GPRT智能选矸机器人技术在选煤厂的创新应用_吴乐.pdf

1942023 年第 5 期GPRT 智能选矸机器人技术在选煤厂的创新应用吴 乐（晋城金成矿山建筑工程有限责任公司，山西 晋城 048006）摘 要 为解决选煤厂捡矸皮带的智能化捡矸，开发了基于机器视觉和深度学习的煤矸快速判别技术。智能捡矸机器人由整列系统、识别系统、控制系统、动作系统组成，具有远程监测、远程管理、数据统计等多种功能，改造后可实现对煤矸石自动化识别以及自动捡矸功能。关键词 智能选矸机器人；机器视觉；深度学习；AI 技术中图分类号 TD67 文献标识码 A doi:10.3969/j.issn.1005-2801.2023.05.062Innovative Application of GPRT Intelligent Gangue Selection Robot Technology in Coal Preparation PlantsWu Le(Jincheng Jincheng Mining Construction Engineering Co.,Ltd.,Shanxi Jincheng 048006)Abstract:In order to solve the intelligent gangue picking of the gangue picking belt in coal preparation plants,a rapid identification technology for coal gangue based on machine vision and deep learning is developed.The intelligent gangue picking robot consists of an entire system,recognition system,control system,action system,and has multiple functions such as remote monitoring,remote management,and data statistics.After transformation,it can achieve automatic identification of coal gangue and automatic gangue picking function.Key words:intelligent gangue selection robot;machine vision;deep learning;AI technology收稿日期 2022-09-27作者简介 吴乐（1988），男，山西长子人，2006 年毕业于吉林大学机电专业，本科，助理工程师，现从事煤矿管理工作。吴 乐：GPRT 智能选矸机器人技术在选煤厂的创新应用吴 乐：GPRT 智能选矸机器人技术在选煤厂的创新应用信息化技术与绿色发展煤矸分拣工序是煤炭生产不可或缺部分，往往伴随着粉尘、潮湿、振动、噪声甚至辐射等严重的环境污染问题。目前，我国大部分煤矿在块煤分选环节仍延续着人工选矸方式，劳动强度大，严重危害人的身心健康，矸石拣选率直接受人员素质、管理水平等人为因素影响。对煤矸自动分选，目前有“放射性同位素射源”识别法，根据煤和矸石对射线吸收量的不同来识别煤和矸石，采用高频电磁气阀作为执行装置1-3。本文研发的基于机器视觉的智能煤矸分选机器人，具备自动识别、精确定位、快速选拣、分类投放等功能，实现煤矸高效分离。1 GPRT 智能选矸机器人技术研究GPRT 智能选矸机器人技术采用 AI 技术中卷积神经网络技术，用视觉对煤和矸石进行深度学习，通过增加一个卷积层去除相关性，提取有效特征。该技术能够快速适应现有的工况条件，人能够识别的，机器视觉就能识别。1.1 GPRT 煤矸智能识别算法软件GPRT 煤矸智能识别算法通过人工智能（AI）、机器学习（ML）、深度学习（DL）的概念，采用卷积神经网络（CNN）、煤矸图像识别、煤矸轮廓识别、煤矸筛选等功能进行煤矸筛选。GPRT 煤矸智能识别算法的特点在于：1）该软件是人工智能的最好体现，模拟了人的思维；2）采用的是卷积神经网络识别技术，是学习煤和矸石表面特征的一种技术；3）该软件是一种机器语言，需要采用机器深度学习；4）煤矸识别是基于 AlexNet 神经网络，采用两级 AlexNet 分类器。第一级将正样本用于按照表面反射光亮度及表面纹理初步筛选矸石，第二级是从负样本中再次筛选矸石，从而实现较高的1952023 年第 5 期吴 乐：GPRT 智能选矸机器人技术在选煤厂的创新应用吴 乐：GPRT 智能选矸机器人技术在选煤厂的创新应用筛选精确率。1.2 GPRT 机械手臂运动控制算法软件首先是机械手臂任务规划算法。当煤矸识别系统有任务通过以太网发送过来时，处于空闲状态的机械手面对任务进行排队，领取抓取任务，然后开始去完成具体的抓取任务。处于工作状态或发生故障的机械手，不参与任务排队。机械手臂完成工作任务后，重新处于空闲状态，又重新参与任务排队。其次是机械手臂完成抓取释放物体的算法。每个机械手臂开始首次任务前，先回 0，再针对物体位置，同时运行 XY 轴，到达物体位置后，运行 Z 轴，完成抓取。