首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 煤矿带式输送机矸石识别新方法

煤矿带式输送机矸石识别新方法

2024-12-27 43 上传者：管理员

摘要：带式输送机煤矸石高效分拣是实现煤炭资源绿色开采的重要途径，其核心问题是煤和矸石的快速精准识别。因此提出了一种基于电磁波探测的带式输送机煤矸石识别方法。首先，结合电磁波信号在煤矸石分界表面的反射和透射现象，分析了探测过程中电磁信号的传播特性；然后，利用连续小波变换（CWT）将电磁信号映射为二维时频图，并将其作为输入对MobileNetV2煤矸石识别模型进行训练和验证，输出识别结果。实验结果表明，MobileNetV2模型的平均准确率和平均F1分别可达97.58%和92.75%，验证了所提方法对带式输送机煤矸石识别的可行性和有效性。

关键词：
MobileNetV2
时频映射
深度学习
煤矸识别
电磁波探测
加入收藏

煤炭是我国的主体能源和重要工业原料,在未来很长一段时间内仍是国家能源安全稳定供应的 “压舱石”｡随着煤炭开采工业的快速发展,智能化､绿色化生产成为煤炭行业未来的发展方向[1] ｡目前常用带式输送机运输煤矸石｡较高的矸石含量会带来高昂的运输成本和较低的燃烧效率,如何实现煤矸石高效分选是煤矿急需解决的问题｡目前,传统的煤矸石分选方法主要分为跳汰分选法和重介质分选法,不仅分选效率低,而且对环境也会造成一定污染[2-3] ｡

随着深度学习技术的快速发展,非接触式远程智能化煤矸石识别成为研究热点,并取得了显著成效｡当前,主要的煤矸石识别方法主要包括图像识别[4] ､多光谱与射线识别[5] 等｡通过分析发现:①放射性射线法具有一定的放射性危害,且对放射性元素含量低的工作面无法适用,因此未能得到广泛应用;②由于煤矿井下光线暗､噪声大及湿度高,导致可见光图像等传感信号受到强烈干扰,失真情况严重,致使上述煤矸石识别方法的实际应用效果并不理想,有必要研究新的技术和方法实现带式输送机煤矸石的快速准确识别｡

电磁波具有穿透性强､传播稳定､灵敏度高等特点,已在地质勘探､SAR 成像领域得到广泛应用[6-9] ｡本文以电磁波探测为技术手段,分析电磁波在煤矸石介质中的传播特性,提出基于 MobileNetV2 模型的带式输送机煤矸石识别方法,为实现煤矸石的高效分选奠定基础｡

1、煤矸石电磁探测原理研究

煤矸石电磁探测原理如图1 所示｡

图1 煤矸石电磁探测原理图

电磁波在传播过程中需穿透不同介质的分界面,例如空气到煤界面､空气到矸石界面及煤到矸石界面等｡由于分界面两侧介质的阻抗存在差异,电磁波在两者之间传播时会产生波的反射和透射现象｡假设 2 种介质均为纯介质, 参数包括介电常数 ε､磁导率 μ 和介质阻抗 η,则入射波电场

将入射波沿着2 种介质分界面的 x 和 z 方向做投影

最后,根据麦克斯韦第二方程求得入射波磁场

同样地,求得相应的反射波磁场和透射波磁场

根据介质分界面上电场的切向分量连续的边界条件,当 z=0 且 x=0 时,有

另外, 利用介质分界面上磁场的切向分量连续的边界条件,当 z=0 且 x=0 时,有

对于空气､煤及矸石等非铁磁性介质,μ1=μ2=μ0, 根据斯奈尔折射定律,有

2、煤矸石识别模型建立

(1)时频图映射

带式输送机运输煤矸石物料过程中,电磁波信号在时频和频域上均具有变化特征｡然而,相比于在频域上分析反射波信号强度差异情况,利用时频分析将煤矸石电磁信号映射为时频图更为直观和准确｡目前,常用的时频分析方法包括短时傅里叶变换(STFT)､Wigner-Ville 分布(WVD)､希尔伯特黄变换(HHT)和 S 变换等｡这些方法在实际应用中取得了一定进展,但仍存在一些不足,如转换过程复杂､特征信息丢失严重､图像缺乏时间信息等,无法准确描述带式输送机运输煤矸石过程的电磁信号特征｡连续小波变换(CWT)可以将信号分解成多个不同尺度的小波基函数,具有更好的时域局部化性质和多分辨率分析能力｡本文利用 CWT 在时间映射上的唯一性,对原始电磁波信号进行编码,生成具有明显特征的不同煤矸石性状的时频图,其表达式为

尺度因子

由式(10)可知,a 控制小波函数伸缩量,可提高与煤矸石电磁反射波信号的相似性,提取其频域特性,使所得时频图包含完整时域和频域信息｡

(2)MobileNetV2 模型

虽然传统的CNN 模型在图像分类任务中表现良好,但其模型参数较多､网络结构复杂,导致实时性较差｡由于带式输送机运输煤矸石物料过程的快速性和连续性,在使用 CNN 建立煤矸石识别模型时,有必要同时考虑识别的实时性和准确性｡作为经典的轻量级网络,MobileNetV1 采用了深度可分离网络模型,与传统 CNN 模型相比,大大减少了参数量,降低了模型对计算机功耗的依赖｡例如,在 ImageNet 数据集中,MobileNetV1 的分类准确率与传统 CNN 的 VGG16 基本相同,但参数量仅为 VGG16 的 1/32｡ MobileNetV2 是 MobileNetV1 的加强版,在网络架构､非线性激活函数和特征融合等方面进行了改进｡

