0 引 言
自从我国实现煤炭机械化开采以来，先后经历了自动化、数字化、信息化和智能化初级阶段的发展变革，有力提升了煤炭的开采水平，支撑了煤炭工业的健康发展[1-3]。综采工作面是煤炭生产的最前沿场所，也是煤矿井下作业人员的主要聚集地之一，生产环境恶劣作业危险性高。综采智能化技术的研究和应用，是解决这一难题的关键。然而，综采智能化还有很多关键技术难题有待攻关，比如综采装备协同控制机制研究，综采装备与开采环境的耦合作用控制机制研究，基于多源信息融合的综采装备智能决策机制研究以及综采设备群系统的健康诊断与维护机制研究等[4]。鉴于此，笔者以综采工作面采煤机、液压支架和刮板输送机(简称综采“三机”)为研究对象，针对综采智能化技术难点之一的综采装备协同控制机制进行相关技术研究。
目前，国内外学者针对综采智能化开展了大量研究工作，王国法等[5-8]从不同层面多角度系统阐述了煤矿智能化建设的理论体系和技术方法，先后给出了煤矿智能化的定义和总体要求，煤矿智能化建设的原则和阶段性目标，煤矿智能化开采模式的定义、内涵与特征，从数据采集与应用角度，提出了实现煤矿智能化开采的关键基础理论难题，从赋存煤层的智能化开采角度，提出了4种不同智能开采模式及关键技术；任怀伟等[9]面向智慧矿山建设，提出了智慧煤矿信息逻辑模型和智能综采装备的任务全局规划以及分布式智能协同控制技术思路；葛世荣等[10]基于数字孪生技术提出了数字孪生智采工作面的概念、架构及关键技术，研究了智采工作面的仿生特性和信息流特点，为实现综采无人化提供了新方法；在综采装备协同控制方面，王凯[11]运用模糊逻辑建立了刮板输送机负载状态与采煤机速度调节之间的映射关系，实现了刮板输送机与采煤机之间的协同控制；ZHANG Lin等[12]分析了液压支架的自主跟机原理，建立了液压支架自主跟机模型，通过构建基于推移状态模式识别的液压支架推移位移分段感知与跟机决策方法，实现了液压支架的自主跟机控制；FAN等[13]分析了采煤机、液压支架与刮板输送机的行为约束规律，基于多智能体系统理论建立了综采“三机”的全局任务规划及任务协调控制机制，实现了综采“三机”协同调度运行；周信[14]在研究采煤机精确定位的基础上，基于多传感信息融合技术，提出了综采“三机”的姿态协同控制方法和基于改进Elman神经网络的性能协同控制方法，实现了不同设备状态条件下综采“三机”的协同预测控制；谢嘉成等[15]通过构建多因素耦合“三机”协同数学模型和Agent模型，提出一种基于MAS的虚拟现实协同规划方法，实现了虚拟环境下的“三机”关键生产参数的在线规划与最优匹配。
综采工作面控制系统是一个包括采煤机子系统、电液控子系统和刮板输送机子系统等的复杂系统，各子系统间的协同控制是实现综采智能化的关键。综采装备生产过程复杂、环境耦合性强，建立基于模型的综采装备协同控制方法十分困难，随着数字化、信息化与综采技术的深入融合，目前积累了大量综采装备运行数据，建立基于数据驱动的综采装备协同控制模型成为解决这一难题的一个有效途径。然而，完整的基于数据驱动综采装备协同控制方法尚未见报道，因此，笔者综合国内外学者对综采智能化和综采装备协同控制技术的相关研究，融合智能感知、智能决策、智能控制等理论，对数据驱动综采装备协同控制的体系架构进行了深入阐述，从数据应用的角度提出了综采装备协同运行行为的知识发现，智能决策，协同控制方法，以期推动综采智能化的技术进步。
1 智能综采工作面生产系统的数据化特征
智能综采以综采装备生产过程的自动化、数字化、信息化、智能化为基础，以大数据、云计算、物联网为平台，通过集成智能感知与学习，智能控制与优化，智能决策与执行等技术，形成具备自学习、自决策、自协同的智能综采装备运行管控系统，最终实现煤炭的安全、高效、节能开采[16]。不难发现，智能综采系统中的“智能”与数据的深度利用密切相关，并具有鲜明的数据特点和多样的数据功能。
1.1 智能综采系统数据的特点
