“人-机-环境”共融的工业数字孪生系统智能优化方法

工业数字孪生系统是智能制造应用实施的重要手段,但现有工业数字孪生系统主要面向机械系统探索研究理论和关键技术,缺乏从“人-机-环境”全局开展系统建模和优化。鉴于此,分析了“人-机-环境”系统建模和智能优化研究进展,总结了“人-机-环境”共融的工业数字孪生系统基本特征,建立了系统参考架构。然后,提出了“人-机-环境”共融的工业数字孪生系统智能优化方法与关键技术体系,主要包括数据驱动的快速动态建模与仿真方法、基于生成式人工智能(AI)的数字孪生快速建模方法、多模态感知与智能交互方法、虚实同步映射与模型校正方法、基于分布式计算的运行优化控制方法、“人-机-环境”安全监测与态势感知方法和基于AI agent的系统自学习与优化控制方法等。最后,通过典型案例展示了智能优化方法的应用效果。所提出的工业数字孪生系统智能优化方法为实现智能制造过程中的“人-机-环境”共融提供了重要支撑。

基于模糊深度Q网络的放煤智能决策方法

在综放工作面放煤过程中,由于煤尘和降尘水雾对工作人员视线的影响,人工控制放煤存在过放、欠放问题。针对该问题,将液压支架尾梁看作智能体,把放煤过程抽象为马尔可夫最优决策,利用深度Q网络(DQN)对放煤口动作进行决策。然而DQN算法中存在过估计问题,因此提出了一种模糊深度Q网络(FDQN)算法,并应用于放煤智能决策。利用放煤过程中煤层状态的模糊特征构建模糊控制系统,以煤层状态中的煤炭数量和煤矸比例作为模糊控制系统的输入,并将模糊控制系统的输出动作代替DQN算法采用max操作选取目标网络输出Q值的动作,从而提高智能体的在线学习速率和增加放煤动作奖赏值。搭建综放工作面放煤模型,对分别基于DQN算法、双深度Q网络(DDQN)算法、FDQN算法的放煤工艺进行三维数值仿真,结果表明:FDQN算法的收敛速度最快,相对于DQN算法提高了31.6%,增加了智能体的在线学习速率;综合煤矸分界线直线度、尾梁上方余煤和放出体中的矸石数量3个方面,基于FDQN算法的放煤效果最好;基于FDQN算法的采出率最高、含矸率最低,相比基于DQN算法、DDQN算法的采出率分别提高了2.8%,0.7%,含矸率分别降低了2.1%,13.2%。基于FDQN算法的放煤智能决策方法可根据煤层赋存状态对液压支架尾梁动作进行调整,较好地解决了放煤过程中的过放、欠放问题。

基于改进胶囊网络的X射线图像违禁品检测

针对X射线图像违禁品检测中存在的漏检和误检问题,提出基于改进胶囊网络的模型(DMF and SE Capsule)用于X射线图像违禁品检测。该模型在传统胶囊网络的基础上增加了特征增强(dilated convolution multi-scale feature fusion,DMF)模块和特征筛选(squeeze-andexcitation block,SE)模块。首先使用特征增强模块提取图像特征,通过增加空洞卷积层,并且将所得的高低层语义特征进行拼接融合,从而得到丰富的特征信息;然后再用特征筛选模块,以挤压激励的方式将得到的特征进行筛选;最后再经过网络的胶囊层,从而完成对违禁品的检测。为了验证模型对复杂场景下X射线图像中违禁品的检测能力,在SIXray数据集上进行实验,模型的检测准确率达到79.254%,与原始的胶囊网络(71.350%)相比提升了7.904%,因此,改进模型的检测能力提升明显。

