首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 煤矿带式输送机自换电巡检机器人关键技术研究

煤矿带式输送机自换电巡检机器人关键技术研究

2025-03-09 82 上传者：管理员

摘要：煤矿带式输送机巡检机器人目前亟待解决的关键技术难题：带式输送机巡检机器人的续航能力、故障检测能力以及环境检测能力。为此设计了一款自主快速更换电池机构，提高了巡检机器人的续航能力；提出了基于热红外图像和可见光图像融合的带式输送机异常工况识别的方法，可以有效地在井下恶劣环境中提高带式输送机异常工况的识别精度；提出了基于模型和大数据双驱动的巷道瓦斯浓度预测方法，可实现准确、实时预测巷道瓦斯。

关键词：
图像融合
巡检机器人
带式输送机
模型数据双驱动
自主快速换电
加入收藏

带式输送机具有运输量大､运输距离长､运行成本低､效率高等优点,广泛用于煤炭开采｡但在煤炭运输过程中,不均匀的输送量､长距离的运输､恶劣的现场环境等因素容易引起带式输送机发生故障,不仅严重影响煤炭的日常安全生产,而且危及工作人员生命健康[1]｡因此,为保障煤炭的安全高效生产与利用,有必要对带式输送机运行状态和运输巷道环境进行监测,保障带式输送机在运行过程中安全可靠｡

但目前带式输送机巡检机器人还有很多关键技术难题亟待解决｡针对现有煤矿井下带式输送机巡检机器人存在的问题,本文将重点研究巡检机器人的续航能力､在恶劣工况下的带式输送机故障视频检测能力以及在复杂巷道环境下的瓦斯实时准确预测能力｡这对减轻人工巡检带式输送机的工作强度､提高巡检效率具有重要的现实意义[2]｡

1、带式输送机巡检机器人的系统设计

根据上文总结的带式输送机巡检存在的问题,设计了一套煤矿井下带式输送机巡检机器人系统,确保全面监测煤矿带式输送机的运输线路以及对设备和环境的意外情况进行迅速判断[3]｡这套系统主要由机器人本体､供能系统､通信系统和地上监控后台系统几部分组成｡巡检机器人系统组成框图,如图1所示｡

图1巡检机器人系统组成框图

煤矿井下带式输送机巡检机器人沿着工字钢轨道在带式输送机上方移动,通过定位系统对巡检机器人定位,并且使用供能系统进行续航｡巡检机器人本体在运动的同时还搭载多种传感器､高清摄像头､红外热成像仪和拾音喇叭,进行运输巷道气体浓度检测并采集带式输送机的故障信息｡随后通过通讯系统采用“有线+无限”相结合方式,将巡检机器人采集到的各种信息数据传输到地上监控系统,实现集中监控｡工作人员可以在监控系统清楚地看到带式输送机实时运行状态以及运输巷道环境,地面监控系统还拥有数据存储功能和智能诊断功能,必要时会实现故障预警功能｡

2、带式输送机巡检机器人的自主快速更换电池技术

煤矿井下带式输送机巡检机器人依靠自身携带的电池为驱动机构提供动力,为了保证巡检机器人能够持续工作,采用一种自主快速更换电池的方法[4]:首先,使用机械伸缩装置将巡检机器人本体电量耗尽的旧电池取出;随后,通过旋转切换机构和顶升机构进行新旧电池切换,并完成旧电池充电;最后,使用机械伸缩装置将原先充好电的新电池装进巡检机器人本体,完成快速自主更换电池｡这种方法既可以避免因电气连接产生火花引起的爆炸,又可以提高巡检机器人的巡检效率,满足巡检机器人持久续航的需求｡

为了确保巡检机器人实现自主快速更换电池,设计了一款自主快速更换电池机构,包括换电装置工作台､顶升机构､旋转切换机构､3个电池充电仓组件､传感器组件和伸缩装置,巡检机器人自主快速更换电池结构图,如图2所示｡

图2巡检机器人自主快速更换电池结构图

在巡检过程中,当巡检机器人内部系统检测到电池电量不足时,控制巡检机器人回到换电装置工作台的正前方,待巡检机器人停稳后,自主快速更换电池机构开始工作｡首先,使用伸缩装置上方的限位抓取机构,将巡检机器人本体的旧电池进行抓取,随后,顶升机构抬起旧电池,同时伸缩装置顺势收回;再通过旋转机构,将取出的旧电池转到空置的电池充电仓,在伸缩装置和顶升机构配合下放下旧电池,随后,以同样的方式取出1块充好电的新电池,完成新旧电池切换工作;最后,将取出的新电池放进巡检机器人的本体,完成换电操作｡通过顶升机构和旋转切换机构的配合,实现伸缩装置进行巡检机器人的电池取放过程的全自动化操作,降低人工更换电池的劳动强度,缩减更换电池的时间,降低了安全风险,提高了巡检机器人的工作效率和使用率｡

