网站访问量
融合UWB定位的矿井无人驾驶三维目标检测
胡青松;孟春蕾;罗渝嘉;张舟云帆;李敬雯;基于目标检测的障碍物感知是矿井无人驾驶的重要技术支撑。受类别不平衡和长程问题影响，矿井三维目标检测精度有限。针对该问题，提出一种基于改进体素化图注意力网络（VGAT）的三维目标检测网络：通过图注意力网络区分节点重要性，解决有效特征稀释问题；采用最邻近体素搜索方式，应对矿井点云的结构稀疏性；设计体素特征编码增强（VFE+）模块，解决体素内不同点分布可能被编码为相同特征的问题；设计体素特征编码补偿（VFE＿C）模块，弥补体素划分的空间信息损失；优化损失函数，解决正负样本比例失衡、角度预测周期性歧义等问题。在此基础上，提出融合超宽带（UWB）定位与远距离点云上采样（PU）的矿井无人驾驶三维目标检测网络——UWB-PU-VGAT：利用UWB定位系统获取矿车、人员的位置先验信息，精准裁剪激光雷达点云以聚焦目标感兴趣区域，缓解类别不平衡问题；针对远距离稀疏点云，采用基于梯度下降的点云上采样（Grad-PU）网络生成高密度点云，解决长程检测难题。实验结果表明，UWB-PU-VGAT对矿车、矿工检测的平均精度分别达90.23%和83.67%，平均精度均值达86.95%，优于SECOND,PointRCNN等主流的点云三维目标检测网络，且帧率为32.3帧/s，满足无人驾驶实时避障需求。
基于多维信息的尾矿库监测预警技术
王超;屈世甲;杨荣;葛彬彬;杨欢;针对传统尾矿库监测手段单一、空间覆盖不足及预警精度不足的难题，构建了融合“地-空-天”多维信息的尾矿库监测预警平台与配套模型。在监测预警平台中集成地面传感器、无人机航测与卫星遥感数据，通过增设三维测斜仪构建坝体滑坡分级矩阵；基于YOLOv8模型实现无人机影像隐患自动识别；利用PS-InSAR技术实现库区大范围形变点识别（识别阈值>10 mm/a）和异常形变区划分。在此基础上，采用层次分析法建立尾矿库“地-空-天”多维监测预警模型，制定了基于关键指标突变的预警等级升级规则。以高湾丘尾矿库为例的示范应用表明：平台层面通过地面、无人机、卫星的联动监测，实现了毫米级内部变形、厘米级地表形貌与大范围形变的多维度协同感知，监测频率达1次/min，无人机隐患智能识别的平均精度均值不低于90%；模型层面通过引入升级规则，将加权评分（蓝色）与极端降雨（橙色）等突变信号耦合，输出橙色预警，避免了对复合风险的低估。该研究实现了尾矿库安全监测从单点、静态向多维、动态诊断的跨越，提升了复杂环境下尾矿库风险的早期识别与精准预警能力。
含障碍物掘进巷道平均风速预测模型研究及验证
时歌声;葛信辉;高澳飞;针对目前对障碍物影响下掘进工作面巷道（掘进巷道）的风流场分布及平均风速点位置的研究内容较少的问题，以包含掘进机和压入式风筒等障碍物的矩形掘进巷道为研究对象，提出了一种基于改进天鹰优化（IAO）算法优化BP神经网络的掘进巷道平均风速预测模型（IAO-BP模型）。构建了掘进巷道物理模型，获取了障碍物扰动下的风速分布数据集。建立了涵盖6种掘进巷道断面规格与4种风筒直径共24种掘进巷道物理模型，采用标准k-ε湍流模型与SIMPLEC压力-速度耦合算法，完成192种工况下的稳态湍流模拟。采用9点测速法监测巷道断面的风速变化情况，传感器布置在中心点及边缘点。为有效评估不同模型在掘进巷道风速预测中的适用性，选择支持向量机（SVM）、随机森林(RF)和BP神经网络3种典型的机器学习算法进行对比后，选取基于BP的掘进巷道平均风速预测模型（BP模型）为最优基础模型。为充分挖掘BP模型在风速场数据中的映射潜力，引入IAO算法对BP模型进行优化，构建了IAO-BP模型。试验结果表明，IAO-BP模型的均方误差降至0.1，决定系数提升至0.98，实现了复杂误差曲面上的高效全局寻优与高精度映射。现场试验结果表明，IAO-BP模型在2条掘进巷道中的平均相对误差分别为6.95%和7.52%，预测精度满足矿井通风监测的工程要求，能够基于断面内任意单点风速实现平均风速的精准、可靠预测。
选煤厂主洗车间复合尘源时空演化规律及控除尘技术研究
梁强强;刘永伟;毛庆福;孙彪;现有粉尘演化规律研究多集中于单一尘源或局部产尘区域，对选煤厂复杂主洗车间内多设备、多窗口和多尘源共同作用下的粉尘团形成过程、扩散路径及高浓度区域演化规律缺乏系统分析。针对上述问题，以国能(乌海)能源有限公司公乌素煤矿选煤厂主洗车间为研究对象，建立了等比例、全尺寸的三维几何模型，采用计算流体动力学和离散相模型研究了胶带巷输入粉尘与离心机区域局部粉尘共同作用下的复合尘源时空演化规律。数值模拟结果表明：① 胶带巷风流进入车间后，经侧壁窗口形成高速风流带，将胶带巷粉尘裹挟到主洗车间内；在主洗车间距地面不同高度风速分布差异明显，低高度区域风速较低，导致粉尘颗粒容易沉降，距地面1.5 m处局部风速升高，有利于粉尘扩散。② 随着粉尘持续输入，胶带巷粉尘沿带式输送机运行方向向离心机和人员作业区域扩散，外部输入粉尘与离心机区域局部粉尘叠加形成多区域复合粉尘污染。③ 呼吸带平均粉尘质量浓度随粉尘扩散时间增加而持续升高，表明人员作业呼吸带内粉尘暴露风险具有明显累积性。基于数值模拟结果，提出了“胶带巷洗气除尘+离心机软帘密封”复合控除尘技术：采用洗气除尘技术以削减胶带巷源头粉尘输入，采用软帘密封技术降低离心机区域局部粉尘扩散。现场应用结果表明，采用该复合控除尘技术后，人员作业区域、刮板输送机机尾、混料桶和带式输送机附近粉尘浓度分别由87.7，84.5，76.3，123.2 mg/m3降至9.5，5.1，4.3，5.5 mg/m3，平均降尘率为93.3%。
