基於AI的煤礦主運輸系統全流程智慧管控平台的設計和實現檢視原始碼討論檢視歷史

來自 網絡 的圖片

基於AI的煤礦主運輸系統全流程智慧管控平台的設計和實現智能運輸系統是智慧礦山的重要組成部分，是集智能驅動、智能控制、智能運維和無人駕駛等先進技術於一體的安全、高效、智能、無人化運輸系統，其核心在於智能化的礦山運輸裝備。帶式輸送機是散料輸送最為重要的運輸設備之一，而輸送帶作為帶式輸送機的重要組成部分，起着承載物料與牽引的重要作用。鑑於人工智能技術與煤炭工業的深度融合是建設智能綠色煤炭工業新體系，實現煤炭資源的智能化安全高效綠色開發與清潔高效利用，實現煤炭產業高質量發展的必然選擇和提升核心競爭力的根本保證可見賦予煤礦運輸系統「智慧」，大力研究智能煤礦技術，加快推進智能煤礦建設，「形成全面感知、實時互聯、分析決策、自主學習、動態預測、協同控制的智能煤礦運輸系統，對於提升煤礦安全生產水平、保障煤炭穩定供應具有重要意義」。

本項目基於 AI 人工智能方法，針對深部地下空間煤礦主運輸系統的煤流監測、帶速優化節能、人員行為安全監督、設備健康狀態診斷進行研究，將識別、控制、診斷三者相結合，形成一套完備的煤礦主運輸系統全流程智慧管控平台，推動「智慧礦山」建設進程。

案例介紹

本項目的研究主題是針對深部地下空間煤礦主運輸系統的煤流監測、帶速優化節能、人員行為安全監督、設備健康狀態診斷進行研究，將識別、控制、診斷三者相結合，形成一套完備的煤礦主運輸系統全流程智慧管控平台，推動 「智慧礦山」建設進程，創新之處主要體現如下：

（1）利用三維重建和圖像處理技術研究智能煤流監測方法，包括基於深度立體匹配網絡的煤料體積計算方法、基於 YOLOV4 的非煤異物識別方法、基於三維點雲和二維圖像的膠帶損傷檢測方法、基於邊緣引導的膠帶跑偏檢測方法，克服了煤料顏色重複單一導致煤料立體匹配失敗、煤料堆積空隙率難以計算、膠帶損傷類型 複雜多樣性的挑戰，改進了現有基於機器視覺的煤流監測方法。

（2）利用目標檢測技術研究人員行為監督方法，包括基於目標檢測算法的人員作業不安全行為預警技術和基於背景差分算法的人員作業行為識別技術，克服了深部地下空間人員數據集匱乏、違規行為識別實時性差、相似行為的細粒度識別精度低的挑戰，提升了作業人員危險行為識別預警精度。

（3）利用域自適應對抗遷移學習和多傳感器融合技術研究設備健康狀態診斷方法，包括設備健康描述體系、設備狀態智能分析識別方法、基於邊緣計算設備的輕量化神經網絡，克服了設備故障信息利用不充分、樣本缺乏和樣本存在大量無標籤、樣本之間耦合關係不明確的挑戰，提升了現有設備故障診斷方法識別精度和在線診斷速度。

（4）利用有限元分析法、平衡截斷和模型預測控制技術研究膠帶帶速優化控制方法，克服了靜態模型的不精確、高階模型實時性差和離線優化抗干擾能力差的挑戰，提升了帶式輸送機運行過程中的整體性能。

（5）利用數字孿生技術，研製煤礦主運輸智慧監管平台，包括深部地下空間智能主運輸系統地面遠程監控層、近程集中控制層、本地設備控制層平台，克服了深度地下空間條件複雜、信息透明度低、實時性差、缺乏精細化管控的挑戰，提升了現 有煤礦主運系統遠程虛實同步的智慧性能。

實驗依託於中國礦業大學物聯網（感知礦山）研究中心與智能系統與先進

控制研究所(ISAC)，利用PSM-Net深度網絡模型搭建了煤料雙目立體匹配模型，實現了依據雙目攝像頭進行煤流量測量；利用 MobileNet V3 設計圖像特徵提取方法，基於 YOLOV4 進行帶式輸送機運載非煤異物識別，實現了準確、快速進行異物識別；利用 3D 激光雷達與 2D 攝像機圖像進行特徵融合，實現了深度與平面層次上的膠帶損傷檢測；利用目標檢測算法與背景差分算法進行作業人員不規範行為預警識別，實現了作業人員危險行為識別預警；利用域自適應對抗遷移學習和多傳感器融合的技術進行設備健康狀態診斷，實現了煤礦設備在線故障診斷；利用有限元分析法、模型預測控制技術研究膠帶帶速優化控制方法，實現了電機平穩調速；利用數字孿生技術，搭建煤礦主運輸系統智慧監管平台，實現了煤礦主運系統遠程虛實同步，搭建了從煤礦井下底層傳感器設備到煤礦井上監控系統的完整檢測與控制系統，最終完成了整個系統的搭建，具備較高的實際應用效果與經濟價值。現有傳統煤礦生產中，缺乏成套、成規模的系統，需要將各個環節相互聯繫起來，形成一套完備系統，現有煤礦井下具有較好的應用基礎，如已有智能井下環網通信基站等。

總體設計

以煤流量運輸六層架構為例，搭建基於人工智能的智慧礦山運輸機監管系統，從下到上分別為數據層，通過硬件設計的邊緣設備對環境和設備源數據進行監控，通過接入層網關進行數據的處理和提取以及復用。將提取出來的可辨識信息存入分布式數據庫中，在應用開發層分析攝像頭數據，和各式傳感網絡的數據，進行數據的融合和共享，利用數字孿生的手段對數據進行加建模分析，最後對危險事故進行提前推理和預判。以全面感知為基礎，強調協同管控，智能決策能力建設，通過海量數據，進行數據挖掘和故障模式學習，加強設備健康狀態管理，提前預測設備故障，實現預測性維護。