3、基于热红外图像和可见光图像融合的带式输送机异常工况识别技术

为了更加精确地识别带式输送机的异常工况,采用热红外图像和可见光图像融合的技术[5]｡热红外图像可以反映带式输送机零部件的温度分布情况,而可见光图像则可以提供更加清晰的带式输送机表面信息｡2种图像的融合可以有效地提高异常工况的识别精度｡基于热红外图像和可见光图像融合的带式输送机异常工况识别流程,如图3所示｡

图3基于热红外图像和可见光图像融合的带式输送机异常工况识别流程图

使用带式输送机巡检机器人搭载的热红外摄像仪和可见光摄像仪采集带式输送机的图像数据｡对采集到的热红外图像和可见光图像进行预处理,由于煤矿井下低照度且光照不均匀,所以采用直方图均衡化去增强图像的对比度;其次井下环境会使采集的视频图像受到噪声的干扰,所以使用小波变换对采集的视频图像进行去噪处理;最后针对井下多粉尘和多水雾,采用暗通道去雾算法对采集的图像进行去雾处理｡接着使用DenseFuse算法将处理后的热红外图像和可见光图像进行融合,并用基于Transformer注意力机制模块改进yolov8基准检测的模型对融合后的图像进行训练和分类,确定最终模型｡最后将实时拍摄的图像数据传入训练好的网络模型进行检测,将识别结果输出,并根据需要进行警报或者通知相关人员进行进一步处理,实现恶劣工况下对带式输送机异常工况的识别｡

4、基于模型和大数据双驱动的巷道瓦斯浓度预测技术

目前有很多基于数据的机器学习来分析数据的瓦斯预测方法,其实并没有更多考虑底层的物理机理因素,所以本文考虑从物理模型预测和大数据预测2种角度对巷道瓦斯浓度进行建模,应用基于物理过程的循环神经网络方法[6],既能借助物理模型充分提取并利用潜在物理过程中的有效信息,又能结合循环神经网络善于提取时序数据特征,实现巷道瓦斯准确实时预测｡基于模型和大数据双驱动的巷道瓦斯浓度预测流程,如图4所示｡

图4基于模型和大数据双驱动的巷道瓦斯浓度预测流程图

首先,采用标准化方法对传感器采集的数据进行预处理,用主成分分析法对预处理后的数据进行特征提取,建立煤矿井下瓦斯浓度历史数据集A1和由气体扩散方程得到的物理数据集A2,将2个数据集进行组合并根据交叉验证法将数据集分为训练集和验证集｡随后采用循环神经网络模型(RNN模型)对训练集进行训练,确定最终的损失函数Lt等于监督损失函数LR､额外项Ld与基于气体扩散准则损失函数Ls的加合,λ和μ是控制训练目标函数中各分量权重的超参数｡使用标准的反向传播算法和Adam优化器对循环神经网络模型进行训练,直至损失函数为0,模型训练完毕后,通过验证集验证模型,并根据学习模型在验证集上的表现进行优化,直至验证集验证模型的损失函数为0,确定最终的模型｡将实时采集的数据输入到训练好的学习模型中,进行瓦斯浓度实时预测和预警｡

5、结语

通过对煤矿井下带式输送机巡检机器人关键技术的研究,提出一系列方案去解决带式输送机巡检机器人目前的关键技术难题｡通过设计巡检机器人自主快速更换电池机构,巡检机器人能够在井下自主快速更换电池,提高巡检效率;采用热红外图像和可见光图像的融合方法,能够提高带式输送机异常工况的识别精度;使用模型数据双驱动的方法,实现井下巷道的瓦斯浓度实时准确预测｡煤矿井下带式输送机巡检机器人关键技术的突破,提高了煤矿智能化和自动化水平,为之后实现真正的智慧矿山提供了新的思路[7]｡

参考文献:

[1]赵陆.带式输送机用巡检机器人检测系统研究[D].西安:西安科技大学,2021.

[2]朱振.带式输送机托辊运行状态在线巡检机器人关键技术研究[D].阜新:辽宁工程技术大学,2020.

[3]李鑫,寇子明,梁富伟,等.长距离复杂工况带式输送机巡检机器人系统[J].煤炭工程,2021,53(11):169-174.

[4]陈述平,程凡强.一种电动汽车自动充换电系统的概念设计[J].现代机械,2012(1):21-23,34.

[5]陈思静,付志涛,李梓谦,等.基于自适应增强与显著性检测的可见光与红外图像融合算法[J].红外技术,2023,45(9):907-914.

[6]李俊兵,曾囿钧,曾孝平,等.基于模型数据双驱动的短波MUF短期预测模型[J].通信学报.

[7]王新宇.带式输送机智能巡检机器人的研究设计[J].现代信息科技,2020,4(16):149-151,154.

基金资助:山西省重点研发计划项目(202102100401017);

文章来源:林斌,刘亚军,吴燕东,等.煤矿带式输送机自换电巡检机器人关键技术研究[J].煤炭技术,2025,44(03):248-250.