潘紅光， 裴嘉寶， 侯媛彬

(西安科技大學(xué) 電氣與控制工程學(xué)院， 陜西 西安 710054)

0 引言

智慧煤礦是煤炭行業(yè)轉(zhuǎn)變發(fā)展方式、提升行業(yè)發(fā)展質(zhì)量的核心驅(qū)動(dòng)力，是礦山技術(shù)發(fā)展的最高形式[1]。智慧煤礦的核心是智能化，其中數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)是智能化發(fā)展的有效組成部分，通過對系統(tǒng)狀態(tài)監(jiān)測、過程運(yùn)行數(shù)據(jù)分析處理，在無需知道系統(tǒng)精確解析模型的情況下完成對未來對象系統(tǒng)行為的預(yù)測[2]。數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)要求信息充足和數(shù)據(jù)完整，其采用的數(shù)據(jù)源于當(dāng)前采樣的在線數(shù)據(jù)和系統(tǒng)存儲(chǔ)的大量歷史離線數(shù)據(jù)。

隨著大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)在煤炭行業(yè)的應(yīng)用越來越廣泛。其中支持向量機(jī)(Support Vector Machine，SVM)及人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)等監(jiān)督學(xué)習(xí)方法通常被用來學(xué)習(xí)特征向量與模式之間的映射關(guān)系；深度學(xué)習(xí)能夠從數(shù)據(jù)中直接獲取高等級的特征，削減對每一個(gè)問題設(shè)計(jì)特征提取器的工作，廣泛應(yīng)用于智慧煤礦之中。

針對智慧煤礦的生產(chǎn)運(yùn)行智能化、安全生產(chǎn)本質(zhì)化、運(yùn)營模式科學(xué)化等難題，本文在智慧煤礦大數(shù)據(jù)系統(tǒng)的背景下，以數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)為載體，著重分析了數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)在煤礦設(shè)備故障診斷、膠帶運(yùn)輸異物檢測、煤矸檢測辨識(shí)3個(gè)方面的應(yīng)用現(xiàn)狀，并展望了數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)在這3個(gè)方面的發(fā)展趨勢。

1 煤礦設(shè)備故障診斷

目前，機(jī)器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于煤礦設(shè)備故障診斷。其中，SVM及誤差反向傳播算法(Error Back Propagation Training，BP)神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣。文獻(xiàn)[3]在SVM的基礎(chǔ)上，把最小二乘支持向量機(jī)和隱馬爾科夫模型相結(jié)合并進(jìn)行改進(jìn)，將改進(jìn)后的模型應(yīng)用于故障預(yù)測，其預(yù)測出來的狀態(tài)數(shù)據(jù)與采集到的真實(shí)狀態(tài)數(shù)據(jù)相比，誤差較小，吻合度高。文獻(xiàn)[4]給出了應(yīng)用SVM進(jìn)行刮板輸送機(jī)故障分類的實(shí)例，同時(shí)展望了今后基于SVM的故障診斷技術(shù)的發(fā)展方向。文獻(xiàn)[5]提出基于鄰域?qū)傩灾匾鹊凝X輪箱故障特征優(yōu)選方法，結(jié)合SVM和BP神經(jīng)網(wǎng)絡(luò)對診斷的準(zhǔn)確率和時(shí)間進(jìn)行對比分析。文獻(xiàn)[6]研究了基于多傳感器信息BP神經(jīng)網(wǎng)絡(luò)的掘進(jìn)機(jī)截割部故障診斷方法，并對EBZ-160型掘進(jìn)機(jī)截割部進(jìn)行故障診斷。文獻(xiàn)[7]將基于遞推最小二乘法算法的BP神經(jīng)網(wǎng)絡(luò)用于檢測煤礦通風(fēng)系統(tǒng)故障，滿足了煤礦通風(fēng)系統(tǒng)故障檢測的要求。文獻(xiàn)[8]研究了一種基于專家系統(tǒng)和ANN的機(jī)械設(shè)備故障診斷系統(tǒng)，用于應(yīng)對復(fù)雜的工況環(huán)境，經(jīng)實(shí)際測試，該系統(tǒng)經(jīng)過數(shù)次迭代，誤差可達(dá)到實(shí)際工作的要求。

