煤礦巷道智能化掘進感知關鍵技術

胡興濤，朱 濤，蘇繼敏，劉凱文，代雙成，邢旭東，鄭光輝，劉炳權，王 波，張國玉

(北京天地華泰礦業管理股份有限公司，北京 100013)

煤炭是目前全人類生存所需的主要能源物質之一，雖然我國煤炭占一次能源消費比例在持續降低，但在2020年一次能源消費中，我國煤炭能源占比仍處于高位達56.8%，世界煤炭能源占比為27%左右。預計“十四五”期間，我國年均煤炭消費量約為41億t，占比保持在40%以上，加之我國“富煤、缺油、少氣”的資源稟賦特征，在未來相當長的一段時期內，煤炭仍將是我國最穩定、最可靠的基礎能源[1]。由于我國煤炭資源賦存、開發利用條件等方面的限制，約有90%的煤礦采用井工方式開采[2]。據統計，我國井工煤礦每年新掘用于開拓、準備、回采等各類巷道的長度約為12 000 km，工程量十分巨大。井工煤礦生產的2個重要環節是巷道掘進和工作面回采，近年來，隨著綜合機械化開采水平的不斷提高、智能化開采技術的日漸成熟[3-5]，綜采工作面回采速度大幅提升，平均每個工作面月消耗巷道超600 m，國家對煤炭生產的方針是“采掘并重，掘進先行”。但由于掘進工作面受工作空間狹小、環境條件惡劣多變等條件的影響，并且我國大多數掘進工作面仍然采用傳統的掘進工藝，掘進、支護交替間歇作業，用人多、速度慢、效率低，綜掘工作面的月平均進尺僅為180 m左右，導致礦井采掘失調嚴重，煤礦的正常有序生產受到威脅，嚴重制約了煤礦的安全高效開采[6]。

為滿足工作面快速推進的要求，解決制約提高巷道掘進支護與速度的問題，國內外有關專家、學者從技術和裝備優化入手開展了大量深入研究，研發出綜掘機、連采機、鉆錨一體化錨桿、錨桿(索)-鉆車、掘錨一體機等裝備[7-10]，并從長期規劃角度出發，結合煤礦智能化發展趨勢，研發了快速成巷技術、裝備和工藝[11-14]，并在國內外部分礦區成功應用，一定程度上緩解了采掘接替緊張的問題[15-17]。我國于20世紀70年代末從國外引進連續采煤機應用于煤巷平巷掘進。1983年，12CM11型連續采煤機在同煤大都溝煤礦創造了最高月產原煤3.5萬t，年產原煤30萬t，年進尺近10 000 m的記錄。1990年，瑞典山特維克第1臺ABM20掘錨機在Tahmoor Colliery 澳大利亞煤礦使用，我國于2001年引進該型掘錨機，2002年，該機在晉煤集團成莊煤礦投入使用。2003年，國家能源神東煤炭集團引進了JOY公司生產的12CM15-15DDVG型掘錨機，月平均進尺達800 m左右，應用效果良好。通過現場實際使用，掘錨機在一定程度上實現了巷道掘進和支護的平行作業，提高了煤礦巷道掘進速度[18]，但掘進效率和管理水平依舊偏低，仍然是困擾煤礦安全高效生產的主要因素之一。

隨著科學技術快速發展和國家發改委、國家能源局、應急管理部等8部委聯合出臺《關于加快煤礦智能化發展的指導意見》，重點突破我國煤礦巷道智能化快速掘進的技術與裝備有了技術和政策保障。目前煤礦巷道掘進設備的智能化水平遠低于綜采工作面，缺乏對超前地質精準探測、掘進機位姿、掘進工作面環境、設備運行狀態和圍巖參數等的自主感知能力;多源數據、圖像傳輸和存儲技術研究成果有限，應用實例較少;智能化掘進工作面大數據云計算和控制軟件技術大都處于頂層設計階段，實際開發、使用的煤礦數量不多。因此，研究煤礦巷道智能化掘進的自主感知、基于F5G通訊技術多源數據、圖像的傳輸和存儲、大數據云計算和控制軟件等協同工藝理論和關鍵技術，對煤礦巷道智能化高效掘進提供有效技術探索。

