煤矸石分揀智能控制系統設計

李思思

（山西工程技術學院，陽泉 045000）

去除煤炭中的矸石有利于提升煤炭燃燒效率，減少有害氣體排放，減輕環境污染，提高煤炭質量。傳統煤矸石分揀常采用人工、機械洗選的方式。人工挑選是應用于中小煤礦的一種煤矸石分選方法，主要依靠工人的經驗進行挑選。由于人的認知差異、大量重復工作的疲勞性等，人工挑選方式的分揀效率低，且挑選質量存在不確定性。機械洗選方式是中大型洗煤廠采用的選煤方式，主要采用重介、跳汰以及浮選等方式。重介、跳汰、浮選的選煤原理是將煤與矸石沉浸在懸浮液中，利用煤、矸石、懸浮液密度的不同實現分選（矸石密度大于懸浮液密度，則矸石將下沉；煤的密度小于懸浮液，煤會上?。?。由于上述挑選方式需要大型機械設備，企業投入成本較高，在挑選過程中會造成大量的水資源、電能浪費。因此，學者們嘗試采用圖像分析法實現煤與矸石的分選。

圖像分析法分為輻射和非輻射兩種。輻射的典型代表是利用γ射線或者X射線穿過煤和矸石衰減程度的不同實現煤和矸石的分選。這兩種分選方法在一定程度上可以節約資源、保護環境，但是長期通過γ射線分選會對周圍工作人員的身體造成傷害。非輻射的圖像識別法利用工業相機進行拍攝，并將拍攝圖像傳輸到上位機分析灰度和紋理等特征。文獻[1]先采用分水嶺算法實現圖像分割，然后利用卷積神經網絡建立分類模型。文獻[2]分析高速相機采集的圖像中煤與矸石灰度的不同實現分選。文獻[3]提出了基于改進深度殘差網絡的圖像分類方法，并將其應用于煤矸石的分選。文獻[4]使用相機采集河北省峰峰集團萬年礦區的煤矸圖像，并改進VGG16網絡實現了煤矸石分選。

2020年國家能源局印發《關于加快煤礦智能化發展的指導意見》，指出將人工智能、工業物聯網、云計算、大數據、機器人、智能裝備等與現代煤炭開發利用深度融合，形成全面感知、實時互聯、分析決策、自主學習、動態預測以及協同控制的智能系統，實現煤礦開拓、采掘（剝）、運輸、通風、洗選、安全保障以及經營管理等過程的智能化運行。為實現煤礦生產的智能化，大量學者對其進行了研究[5]。本文在前輩的工作基礎上設計煤矸石智能控制系統，降低了工人的勞動強度，節約了水資源，避免了射線給人體帶來的傷害，提高了煤礦生產效率和選矸環節的智能化水平。

1 系統總體方案

綜采工作面開采的原煤通過皮帶機運輸至選煤廠準備車間。在準備車間內的原煤通過滾軸篩進行分級，挑選出粒級在50 mm以上的塊煤、矸石，并將其送至煤矸石分揀系統的進料斗。

如圖1所示，分揀過程中，首先采集數據。由工業相機采集皮帶機上的煤矸石圖像，并將采集的信息傳送給數字信號處理器（Digital Signal Processor，DSP）。數字信號處理器可以將模擬信號轉換為上位機可以識別的數字信號。其次，分析圖像信息，建立識別模型與抓取方案。上位機接收DSP傳輸的數字信號，分析信號特征，建立高斯混合模型與支持向量機模型，實現皮帶與煤矸石的分離、煤與矸石的識別。根據矸石在皮帶上的位置確定抓取順序、計算抓取軌跡，并將抓取順序、軌跡等信息發送給可編程邏輯控制器（Programmable Logic Controller，PLC）。最后，執行抓取任務。PLC控制伺服電機驅動機械臂實現煤矸石抓取。此過程中，煤矸石識別、機械臂的抓取是關鍵。因此，本文將從煤矸石識別和機械手的準確抓取入手展開論述。

