全部分类/
科学普及/
工矿自动化

工矿自动化

2024年08期

本刊1978年创刊，公开发行。现为中国科技论文统计源刊，全国中文核心期刊，中国煤炭学会煤矿自动化专业委员会会刊。是集中报道我国煤矿及工矿企业通信、生产过程自动化、安全监测监控、计算机应用等国内外新技术、新成果、新工艺、新动向的专业性技术期刊。

扫码免费借阅

目录

快速导航

“矿山智能开采控制技术”专题 | 采煤机数字孪生导航截割运动规划理论与方法

“矿山智能开采控制技术”专题 | 采煤机数字孪生导航截割运动规划理论与方法

为进一步提高采煤工作面的智能化水平，实现采煤机导航截割的自主推演、自主学习和自主优化，基于采煤机自主导航截割技术和数字孪生智采工作面的概念，提出了采煤机数字孪生导航截割运动规划的理论与方法，包括数字孪生理论及基于该理论的采煤机数字孪生导航截割运动规划系统的构建方法。围绕数字孪生理论，探索了智采工作面的物理场景、数字孪生模型的构建及数字孪生驱动、交互和演化机制。为满足不同应用需求，将数字孪生模型分为物理实体、孪生模型和孪生数据模型，详细分析了这3 类模型的特点。介绍了由模型驱动、数据驱动和服务驱动组成的3 种运行机制，这3 种机制通过虚实交互逻辑实现了从感知智能到认知智能的转变。构建了采煤机数字孪生导航截割运动规划系统，该系统通过物理感知层、综合数据层、数据融合分析层及数字孪生服务层，支撑采煤机截割状态数字孪生、动态导航地图数字孪生、数字孪生强化学习环境和强化学习运动规划的服务功能；通过数字化手段将现实中的采煤机导航截割过程复制到数字孪生操作环境中，通过系统内各模块的调用实现数据的自适应融合、智能分析和最优规划。最后，在构建的数字孪生环境中比较深度Q 网络?归一化优势函数（DQN?NAF）算法与深度确定性策略梯度（DDPG）算法在采煤机运动规划任务中的效果，结果表明DQN?NAF 算法在解决采煤机数字孪生运动规划任务时展现出更优的效果和稳定性。
“矿山智能开采控制技术”专题 | 基于PSO−ELM的综采工作面液压支架姿态监测方法

“矿山智能开采控制技术”专题 | 基于PSO−ELM的综采工作面液压支架姿态监测方法

针对基于惯性测量单元的液压支架姿态解算方法会产生累计误差、校正结果不准确的问题，提出一种基于粒子群优化（PSO）?极限学习机（ELM）的综采工作面液压支架姿态监测方法。以液压支架顶梁俯仰角为监测对象，采用倾角传感器和陀螺仪采集液压支架顶梁支护姿态实时信息，对采集到的数据进行预处理，将处理后的数据输入PSO?ELM 误差补偿模型中，得到解算误差预测值；同时通过卡尔曼滤波融合进行液压支架姿态解算，得到解算值；再用误差预测值对解算值进行误差补偿，从而求得更加准确的顶梁支护姿态数据。该方法只考虑加速度和角速度数据与解算误差的关系，不依赖具体的物理模型，可有效降低姿态解算累计误差。实验结果表明：液压支架顶梁俯仰角平均绝对误差由补偿前的1.420 8°减少到0.058 0°，且误差曲线具有良好的收敛性，验证了所提方法可持续稳定地监测液压支架的支护姿态。
“矿山智能开采控制技术”专题 | 综采支架液压系统动态特性研究及改进设计

“矿山智能开采控制技术”专题 | 综采支架液压系统动态特性研究及改进设计

综采工作面液压支架工作中常存在支架初撑力不足、移架速度慢等问题，目前大多基于支架液压系统的稳态运行规律，采用增大泵站流量、降低压力损失等方案来解决，对液压系统动态特性的研究较少。建立了综采支架液压系统动力方程，理论分析了支架初撑力和移架速度相关的液压系统动态特性和乳化液管路系统的液压冲击特性，得出立柱或千斤顶的近似空载运行和长距离管路液压冲击是造成支架液压系统压力大幅下降波动的主要原因。揭示了支架液压系统液压冲击的发生机理为电液换向阀突然启闭和立柱触顶加压。通过现场实测数据和AMESim 仿真验证了理论分析的正确性。提出了综采支架液压系统改进方案，在支架上设置多个蓄能器，新增液控单向阀和电液换向阀控制液压系统蓄能器在不同移架阶段的充放液方式，利用蓄能器的瞬时大流量特性和长距离管路液压冲击压力峰值产生的超压作用来提升支架初撑力。仿真结果表明，改进系统能够有效提高液压支架的初撑力和移架速度。
“矿山智能开采控制技术”专题 | 基于动态自适应旗鱼优化BP 神经网络的工作面周期来压预测

