基于前馈补偿LQR与PID的矿井无轨胶轮车横纵向控制研究

无人驾驶技术是实现无轨胶轮车井下安全、智能、高效运输的重要方案之一,为了提高无人驾驶过程中的轨迹跟踪精度,提出了基于前馈补偿的横向线性二次型调节器(Linear Quadratic Regulator,LQR)与纵向比例积分微分(Proportion Integration Derivative,PID)位移速度调节器相结合的控制策略,实现车辆的横纵向协调控制。通过建立考虑轮胎侧偏特性的2自由度无轨胶轮车动力学模型和跟踪误差模型,并采用井下无轨胶轮车实车参数建立其电机模型,得到车辆的驱动制动输出。利用Carsim和Matlab/Simulink搭建联合仿真环境,分别在井下双车道工况、单车道工况与颠簸路面工况下进行了轨迹跟踪仿真验证。结果表明:在3种工况下车辆轨迹跟踪过程中的最大横向误差仅为5 cm,最大纵向误差仅为10 cm,速度误差控制在1 m/s以内,航向误差范围为±0.1 rad,前轮偏转角变化平稳未出现抖动现象。为验证控制器在井下实际环境下的跟踪性能,使用实验室小车于陕西某井下巷道进行了现场试验验证,结果表明:井下实际巷道下试验结果误差仍在合理范围内,解决了车辆运行过程中的速度和路径的时变问题,反映出该控制器具有较高的精度和较好的稳定性。

基于无人机影像深度学习的滑坡灾害智能识别

为精确识别和预警露天矿滑坡灾害,提出一种基于面向对象的标注数据集和Res-U-Net模型相结合的露天矿滑坡智能识别方法。首先,以无人机航测获取研究区矿山滑坡影像数据;其次,采用多尺度-光谱差异分割方法和阈值分离原理,对露天矿滑坡数据进行分割和分类,完成基于面向对象方法的滑坡数据集构建;然后,以U-Net网络作为基础架构,在每个卷积层融入ResNet的残差模块,构建基于Res-U-Net的滑坡识别语义分割模型;最后,识别不同方法构建的滑坡数据集,并对比Res-U-Net模型与主流的语义分割模型全卷积神经网络(FCN)、U-net。结果表明:基于面向对象标注的滑坡数据集相比于传统人工标注数据集具有更好的滑坡识别效果,在准确率、召回率、F 1分数和kappa系数上都有12%以上的提升;Res-U-Net模型的滑坡识别精度均在0.8以上,实现露天矿山滑坡灾害精准识别。

基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于Citespace可视化的国内外矿山环境治理与生态修复研究进展

矿山环境治理和生态修复是全球生态环境问题的重要挑战之一,也是我国可持续发展和生态文明建设的重要内容。为探究我国矿山环境治理和生态修复研究热点及其发展趋势,以CNKI数据库和WOS数据库为数据源,梳理了2011年至2020年国内外发表的矿山生态环境治理和生态修复有关文献,使用Citespace软件构建国内外矿山环境治理和生态修复的研究热点以及发展趋势等知识图谱,进而分析对比该类研究目前在国内外的优势和不足,并预测和分析发展趋势。研究表明:在2011年至2020年,国内外矿山生态环境治理和生态修复领域研究发文量整体呈稳定上升趋势;该领域国内外的研究热点主要集中在地质环境管理、土地复垦以及综合治理等方面;该领域未来发展趋势将指向遥感监测、机器学习算法和矿山公园建设等方面。分析结果可为我国矿山生态环境治理和生态修复领域的发展提供方向指引。

融合异质层次因果图的尾矿堆积坝安全状态分析

为探究尾矿堆积坝内外部因素对堆积坝体安全状态的影响,提出基于异质层次图的尾矿堆积坝安全状态分析方法。该方法通过构建异质层次因果图,将环境、渗流场和应力场等关键因素与堆积坝安全状态建立联系,并结合异质节点属性特征,形成环-渗-应安全状态分析指标体系;通过提出定量指标动态等级区间计算方法和安全状态等级计算模型,将坝体安全状态定性问题的模糊性转化为定量化表达,实现对尾矿堆积坝安全等级评价;以洛阳某尾矿坝为例验证模型的科学性。结果表明:该模型能合理定量分析因素与状态之间联系,并找出堆积坝负向演化的敏感性因素,给后续筑坝过程的安全管理提供决策依据。