在大數(shù)據(jù)背景下，深度學(xué)習(xí)已被廣泛應(yīng)用于設(shè)備故障診斷領(lǐng)域。文獻(xiàn)[9]提出了一種將深度學(xué)習(xí)特征提取和粒子群SVM狀態(tài)識(shí)別相結(jié)合的智能診斷模型，實(shí)現(xiàn)了中速軸大齒輪不同故障類型的可靠識(shí)別，同時(shí)驗(yàn)證了基于深度學(xué)習(xí)自適應(yīng)提取頻譜特征的有效性。文獻(xiàn)[10]提出了一種基于深度學(xué)習(xí)的智能變電站二次設(shè)備故障定位方法，以典型的智能變電站線路間隔為例，仿真驗(yàn)證了所提方法的有效性與準(zhǔn)確性，且在信息不充足的情況下仍能取得良好的判別結(jié)果，容錯(cuò)性能良好，其結(jié)果對煤礦設(shè)備故障診斷具有一定的參考性。

隨著各種新方法新理論不斷融入到設(shè)備故障診斷技術(shù)中，煤礦設(shè)備故障診斷技術(shù)逐漸趨向智能化，未來應(yīng)選擇與故障契合的診斷技術(shù)和方式，對不同故障做出具體的分析，提出相應(yīng)的解決方案，進(jìn)一步提高故障診斷的準(zhǔn)確性。

2 膠帶運(yùn)輸異物檢測

煤礦井下膠帶造價(jià)昂貴，在運(yùn)輸過程中因異物的出現(xiàn)易造成損傷甚至撕裂。傳統(tǒng)的異物檢測手段主要包括人工檢測、雷達(dá)檢測、金屬探測器等。人工檢測效率低，且存在安全隱患。雷達(dá)檢測成本較高、維護(hù)較難。金屬探測器部署困難且檢測種類有限。因此，研究基于數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)的煤礦膠帶運(yùn)輸異物檢測方法十分必要。

文獻(xiàn)[11]提出了一種基于SVM的輸送帶煤流量短時(shí)預(yù)測方法，該方法能夠較好地預(yù)測輸送帶短時(shí)間內(nèi)的煤流量，對于膠帶異物檢測有一定的借鑒作用。文獻(xiàn)[12]提出了一種基于SVM紅外圖像分割的輸送帶縱向撕裂檢測方法，該方法可準(zhǔn)確檢測出輸送帶縱向撕裂并預(yù)測縱向撕裂趨勢，從而保證輸送帶的穩(wěn)定運(yùn)行。文獻(xiàn)[13]將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的火災(zāi)預(yù)警算法相結(jié)合，用于帶式輸送機(jī)火災(zāi)預(yù)警，該算法能夠有效識(shí)別出帶式輸送機(jī)狀態(tài)，誤報(bào)率低。文獻(xiàn)[14]采用粒子群優(yōu)化算法對高斯混合模型參數(shù)進(jìn)行優(yōu)化與自整定，并將該算法應(yīng)用于膠帶運(yùn)輸機(jī)煤流中矸石等異物的識(shí)別，該算法能夠?qū)崿F(xiàn)對膠帶運(yùn)輸機(jī)上煤矸石的有效檢測，從而為帶式輸送機(jī)的安全運(yùn)行提供保障。

學(xué)者們對輸送帶煤流量的預(yù)測也進(jìn)行了研究。文獻(xiàn)[15]以煤礦帶式輸送機(jī)工況監(jiān)控系統(tǒng)大數(shù)據(jù)和視頻監(jiān)控系統(tǒng)大數(shù)據(jù)分析為背景，分別使用流形空間的非平衡處理技術(shù)和分水嶺等視覺技術(shù)對數(shù)據(jù)進(jìn)行處理，具有較好的煤流檢測效果。文獻(xiàn)[16]研究了不同帶速下煤料對漏斗的受力平均值的大小和受力時(shí)間，其結(jié)果對煤料堵塞的風(fēng)險(xiǎn)有一定預(yù)測作用。

膠帶運(yùn)輸異物檢測是一個(gè)系統(tǒng)性的工程。文獻(xiàn)[17]設(shè)計(jì)并開發(fā)了一套煤礦井下膠帶異物檢測原型系統(tǒng)，基于多攝像頭對井下膠帶運(yùn)輸異物進(jìn)行實(shí)時(shí)檢測、報(bào)警和圖像顯示。

