基于Mask R-CNN的地下矿爆堆块度检测技术研究

地下矿山采场爆破后及时获取爆堆大块情况对于后续的二次破碎、铲装、运输等工序具有重要的指导意义,能有效提高矿山生产效率及经济效益。提出一种基于Mask-RCNN的爆堆大块检测及测量模型OBDM。经过在MPBRD1.0数据集上训练后,通过测试集对模型进行进一步验证,试验结果证明OBDM模型的检测结果符合实际情况;为了提高OBDM模型的检测能力,提出了利用resnet34特征提取网络作为Back Bone,可以使OBDM模型达到最优的性能。将优化后的模型搭载于边缘计算设备上,实现了地下矿现场爆堆块度的快速、准确检测。

基于三维激光扫描的岩体结构面信息提取

以地下矿山工程中的岩体结构面信息为研究对象,应用三维激光扫描技术与地质构造分析相结合的研究手段,将岩体结构面信息提取和三维激光扫描技术进行系统集成.利用Z+Flasercontrol点云数据处理程序和Geomagic Studio逆向工程软件对围岩点云信息进行预处理.基于Java语言开发了由点云数据获取结构面信息的点云数据处理系统,并应用Dips地质构造分析软件分析结果,结合人工测量数据验证此系统的准确性与可行性.研究结果表明,和传统方法相比,该方法具有快速、自动、高精度和远距离测量的优点.

多点爆破震动速度衰减规律研究

爆破震动是引起地下矿山巷道破坏的重要原因,掌握爆破震动速度衰减规律,降低爆破震动危害,对矿山的安全高效生产有着重要意义。针对铁蛋山矿区爆破震动造成下盘沿脉运输巷道破坏严重的现状,开展了爆破震动监测工作。对于完整爆破信号数据,采用最小比例距离方法确定了多点爆破爆心距、炸药量和最大振速值的对应关系,为萨道夫斯基公式应用提供参数,并采用实例验证了该方法的可靠性。在此基础上,建立了铁蛋山矿区爆破震动速度衰减模型,获得了距离下盘沿脉运输巷道不同位置开采时所允许的最大单段药量。对矿山回采过程中的爆破参数进行了改进,不同区域采用不同最大单段药量,保证了沿脉运输巷道的稳定性和产能需求。

一种新型巷道变形监测设备的结构及其应用

为了解决地下金属矿山在日常施工和开采中遇到的巷道破坏等安全问题,及时掌握地下矿山巷道的稳定性情况,需要对巷道围岩变形数据进行不间断的精确监测。传统收敛计监测效率低、精度差、测量人员安全容易受到威胁,而隧道变形监测手段在地下矿山应用又有一定的局限性。为解决这些问题,自主研发了地下矿山巷道变形实时监测系统。该系统可实现24 h无人值守、连续监测收敛变形,降低成本、保证测量人员安全的同时亦提升测量效率和精确度。保国铁矿现场监测试验证明,该系统在很好地完成地下矿山巷道变形监测任务的同时,还可以辅助支护方案设计、危险预警等工作。研究成果在未来地下矿山变形监测、危险预警方面有一定的应用前景。

保国铁矿软岩巷道支护方式的数值模拟研究

保国铁矿地下矿山软岩巷道围岩地质条件复杂,下盘围岩破碎,抗压强度低,遇水极易破碎、膨胀产生变形破坏,严重影响了矿山的开采和运输。为减缓该矿铁蛋山矿区地下开采过程中的巷道围岩变形破坏程度,提高地下工程的稳定性,保持矿山安全高效生产,对+35 m水平分段巷道进行变形监测,并采用FLAC3D软件进行数值计算,分析了保国铁矿软岩巷道在不同支护方案下,无底柱分段崩落法沿脉运输巷道围岩的位移与塑性区等情况。结果表明:在重点破坏区域采用多支护手段联合支护方案,可显著提高该矿软岩巷道围岩强度和承载能力,有效遏制动压软岩巷道破坏趋势。