“矿山智能开采控制技术”专题 | 基于动态自适应旗鱼优化BP 神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法精度不足、泛化性较差和算力要求高等问题，提出了一种基于动态自适应旗鱼优化BP 神经网络（DASFO?BP）的工作面周期来压预测模型。通过分析工作面周期来压机理，得到与来压相关的影响因素，通过皮尔逊相关系数确定对来压具有显著影响的因素（推进速度、直接顶厚度、基本顶厚度、采高、煤层倾角和倾向长度）作为预测模型输入，并以下次来压强度和来压步距作为预测模型输出。针对旗鱼优化（SFO）算法鲁棒性不足的问题，提出了动态自适应优化策略对SFO算法进行改进，即在优化前期利用SFO达到快速收敛的目的，中期则借助秃鹰搜索（BES）跳出局部最优，后期发挥粒子群优化（PSO）深度搜索的优势来提高解的精度。通过改进后的动态自适应旗鱼优化（DASFO）算法对BP神经网络的超参数进行训练，构建了基于DASFO?BP的来压预测模型。实验结果表明：DASFO算法在单峰和多峰测试函数上均能实现快速收敛；与BP，SFO?BP和NCPSO?BP相比，DASFO?BP对周期来压强度和步距的预测值与真实值更为接近，具有更高的精度，拟合能力和泛化能力强，能够准确预测下一周期来压分布情况。
“矿山智能开采控制技术”专题 | 融合钻孔地质信息的煤岩图像识别方法

“矿山智能开采控制技术”专题 | 融合钻孔地质信息的煤岩图像识别方法

当前应用于煤岩图像识别的深度卷积神经网络模型存在体积庞大、计算过程冗杂等问题，难以满足实时检测要求，且对低照度、高粉尘等复杂环境适应性差。针对上述问题，提出了一种融合钻孔地质信息的煤岩图像识别方法。首先，通过改进的谱残差显著性检测（ISRSD）算法增强煤岩图像质量，有效减弱复杂环境对煤岩图像特征造成的不利影响；然后，使用加入注意力机制的VGG（AVGG）深度卷积神经网络模型——在VGG的基础上进行剪枝、加入卷积注意力模块（CBAM）和引入自适应学习率调整策略，高效提取煤岩图像特征；最后，利用贝叶斯模型融合煤岩图像特征和由钻孔地质柱状图获取的钻孔地质信息，提升煤岩分类的准确性和鲁棒性。实验结果表明，经ISRSD 算法增强后的图像目标更突出，色彩失真程度更低，且边缘、纹理等图像特征保留相对完整；AVGG 模型的准确率与VGG 模型相当，但平均推理时间、参数量及模型大小分别仅为VGG模型的15.61%，33.44%及33.40%；与仅使用AVGG模型识别煤岩图像相比，利用贝叶斯模型融合钻孔地质信息后，准确率提高了1.85%，达97.31%。
“矿山智能开采控制技术”专题 | 关家崖煤矿重复采动巷道变形特征及控制对策研究

“矿山智能开采控制技术”专题 | 关家崖煤矿重复采动巷道变形特征及控制对策研究

针对重复采动巷道围岩变形严重、无法复用，重复采动巷道在服务期内具有明显的叠加演化特征的问题，以关家崖煤矿13092巷道为研究背景，采用现场实测、数值模拟和理论分析的方法，对重复采动巷道变形的叠加扩展特征和控制对策进行了研究。重复采动巷道变形特征分析结果表明：① 一次回采扰动下，重复采动巷道变形呈现分区和非对称破坏特征，可划分为快速变形区、强烈变形区和缓慢变形区；裂纹破坏主要在煤壁帮和煤柱帮，而顶底板较少，表现为巷道两帮显著片帮和内移；煤壁帮与顶板、煤柱帮与底板交汇处变形严重。② 二次采动巷道在一次破坏基础上叠加扩展，使得非对称破坏更加显著，形成巷道围岩蝶形叠加塑性破坏区。③ 重复采动巷道围岩控制的重点时间为一次回采阶段，重点区域为强烈变形区和缓慢变形区的巷道煤柱帮一侧。通过分析采动巷道蝶形变形特征和破坏分区规律，提出了重复采动巷道多层次耦合控制技术，采用浅低压?深高压注浆提高煤柱支撑力，采用锚索补强提高支护体支撑力，实现耦合控制。通过加固前后变形量对比分析验证了多层次耦合控制满足巷道复用要求。
“矿山智能开采控制技术”专题 | 乌兰木伦煤矿大断面硐室围岩变形破坏规律及控制