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero_DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks,FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的YOLOX模型相比,其精度分别提高了0.64百分点、0.84百分点、1百分点、1.29百分点和0.76百分点,速度分别提高了0.5帧/s、0.4帧/s、0.3帧/s、0.2帧/s和0.4帧/s。所提出的方法能实现地下煤矿井下无人电机车轨道障碍物的快速准确检测,并为地下矿运输设备的智能化升级及安全运行提供理论支撑。

基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

基于改进ConvNeXt网络的矿物图像智能识别

矿物识别是地质研究的重要工作,但是如何准确识别矿物仍然是一项重要的挑战。针对矿物形态特征,提出了一种利用迁移学习策略并引入通道注意力的改进ConvNeXt网络矿物图像智能识别模型。首先,利用ImageNet数据集上已预训练的ConvNeXt网络模型,运用迁移学习的方式,加载到矿物识别模型中;其次,在ConvNeXt网络的基础上,以ConvNeXt块之后与注意力机制相结合的方式,进一步提升其特征融合能力;最后,以26类矿物的矿石图像为研究对象,总计34576张图像,以6∶2∶2比例划分训练集、验证集与测试集,模型在实验训练过程中与VGG19、GoogLeNet、ResNet50、ResNeXt50和ConvNeXt网络相比,收敛速度明显加快。实验结果表明,矿物智能识别模型在准确率、精确率和召回率上分别达到98.58%、98.62%和98.73%,而消融实验证明本文提出的优化方法有助于提升模型性能,同时,通过对不同模型矿物图像特征图的可视化对比分析,验证了本文提出的矿物识别模型对于矿物特征的准确提取,进一步证明了模型的有效性,提高了矿物识别的准确率。

SLAM技术在矿井智能化的研究现状与应用进展

智能采矿是矿井生产发展过程中的重要阶段,直接影响矿产企业的安全生产、矿产产量、经济效益和社会效益,随着矿井智能化水平的提高和相应政策的颁布,特别是我国智慧矿山和智能感知设备的快速发展和普及,矿井智能化地图构建和定位导航技术已成为重要的研究课题。回顾传统矿井地图绘制和定位技术的发展历程,结合矿井环境特点分析传统技术面临的挑战。介绍同步定位与建图(SLAM)技术在矿井智能化应用方面的优势,综述SLAM技术在非结构化复杂矿井工作环境下数字地图构建及无网络井下人、机/车定位导航的研究现状与应用进展。最后,对未来SLAM技术在矿井智能化领域中的发展趋势进行展望,即融合深度学习、三维重建与可视化、5G与云计算等。

融合Swin Transformer与CNN的露天矿车前障碍物智能检测算法

随着金属露天矿开采深度不断加大,道路运输条件愈发复杂,无人矿车行驶在道路上面临着各种障碍物的安全隐患,因此对无人矿卡障碍物智能检测提出了更高要求。提出了一种融合Swin Transformer与CNN的露天矿车前障碍物智能检测方法,障碍物检测模型需要建立长期依赖关系来处理不断增加的图像数据,Swin Transformer可以关注全局语义信息,有利于长期建模。将Swin Transformer融入YOLOX模型的骨干特征提取网络中,充分利用多头注意力机制,对图像特征进行预处理,在加强特征提取网络中加入CBAM注意力机制模块,使模型在后续的特征提取中能够提取更多的表征信息。该模型使用的数据集均来自实地矿山,并采用数据增强方式进行预处理。经过实地矿山数据对比验证试验,结果表明:该方法能够有效识别背景复杂的金属露天矿区非结构化道路障碍物,检测精度达到91.57%m AP,检测速度达到56.86 fps,具有较好的小目标和多尺度目标检测性能,可以满足无人矿卡在金属露天矿区的高精度检测要求。

