煤礦環形車場智能化無人值守技術研究

王 雷 賈思學

（中國礦業大學機電學院，江蘇 徐州 221008）

現有環形車場基本采用傳統電機車調車系統，主要存在以下4 個問題：1）車場環節多、作業過程復雜，大多數車場主要采用分階段運輸，未能實現直達運輸的效果。2）電機車需要駕駛人員和摘掛勾人員配合作業，容易出現工傷事故，不安全因素多。3）整個環形車場沒有AI 視頻監控系統，無法實時掌握機車的運行情況，不利于車場整體調度。4）環形車場普遍采用人眼識別礦車和手動操控道岔的運行模式，智能化程度較低。針對以上問題，該文設計了由圖像AI 識別系統、智能推車機器人、智能道岔控制系統以及中控系統組成的無人值守環形車場智能化運行系統，實現了矸石礦車出井、空車入井整個過程的智能化運行，使車場運行達到機械化減人、自動化換人以及智能化增效的目的。

1 智能化環形車場總體構架

該文設計的井口環形車場無人智能化運轉系統的總體框架由智能推車機器人、AI 視頻監控及智能識別控制系統、定位及避障系統、自動道岔控制、彎道推車系統、智能翻車機爬車機和手持遙控終端等組成，如圖1所示。

圖1 智能化環形車場總體架構

1.1 智能推（拉）車機器人

智能推（拉）車機器人由控制系統、無線通信模塊、數據采集模塊、機器人驅動制動系統以及避障系統等組成。無線通信模塊保證系統各設備之間的通信。數據采集模塊采集機器人運行數據，采集的數據通過無線通信模塊傳送給控制系統，控制系統處理采集的數據后，通過無線通信模塊向推拉車機器人發送指令。

1.1.1 開關磁阻電機驅動及制動機構

機器人驅動采用高效開關磁阻調速電機直接驅動（如圖2所示），其具有驅動力大、調速范圍廣的特點。制動系統采用液壓盤式制動機構，具有制動力大、性能可靠的特點。

圖2 驅動及制動原理圖

1.1.2 推車機器人推拉結構

推車機器人必須解決現場人工摘掛勾的難題，因此機器人可以推礦車也可以拉礦車，根據礦車結構及現場條件，該文設計的液壓馬達驅動具有可以上、下旋轉的抓捕結構，抓捕礦車底盤的方式如圖3所示。

圖3 抓捕機構

1.1.3 推車機器人運行感知系統

推車機器人運行感知系統主要由基于機器視覺的障礙物檢測、基于雷達的目標檢測與跟蹤、數據信息融合以及環境感知系統軟件設計等組成，視覺障礙物檢測如圖4所示。

圖4 視覺障礙物檢測系統圖

1.1.3.1 基于機器視覺的障礙物檢測

為了實現機器人視覺對障礙物進行檢測的功能，需要根據煤礦地面軌道運輸推車的實際運行情況以及煤礦地面軌道運輸環境感知系統的功能需求設計一套基于機器視覺的障礙物檢測系統，需要實時采集推車前方的障礙物圖像數據，對采集的障礙物圖像進行預處理；為了提高系統處理圖像的速度，需要對煤礦地面軌道運輸推車的運輸軌道線的限界進行提取，并選用合適的深度學習算法識別障礙物[1]。

1.1.3.2 基于毫米波雷達的目標檢測與跟蹤

首先，需要解析和預處理采集的毫米波雷達數據。其次，需要選取和確定運行推車前方的有效目標。最后，需要對運行推車前方的障礙物的距離和相對速度等信息進行實時測量，分析研究目標跟蹤算法，對有效目標進行實時檢測和跟蹤。

1.1.3.3 數據融合與軟件設計

機器視覺和毫米波雷達分別能夠獨立實現運行推車前方障礙物檢測功能，二者之間又相互配合、共同作用，確保推車機器人車場運行時能夠可靠避障停車。

1.2 AI 視頻監控及圖像識別中控系統

該文將采用計算機視覺技術來實現該目標，該技術可以通過攝像頭拍攝的視頻流數據對其中的物體進行實時識別。使用深度學習算法對物體進行分類和識別，從而實現對礦車、機車以及工人等物體的實時監測和識別[2]。通過中控臺智能程序閉鎖控制，實現軌道終端的自動化控制，不需要人工干預，從而提高生產效率、降低人力成本，系統如圖5所示。

