采煤機智能化技術(shù)

前言
第1章緒論1
11我國采煤技術(shù)的發(fā)展歷程1
12高可靠性采煤機的發(fā)展歷程2
13采煤機智能化相關(guān)技術(shù)的研究現(xiàn)狀3
131煤巖識別技術(shù)3
132采煤機定位技術(shù)5
參考文獻7
第2章采煤機的基本結(jié)構(gòu)及智能控制系統(tǒng)架構(gòu)11
21采煤機的基本結(jié)構(gòu)11
22采煤機的工作原理14
23采煤機調(diào)高與調(diào)速系統(tǒng)的工作原理16
24采煤機智能控制系統(tǒng)的總體架構(gòu)18
241采煤機機載監(jiān)控系統(tǒng)19
242采煤機井下遠程監(jiān)控系統(tǒng)20
243采煤機地面監(jiān)控系統(tǒng)23
244智能化采煤機的關(guān)鍵技術(shù)23
參考文獻23
第3章采煤機慣性導航精確定位技術(shù)24
31采煤機慣性導航定位模型24
311坐標系定義及轉(zhuǎn)換過程24
312姿態(tài)變換矩陣實時解算算法26
313采煤機慣性導航定位微分方程28
32采煤機慣性導航定位方案30
33采煤機慣性導航定位誤差模型31
331姿態(tài)誤差模型32
332速度誤差模型33
333位置誤差模型34
334系統(tǒng)誤差模型34
34采煤機慣性導航定位的初始對準35
341卡爾曼濾波算法35
342改進的果蠅優(yōu)化算法36
343基于果蠅優(yōu)化卡爾曼濾波算法的初始對準39
344初始對準算法的仿真分析45
35差分式慣性傳感組件數(shù)據(jù)融合模型47
351差分布局方法47
352數(shù)據(jù)融合方程47
36采煤機位姿差分解算算法48
361采煤機姿態(tài)差分解算48
362采煤機速度差分解算49
363采煤機位置差分解算50
37試驗驗證51
371試驗平臺搭建51
372采煤機慣性導航定位試驗53
參考文獻56
第4章采煤機煤巖截割模式識別技術(shù)58
41采煤機煤巖截割模式分析58
42煤巖截割傳感信號分析59
421煤巖截割聲音信號的產(chǎn)生機理59
422煤巖截割振動信號分析61
43基于多傳感信息融合的采煤機煤巖截割模式識別62
431采煤機煤巖截割模式識別系統(tǒng)架構(gòu)62
432采煤機煤巖截割模式識別流程63
44基于紅外熱成像的采煤機煤巖截割模式識別64
441采煤機截割煤壁紅外熱成像圖分析64
442截割過程中溫度特征分析65
443截割煤壁溫度數(shù)據(jù)分析66
參考文獻67
第5章綜采工作面煤巖識別技術(shù)68
51基于深度學習的綜采工作面煤巖識別系統(tǒng)設(shè)計68
511綜采工作面煤巖識別系統(tǒng)架構(gòu)68
512基于深度學習的綜采工作面煤巖識別流程69
52綜采工作面煤巖圖像數(shù)據(jù)集的構(gòu)建71
521綜采工作面煤巖圖像采集71
522綜采工作面煤巖圖像擴充73
523綜采工作面煤巖圖像標注75
524綜采工作面煤巖圖像數(shù)據(jù)集劃分76
53基于卷積神經(jīng)網(wǎng)絡(luò)的煤巖圖像分類77
531經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型78
532基于CRnet的煤巖圖像分類網(wǎng)絡(luò)模型設(shè)計79
533試驗設(shè)計與分析84
54基于改進Unet網(wǎng)絡(luò)模型的煤巖圖像語義分割88
541經(jīng)典的語義分割網(wǎng)絡(luò)模型89
542煤巖圖像語義分割網(wǎng)絡(luò)模型設(shè)計90
543試驗設(shè)計與分析95
55基于激光掃描的綜采工作面煤巖識別流程99
551激光掃描技術(shù)100
552基于激光掃描的綜采工作面煤巖識別流程101
56煤巖截割表面激光點云數(shù)據(jù)的精簡102
561經(jīng)典的點云數(shù)據(jù)精簡方法103
562基于特征點保留的煤巖激光點云數(shù)據(jù)精簡方法105
563點云數(shù)據(jù)精簡效果的評價指標109
57基于激光點云數(shù)據(jù)的煤巖識別110
571傳統(tǒng)區(qū)域生長點云分割算法111
572煤巖激光點云數(shù)據(jù)的最佳強度閾值確定111
573改進蟻群算法及其應用115
574基于IACOOTSU改進區(qū)域生長的煤巖識別算法118
58試驗驗證120
581試驗平臺搭建120
582煤巖識別結(jié)果評價121
583試驗結(jié)果與分析121
584井下現(xiàn)場測試129
參考文獻131
第6章采煤機截割路徑優(yōu)化技術(shù)132
61基于煤層分布預測的采煤機截割路徑規(guī)劃方法132
611DS證據(jù)理論與神經(jīng)網(wǎng)絡(luò)132
612煤層分布邊界特征點的選取135
613基于改進DS證據(jù)理論與多神經(jīng)網(wǎng)絡(luò)的煤層分布趨勢融合預測方法136
62采煤機滾筒截割路徑模糊優(yōu)化方法140
621記憶截割原理與存在的問題140
622采煤機記憶截割路徑的模糊優(yōu)化方法141
63基于雙坐標系的采煤機截割路徑平整性控制方法144
631截割路徑平整性控制坐標系的建立145
632截割過程分析與動態(tài)控制方法146
633試驗驗證148
參考文獻151
第7章綜采工作面煤壁片幫識別技術(shù)152
71基于混合算法的綜采工作面監(jiān)控圖像增強方法153
711綜采工作面監(jiān)控圖像特性分析153
712基于雙邊濾波與單尺度Retinex的混合圖像增強算法154
713基于混合算法的綜采工作面監(jiān)控圖像增強試驗分析157
72基于背景差分法的煤壁片幫特征分析方法164
721背景差分法165
722基于背景差分法的煤壁片幫特征分析體系構(gòu)建168
723仿真分析171
73基于支持向量機的煤壁片幫危害程度評估方法174
731煤壁片幫危害程度評估問題174
732基于支持向量機的煤壁片幫危害程度評估模型175
74試驗驗證176
741煤壁片幫識別模擬試驗平臺設(shè)計176
742煤壁片幫識別軟件設(shè)計177
743試驗方案與結(jié)果分析181
參考文獻184