上述文獻(xiàn)對帶式輸送機(jī)的各個(gè)方面都展開了研究，隨著技術(shù)的發(fā)展，圖像識(shí)別、視頻防抖、圖像分割、目標(biāo)跟蹤等技術(shù)將逐步融入到膠帶運(yùn)輸異物檢測中，加快智慧煤礦的發(fā)展。

3 煤矸檢測辨識(shí)

煤礦環(huán)境復(fù)雜，在開采過程中矸石將不可避免地混入原煤中。傳統(tǒng)的排矸方式主要有人工手選和機(jī)械洗選。人工手選工作效率較低，且會(huì)對工人的健康造成較大威脅。機(jī)械洗選存在設(shè)備成本高、資源占用多等問題，不適合推廣及長期使用。因此，進(jìn)一步研究煤矸識(shí)別技術(shù)，對推動(dòng)智慧煤礦發(fā)展具有一定意義。

目前，SVM和BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于煤矸檢測辨識(shí)中。文獻(xiàn)[18-19]搭建圖像采集裝置采集煤塊和矸石圖像，利用SVM作為分類器實(shí)現(xiàn)矸石識(shí)別，隨機(jī)實(shí)驗(yàn)的平均識(shí)別率取得了滿意的效果。文獻(xiàn)[20]提出一種多特征融合的基于粒子群算法優(yōu)化法平面型隸屬度函數(shù)模糊支持向量機(jī)(PSO-NP-FSVM)的煤矸石分選方法，提高了煤矸石分選的準(zhǔn)確率和穩(wěn)定性。文獻(xiàn)[21]提出了基于BP神經(jīng)網(wǎng)絡(luò)的紋理和灰度特征的綜合分類方法，提高了煤與矸石的識(shí)別率。文獻(xiàn)[22]利用非線性PSO-BP神經(jīng)網(wǎng)絡(luò)對煤矸分選效果進(jìn)行了預(yù)測，與傳統(tǒng)PSO-BP神經(jīng)網(wǎng)絡(luò)相比，準(zhǔn)確率更高。文獻(xiàn)[23]將BP神經(jīng)網(wǎng)絡(luò)和小波包奇異值相結(jié)合，提出了一種煤巖界面識(shí)別新方法，該方法對煤矸檢測有一定參考性。

近年來，許多學(xué)者將深度學(xué)習(xí)應(yīng)用于煤矸檢測辨識(shí)領(lǐng)域。文獻(xiàn)[24]提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別煤矸圖像的方法，該方法在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的基礎(chǔ)上進(jìn)行了改進(jìn)，提高了矸石識(shí)別率，為煤矸檢測辨識(shí)提供了參考。文獻(xiàn)[25]提出了一種煤矸優(yōu)化識(shí)別方法，對采集的圖像進(jìn)行預(yù)處理后，利用訓(xùn)練好的CornerNet-Squeeze深度學(xué)習(xí)模型判斷圖像中是否存在待檢測的煤或矸石，提高了煤矸識(shí)別準(zhǔn)確率。文獻(xiàn)[14]采用粒子群優(yōu)化算法對高斯混合模型參數(shù)進(jìn)行優(yōu)化與自整定，利用改進(jìn)模型能夠有效檢測帶式輸送機(jī)上的煤矸。

學(xué)者們將機(jī)器視覺技術(shù)應(yīng)用于煤矸檢測辨識(shí)。文獻(xiàn)[26]設(shè)計(jì)了一種基于機(jī)器視覺的多機(jī)械臂煤矸分揀機(jī)器人系統(tǒng)，該系統(tǒng)可對特定粒度(50～260 mm)的煤矸進(jìn)行高效、快速分揀，具有良好的穩(wěn)定性和準(zhǔn)確性。

綜放開采煤矸自動(dòng)識(shí)別技術(shù)是實(shí)現(xiàn)智慧煤礦的關(guān)鍵環(huán)節(jié)。文獻(xiàn)[27]研究探討了多夾矸近水平煤層綜放開采煤矸放出體空間形態(tài)及頂煤采出率的三維分布特征。文獻(xiàn)[28]以塔山煤礦生產(chǎn)的實(shí)際情況為背景，建立了頂煤采出率與含矸率的理論計(jì)算模型，并驗(yàn)證了理論分析的可行性。

