基于工況觸發的采煤機滾筒截割高度模板生成方法

李重重 姚鈺鵬

文章編號：1671?251X（2024）04?0144?09 ?DOI：10.13272/j.issn.1671-251x.2024010097

摘要：針對采煤機在工作過程中易受不同工況條件的影響導致滾筒調高精度低的問題，提出了一種基于工況觸發的采煤機滾筒截割高度模板生成方法。對采煤機歷史傳感器數據進行預處理和特征提取，選擇影響滾筒高度調節的截割電動機電流、截割電動機溫度、俯仰角、橫滾角、牽引速度5維特征數據，構建用于生成滾筒截割高度模板的補償回聲狀態網絡（C?ESN）模型；建立工況觸發機制，將采煤機傳感器實時數據輸入?C?ESN 模型，以測試誤差為判斷準則，識別當前采煤機的工況為正常區域、三角煤區域或異常工況；最后，C?ESN 模型生成相應的滾筒截割高度模板。當三角煤區域和正常區域測試誤差都大于閾值時，采用遷移學習方法對測試誤差小的截割高度模板參數進行修正，以保證異常工況下截割高度模板的精度。基于現場采煤機實際數據的實驗結果表明：左右滾筒截割高度模板與實際截割高度相比，在正常區域的最大誤差分別為11.47，9.96 cm，在三角煤區域最大誤差分別為12.91，7.94 cm，能夠滿足工程實際要求；與傳統回聲狀態網絡和徑向基函數網絡模型相比，C?ESN 模型的精度在正常區域分別提升了54%和57%，在三角煤區域分別提升了10%和69%。

關鍵詞：采煤機；滾筒高度；截割高度模板；補償回聲狀態網絡；工況觸發；遷移學習

中圖分類號：TD632 ?文獻標志碼：A

A generation method for the cutting height template of the shearer drum based on working condition triggering

LI Zhongzhong， YAO Yupeng

（Beijing Tianma Intelligent Control Technology Co.， Ltd.， Beijing 101399， China）

Abstract： In order to solve the problem of low precision in drum height adjustment caused by different working conditions during the working process of the shearer， a generation method for cutting height template of the shearer drums based on working condition triggering is proposed. The method preprocesses and extracts features from historical sensor data of the shearer， selects 5-dimensional feature data that affect the adjustment of drum height， including cutting motor current， cutting motor temperature， pitch angle， roll angle， and traction speed. The method constructs a compensated echo state network （C-ESN） model for generating drum cutting height templates. The method establishes a working condition triggering mechanism， inputs real-time data from the shearer sensors into the C-ESN model. The method uses testing error as the judgment criterion to recognize the current working condition of the shearer as normal area， triangular coal area， or abnormal working condition. Finally， the C-ESN model generates the corresponding drum cutting height template. When the testing errors in both the triangular coal area and the normal area are greater than the threshold， transfer learning method is used to correct the parameters of the cutting height template with small testing errors to ensure the precision of the cutting height template under abnormal working conditions. The experimental results based on actual data of on-site coalmining machines show that compared with the actual cutting height， the maximum errors of the left and right drum cutting height templates in the normal area are 11.47 cm and 9.96 cm， respectively， and in the triangular coal area are 12.91 cm and 7.94 cm， respectively.The results can meet the practical requirements of engineering. Compared with traditional echo state network and radial basis function network models， the precision of the C- ESN model has been improved by 54% and 57% in the normal region， and by 10% and 69% in the triangular coal region， respectively.