2 基于圖像的煤矸石識別技術

圖像識別法可以將工業相機作為識別系統的“眼睛”，從而獲取煤矸石圖像信息。煤與矸石的準確識別是煤矸石有效分揀的前提。工業照相機在拍攝圖片時，由于設備與煤矸石存在相對運動，拍攝過程中圖像存在模糊現象。同時，拍攝現場煤矸石圖像質量容易受光照、粉塵、拍攝設備等因素的影響，導致傳統的識別模型無法準確識別。近年來，機器學習迅速發展，已被廣泛應用于工業、醫療等領域，并取得了良好的分類與回歸效果。因此，國內學者將機器學習方法引入煤矸石的識別過程中。本文選擇高斯混合模型識別背景皮帶與煤矸石，采用支持向量機分選煤與矸石[6]。

2.1 圖像分離

工業照相機將從皮帶機上采集的圖像信息經過數字信號處理器轉化成數字信號。該數字信號經無線通信傳輸Wi-Fi技術實現相機與上位機之間的信息傳輸。

工業相機拍攝的圖像是將煤矸石與背景皮帶作為一個整體圖像，采用高斯混合模型提取背景圖像，實現煤矸石與背景皮帶的分離。高斯混合模型是一種簡單、有效、參數化模型的圖像分割工具[7]。該模型的實質是對單個高斯模型進行加權和。每個高斯模型的參數、權值可以通過粒子群優化算法或最大期望算法確定。

煤矸石和背景的分離實質上屬于二分類問題，即需分辨某個像素點屬于煤矸石類或者屬于背景類。因此，先利用已有的圖像數據估計高斯混合模型的參數，建立高斯混合模型，再在圖像分割過程中通過計算每個像素點的概率實現分類。當某像素點屬于煤矸石概率高時，可以把該像素點認為是矸石；當某像素點屬于背景皮帶的概率高時，可以把該像素點認為是背景皮帶。

2.2 特征提取與模型建立

為有效識別不同環境下的煤與矸石，首先選擇清潔度不同、光照強度不同、紋理特征不同的塊煤及矸石圖像作為樣本數據，其次提取樣本數據的圖像特征，最后根據提取的特征建立識別模型。

煤矸石的圖像識別方法通常依據煤與矸石的灰度、紋理特征的不同進行識別?；叶忍卣髦笜擞谢叶染?、灰度方差、灰度歪斜度、灰度峰態、灰度能量以及灰度熵。紋理特征指標有對比度、熵、能量以及逆差矩。根據文獻[6]的描述，本文選擇灰度能量、灰度熵、紋理能量以及紋理熵作為特征指標來計算圖像中煤與矸石的特征。其中，灰度能量表征圖像灰度級分布是否均勻，灰度熵表征灰度分布的不均勻與復雜程度，通過紋理的熵表征灰度圖像中紋理的復雜程度，通過紋理能量表征圖像紋理粗細的程度。

煤與矸石的識別受到光照、粉塵、清潔度的影響，導致圖像信息存在一定的隨機性和不確定性。因此，選擇具有較強的魯棒性和較好泛化性的支持向量機作為分類模型。支持向量機是一種基于統計學習理論的分類模型。它的原理是將一個分類超平面作為決策曲面，使得兩類之間的隔離邊緣最大化，從而實現分類。該模型建立具體過程如下：首先，選擇紋理特征參數作為模型輸入，煤、矸石的類別作為輸出；其次，將特征參數及煤和矸石的類別輸入支持向量機，訓練得到煤和矸石的分選模型；最后，將未知煤及矸石類別的圖像特征輸入訓練模型，得到煤和矸石的類別，實現分選。

3 煤矸石抓取技術

對于皮帶機上運送的大量煤與矸石，首先基于圖片信息、矸石與機械臂抓取區域線的距離建立模糊推理規則來確定矸石的優先抓取順序[8]，其次采用金字塔形尋優法攔截技術規劃機械手的動作軌跡[9]，最后驅動機械抓實現目標矸石的分揀。