1 煤礦快速掘進理論及技術基礎

1.1 快速掘進煤炭地質保障理論及技術

為有效減少煤礦掘進、生產過程中瓦斯、水害、頂底板等事故的發生，2000年以來，煤礦地質保障工作由煤田地質勘探、礦井設計領域逐步向煤礦開采地質保障系統發展。2014年以來，隨著煤礦智能化開采的推進，煤礦地質保障正在向礦井地質透明化發展[19]。

1.1.1 煤礦高分辨率三維地震勘探技術

通過近10余年的研究與發展，煤礦高分辨率三維地震勘探技術在識別井工煤礦煤與瓦斯、突水、頂底板巖性等方面功能日趨完善[19]，在描述煤礦復雜地質構造方面的精準性也大幅提高[20]。該技術與礦井地質、物探等技術配合應用，更能提高預測的準確性。煤礦高分辨率三維地震勘探技術對預測煤層氣富集區、瓦斯突出的構造煤、突水通道、≥3 m斷層、頂底板圍巖穩定性等方面有較好的效果，如圖1，2所示。

圖1 三維地震勘探對地質體的識別Fig.1 Effect of 3D seismic exploration on seismic dataidentification of geological body

圖2 三維地震勘探對地質構造的預測Fig.2 Effect of 3D seismic exploration on seismic dataprediction of geological structure

1.1.2 礦井地質透明化理論和技術

隨著信息技術與煤礦相關專業的深度融合，少人化、無人化、機器人化、智能化等先進生產理念在煤炭行業快速推廣，袁亮等[21-22]提出了煤礦地質“透明化”。煤礦“透明”地質條件是實現智能快速掘進的重要基礎之一。目前，相關專家、學者在基于智能鉆探、智能物探、地質數據數字化、地質信息智能化更新和地質信息可視化等多源數據的綜合地質建模上開展了大量研究，如圖3所示，以滿足煤礦智能快速掘進和精準開采的地質條件需求。

圖3 三維地質結構模型Fig.3 3D geological structure model

1.2 巷道圍巖應力及其控制理論

建立在巷道圍巖應力及其控制前提下的掘錨一體化快速掘進技術，其理論基礎來自于近幾十年來國內外巷道圍巖控制理論[23]、錨桿支護理論和成套技術的發展。

1.2.1 預應力錨桿體系理論

誕生于20世紀90年代中后期的預應力錨桿體系理論表明:要充分發揮煤礦巷道主動支護作用和巷道“圍巖-支護”體系的最大支護力，必須保證錨桿體系具有足夠的縱向和橫向預緊力。如圖4所示，理論和實踐均證明，當錨桿的預應力達60～70 kN時，基本上能防止巷道頂板的下沉，從而可以加大錨桿間排距，減少錨桿數量，同時節約了鋼材，縮短了鉆孔和安裝錨桿的時間。

圖4 巷道“圍巖-支護”體系Fig.4 “Surrounding rock support” system of roadway

1.2.2 采動巷道變形特征理論

采動巷道的變形和破壞與煤系地層本身具有的特性以及工作面回采有密切關系，康紅普[24]對采動巷道變形從時間和空間上進行了研究，結果表明:采動巷道變形從時間上表現為分階段性、流變性和沖擊性3個階段。在空間上，采動巷道變形受掘進影響比較明顯的范圍一般為掘進工作面至2～5倍巷寬的距離;掘進影響階段巷道的變形一般比較小，采煤工作面采動影響階段巷道的變形則比較大。

1.2.3 巷道圍巖錨固技術

2000年以來，我國煤礦巷道使用錨桿的支護率達到了75%以上，成為巷道的主體支護方式，地質條件簡單的礦區如神東、陜北，幾乎全部采用錨桿支護。錨桿臺車、掘錨一體機等先進設備的引進、應用、研發、再應用使錨桿支護施工的機械化、自動化、智能化水平得到跨越式發展。2019年7月，全國首套智能化快速掘錨設備在煤巷掘進速度上月進尺突破了1 200 m。在頂板條件比較好、煤層傾角小的礦井，煤巷掘進月進尺可達3 000 m左右。