1)位置分散、多源获取、类型多样、体量巨大是智能综采系统数据的特点。智能综采工作面生产过程的数据广泛分布于综采装备、巷道集控中心、地面远程管控系统等各个环节，数据多源包括综采装备的运行数据、环境数据及融合衍生数据等；类型多样包括视频、音频、电流、矿压、瓦斯浓度等传感数据，而且数据生成速度快、获取频率高，随时间的累积数据体量十分庞大，这为基于数据驱动的综采装备协同控制奠定了基础。
2)数据采集具有动态持续性、时空特性。综采装备长时间连续运行的特性决定了监控过程的持续不间断性，采煤方式的固定性决定了煤机装备空间位置的连续变化性，二者综合决定了采煤过程各环节采样数据的时空特性以及动态增量特性。
3)数据蕴含信息具有规律性、普遍相关性和局部强关联性。综采装备状态数据、工作面环境数据以及各工艺阶段协同运行数据之间存在普遍相关性和局部强关联性，而且在这些数据之中蕴含着综采装备采煤过程中的行为决策、工艺规程、生产工况、运行状态、健康状况等的复合性规律性信息。
4)数据应用具有封闭性、时序性和实时性。智能综采的关键在于通过数据的分析、挖掘和优化利用进而实现整个系统的闭环运行，因此，智能综采工作面生产系统的数据应用链条具有封闭性；同时，在数据采集、处理及应用过程中，智能综采工作面生产系统的数据又具有较强的时序性和实时性，用以支撑闭环场景下设备行为的动态持续调整和优化。
5)数据全生命周期的不确定性。智能综采工作面生产系统的数据不确定性来源于3个方面：综采工作面环境的高度复杂性，引发生产过程中设备状态及行为的不确定性，随之导致数据信息的随机性和偶发性；工作面数据的多源性、多样性、增量性及不平衡性引发的数据不确定性；数据应用分析过程中，由目标问题的复杂性导致的数据全生命周期的不确定性。
1.2 智能综采工作面生产系统的数据功能
1)泛在感知——数据获取。通过先进的传感测量手段与通信技术，实现综采工作面生产过程中工作面环境，设备状态等信息的全方位多维感知，高密度、多类型、网络化是智能综采工作面生产系统信息感知的重要特点。获取的数据经处理、分析后与具体应用深度融合，为综采工作面生产系统智能化协同控制提供基础。
2)信息融合——数据挖掘。利用云计算、边缘计算、大数据、物联网等先进技术，对综采工作面生产过程中的海量数据进行处理与分析，实现多源关联数据的深度融合。建立综采工作面设备与环境，设备与设备，人与设备，人与人之间的信息交互与共享机制。通过智能综采装备与工作面环境间的信息融合提高工作面环境态势以及生产行为预测的准确性，通过综采装备生产过程数据的关联分析构建智能采煤工艺，促进采、支、运功能协调，提升采煤效率。
3)智能控制——数据决策。通过将数据挖掘，遗传算法，神经网络，机器学习，专家系统等智能化方法应用于智能综采工作面生产过程的远程监控，任务调度，自主运行等，使智能综采装备在采煤过程中具有环境自适应，工况自学习，运行自趋优等能力。
1.3 智能综采工作面生产系统的数据应用架构
综采工作面集中监控系统是现阶段自动化综采生产系统最普遍的数据应用模式，它主要实现了综采工作面数据采集，数据显示以及远程操作等基本功能，已成为我国综采工作面建设的标准化配置。但随着智能化综采要求的提出，该系统受结构和功能定位的限制，无法在线对综采装备群进行自动优化控制，更难以与实际生产过程以及管理过程形成闭环。基于现有集控系统，结合智慧煤矿逻辑架构以及数字孪生智能综采工作面平台，进一步梳理出智能综采工作面系统数据应用架构(图1)，其核心仍然是数据的深度利用。
图1 智能综采生产系统数据应用架构
Fig.1 Data application architecture of working system in intelligent fully-mechanized coal mining face
智能综采工作面运行控制系统以智能分布式控制为核心，通过智能感知，智能控制，运行监控实现综采工作面装备的智能化运行；智能综采工作面远程服务系统以大型数据库系统、大数据、云平台为基础，整合运行控制系统实时数据资源以及井下、煤矿等信息，实现综采工作面系统的智能生产、智能管理与智能服务，为人员与设备的安全、精细化管理及优化决策提供一体化数据平台。