“矿山智能开采控制技术”专题 | 乌兰木伦煤矿大断面硐室围岩变形破坏规律及控制

针对煤矿井下巷道大断面硐室的围岩变形破坏问题，以乌兰木伦煤矿井下分选及充填大断面硐室为研究对象，采用相似模拟实验方法，进行单调递增加载和恒定荷载加载单轴压缩实验，对大断面硐室围岩变形破坏规律进行了研究。结果表明：① 2 种加载方式在压密阶段、弹性变形阶段及微破裂稳定发展阶段破坏演化和变形位移趋势相似。② 采用单调递增加载方式的试样裂纹较少但裂纹缝隙较大，试样沿着主裂纹突然发生破断，期间有大量碎屑飞出，试样变形位置主要集中在围岩边界，破坏时释放能量较多，但峰后释放能量持续时间较短。③ 采用恒定荷载加载方式的试样应力保持不变，应变缓慢增加，期间产生大量微小裂纹，试样变形位置主要围绕在硐室周围，破坏时释放能量较少，但峰后释放能量持续时间较长。依据大断面硐室围岩变形破坏规律，提出了锚杆索支护方案：硐室顶部打长锚索，将顶板和上方坚硬岩石连成整体；在硐室煤岩交界处打倾斜锚杆，将煤岩交界面与周围岩体紧密连接。数值模拟结果表明，支护后围岩应力、位移、塑性区均明显减小，围岩稳定性大幅提高，支护效果良好。
“矿山智能开采控制技术”专题 | 近距离煤层采掘关系对下位巷道围岩变形规律影响研究

“矿山智能开采控制技术”专题 | 近距离煤层采掘关系对下位巷道围岩变形规律影响研究

近距离煤层上煤层工作面与下位煤层巷道采掘关系发生变化时，巷道围岩变形失稳机理会更加复杂，而目前针对上煤层工作面与下位煤层巷道推进方向不同时巷道受载动态演化规律及失稳特征的研究较少。以陕北能东煤矿近距离煤层为研究对象，采用理论分析、数值模拟与现场实测相结合的方法，对上煤层工作面回采后下位煤层巷道的稳定性进行了研究。理论分析得出，上煤层工作面开采后所产生的底板裂隙深度为22.5 m，未发育至下位煤层巷道。按采掘空间位置关系将回采工作面与巷道分为相向、相交、背向3 个状态，数值模拟当巷道与工作面的空间位置关系发生变化时下位煤层巷道围岩的变形情况，结果表明：① 上煤层工作面与下位煤层巷道的采掘关系为相交与背向推进时，巷道围岩应力呈先增后减再增的趋势，在推进距离为90 m 时，最大应力为6.5 MPa，应力集中系数为1.49，在推进距离为100～110 m 时，巷道围岩应力降低幅度最大，降低了53.2%，在推进距离为150 m 时应力最小，为0.95 MPa，之后不断增大，直到恢复至原岩应力。② 巷道围岩位移量在推进距离为100～150 m 时增长幅度较大，在150 m 时顶板位移量达到最大，为0.036 m，随着巷道越接近边界煤柱，其巷道位移量越小。现场实测结果表明：上煤层工作面过下位煤层巷道时，巷道位移量显著增长，顶板最大位移量为3.41 cm，与数值模拟结果一致；相交推进过程中若地质条件简单可以适当加快推进速度，减小上煤层工作面开采对下位煤层巷道的影响。
科研成果 | 基于数字孪生的矿井提升机天轮结构性能监测