綜上所述，圖像識(shí)別、機(jī)器視覺、自動(dòng)化系統(tǒng)等技術(shù)與煤矸識(shí)別相結(jié)合，可進(jìn)一步提升煤矸識(shí)別的準(zhǔn)確性及可行性。

4 展望

4.1 煤礦設(shè)備故障診斷

(1) 模糊數(shù)學(xué)的應(yīng)用。在實(shí)際工況環(huán)境下，設(shè)備故障復(fù)雜多變，且故障原因與故障表現(xiàn)并非一一對應(yīng)，導(dǎo)致在分析故障時(shí)存在大量不確定因素，為避免這種模糊性或可能性，需要對設(shè)備故障進(jìn)行模糊量化處理。首先，參考煤礦機(jī)械領(lǐng)域的故障知識(shí)特性，選取和故障相適應(yīng)的知識(shí)表述方式。其次，建立模糊因果關(guān)系的對應(yīng)矩陣，以表示故障原因和故障征兆直接的因果關(guān)系。最后，通過對數(shù)學(xué)模型的定量分析，為煤礦設(shè)備故障診斷提供有力的依據(jù)。

(2) ANN的應(yīng)用。ANN是一個(gè)非線性、自適應(yīng)的信息處理系統(tǒng)，其最終目的是通過不斷訓(xùn)練樣本改變網(wǎng)絡(luò)權(quán)值，使實(shí)際輸出和期望輸出之間的誤差滿足要求。由于煤礦設(shè)備故障診斷從故障初始征兆到故障源的映射具有非線性映射關(guān)系，所以將ANN應(yīng)用于煤礦設(shè)備故障檢測。

4.2 膠帶運(yùn)輸異物檢測

(1) 視頻防抖技術(shù)。視頻防抖技術(shù)的目的是通過技術(shù)手段處理拍攝視頻中的抖動(dòng)畫面，盡可能保障原視頻圖像信息的完整，從而平穩(wěn)呈現(xiàn)拍攝的視頻。其核心問題是圖像局部特征提取及匹配。煤礦井下部署的高清攝像頭及光纖環(huán)網(wǎng)無法保證具體生產(chǎn)過程中拍攝視頻的穩(wěn)定性，利用視頻防抖技術(shù)可以解決煤礦井下膠帶運(yùn)輸過程中的視頻采集問題。

(2)
圖像分割技術(shù)。圖像分割技術(shù)的目的是確定單個(gè)像素所屬紋理類別，提取紋理特征，再根據(jù)特征向量區(qū)分不同紋理。在煤礦井下膠帶運(yùn)輸異物檢測方面利用圖像分割技術(shù)提取不同類型運(yùn)輸物的特征向量，通過歸類找出運(yùn)輸中包含異物的特征向量，可使煤礦井下膠帶運(yùn)輸異物檢測技術(shù)更加完善。

(3) 目標(biāo)檢測技術(shù)。目前，目標(biāo)檢測技術(shù)需要根據(jù)不同場景選擇適合的算法。針對煤礦行業(yè)的特殊性，設(shè)計(jì)一種在提高檢測準(zhǔn)確性的同時(shí)，還能充分適應(yīng)井下環(huán)境的目標(biāo)檢測方法是未來研究熱點(diǎn)之一。

4.3 煤矸檢測辨識(shí)

(1) 分揀機(jī)器人。隨著研究的深入，煤矸分揀機(jī)器人及其控制系統(tǒng)將代替人工分揀，可有效保障人員安全及工作效率。

(2) 計(jì)算機(jī)視覺技術(shù)。越來越多的學(xué)者利用煤與矸石圖像的紋理特征進(jìn)行特定環(huán)境下的煤矸識(shí)別，利用機(jī)器學(xué)習(xí)和ANN建立分類模型，從而有效提高煤矸識(shí)別準(zhǔn)確率和穩(wěn)定性。

(3)
圖像識(shí)別技術(shù)?，F(xiàn)階段煤矸圖像識(shí)別技術(shù)研究大多是在實(shí)驗(yàn)室的理想狀況下進(jìn)行的，與實(shí)際復(fù)雜多變的工況不符，實(shí)際生產(chǎn)環(huán)境中的煤矸識(shí)別難度更大；所研究的深度網(wǎng)絡(luò)模型大多比較復(fù)雜、參數(shù)眾多、計(jì)算量大，且難以部署嵌入式設(shè)備，導(dǎo)致推廣性大打折扣；算法大多圍繞煤和矸石的物理特征，缺乏對其外觀及形狀的研究。