Key words： shearer; drum height; cutting height template; compensating echo state network; trigger of working conditions; transfer learning

0引言

采煤機滾筒自動調高是實現工作面無人或少人開采的重要環節[1]。在復雜地質環境中，煤層厚度通常具有較大的空間差異性，采煤機滾筒需沿工作面煤巖界面不斷調整自身高度，以獲得最大采出率，并盡量避免截割巖石[2]。采煤機滾筒自動調高是指在采煤機牽引運動時，前后滾筒高度隨煤層厚度變化自動調整，以獲得最大采出率并避免切割頂板和底板[3]。目前，采煤機滾筒調高主要采用記憶切割和人工遠程干預的方法，難以實現自動調高控制[5]。在智能化開采的大背景下，如何實現采煤機滾筒自動調高是亟待解決的問題。

采煤機滾筒自動調高方法主要包括記憶切割、自適應控制器、煤層信息建模等[6]。記憶切割和自適應控制器僅適用于結構穩定的煤層，當煤層地質條件發生變化時，可能會導致截割滾筒切割頂層巖石，從而損壞截齒[7]。煤層信息建模方法包括煤巖自然伽馬輻射（Natural Gamma Radiation， NGR）法、切割力反饋法、雷達探測法及圖像識別法等[10]，其顯著缺點是依靠實時采集的煤層信息來判別滾筒高度，可靠性較低。針對上述問題，劉鵬等[11]提出以煤層地震波層析像作為數據源，利用地學空間信息構建精細化頂底板模型，從而實現采煤機滾筒高度自動控制。該方法雖不受粉塵、光照、水霧等環境因素影響，但構建精細化頂底板模型難度較大，易受震源和接收器安放位置、地震波傳播路徑、地聲信息等影響。高有進等[12]根據采煤機截割過程物理模型，給出了滾筒調高過程動力學方程，但該方程是十分復雜的非線性動力學模型，實際實施過程中很難實現。為實現滾筒高度自動調節，郭鑫[13]將上述動力學模型簡化成簡單的二階線性系統，然而，線性化模型無法體現采煤機負載隨工況變化的過程，導致滾筒高度控制效果欠佳。近年來，模糊控制方法[14]、魚群算法[15]等智能算法被用于實現采煤機滾筒自適應調高，但這些智能算法均沒有考慮采煤機在不同工況下的滾筒自動調高問題。筆者基于采煤機歷史數據和實時感知數據，采用梯度提升決策樹（Gradient Boosting Decision Tree， GBDT）生成采煤機截割模板[16]，并成功應用于陜西煤業化工集團有限責任公司黃陵礦業一號煤礦（簡稱黃陵一礦）807工作面。然而，GBDT 計算復雜度高，無法有效應對采煤機異常工況。

為了識別不同工況并應對異常工況，本文在前期研究的基礎上，提出一種基于工況觸發的采煤機滾筒截割高度模板生成方法。構建用于生成截割高度模板的補償回聲狀態網絡（Echo State Network With Compensation，C?ESN）模型，在模型中加入反饋機制，提高模板生成的準確性和穩定性。采用工況觸發機制，針對采煤機工作時的不同工況，觸發相應的?C?ESN 模型，生成截割高度模板。

1 C?ESN 模型原理

采煤機通常由截割部、裝載部、運輸部和牽引部等組成。截割部截齒在煤壁中旋轉切割，通過液壓控制系統伸縮調節截割高度；裝載部將截割下的煤塊裝入運輸部，運輸部將煤塊運送至特定位置，牽引部利用牽引電動機控制采煤機進行往返運動，使其連續工作[17]。采煤機工作狀況如圖1所示。

采煤機不同的截割工藝會產生不同工況，不同工況需對應不同的滾筒截割高度模板，以提升滾筒調高的精準性。由于滾筒高度是依據液壓系統的搖臂高度與油缸推出距離之間的非線性關系進行調節，所以本文采用具有強大非線性擬合能力的C?ESN 對非線性系統進行建模。

傳統回聲狀態網絡（Echo State Network，ESN）由輸入層、儲層和輸出層構成[18]。儲層特征矩陣 X 和期望輸出矩陣 Y 分別為

式中：t 為時間步；f 為神經元激活函數；Win，Wres 為輸入層和儲層權重矩陣；u（t）為輸入數據；Wout 為輸出層權重矩陣；ε為誤差項。

ESN 只對Wout 進行訓練，使得儲層特征矩陣 X 到期望輸出矩陣 Y 之間的距離最小，即通過估計最佳參數 W（?）out 來最小化均方誤差（Mean Squared Error，MSE）。