1.2.4 錨桿支護實時在線監測技術

20世紀50年代中期，我國煤礦開始在巷道支護中使用錨桿，但由于缺乏對錨桿支護的現場監測，導致相關工作人員對錨桿的工作狀態、支護效果等了解不深。隨著井下巷道礦山壓力監測技術的進步，有關科研、生產單位如前北京煤科院、尤洛卡等研發出了具有礦壓數據實時在線、自動監測、綜合分析等功能的巷道礦壓綜合監測系統[25-26]，如圖5所示。該系統可根據頂板離層量、頂底板和兩幫移近量、錨桿受力情況等監測數據動態調整錨桿支護設計，為保證煤礦巷道安全提供了有效監測手段。

1.3 快速掘進理論與技術

1.3.1 掘錨一體化快速掘進理論與技術

由于我國煤巖巷掘進條件差異較大，為進一步提升掘進速度，需要根據實際地質情況對快速掘進工藝及流程不斷優化，掘錨平行作業是巷道快速掘進的作業方法之一，尤其在煤巷掘進方面效果較好。掘錨一體化快速掘進主要由高效掘進系統集成配套、巷道全寬截割、空間多維度同步支護、錨索自動連續鉆孔、鉆機電液控制、柔性連續運輸、粉塵降除塵等關鍵設備組成，掘進工作面成套裝備多級協同控制系統的成功研制實現了上述多類型設備間的共聯動、同運轉的功能[27]。但現階段掘錨一體機在現場實際應用過程中，支護與掘進作業時間占比不均衡，支護和掘進平行作業率僅為30%左右，還需進一步從系統工程學的角度對工藝流程進行優化。同時，對掘錨一體機進行改造，解決掘錨一體機應用過程中幫部錨桿支護不完全的技術難題。通過掘錨工藝流程的優化、掘錨一體機的配套改進，形成與掘錨一體機相配套的科學工藝流程，實現掘錨兩種機構在時間上同步、空間上分離，達到巷道開挖最短時間內及時支護控制圍巖變形，進一步提高煤巷整體成巷速度。

1.3.2 全斷面掘進機(TBM)及其智能化技術

TBM在公路、鐵路、地鐵等傳統硬巖隧道施工中應用良好[28-29]。2000年以來，TBM開始在國內外煤礦的井筒、大巷和瓦斯抽放巷等巷道掘進中使用，尤其是近5年來，國內先后有11對礦井使用TBM掘進巷道，如圖6所示。TBM整機通過優化結構，長度從300 m縮減到60 m左右，更好地適應了煤礦巷道掘進條件。據統計，在巖巷掘進中，TMB掘進速度為鉆爆法的3～10倍，綜掘法的2～8倍，同時減少了現場作業人員數量。目前，礦用TBM智能掘進技術正在利用大數據、云計算等來解決截割參數不合理、姿位調整不及時、支護決策不合適所造成的部分設備損壞、漏冒頂、片幫、卡機等事故的發生[30]。

圖6 全斷面掘進機Fig.6 Full face roadheader

2 智能化超前自主感知理論與技術

安全生產是煤礦永恒的主題，也是開展各項工作的首位要務。楊健健等[31-33]在分析煤礦綜掘工作面實現智能化快掘自主感知和調控技術的基礎上，提出了“感知-控制-探、掘、護、錨”3個層次的智能化掘進技術體系。筆者在該技術體系上提出煤礦智能快速掘進技術研究應按照“以智能化超前感知為基礎，以多源數據計算為中心，以安全智能快速掘進為目標”的原則進行設計和構建。

智能化超前感知用于提高掘進設備對掘進工作面前方及周圍一定范圍地質條件、巷道環境、圍巖應力和煤巖體性質等方面的探測與預警能力，增強設備本身運行狀態的感知能力，獲取多源化數據、圖像傳輸給智能分析控制終端[31-34]。

