煤矿巷道智能掘进关键共性技术.pdf

第4 6 卷第1 期 2 0 2 1 年1 月 煤炭学报 J O U R N A LO FC H I N AC O A LS O C I E T Y V 0 1 ．4 6N o ．1 J a n ． 2 0 2 1 煤矿巷道智能掘进关键 扯- 件 ／、l L 一技术 马宏伟1 ”，王世斌3 ，毛清华1 ”，石增武4 ，张旭辉1 ”，杨征5 ，曹现月0 1 ’- ，薛旭升1 ”，夏 晶1 ’2 ，王川伟1 ’2 1 ．西安科技大学机械工程学院，陕西西安7 1 0 0 5 4 ；2 ．陕西省矿山机电装备智能监测重点实验室，陕西西安7 1 0 0 5 4 ；3 ．陕西煤业化工集团有 限责任公司，陕西西安7 1 0 0 7 0 ；4 ．陕西陕煤榆北煤业有限公司，陕西榆林7 1 9 0 0 0 ；5 ．陕西小保当矿业有限公司，陕西榆林7 1 9 0 0 0 摘要依据我国煤矿智能化发展战略，深入分析了国内外智能掘进研究现状，结合我国煤炭赋存 条件复杂，巷道掘进问题突出，智能掘进挑战严峻等实际，提出了直接影响和制约我国煤矿巷道智 能掘进加快发展的智能截割、智能导航、智能协同控制和远程智能测控四大关键共性技术并给出了 解决思路和方法。针对掘进系统智能截割问题，提出了基于视觉伺服的掘进系统智能定形截割控 制方法和基于遗传算法优化的B P G A B P 神经网络的自适应截割控制方法，旨在提高巷道截割 成形质量和效率；针对掘进系统智能导航问题，提出了基于惯导与视觉信息融合的履带式掘进系统 智能导航控制方法和基于惯导、数字全站仪与油缸行程信息融合的液压推移式掘进系统智能导航 控制方法，旨在提高掘进定位定向精度，实现智能导航；针对掘进系统中掘进、支护、钻锚、运输等多 系统协同控制和多任务并行控制问题，提出了基于强化学习的并行作业控制方法和基于A g e n t 的 并行控制方法，以及1 e a d e r f o l l o w e r 法和基于行为法的智能协同控制方法，旨在实现多机器人系统 或智能设备的智能协同控制和并行作业，提高掘进效率；针对掘进系统智能测控问题，创建了本地 控制层、近程集控层和远程监控层的智能测控系统架构，提出了数字孪生驱动的虚拟远程智能控制 方法，旨在保证掘进系统安全、可靠、高效运行，实现身临其境的虚拟远程智能测控。 关键词煤矿巷道；智能掘进；精确定位定向；协同控制；并行控制；虚拟现实 中图分类号T D 4 2 1 ．5文献标志码A文章编号0 2 5 3 9 9 9 3 2 0 2 1 0 卜0 3 1 0 一l l K e yc o m m o nt e c h n o l o g yo fi n t e l l i g e n th e a d i n gi nc o a lm i n er o a d w a y M AH o n g y e i l ”，W A N GS h i b i n 3 ，M A OQ i n g h u a l 一，S H IZ e n g w u 4 ，Z H A N Gx u h u i l ”，Y A N GZ h e n 9 5 ， C A 0X i a n g a n 9 1 一，X U EX u s h e n 9 1 ’- ，X I AJ i n 9 1 ’- ，W A N GC h u a n w e i 1 2 1 ．鼬o o z ∥肘e c Ⅱn 沁fE n g i 舢e n g ，爿i ’n n “九i 钾乃‘t y ∥5 c 话耽e 血n dT 童c 加幻g y ，爿‘7o n 7 l 【 【 5 4 ， m ￡胍；2 ．5 n o 心zK 吖缸6 0 厂Ⅱ￡o ，y ∥M o 删创e c ￡r o m e l c 口n 如a f 勖H 咖舢眦m 删咖m 如n i ￡o “增，崩’n n7 l 0 0 5 4 ，c i n o ；3 ．J s n 口心ic o Ⅱfo 以∞e m 如d f 删∞啊G r 0 印c 0 ．，厶d ．，崩’∽ 7 1 0 0 7 0 ，吼i n o ； 4 ．S 日C C ，G 地6 e ic o o fm d 哪竹c o ．，血d ．，沌如 7 1 9 0 0 0 ，吼i M ；5 ．跏n 肌毹X i Ⅱ0 6 n o 如增胞n i 凡gc o ．，n d ．