式中 M 為未知向量矩陣。

采用嶺回歸方法求解式（3）可得?M =（XTX+λI）?1 XT，將求解到的?M 代入式（3）并表示為Wout，此時真實估計的Wout 不是理想的最佳參數 W（?）out，Wout 與 W（?）out 之間的距離為

W（?）out ? Wout =（MX ? I）Wout + Mε

式中I為單位矩陣。

由式（4）可得方差σ2與偏差 Bias 的關系：

σ2（W（?）out ）=σ2（Mε）=σ2（MMT ）

Bias（W（?）out ）= E（W（?）out ? Wout ）=（MX ? I）Wout

最終可得 MSE 為

MSE =∥et ∥2（2）=∥Y（t）?y（t）∥2（2）=

（Wout ）T （MX ? I）T （MX ? I）Wout +σ2（MMT ）（7）

式中?et 為Y（t）與輸出矩陣估計值y（t）之間的誤差。

由式（7）可知，方差σ2與權重 Wout 均會影響 ESN 的建模精度。雖采用優化算法能夠保證參數的準確性，但針對方差σ2卻很少有方法應對。因此，本文對傳統?ESN 網絡進行改進，在傳統?ESN 的網絡結構中增加反饋機制，構建?C?ESN 模型，采用誤差補償方式減小σ2，進而提高模型精度。

C?ESN 由計算層與補償層組成，其動力學模型為

x（1）（t）= f（W ）u′（t）+W x（1）（t ?1））（8）

e′（t）= Y′（t）? y（?）（t） ?（9）

x（2）（t）= f（W ） e（t）+W x（2）（t ?1）） （10）

y（?）（t）= W x（1）（t）+W x（2）（t） （11）

式中：x（1）（t）和x（2）（t）分別為計算層和補償層的內部狀態；W ） ，W 分別為計算層的輸入及神經元池連接權重矩陣；e′（t）為誤差；Y′（t）與y（?）（t）分別為目標輸出和預測輸出；W ） ，W 分別為補償層的輸入及神經元池連接權重矩陣；W 與W 分別為計算層及補償層的輸出權重矩陣；u′（t）為輸入數據。

2工況觸發機制

采煤機雙向截割過程是從端頭斜切進刀，刮板輸送機推直，再斜切進刀返回，形成三角煤區域[20]，截割過程跟機支架分布如圖2所示。截割工藝通常由中部截割、端頭三角煤截割組成。端頭三角煤又分為掃煤、割底、斜切進刀等工藝[16]。不同的截割工藝會產生不同工況，每種工況需對應1個由三維數組[p，h1，h2]構成的采煤機滾筒截割高度模板，其中 p 為采煤機位置，h1為左滾筒截割高度，h2為右滾筒截割高度。以黃陵一礦807工作面為例，工作面支架數量為150個，截割工藝包含中部截割、清浮煤、清浮煤返回、斜切進刀、斜切進刀返回，其工況劃分見表1。

由于煤層形成因素復雜，如果僅根據歷史存儲的滾筒高度進行截割，可能發生異常情況。因此，本文通過?C?ESN 模型對三角煤區域和正常區域進行識別，生成不同工況下的采煤機滾筒截割高度模板。

在采煤機截割過程中，將監測的實時數據輸入?C?ESN 模型，以識別當前工況，根據測試誤差觸發相應工況處理機制，生成對應的高度模板。工況觸發模型為

式中：e（1）為實測數據與三角煤區域設定值的誤差； e（2）為實測數據與正常區域設定值的誤差；m 為閾值。

當三角煤區域的測試誤差小于正常區域的測試誤差時，判斷為三角煤區域，反之則判斷為正常區域，當二者均大于 m 時判斷為異常工況。當前工況的輸出權重為

W = Wall T ??（13）

式中Wall 為通過訓練得到的三角煤區域和正常區域輸出權重。

當觸發異常工況時，采用遷移學習機制，其基本思想是利用接近異常工況的知識改進異常工況對目標任務的學習，并調整模型參數。通過權重更新，提高異常工況建模精度。異常工況的輸出權重更新公式為

