露天礦智能采裝功能模塊設計

王懷遠，王潤，陳沖，崔新男，岳星彤

(1.鞍鋼集團北京研究院有限公司， 北京 102209；2.鞍鋼集團礦業有限公司齊大山鐵礦， 遼寧 鞍山市 114000)

0 引言

當前智能礦山建設處于關鍵時期[1-2]，智能礦山需要以信息化技術為依托，融合AI、大數據、智能控制等先進技術，最大程度減少惡劣環境中的作業人員，提升本質安全[3]，提高工作效率。露天礦開采一般包括穿孔、爆破、采裝、運輸、排卸環節[4]，其中采裝環節是露天礦開采生產過程的中心環節[5]。智能礦山建設過程中，需要對各個環節進行智能化功能設計或改進，采裝作為中心環節更是智能化設計和改進的重中之重。

金屬露天礦山的采裝環節是指在裸露礦脈或爆堆中利用電鏟等挖掘設備將礦巖采集出來，并裝入礦用自卸車或其他運輸容器之中的工作。采裝決定著露天礦開采方式、開采強度和最終的經濟效益[6]。目前金屬露天礦采裝工作使用的大型挖掘和運輸裝備絕大多數由人工操作，存在著工作效率低、標準化程度低、作業環境不安全、不能進行全程監管等問題[7]。因此，只有對采裝環節進行智能化功能設計和改進，才能從根本上解決上述問題，并充分發揮出露天礦經濟效益高的優勢。

1 智能采裝功能設計

針對上述采裝環節存在的問題，設計了具備電鏟遠程監控模塊、動態稱重模塊、電鏟自主挖掘與裝載模塊以及斗齒檢測模塊的智能采裝系統。具體的功能如圖1所示。

圖1 智能采裝功能結構

2 模塊功能分析

2.1 電鏟遠程監控模塊

遠程監控模塊需要包含兩部分，分別為電氣數據監控模塊和應力應變數據監控模塊。在不影響電鏟正常工作的情況下，將電氣數據監控模塊布置在發動機、液壓機、電動機等重要部件上，監測溫度、電壓、電流、油壓等關鍵數據。應力應變模塊是由應力應變傳感器組成，主要布置于斗臂各個連接處，以此監測斗臂應力和應變情況。電鏟遠程監控模塊實時將這些重要工作參數傳輸至服務器保存，利用智能算法解析采集終端發送過來的海量數據并將其進行可視化處理，然后將分析結果傳輸至移動用戶端，此時通過數據解析結果能夠及時掌握電鏟整體的工作狀態，并快速對電鏟各個部件可能出現的故障做出維修計劃，避免安全事故發生，降低故障發生率和采裝成本，提高工作效率。

該模塊分為數據采集、服務器、遠程客戶端。數據采集終端主要由傳感器、電源、功能模塊、控制模塊組成。傳感器主要負責原始數據采集；功能模塊由信號傳輸、開關量、模擬量模塊、顯示模塊組成，其主要功能為采集和傳輸設備的開關狀態、電壓電流、設備位置等信息；控制模塊主要負責響應和解決系統遠程客戶端及中端反饋的問題和命令等調度工作。數據采集終端主要由軟件組成，而軟件由初始化程序、模數轉換程序、數據轉發接口、通信接口組成。數據采集終端采集的電鏟工作參數一方面能夠通過顯示模塊在本地顯示，另一方面，也能夠利用通訊功能間接傳送至服務器端。服務器用于實時接收、解析和存儲電鏟工作參數數據。遠程移動或固定客戶端利用通訊協議登陸互聯網上的服務端，獲取實時數據并顯示，基于智能算法對其進行數據分析，及時發現異常信息并給出報警提示。