，地‰7 1 9 0 0 0 ，C i n n A b s t r a c t A c c o r d i n gt ot h en a t i o n a ls t r a t e g yo f “i n t e U i g e n td e v e l o p m e n to fc o a lm i n e s ”，t h ec u Ⅱe n tr e s e a r c hs t a t u so f r o a d w a yi n t e l l i g e n th e a d i n gi nt h ew o r l di sa n a l y z e d ．C o m b i n i n gw i t ht h ec o m p l e xc o n d i t i o n so fc o a lm i n ep r o m i n e n t p r o b l e m so fm a d w a yh e a d i n ga n ds e v e r ec h a l l e n g e sw i t hi n t e l l i g e n th e a d i n g ，f b u rk e yc o m m o nt e c h n o l o g i e s ，s u c ha si n t e l l i g e n tc u t t i n g ，i n t e l l 培e n tn a v i g a t i o n ，i n t e l l i g e n tc o l l a b o r a t i v ec o n t r 0 1a n dr e m o t ei n t e l l i g e n tm e a s u r e m e n ta n dc o n t r o I t h a td i r e c t l ya f k c ta n dr e s t r i c tt h ea c e e l e r a t e dd e v e l o p m e n to fi n t e U i g e n th e a d i n go fc o a lm i n ea r ep r o p o s e d ，a n dt h e s 0 1 u t i o n sa r ea l s og i v e n ．A i m i n ga tt h ep r o b l e mo fi n t e U i g e n tc u t t i n gi nt h eh e a d i n gs y s t e m ，t h ei n t e U i g e n ts h a p i n gc u t 一 收稿日期2 0 2 0 1 2 一0 6修回日期2 0 2 卜O 卜0 5责任编辑郭晓炜D O I l O ．1 3 2 2 5 ／j ．c nk i ．j c c s ．Y G 2 0 ．1 9 0 4 基金项目国家自然科学基金重点资助项目 5 1 8 3 4 0 0 6 ；国家自然科学基金面上资助项目 5 1 9 7 5 4 6 8 ；陕西省创新 人才计划资助项目 2 0 1 8 T D 0 3 2 作者简介马宏伟 1 9 5 7 一 ，男，陕西兴平人，教授。T e l 0 2 9 8 5 5 8 3 0 5 6 ，E m a i l m a h w x u s t ．e d u ．c n 通讯作者毛清华 1 9 8 4 一 ，男，江西永丰人，副教授。T e l 0 2 9 8 5 5 8 3 0 5 6 ，E m a i l m a o q h x u s t ．e d u ．c “ 引用格式马宏伟，王世斌，毛清华，等．煤矿巷道智能掘进关键共性技术[ J ] ．煤炭学报，2 0 2 l ，4 6 1 3 1 0 3 2 0 ． M AH o n g w e i ，w A N GS h i b i n ，M A 0Q i n g h u a ，e ta 1 ．K 8 yc o m m o nt e c h n o l o g yo fi n t e U i g e n th e a d i “gi nc o a lm i n em a d w a y [ J ] ．J o u m a lo fc h i n ac o a ls o c i e t y ，2 0 2 1 ，4 6 1 3 1 0 3 2 0 ． 