基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法(Point+S Deeplabv3+)。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和MIoU分别提升了3.04%、4.44%、2.79%、1.52%和2.95%、4.36%、3.17%、1.88%,具有更好的综合性能,特别对于边缘和小目标的分割效果有明显改进。因此,基于Point+S Deeplabv3+的分割模型为在爆破现场环境下的爆破参数优化数据采集提供了实时便利、可靠的理论依据。

“双碳”背景下露天矿智能化建设新模式的技术路径

随着智能化开采技术的不断发展,矿山开采模式需要不断革新,目前我国露天矿智能化建设存在不少问题亟待解决,传统的采矿设计和工艺已不能适应无人驾驶、新能源等智能装备的发展,“双碳”背景下对原有的生产模式和装备提出了新的挑战。通过回顾露天矿智能化建设的现状,重点围绕“双碳”背景下露天矿低碳智能开采转型升级问题,探索了一种低碳、连续、高效、安全的露天矿智能化建设新模式——CDEC采矿模式。该模式内涵包含4个方面,即清洁能源开发及碳封存与利用(Carbon)、露天矿开采设计的新理念(Design)、新能源智能装备定制化方案(Equipment)以及露天矿无人连续生产工艺(Continuous)。随后分别从构建多能互补的可再生能源系统、探索露天矿山低碳连续生产工艺、开发碳封存与生态碳汇技术体系3个方面探讨了该模式的技术路径。最终实现“可再生能源利用+新能源装备+碳封存与利用”的绿色能源供给利用方式,形成“移动缓冲装载机(可选)+无人驾驶+破碎系统+皮带运输或升降装置”的无人连续生产工艺,为“双碳”背景下露天矿智能化建设提供指导。

某实验室个人剂量监测能力比对结果分析

依据国家标准《外照射个人剂量系统性能检验规范》和全国个人剂量监测能力比对考核方案,对照射过的TLD探测器片盲样进行检测和结果不确定度评估计算,将甄别射线类型前的数据与甄别射线类型、修正刻度因子后的数据进行比较。2019年比对结果为:5组比对结果单组性能偏差范围为-0.18~0.03,综合性能偏差0.12≤0.30,判定为合格;2020年比对结果为:5组比对结果单组性能偏差范围为-0.21~0.04,综合性能偏差0.14≤0.30,判定为合格。对射线类型和辐射水平进行甄别后,单组性能与综合性能均达到评定优秀的要求。比对结果显示,该实验室个人剂量监测系统运行良好,监测技术满足外照射个人剂量监测的有关性能要求。

基于双向特征融合的露天矿区道路障碍检测

近年来矿用卡车自动驾驶的兴起,使得障碍检测变得至关重要,露天矿区非结构化道路复杂多变,时常出现碎石、坑洼等小目标或多尺度行车障碍,严重危害行车安全。因此,笔者提出一种基于双向特征融合的露天矿区道路障碍检测方法。通过实地采集并使用数据扩增方法对露天矿障碍图像数据集进一步细分及扩充,并在特征提取阶段提出了更适用于障碍检测的RepVGG+骨干网络结构。在特征融合阶段,提出基于SimAM空间与通道注意力和跨阶段连接的双向特征融合金字塔模型。通过扩大预测小目标障碍的特征图和特征感受野,提升小目标障碍检测性能,通过双向特征融合机制提升多尺度检测性能。同时对网络分类预测模块的卷积层和先验框尺寸进一步调整,提升障碍检测性能,降低特征冗余,加快模型推理速度。在模型的损失函数方面,针对训练中样本不均衡和障碍物边界框定位不精准问题,使用融合标签平滑正则化的Focal Loss作为分类损失函数,GIoU Loss作为边界框损失函数进一步优化露天矿区障碍模型。实验表明本文方法能有效识别复杂背景下露天矿区非结构化道路障碍物,在实际应用中,检测精度达到了91.76%,检测速度达到56.76 fps,相较于主流检测方法有着更好的小目标和多尺度目标检测性能,可以满足露天矿区无人矿卡行进中的障碍安全检测要求。