科研成果 | 基于数字孪生的矿井提升机天轮结构性能监测

目前矿井提升机天轮的监测研究大多侧重于对天轮的振动、温度、偏摆的监测，而对天轮结构性能监测的研究较少。针对该问题，提出了一种基于数字孪生的矿井提升机天轮结构性能监测方法。根据矿井提升机天轮运行过程中的实际状况，设计了矿井提升机天轮数字孪生监测系统，该系统由物体实体层、孪生模型层、孪生数据层、应用层及各层之间的连接组成，其中孪生数据层中的预测数据是矿井提升机天轮运行过程中通过天轮结构性能预测模型实时预测的天轮结构性能数据，包括应力和应变数据。矿井提升机天轮结构性能预测模型采用组合代理模型构建：采用处理后的有限元数据训练得到径向基函数（RBF）单一代理模型，基于广义均方误差求得单一代理模型在组合代理模型中的权重，从而得到天轮结构性能预测模型。以立井五绳摩擦提升系统为试验对象，基于Unity3D 平台，通过虚拟空间、数据传输及应用模块的构建，建立了矿井提升机天轮数字孪生监测系统，试验结果表明：在天轮运行过程中，4 个测试点的测量应变和预测应变平均决定系数为0.97398，预测应变与测量应变具有较高的相关性，验证了设计的预测模型能够满足对天轮结构性能监测的需求。
科研成果 | 煤矿巷道支护方案智能设计研究

科研成果 | 煤矿巷道支护方案智能设计研究

目前煤矿巷道支护方案设计仍以人工设计、工程类比、FLAC 模型模拟为主，存在主观性强、普适性低、未充分利用煤矿支护大数据等问题，而基于专家系统的设计方法规则设定程序繁琐，工程量大，智能化程度较低。将案例推理（CBR）和深度学习技术引入巷道支护方案设计领域，基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据，提出了一种煤矿巷道支护方案智能设计方法。获取346 份不同煤矿的巷道支护资料，抽取结构化数据并划分为输入、输出参数，通过常属性变量滤波和高相关性滤波方法对输入、输出参数进行优化。建立CBR 模型，并将抽取的结构化数据导入CBR 模型，形成支护方案比选案例库，计算新的巷道支护方案与历史方案的相似度，输出相似度最高的3 条历史方案进行对比，实现相似案例比选。分别采用BP 神经网络和基于长短期记忆（LSTM）网络建立煤矿巷道支护方案自动生成模型，通过对比预测指标，确定采用基于LSTM 模型与CBR 模型结合，建立煤矿巷道支护方案智能设计系统。将该系统用于不连沟煤矿掘进F6226 工作面辅运巷支护方案设计，通过试验验证了系统生成方案下巷道两帮变形量和顶板最大位移均小于人工设计方案，巷道顶板及两帮完整性较好，围岩承载能力增强，支护效果明显。
科研成果 | 基于数组的刮板输送机运载模型及煤量计算算法研究

科研成果 | 基于数组的刮板输送机运载模型及煤量计算算法研究

目前针对煤量检测的研究大多侧重于煤矿井下带式输送机的煤量检测和识别，对综采（放）工作面刮板输送机的煤量检测仅停留在转载机处安装红外扫描装置，检测技术单一，且由于转载机位于刮板输送机卸煤处，红外扫描装置检测的是转载机的载煤量，不能直接反映刮板输送机上的实时载煤量，存在较大滞后性。针对上述问题，提出一种基于数组的刮板输送机运载模型及煤量计算算法。该算法将刮板输送机设定为连续装煤的载体，通过连续数组建立刮板输送机运载模型，并表征单位长度的装煤量，结合综采（放）工作面采煤机运行速度、滚筒高度、截割深度、位置及刮板输送机运行速度与装煤系数等参数，通过多参数数学建模的方法，实现对刮板输送机单位煤量的实时模拟，进而直观反映煤矿井下采煤工艺并准确计算出刮板输送机的实时载煤量。井下工业性试验结果表明，该算法连续可靠，可以精确计算出刮板输送机实时载煤量，载煤量分布接近于理想状态，具有较高的收敛性和鲁棒性。
分析与研究 | 基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法