3.1 抓取順序的確定

當煤矸石識別系統完成識別工作后，需確定矸石的優先抓取順序。矸石的優先抓取順序與兩方面因素相關。一個因素是矸石的尺寸。尺寸具體指系統識別的各矸石的二維尺寸信息，即矸石的長和寬。尺寸越大的矸石，優先級越高，優先被抓取。另一個因素是距離。距離指矸石在皮帶機運行方向與機械臂抓取區域線的距離。距離越短，優先級越高，應優先被抓取?；诜治觯捎媚：评泶_定抓取順序。在模糊推理中，模糊推理條數與狀態空間劃分相關。狀態空間劃分越細，模糊推理條數越多。本文將矸石大小分為大與小兩類，距離分為遠近兩種，建立4條規則，具體如表1所示。

表1 煤矸石優先抓取規則

根據規則確定模糊推理：

①if（尺寸大）and（距離近），then（抓取優先級高）；

②if（尺寸?。゛nd（距離近），then（抓取優先級次高）；

③if（尺寸大）and（距離遠），then（抓取優先級中）；

④if（尺寸小）and（距離遠），then（抓取優先級低）。

3.2 機械臂控制

在確定煤矸石抓取順序后，啟動機械臂控制系統抓取矸石。機械臂控制系統主要由上位機、PLC、伺服驅動系統以及傳感器等組成。機械臂的控制策略是首先由上位機根據皮帶機的運行速度計算矸石位置信息，其次采用金字塔形尋優法的攔截技術規劃機械手的動作軌跡，使其能夠通過最短路徑在某一時刻點上與目標物相遇執行抓取動作，最后采用二指夾持器實現矸石抓取。夾持器抓取位姿參數可表示為P=(x,y,z,α,n)，其中x、y、z分別為抓取點的三維坐標，α為夾持器與皮帶機水平方向夾角，n為夾持器開合寬度。

該方案中，矸石運行速度的測量可以通過在皮帶機上安裝測速編碼器實現對皮帶機上煤矸石速度的測量。測速編碼器與PLC連接，PLC內部的計數器對編碼器輸出的脈沖進行計數，將測得的速度數據通過以太網傳送至上位機。

機械臂從前一個抓取任務結束到對下一個目標任務抓取可以分為3個時間段，即上升、平移和下降，其中平移的用時時間最長。因此，以平移過程為研究對象。在平移過程中，設矸石在皮帶機的運行方向向左，機械臂運行方向向右，抓取點選擇在機械臂與矸石相遇的交點，在該交點機械手可以執行抓取任務。在這一點上，機械臂經過的距離最短，在皮帶機與機械臂運動速度一定的情況下，抓取用時短。相交點可看作攔截點，可以采用金字塔尋優攔截技術進行攔截。該技術根據矸石及機械臂的位置計算中間位置，規劃機械臂的軌跡，驅動機械臂運動。因為機械臂的速度比皮帶機的運行速度快，所以要先到達中點。機械臂到達中點時，以當前矸石及機械臂的距離差判斷是否可成功抓取。當兩者距離小于閾值時，認為可以抓取成功，執行抓取任務；當距離大于抓取閾值時，對當前位置的中點進行迭代計算，驅動機械臂運動，直到機械臂和矸石的距離差值到達規定的閾值，認為找到最佳抓取點，執行抓取任務。金字塔形尋優法的攔截技術能夠有效協調機器手抓取動作和傳送帶上物料的運動速度，提高在實際工況中的動態抓取效率。

4 結語

煤炭行業智能化運行勢不可擋。對于煤炭生產中的煤矸石分揀環節，通過煤矸石分揀控制系統能夠實現智能感知、分析決策、自動執行的煤礦智能化體分揀。該智能化控制系統利用高斯混合模型實現皮帶背景與煤矸石的分離，利用魯棒性和泛化性強的支持向量機建立煤和矸石的分類模型，再通過模糊推理確定大量矸石的優先抓取順序，利用金字塔形尋優法的攔截技術決定機械臂軌跡及夾持器的姿態計算實現煤矸石的智能抓取。這種基于圖像的識別、智能分選的思路不僅適用于煤炭行業，而且對提高其他行業智能化運行具有一定的參考。