基于Mask RCNN的矿仓入料口堵塞矿石识别定位研究

针对矿仓入料口堵塞矿石识别过程中现场工况环境复杂、矿石识别检测难度大等问题,采用深度学习和图像处理技术开展矿石智能识别检测的研究,提出基于Mask RCNN的矿石识别检测方法。该方法可以实现对矿石识别的同时进行实例分割,并提出利用矿石轮廓的形心坐标取代Mask RCNN中的外接矩形框定位方法,有效解决矿石定位不精确的问题。实验结果表明:基于Mask RCNN网络的矿石识别模型可以实现对多种数量、不同位姿以及堆叠的矿石精准识别,综合准确率达到97.6%,采用矿石轮廓形心坐标的定位方式可以有效避免因矿石形状和位姿而带来的定位误差,为智能清堵机械手提供精确的视觉引导。

对辊破碎机层压破碎过程的DEM-MBD联合仿真与试验

通过控制合理的入料粒径能够有效提高对辊破碎机层压破碎效率,但在分析物料破碎过程时存在腔内物料不可视、破碎数据难采集等问题。为了提高对辊破碎机的破碎效率,优化其破碎过程的分析方法,采用离散元法(discrete element method,DEM)与多体动力学(multibody dynamics,MBD)建立联合仿真模型,探究对辊破碎机层压破碎过程中物料的破碎规律;并进行对辊破碎机层压破碎试验,分析不同入料粒径配比时矿石物料的孔隙率对破碎效率的影响,并试验验证联合仿真模型的准确性。结果表明:对辊破碎机的物料破碎由单颗粒破碎和层压破碎组成,破碎过程分为料层密实、物料破碎和结团排料3个阶段;为提高对辊破碎机破碎效率需要控制入料粒径不小于辊隙的40%,在此条件下,通过混入尺寸大小为入料粒径50%~100%的矿石降低物料孔隙率可以提高破碎效率;DEM-MBD联合仿真与试验结果的碎后粒径分布曲线基本吻合,从而验证建立的联合仿真模型的可靠性。

超声振动作用下矿石破碎后颗粒分形特征

以黑钨矿石为研究对象进行超声振动加载试验,通过筛分实验得到矿石破碎后颗粒的粒度分布曲线,计算颗粒的分形维数,利用分形维数定量描述矿石破碎过程,分析分形维数与静载荷、超声波输出功率及颗粒的平均粒度之间的关系。结果表明:当静载荷由100 N增加至500 N时,颗粒的平均粒度由19.5132 mm减小至5.0400 mm,分形维数由1.7252增大至2.5419;当超声波输出功率由1.56 kW增大至2.60 kW时,颗粒的平均粒度由19.6729 mm减小至5.0400 mm,分形维数由1.9127增大至2.5419;分形维数分别与静载荷、超声波输出功率及平均粒度之间呈现良好的线性相关性,可以直观地定量描述矿石的破碎过程。

基于LS-DTW和优化k-medoids的磨音信号聚类分析

磨音信号是反映磨机运行状态的一个重要参数,准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类,为使磨音信号聚类效果更优,不仅需要类内距离小,还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping,LSDTW)和优化k-medoids的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping,DTW)得到的计算结果对噪声高度敏感的缺点,使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响,其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足,提出使用异常迭代模式(Abnormal Pattern,AP)优化k-medoids方法选取代表性的初始集群中心。采用优化k-medoids方法对LS-DTW的结果进行聚类分析,以平均轮廓系数作为评价标准,对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知,经本文方法聚类后,类内紧致性更优。

振动慢剪破碎机内锥动力学分析

为研究振动慢剪破碎机内锥运动轨迹,通过拉格朗日方程建立六自由度的内锥动力学模型,使用MATLAB软件进行内锥动力学响应的求解,利用ADAMS仿真软件进行空载下的内锥动力学响应仿真分析,进行EDEM与ADAMS耦合分析负载时的内锥动力学响应。结果表明:振动慢剪破碎机内锥的运动主要为水平面上的振动圆运动;空载情况下X、Y方向上的位移范围为-0.4~0.4 mm,整体振幅为0.8 mm;负载情况下X、Y方向上的位移范围为-0.3~0.3 mm,整体振幅为0.6 mm,负载时的振幅小于空载下的。

矿物界面破碎特征分析与预测

根据不同组分矿物界面的差异性,利用盒子维法实现对矿物界面几何特征的描述、利用原位加载实验实现对矿物界面力学特征的描述,并利用反向传播(back propagation, BP)神经网络算法对矿物界面几何特征和力学特征进行映射预测。结果表明:所研究黑钨矿石中石英-钨界面分形维值大于石英-硅质岩界面的,且石英-钨界面分形维值范围为1.855 1~1.936 8、石英-硅质岩界面分形维值范围为1.163 3~1.371;不同组分粘结界面的力学性质存在差异,且与组成矿物的物理属性、形态特征等相关,其中石英-硅质岩界面最小破碎应力范围为1.178 5~1.482 6 GPa,石英-钨界面最小破碎应力范围为1.335 5~1.542 03 GPa;BP神经网络可实现矿物界面几何特征对力学特征的有效预测,在预测前期误差最大仅为4.14%,随着样本数据增多,预测精度越来越高,在预测后期误差最低仅为0.011%。