2 数据驱动综采装备协同控制方法
自1999年提出数字矿山概念以来[17]，数字煤矿逐渐实现了综采工作面信息的实时精准采集，远程网络传输等功能，并建立了以地理信息系统(GIS)为支撑的数字化矿山模型。但是对于智能综采系统而言，仅依靠信息的数字化表达难以解决复杂地理环境下综采装备的智能化协同控制问题，现阶段综采工作面环境与设备状态监测数据使用情况，如图2所示。针对此问题从数字化和信息化的角度出发，以现有的煤矿数字化监控平台为基础，深入挖掘综采装备运行数据中蕴含的行为控制逻辑，基于决策知识对综采装备行为进行智能推理，实现综采装备群的智能协同控制。
图2 综采工作面生产系统信息融合发展历程
Fig.2 Development course of information fusion of working system in fully-mechanized coal mining face
采煤机、液压支架、刮板输送机(简称综采“三机”)的协同控制是实现综采工作面智能化的关键。综采“三机”协同控制系统主要包含采煤机、液压支架、刮板输送机、综采装备驾驶员、工作面环境5个要素，其中经验驾驶员是实现有人跟机作业条件下综采装备协同控制的关键要素，其充当着智能控制器角色，综采“三机”协同生产过程如图3所示。
图3 综采“三机”协同生产过程及控制思路
Fig.3 Cooperative working process and control assumption of the fully-mechanized mining “Three Machines”
有经验的煤矿工人根据生产计划、特定采煤工艺规程、采煤机状态、刮板输送机负载、液压支架跟机状态以及工作面环境等信息灵活调整控制策略，对采煤机、刮板输送机和液压支架各行为参数进行调节，来实现综采“三机”装备的协同控制，保证煤炭的安全高效开采。此时，综采工作面监控系统记录并存储了该过程中工作面环境和“三机”状态的变化过程信息，这些信息蕴含了自动化程序以及经验驾驶员对综采“三机”的控制行为信息。基于此，笔者提出以表征经验驾驶员学习、决策、控制过程为核心的综采“三机”协同控制思路。
3 数据驱动协同控制技术架构
智能化综采是一个多学科交叉的高新技术领域，综采装备运行过程中产生了大量宝贵的数据资源，它是综采装备自身，工作面环境和控制方法相互作用的结果，可以深度利用这一数据资源为综采装备的自主协同运行服务。基于上述控制思路，笔者首先根据认识论的基本原理[18]，建立了由表及里、由浅入深、由粗到精、循序渐进的综采装备自主协同控制知识模型；然后，基于该知识模型，通过模拟综采装备经验驾驶员的思维决策过程，提出基于情境相似度评价的综采装备协同行为混合推理模型；最后，模仿人类对复杂系统的控制方法，提出基于仿人智能的协同控制策略。该方法能够表征综采“三机”生产系统的状态和行为的动态特征，充分运用综采“三机”生产系统输入和输出所反映的特征信息识别综采装备所处状态，并对综采“三机”的行为参数进行动态调整来消解行为冲突，最终实现综采装备的连续稳定运行。提出的基于数据驱动的综采“三机”协同控制系统结构，如图4所示。
图4 数据驱动综采“三机”协同控制系统架构
Fig.4 Data-driven system architecture of the cooperative control of the fully-mechanized mining “Three Machines”
4 数据驱动协同控制关键技术与实现路径
基于数据驱动的综采“三机”仿人智能协同控制需要解决以下4个关键性技术问题：①基于粗糙扩展有限状态机的综采“三机”行为模式识别；②基于情境相似度评价的综采“三机”行为智能决策；③基于动觉图式的综采“三机”仿人智能协同控制；④基于平行系统理论的平行综采模型。
4.1 基于粗糙扩展有限状态机的综采“三机”行为模式识别