已有學(xué)者將小波變換與圖像處理技術(shù)相結(jié)合并應(yīng)用于煤矸識(shí)別，該方法準(zhǔn)確度高、普適性好且操作簡單。部分學(xué)者將神經(jīng)網(wǎng)絡(luò)與煤矸識(shí)別結(jié)合，通過改進(jìn)算法降低算法復(fù)雜度并保障算法精度。在未來煤矸識(shí)別研究中，提高算法普適性將是煤矸圖像識(shí)別發(fā)展的方向之一。

5 結(jié)語

(1) 智慧化。數(shù)據(jù)驅(qū)動(dòng)技術(shù)的發(fā)展始終伴隨著智能化體系的發(fā)展，現(xiàn)代智慧理念是智慧煤礦的基礎(chǔ)理念。數(shù)據(jù)驅(qū)動(dòng)檢測技術(shù)的不斷完善，可使煤礦形成自我感知、全局互聯(lián)、實(shí)時(shí)分析、自學(xué)習(xí)、準(zhǔn)確預(yù)測、果斷決策、精準(zhǔn)控制的完備智能化系統(tǒng)，實(shí)現(xiàn)煤礦開采、運(yùn)輸、選煤、生產(chǎn)安全保障、生態(tài)保護(hù)等全方位集成化的智慧體系。

(2) 高效化。 隨著智慧煤礦不斷推進(jìn)，數(shù)據(jù)量越來越大，應(yīng)在現(xiàn)有算法基礎(chǔ)上進(jìn)行改進(jìn)，以更加高效地解決煤礦不同方面的問題。

(3) 持久化。在智慧化和高效化的基礎(chǔ)上，應(yīng)整合大數(shù)據(jù)，將數(shù)據(jù)與實(shí)際生產(chǎn)情況相結(jié)合，用可視化的方法將數(shù)據(jù)呈現(xiàn)在智慧煤礦平臺(tái)，從而進(jìn)行各方面檢測。

參考文獻(xiàn)(References)：

[1] 王國法,王虹,任懷偉,等.智慧煤礦2025 情景目標(biāo)和發(fā)展路徑[J].煤炭學(xué)報(bào),2018,43(2):295-305.

WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.

[2] 彭宇,劉大同.數(shù)據(jù)驅(qū)動(dòng)故障預(yù)測和健康管理綜述[J].儀器儀表學(xué)報(bào),2014,35(3):481-495.

PENG Yu,LIU Datong.Data-driven prognostics and health management:a review of recent advances[J].Chinese Journal of Scientific Instrument,2014,35(3):481-495.

[3] 郇雙宇,靳添絮,劉立,等.基于優(yōu)化的LSSVM-HMM 混合動(dòng)力鏟運(yùn)機(jī)故障預(yù)測[J].煤炭學(xué)報(bào),2019,44(增刊1):338-344.

HUAN Shuangyu,JIN Tianxu,LIU Li,et al.Fault prediction of hybrid scraper based on optimized LSSVM-HMM[J].Journal of China Coal Society,2019,44(S1):338-344.

[4] ZHANG Yanni,MA Xianmin,ZHANG Yongqiang,et al.Support vector machine of the coal mine machinery equipment fault diagnosis[C]//2013 IEEE International Conference on Information and Automation (ICIA)，Yinchuan,2013:1141-1146.

[5] 古瑩奎,孔軍廷,朱繁瀧.基于鄰域?qū)傩灾匾鹊凝X輪箱故障特征優(yōu)選方法[J].煤炭學(xué)報(bào),2015,40(增刊2):560-567.

GU Yingkui,KONG Junting,ZHU Fanlong.Optimal selection method of gearbox fault feature based on neighborhood attribute importance[J].Journal of China Coal Society,2015,40(S2):560-567.

[6] 尹同舟,唐至威,楊健健,等.基于多傳感器BP網(wǎng)絡(luò)掘進(jìn)機(jī)截割部故障診斷研究[J].煤炭科學(xué)技術(shù),2016,44(9):134-139.