作为经典的轻量级CNN,MobileNetV2 使用深度可分离卷积将传统卷积操作分解为 2 个较小的卷积:深度卷积(DW)和点卷积(PW)[10] ｡ DW 使用较少的卷积核对输入矩阵的每个通道进行单独卷积,而 PW 则通过 1×1 卷积核将不同通道之间的特征结合起来,可节省 8~9 倍的计算量｡这大大降低了更新网络参数和训练网络的计算成本,适用于全机械化带式输送机的煤矸石物料识别与检测任务｡

bottleneck 是 MobileNetV2 的核心,由深度可分离卷积和倒残差结构组成｡假设输入的特征矩阵有 c 个通道,则通道数由第 1 层的 1×1 PW 卷积扩展,中间层的 3×3 DW 卷积核用于特征提取,通道数由第 3 层的 1×1 卷积压缩为原始的 c 个通道｡ MobileNetV2 的网络结构如图 2 所示｡由图 2 可知,只有第 1 层和最后一层的分类层使用了传统的卷积运算,其余部分由一系列 bottleneck 结构组成,多个 bottleneck 结构构成一个 Block｡整个网络由 3 个卷积层､1 个池化层和 7 个 Block 结构组成｡

图2 MobileNetV2 网络结构

3、实验验证

(1)实验台搭建

为进一步验证本文方法的可行性和有效性,搭建带式输送机煤矸石识别实验台,整体结构如图 3 所示｡该实验台包括微波信号发射器､阵列天线､矢量网络分析仪､辐射参数分析仪及高性能工控机等｡在带式输送机正上方的龙门架中端位置安装阵列天线,用于采集煤矸石混流电磁探测信号;经矢量网络分析仪和辐射参数分析仪处理后,传输至工控机内进行数据存储｡为了方便实验,使用 PC 连接内部以太网接口和 USB 串口,在 PC 端使用 UDP 通信接收电磁探测信号相关数据｡

图3 煤矸石识别实验台

(2)识别结果分析

在带式输送机运输煤矸石过程中获取电磁反射波信号,经过图像映射处理,得到不同煤矸石性质的 1 000 个时频样本｡

按照8∶2 比例分成训练集和测试集,用准确率 (Ac)､精确率(P)､召回率(R)和 F1-score(F1)等指标评价模型的分类性能｡为验证 MobileNetV2 煤矸石识别算法的性能,对其进行模型训练和验证操作｡训练过程中损失函数和精度曲线如图 4 所示｡

图4 MobileNetV2 模型训练结果曲线

由图4(a)可知,当训练 20 次时,损失值下降到较低水平 ; 训练 50 次后 ,MobileNetV2 的损失值稳定在 0.24 附近｡由图 4(b)可知,精度随着迭代次数的增加而提高,并逐渐趋于稳定｡总体来说, MobileNetV2 具有较好的识别精度和收敛速度｡

MobileNetV2 模型的煤矸石识别结果如表 1 所示｡其中,煤的 Ac､P､R 和 F1 分别为 97.83%､93.94%､ 93.00% 和 93.47% , 而矸石的相应指标分别为 97.33%､92.06%､92.00%和 92.03%,可以明显看出 MobileNetV2 在各项指标上均展现出了优异性能｡

表1 MobileNetV2 的煤矸石识别结果

此外,为了验证所提方法的识别效率,分析了 MobileNetV2 的模型复杂度,结果如表 2 所示｡尽管网络参数量相对较大,但识别效率的 2 个最重要指标每幅图像识别时间和训练时间均保持在一个较低范围｡总之,MobileNetV2 对煤矸石具有出色的识别效率｡

表2 MobileNetV2 的模型复杂度分析

4、结语

本文针对带式输送机煤矸石快速准确识别问题,以电磁波探测为技术手段,搭建基于 MobileNetV2 的识别模型架构,实现煤矸石的有效识别｡

(1)电磁探测技术能有效感知煤矸石信息,并将电磁反射波信号映射为二维时频图,能进一步辅助煤矸石识别;

(2)MobileNetV2 同时考虑了模型的特征提取能力和计算复杂度,大幅提升了带式输送机煤矸石的识别精度和效率｡

参考文献:

[1]王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1-27.

[2]孟莹. 井下智能煤矸分选系统方案研究[J]. 煤矿机械,2021,42(9): 29-31.

[3]曹现刚,李莹,王鹏,等. 煤矸石识别方法研究现状与展望[J]. 工矿自动化,2020,46(1):38-43.

[4]张世杰,陈泽华. 基于梯度下降算法的煤矸石分割识别方法[J]. 煤矿机械,2014,35(8):128-130.