Wabnormal =（I+ X1 X1（T）+ X2 X2（T））（X1 Y1（T）+ X2 Y2（T））（14）

式中：X1和 X2分別為異常工況和接近異常工況的模型儲層特征矩陣；Y1和Y2分別為異常工況和接近異常工況的截割高度。

3滾筒截割高度模板生成

采煤機滾筒截割高度模板生成過程如圖3所示。對采煤機傳感器數據與歷史截割數據進行異常處理、數據融合與特征篩選，得到可用于構建滾筒截割高度模板的時間序列數據。采用預處理后的時間序列數據訓練?C?ESN 模型并構建采煤機滾筒截割高度模板。

采煤機數據主要包含2類數據：一類是采煤機傳感數據，另一類是歷史截割數據。采煤機傳感數據包括位置架號、電流傳感器采集的左右滾筒截割電動機電流、溫度傳感器采集的左右滾筒截割電動機溫度、左右滾筒高度、傾角傳感器測量的采煤機繞載體坐標系的軸轉動角度（即俯仰角和橫滾角）、采煤機牽引速度。載體坐標系是指以采煤機為載體構建的坐標系。歷史截割數據包括位置架號、左右滾筒高度、割煤刀數和每刀結束的時間。

模板生成具體步驟如下。

1）異常處理。采用繼續保留、直接刪除或均值修正的方法進行數據處理。針對數據缺失情況，通過分析缺失數據特征，識別缺失原因，采用直接刪除、填值補充和插值重建等方法進行處理。

2）數據融合。以采煤機傳感數據表為主表與歷史截割數據進行連接。由于影響滾筒高度截割的因素較多，涉及采煤機姿態、滾筒高度、采煤機牽引速度、截割電動機電流和溫度、工況數據等多個維度的數據，因此，以時間為索引將數據整合為時間序列數據。

3）特征篩選。結合方差判斷的方法，篩選出影響滾筒高度調節的特征，即截割電動機電流、截割電動機溫度、俯仰角、橫滾角和牽引速度。

4）模型建立。以電流、溫度、俯仰角、橫滾角和牽引速度作為模型自變量，滾筒高度作為因變量，構建?C?ESN 模型。

5）模板生成。將采煤機截割過程中實時監測的數據輸入?C?ESN 模型，通過判斷測試誤差，完成工況識別并生成相應工況的截割高度模板。

4實驗與結果分析

4.1數據處理

實驗數據采用2023年3月黃陵一礦807工作面采煤機數據，綜采工作面長度為150 m，平均煤厚2.75 m，共150個支架。在煤壁截割過程中設置采樣點間隔為0.5 m，共采集338刀數據。

對缺失數據進行補全操作：當數據發生變化時，記錄1條特征數據；當數據保持不變時，不記錄特征數據。對補全后的數據進行分析發現，溫度、電流和滾筒高度中存在缺失樣本，缺失數據最大占比為0.01%。由于數據缺失比例較小，對缺失數據對應的記錄進行刪除處理，刪除后對后續建模影響較小。807工作面部分采煤機特征數據見表2。

以溫度和電流特征為例，利用箱線圖對數據進行統計，如圖4所示。可看出左滾筒溫度的上邊緣線為89，右滾筒溫度的上邊緣線為92，且左右滾筒電流數據異常變化明顯，異常原因在于工作過程中存在截齒碰到巖石的情況，電動機負荷大，煤層截割的動力需求增加。因此，對于模型自變量中的溫度和電流，保留左滾筒溫度小于等于89℃的數據、右滾筒溫度小于等于92℃的數據，以及左右滾筒電流為0～150 A 的數據。