露天矿新能源纯电动卡车的智能调度优化及应用

随着我国“双碳”战略的提出,在绿色矿山建设背景下,新能源纯电动卡车在露天矿生产中的应用越来越广泛。为了提高新能源纯电动卡车的运输效率,降低矿山生产成本,从卡车的碳排放成本和矿山生产指标角度出发,综合考虑电池电量、车铲生产能力以及矿石品位等多种影响因素,构建了基于碳排放成本的露天矿新能源纯电动卡车多目标调度优化模型,并采用非支配邻域免疫算法(NNIA)对模型进行了求解。通过国内某露天矿的生产数据进行仿真分析发现,所建立的多目标优化模型求得的调度方案,提高了设备利用效率9.5%,增加了11.29%的矿石运输量,同时有效减少了电能消耗所带来的碳排放成本。

热湿环境下矿工注意力对应急决策影响的脑电研究

为探讨不同热湿环境下矿工注意力对应急决策的影响,模拟了4种不同工况环境,召集了11名被试,运用认知神经科学方法共进行了44次脑电图记录。结果表明,体感温度在26~36℃被试可以保持较高的注意力水平,能够针对突发事件迅速且正确地做出决策。随着温湿度的升高,α波的平均功率不断增加,β波在工况三达到峰值后减小,脑地形图中β波在工况三占比最大;注意力水平(P(SMR+Middleβ)/P(θ))随温湿度的增加而降低,工况三时注意力水平最高,工况四时与其相比降低了69.6%。相关性分析显示,温湿度与任务完成时间存在高度正相关关系。对热湿环境下矿工的应急决策研究能够为深井采矿工人的安全和保护提供参考,降低决策失误造成的损失,为煤矿企业的安全管理工作提供科学依据。

融合聚类和小生境搜索的多模态多目标优化算法

针对多模态多目标优化中种群多样性难以维持和所得等价Pareto最优解数量不足问题,提出一种融合聚类和小生境搜索的多模态多目标优化算法(multimodal multi-objective optimization algorithm with clustering and niching searching,CSSMPIO)。首先利用基于聚类的特殊拥挤距离非支配排序方法(clustering-based special crowding distance,CSCD)初始化种群;引入自适应物种形成策略生成稳定的小生境,在不同的小生境子空间并行搜索和保持等价Pareto最优解;采用特殊拥挤距离非支配排序策略实现个体选优、精英学习策略避免过早收敛。通过在14个多模态多目标函数上进行测试,并与7种新提出的多模态多目标优化算法进行对比实验以及Wilcoxon秩和检验发现,CSSMPIO的总体性能优于对比算法。最后将算法用于基于地图的测试问题,进一步证明了算法的有效性。

基于脑电数据的不同噪声工况下矿工注意力研究

为探究噪声因素对矿工大脑认知的负面影响,通过设计脑电(EEG)试验,结合山东富全矿山实地采集的噪声数据,开展在不同噪声工况(30、50、70、90 dB)下的矿工注意力研究。将采集到的EEG信号利用小波包变换进行特征提取,选取θ/β的值作为注意力特征值,并结合Stroop试验进一步验证分析结果。结果表明:β波在能量占比图中始终占据主导地位,在脑地形图中于工况2时达到峰值;注意力特征值(θ/β)呈现出整体增大趋势,试验进行到40 min时,工况4较工况2的值增长46.19%,表明在噪声为50 dB时矿工的注意力达到最佳,90 dB时注意力的衰减性显著增强;Stroop试验显示工况2用时最短且正确个数最多,在工况4时可靠度仅为78.8%。

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态,降低作业风险,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化反向传播(Back Propagation,BP)神经网络,构建疲劳识别模型。首先,通过模拟日常作业进行疲劳诱发试验,将OpenBCI Cyton开发套板作为心电信号的采集装置;其次,借助MATLAB对所采集心电信号(Electrocardiogram,ECG)数据进行预处理,基于疲劳等级形成初始样本数据集;进而利用Pan-Tompkins算法进行特征提取;最后,针对特征间皮尔逊相关系数进行假设检验,从而获得优选指标并用于模型训练,经疲劳识别模型得出结果。结果表明,与传统BP神经网络、支持向量机(Support Vector Machines,SVM)、遗传算法(Genetic Algorithm,GA)优化BP神经网络相比,模型准确率分别提高6.25百分点、22.92百分点、2.78百分点,从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。