分析与研究 | 基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法

现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题，且仅对异物进行识别检测，不能准确计算异物数量。针对该问题，设计了一种基于改进YOLOv8n+DeepSORT 的带式输送机异物检测及计数方法。对YOLOv8n 模型进行改进，再使用改进YOLOv8n（MSF?YOLOv8n）模型对带式输送机异物进行识别；将MSF?YOLOv8n 模型的异物检测结果作为DeepSORT 算法的输入，实现带式输送机异物跟踪和计数。YOLOv8n 改进方法：使用C2f_MLCA 模块替换主干网络中的C2f 模块，提高网络在颜色信息单一环境下的信息提取能力；使用分离和增强注意力模块（SEAM）改进Head 部分，以提高异物被遮挡情况下的检测精度；采用Focaler?IoU 优化损失函数，解决检测目标形状差异大的问题。MSF?YOLOv8n 模型性能验证实验结果表明，MSF?YOLOv8n 模型的mAP50达93.2%，相较于基础模型提高了2.1%；参数量仅为2.82×106，比基础模型少了0.19×106，更适合部署到巡检机器人等边缘设备中；检测精度比YOLOv5s，YOLOv7，YOLOv8s 算法分别高2.2%，1.3%，0.3%；其帧率虽然比YOLOv8s 和YOLOv8n 低，但仍可满足视频实时性检测要求。异物检测及计数实验结果表明，DeepSORT 算法的准确率达80%，可准确跟踪被遮挡的锚杆及形状差异较大的目标。
分析与研究 | 基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测

分析与研究 | 基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测

针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题，基于轻量化YOLOv7?tiny 模型进行改进，提出了一种Stair?YOLOv7?tiny 模型，并将其用于煤矿井下输送带异物检测。该模型在高效层聚合网络（ELAN）模块中添加特征拼接单元，形成阶梯ELAN（Stair?ELAN）模块，将不同层级的低维特征与高维特征进行融合，加强了特征层级间的直接联系，提升了信息捕获能力，增强了模型对不同尺度目标和复杂场景的适应性；针对检测头引入阶梯特征融合（Stair?fusion），形成阶梯检测头（Stair?head）模块，通过逐层融合不同分辨率的检测头特征，增强了中低分辨率检测头的特征表达能力，实现了特征信息的互补。实验结果表明：Stair?YOLOv7?tiny 模型在输送带异物开源数据集CUMT?BelT 上的检测效果优于CBAM?YOLOv5，YOLOv7?tiny 及其轻量化模型，准确率、平均精度均值、召回率和精确率分别达98.5%，81.0%，82.2% 和88.4%，检测速度为192.3 帧/s；在某矿井下输送带监控视频分析中，Stair?YOLOv7?tiny 模型未出现漏检或误检，实现了输送带异物的准确检测。
分析与研究 | 基于改进YOLOv8n的采掘工作面小目标检测方法

分析与研究 | 基于改进YOLOv8n的采掘工作面小目标检测方法

为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置，针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况，提出了一种基于改进YOLOv8n 的采掘工作面小目标检测方法。在YOLOv8n 骨干网络C2f 模块中融合动态蛇形卷积（DSConv），构建C2f?DSConv 模块，以提高模型提取多尺度特征的能力；在Neck 层引入极化自注意力（PSA）机制，以减少信息损失，提高特征表达能力；在Head 层增设1 个专门针对小目标的检测头，形成4 检测头结构，以扩大模型检测范围。实验结果表明，改进YOLOv8n 模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3%，95.8%，89.9%，87.2%，90.8%，平均精度均值为92.4%，优于Faster R?CNN，YOLOv5s，YOLOv7，YOLOv8n 模型，且检测速度达208 帧/s，满足煤矿井下目标检测精度和实时性要求。
分析与研究 | 基于改进YOLOv8n的煤矿井下钻杆计数方法

分析与研究 | 基于改进YOLOv8n的煤矿井下钻杆计数方法

为提高煤矿井下钻杆计数的效率和精度，提出了一种基于改进YOLOv8n 模型的煤矿井下钻杆计数方法。建立了YOLOv8n?TBiD 模型，该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割：为有效捕获钻杆的边界信息，提高模型对钻杆形状识别的精度，使用加权双向特征金字塔网络（BiFPN）替换路径聚合网络（PANet）；针对钻杆易与昏暗的矿井环境混淆的问题，在Backbone 网络的SPPF 模块后添加三分支注意力（TripletAttention），以增强模型抑制背景干扰的能力；针对钻杆在图像中占比小、背景信息繁杂的问题，采用Dice 损失函数替换 CIoU 损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n?TBiD 模型分割出的钻杆及其掩码信息，根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律，设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n?TBiD 模型的钻杆计数方法进行了实验验证，结果表明：① YOLOv8n?TBiD 模型检测钻杆的平均精度均值达94.9%，与对比模型GCI?YOLOv4， ECO?HC，P?MobileNetV2，YOLOv5，YOLOX 相比，检测准确率分别提升了4.3%，7.5%，2.1%，6.3%，5.8%，检测速度较原始YOLOv8n 模型提升了17.8%。② 所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3% 的钻杆计数精度。
分析与研究 | 基于YOLOv5−SEDC模型的煤矸分割识别方法