4.2工況識別

C?ESN 模型以同一牽引方向的滾筒高度為因變量，電流、溫度、俯仰角、橫滾角和牽引速度為自變量，進行工況識別，結果如圖5所示。可看出，正常區域模型的輸出結果與正常區域數據相吻合，而三角煤區域模型的輸出結果與正常區域數據則表現出顯著差異。根據模型的?MSE 可得到相同的結果，圖5（a）情況下模型的?MSE 為6.36×10?14，圖5（b）情況下模型的?MSE 為0.025，說明識別出的工況為正常區域。同理，三角煤區域數據與三角煤區域模型輸出吻合，而與正常區域模型輸出差距較大，表明此時識別到的工況為三角煤區域。圖5（c）情況下模型的?MSE 為4.05×10?15，圖5（d）情況下模型的?MSE 為0.037，也說明識別到的工況為三角煤區域。

分別采用標準均方差（Normalized Root Mean Square Error，NRMSE）和平均絕對誤差（Mean Absolute Error，MAE）為對模型進行評估。

式中：P 為樣本數；σ為樣本方差；y（?）（k）和y（k）分別為截割高度與規劃高度。

經過反復實驗，得出工況觸發模型中的3個指標e（1），e（2），m 的 MAE 分別為0.030，0.020，0.036。

采煤機滾筒高度數據分布如圖6所示，可看出三角煤區域集中在紅框標出的2個范圍內，其他位置架為正常區域數據。

4.3滾筒高度模板有效性驗證

C?ESN 模型生成的采煤機滾筒截割高度模板如圖7所示。為驗證滾筒高度模板有效性，分別分析含三角煤區域與不含三角煤區域的最大誤差和最小誤差，誤差是指采煤機截割1刀時左右滾筒規劃高度與歷史截割高度之間的差值。可看出，左滾筒在7號—147號位置架（含三角煤區域）之間的最小誤差為0.01 cm，最大誤差為12.9 cm，在28號—126號（不含三角煤區域）位置架之間的最小誤差為0.19 cm，最大誤差為9.96 cm。右滾筒在7號—147號位置架之間的最小誤差為0.019 cm，最大誤差為11.5 cm，在28號—126號位置架之間的最小誤差為0.05 cm，最大誤差為11.5 cm。部分截割高度模板數值見表5。

當觸發不同工況時，生成左右滾筒相應的截割高度模板，得到規劃高度，如圖8所示。可看出，左右滾筒截割高度與規劃高度趨勢具有一致性，規劃高度接近于截割高度，當觸發正常區域的工況時，左右滾筒規劃高度如圖8（a）和圖8（b）所示。可看出，左滾筒高度最大誤差為9.96 cm，最小誤差為0.19 cm，右滾筒高度最大誤差為11.47 cm，最小誤差為0.05 cm。當觸發三角煤區域的工況時，左右滾筒規劃高度如圖8（c）和圖8（d）所示。可看出，左滾筒高度最大誤差為12.91 cm，最小誤差為0.0095 cm，右滾筒高度最大誤差為7.94 cm，最小誤差為0.019 cm。截割高度與規劃高度具有高度的一致性，驗證了?C?ESN 模型能夠識別采煤機當前工況，并生成相應的截割高度模板，滿足工程實際截割需求。當觸發異常工況時，左右滾筒規劃高度如圖8（e）和圖8（f）所示。可看出，規劃高度與截割高度表現出較好的一致性。滾筒高度平均誤差為4.1 cm，針對左右滾筒，模型的 MAE 分別為0.015和0.007。上述結果說明遷移學習機制能夠提高建模精度，使模型更好地應對異常工況。

4.4不同模型對比

針對正常區域和三角煤區域，分別采用徑向基網絡（Radial Basis Function，RBF）[21]、ESN 和?C? ESN 進行對比實驗，結果見表4和表5。評價指標?MAE 與?NRMSE 越小，表明建模效果越好。從表4可看出，相較于?ESN，C?ESN 在誤差上具有補償效果，與?RBF 網絡相比，C?ESN 的建模精度更高，從MAE 來看，右滾筒精度分別提升了54%和57%。從表5可看出，針對右滾筒，C?ESN 的?MAE 與?NRMSE 分別為0.009，0.073，相較于?RBF 與?ESN，精度分別提升了10%與69%。C?ESN 通過引入誤差反饋機制，有效提高了建模精度。

