信息的獲取，在虛擬空間中完成對應動作，并通過決策中虛擬執行調節動作對物理空間“三機”的姿態與位置調節進行指導，實現智能化采煤動作執行。

4.1 智采機組全位姿參數矩陣

通過對采煤工作面“三機”聯動工作過程與采煤作業姿態動作完全表達的需求分析，確定綜采“三機”的全位姿矩陣維數;結合D-H法剛體運動學矩陣，融合綜采“三機”動作與位置姿態參數構建全新矩陣表達綜采“三機”全位姿狀態;利用矩陣運算模塊，通過參數矩陣解算綜采“三機”各子部件位姿狀態，對 “三機”從物理實體模型轉化為數字模型，為實現開采過程中無人化精確感知與控制提供數學模型，如圖15所示，以底座O1處為原點建立二維直角坐標系O1-X1Y1，以后連桿A處為原點建立直角坐標系O2-X2Y2，同時建立掩護梁C處為原點建立直角坐標系O3-X3Y3，頂梁F處為原點建立直角坐標系O4-X4Y4，各部件對于坐標系旋轉角度分別為θ1，θ2，θ3，θ4。

實驗結果顯示，采用PDCA管理后，我院中提前抽血標本、試管錯誤、漏抽血標本、登記錯誤、樣本遺失的情況較質量管理前更優，組間差異具有統計學意義（P＜0.05）。見表1。

圖15 “三機”全位姿參數矩陣構建Fig.15 Injection water system of hydraulic extrusion measure

4.1.1采煤機全位姿參數矩陣

(4)

其中，h1為左滾筒高度;h2為右滾筒高度;v為采煤機行進速度;F為采煤機行進方向。通過式(4)所示的采煤機全位姿參數矩陣，實現了采煤機位姿從物理模型到數字模型的轉換。

4.1.2液壓支架全位姿參數矩陣搭建

(5)

其中，θD為頂梁俯仰傾角;H為支護高度;B1為護幫油缸伸長量;B2為側護油缸伸長量;T為推移油缸伸縮量。單個支架位姿全參數矩陣為一個二維數組，構建一個三維數組Y(m)(i,j,k)，將液壓支架群組狀態矩陣統一存儲與表達，其中，m為時間或采煤刀次;i，j為液壓支架位姿全參數、5×5矩陣中第i行第j列具體元素;k為液壓支架的架號。通過式(5)所示的支架全位姿參數矩陣，實現了支架位姿從物理模型到數字模型的轉換。

4.1.3刮板輸送機全位姿參數矩陣

為了全面描述刮板輸送機的位姿，將刮板輸送機離散化，確定刮板輸送機每一個刮板中部槽精準位姿狀態，以進行控制。每塊中部槽的位姿矩陣由采煤機經過時機身測得的對應4×4雅可比矩陣推導得出，為方便計算寫成4×4雅可比矩陣:

(6)

至此，完成“三機”物理模型到數字模型的轉化，為采煤工作面 “三機”位姿無人化精確感知與控制奠定基礎。

4.2 物理-虛擬模型驅動與交互

在采煤工作面工作周期中，將傳感器采集到的物理模型數據整合為“三機”全位姿參數矩陣，通過虛擬空間中映射建立“三機”的數字孿生模型，模擬“三機”在現實環境中的姿態和運動特征，通過記錄支架運行狀態等參數對支架運行狀況進行優化并預測潛在問題的發生。

數據接口、數據傳輸和數據存儲是將物理空間與虛擬空間聯合起來的媒介。在解算“三機”位姿與動作之后，以“三機”全位姿參數矩陣為載體，利用傳感器、數據采集模塊和無線傳輸裝置實現物理樣機運行數據的采集和傳輸。利用數據信號轉換和處理，通過無線傳輸實現數據的遠距離傳輸，并存儲至計算機SQL Server數據庫中。在Unity 3D軟件調用存儲在數據庫表中的數據，提供給虛擬樣機預留的數據接口，實現虛擬樣機的參數化驅動，使得物理樣機的運動和姿態在虛擬場景中得到復現。同時，工作面“三機”的數字孿生模型和物理模型處于實時交互中，并能及時對彼此的動態變化做出響應。利用嵌入的各傳感器參數的變化和實時運行記錄的數據，按照相應采煤工藝輸入不同的規劃條件進行虛擬仿真，并實時記錄“三機”位置姿態等關鍵參數數據。

4.2.1物理空間信息感知與融合

綜采工作面隨著生產進行不斷產生大量的物理信息，其中“三機”的物理空間數據感知與運行狀態信息融合是準確描繪綜采工作面物理空間的關鍵。通過對三機運動約束分析，求出確定三機準確物理空間位置與姿態所需測量的數據信息。進一步融合“三機”運行工況數據與環境參數，構建多源信息互聯模型。