移动阅读 万方数据 第1 期马宏伟等煤矿巷道智能掘进关键共性技术 3 1 1 t i n gc o n t r o lm e t h o db a s e do nv i s u a ls e r v oa n dt h ea d a p t i v ec u t t i n gc o n t m lm e t h o do fB Pn e u r a ln e t w o r ko p t i m i z e db y g e n e t i ca l g o r i t h ma r ep r o p o s e dt oi m p r o v et h eq u a l i t ya n de 佑c i e n c yo fc u t t i n ga n df o m l i n g ．A i m i n ga tt h ep r o b l e mo f i n t e l l i g e n tn a v i g a t i o no ft h eh e a d i n gs y s t e m ，t h ei n t e U i g e n tn a v i g a t i o nc o n t I D lm e t h o do ft h ec I ．a w l e rh e a d i n gs y s t e m b a s e do nt h ef h s i o no fi n e r t i a ln a v i g a t i o na n dv i s u a li n f b m a 上i o na n dt h ei n t e l l i g e n tn a V i g a t i o nc o n t I o lm e t h o do ft h eh y d r a u l i ct r a v e l i n gh e a d i n gs y s t e mb a s e do nt h ef h s i o no fi n e n i a ln a v i g a t i o n ，d i g i t a lt o t a ls t a t i o na n dc y l i n d e rs t I D k ei n I ．o r m a t i o na r ep r o p o s e dt oi m p r o v et h ea c c u r a c yo fp o s i t i o n i n ga n do r i e n t a t i o nt e s t i n ga n dr e a l i z ei n t e l l i g e n tn a V i g a t i o n ．A i m i n ga tt h ep r o b l e m so fm u l t i s y s t e mc o o r d i n a t e dc o n t r o la n dm u l t i - t a s kp a r a l l e lc o n t r o li nt h eh e a d i n gs y s t e m ，s u c ha s h e a d i n g ，s u p p o n ，d r i l l i n ga n c h o ra n dt r a n s p o r t a t i o n ，t h ep a r a l l e lo p e r a t i o nc o n t r o lm e t h o d sb a s e do nr e i n f o r c e m e n t l e a m i n ga n da g e n ta n dt h ei n t e l l i g e n tc o l l a b o r a t i v ec o n t r 0 1m e t h o d sb a s e do nl e a d e r f b U o w e ra n db e h a v i o ra r ep u tf o r w a r d ，i no r d e rt or e a l i z et h ei n t e U i g e n tc o l l a b o r a t i v ec o n t r o la n dp a r a U e lo p e m t i o no fm u l t i - r o b o ts y s t e m so rs m a r td e v i c e sa n di m p r o v eh e a d i n ge f f i c i e n c y ．