再运行 Z 轴，X 轴，完成释放操作。再重复上述动作，反复完成抓取释放物体运动。2 方案设计智能煤矸分选机器人由整列系统、识别系统、控制系统、动作系统、管理系统等组成。2.1 整列系统煤块在传输带上是无规则的排列，为了机器人能准确识别煤和矸石、精准快速抓取并分类，需要对煤块进行整列处理。整列系统主要采用犁头、排队等机械结合电子电气、气动等方式实现将大小不一、形状不规则、排列杂乱无章的煤及矸石排列成整齐有序、一定间隙的队列，为后序识别、抓取等提供有利的条件。整列机构安装简便，不用改动原有皮带传动系统，只需在原有的台面上安装固定机构即可。2.2 识别系统识别装置工作原理为：识别采样硬件主要采用CMOS（Complementary Metal Oxide Semiconductor）防爆相机、煤矿专用防爆 LED 灯、自主设计的半封闭屏蔽箱体等实现均匀打光、视觉识别数据快速采集等；识别处理硬件采用视觉识别数据处理专用高性能工业控制计算机，实现视觉识别数据快速分析、处理、通信等。识别分析处理算法采用 AI 人工智能深度学习中的卷积神经网络技术，学习煤及矸石的表面特征，并将块状煤的形状、大小、方位、速度等处理好的信息通过数据接口传送至控制系统，从而达到煤和矸石的快速无污染分选。识别装置具备自检功能，出现故障时，声光报警装置红色故障灯闪烁，并且发出声音报警，管理中心人机界面也同时出现故障显示。机箱采用防尘可拆卸设计，配有防爆摄像机。2.3 控制系统控制系统将识别装置传送来的数据进行处理，并发送指令给动作系统。控制系统工作原理如图1。系统采用 PLC 运动专用控制器及控制卡，实现与工业控制计算机实时通信、各零部件运行状态的监测，控制各伺服驱动、异常状态报警输出等；采用高功率高电路驱动器，实现完全隔离驱动各电磁阀、DC-AC 隔离切换等；采用松下伺服驱动器，实现稳定的运动系统驱动。图 1 控制系统工作原理2.4 动作系统动作系统采用经过优化后的XYZ+龙门架模式，实现精准定位、快速运行；采用电磁阀+气缸驱动模式，实现快速稳定抓取等功能。动作系统由支持桁架、运行轨道、机械抓手、机械拨手组成。支持桁架采用矩形方钢制作，主要由横梁、立柱、底盘、支撑梁等构件组成，采用焊接或预制的方式固定于现场，给运动系统支撑保障，如图 2 所示。图 2 支持桁架设计运行轨道主要由 Y 轴、Z 轴、伺服电机、防护装置等组成。其中 Y 轴由导轨、滑台（块）、传动机构、伺服电机、防护装置、电机驱动器、光电保护装置、连接线等组成；Z 轴由导轨、滑台（块）、传动机构、伺服电机、刹车系统、防护装置、电机驱动器、连接线等组成。伺服电机采用日本松下大功率电机，并配置高精密减速机。防护装置采用风琴罩密封及安全防护，根据现场的环境，可额外加金属外壳加强密封及安全防护。机械手由抓紧气缸、抓手机构、抓手等组成。由于抓取的物品形状为非规则，采用两爪设计。闭1962023 年第 5 期合与释放采用气缸动力，以达到最合适的抓取状态。机械抓手抓取速度 0.15 s；抓取扭力 10 kg（最大可调整到 25 kg）。3 应用实施与效果3.1 现场情况说明1）物料粒度：80450 mm；2）皮带流量：200 t/h；3）含矸量：20%（40 t/h：80260 mm 约 32 t/h、260450 mm 约 8 t/h）；4）机械手分布：2#4（处理 80260 mm）、3#2（处理 260450 mm）。3.2 应用效果现场随机抽样，每次人工抽取物料600 kg左右，人工放置物料至给料机。其中抽取矸石质量 120 kg表 1 GPRT 智能选矸机器人现场数据序号采样日期采样时长/min人工统计系统识别识别率/%指标核算矸总数/个 矸总数/个有效矸识别/个抓取成功数/个抓取率/%12022/3/1430 6278 5732 91.31 4560 4097 89.85 22022/3/1730 5980 5548 92.78 4422 4031 91.15 32022/3/1930 7290 6696 91.85 5338 4817 90.25 42022/4/630 8211 7713 93.93 6146 5546 90.23 52022/4/930 5372 5068 94.34 4038 3681 91.15 62022/4/2030 5849 5532 94.59 4406 3993 90.61 72022/4/2630 3845 3668 95.40 2925 2589 88.53 82022/5/930 6769 6516 96.26 5197 4698 90.40 92022/5/1030 8026 7728 96.29 6160 5546 90.04 102022/5/2430 4181 3992 95.48 3184 2895 90.92 112022/5/2830 4857 4652 95.79 3709 3367 90.78 122022/6/930 4585 4408 96.14 3517 3193 90.79 132022/6/1030 4111 3952 96.13 3152 2841 90.13 142022/6/2430 4563 4436 97.23 3536 3215 90.93 152022/6/2530 