2.1 超前地質探測精準感知

雖然煤礦高分辨三維勘探技術的發展在識別礦井精細地質構造勘探中的優勢獨特、“硬核”支撐作用顯著，但也必須要充分認識到礦井地質條件的復雜性、地質成果的多解性。近10余年來，煤礦綜掘機前端安裝視頻監測技術、X射線探測技術、礦井地質雷達探測技術等均因各種原因以失敗或難于推廣而相繼告終。有關科研技術人員研發出的與慣導技術一體的高分辨地質雷達，如圖7所示，其探測精度為2 cm，該設備加裝在綜掘設備上并與之聯動，實時動態獲取掘進工作面前方5 m以上范圍的煤巖結構，精準解析出地質構造、隱患災害，如圖8所示。該技術再結合井下千米鉆機、探水鉆機等常規地質鉆探技術，更能提前精確預測出掘進工作面前方斷層、褶曲、采空區、陷落柱、破碎帶、含水構造等，并為綜掘設備智能安全高效快速掘進提供參考。

圖7 高分辨地質雷達探測原理[35]Fig.7 Principle of ground penetrating radar[35]

圖8 圍巖裂隙探測[36]Fig.8 Detection of surrounding rock fractures[36]

2.2 基于TSOA定位原理混合算法的掘進設備位姿感知

利用納秒級甚至皮秒級的極窄脈沖實現信息傳輸的超寬帶(Ultra-wideband，UWD)測距技術對掘進設備的位姿進行檢測[37]，如圖9所示。

圖9 基于TSOA定位原理混合算法的掘進設備位姿檢測系統Fig.9 Position and attitude detection system of roadheader based on TSOA hybrid algorithm of positioning principle

巷道中布設自主定位基站群a,b,c,d，掘進設備機體上布設定位節點e,f,g，其中基站a為發射站，基站b，c，d為接收站，設定基站a位置坐標為(Xa，Ya，Za)，基站b,c,d的位置坐標分別為(Xb，Yb，Zb),(Xc，Yc，Zc),(Xd，Yd，Zd)，定位節點e,f,g的位置坐標分別為(Xe，Ye，Ze),(Xf，Yf，Zf),(Xg，Yg，Zg)。根據測距和定位(Time Summation of Arrival，TSOA)原理，通過自主定位基站群a,b,c,d對3個定位節點e,f,g進行UWB測距，測量出4個UWB自主定位基站相對于掘進設備機體上3個定位節點的空間距離ra，rb，rc，和rd觀測方程組:

(1)

劉超等[37-38]通過系統推導混合算法的計算過程，并將間接法計算出的初始值代入Taylor級數展開法循環迭代進行計算，消除誤差，進而解算出處綜掘設備機體上3個定位節點e,f,g的位置坐標(Xe，Ye，Ze)、(Xf，Yf，Zf)和(Xg，Yg，Zg)。將e，f，g的位置坐標代入位姿解算公式，可解算出掘進設備的航向角、俯仰角和橫滾角等姿態角參數。基于TSOA定位原理混合算法的掘進設備位姿檢測感知方法，測量范圍在3～94 m，誤差隨距離的變化規律為，X軸誤差基本上控制在40 mm以內，Y軸誤差最小可達毫米級，Z軸誤差則較大，其隨測量距離的增大而變大。

2.3 基于同步定位與建圖(SLAM)原理的掘進工作面環境感知

進入智能化階段的掘進設備，在井下實際掘進中需要實現自動駕駛才能真正達到智能化水平，環境感知是掘進設備智能高效運行的基礎，起到掘進設備“嗅覺”、“視覺”、“聽覺”和“觸覺”的作用，這些方面能力的不足將會直接導致掘進設備智能高效掘進辨不清掘進方向、看不到前行障礙(如片幫、底臌)、認不準開掘位置等問題，最終還是只有依靠掘進設備司機的現場觀測和操作。