A i m i n ga tt h ep r o b l e mo fi n t e l l i g e n tm e a s u r e m e n ta n dc o n t m lo ft h eh e a d i n gs y s t e m ，t h ei n t e l l i g e n tm e a s u r e m e n ta n dc o n t r o ls y s t e ma r c h i t e c t u r eo ft h el o c a lc o n t r o ll a y e r ，t h es h o r t r a n g ec e n t r a l i z e d c o n t m ll a y e ra n dt h er e m o t em o n i t o r i n gl a y e ra r ec o n s t l l l c t e d ，a n dav i r t u a lr e m o t ei n t e l l 培e n tc o n t r o lm e t h o dd r i V e nb y ad i g i t a lt 、v i na r ep r o p o s e d ，i no r d e rt oe n s u r et h es 小，r e l i a b l ea n de f h c i e n to p e m t i o no ft h eh e a d i n gs y s t e ma n dr e a l i z ei m m e r s i v ev i r t u a lr e m o t ei n t e U i g e n tm e a s u r e m e n ta n dc o n t r 0 1 ． K e yw o r d s c o a lm i n er o a d w a y ；i n t e l l i g e n th e a d i n g ；p r e c i s ep o s i t i o n i n ga n do r i e n t a t i o n ；c o l l a b o r a t i V ec o n t r o l ；p a r a l l e l c o n t r o l ；v i r t u a lr e a l i t v 随着中国制造2 0 2 5 战略的深入实施，国家高 度重视煤炭工业智能化发展，2 0 1 9 0 1 _ 0 2 国家煤监 局发布了煤矿机器人重点研发目录，2 0 2 0 一0 2 2 5 国家发展改革委等八部委联合印发了关于加快煤 矿智能化发展的指导意见。在煤炭人的共同努力 下，综采工作面智能化初见成效，而综掘工作面智能 化严重滞后，导致采快掘慢，比例失衡，严重影响着煤 矿安全、高效、智能生产。 目前煤巷掘进方式主要有4 种qJ ①以悬臂式 掘进机为主的综合机械化作业方式；②连续采煤机 与锚杆钻车配套作业方式；③掘锚一体机作业方式； ④包含截割、临时支护、钻锚等智能掘进系统作业方 式。美国、澳大利亚、瑞典、英国广泛采用掘锚一体化 技术，实现了自动截割、输送设备监测和自动控制，以 及掘进和锚护并行作业。我国对掘进、锚杆支护设备 及自动化技术研究起步较晚，国内的西安科技大学和 西安煤矿机械有限公司、中国煤炭科工集团太原研究 院、中国铁建重工集团等单位在掘进成套装备研发方 面走在前列，研发的智能掘进成套装备实现了掘进、 支护、运输并行连续作业，并实现了远程监测监控，有 效提高了掘进效率和自动化程度。我国煤矿赋存条 件复杂，掘进工作面环境恶劣，亟需研发智能掘进系 统，对于全面提升煤矿巷道掘进装备和工艺水平，最 大限度的解放生产力，确保煤矿巷道安全、高效、绿 色、智能掘进具有极其重要的意义。 近年来，国内外对煤矿掘进智能化的研究不断深 入，已经成为研究的热点。主要聚焦在智能截割技 术、智能导航技术、智能协同控制技术和远程智能测 控技术等方面。 1 智能截割技术研究现状。