基于混合现实的地下矿山设备巡检系统研究

针对地下矿山设备巡检人员技术能力不足和巡检流程复杂,导致的巡检效率低、周期长和检修指导流程复杂等问题,设计了一种基于混合现实技术的地下矿山设备巡检系统。该系统基于混合现实设备,通过Unity3D平台搭建混合现实虚拟开发环境,建立真实设备三维模型和标准检修意见指导库,实现了巡检路径导航以及设备信息管理、设备模型展示、检修意见指导和待检部件标记等功能。阐述了该巡检系统的框架设计和功能,总结了模型建立过程和关键技术,以眼前山铁矿破碎机为例,从用户体验和性能相协调等角度对系统进行了综合测试。应用结果表明:该系统简化了传统巡检繁琐的工作流程,降低了巡检人员工作的复杂程度,有效提升了巡检效率并具有良好的人机交互性。

矿石块度视觉识别判断方法

针对传送带矿石块度还需要人工测量的问题,提出了一种基于深度学习的矿石块度检测方法。该方法在Darknet框架下采用残差神经网络结构组成CSPDarkNet21主干特征提取网络,在考虑只需要识别判断大块矿石的条件下选用简单双向特征融合PANet作为特征提取网络并将PANet由三个特征层简化为一个特征层,加快了模型训练及预测的速度,同时使用CIOU对loss值进行计算使训练更加稳定。在对矿石识别完成后,利用矿石块度判断结构对预测框像素面积进行计算得到矿石的真实尺寸。在最终测试中,在将图像经过灰度化、中值滤波处理后进行测试。结果表明,相比于单独UNet图像分割算法对矿石块度进行判断,IOR方法在降低6个百分点精确率的情况下减少2.7倍模型训练时间以及提升9.07倍模型运行效率,是一种能够快速训练及预测矿石块度的方法,非常适用于传送带等需要快速识别判断的现场环境使用,同时降低了边云端计算的设备及训练成本。

基于YOLOv4-tiny的铁矿石品位识别技术研究

为实现矿山现场对不同铁矿石品位的智能化识别以及模型在便携设备上的搭载,对不同铁矿石的不同品位进行了数据增强处理并选择YOLOv4-tiny作为训练的神经网络算法。YOLOv4-tiny深度学习神经网络框架,采用CSPdarknet53tiny作为主干提取网络并结合FPN对岩石图像进行特征提取和学习,在训练过程中采用迁移学习思想以及早停法对训练进行加速,进而生成铁矿石品位识别模型。最终通过测试集验证,模型对于每种矿石品位图像识别正确率大于91%。对于不同环境拍摄的图像以及视频识别也超过80%。模型可以很好地区分不同品位的铁矿石,试验证明模型的鲁棒性较强。

基于惯性导航技术的露天矿爆破过程矿岩运动规律研究

针对露天矿爆破过程中矿岩空间运动轨迹难以准确获取的问题,本研究创新性地提出了利用高精度MEMS惯性导航传感器高频率采集爆破过程的矿岩运动数据来生成矿岩空间运动轨迹的方法,在惯性导航技术基础上对爆破过程中矿岩轨迹生成算法进行研究。最后利用MATLAB数学软件准确输出矿岩在爆破过程中的真实空间运动轨迹信息,为露天矿爆破过程中矿岩运动规律研究提供理论和技术依据。以鞍钢齐大山露天矿-105 m水平采区为例进行了现场试验,基于试验结果分析了压渣爆破的矿岩运动规律,为露天爆破效果智能评价提供参考依据。

基于深度卷积网络的矿岩图像分割算法研究

在金属矿开采过程中,矿石图像的人工智能分割有着重要作用,但是采场爆堆矿岩分布状况复杂,矿岩图像颗粒粘连严重难以分割。现有的矿岩图像分割方法通常是先利用滤波降噪,再采用分水岭算法分割图像,这种方法存在局限性强和参数调整复杂等问题,不适合用于实际应用。结合矿岩图像特征和矿山实际需求,提出了一种基于U-Net深度卷积网络和OpenCV的矿岩图像分割算法,该算法将深度学习创新应用到矿岩图像分割领域,与最大类间方差法、聚类分析、边缘提取等分割方法相比,该算法分割精度高,分割效果好,并且可以直接获取效果图中矿岩块的数量,极大减少了图像的后续处理工作量。

