基于校准补偿和VBUKF平滑的超宽带采煤机定位技术

采煤机精准定位一直是多年来亟需解决的瓶颈,是实现井下采煤机智能化、无人化开采的关键。针对当前采煤机定位精度较低的问题,提出将超宽带(Ultra-Wideband,UWB)基站安装在综采工作面端头,当采煤机运行至端头时,由UWB定位系统为惯性导航端头校准提供基准。为使UWB定位系统获得较高的定位精度,考虑到基站位置误差、尺度因子误差和偏差对定位精度的影响。提出了一种校准方法,能够独立计算这些参数,对基站的位置误差进行校准补偿;由于非视距(Non-Line-of-Sight, NLOS)环境的影响,NLOS偏差因距离变化而有所不同,同时考虑到测量噪声的不确定性和时变性,提出了变分贝叶斯无迹卡尔曼滤波(Variational Bayesian unscented Kalman filter,VBUKF)对NLOS测距信息进行平滑处理,减小NLOS误差的影响,提高距离估计精度。在校准补偿和VBUKF平滑基础上,采用Caffery定位方法(Caffery localization, CL)解算目标节点的坐标,为进一步提升定位精度,采用高斯-牛顿迭代算法(Gaussian-Newton, GN)对CL算法的结果进行优化,并通过UWB定位系统进行动静态试验验证所提方法的有效性。试验结果表明:VBUKF平滑能够有效地减小NLOS误差,GN算法能够进一步提升定位精度;经过校准补偿和VBUKF平滑后,X轴,Y轴及Z轴的平均定位误差大大减小,CL算法和CL-GN算法的平均定误差分别由0.347、0.250 m减小为0.239、0.109 m,平均定位精度分别提高了31.1%,56.4%;同时动态运动轨迹更加接近实际轨迹,表明该方法能提升UWB系统的定位精度,能够为井下定位技术提供理论参考,但是该方法有待进一步现场试验的验证。

基于超宽带系统的采煤机端头定位策略及定位技术研究

采煤机的精准定位是实现无人开采的关键,但是现阶段的采煤机定位技术定位精度较低,无法满足高精度定位的要求。为此,提出在综采工作面的两个端头位置分别设置导轨,使超宽带(Ultra-Wideband,UWB)基站群能沿着导轨整体移动,当采煤机运行到端头时,利用对应端头的UWB定位系统获得采煤机的位置坐标,完成一刀截割之后,UWB基站群沿着进刀方向迁移,为下一次端头定位做好准备,实现“一刀一迁移”的端头定位策略,为惯性导航提供端头校准的依据。考虑到井下实际环境中测量噪声较大,提出了基于最小均方误差准则(Minimum Mean Square Error Criterion,MMSEC)的收缩估计方法;以定位终端与基站群之间的距离构建观测方程,建立扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型,进一步消除距离残差对定位精度的影响,提高UWB定位系统的位置估计精度;以基站群迁移装置和定位终端移动平台为基础,模拟采煤机的运动,研究所提基站群迁移策略和定位算法。试验结果表明,MMSEC收缩估计方法能够提高运动轨迹的定位精度,第4刀和第5刀的定位精度提升比较明显,平均定位误差由0.341 m,0.394 m减小为0.296 m,0.339 m,定位精度分别提升了13.1%和13.9%,经过EKF平滑处理后,第4刀和第5刀的平均定位精度进一步提升13.5%和10.6%;随着基站群迁移次数的增加,平均定位误差逐渐增大,x轴和z轴平均误差逐渐增加,y轴平均误差基本保持在0.2 m之内;MMSEC-EKF算法的前3刀的定位精度小于0.2 m,因此采煤机完成3次循环截割后,重新测量基站群的坐标,能够获得更好的定位效果;提出的端头“一刀一迁移”的定位策略及定位算法为井下定位技术提供理论参考,该方法有待井下环境的进一步试验验证。

基于LSTM的煤层厚度动态预测方法研究

"透明工作面"是实现智能化无人开采的关键,但现阶段的煤层三维地质模型精度较低,无法满足构建高精度煤层地理信息系统的要求。为此,提出了以采煤机历史截割数据和煤层三维地质模型数据根据不同方式划分出2种数据组合,利用长短期记忆(Long-Short Term Memory,LSTM)神经网络挖掘煤层厚度的变化规律并预测煤层厚度分布。基于LSTM神经网络和编码——解码长短期记忆(Encoder-Decoder Long-Short Term Memory,Encoder-Decoder LSTM)神经网络分别建立了煤层厚度预测模型。结果表明:在超参数未优化时,2种模型的煤层厚度预测结果误差均较大;通过优化两种模型的超参数,并以均方根误差(Root Mean Square Error,RMSE)作为煤层厚度预测的评估标准。在第1种数据组合方式下,LSTM模型和Encoder-Decoder LSTM模型的煤厚预测RMSE分别为0.05、0.044 m;在第2种数据组合方式下,2种模型的煤厚预测RMSE分别为0.051、0.049 m。为进一步对比2种模型预测结果,引入绝对误差,求取预测范围内各点的煤厚预测值与真实值的差值。最后得出,2种数据组合方式下,Encoder-Decoder LSTM模型的预测误差在各较小误差范围内的占比始终优于LSTM模型,Encoder-Decoder LSTM预测模型在预测煤层厚度上表现较好,精度较高,其预测的煤层厚度能够修正煤层地质模型。

综采工作面煤层三维模型动态修正方法研究

综采工作面的高精度煤层地理信息是实现智能无人开采的关键,但现阶段所构建的煤层三维模型垂向精度较低,无法满足智能开采的实际需求。针对该问题,提出了一种综采工作面煤层三维模型动态修正方法。将得到的初始煤层三维模型静态数据及开采过程中采煤机截割产生的动态数据融合,基于长短期记忆网络(LSTM)预测算法及其改进算法(基于空间卷积长短期记忆网络(ConvLSTM)、编码-解码长短期记忆网络(Encoder-Decoder LSTM)的预测算法),根据上一回采阶段的煤层数据,动态预测下一阶段未开采区的煤层底板曲面和煤层厚度。采用双层循环嵌套的网格搜索方法对上述3种预测算法进行参数调优,获取未开采区煤层底板曲面和煤层厚度的高精度垂向分布数据,作为煤层三维模型修正值,动态修正下一阶段未开采区的煤层三维模型;随着工作面不断开采,利用新获取的修正数据持续动态修正并更新初始煤层三维模型,从而提升初始煤层三维模型精度,使动态修正后的煤层三维模型能更准确地反映综采工作面实际煤层分布。以山西吕梁市某煤矿18201工作面煤层三维模型为例,采用提出的动态修正方法对该模型进行修正,在工作面推进方向16〜23.2 m范围内,动态修正后的煤层底板平均误差为0.0685 m,煤层顶板平均误差为0.076 m,相较于修正前的底板平均误差0.20 m、煤层厚度垂向平均误差0.40 m,动态修正后的煤层三维模型精度大大提升,证实了该修正方法的有效性。