2.2 動態稱重模塊

動態稱重模塊由拉力傳感器、加速度傳感器、無線數據傳輸模塊組成，通過鋼繩拉力和鏟斗運行加速度間接計算物料質量，并將計算結果通過數據傳輸模塊上傳到管理系統。動態稱重功能是在鏟斗處于物料輸送的動態過程中，根據鏟斗受力隨時間變化的規律計算鏟斗物料質量的方法。具體原理如下：當回轉機構靜止時，鏟斗、鏟臂、提升鋼繩是在同一個平面內運動，鏟斗的具體路徑呈變徑旋轉狀態。正常作業情況下的鏟架、鏟臂、鋼繩組成的形狀均為一個三角形，隨著鏟斗的運動，三角形的形狀不斷在變化，因此，測出提升鋼繩的拉力和鏟斗運動的加速度，即可得到重量，然后將得到的重量減去鏟斗及鏟桿前端的重量就得出了鏟裝物料的重量，以此實現電鏟不停工裝載稱重。

整個模塊由諸多無線拉力傳感器節點、無線加速度傳感器節點、中繼節點、通訊接口模塊和上位機組成。拉力傳感器和加速度傳感器節點安裝在鋼繩和鏟斗上，執行數據采集、本地顯示、數據預處理和數據傳輸等工作。距上位機無線接口比較近的傳感器節點直接上傳數據。若傳感器距上位機無線接口過遠，則需要設置中繼節點。上位機負責向各個節點發送控制和收集數據指令，通過內嵌智能算法對采集到的每個節點的測量數據進行智能分析、可視化處理。

2.3 電鏟自主挖掘裝載模塊

挖掘是鏟斗和被挖掘物料相互作用的過程，挖掘過程中，在鏟斗的作用下物料原有狀態發生了破壞，同時鏟斗與被挖掘物料相互作用產生挖掘阻力，挖掘阻力模型是電鏟挖掘工作性能分析與優化設計的基礎。挖掘過程中電鏟鏟斗和礦巖物料之間的相互作用主要有插入、切削和挖掘。電鏟在進行礦巖的挖掘時，針對三維形態的爆堆，按照對應優化的挖掘軌跡進行挖掘，可顯著提高電鏟挖掘的滿斗率和工作效率，同時降低能耗。

2.3.1 挖掘軌跡控制

電鏟挖掘軌跡指電鏟工作狀態下，從斗齒切入、挖掘、提升、轉動到卸載的全過程運動軌跡。實質上，針對特定的挖掘面，斗齒的最優挖掘軌跡是確定的，尋找到最優挖掘軌跡能夠大幅提升電鏟作業效率，最大程度減少斗齒和斗唇磨損。

軌跡控制與挖掘裝置的運動平穩性和挖掘物料硬度及松散程度息息相關，在電鏟工作過程中，S曲線控制模式為提升電機與推壓電機功率控制曲線中最為經典的模式，而電鏟挖掘軌跡則常常被描述成對數螺旋曲線。

軌跡控制的前提為鏟斗挖掘軌跡規劃，首先需要建立電鏟推壓機構功率輸出特性模型和物料硬度及松散模型，根據此兩種模型建立挖掘阻力與挖掘時間模型，確定斗齒磨損系數，以達到最短挖掘時間和最小斗齒磨損系數為目標，確定斗齒最佳運行軌跡。本文設計該挖掘軌跡控制功能需依據物料性質、裝卸點位置，借鑒機器人軌跡控制中的多項式方法來優化功率控制S曲線和鏟斗軌跡對數螺旋曲線。

2.3.2 智能裝載

電鏟挖掘后一般會轉動約90°將物料送入礦卡，為了精確感知電鏟與卡車的距離，減少盲區，在電鏟回轉裝置和行走機構之間的固定位置加裝 4組測距傳感器，使其擁有4個方向的視野，由于傳感器不隨回轉機構移動，因此視野相對穩定，利于精確測距。電鏟在從前方轉到卡車裝料側時，4組測距傳感器至少有1組能夠測量出電鏟距卡車的距離，根據2種設備的距離，來確定斗桿伸出距離，同時其他3組測距傳感器進行信息交流，不斷糾正裝載參數。