基于深度神经网络的综采工作面视频目标检测

综采工作面环境较复杂,地形狭长,多目标多设备经常出现在同一场景当中,使得目标检测难度加大。目前应用于煤矿井下的目标检测方法存在特征提取难度较大、泛化能力较差、检测目标类别较为单一等问题,且主要应用于巷道、井底车场等较为空旷场景,较少应用于综采工作面场景。针对上述问题,提出了一种基于深度神经网络的综采工作面视频目标检测方法。首先,针对综采工作面环境复杂多变、光照不均、煤尘大等不利条件,针对性挑选包含各角度、各环境条件下的综采工作面关键设备和人员的监控视频,并进行剪辑、删选,制作尽可能涵盖工作面现场各类场景的目标检测数据集。然后,通过对YOLOv4模型进行轻量化改进,构建了LiYOLO目标检测模型。该模型利用CSPDarknet、SPP、PANet等加强特征提取模块对视频特征进行充分提取,使用6分类YoloHead进行目标检测,对综采工作面环境动态变化、煤尘干扰等具有较好的鲁棒性。最后,将LiYOLO目标检测模型部署到综采工作面,应用Gstreamer对视频流进行管理,同时使用TensorRT对模型进行推理加速,实现了多路视频流的实时检测。与YOLOv3、YOLOv4模型相比,LiYOLO目标检测模型具有良好的检测能力,能够满足综采工作面视频目标检测的实时性和精度要求,在综采工作面数据集上的平均准确率均值为96.48%,召回率为95%,同时视频检测帧率达67帧/s。工程应用效果表明,LiYOLO目标检测模型可同时检测、展示6路视频,且对于不同场景下的检测目标都有较好的检测效果。

虚拟仿真技术在监控无人综采工作面的应用

针对目前国内的无人综采工作面存在的问题,提出运用Unity3D虚拟显示软件建立综采工作面模型,通过无人综采工作面设备(重点是液压支架)的实时数据反馈,模拟其运动过程的姿态,以便更好地监视和控制设备的运行,对无人工作面监视和控制的实现提供一种新的辅助手段。重点介绍虚拟仿真技术方案的架构、关键设备和相关协议,及实现的原理与方法。

综采工作面智能化关键技术现状与展望

综采工作面智能化是我国煤炭开采的重点发展方向之一。综采工作面环境复杂,设备众多,开采工艺各环节高度耦合,且采煤过程中各设备之间的动作协同性要求较高,这给设备的智能控制带来了巨大挑战。为厘清综采工作面智能化的技术现状,发掘技术难题的解决方法,探讨未来的发展方向,首先从工程应用角度出发,围绕采煤机、液压支架群、供液系统、运输系统等核心设备,综述综采工作面智能化的发展历史和技术现状,介绍了智能化综采工作面现有的系统架构和关键技术,梳理智能化建设过程中的技术难点。其次从控制理论角度出发,重点阐述了采煤机滚筒自适应调高、支架姿态控制、支架自动跟机、工作面直线度调整、设备协调控制等技术难点所面临的科学问题,从系统建模、控制算法及优化决策等方面,介绍了解决上述问题的技术路径和国内外最新的研究成果。最后,根据人工智能研究领域的发展动态,展望了采煤机、液压支架、运输系统的智能化发展方向;结合计算机视觉、三维激光点云技术、大数据分析、多智能体控制与决策等方向的研究成果,探讨了综采工作面在视频目标识别与跟踪、关键设备三维姿态感知、透明工作面地质信息获取与建模、设备故障综合诊断、工作面信息挖掘与智能分析、设备集群智能最优控制等方面的智能化技术。

厚煤层工作面液压支架自动动作研究和应用

针对厚煤层大采高液压支架在智能化工作面自动控制时存在的动作多、时间长、移架效果差、适应的采煤机速度慢等问题,对提高大采高液压支架自动动作效率的方法进行了研究,详细介绍了大采高液压支架的自动动作的步序,提出了改善液压支架跟随采煤机速度自动动作的方法。试验表明,采用合理的自动动作步序和工艺方法组合,能够提高厚煤层大采高液压支架的自动跟机效率和效果。