智能掘進設備主要通過機載傳感器來獲取環境信息，并對環境信息進行收集、分析和處理。在葛世榮[39]對采煤機技術發展歷程(九)——環境感知技術研究和基于同步定位與建圖(SLAM)原理的基礎上，對掘進工作面環境感知進行研究。楊健健等[31-33]在結合井下掘進工作面少人化、無人化的發展趨勢下，針對掘進機作業時定向難、定位難的問題做了大量的研究，提出將激光雷達SLAM技術應用到掘進機上，同時將密閉狹長的掘進巷道環境問題轉換為概率統計的數學模型預測問題。通過使用泰勒級數展開法去近似的代替非線性回歸模型，多次迭代、修正回歸系數，得到最佳回歸系數，使原模型的殘差平方和達到最小，即激光得到的點數據與掘進工作面當前地圖的數據誤差最小，從而得到掘進機最優的位姿參數。

井下掘進工作面環境復雜，巷道掘進過程中會產生粉塵、有害氣體、噪聲、振動等，粉塵治理是智能快速掘進的一個重點和難點。掘進機加裝粉塵檢測裝置，通過對掘進空間粉塵的感知，相應數據通過決策系統處理后，啟動液-固-氣三幕除塵或袋式除塵、濕式除塵等高效粉塵防治裝置，最大程度解決智能快速掘進帶來的掘進工作面粉塵防治問題，同時提高了機載各傳感器的精度、攝像頭的清晰度。

2.4 掘進設備運行狀態感知

掘進設備主要包括機械、電氣和液壓三大系統，內部相互聯系，錯綜復雜。掘進設備在實際運行過程中，雖然設備故障類型具有多樣性、來源具有多元性，但是各個故障間存在一定的并發性、關聯性和不確定性的關系。若采用傳統的溫度、振動監測等診斷方法，無法實現快速、準確判斷出故障的產生原因。目前，將RBF神經網絡與粗糙集相結合的方法可用于對掘進設備的故障診斷。該方法首先運用粗糙集理論對采集到的掘進設備故障數據進行冗余去除，再利用 RBF 神經網絡模型進行構造，以實現掘進設備的快速、準確故障診斷，為智能化快速掘進的故障診斷提供理論支撐[40-41]。

RBF神經網絡是由輸入層、隱含層和輸出層組成，如圖10所示。從輸入層到隱含層為非線性關系、隱含層到輸出層為線性關系的3層網絡結構，其中,ωhm為隱含層至輸出層的路徑命名。

圖10 RBF神經網絡結構Fig.10 Structure diagram of RBF neural network

計算過程中，隱含層常用的變換函數為高斯函數Ri(x)，即

(2)

式中，x為輸入向量;ci為第i個基函數的中心;σi為第i個基函數的方差。

輸出:

(3)

式中，ωk-i為輸出層第k個神經元與隱含層第i個神經元的調節權重。

2.5 掘進巷道圍巖多參數感知

當前我國煤礦巷道圍巖受力、變形、頂板離層等監測方式大都采用的是基于井下工業環網的在線實時綜合監測，利用礦井已經建立的因特網、局域網、網絡平臺等可以實現巷道圍巖各參數監測內容的感知和信息共享。在掘進巷道內安設圍巖移動監測子系統，每隔30～50 m布置1個圍巖移動測點，用于監測圍巖移動情況。根據巷道掘進過程中可能遇到的斷層、陷落柱、褶曲等構造，或者按照設計，可能會有巷道與巷道之間、巷道與硐室之間的交叉點，這些部位裸露面積大、空間大等，或者按照《煤礦安全規程》規定需安設頂板離層在線監測系統，用于監測頂板2個深基點的變形量和離層量。按照所掘巷道服務功能，依據巷道所處地應力、工作面初采、正常回采、末采階段等情況，合理設置煤體應力測站，每個測站設置4～6個測點測量支承壓力和煤柱應力，相關數據傳至煤體應力監測子系統。巷道錨桿及錨索工作阻力監測子系統。在掘進巷道內安設錨桿(索)工作阻力監測點，每隔50～80 m選擇一個巷道斷面，每個斷面設置至少3個測點用來監測錨桿(索)的受力情況。頂板離層在線監測、圍巖移動在線監測、煤體應力在線監測和巷道錨桿及錨索工作阻力在線監測可以實現掘進巷道圍巖頂板離層、變形、受力等多參數的感知，如圖11所示，相應的多源、異構感知數據采集傳輸至信息分析平臺，經智能控制終端分析決策后發出預測預報，科學客觀的評價掘進巷道圍巖的受力、變形和穩定性情況，降低巷道圍巖事故發生率。

