基于深度视觉原理的液压支架护帮板收回姿态测量方法研究

为了解决液压支架护帮板在收回过程中的空间姿态测量问题,提出了一种基于深度视觉原理的多传感器融合护帮板空间姿态测量解决方案。该方案通过FAST算法提取特征点,采用领域搜索算法优化特征点,基于护帮板姿态解算模型采用深度相机和倾角传感器相融合的方式进行姿态解算。结果表明:特征点在经过模型优化后,准确度提升25%,液压支架护帮板偏航角的平均解算误差为0.68°,横滚角的平均解算误差为1.31°,俯仰角的平均解算误差为0.82°,护帮板空间姿态角度解算最大误差为1.91°,护帮板空间姿态角度解算最小误差为0.57°,满足井下护帮板姿态检测要求。该方法不易受到环境的干扰,便于获取护帮板在三维空间中的姿态,不但可用于液压支架护帮板空间姿态测量,而且在其他领域视觉测量技术中也具有较好的普适性。

综采面液压支架护帮板收放监测技术的研究与应用

作为液压支架的重要组成部分,护帮板在工作过程中极易发生支护不到位、伸缩不及时等问题,造成片帮、截割干涉等事故。针对上述问题,本文详细分析了护帮板运动过程,通过选取最佳传感器安装位置方案,设计了一套基于PLC控制的液压支架护帮板收放状态监测系统。系统通过实时采集、传输与分析护帮板收放位置数据,实现护帮板收放状态的在线监测与判断,并具备实时报警及维修提示功能,以保证液压支架为综采面提供可靠支护。

液压支架护帮千斤顶节流优化控制研究

针对液压支架护帮的支护速度问题,研究了护帮速度控制与采煤机截煤速度的匹配关系,建立了护帮千斤顶节流优化控制AMESim仿真模型,仿真结果表明可通过对护帮千斤顶运动速度的优化控制实现护帮及时支护,为提高支架护帮支护系统的可靠性,满足采煤机安全高效生产提供了一定的理论基础。

基于ANSYS液压支架护帮装置优化设计

针对液压支架护帮装置结构件经常出现损坏,且损坏位置大体相同等问题,从护帮结构、焊缝形式及焊接效果入手,应用Inventor建立了护帮及连杆三维模型。对于焊接装置所受的应力大小不仅与焊接工艺有关,而且还与装置的结构尺寸有关。为了减小焊接装置的工作应力,运用ANSYS Workbench工作环境,以护帮装置的结构尺寸为输入参数、最大应力为输出参数,通过优化护帮装置的结构尺寸来减小其工作时所受的最大应力。经过优化计算,得到护帮装置主要参数的优化值,优化后护帮装置所受的应力明显减小。

液压支架护帮板工作状态智能识别

液压支架护帮板的打开和闭合是煤矿井下的主要作业之一。为了自动识别监控视频中每个护帮板的工作状态,需研究液压支架护帮板工作状态智能识别算法。结合深度学习和计算机视觉的算法,可采用融合幅度信息的光流直方图(Histograms of Oriented Optical Flow,HOF)提取运动特征。实验结果表明:算法的准确率达到88.69%、精确率达到79.08%、召回率达到76.16%、F1_score值达到76.53%,fps值达到18帧/s,验证了该算法的可行性和有效性。

液压支架护帮板与采煤机滚筒截割干涉监测系统设计与实验研究

智能化开采已经普及到国内的各大煤矿,要实现煤矿出采智能化的安全落实,主要是解决液压支架护帮板与采煤机滚筒截割干涉监测的相关工作。在监测液压支架护帮板与采煤滚筒截割干涉的基础上,通过观察液压支架护帮板监控图像,研究了液压支架护帮板与采煤机滚筒的相对位置关系。实验研究的主要工作就是收集液压支架护帮板的位置信息,并对收到的护帮板位置信息进行数据处理。

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明:对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。

基于煤壁“拉裂-滑移”力学模型的支架护帮结构分析

针对坚硬厚煤层大采高综采工作面极易发生煤壁片帮的问题,以红柳林煤矿7.0 m大采高综采实践为基础,分析了煤壁片帮的应力路径效应,将硬煤煤壁片帮细分为拉裂破坏与滑移失稳两个阶段,建立了坚硬厚煤层煤壁片帮的拉裂-滑移力学模型,得出了煤壁的拉裂破坏深度、宽度与煤体强度、开采高度的关系及液压支架应具有的"临界护帮力",分析对比了2种液压支架护帮装置的结构特点与力学特性。研究结果表明,煤体发生拉裂破坏只是煤壁片帮的必要非充分条件,煤壁最终是否发生片帮,还取决于拉裂破坏体在液压支架与矿山压力作用下是否发生滑移失稳。液压支架很难抑制煤壁发生拉裂破坏,但可以有效防止拉裂破坏体发生滑移失稳。液压支架护帮装置采用伸缩梁与护帮板分开结构设计,具有对煤壁的支护作用力大、结构强度与可靠性高等显著优点。

