【目的】提高传统的单一类别煤矸分选机器人在面对形状、尺寸差异较大的矸石时的适应性,分析异构机器人工作特性,实现异构机器人协同分选。【方法】基于深度Q值网络(deep Q network,DQN)提出异构机器人协同分选模型;分析协同工作分选流...【目的】提高传统的单一类别煤矸分选机器人在面对形状、尺寸差异较大的矸石时的适应性,分析异构机器人工作特性,实现异构机器人协同分选。【方法】基于深度Q值网络(deep Q network,DQN)提出异构机器人协同分选模型;分析协同工作分选流程制定决策框架,根据强化学习所需,设计交互环境,构建智能体连续的状态空间奖惩函数,长短期记忆网络(long short term memory,LTSM)和全连接网络相结合,构建DQN价值和目标网络,实现强化学习模型在工作过程中的任务分配。【结果】协同分选模型与传统顺序分配模型相比,在不同含矸率工作负载下,可提高分选效益0.49%~17.74%;在样本含矸率为21.61%,传送带速度为0.4~0.6 m/s的条件下,可提高分选效率2.41%~8.98%。【结论】异构机器人协同分选方法可以在不同的工作负载下获得稳定的分拣效益,避免单一分配方案无法适应动态变化的矸石流缺陷。展开更多
在估计实际品质因子Q值时,因受频段选择、子波叠加、噪声干扰、非本征衰减等因素影响,容易导致Q值估计误差偏大。为此,提出基于不同阶次泰勒级数展开的含非本征衰减频域振幅比平均的Q值估计方法(Am-plitude ratio average in frequency ...在估计实际品质因子Q值时,因受频段选择、子波叠加、噪声干扰、非本征衰减等因素影响,容易导致Q值估计误差偏大。为此,提出基于不同阶次泰勒级数展开的含非本征衰减频域振幅比平均的Q值估计方法(Am-plitude ratio average in frequency domain,FARA法)。该算法首先利用参考频段内振幅比的连乘消除非本征衰减的影响;然后基于振幅因子在参考频点处的1~4阶泰勒级数展开表达式,推导适用于含非本征衰减地震记录的单频点Q值计算公式;其次,采用高、低频双参考频段结合方式削弱参考频段的影响;最后,采用主值频段内所有频点的平均化处理提高算法的稳定性。模型试验表明,采用高、低参考频段结合的模式可以显著提高所提方法的Q值估计精度,相对于对数谱面积双差值(LSADD)法,新方法受时差、时窗及噪声等因素的影响更小。实例应用表明,不同阶次的FARA法Q估计值的一致性较好,且整体大于LSADD法的Q估计值,与模型试验结果吻合,表明由新方法获得的Q值更可靠。展开更多
文摘【目的】提高传统的单一类别煤矸分选机器人在面对形状、尺寸差异较大的矸石时的适应性,分析异构机器人工作特性,实现异构机器人协同分选。【方法】基于深度Q值网络(deep Q network,DQN)提出异构机器人协同分选模型;分析协同工作分选流程制定决策框架,根据强化学习所需,设计交互环境,构建智能体连续的状态空间奖惩函数,长短期记忆网络(long short term memory,LTSM)和全连接网络相结合,构建DQN价值和目标网络,实现强化学习模型在工作过程中的任务分配。【结果】协同分选模型与传统顺序分配模型相比,在不同含矸率工作负载下,可提高分选效益0.49%~17.74%;在样本含矸率为21.61%,传送带速度为0.4~0.6 m/s的条件下,可提高分选效率2.41%~8.98%。【结论】异构机器人协同分选方法可以在不同的工作负载下获得稳定的分拣效益,避免单一分配方案无法适应动态变化的矸石流缺陷。
文摘在估计实际品质因子Q值时,因受频段选择、子波叠加、噪声干扰、非本征衰减等因素影响,容易导致Q值估计误差偏大。为此,提出基于不同阶次泰勒级数展开的含非本征衰减频域振幅比平均的Q值估计方法(Am-plitude ratio average in frequency domain,FARA法)。该算法首先利用参考频段内振幅比的连乘消除非本征衰减的影响;然后基于振幅因子在参考频点处的1~4阶泰勒级数展开表达式,推导适用于含非本征衰减地震记录的单频点Q值计算公式;其次,采用高、低频双参考频段结合方式削弱参考频段的影响;最后,采用主值频段内所有频点的平均化处理提高算法的稳定性。模型试验表明,采用高、低参考频段结合的模式可以显著提高所提方法的Q值估计精度,相对于对数谱面积双差值(LSADD)法,新方法受时差、时窗及噪声等因素的影响更小。实例应用表明,不同阶次的FARA法Q估计值的一致性较好,且整体大于LSADD法的Q估计值,与模型试验结果吻合,表明由新方法获得的Q值更可靠。