基于虚拟仿真技术的电液控制系统使用培训

介绍了一种基于虚拟仿真技术的液压支架电液控制系统使用模拟培训设计,详细介绍了该系统的组成部分及实现流程。该系统可以在地面模拟电液控制系统操纵下液压支架的动作,通过模拟系统使煤矿工人对液压支架电液控制系统的操作更有针对性。使用结果表明,该系统逼真、直观,准确表现了电液控制系统操纵下液压支架的状态。

硒胁迫对大叶紫花苜蓿生理特性的影响

以新疆大叶紫花苜蓿为试验材料,采用土培试验方法,研究了硒(Se)胁迫对大叶紫花苜蓿不同组织可溶性蛋白、脯氨酸、超氧阴离子和丙二醛(MDA)含量的影响及大叶紫花苜蓿对Se的积累能力。结果表明:胁迫60d时,随Se胁迫浓度的增加,大叶紫花苜蓿不同组织中超氧阴离子、MDA、脯氨酸和可溶性蛋白质含量增加,同时,新疆大叶紫花苜蓿根的Se积累量大于叶和茎的Se积累量。综合研究表明,在900μM Se胁迫下,根据渗透调节物质的积累量,初步判断大叶紫花苜蓿有解毒和富集Se的能力,具有用于修复Se污染土壤的潜能。

紫花苜蓿叶片对硒胁迫的生理响应研究

以紫花苜蓿"大叶苜蓿""维多利亚""阿尔冈金"为试材,采用土培法,研究了硒胁迫对3种紫花苜蓿叶片酶促防御系统的超氧化物歧化酶(SOD)、过氧化氢酶(CAT)、过氧化物酶(POD)和抗坏血酸过氧化物酶(APX)活性及丙二醛(MDA)、可溶性蛋白质含量的影响。结果表明:在100μmol·L-1Se时,硒胁迫显著提高了3种紫花苜蓿叶片SOD、APX、POD、CAT活性和可溶性蛋白质含量。Se为900μmol·L-1时,SOD、APX活性和可溶性蛋白质、MDA含量显著增加,而CAT、POD活性显著降低。不同品种间抗氧化酶活性相比,"大叶苜蓿"抗氧化酶SOD、APX、POD、CAT活性显著高于其它2个苜蓿品种,且差异显著。综合评价表明,"大叶苜蓿"的抗氧化能力最强,其次为"阿尔冈金","维多利亚"苜蓿的抗氧化能力最差。

基于Pro/M对齿轮泵齿轮轴的精确建模和模态分析

以Pro/E为平台,依据方程精确建立齿轮泵的齿轮轴三维实体模型,并以振动力学和有限元理论为基础,建立齿轮轴的有限元模型,利用Pro/E集成环境Pro/MECHANICA对其进行模态分析,计算出其前4阶固有阵型和固有频率,为齿轮泵的齿轮轴优化设计提供理论依据;为其动力响应的计算奠定了基础;为改善齿轮泵的动态特性、避免共振的发生、提高其工作的可靠性提供了一种方法。

融合特征增强及多尺度损失的增量去雾算法

为提高雾霾图像清晰化效果并实现去雾能力的泛化,提出一种特征增强及多尺度损失约束的网络结构,并采用增量式训练方法对网络进行训练。网络由教师网络和学生网络构成。通过学习教师网络提取的标注样本注意力信息对学生网络提取的特征进行特征增强;将标注样本多尺度语义特征作为软标签,建立多尺度语义特征损失衡量机制,与全局像素差异损失级联,构建面向特征和像素的损失函数;采用增量式训练方法,教师网络为学生网络平衡不同数据集的新旧知识提供先验约束,使网络保留原有知识的前提下,快速提高对增补数据集的泛化能力。实验结果表明,所提算法在主观视觉效果与客观评价指标上均取得了较好的效果。