基于深度神经网络的护帮板运动状态监测

针对现有液压支架护帮板状态监测方法可靠性低、量化监测能力缺乏的问题,提出了一种基于深度神经网络的非接触式护帮板运动状态监测方法。该方法通过卷积和反卷积网络实现护帮板关键点空间位置检测,然后利用前馈神经网络将护帮板关键点的空间运动轨迹转换为护帮板伸缩角度,实现护帮板状态监测的量化。研究结果表明,基于深度神经网络的护帮板关键点空间位置的平均检测误差小于2个像素,护帮板位姿角度的平均量化误差小于3°,算法处理速度大于60f/s,具有良好的监测性能。

融合图像去雾与Tiny-YOLOv3的护帮板状态检测研究

为解决液压支架工长时间作业过程中,因身体疲劳不能及时发现护帮板未护帮的问题,采用实时性高的Tiny-YOLOv3算法检测护帮板状态,但检测任务会受到综采工作面尘雾的影响。因此,提出一种融合图像去雾与Tiny-YOLOv3的目标检测算法,并在此基础上优化图像去雾算法的CUDA实现,首先将暗通道图像用RGB单通道图像代替,然后按列分组求大气光值,合并初始透射率的kernel函数并优化精细化透射率计算方式,提升图像去雾速度,保证算法的实时性。实验结果表明,在煤矿护帮板状态检测场景中,融合算法比Tiny-YOLOv3算法的准确率提高了22.8%,且满足实时检测的要求。

基于海洋捕猎者算法优化的采煤过程截割干涉检测方法

采煤机和液压支架作为综采智能化工作面建设的核心和基础,两者的协调可靠作业是综采智能化实现的关键前提。在实际生产中,液压支架护帮板和采煤机截割滚筒之间常发生截割干涉,大大增加了装备的维护成本,严重时将导致安全事故的发生。当前所提出的基于机器视觉的采煤过程截割干涉检测方法虽然能实现基本的截割干涉检测功能,但是难以根据所处环境自适应的调节截割干涉检测系统关键参数,导致其工业适应性及稳定性较低。通过引入海洋捕猎者算法对截割干涉检测系统关键参数进行动态优化,自适应调节截割干涉检测系统性能,有效提升了其适应性与稳定性。工业性试验表明,基于海洋捕猎者算法该优化后的截割干涉检测系统相比原系统截割检测准确性提升了16.67%,达到了92.36%,大幅提升了基于机器视觉的采煤过程截割干涉检测方法的工业可靠性,具有更强的工业应用潜力。

复杂条件工作面智能化开采关键技术及发展趋势

复杂条件煤层地质条件参数变化数量多、参数变化范围大,其智能化开采是当前迫切需要解决的难题。分析了我国不同区域煤矿的主要地质条件特征及面临的问题,指出相较于综合机械化采煤,智能化开采对地质保障度的要求更高。地质条件越复杂,控制系统就越需要更精准的感知、更快速的分析与决策、更高的数据传输速率。以两淮地区“三软”煤层开采为例,探讨了其在智能化开采过程中面临的问题:煤壁频繁片帮、刮板输送机上窜下滑、相邻支架错位及咬合不紧密、护帮板不整齐、支架扎底、超前巷道变形,指出围岩(顶底板、煤壁)条件、煤层走向/倾向角度、矿压及超前巷道稳定性是影响工作面正常连续开采的5个因素。为解决上述5个因素条件参数变化带来的问题,需要从围岩参数感知、趋势分析、精细化控制、动力系统适应、自适应决策等方面研发出解决复杂条件工作面智能化开采的关键核心技术。详细阐述了目前实现复杂条件工作面智能化开采技术即液压支架护帮板精准控制及快速跟机技术、顶板分区协同支护技术、工作面装备姿态监测技术、工作面调直技术、上窜下滑控制技术、稳压供液控制技术、仿真决策系统平台和超前支护技术的应用现状、效果及后续需要解决的问题。指出对于多种复杂条件共存的煤层,关键元部件的机电液一体化设计、分布式控制方式、大数据的分析应用、装备群协同快速推进控制和实时仿真平台与智能决策系统的开发是后续研究的主要方向。