在掘进装备的定 形截割方面，刘治翔等运用机器人运动学分析方法， 建立截割头在巷道断面坐标系中的运动学方程，并利 用蒙特卡洛模拟方法分析了不同油缸位移传感器误 差等级对截割头在巷道空间内定位精度影响规 律HJ 。张旭辉等提出了悬臂式掘进机视觉伺服截割 控制系统，采用P I D 控制方法建立了悬臂式掘进机 视觉伺服截割控制模型∞1 。毛清华等建立了悬臂式 掘进机控制系统传递函数模型，运用P I D 控制方法 实现了精确截割控制∞J 。 在掘进装备的自适应截割方面，国内外主要研究 截割臂摆速自适应控制方法，分别为基于油缸压力判 断和截割电流判断的截割臂摆速调节方法。国外一 些机构如奥地利奥钢联、德国埃克霍夫公司、英国 D O S C 0 等主要研究基于油缸压力判断的截割臂摆速 自适应控制方法，研发了负载敏感型液压阀。国内主 要对基于截割电流判断的截割臂摆速自适应控制方 法进行了较为深入的研究。wY A N G 等将截割电机 电流作为截割载荷变化的判断依据，基于P I D 控制 对回转油缸的伸缩速度进行调节，实现了截割臂摆速 自适应控制“ J 。宗凯等针对掘进机截割过程中煤岩 硬度急剧变化时，截割臂摆动速度无法迅速调节以适 应当前截割载荷这一实际问题，提出了一种基于B P 神经网络的截割臂摆速控制策略来实现截割电机恒 功率输出‘8 。。 万方数据 3 1 2 煤炭学报 2 0 2 1 年第4 6 卷 2 智能导航技术研究现状。张旭辉等以巷道 中的激光束为特征，建立掘进机机身位姿视觉测量模 型，通过空间矩阵变换求解得到掘进机的位姿信 息一。。薛光辉等通过建立基于激光靶向扫描的掘进 机位姿测量系统模型，从而解算出掘进机相对巷道坐 标系的位置和姿态信息引。但是激光的穿透力有 限，井下粉层较大的情况下定位误差较大。惯性导航 测量存在随着时间增长产生累积误差问题，通常需要 将惯导和其他传感器构成组合测量系统，提高测量精 度u 1 | 。于永军等采用惯导与视觉组合，提高了定位 精度2 I 。笔者等提出基于“惯导 数字全站仪”的掘 进机器人系统位姿检测方法，实现掘进机器人系统精 确定位定向3 | 。杨文娟等提出了一种通过共面约束 几何建模和标定提升井下视觉定位精度的新方法，有 效解决了基于激光标靶的煤矿井下移动设备精确定 位难题引。卢新明等构建了基于惯性导航仪、指北 仪和具有跟踪功能的全站仪等设备的物联网，实现了 精确可靠的实时定位和掘进机的机器人化5 | 。 在智能导航控制方面，笔者等针对煤矿井下移动 机器人自主导航问题，构建了基于深度相机的机器视 觉系统，提出了一种基于深度视觉的导航方法⋯。 张敏骏等针对传统掘进机行驶性能与纠偏控制未考 虑滑移及巷道倾角的问题，建立了综合考虑巷道倾角 与履带滑移的掘进机纠偏运动学模型，提出了基于神 经网络P I D 的掘进机纠偏运动控制算法，实现了控 制参数的在线实时修正与调整，保证了控制效果的最 优性7 | 。张旭辉等针对在煤矿井下高粉尘、低照度 环境中，掘进机器人定位与控制精度不高的问题，设 计了一种基于视觉测量的快速掘进机器人纠偏控制 系统，通过激光和视觉传感器对快速掘进机器人定 位，采用P I D 控制算法实现纠偏控制8 | 。 3 智能协同控制技术研究现状。煤矿智能掘 进系统主要包括智能截割系统、智能临时支护系统、 智能钻锚系统、智能锚网运输系统、智能运输系统和 智能通风除尘系统等多个智能子系统。在实现单个 子系统智能控制的基础上，如何实现对煤矿智能掘进 系统多个任务并行与多个子系统智能协同控制成为 重要研究内容之一引。 协同控制主要包括2 个方面ⅢJ ①建立多个机 器人之间的空间位置关系，一般通过基坐标系标定来 实现；②协同插补算法，协同插补算法中的关键技术 是协同轨迹的过渡和对多个运动单元的同步速度规 划。国内外学者大多面向多任务、多工序、多资源、多 主体的并行与协同控制问题，主要研究了强化学习、 遗传算法、A g e n t 算法、P 学习、粒子群算法等旧1 | 。针 对多机器人协同控制问题，P I E R P A O uP 等提出了 多机器人行为排序的强化学习框架旧2 | ，c H E NJ 等研 究了基于深度学习的多机器人协作模型旧3 | ，K O S T A L IAN E T 研究了基于分布式梯度粒子群算法的多机 器人运动规划方法旧⋯。 4 远程智能测控技术研究现状。针对掘进系 统远程测控问题，张敏骏等提出了一种基于机载可编 程控制器、机载传感系统、视频监控系统以及工控机 的掘进机远程监控系统旧5 | 。