基于AI的煤矿主运输系统全流程智慧管控平台的设计和实现

来自 网络 的图片

基于AI的煤矿主运输系统全流程智慧管控平台的设计和实现智能运输系统是智慧矿山的重要组成部分，是集智能驱动、智能控制、智能运维和无人驾驶等先进技术于一体的安全、高效、智能、无人化运输系统，其核心在于智能化的矿山运输装备。带式输送机是散料输送最为重要的运输设备之一，而输送带作为带式输送机的重要组成部分，起着承载物料与牵引的重要作用。鉴于人工智能技术与煤炭工业的深度融合是建设智能绿色煤炭工业新体系，实现煤炭资源的智能化安全高效绿色开发与清洁高效利用，实现煤炭产业高质量发展的必然选择和提升核心竞争力的根本保证可见赋予煤矿运输系统“智慧”，大力研究智能煤矿技术，加快推进智能煤矿建设，“形成全面感知、实时互联、分析决策、自主学习、动态预测、协同控制的智能煤矿运输系统，对于提升煤矿安全生产水平、保障煤炭稳定供应具有重要意义”。

本项目基于 AI 人工智能方法，针对深部地下空间煤矿主运输系统的煤流监测、带速优化节能、人员行为安全监督、设备健康状态诊断进行研究，将识别、控制、诊断三者相结合，形成一套完备的煤矿主运输系统全流程智慧管控平台，推动“智慧矿山”建设进程。

目录

案例介绍

本项目的研究主题是针对深部地下空间煤矿主运输系统的煤流监测、带速优化节能、人员行为安全监督、设备健康状态诊断进行研究，将识别、控制、诊断三者相结合，形成一套完备的煤矿主运输系统全流程智慧管控平台，推动 “智慧矿山”建设进程，创新之处主要体现如下：

（1）利用三维重建和图像处理技术研究智能煤流监测方法，包括基于深度立体匹配网络的煤料体积计算方法、基于 YOLOV4 的非煤异物识别方法、基于三维点云和二维图像的胶带损伤检测方法、基于边缘引导的胶带跑偏检测方法，克服了煤料颜色重复单一导致煤料立体匹配失败、煤料堆积空隙率难以计算、胶带损伤类型 复杂多样性的挑战，改进了现有基于机器视觉的煤流监测方法。

（2）利用目标检测技术研究人员行为监督方法，包括基于目标检测算法的人员作业不安全行为预警技术和基于背景差分算法的人员作业行为识别技术，克服了深部地下空间人员数据集匮乏、违规行为识别实时性差、相似行为的细粒度识别精度低的挑战，提升了作业人员危险行为识别预警精度。

（3）利用域自适应对抗迁移学习和多传感器融合技术研究设备健康状态诊断方法，包括设备健康描述体系、设备状态智能分析识别方法、基于边缘计算设备的轻量化神经网络，克服了设备故障信息利用不充分、样本缺乏和样本存在大量无标签、样本之间耦合关系不明确的挑战，提升了现有设备故障诊断方法识别精度和在线诊断速度。

（4）利用有限元分析法、平衡截断和模型预测控制技术研究胶带带速优化控制方法，克服了静态模型的不精确、高阶模型实时性差和离线优化抗干扰能力差的挑战，提升了带式输送机运行过程中的整体性能。

（5）利用数字孪生技术，研制煤矿主运输智慧监管平台，包括深部地下空间智能主运输系统地面远程监控层、近程集中控制层、本地设备控制层平台，克服了深度地下空间条件复杂、信息透明度低、实时性差、缺乏精细化管控的挑战，提升了现 有煤矿主运系统远程虚实同步的智慧性能。

实验依托于中国矿业大学物联网（感知矿山）研究中心与智能系统与先进

控制研究所(ISAC)，利用PSM-Net深度网络模型搭建了煤料双目立体匹配模型，实现了依据双目摄像头进行煤流量测量；利用 MobileNet V3 设计图像特征提取方法，基于 YOLOV4 进行带式输送机运载非煤异物识别，实现了准确、快速进行异物识别；利用 3D 激光雷达与 2D 摄像机图像进行特征融合，实现了深度与平面层次上的胶带损伤检测；利用目标检测算法与背景差分算法进行作业人员不规范行为预警识别，实现了作业人员危险行为识别预警；利用域自适应对抗迁移学习和多传感器融合的技术进行设备健康状态诊断，实现了煤矿设备在线故障诊断；利用有限元分析法、模型预测控制技术研究胶带带速优化控制方法，实现了电机平稳调速；利用数字孪生技术，搭建煤矿主运输系统智慧监管平台，实现了煤矿主运系统远程虚实同步，搭建了从煤矿井下底层传感器设备到煤矿井上监控系统的完整检测与控制系统，最终完成了整个系统的搭建，具备较高的实际应用效果与经济价值。现有传统煤矿生产中，缺乏成套、成规模的系统，需要将各个环节相互联系起来，形成一套完备系统，现有煤矿井下具有较好的应用基础，如已有智能井下环网通信基站等。

总体设计

以煤流量运输六层架构为例，搭建基于人工智能的智慧矿山运输机监管系统，从下到上分别为数据层，通过硬件设计的边缘设备对环境和设备源数据进行监控，通过接入层网关进行数据的处理和提取以及复用。将提取出来的可辨识信息存入分布式数据库中，在应用开发层分析摄像头数据，和各式传感网络的数据，进行数据的融合和共享，利用数字孪生的手段对数据进行加建模分析，最后对危险事故进行提前推理和预判。以全面感知为基础，强调协同管控，智能决策能力建设，通过海量数据，进行数据挖掘和故障模式学习，加强设备健康状态管理，提前预测设备故障，实现预测性维护。