5 結論

1）提出了基于工況觸發的采煤機滾筒截割高度模板生成方法，該方法考慮了多種因素對滾筒高度規劃的影響，基于不同工況對采煤機滾筒高度分別進行建模，達到自適應調節滾筒高度的目的。

2）構建了?C?ESN 模型，在模型中引入反饋機制，增強了模型穩定性，提升了建模精度，同時引入遷移學習機制應對采煤機截割過程中出現的異常工況。

3）基于現場采煤機實際數據的實驗結果表明，本文所提方法能應對不同工況，且截割高度與規劃高度基本擬合，最大誤差為12.9 cm，最小誤差為0.0095 cm，能夠滿足工程實際要求。

參考文獻（References）：

[1]王國法，張良，李首濱，等.煤礦無人化智能開采系統理論與技術研發進展[J].煤炭學報，2023，48（1）：34-53.

WANG Guofa，ZHANG Liang，LI Shoubin，et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society，2023，48（1）：34-53.

[2]趙亦輝，趙友軍，周展.綜采工作面采煤機智能化技術研究現狀[J].工礦自動化，2022，48（2）：11-18，28.

ZHAO Yihui，ZHAO Youjun，ZHOU Zhan. Research status of intelligent technology of shearer in fully mechanized working face[J]. Industry and Mine Automation，2022，48（2）：11-18，28.

[3]梁吉智，韓培毅，郭天駿，等.綜采工作面智能化裝備關鍵技術與應用[J].煤炭科學技術，2021，49（增刊1）：59-62.

LIANG Jizhi，HAN Peiyi，GUO Tianjun，et al. Key technology and application of intelligent equipment in fully-mechanized coal mining face[J]. Coal Science and Technology，2021，49（S1）：59-62.

[4]原長鎖，王峰.綜采工作面透明化開采模式及關鍵技術[J].工礦自動化，2022，48（3）：11-15，31.

YUAN Changsuo，WANG Feng. Transparent mining mode and key technologies of fully mechanized working face[J]. Journal of Mine Automation，2022，48（3）：11-15，31.

[5]李旭，吳雪菲，田野，等.基于數字煤層的綜采工作面精準開采系統[J].工礦自動化，2021，47（11）：16-21.

LI Xu，WU Xuefei，TIAN Ye，et al. Digital coal seam- based precision mining system for fully mechanized working face[J]. Industry and Mine Automation，2021，47（11）：16-21.

[6]金鋒，羅會強.智能化采煤工作面運行現狀及技術展望[J].工礦自動化，2021，47（增刊2）：4-6.

JIN Feng， LUO Huiqiang. Operation status and technology prospect of intelligent coal mining face[J]. Industry and Mine Automation，2021，47（S2）：4-6.

[7]張翔.基于記憶截割的采煤機自適應截割控制研究[J].機械管理開發，2022，37（8）：139-140，143.

ZHANG Xiang. Research on adaptive cutting control of shearer based on memory cutting[J]. Mechanical Management and Development，2022，37（8）：139-140，143.

[8]黎青.采煤機自主截割系統架構及關鍵技術研究[J].煤炭技術，2023，42（4）：187-190.

LI Qing. Research of structure and key technical of shearers ?autonomous ?cutting ?system[J]. Coal Technology，2023，42（4）：187-190.

[9]馬騰飛.采煤機自動調高控制系統的設計與試驗研究[J].機械管理開發，2022，37（3）：294-295，298.

MA Tengfei. Design and experimental research of automatic height adjustment control system for coal mining machine[J]. Mechanical Management and Development，2022，37（3）：294-295，298.

[10]原彬，王義亮，楊兆建.斜切工況下采煤機滾筒截割煤巖仿真分析[J].工礦自動化，2018，44（1）：64-68.

YUAN Bin， WANG Yiliang， YANG Zhaojian. Simulation analysis of shearer drum cutting coal-rock under oblique cutting condition[J]. Industry and Mine Automation，2018，44（1）：64-68.