YIN Tongzhou,TANG Zhiwei,YANG Jianjian,et al.Study on failure diagnosis of cutting unit in roadheader based on BP network of multi sensor[J].Coal Science and Technology,2016,44(9):134-139.

[7] 張飛,何雅琴,張珂.改進(jìn)BP網(wǎng)絡(luò)在煤礦通風(fēng)系統(tǒng)故障檢測中的應(yīng)用[J].工礦自動(dòng)化,2013,39(3):61-63.

ZHANG Fei,HE Yaqin,ZHANG Ke.Application of improved BP neural network in fault detection of mine ventilation system[J].Industry and Mine Automation,2013,39(3):61-63.

[8] 董曉鈞.煤礦井下機(jī)械設(shè)備管理與故障診斷[J].煤炭工程,2015,47(1):63-65.

DONG Xiaojun.Management and fault diagnosis of coal mine machinery equipment[J].Coal Engineering,2015,47(1):63-65.

[9] 時(shí)培明,梁凱,趙娜,等.基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識(shí)別的齒輪智能故障診斷[J].中國機(jī)械工程,2017,28(9):1056-1061.

SHI Peiming,LIANG Kai,ZHAO Na,et al.Intelligent fault diagnosis for gears based on deep learning feature extraction and particle swarm optimization SVM state identification[J].China Mechanical Engineering,2017,28(9):1056-1061.

[10] 任博,鄭永康,王永福,等.基于深度學(xué)習(xí)的智能變電站二次設(shè)備故障定位研究[J/OL].電網(wǎng)技術(shù),2020,1-9[2020-08-03].https://doi.org/10.13335/j.1000-3673.pst.2019.2450.

REN Bo,ZHENG Yongkang,WANG Yongfu,et al.Research on fault location of secondary equipment in smart substation based on deep learning[J/OL].Power System Technology,2020,1-9[2020-08-03].https://doi.org/10.13335/j.1000-3673.pst.2019.2450.

[11] 馮梅,喬鐵柱.輸送帶煤流量短時(shí)預(yù)測方法研究[J].工礦自動(dòng)化,2019,45(4):72-76.

FENG Mei,QIAO Tiezhu.Research on short-term prediction method of coal flow on conveyor belt[J].Industry and Mine Automation,2019,45(4):72-76.

[12] 趙弼龍,喬鐵柱.基于支持向量機(jī)紅外圖像分割的輸送帶縱向撕裂檢測方法[J].工礦自動(dòng)化,2014,40(5):30-33.

ZHAO Bilong,QIAO Tiezhu.Detection method of belt longitudinal tear based on support vector machine and infrared image segmentation[J].Industry and Mine Automation,2014,40(5):30-33.

[13] 樊榮,侯媛彬,張代,等.基于神經(jīng)網(wǎng)絡(luò)的帶式輸送機(jī)火災(zāi)預(yù)警算法[J].工礦自動(dòng)化,2012,38(9):70-74.

FAN Rong,HOU Yuanbin,ZHANG Dai,et al.Fire pre-warning algorithm of belt conveyor based on neural network[J].Industry and Mine Automation,2012,38(9):70-74.

[14] 程健,王東偉,楊凌凱,等.一種改進(jìn)的高斯混合模型煤矸石視頻檢測方法[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,49(1):118-123.

CHENG Jian,WANG Dongwei,YANG Lingkai,et al.An improved gaussian mixture model for coal gangue video detection[J].Journal of Central South University(Science and Technology),2018,49(1):118-123

[15] 張?jiān)獎(jiǎng)?劉坤,楊林,等.煤炭工業(yè)監(jiān)控大數(shù)據(jù)平臺(tái)建設(shè)與數(shù)據(jù)處理應(yīng)用技術(shù)[J].煤炭科學(xué)技術(shù),2019,47(3):75-80.

ZHANG Yuangang,LIU Kun,YANG Lin,et al.Platform construction and data processing application technology in coal industry monitoring big data[J].Coal Science and Technology,2019,47(3):75-80.

[16] 秦翥.煤料轉(zhuǎn)運(yùn)過程中的影響因素分析與仿真[J].煤炭工程,2020,52(1):133-137.

QIN Zhu.Analysis and simulation on the influence factors of coal transport process[J].Coal Engineering,2020,52(1):133-137.