圖11 頂板離層在線監測系統Fig.11 Online monitoring system of roof separation

3 基于F5G通訊的多源數據、圖像傳輸和存儲技術

掘進技術是煤礦生產的核心技術之一，核心技術的進步和突破必將在一定程度上帶動煤礦涉及安全、建設、生產等環節關鍵技術的發展。2020-06-18，全國首座5G智慧煤礦正式在陽泉煤業集團新元煤礦落成[42]，國內地下最低的5G網——井下534 m“超千兆上行”煤礦5G專用網投入使用。5G技術助力掘進工作面和綜采工作面實現無人操作、機電硐室無人巡檢運行，證明了5G技術在煤礦應用的可行性。試驗顯示各項參數距離5G標準有一定差距，屬于5G技術應用的初始階段，真正實現智慧煤礦還需要更深入、細致的探索和研究。

隨著現代移動通訊技術的發展，從1986年第1代通訊技術1G發明為標志的“大哥大”年代，到現在萬物互聯的5G時代，移動通訊技術極大地改變著人們的生產和生活方式。煤炭行業生產方式也受同時代通訊技術發展的影響，從人力向機械化、自動化、智能化方向發展，從簡單的語音通話階段到語音視頻階段再逐步到現在的萬物互聯、智能化開采多源數據傳輸、信息融合與決策控制階段，具體關系對應情況見表1。

表1 通訊技術發展與我國煤礦開采技術進步的對應關系Table 1 Correspondence table of communication technology development and coal mining in China

3.1 多源數據的傳輸和存儲

多源數據傳輸采用基于F5G通訊的數據傳輸方法[43-44]，該系統主要由自動感知裝置、1號數據轉換模塊、智能分析控制終端裝置、2號數據轉換模塊和決策應用裝置等5個部分組成。其中自動感知裝置包括掘進機位姿感知裝置、工作面環境感知裝置、掘進設備運行狀態感知裝置和掘進巷道圍巖多參數感知裝置等;數據轉換裝置包括數據轉換模塊和數據交換服務器;智能分析控制終端裝置即信息融合層，通過云計算平臺來處理多源信息;決策應用裝置主要是接收2號數據轉換裝置傳來的指令后執行相應的動作。

1號數據轉換模塊和2號數據轉換模塊分別與智能分析控制終端裝置連接，其通過F5G通訊傳輸控制協議進行通訊連接，如圖12所示。

圖12 多源數據傳輸系統Fig.12 Multi source data transmission system diagram

1號數據轉換模塊將自動感知裝置收集的數據進行序列化處理，智能分析控制終端服務器將數據反序列化后存入相應的數據庫中。基于F5G的多源數據傳輸分為實時數據傳輸和歷史數傳輸。實時數據傳輸預設的時間間隔不受限制，可設定為任何的合理時間間隔，通常情況下時間間隔設置為5 s或10 s。實時數據按照設定的時間間隔從已經緩存的內存中獲取最新數據，通過基于F5G的多源數據傳輸系統直接傳到智能分析控制終端。歷史數據則從已緩存的數據庫中查詢指定數量的數據，按照由老及新的時間順序整體打包發送至智能分析控制終端，同時，相應數據從緩存中刪除。

當F5G網絡因故臨時中斷時，歷史數據將在智能分析控制終端的臨時數據庫中繼續緩存，網絡恢復正常后，未傳輸的數據將會“續傳”。

3.2 多源圖像的傳輸和存儲

基于F5G通訊的多源圖像傳輸系統同樣包括自動感知裝置、3號視頻數據轉換模塊、4號數據視頻轉換模塊、智能分析控制終端裝置、5號視頻數據轉換模塊和決策應用裝置等6個部分。自動感知裝置包括超前探測精準感知、掘進工作面環境感知和巷道圍巖多參數感知等設備的內置攝像頭。智能分析控制終端裝置包括帶有高清多媒體接口的顯示器(HDMI)。連接方式為:感知設備的內置攝像頭?3號視頻數據轉換模塊?4號數據視頻轉換模塊?智能分析控制終端裝置→5號視頻數據轉換模塊→決策應用裝置。