[11]劉鵬，孟磊，王勃，等.基于位姿測量與煤層 DEM 的采煤機滾筒自動調高方法[J].煤炭學報，2015，40（2）：470-475.

LIU Peng，MENG Lei，WANG Bo，et al. An automatic height adjustment method for shearer drums based on pose measurement and coal seam DEM[J]. Journal of China Coal Society，2015，40（2）：470-475.

[12]高有進，楊藝，常亞軍，等.綜采工作面智能化關鍵技術現狀與展望[J].煤炭科學技術，2021，49（8）：1-22.

GAO Youjin，YANG Yi，CHANG Yajun，et al. Status and prospect of key technologies of intelligentization of fully-mechanized coal mining face[J]. Coal Science and Technology，2021，49（8）：1-22.

[13]郭鑫.基于電液比例控制的采煤機自動調高系統的研究[J].機械管理開發，2018，33（12）：101-103.

GUO Xin. Research on automatic height adjustment system ?of ?shearer ?based ?on ?electro-hydraulic proportional control[J]. Mechanical Management and Development，2018，33（12）：101-103.

[14]張遠輝，劉章棋，陳虹均.基于模糊算法采煤機滾筒高度控制性能研究[J].液壓與氣動，2020（8）：82-87.

ZHANG Yuanhui， LIU Zhangqi， CHEN Hongjun. Height control performance of shearer drum based on fuzzy algorithm[J]. Chinese Hydraulics & Pneumatics，2020（8）：82-87.

[15]趙有生，邸晟鈞，王占全，等.改進的人工魚群算法采煤機調高控制策略[J].煤炭工程，2020，52（2）：136-141.

ZHAO Yousheng，DI Shengjun，WANG Zhanquan，et al. Improved artificial fish swarm algorithm for heightcontrol strategy of shearer[J]. Coal Engineering，2020，52（2）：136-141.

[16]李森，李重重，劉清.基于透明地質的綜采工作面規劃截割協同控制系統[J].煤炭科學技術，2023，51（4）：175-184.

LI Sen，LI Zhongzhong，LIU Qing. Planned cutting and collaborative control system for fully-mechanized mining face based on transparent geology[J]. Coal Science and Technology，2023，51（4）：175-184.

[17]楊蕓.采煤機現狀與發展[J].工礦自動化，2017，43（1）：26-28.

YANG Yun. Status and development of shearer[J]. Industry and Mine Automation，2017，43（1）：26-28.

[18] JAEGER H， HAAS H. Harnessing nonlinearity： predicting chaotic systems and saving energy in wireless communication[J]. Science，2004，304（5667）：78-80.

[19]張昭昭，朱應欽，喬俊飛，等.一種基于行為空間的回聲狀態網絡參數優化方法[J].信息與控制，2021，50（5）：556-565.

ZHANG Zhaozhao，ZHU Yingqin，QIAO Junfei，et al.An echo state network parameter optimization method based on behavior space[J]. Information and Control，2021，50（5）：556-565.

[20]劉清，韓秀琪，徐蘭欣，等.綜采工作面采煤機和液壓支架協同控制技術[J].工礦自動化，2020，46（5）：43-48.

LIU Qing，HAN Xiuqi，XU Lanxin，et al. Cooperative control technology of shear and hydraulic support on fully-mechanized coal mining face[J]. Industry and Mine Automation，2020，46（5）：43-48.

[21] ZHANG Zhaozhao，LIU Yue，ZHU Yingqin，et al. An online self-adaptive RBF network algorithm based on the Levenberg-Marquardt algorithm[J]. Applied Artificial Intelligence，2022，36（1）：3794-3809.

[22]李重重，劉清.基于截割頂底板高度預測模型的采煤機自動調高技術[J].工礦自動化，2024，50（1）：9-16.

LI Zhongzhong，LIU Qing. Automatic height adjustment technology of shearer based on cutting roof and floor height ?prediction ?model[J]. Journal ?of ?Mine Automation，2024，50（1）：9-16.