从数据到知识，从知识到决策，是当前数据智能的计算范式。如何结合实际应用对领域数据进行智能分析，是实现从数据到决策转化的关键。智能综采生产系统的数据具有体量大、关联复杂、动态增长、时空序列性、多源异构性和不确定性等特点。考虑上述数据特点，以实现综采装备行为决策为目标，对综采装备的行为模式进行知识发现进行建模。数据驱动智能综采生产系统的本质是要形成t时刻从环境与装备自身状态的感知结果R(t)到综采“三机”行为B(t)的一种映射关系，本研究定义这种映射关系为综采装备的行为模式知识。从另一个角度讲，综采“三机”行为模式知识是状态感知空间与行为空间的映射关系，是一种将感知空间按具体行为准则实施的分类。由此，综采“三机”的行为模式识别问题便可转化成了综采“三机”行为的多标记分类问题。为形象刻画面向数据的综采“三机”生产系统感知空间和行为空间的动态关联关系，建立综采“三机”的行为模式识别决策信息系统，提出基于粗糙扩展有限状态机的综采“三机”生产系统时空动态特性精细化表征方法。
1)定义1：粗糙扩展有限状态机(Rough Set Expanded Finite State Machine，RSEFSM)，粗糙扩展有限状态机可表示为六元组
为有限感知状态特征集合，
为有限感知状态特征值集合，D={d1,d2,…,dm}为有限行为特征集合，W={w1,w2,…,wk}为有限行为特征值集合，δ=Q′×Σ′→Q′为状态转移函数，λ=Q′Σ′→W为有限行为特征输出值。另外，将三元组S={Q′,Δ,D}定义为格局，Δ={Δ1,Δ2,…,Δn}为输入感知特征值的变化量,将C={Q′,Δ}定义为粗糙集中的条件属性，将有限行为特征集合D定义为粗糙集中的决策属性集。
利用面向数据的粗糙扩展有限状态机解决综采装备协同控制问题时，需要根据智能综采“三机”的环境复杂度和任务要求确定感知空间特征的数量，协同运行过程中综采装备可能出现的状态，状态间转换条件以及综采“三机”的行为输出等。智能综采工作面生产过程具有动态时空变化和采煤工艺的高度集成两大特征，因此很难将综采装备可能出现的运行状态具体的逐一列出，状态间转换条件更难以通过精确的数学模型来描述，鉴于此，提出了面向数据的粗糙扩展有限状态机模型来解决综采“三机”运行过程的刻画问题。根据综采工作面环境及装备运行过程记录的历史信息，将采样时刻对应的感知空间特征向量定义为综采装备可能出现的运行状态，相邻采样时刻感知空间特征向量差作为状态之间的转换条件，建立基于粗糙扩展有限状态机的智能综采生产系统状态转换模型，其原理如图5所示。
图5 面向数据的综采“三机”生产状态转换
Fig.5 Working state transition of fully-mechanized mining “Three Machines”
将粗糙扩展有限状态机的有限状态感知空间和行为空间分别映射到多标记决策信息系统的条件属性集和决策行为属性集，来定义综采“三机”行为模式识别的决策信息系统。
2)定义2：行为模式识别决策信息系统(Behavior Pattern Recognition Decision Information System，BPRDIS)，行为模式识别决策信息系统定义为一个四元组BPRIS=(U,A,V,f)，U={x1,x2,…,xn}为论域，即综采“三机”行为模式的有限非空集合，其中xi(i=1，2，…，n)称为综采“三机”的一个行为模式；A=C∪D≠∅,C∩D=∅,为属性的有限非空集合，其中，C={c1,c2,…,cα}为条件属性集，D={d1,d2,…,dm}为决策属性集；V为属性的值域集，V={v1,v2,…,vk}，vi属性ai ∈A的值域；f为信息函数f:U×A→V，f(xi,aj)∈vj。
面向复杂多变的综采生产过程，无法获得“三机”装备的所有的格局，即完备的状态空间和行为空间映射，这导致格局的不完备性、不确定性，为解决该问题采用粗糙集理论对综采“三机”行为模式识别决策信息表进行分析，通过数据预处理，特征关联度分析以及冗余特征删除，来获取不确定性格局下综采装备的行为模式，具体识别流程如图6所示。