基于有限元的MEMS惯性传感器保护装置研究

本文基于齐大山现场爆破中的MEMS惯性传感器保护装置崩落的现场情况,对该崩落撞击过程中的动力学特征进行了分析研究,并利用有限元软件Solidworks/Simulation,对该MEMS惯性传感器保护装置进行模拟、仿真,得出了MEMS惯性传感器保护装置结构件在崩落撞击过程里的应力、应变云图,和不同结构件的加速度随时间变动轨迹的测量数据。通过模拟仿真结果,系统分析了MEMS惯性传感器保护装置结构件受崩落撞击影响情况,从而为矿山爆破时的MEMS惯性传感器保护装置抗崩落、撞击研究提供重要参考和依据。

齐大山铁矿自然崩落法开采的可行性及方案研究

齐大山铁矿经过多年开采已逐步达到露天开采最终境界,露天转地下开采势在必行,亟需研究新的开采方案。自然崩落法在开采低品位破碎矿体时具有高效率、低成本等优势,可作为齐大山铁矿露天转地下开采的备选开采方案之一。通过现场调查研究,对齐大山铁矿矿岩的可崩性进行了初步评价,提出了基于人工致裂技术辅助崩落的自然崩落法应用方案,可为类似矿山提供新的开采思路。

基于组合岩层结构失稳特征的地表沉陷扩展机理

将采场上覆岩层划分成若干组合岩层结构,通过组合岩结构失稳特征解析地表沉陷扩展机理.分析了组合岩层结构梁体和支撑体的破坏时序与地表沉陷扩展之间的内在联系,认为组合岩层结构后部支撑体破坏滑入采空区是造成地表沉陷扩展的根本原因.提出了组合岩层结构垮落至地表沉陷过程的量化方法,以煤岩体塑性软化及损伤为理论指导,推导了结构后部支撑体破坏宽度的计算公式.结合岩层垮落三带分布及岩体破坏膨胀规律可知组合岩层结构垮落扩展次数.根据沉陷扩展机理及量化公式对铁法晓楠矿SW4102和SW4103工作面进行工程实例计算.

基于MobileNet-SSD算法的铁矿石品位识别

矿石的品位是指导矿山生产的必要指标。为实现对铁矿石品位的智能化识别以及模型在便携设备中的搭载,对不同铁矿石的不同品位进行了数据增强处理,利用MobileNet搭建SSD神经网络作为方法的第一个判断模块,在训练神经过程中采用迁移学习思想以及早停法对训练进行加速,进而生成铁矿石品位识别模型。测试集验证结果表明,模型对于矿石品位图像识别正确率大于97%,模型可以很好地区分不同品位的铁矿石,可以为其他矿山品位识别提供参考。

基于BP神经网络的旋回式破碎机故障诊断研究

矿石破碎加工在采矿生产工艺中是一个极其重要的环节,由于破碎机等大中型设备在实际使用的过程中存在冲击强烈、磨损严重等缺点和不足,且存在各种类型故障和设备部件运动的高复杂性,因此,在实际作业中始终面临着设备部件维修周期长、故障发病率高的特点。以旋回式破碎机为实例,利用各类传感器实时采集数据,基于BP神经网络构建故障诊断模型,选取4大故障类型,包括平行轴油温异常、轴承磨损、平行轴缺油和偏心套故障,同时将轴承转速、润滑油油压、回流油温和轴承振动频率作为4大故障特征参数,使用样本数据对BP神经网络故障诊断模型进行训练和优化,并使用测试数据验证了旋回式破碎机故障诊断模型的准确性及可行性。

基于深度学习算法的矿岩识别技术研究

矿山现场工作人员在作业过程中需要及时判断矿石与围岩,及时优化开采设计方案有助于控制矿石损失贫化。为了实现对矿山现场矿石和围岩的智能化识别,对比了多种算法后采用EfficientDet神经网络模型,矿石和围岩的识别特征较为明显,选用EfficientDet中D0版本进行训练进而获得神经网络模型。基于井下环境进行数据扩充,在检测前对图像进行预处理。通过验证,模型对矿石和围岩识别正确率可以达到96%。在识别矿岩交界处的图片时,对于矿石、围岩分类的准确率超过91%,且预测框大小合适,可以很好地观测到矿岩交界线。模型能够在不同环境下高效、准确地识别矿石和围岩,证明模型的泛化性和鲁棒性较强。