阳廷军提出了悬臂式掘 进机远程可视化控制系统，研究了远程控制系统关键 技术心6 ‘。高旭彬提出了综掘工作面远程可视化控制 方法，研究了成套设备协同控制、智能截割、智能锚 护、智能运输、视频监控等关键技术旧7 | 。 王国法等心副开展了煤矿智能化建设技术体系研 究，分析了煤矿智能化建设存在的技术难题与发展方 向。葛世荣等提出了数字孪生智采工作面概念和技 术架构，为进一步利用物联网、5 G 通信、云计算等技 术实现智采工作面数字孪生系统提供了一定的指 导拉9 I 。吴淼等提出了一种掘支锚并行作业的施工工 艺体系，结合数字孪生技术探讨了煤矿综掘工作面智 能发展的关键技术∞引。张旭辉等以虚拟现实为基 础，构建了悬臂式掘进机数字孪生系统，实现了悬臂 式掘进机的虚拟远程控制⋯。 综上所述，近年来在智能掘进方面的研究不断深 入，尤其是国内专家学者的研究成果丰富，持续推动 世界掘进智能化水平的不断提升。由于我国煤炭赋 存条件复杂，掘进装备和工艺呈现多样化，智能掘进 面临严峻挑战，尤其是智能截割、智能导航、智能协同 控制、远程智能测控等已经成为影响和制约智能掘进 快速发展的关键共性技术难题，迫切需要系统深人研 究。 1 智能截割技术 煤矿巷道成形是通过掘进机截割多个单一截面 逐渐形成的，断面自动成形受掘进机结构、断面形状、 断面地质构造影响。掘进机按照截割形式主要分为 纵轴式掘进机、横轴式掘进机和复合型盾构掘进机， 纵轴式和横轴式掘进机主要通过截割头的旋转、截割 臂的摆动来实现成形，而复合型盾构掘进机主要通过 多个刀盘复合运动成形。为了实现智能截割，需要深 入研究智能定形截割方法和自适应截割方法。 1 ．1 智能定形截割 纵轴式掘进机智能定形截割难度较大，破解了该 掘进机的智能定形问题，其他掘进方式的智能定形截 割问题则迎刃而解。基于视觉伺服的掘进机智能定 万方数据 第l 期 马宏伟等煤矿巷道智能掘进关键共性技术 3 1 3 形截割控制方法是目前先进的智能定形截割控制方 法，其系统构成及工作原理如图1 所示。系统由截割 头位置测量模块、控制器和掘进机截割执行机构等部 分组成，以控制器作为控制系统的主控平台，通过截 割臂视觉测量和机身位姿检测实现截割头在巷道断 面的精确位置检测，将检测的截割头位置与截割规划 位置对比获得截割控制偏差，将偏差实时反馈给掘进 机控制器，掘进机控制器利用基于模糊P I D 控制等 智能控制方法控制液压伺服系统，从而实现对掘进机 的智能定形截割控制。 1 ．2 自适应截割 煤矿巷道掘进常常存在夹矸、半煤岩等截割 掘进机控制器 载荷交变的工况，必须研究自适应截割方法，优化 截割参数，才能提高截割的安全性、高效性。基于 遗传算法优化的B P G A B P 神经网络的掘进机 自适应截割控制原理如图2 所示，将截割臂摆速 作为控制量，通过遗传算法优化的B P 神经网络来 保证截割电机恒功率输出。在控制过程中，实时 检测截割电机的电压u 和电流，，截割臂驱动油缸 的压力P 和截割臂振动加速度，并将其输入G A B P 神经网络，将G A B P 神经网络的输出作为控 制信号，通过控制电液比例方向阀来控制截割臂 驱动油缸伸缩速度，进而对截割臂摆速进行控制， 从而保证截割电机恒功率输出。 截 截模 D ／A 罐 割 割糊 输 H 轨 头 P I D出 迹 控 模 规 位 上J L 置 制 块 截割头位置检测 H 视觉测量截割臂位姿 叫 机身位姿检测 2 智能导航技术 酬蒙 降油缸ll 割 副豸 l 臂 转油缸l 。l 动 图l 视觉伺服的智能定形截割控制原理 F i 昏1 S c h e m a t i cd i a g m mo fs h a p e - c u t t i n gc o n t r o lb a s e do nv i s u a ls e r v o 翳◆舢 裟筹粑哥匾榷霉妒舢 油缸压力尸几 截割臂振动| | 加速度口l 图2 基于G A B P 神经网络的白适应截割控制原理 F i g ．2P r i n c i p l eo fa d 印t i V ec u t t i n gc o n t r o lb a s e do nG A B Pn e u r a ln e t w o r k 掘进系统按照行走形式主要分为履带式掘进系 统和液压推移式掘进系统。