图6 基于多标记学习的综采“三机”行为模式识别流程
Fig.6 Behavior pattern recognition process of “Three Machines” based on multi label learning
综采“三机”生产系统格局空间的完善是智能综采装备进行准确行为决策的基础。从历史数据中获取的格局有限并且只具备历史有效性，为进一步增强所得行为模式的决策实用性，我们采用实时动态的增量式格局(行为模式)获取方法，保证决策质量。面向数据的扩展有限状态机模型使综采“三机”状态间的转换更加直观，粗糙集理论使行为模式的识别处理更合理有效，二者结合有效解决了综采行为模式的识别问题。
4.2 基于情境相似度评价的综采“三机”行为智能决策
综采工作面生产系统是一个多子系统、多装备的复杂系统，综采装备的动作行为与工作面环境以及设备自身的状态密切相关，而且随地理位置、时间迁移不断变化。此外，受综采工作面复杂围岩条件变化以及综采装备开采任务约束的影响，综采“三机”之间，“三机”与环境之间常面临一些潜在冲突。如何建立综采装备的行为冲突调解机制，使综采“三机”自主执行恰当的行为动作，是实现综采“三机”协同运行的关键。因此，研究基于数据驱动的综采“三机”的任务规划决策，利用历史任务调度的手段，快速响应动态任务，来实现综采装备动作行为的自主调度决策。
基于案例的推理(Case-Based Reasoning，CBR)和基于规则的推理(Rule-Based Reasoning，RBR)是2种基于知识的问题求解方法[19]，是一种基于经验学习的决策过程，不要求必须明确被控对象的具体运行机理和过程，而是利用历史行为决策知识与现有决策情境之间的相似性进行推理和计算进行决策，可避免大量的过程分析和复杂的模型计算，而且可解释性强，这十分符合综采“三机”生产系统决策的特点。综采工作面突发事件的情景状态千变万化，且具有信息不确定性的特点，单独使用CBR匹配完全相同的情景来对综采“三机”的行为进行决策非常困难，而RBR在解决突发冲突事件的推理中效率又比较低，无法实现综采“三机”工作参数的快速匹配。将CBR与RBR融合的混合推理方法引入到综采“三机”行为决策中，实现“三机”参数的动态匹配，具体实现流程如图7所示。该过程，首先将综采“三机”典型作业工艺(端部斜切进刀割三角煤往返割两刀煤)定义为6个标准行为模态类，运用动态K-means聚类算法对行为模态知识进行子空间划分；然后，考虑综采工作面环境以及“三机”状态的变化，运用综采“三机”环境与设备状态实时感知信息建立综采工作面的情境模型，通过多特征联合权重确定以及相似度评价方法，检索出与当下情境相似的综采“三机”行为决策知识；最后，运用面向检索子空间的支持向量机参数修正模型，调整经验决策与待解决问题之间的偏差，输出综采“三机”工作参数调整控制指令作用于智能综采“三机”，实现综采装备动作行为的自主调度决策。
图7 综采“三机”行为决策混合推理流程
Fig.7 Mixed reasoning process of “Three Machines”behavior decision-making in comprehensive mining
4.3 基于仿人智能控制的综采“三机”分布协同自运行
智能控制包括模糊控制，神经网络控制，专家控制，分层递阶控制，学习控制，仿人智能控制以及各种混合型方法[20]。综采工作面生产系统是一个复杂的非线性系统，传统的基于模型的控制方法难以胜任综采“三机”分布协同控制的要求。借鉴人工控制模式下综采装备驾驶员的控制策略，建立基于动觉图式的综采“三机”仿人智能协同控制模型，如图8所示，来满足复杂工作面环境条件下综采装备的动态智能控制需求，实现对综采“三机”生产系统的协同控制。
图8 基于动觉图式的综采“三机”仿人智能协同控制系统
Fig.8 “Three Machines”humanoid intelligent cooperative control system based on kinesthetic schema