分析与研究 | 基于YOLOv5−SEDC模型的煤矸分割识别方法

现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高；YOLOv5?seg 模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失，降低煤矸识别效率，且在训练过程中过分侧重全局特征，而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题，提出了一种基于YOLOv5?SEDC 模型的煤矸分割识别方法。首先接收包含煤矸形状信息的图像，并利用主干网络进行特征提取，生成特征图；其次在YOLOv5?seg模型中集成SENet 模块，以保留煤与矸石表面的纹理细节和灰度特征，避免下采样带来的信息丢失；然后采用不同，膨胀率的空洞卷积策略替代传统卷积核，不仅扩大了模型的感受野，还有效减少了模型参数量；最后分割检测头对融合后的特征进行精细处理，实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台，消融实验结果表明， YOLOv5?SEDC 模型的煤和矸石识别的精确率较YOLOv5?seg 模型平均提高1.3%，参数量减少0.7×106 个，检测速度提高了1.4 帧/s。对比实验结果表明：① YOLOv5?SEDC 模型的精确率较YOLOv3?tiny，YOLOv5?seg，Mask?RCNN 模型分别提高了10.7%，2.7%，1.9%，达到95.8%。② YOLOv5?SEDC 模型的召回率较YOLOv3?tiny，YOLOv5?seg，Mask?RCNN 模型分别提高了3.0%，2.1%，0.9%，达到89.1%。③ YOLOv5?SEDC 模型的平均精度均值较YOLOv3?tiny，YOLOv5?seg，Mask?RCNN 模型分别提高了6.4%，6.3%，1.8%，达到95.5%。④ YOLOv5?SEDC 模型的F1 较YOLOv3?tiny，YOLOv5?seg，Mask?RCNN 模型分别提高了5.2%，4.2%，2.1%，达到92.2%。⑤ YOLOv5?SEDC 模型的检测速度较YOLOv3?tiny，YOLOv5?seg，Mask?RCNN 模型分别降低了1.9，1.4，2.7 帧/s。可视化结果表明，YOLOv5?SEDC 模型对煤和矸石的检测准确度较YOLOv5?seg 和Mask?RCNN 模型更高，说明了YOLOv5?SEDC模型在煤矸分割识别上具有较好性能。
分析与研究 | 基于连通性阈值分割的煤岩裂隙识别方法

分析与研究 | 基于连通性阈值分割的煤岩裂隙识别方法

煤岩裂隙发育形态是影响煤岩渗透性、决定煤岩体力学特征的重要因素。针对煤岩裂隙识别过程中存在的复杂结构处理不当、裂隙边界特征保留不足、噪声干扰等问题，提出了一种基于连通性阈值分割的煤岩裂隙识别方法。首先，采用直方图均衡化增强算法和非局部均值滤波去噪算法对图像进行预处理，其次，利用自适应Otsu 阈值分割确定预处理后图像的阈值，识别出可能的裂隙区域，应用形态学运算对这些区域进行精细化处理，进一步突出裂隙的边界特征。然后，通过Canny 边缘计算提取种子点，以识别图像中的关键特征。最后，基于这些种子点进行区域生长操作，从而有效抑制噪声，并在平滑图像裂隙的同时更加清晰地突出裂隙信息。实验结果表明：① 连通性阈值分割的均方误差较自适应Otsu 阈值分割和自适应阈值分割分别平均减少了7.20，7.10 dB，连通性阈值分割的峰值信噪比较自适应Otsu 阈值分割和自适应阈值分割分别平均提高了0.60，0.59 dB。② 连通性阈值分割不仅有效解决了裂隙提取不明显、末端提取效果差及连接处特征消失的问题，而且显著减少了噪声的干扰，使裂隙特征变得更加突出，从而极大地提高了裂隙识别的准确性和完整性。③ 连通性阈值分割在自适应Otsu 阈值分割的基础上，强化了裂隙特征并有效消除了噪声点，平均准确率较自适应阈值分割算法和自适应Otsu 阈值分割分别提高了8% 和0.8%，达98.9%。
分析与研究 | 基于模糊神经网络PID 的煤矿掘进机俯仰控制研究