掘进系统智能导航技术 主要包括掘进系统精确定位定向技术和智能导航控 制技术。煤矿巷道掘进系统的定位定向精度，直接影 响煤矿巷道的掘进质量。由于煤矿井下无G P S 、无北 斗，如何实现掘进系统的精确定位定向成为巷道掘进 的难题。一般情况下掘进巷道宽度偏差为0 一 1 0 0m m ，因此，要求掘进装备的导航控制精度≤ 5 0m m ，导航控制精度要求高，智能导航难题亟需突 破。为实现掘进装备智能导航，需要深入研究以惯导 为核心的多传感器信息融合精确定位定向方法和智 位置 能导航控制方法。惯导与视觉融合方法和惯导、数字 全站仪与油缸行程传感器融合方法是目前掘进系统 先进的精确定位定向方法。惯导与视觉融合方法的 定向精度可达0 ．0 l 。、定位精度可达4 0m m ，主要适 用于悬臂式掘进机、掘锚一体机等视野开阔的履带式 掘进系统。惯导、数字全站仪与油缸行程传感器融合 方法的定向精度可达0 ．0 1o 、定位精度可达2 0m m ， 主要适用于液压缸作为行走驱动的液压推移式掘进 系统。 2 ．1 履带式掘进系统智能导航控制方法 采用惯导与视觉组合方法检测履带式掘进系统 的机身位姿，机身位姿测量原理如图3 所示，其包括 单目工业相机、两平行激光指向仪、捷联惯导、雷达测 万方数据 3 1 4 煤炭学报 2 0 2 1 年第4 6 卷 距传感器和防爆计算机，图3 中，a 。，卢。，y ，和d ， ， y 含义一致，分别为偏航角，仰俯角和横滚角。系统 通过建立基于无迹粒子滤波与非线性紧组合机制的 组合定位系统数学模型，对惯导与视觉信息进行融 合，从而获得机身的精确位姿。 履带式掘进系统智能导航控制原理如图4 所示， 系统由导航控制器、机身位姿检测系统、行走驱动组 成。通过视觉、雷达测距、捷联惯导等多传感器信息 融合，实现掘进系统精确定位定向。以掘进系统精确 位姿检测为基础，通过神经网络P I D 或模糊P I D 控 制等智能控制算法驱动掘进系统履带行走部，从而实 现掘进系统智能导航。 图3 履带式掘进系统的机身位姿测量原理 F i g ．3P r i n c i p l eo ft h ef u s e l a g ep o s em e a s u r e m e n to fc r a w l e rt u n n e l i n gs y s t e m 图4 履带式掘进系统智能导航控制原理 F i 昏4P r i n c i p l eo fi n t e l l i g e n tn a v i g a t i o nc o n t r o lo fc r a w l e rt u n n e l i n gs y s t e m 2 ．2 液压推移式掘进系统智能导航控制方法动纠偏控制，最终实现液压推移式掘进系统智能导航 液压推移式掘进系统采用光纤惯导、数字全站控制。 仪、油缸行程传感器信息融合进行精确定位定向检 测，其定位定向原理如图5 所示。通过高精度的光纤 捷联惯导测量速度和角速度增量、油缸行程传感器测 量系统推移行程，经过数学解算系统得出煤矿智能掘 进系统的实时位姿。油缸行程传感器和惯导组合会 产生位置累积误差，而数字全站仪可以测量出煤矿智 能掘进系统的精确位置信息，因此运用数字全站仪修 正惯导与油缸行程组合的位置误差，从而实现煤矿智 能掘进系统的精准位姿检测。 液压推移式掘进系统智能导航控制原理如图6 所示，系统主要由机身位姿检测系统、掘进系统控制 器、液压驱动系统等组成。运用卡尔曼滤波算法对 “惯导 数字式全站仪 油缸行程”的多传感器信息进 行融合，实现煤矿智能掘进系统精确定位定向。将智 能掘进系统精确位姿检测信息实时传递到神经网络 P I D 智能导航控制算法，驱动行走部液压油缸进行自 3 智能协同控制技术 煤矿巷道掘进包括掘进、支护、钻锚、运输等多任 务。面向多任务、多系统，如何确保高效、有序、智能 的完成任务，必须解决多任务最优匹配，多系统协同 控制和多任务并行控制等问题。 3 ．1 多任务并行控制方法 煤巷掘进主要采用掘、锚分开的交替作业方式， 据统计，在一个掘进循环中，支护时间大约占到掘进 作业总时间的6 7 ％，因此支护速度成为影响提高掘 进进尺的关键因素。分析煤矿智能掘进系统的并行 作业特征，智能掘进系统属于多任务、多工序、多主体 的并行控制系统，通过揭示多系统作业任务数目和完 成时间等关键参数之间的关系，实现煤矿巷道智能掘 进系统有效、可靠的并行作业。