感知裝置內置攝像頭的IP地址包括實時IP地址和固定IP地址，3號視頻數據轉換模塊的服務器用于存儲數據，4號數據視頻轉換模塊可以從該處獲得感知裝置內置攝像頭的相應數據。

由于4號數據視頻轉換模塊已經從3號視頻數據轉換模塊中獲取了掘進設備相應功能的決策應用裝置號和感知裝置內置攝像頭的IP地址等信息，并且已經與感知裝置內置攝像頭建立了完整的數據交換，實現了基于F5G通訊的連接，即通過4號數據視頻轉換模塊可以直接拉取所需的視頻數據。智能分析控制終端裝置綜合多源圖像，經過綜掘設備云計算平臺對相應圖像數據進行處理，通過5號視頻數據轉換模塊將相應指令傳達給決策應用裝置執行相應動作。多源圖像傳輸系統如圖13所示。

圖13 多源圖像傳輸系統Fig.13 Multi source image transmission system diagram

4 智能化掘進工作面大數據云計算和控制軟件技術

4.1 智能化掘進云計算平臺構架和功能

根據智能化掘進云平臺構架方案，系統層面搭建具有強大的大數據處理能力和高效分析效率的Hadoop[45]，以及專門用來對分布式存儲的大數據進行處理的工具Spark，即Hadoop & Spark一體化大數據云計算分析處理平臺，如圖14所示。Hadoop & Spark將掘進設備運行狀態感知的數據集分派到一個由普通計算機組成的集群中，并在其多個節點進行存儲、分析和可視化互動。

智能化掘進大數據云計算分析處理平臺客戶端采用瀏覽器請求、服務器響應工作模式的瀏覽器/服務器架構。客戶端可以通過訪問該平臺實現實時了解掘進工作面前方斷層、采空區、陷落柱、破碎帶、含水構造等地質狀況，掘進機位姿狀態，掘進工作面粉塵、有害氣體、噪聲、振動等環境狀況，以及掘進設備運行狀況等。此外，通過大數據云計算分析處理技術，提高對相關數據的“加工能力”，通過“加工”實現對智能化掘進海量數據的專業化處理，進一步開發智能掘進計算(懸臂式掘進機、連采機、掘錨一體機、TBM等)模型。

4.2 掘進智能控制軟件

4.2.1 基于VMware vSphere的智能化掘進-SmartX軟件技術架構

基于VMware vSphere的智能化掘進-SmartX超融合分布式塊存儲系統架構分為數據源層、智能化超前感知數據采集層、多源數據和圖像的傳輸存儲層、大數據云平臺數據分析層、決策應用層，如圖15所示，在智能化掘進-SmartX智能控制系統中，數據加載模塊承擔接入來自自主感知裝置經過1號數據轉換模塊或4號數據視頻轉換模塊傳輸的實時多源數據和多源圖像數據。數據提取模塊承擔批量抽取智能分析控制終端或3號視頻數據轉換模塊服務器中的歷史數據。計算模型加載模塊則是根據數據來源渠道的不同，自動調用智能化掘進-SmartX智能控制系統中的分析處理模型，經過大數據云計算實時計算出相應參數數據，并自動進行綜合分析、判斷，結果通過2號數據轉換模塊或5號視頻數據轉換模塊反饋給智能化掘進裝備的決策應用裝置，繼而快速執行相應的動作。

圖15 智能化掘進-SmartX軟件技術架構Fig.15 Intelligent tunneling-SmartX software technology architecture