2.4 斗齒檢測模塊

電鏟鏟斗的斗齒組件是電鏟上最容易發生損害的部件，而且這種破壞又極難被發現，只能在停機時利用人工點檢來確定斗齒是否破壞。如果鏟斗斗齒斷損甚至丟失，將會帶來嚴重后果。

（1）若斗齒整體脫落，鏟斗斗唇-斗齒安裝處將受到嚴重磨損，此處修復困難，即使修復也會極大影響斗齒后續安裝，斗齒很難與之契合，造成斗齒習慣性脫落，極大降低工作壽命和鏟裝效率。

（2）電鏟斗齒均由強度極高的錳鋼或其他合金制成，破碎機無法將其破碎，因此如果斗齒斷損甚至脫落且未及時發現，斗齒有可能將被運至破碎站進入破碎系統，導致破碎設備卡堵、損壞或皮帶撕裂等事故，這不僅影響破碎生產工藝線的運行，而且影響整個采礦工藝流程的正常運轉，并造成重大經濟損失，甚至威脅工作人員生命安全。

因此本文設計斗齒智能監測系統模塊，并成功在礦山應用。該斗齒監測系統是由紅外熱成像相機、工控機和顯示器組成，核心算法為DeepLab及YOLO深度學習計算機視覺智能算法。該模塊通過紅外熱成像相機獲取電鏟斗齒圖像信息，利用計算機視覺技術對熱成像圖像數據進行分析，最終實現斗齒脫落和破損檢測。為了能清晰地拍攝斗齒，在電鏟動臂2個天輪之間安裝彈簧減震臺，連接紅外熱成像相機，配備4G信號發射裝置，電鏟駕駛室配備工控機和顯示器以及斗齒脫落和破損報警器。

系統功能模塊：

（1）圖像讀取模塊。通過程序設定，每 100 ms讀取一次，并通過4G信號發射裝置將該幀圖片傳輸到云端存儲并進行分析。

（2）視頻分析模塊。若讀取的圖像通過算法分析，確定為可疑圖像，則啟用視頻分析模塊，以可疑圖像為起點，累計10 s截取視頻，利用YOLO算法對其進行實時分析，并生成帶有檢測結果的一個.mp4格式文件。

（3）斗齒脫落檢測模塊。斗齒脫落檢測模塊是通過 YOLO等目標檢測算法對圖像中的斗齒進行識別，識別出一個斗齒累加一次，最終得出的數量如果與正常斗齒數量一致則認為斗齒未脫落，若數量少于正常數量，則表示存在斗齒脫落的情況。

（4）斗齒破損監測模塊。利用u-net和Deep-Lab語義分割算法，對斗齒圖像進行精準分割并與標準圖像進行配準，以此來監測斗齒破損情況。

（5）報警模塊。若斗齒脫落檢測模塊和斗齒破損監測模塊反饋斗齒數量減少或斗齒破損，報警模塊需立即響起警報，提示司機立即停止作業，并鳴笛通知卡車司機停車檢查。

斗齒檢測方法：

第一階段：利用目標檢測算法識別出斗齒在圖像的大概位置，確定檢測區域。使用DeepLab深度學習模型對原始圖像中的斗齒進行語義分割。

第二階段：利用第一階段語義分割后的圖像與原始圖像進行配準，若重合面積＞80%，則視為斗齒未破損和缺失，若重合面積≤80%，則認為斗齒缺失，并發出斗齒缺失紅色警告。

檢測后效果如圖2所示。

圖2 檢測后效果

3 結語

本文主要從設備工作狀態監測、被挖物料性質、鏟與裝動作規劃與控制、異常作業監測4個方面系統地設計了露天礦智能采裝工藝，分別設計了電鏟遠程監控、動態稱重、電鏟自主挖掘與裝載、斗齒監測功能模塊。該智能采裝工藝囊括了大部分采裝過程中易受操作人員主觀影響的關鍵節點，采用的技術均為當前成熟的先進技術，落地可能性較大，現實意義極強，對提升礦山本質安全水平，提高工作效率，推動無人化開采，加快智慧礦山建設具有重大意義。