人工操作的控制过程中，有经验的操作员能够实时深入分析综采“三机”生产系统的状态、动态特征，及时采取控制行为来获得良好的控制效果。为了有效模仿人的智能控制行为，并用计算机实现综采“三机”的智能控制，必须有效地表征智能控制策略的动态执行过程。因此，根据综采“三机”生产系统的感知特征值序列(特征模态)来识别被控系统所处的状态，根据系统的输出响应特征值序列(控制模态)来表征系统的动态行为，以此实现智能控制策略的动态执行，该过程的形式化表示如下：设综采“三机”生产系统的特征(状态)基元集：Q={q1,q2,…,qm}={c1,c2,…,cm}，其中ci为综采工作面生产系统的感知特征；系统的特征状态用特征模型来表示：Φ={φ1,φ2,…,φn}，φi=
其中
1,2,…,m)表示第i个采样时刻的所有感知特征的值域。综采“三机”生产系统的控制(行为)基元集：D={d1,d2,…,dk}，其中di(i=1,2,…,k)为综采工作面生产系统的决策特征；系统的决策用控制模态来表示：
其中
表示第i个采样时刻的所有决策特征的值域。当综采“三机”仿人智能协同控制器的第i个输入特征状态为φi时，对应决策输出为
即“三机”装备的行为参数。构建完成综采“三机”仿人智能协同控制器的动态特征模态和决策模态后，便可根据系统的实际感知信息，通过行为协调与冲突调解模块，完成感知空间Sc→特征模态空间Φ→决策模态空间Ψ的两级协同控制策略映射调用，如图9所示，实现综采“三机”的分布协同自运行。
图9 特征模式向协同控制策略的两级映射
Fig.9 Two level mapping from feature pattern to cooperative control strategy
4.4 基于平行系统理论的平行综采模型
基于ACP(人工系统(A)、计算机试验(C)、平行执行(P))的平行系统针对难以建模、难以解析预测的复杂系统(例如交通、能源等)而提出[21]。其本质是在系统中构建一个与实际系统相对应的人工系统，通过人工系统的推演、试验、学习为实际系统的管理和控制提供支持。综采“三机”生产系统具有很强的不确定性、多样性和复杂性，在煤矿安全生产制约的前提下，一些对工矿重复性要求较高的试验或者是存在事故性突发事件的试验难以在井下实际工作面进行，例如相同工况条件下不同协同控制算法的性能对比试验，突发煤壁片帮时的应急决策研究等。因此，为实现智能综采协同控制的实时在线决策，提出面向智慧煤矿的平行综采技术逻辑，系统框架如图10所示。
图10 平行综采技术框架
Fig.10 Technical framework of parallel fully-mechanized mining
智能综采工作面生产系统受综采装备本身和工作面环境影响，工作面环境和“三机”状态尽管有一定的不确定性，但仍存在一定的规律。根据综采工作面环境和设备状态的描述与数学统计模型，将能够描述真实综采工作面装备运行规律的感知数据与机器学习相耦合，将实验室物理模拟平台与实际综采工作面相结合，提升试验环境的可塑性和试验的可执行性，增强智能综采工作面装备协同控制过程的透明性。这种方式提升了描述实际综采工作面生产系统状态数据集的完整性，弥补了实际综采工作面难以验证和优化重复工况和事故性工况协同控制策略的不足。
5 结 论
综采装备集群智能协同控制是综采智能化亟需解决的关键技术之一。以大数据为背景提出了基于数据驱动的综采装备协同控制系统，详细探讨了其系统框架、关键技术和解决方法。
1)构建了面向经验操作员决策过程表征的综采装备协同控制框架。分析了智能综采系统的数据特点和功能，提出了以表征经验驾驶员学习、决策、控制过程为核心的综采“三机”协同控制架构。
2)提出了研究综采装备集群协同控制的知识自动获取的理论方法。提出了基于扩展有限状态机的综采装备状态演化方法和基于粗糙集的综采装备行为多标记学习方法，为实现数据驱动下智能综采装备行为决策知识的自动进化提供了技术手段。