面向纠偏控制的矿用带式输送机数字孪生预测决策系统研究
陈清华;许梦景;王兴田;王志愿;关维娟;徐曼曼;针对目前矿用带式输送机运维系统对跑偏故障实时感知性差、缺乏预测性与智能化决策能力的问题，基于数字孪生五维模型设计了面向纠偏控制的矿用带式输送机数字孪生预测决策系统。构建了融合几何、物理、行为与规则的多维度高保真数字孪生模型，基于EMQX服务平台实现物理实体与虚拟实体之间的低延迟实时同步；设计了BP-PID算法，以跑偏量、跑偏速度及张力为输入，在线整定PID参数并进行纠偏控制，同时结合带式输送机运行状态数据预测跑偏趋势。以DTL-800型矿用带式输送机为控制对象搭建了实验平台，在输送带速度为0.5，1.0，1.5，2.0 m/s工况下开展对比实验，结果表明，与PID算法相比，BP-PID算法的纠偏控制响应速度平均提升33%，稳态误差降低约50%；预测性纠偏实验结果表明，该系统可预警20 min后的跑偏概率上升趋势，并在实际发生跑偏时快速诊断与定位相应托辊，并精准执行纠偏指令，实现“感知—预测—决策—执行”的自动化闭环。
几种边缘检测算子的比较
马艳,张治辉边缘检测是图象处理中重要的一个环节。文章具体考察了 5种常用的检测算子 ,并加以实现 ,并对其特点进行了讨论和比较。梯度算子简单有效 ,LOG滤波器和Canny算子能产生较细的边缘。实践时要根据具体情况和要求选择合适的算子
数据挖掘研究现状及发展趋势
王惠中;彭安群;从数据挖掘的定义出发,介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点;详细总结了国内外数据挖掘的研究现状及研究热点,指出了数据挖掘的发展趋势。
数据挖掘研究现状及发展趋势
王惠中;彭安群;从数据挖掘的定义出发,介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点;详细总结了国内外数据挖掘的研究现状及研究热点,指出了数据挖掘的发展趋势。
物联网、大数据及云计算技术在煤矿安全生产中的应用研究
马小平;胡延军;缪燕子;阐述了物联网、大数据及云计算技术的研究现状,指出3种技术之间的关系,即物联网产生大数据,大数据助力物联网;大数据需要云计算,云计算增值大数据。结合煤矿综合自动化的建设发展历程,研究了3种技术在煤矿安全生产保障中的作用和地位,提出了3种技术在煤矿生产安全保障中的关系:物联网是煤矿各个子系统建设的技术框架和路线图,大数据是矿山物联网建设的产物,云计算则是对大数据处理利用的技术手段,并指出基于物联网、大数据及云计算技术的煤矿安全生产监测监控系统将是主动式、多参数融合、具备预警功能的监测监控系统,可有效提升煤矿安全生产水平。
几种边缘检测算子的比较
马艳,张治辉边缘检测是图象处理中重要的一个环节。文章具体考察了 5种常用的检测算子 ,并加以实现 ,并对其特点进行了讨论和比较。梯度算子简单有效 ,LOG滤波器和Canny算子能产生较细的边缘。实践时要根据具体情况和要求选择合适的算子
基于改进YOLOv7的煤矿带式输送机异物识别
毛清华;李世坤;胡鑫;薛旭升;姚丽杰;带式输送机煤流中会掺杂锚杆、角铁、木条、矸石、大块煤等异物，易导致输送带撕裂、转接处堵塞甚至断带。针对带式输送机巡检机器人难以在井下光照不均及带式输送机高速运行环境中高效、准确识别异物及模型部署不便等问题，以及YOLOv7模型对目标特征提取能力高，但识别速度较慢的特点，提出了一种基于改进YOLOv7的煤矿带式输送机异物识别方法。运用限制对比度自适应直方图均衡化方法对采集的带式输送机监控图像进行增强，提高图像中物体轮廓的清晰度；对YOLOv7模型进行改进，通过在主干提取网络引入轻量化无参注意力机制，提高模型对图像复杂背景的抗干扰能力和对异物特征的提取能力，同时引入深度可分离卷积代替主干特征提取网络中的普通卷积，提高异物识别速度；使用TensorRT引擎将训练后的改进YOLOv7模型进行转换并部署在NVIDIA Jetson Xavier NX上，实现了模型的加速。对煤矿井下分辨率为1 920×1 080的带式输送机监控视频进行识别，实验结果表明：改进YOLOv7模型的识别效果优于YOLOv5L和YOLOv7模型，识别精确率达92.8%，识别速度为25.64帧/s，满足精确、高效识别带式输送机异物的要求。