5609 5464 97.42 4358 3950 90.63 162022/7/1330 5956 5816 97.66 4643 4211 90.69 172022/7/1430 3980 3848 96.68 3069 2796 91.11 182022/7/1530 4966 4816 96.98 3843 3451 89.79 192022/8/130 5490 5368 97.79 4285 3897 90.95 202022/8/230 3730 3588 96.19 2864 2623 91.59 212022/8/330 4189 4036 96.36 3222 2914 90.43 左 右（80260 mm，8 块；260450 mm，4 块）。每次抽样测试 3 回，物料总质量 1800 kg 左右，记录总数据。给料机出料速度约 10 s/批，每次人工抽取物料总质量 600 kg（约 10 s 处理量），折合成流量约为：600 kg1000/10 s60 s60 min=216 t/h，达到长平皮带最大流量 200 t/h（由于皮带流量目前无法准确计量，采取皮带流量分解方式模拟抓取进行数据统计）。通过表 1 记录数据可以计算出：煤为 978.1 kg/30 s，即 117.37 t/h；矸为 407.3 kg/30 s，即 48.88 t/h。总计为 117.36+48.88=166.25 t/h。由此可以看出，抓取抽样方式达到实际稳定生产时的状态需求。（下转第 207 页）2072023 年第 5 期詹召伟等：基于信息熵改进 TOPSIS 分析法的断裂构造危险性评价 詹召伟等：基于信息熵改进 TOPSIS 分析法的断裂构造危险性评价 区广泛发育南北向断层群，危险区有局部落差大于 100 m 且存在分支的逆断层与各类中小型断层交叉发育，危险区发育横穿井田中部BF11逆断层。图 3 断裂构造发育危险性分区 5 结论1）通过数据自身变异程度赋予各指标权重，避免了单指标评价过程中因片面分析造成误差；利用TOPSIS 分析法计算研究区得分，有效完成了各指标间的信息融合；最终基于信息熵改进的 TOPSIS分析法确定了研究区构造发育等级。2）分析研究区地质概况选定评价指标，进而选择合适赋权方法与评价模型划分开采风险区，最终对安全开采总体态势进行评价。这种模式不仅仅适用于该矿，可进一步推广至其余构造发育的矿区。【参考文献】1 施龙青，曲兴玥，韩进，等.多模型融合评价煤层底板灰岩岩溶突水危险性 J.煤炭学报，2019，44（08）：2484-2493.2 徐文军，张莎莎，吴财芳，等.基于层次分析法的煤储层构造复杂程度定量评价 J.河南理工大学学报（自然科学版），2019，38（02）：20-26.3 郝卫华.基于熵权集对分析法的煤矿安全评价研究 J.中国煤炭地质，2020，32（07）：73-78.4 王超峰，王德龙.基于 TOPSIS 模型的机场网络节点重要度评估 J.数学的实践与认识，2021，51（01）：79-87.4 结论长平矿分选楼捡矸皮带进行智能化煤矸分选系统的安装有效改善了长平煤矿选煤厂手选皮带系统生产工人的工作环境，提高了捡矸过程中的生产安全效率，减轻选煤厂选矸系统的生产压力，减少主洗系统的入洗量，降低设备损耗及能耗，降低煤中带矸率，提高煤矿生产效率和经济效益。采用GPRT 智能分选机器人替代原有人工分选的方式，可实现对煤和矸石的自动识别、自动分拣、自动控制，提高生产效率，增加企业效益，为矿井产能的扩大提供了保障。工业性试验煤中含矸选矸和矸中含煤选煤的情况发现，汇总后选煤的识别正确率达到 96.33%，汇总后选矸的识别正确率达到 97.86%，执行机构采用仿生机械手，机械手开口尺寸为 50450 mm；系统配置处理能力按照 350 t/h 设计，满足最大 200 t/h处理量；通过煤矸识别系统不断学习及控制系统、执行机构相配合，选后矸中带煤（质量百分比）5%，执行机构采用 XYZ 运动的仿生机械手，矸石抓取采用分级气缸保证可靠抓取力度，机械手根据物料来料摆放角度自动调整抓取角度保证抓取的可靠性，执行机构拣选效率达到 95%以上。【参考文献】1 梁兴国，李云峰，李燕.智能干选技术研究应用及发展趋势 J.选煤技术，2019（01）：92-96+102.2 段进东.TDS 智能干选机与重介浅槽分选机的对比应用 J.煤炭科技，2017（02）：145-147.3 武国平，王君振，吉日格勒.TDS 智能干选机带式布料器的受力分析与计算方法 J.选煤技术，2018（06）：75-77.盐、总硬度、氯化物、铁作为水质评价因子，以地下水质量标准（GB/T 14848-2017）为标准进行对比分析。通过对研究区背景调查结果的研究，以及对采样数据的处理分析，根据模糊综合评价数学模型得出以下水质评价结论：研究区奥灰水水质等级为级，化学成分含量高，不宜饮用，其他用水净化使用投入大，不建议使用。【参考文献】1 贾俊杰.宝鸡市地下水开发利用现状分析 J.陕西水利，2022（07）：66-68.2 冯英明，杨帆，杨楠，等.地下水污染治理与防治技术研究 J.能源与环保，2022，44（07）：54-58+66.（上接第 196 页）（上接第 202 页）（下转第 210 页）