圖5 圖像識別及中控系統功能模塊

1.2.1 圖像識別及鎖定

圖像識別是通過YOLO目標檢測算法[2]將輸入圖像分成網格，并為每個網格分配1 個邊界框和置信度分數來檢測圖像中的對象。與其他目標檢測算法相比，該算法具有快速高效、準確度高以及可擴展性強等特點。識別目標的鎖定主要使用目標框，目標框計算原理如圖6所示。

圖6 目標框計算原理

相關計算分別如公式（1）～公式（4）所示。

式中：tw、th為預測框的寬、高相對于anchor 寬、高的縮放比例。

為了將預測框的中心點約束到當前網格中，使用Sigmoid函數處理偏移量，使預測的偏移值保持在（0，1）內。根據目標框回歸計算公式，預測框中心點坐標的偏移量保持在（-0.5，1.5），預測框的寬度和高度相對于anchor 的放縮范圍為（0，4）。

1.2.2 圖像損失函數

目標檢測的結果輸入形式為（x，y，w，h，C，c）。其中，（x，y，w，h）為預測框的位置；（x，y）為框左上角的坐標；（w，h）為框的長寬；C為置信度；c為目標類別。將該系統核心算法的損失函數分為3 類：定位損失L、分類損失C和置信度損失F。

總損失函數如公式（5）所示。

分類損失函數采用交叉熵損失函數（BCELoss），置信度采用Focal Loss 損失函數，定位損失函數一般采用IoU 損失函數，數學表達式如公式（6）所示。

1.2.3 圖像識別深度學習技術

深度學習是一種機器學習方法，它通過構建多層神經網絡來對數據進行高級抽象和分析。而卷積神經網絡則是深度學習中最常用、最有效的神經網絡架構。它的組成主要包括卷積、池化、激活函數、全連接以及批量歸一化，如圖7所示。這些層的加入可以更好地提取圖像特征，設置合理的參數與不同的層也可以提高網絡的性能。

圖7 卷積神經網絡結構

配合使用卷積層和激活函數，設置網絡中有M個卷積層和激活函數。進入池化層，設置池化層的個數為b個，因為不一定每個卷積層后面都需要跟池化層，而且以目前的趨勢來看，池化層的作用變得越來越弱，所以可以在卷積層中設置步長和填充來代替池化層的操作。

卷積與池化操作可以不斷地堆疊，層數越多，特征提取就越充分。但是層數過多會導致訓練時間過長以及過擬合。在堆疊次后，將提取出來的特征饋入全連接層進行特征分類并映射到樣本空間。

1.2.4 中控及手持遙控終端系統

當礦車從罐籠推出井口房時，通過AI 視頻識別判斷矸石車、材料車、設備車以及平板車，再交由中控臺處理并發出相應行走路線以及空礦車等車輛入井的智能控制指令，也可以通過手持遙控終端進行控制。

1.3 智能道岔控制系統

環形車場多部道岔集中控制和開閉狀態實時監測主要由傳感器單元、采集單元、中心處理單元以及傳輸網絡等部分組成，如圖8所示。傳感器單元檢測道岔工作各項參數，采集單元通過傳輸網絡將傳感器單元采集的相關信息實時上傳至中心處理單元，中心處理單元實時分析檢測的相關參數發生變化的趨勢并給出動作指令。

圖8 系統結構

2 現場應用

該研究成果已經成功應用于平煤集團一礦、五礦井口環形車場。對該項目進行工業性試驗，充分驗證了該文的各項性能指標滿足現場要求以及其對運行的安全性、穩定性和可靠性的要求。

圖像AI 識別控制技術的應用效果如圖9所示。由圖9可知，將圖像AI 識別系統應用到系統集控后，可以準確識別運輸車輛并給中控臺發出控制指令，使環形車場系統按照預定的工作流程實現智能化自動運行。

圖9 視頻AI 識別效果截圖

經過現場實施后與原方案進行對比，該系統具有以下4個優點：1）不需要單獨做基礎，節省了施工時間及工程費用。2）減少了30%的工作人員，達到了減人增效的目的。3）可以實現礦車裝罐、卸罐、定位、調運以及單向馬頭門拉車推車等功能，可以取代傳統的各種推車機。4）車場運轉效率比原系統至少提高了25%。

3 結語

針對傳統煤礦環形車場運輸系統存在的不足，該文提出推車機器人改變傳統礦山車場電機車調車的理念，通過信號工的直接無線遠程操作實現了車場進罐推車、彎道推車、車場調車以及運行自動避障等功能。無線智能推車系統自動化程度高、工人勞動強度降低且人員配置變少，結合AI 視頻識別系統及自動道岔控制形成了井口環形車場無人智能化調控系統。