[17] 郜振國.煤礦井下運(yùn)輸異物檢測關(guān)鍵技術(shù)研究[D].北京:中國礦業(yè)大學(xué)(北京),2018.

GAO Zhenguo.Study on key technologies of foreign object detection in the coal mine transportation[D].Beijing:China University of Mining and Technology(Beijing),2018.

[18] 沈?qū)?竇東陽,楊程,等.基于機(jī)器視覺的煤矸石多工況識(shí)別研究[J].煤炭工程,2019,51(1):120-125.

SHEN Ning,DOU Dongyang,YANG Cheng,et al.Research on multi-condition identification of gangue based on machine vision[J].Coal Engineering,2019,51(1):120-125.

[19] 何敏,王培培,蔣慧慧.基于SVM 和紋理的煤和煤矸石自動(dòng)識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2012,33(3):1117-1121.

HE Min,WANG Peipei,JIANG Huihui.Recognition of coal and stone based on SVM and texture[J].Computer Engineering and Design,2012,33(3):1117-1121.

[20] 郭永存,于中山,盧熠昌.基于PSO 優(yōu)化NP-FSVM 的煤矸光電智能分選技術(shù)研究[J].煤炭科學(xué)技術(shù),2019,47(4):13-19.

GUO Yongcun,YU Zhongshan,LU Yichang.Research on photoelectric intelligent separation technology of coal and gangue based on NP-FSVM with the PSO algorithm[J].Coal Science and Technology,2019,47(4):13-19.

[21] 魯恒潤,王衛(wèi)東,徐志強(qiáng),等.基于機(jī)器視覺的煤矸特征提取與分類研究[J].煤炭工程,2018,50(8):137-140.

LU Hengrun,WANG Weidong,XU Zhiqiang,et al.Extraction and classification of coal and gangue image features based on machine vision[J].Coal Engineering,2018,50(8):137-140.

[22] 戚海永.基于非線性PSO-BP 神經(jīng)網(wǎng)絡(luò)的煤矸分離效果預(yù)測[J].礦山機(jī)械,2013,41(7):99-102.

QI Haiyong.Prediction of coal and gangue separation effects based on nonlinear PSO-BP neural network[J].Mining & Processing Equipment,2013,41(7):99-102.

[23] 程誠,劉送永.基于WPSV 和BPNN 的煤巖識(shí)別方法研究[J].煤炭工程,2018,50(1):108-112.

CHENG Cheng,LIU Songyong.A coal-rock recognition method based on WPSV and BPNN[J].Coal Engineering,2018,50(1):108-112.

[24] SU Lingling,CAO Xiangang,MA Hongwei,et al.Research on coal gangue identification by using convolutional neural network[C]//2018 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC),Xi'an,2018.

[25] 趙明輝.一種煤矸石優(yōu)化識(shí)別方法[J].工礦自動(dòng)化，2020,46(7):113-116.

ZHAO Minghui.A coal-gangue optimization identification method[J].Industry and Mine Automation,2020,46(7):113-116.

[26] 王鵬,曹現(xiàn)剛,夏晶,等.基于機(jī)器視覺的多機(jī)械臂煤矸石分揀機(jī)器人系統(tǒng)研究[J].工礦自動(dòng)化,2019,45(9):47-53.

WANG Peng,CAO Xiangang,XIA Jing,et al.Research on multi-manipulator coal and gangue sorting robot system based on machine vision[J].Industry and Mine Automation,2019,45(9):47-53.

[27] 王家臣,張錦旺,楊勝利,等.多夾矸近水平煤層綜放開采頂煤三維放出規(guī)律[J].煤炭學(xué)報(bào),2015,40(5):979-987.

WANG Jiachen,ZHANG Jinwang,YANG Shengli,et al.3-d movement law of top-coal in near horizontal coal seam with multi-gangue under caving mining technique[J].Journal of China Coal Society,2015,40(5):979-987.

[28] 朱帝杰,陳忠輝.綜放開采頂煤采出率預(yù)測模型的構(gòu)建與應(yīng)用[J].煤炭學(xué)報(bào),2019,44(9):2641-2649.

ZHU Dijie,CHEN Zhonghui.A model for top coal recovery ratio assessment and its application in longwall top coal caving[J].Journal of China Coal Society,2019,44(9):2641-2649.