3)提出了研究综采装备自决策、自运行的技术理论。发展了CBR与RBR混合推理的综采装备行为自主决策方法和基于仿人智能的综采装备协同自主运行方法。
4)提出了基于平行系统理论的平行综采技术逻辑。融合并拓展了“智慧综采”和“数字孪生智采”的技术理论，从综采装备协同控制试验研究角度给出了狭义平行综采的技术实现方法。
[1] 王国法，范京道，徐亚军，等.煤炭智能化开采关键技术创新进展与展望[J].工矿自动化,2018,44(2):5-8.
WANG Guofa，FAN Jingdao，XU Yajun，et al.Innovation progress and prospect on key technologies of intelligent coalmining[J].Industry and Mine Automation, 2018, 44(2):5-8.
[2] 王国法，刘 峰，孟祥军，等.煤矿智能化(初级阶段)研究与实践[J].煤炭科学术,2019,47(8):1-36.
WANG Guofa，LIU Feng，MENG Xiangjun，et al.Research and practice on intelligent coal mine construction(primary stage)[J].Coal Science and Technology,2019,47(8):1-36.
[3] 王国法，庞义辉，任怀伟.煤矿智能化开采模式与技术路径[J].采矿与岩层控制工程学报,2020,2(1):3501-3515.
WANG Guofa，PANG Yihui，REN Huaiwei.Intelligent coalmining pattern and technological path[J].Journal of Mining and Strata Control Engineering, 2020, 2(1):3501-3515.
[4] 葛世荣，郝尚清，张世洪，等.我国智能化采煤技术现状及待突破关键技术[J/OL].煤炭科学技术:1-18.[2020-05-27].http://kns.cnki.net/kcms/11.2402.TD.20200416.1337.002.html.
GE Shirong，HAO Shangqing，ZHANG Shihong，et al.The status-of-art and key autonomous technology of smart coal mining in China[J].Coal Science and Technology:1-18.[2020-0527].http://kns.cnki.net/kcms/detail/11.2402.TD.20200416.1337.002.html.
[5] 王国法，刘 峰，庞义辉，等.煤矿智能化：煤炭工业高质量发展的核心技术支撑[J].煤炭学报,2019,44(2):349-357.
WANG Guofa，LIU Feng，PANG Yihui，et al.Coal mine intellectualization:the core technology of high quality development[J].Journal of China Coal Society,2019,44(2):349-357.
[6] 王国法，杜毅博.智慧煤矿与智能化开采技术的发展方向[J].煤炭科学技术，2019，47(1):1-10.
WANG Guofa，DU Yibo.Development direction of intelligent coal mine and intelligent mining technology[J].Coal Science and Technology,2019,47(1):1-10.
[7] 王国法，杜毅博.煤矿智能化标准体系框架与建设思路[J].煤炭科学技术，2020，48(1):1-9.