假设由m 个子系统 组成，分别完成掘、支、钻、锚、运等n 个掘进作业工 圈卫习圈园～ 万方数据 第l 期 马宏伟等煤矿巷道智能掘进关键共性技术 3 1 5 艺，结合子系统环境与自身状态感知信息，建立基于 并行作业特征的智能截割系统、智能临时支护系统、 智能钻锚系统、智能锚网运输系统、智能运输系统等 多系统并行控制架构，控制架构如图7 所示，其中， 煤矿智能 掘进系统 捷联惯导 油缸行程 传感器 数字全站仪 x m ，几 为第m 个子系统的第n 个掘进作业工艺； x m ，￡ 为第m 个子系统在t 时刻的状态；Ⅳ 凡，￡ 为 该状态下t 时刻的动作；口 m ，凡，t 为第m 个子系统 的第n 个掘进作业工艺在t 时刻的工序。 速度和角速度增量 航向和姿态 行程l 数学l L _ ] 解算平台k 戛国．厩 位置 图5惯导与数字全站仪、油缸行程传感器融合定位定向原理 F i g ．5 P r i n c i p l eo ff u s i o np o s i t i o n i n g 卸do r i e n t a t i o no fi n e r t i a ln a v i g a t i o n ，d i g i t a lt o t a Is t a t i o na n dc y l i n d e rs t r o k es e n s o r ．一一一一一一坦遵蚕堡焦趔墨一一一一一一 机身移动 位姿 信号 图6 液压推移式掘进系统智能导航控制原理 F i g ．6P r i n c i p l eo fi n t e l l i g e n tn a v i g a t i o nc o n t m lo fh y d m u l i cp u s h - t y p et u n n e l i n gs y s t e m 图7 基于多任务并行作业的控制架构 F i g ．7 C o n t r o la r c h i t e c t u r eb a s e do n 舢l t i - t a s kp a r a l l e lo p e r a t i o n 基于掘进作业最优任务分配的多系统并行作业 流程为 1 建立感知系统，结合数据采集与处理模块， 构建煤矿智能掘进系统并行作业执行知识库，获取各 子系统的状态。 2 基于掘进作业工艺，构建并行作业任务分配 模型，确定智能掘进子系统对应作业任务。 3 根据各子系统并行作业任务，构建动作决策 模型，依据智能掘进工艺制定工序决策。 4 根据多系统并行作业任务分配、动作决策与 工序决策模型问题的适应度，评价智能掘进子系统的 适应度值。 5 依据多系统并行作业的任务交互问题描述， 建立合作机制，产生下一时间并行作业执行动作，从 一圈圆圈圆圈 万方数据 3 1 6 煤炭学报 2 0 2 1 年第4 6 卷 而确定多系统最优并行作业方案。 多任务并行控制方法主要有基于强化学习的并 行作业控制方法和基于A g e n t 的并行控制方法。 3 ．1 ．1 基于强化学习的并行作业控制方法 强化学习是从控制论、统计学、心理学等发展而 来的，是一种通过与环境交互进而实现实时学习的方 法，智能掘进系统选择“掘一支一钻一锚一运”动作 与执行顺序，从而影响掘进环境，环境在发生变化的 同时，给予子系统一个反馈信息，系统根据反馈信息 不断地调整自己的控制策略。基于强化学习模型建 立环境状态与动作的映射关系，作为智能掘进系统并 行作业动作决策依据。基于强化学习的多任务并行 控制原理如图8 所示，戈，s ，尺，o ，￡参数分别表示子系 统的位置信息、状态、反馈、行为、时间步；咒 i ，￡ 为第 i 个子系统t 时刻的位置信息；7 r i ，￡ 为经强化学习 后第i 个子系统￡时刻的动作决策信息。通过强化学 习，使得多任务按照并行作业行为规则、任务分配规 则及动作决策，能够自主实现多任务多工艺并行作业 控制，从而提高智能掘进系统的并行作业性能，减少 子系统问的冲突。 3 ．1 ．2基于A g e n t 的智能掘进并行控制方法 A g e n t 可以被认为是多系统中的子系统单元，可以 对环境及其他A g e n t 进行相互作用，一组A g e n t 通过相 互协作和协商，完成一个共同的目标。基于A g e n t 的智 能掘进多任务并行控制原理如图9