4.2.2 智能化掘進-SmartX軟件功能

智能化掘進-SmartX系統包括超前地質探測精準感知、掘進設備位姿感知、掘進工作面環境感知、掘進設備運行狀態感知、掘進巷道圍巖多參數感知、安全預警、智能導控、智能臨時/永久支護等8個主要功能模塊，如圖16所示。智能化掘進工作面地質狀況的映射包括超前地質探測精準感知、掘進巷道圍巖多參數感知和智能臨時/永久支護3個模塊。智能化掘進設備狀況的映射包括掘進機位姿感知、掘進設備運行狀態感知、安全預警、智能導控4個模塊。智能化掘進工作面作業環境狀況的映射則包括掘進工作面環境感知1個模塊。

圖16 智能化掘進-SmartX軟件功能規劃Fig.16 Intelligent tunneling-SmartX software function planning

智能化掘進-SmartX系統由數據加載模塊接入傳感器傳輸來的大量實時數據后，數據抽取模塊批量抽取歷史數據，模型裝載模塊再將計算模型和腳本加載至系統中，系統將實時計算相應指標，繼而進行判斷，將結果反饋至決策層，從而執行相應動作。

5 結語及展望

煤礦巷道智能化掘進是綜合機械化、掘錨一體化、TBM等掘進的換代升級，智能化掘進設備的自主感知、基于F5G通訊技術的多源數據、圖像的傳輸和存儲、大數據云計算和控制軟件是煤礦巷道智能化掘進技術的核心。通過分析煤礦巷道智能化掘進的超前自主感知理論與技術包括超前地質探測精準感知、位姿感知、環境感知、運行狀態感知等，多源數據、多源圖像的傳輸和存儲包括感知設備、數據轉換裝置、智能分析控制終端、決策應用裝置等，智能化掘進工作面大數據云計算和控制軟件技術包括基于Hadoop&Spark一體化大數據云計算平臺構架、基于VMware vSphere的智能化掘進-SmartX控制軟件等，雖然部分關鍵技術已經達到國際先進水平甚至具備國際領先水平，但仍需要從以下3個方面加強科技攻關，以進一步提高煤礦巷道智能化高效掘進水平。

(1)研制高質量感知設備(傳感器、攝像頭)與多源數據、圖像深度融合技術。智能化掘進需要采集掘進工作面的水、火、瓦斯、粉塵、通風、煤巖性、地質構造、設備運行等各類信息，大量的感知設備需要布設，然而受感知設備精度、穩定性、布設方式和井下5G通訊方式的部分局限性，并且目前智能掘進設備上使用的感知設備種類、精度、準確度、可靠性和智能性等也具有一定的局限性，導致多源數據、圖像在深度融合方面的精度、準確度偏低，限制了智能化綜掘設備在作業過程中協同控制、工序優化等智能化水平的控制和決策能力發揮。

(2)研發基于F5G通訊技術的掘進工藝智能化技術。目前受通訊帶寬和通信網絡實時性的制約，使得感知設備狀態信息上傳具有不完整性，智能分析控制終端信息處理能力偏弱，下達的控制協同信息又具有較大的滯后性，很大程度上限制了掘進設備各工作單元之間的智能協調聯動。基于F5G的通訊技術能夠在較大程度上確保智能化掘進設備在運行過程中的位姿、速度等參數判定和動作在設定的邏輯控制中快速準確完成，實現智能化掘進設備高效率、低時延、高可靠性的智能聯動。

(3)提升煤礦巷道智能化掘進輔助生產環節的智能化水平。全面發展掘進工作面生產智能化調度，覆蓋截割、運輸、支護、除塵等多個方面，系統性提升煤礦巷道掘進的整體智能化水平。加快推進智能化掘進輔助作業平臺的研究與應用，針對智能化掘進工作面輔助作業工種，如管路安裝、風筒連接、構造帶特殊支護等作業，積極開展機器人化多功能作業平臺裝備研制。開發智能化掘進輔助生產環節n階段并聯多服務臺有限顧客循環排隊模型并應用于大數據云計算環節中，以提高掘進工作效率、大幅減少掘進作業輔助人員數量，減輕工人勞動強度，實現掘進工作面智能化水平的整體提升。