4.2.2虛擬空間與虛擬樣機構建

通過參數化建模軟件、動畫與渲染軟件、三維場景編輯器等工具，構建綜采工作面虛擬環境與“三機”虛擬樣機，模擬物理場景的約束關系為模型和環境添加虛擬約束。建立“三機”的運動學模型，編寫由數據驅動的“三機”運動算法及相應數據接口。

4.2.3數據交互與數字孿生

采煤機作為綜采的主要設備，其安全性與可靠性保證了煤炭開采的順利進行。采煤機數字孿生模塊是采煤機實現自主運行、智能調整的關鍵技術，也是數字孿生智采工作面系統的重要組成部分。它不僅能準確反映采煤機的實時位置，還能夠提供采煤機數據交互、融合的功能，為采煤機運行狀態的實時評價提供了技術支撐。并且，通過內部優化算法與大數據分析，解算出采煤機最佳運行模式，采用5G通信技術將解算結果實時地輸出至采煤機控制上位機，實現對采煤機的實時優化控制。

5 采煤機智能導航截割控制

采煤機智能導航截割控制原理如圖16所示，由導航地圖生成煤巖軌跡，得到煤層頂底板線和煤層傾角信息，根據“三機”位置與運動軌跡自動化采集模塊得到“三機”當前位置信息，由導航地圖提供導航信息實現綜采設備路徑規劃、防干涉分析以及軌跡生成，實現綜采設備的自主調高調斜。

5.1 無人駕駛防沖撞路徑規劃

為了實現智采工作面導航截割，必須解決“三機”無人駕駛情況下設備間防沖撞的問題，對“三機”特別是采煤機路徑自主規劃，其中規劃主要包括行為決策、運動軌跡規劃等。在智采工作面的虛擬環境中，對虛擬“三機”的相對位置可以實時讀取，計算采煤機左右滾筒與液壓支架距離的實時數值，并設置預警值。根據“三機”運動需求，由感知識別、決策規劃以及控制執行3個子系統相互協作，如圖17所示，通過控制支架動作與采煤機牽引速度及滾筒高度使預警值保持在安全范圍內，實現虛擬空間中“三機”防沖撞。采煤機的運行路徑由刮板輸送機上實際軌跡曲線決定，而刮板輸送機上實際的彎曲形狀可由液壓支架推移油缸伸縮量控制。理想條件下采煤機的牽引路徑應為直線、截割曲線適應煤層頂底板線自動調整。通過虛擬空間的設備位姿數據、狀態監測數據計算得出“三機”的工作狀態預測模型，各設備的最佳運行模式。將虛擬空間同步模擬結果，結合數據接口與高速傳輸網絡，實時輸出至設備的控制上位機，實現“三機”無人駕駛狀態下的防干涉防沖撞與路徑規劃。

圖16 采煤機智能導航截割示意Fig.16 Smart navigation and cutting of coal shearer

5.2 截割作業智能調高調直

自主導航截割基于采煤機當前位姿狀態，根據導航地圖提供的煤層頂底板線與煤層傾角信息確定運行軌跡和截割軌跡，從而達到智能調高和調直控制。采煤機智能調高可以保障工作面準確割煤，智能調直能夠保持工作面規則幾何關系，其工作原理如圖18所示。

圖17 “三機”自動駕駛系統結構示意Fig.17 Schematic of independent height and straightening of shearer

圖18 采煤機自主調高調直示意Fig.18 Schematic of independent height and straightening of shearer

5.2.1截割滾筒自適應調高控制

實現采煤機滾筒自適應調高的關鍵是控制采煤機姿態使其橫滾角與煤層傾角保持一致。根據已獲得的煤層導航地圖中的底板數據，可以建立煤層底板分段線性表示方法，獲得煤層底板分段直線的斜率，即煤層傾角?；诿簩訉Ш降貓D的采煤機自適應調高控制流程如圖19所示，利用采煤機搖臂角度參數和采煤機定位定姿系統，計算獲得采煤機當前刀的截割軌跡，結合煤層傾角，得到下一刀采煤機臥底調整量。導航截割軌跡結合下一刀頂底板曲線得到導航截割軌跡修正量，修正量和采煤機臥底調整量求和之后，提供給采煤機調高控制器作為下一次導航截割的調高控制參數。

圖19 煤層底板分段線性化算法流程及實例Fig.19 Flow chart and example of the algorithm of piecewise linearization of coal floor

5.2.2行走路徑自動調直控制

采煤機行走路徑自動調直的基本原理是根據采煤機與刮板輸送機之間的幾何約束關系，利用采煤機運行軌跡反演解算刮板輸送機排列曲線形狀，然后根據工作面目標直線，在刮板輸送機推移過程中進行糾偏調直，其原理如圖20(a)所示。依據工作面方向確定刮板輸送機調直參考目標軌跡，然后根據刮板輸送機測量軌跡與參考目標軌跡解算并控制液壓支架的推移距離，從而在液壓支架推溜過程中將刮板輸送機調整為與工作面方向平行的直線狀態。調直過程如圖20(b)所示，工作面推進方向與東方向夾角為φ，d3，d5為刮板輸送機在推溜點3和5的實際推移距離。曲線Ln-1為采煤機在進行第n-1次截割煤壁過程中測量的刮板輸送機軌跡，采煤機在進行第n-1次截割時，由于缺少刮板輸送機調直的參考目標直線，液壓支架按照標準推移距離H(即采煤機截割深度)推移刮板輸送機，得到采煤機進行第n次截割時的刮板輸送機軌跡曲線Ln。