分析与研究 | 基于模糊神经网络PID 的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID 控制方法，在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现，将传统PID算法与模糊控制、神经网络等相结合，可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系，得到俯仰角与支撑部液压缸的数学关系；介绍了掘进机俯仰控制液压系统工作原理，建立了液压系统及其传递函数模型；将模糊控制与神经网络相结合，形成模糊神经网络，利用模糊神经网络优化PID控制参数，再结合支撑机构数学模型和液压系统传递函数模型，建立掘进机俯仰角模糊神经网络PID控制模型，实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置，解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明：模糊神经网络PID控制算法相较于模糊PID和PID控制算法，跟踪误差分别降低了69.34% 和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制，结果表明：模糊神经网络PID控制算法相比模糊PID和PID控制算法，俯仰控制跟踪误差最小，对位置信号的平均响应时间分别缩短了27.22% 和50.33%，动态控制性能更好。
分析与研究 | 基于自监督学习的IRS辅助矿井通信系统信道估计方法

分析与研究 | 基于自监督学习的IRS辅助矿井通信系统信道估计方法

针对矿井复杂环境导致的多径衰落、非视距通信及真实标签获取困难的问题，提出一种基于自监督学习（SSL）的智能反射面（IRS）辅助矿井通信系统信道估计方法。根据井下Nakagami-g 衰落信道模型和IRS 信号传输模型搭建井下通信系统模型，通过IRS 技术解决多径衰落和非视距通信问题。通过最小二乘（LS）算法进行初步信道估计，再采用SSL 框架下的八度卷积（OCT）神经网络优化信道估计结果。OCT 直接对高频分量和低频分量进行处理，能同时捕捉信道的粗糙特征和细微差别，提供全面的信道信息，从而更准确地估计信道状态；SSL 算法使用接收信号及其带噪版本作为训练数据，通过未标注数据的内在结构提升IRS 辅助信道估计的精度和效率，从而降低对人工标签的依赖。仿真结果表明： ① 引入IRS 技术能有效降低信道估计误差。② OCT 神经网络的损失值明显低于CNN，数据拟合效果更好；OCT 神经网络计算效率高，可提高通信系统信道估计的整体性能；在计算资源有限的环境下，OCT 神经网络可保持较低参数量和内存使用量。③ SSL 算法在所有信噪比条件下均能保持较低的归一化均方误差，验证了其在信道估计中的高效性和鲁棒性。④ 基于SSL 的IRS 辅助矿井通信系统信道估计方法在大规模网络中具有较好的扩展性和鲁棒性。
分析与研究 | 基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取

分析与研究 | 基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取

面对复杂的浮选现场环境及浮选泡沫自身相互粘连导致的边界不清等情况，现有泡沫动态特征（流动速度和崩塌率）提取方法往往无法准确划定属于每个泡沫的动态特征采样区域、不能全面匹配相邻帧间的特征点对且难以有效识别崩塌区域。针对上述问题，提出了一种基于质心?凸包?自适应聚类法的浮选泡沫动态特征提取方法。该方法采用集成Swin?Transformer 多尺度特征提取能力的改进型Mask2Former，实现对泡沫质心的精准定位和崩塌区域的有效识别；通过最优凸包评价函数搜寻目标泡沫周围相邻一圈泡沫质心构建的凸包，拟合出接近实际泡沫轮廓的动态特征采样区域；运用基于Transformer 的局部图像特征匹配（LoFTR）算法匹配相邻帧图像间的特征点对；针对动态特征采样区域内部的所有特征点对，通过基于OPTICS 算法的主特征自适应聚类法提取每个泡沫的主要流动速度。实验结果表明，在普通泡沫质心定位和崩塌区域识别任务中，该方法分别取得了88.83%，97.92% 的准确率及77.90%，96.52% 的交并比；以2.69% 的平均剔除率实现了99.93% 的特征点对匹配正确率；在多种工况下均能有效划定与实际泡沫边界相近的特征采样区域，进而定量提取每个泡沫的动态特征。

过往期刊

更多

猜你喜欢

衢州职业技术学院电子阅览室