WANG Guofa，DU Yibo.Coal mine intelligent standard system framework and construction ideas[J].Coal Science and Technology，2020,48(1):1-9.
[8] 王国法，赵国瑞，胡亚辉.5G 技术在煤矿智能化中的应用展望[J].煤炭学报,2020,45(1):16-23.
WANG Guofa，ZHAO Guorui，HU Yahui.Application prospect of 5G technology in coal mine intelligence[J].Journal of China Coal Society,2020,45(1):16-23.
[9] 任怀伟，王国法，赵国瑞，等.智慧煤矿信息逻辑模型及开采系统决策控制方法[J].煤炭学报,2019,44(9):2923-2935.
REN Huaiwei，WANG Guofa，ZHAO Guorui，et al.Smart coal mine logic model and decision control method of mining system[J].Journal of China Coal Society,2019,44(9):2923-2935.
[10] 葛世荣,张 帆,王世博,等.数字孪生智能采煤工作面技术架构研究[J/OL].煤炭学报:1-15.[2020-05-27].https://doi.org/10.13225/j.cnki.jccs.ZN20.0327.
GE Shirong , ZHNAG Fan, WANG Shibo,et al.Digital twin for smart coal mining workface :Technological frame and construction[J/OL].Journal of China Coal Society:1-15.[2020-05-27].https://doi.org/10.13225/j.cnki.jccs.ZN20.0327.
[11] 王 凯.基于刮板输送机负载预测的采煤机调速技术研究[D].徐州：中国矿业大学,2015:35-50.
[12] ZHANG Lin, WANG Zhongbin, TAN Chao,et al.A fruit fly-optimized kalman filter algorithm for pushing distance estimation of a hydraulic powered roof support through tuning covariance[J].Applied Sciences, 2016, 6(10):299-314.
[13] FAN Qigao, LI Wei, WANG Yuqiao, et al.Study on control strategy for intelligent height adjusting system of shearer[J].Mining Science and Technology,2010,20(6):908-912.
[14] 周 信.综采装备协同控制关键技术研究[D].徐州：中国矿业大学,2014:51-103.
[15] 谢嘉成,王学文,杨兆建.基于数字孪生的综采工作面生产系统设计与运行模式[J].计算机集成制造系统,2019,25(6):1381-1391.
[16] 葛世荣.煤矿智采工作面概念及系统架构研究[J].工矿自动化,2020,46(4):1-9.
GE Shirong.Research on concept and system architecture of smart mining workface in coal mine[J].Industry and Mine Automation, 2020,46(4):1-9.
[17] 王金华,汪有刚,傅俊皓.数字矿山关键技术研究与示范[J].煤炭学报,2016,41(6):1323-1331.
WANG Jinhua, WANG Yougang, FU Junhao.Research and demonstration on key technology of digital mine[J].Journal of China Coal Society, 2016, 41(6):1323-1331.
[18] JEROEN Janssen, PAULA Kirschner.Applying collaborative co-gnitive load theory to computer-supported collaborative learning:towards a research agenda[J].Educational Technology Research and Development:A bi-monthly publication of the Association for Educational Communications & Amp; Technology,2020, 68(2):2989-3004.
[19] ANDREW Tawfik, JULAINE Fowlin, KRISTI Kelley, et al.Supporting case-based reasoning in pharmacy through case sequencing[J].Journal of Formative Design in Learning:A Publication of the Association for Educational Communications & Technology, 2019, 3(5):149-168.
[20] HEIKO Koziolek, ANDREAS Burger, MARIE Platenius-Mohr,et al.A classification framework for automated control code generation in industrial automation[J].The Journal of Systems & Software, 2020, 85(3):166-183.
[21] 王飞跃.关于复杂系统的建模、分析、控制和管理[J].复杂系统与复杂性科学, 2006, 3(2):26-34.
WANG Feiyue.On the modeling, analysis, control and management of complex systems[J].Complex Systems and Complexity Science, 2006, 3(2):26-34.