圖20 整體題目改成刮板輸送機動態調直示意Fig.20 Dynamic straightening of scraper conveyor

調直刮板輸送機的液壓支架推移行程算法如下:在刮板輸送機軌跡Ln-1上選擇相對于工作面推進方向最滯后點Dn-1，通過該點做一條平行于工作面方向的直線mn-1，再把這條直線沿著工作面推進方向平移距離H，得到直線mn作為采煤機第n次截割時刮板輸送機推移調直的參考目標直線。采煤機在第n次截割的同時測量出刮板輸送機軌跡曲線Ln。通過對比曲線Ln與參考目標直線mn，計算出曲線Ln各推溜點與參考目標直線mn在工作面推進方向上的位置關系與推移補償距離。若曲線Ln上的推溜點Ti超前于參考目標直線mn的距離為Δdi，則該推溜點的推移補償距離為-Δdi，液壓支架推移距離確定為H-Δdi(如推溜點T3)。若曲線Ln上的推溜點Tj滯后于參考目標直線mn的距離為Δdj，則該推溜點的推移補償距離為Δdj，液壓支架推移距離確定為H+Δdj(如推溜點T5)。這樣，當采煤機完成第n次截割時，完整地測量了刮板輸送機軌跡曲線Ln，而且實現了對采煤機第n次截割時的刮板輸送機的調直推溜，獲得了調直后的刮板輸送機軌跡曲線Ln+1。在刮板輸送機軌跡測量曲線Ln上尋找工作面推進方向上最滯后的點Dn，通過該點做平行于工作面的直線m′n，再把這條直線沿工作面推進方向平移距離H得到第n+1次截割時的參考目標直線mn+1，重復第n次截割過程中的測量與計算，完成第n+1次截割時刮板輸送機調直推溜。按照這樣的循環，刮板輸送機在工作面連續推進過程中不斷地修正而保持一定的直線度。

刮板輸送機動態調直過程仿真結果如圖21所示，其結果驗證了本文提出算法的準確性。當檢測誤差和執行誤差服從正態概率分布時，其極限誤差在±3σ范圍內的置信概率達到99.74%，在此概率條件下，刮板輸送機調直的理論最大直線度誤差為6(σm+σl)，其中，σ為標準差;σm為刮板輸送機軌跡檢測誤差;σl為液壓支架推移執行誤差。

圖21 刮板輸送機動態調直過程Fig.21 Dynamic straightening process of scraper conveyor

6 結 論

(1)提出了采煤機自主導航截割控制模式，它是采煤機的人工目測截割、機載探測截割、示教記憶截割之后的智能截割模式，為智采工作面的采煤機自動駕駛提供了新技術。導航截割模式具有導航地圖、位姿感知、路徑規劃、姿態控制等4個技術內涵，包括精細化煤層截割定位地圖、精準化煤層截割導航地圖、動態化煤層截割導控地圖、采煤機融合定位方法、定位精度提升、智采機組全位姿參數矩陣建立、物理-虛擬模型驅動與交互、無人駕駛防沖撞路徑規劃、截割作業智能調高調直等9項關鍵技術。

(2)以地質統計學反演為紐帶所建立的煤層截割定位地圖可作為采煤機截割路徑設計的基本依據，由C-SLAM實時探測得到煤層截割導航地圖可為采煤機3～5刀截割提供導航坐標，根據采煤機上的煤巖截割監測建立煤層截割導控地圖能夠實時反饋調控截割滾筒姿態，調控精度可達20 mm，并實時修正和更新采煤機導航截割的路徑坐標。

(3)通過捷聯慣性導航定位技術與其他傳感器對采煤機位置的融合感知，加以動態零速修正算法修正，可實現對復雜惡劣環境中的采煤機位姿進行精確監測，定位誤差小于50 mm。

(4)構建了“物理空間感知、數據交互與處理、虛擬空間執行”三維度的智采機組“三機”全位姿參數矩陣與數字孿生系統基本架構，以智采機組全位姿參數矩陣為載體，通過內部優化算法與大數據分析，可實現智采機組物理-虛擬模型的實時驅動與交互。

(5)根據導航地圖獲得煤層頂底板邊界和煤層傾角信息，匹配采煤機實時定位信息，即可完成路徑規劃、防干涉防沖撞分析以及截割軌跡生成，實現采煤機導航截割的自適應調高和行走路徑自動調直的精確控制。