首页期刊导航|工矿自动化
期刊信息/Journal information
工矿自动化
中媒科工集团常州自动化研究院
工矿自动化

中媒科工集团常州自动化研究院

胡穗延

月刊

1671-251X

editor@cari.com.cn

0519-86998217

213015

江苏省常州市钟楼区木梳路1号

工矿自动化/Journal Journal mine automation北大核心CSTPCDCSCD
查看更多>>《工矿自动化》杂志创刊于1978年，由中国煤炭科工集团有限公司主管、中煤科工集团常州研究院有限公司主办，是国内唯一一份集中报道煤矿自动化、信息化、智能化领域新技术、新成果、新工艺及新动向的专业性技术期刊，入选中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊（A）、中国地学领域高质量科技期刊T2类、中国煤炭领域高质量科技期刊T2类，是瑞典开放存取期刊目录数据库、英国《科学文摘（网络版）》、美国《地质学参考数据库》《艾博思科数据库》《乌利希期刊指南（网络版）》、俄罗斯《文摘杂志》、日本《科学技术振兴机构（中国数据库）》来源期刊。
正式出版
收录年代

    基于数组的刮板输送机运载模型及煤量计算算法研究

    尹瑞张冬雪倪强
    84-90页
    查看更多>>摘要：目前针对煤量检测的研究大多侧重于煤矿井下带式输送机的煤量检测和识别,对综采(放)工作面刮板输送机的煤量检测仅停留在转载机处安装红外扫描装置,检测技术单一,且由于转载机位于刮板输送机卸煤处,红外扫描装置检测的是转载机的载煤量,不能直接反映刮板输送机上的实时载煤量,存在较大滞后性.针对上述问题,提出一种基于数组的刮板输送机运载模型及煤量计算算法.该算法将刮板输送机设定为连续装煤的载体,通过连续数组建立刮板输送机运载模型,并表征单位长度的装煤量,结合综采(放)工作面采煤机运行速度、滚筒高度、截割深度、位置及刮板输送机运行速度与装煤系数等参数,通过多参数数学建模的方法,实现对刮板输送机单位煤量的实时模拟,进而直观反映煤矿井下采煤工艺并准确计算出刮板输送机的实时载煤量.井下工业性试验结果表明,该算法连续可靠,可以精确计算出刮板输送机实时载煤量,载煤量分布接近于理想状态,具有较高的收敛性和鲁棒性.

    综采工作面综放工作面刮板输送机采煤机运载模型数组模型载煤量

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法

    陈腾杰李永安张之好林斌...
    91-98页
    查看更多>>摘要：现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题,且仅对异物进行识别检测,不能准确计算异物数量.针对该问题,设计了 一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法.对YOLOv8n模型进行改进,再使用改进YOLOv8n(MSF-YOLOv8n)模型对带式输送机异物进行识别;将MSF-YOLOv8n模型的异物检测结果作为DeepSORT算法的输入,实现带式输送机异物跟踪和计数.YOLOv8n改进方法:使用C2f MLCA模块替换主干网络中的C2f模块,提高网络在颜色信息单一环境下的信息提取能力;使用分离和增强注意力模块(SEAM)改进Head部分,以提高异物被遮挡情况下的检测精度;采用Focaler-IoU优化损失函数,解决检测目标形状差异大的问题.MSF-YOLOv8n模型性能验证实验结果表明,MSF-YOLOv8n模型的mAP50达93.2％,相较于基础模型提高了 2.1％;参数量仅为2.82×106,比基础模型少了0.19×106,更适合部署到巡检机器人等边缘设备中;检测精度比YOLOv5s,YOLOv7,YOLOv8s算法分别高2.2％,1.3％,0.3％;其帧率虽然比YOLOv8s和YOLOv8n低,但仍可满足视频实时性检测要求.异物检测及计数实验结果表明,DeepSORT算法的准确率达80％,可准确跟踪被遮挡的锚杆及形状差异较大的目标.

    带式输送机目标检测与跟踪异物检测及计数MSF-YOLOv8nDeepSORT

      原文链接:
    • 万方数据
    • 维普

    基于Stair-YOLOv7-tiny的煤矿井下输送带异物检测

    梅晓虎吕小强雷萌
    99-104,111页
    查看更多>>摘要：针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7-tiny模型进行改进,提出了一种Stair-YOLOv7-tiny模型,并将其用于煤矿井下输送带异物检测.该模型在高效层聚合网络(ELAN)模块中添加特征拼接单元,形成阶梯ELAN(Stair-ELAN)模块,将不同层级的低维特征与高维特征进行融合,加强了特征层级间的直接联系,提升了信息捕获能力,增强了模型对不同尺度目标和复杂场景的适应性;针对检测头引入阶梯特征融合(Stair-fusion),形成阶梯检测头(Stair-head)模块,通过逐层融合不同分辨率的检测头特征,增强了中低分辨率检测头的特征表达能力,实现了特征信息的互补.实验结果表明:Stair-YOLOv7-tiny模型在输送带异物开源数据集CUMT-BelT上的检测效果优于CBAM-YOLOv5,YOLOv7-tiny及其轻量化模型,准确率、平均精度均值、召回率和精确率分别达98.5％,81.0％,82.2％和88.4％,检测速度为192.3帧/s;在某矿井下输送带监控视频分析中,Stair-YOLOv7-tiny模型未出现漏检或误检,实现了输送带异物的准确检测.

    输送带异物检测YOLOv7-tiny多尺度目标检测Stair-fusion高效层聚合网络检测头

      原文链接:
    • 万方数据

    基于改进YOLOv8n的采掘工作面小目标检测方法

    薛小勇何新宇姚超修蒋泽...
    105-111页
    查看更多>>摘要：为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置,针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况,提出了 一种基于改进YOLOv8n的采掘工作面小目标检测方法.在YOLOv8n骨干网络C2f模块中融合动态蛇形卷积(DSConv),构建C2f-DSConv模块,以提高模型提取多尺度特征的能力;在Neck层引入极化自注意力(PSA)机制,以减少信息损失,提高特征表达能力;在Head层增设1个专门针对小目标的检测头,形成4检测头结构,以扩大模型检测范围.实验结果表明,改进YOLOv8n模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3％,95.8％,89.9％,87.2％,90.8％,平均精度均值为92.4％,优于Faster R-CNN,YOLOv5s,YOLOv7,YOLOv8n模型,且检测速度达208帧/s,满足煤矿井下目标检测精度和实时性要求.

    采掘工作面小目标检测YOLOv8n安全防护装备检测多尺度目标识别

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLOv8n的煤矿井下钻杆计数方法

    姜媛媛刘宋波
    112-119页
    查看更多>>摘要：为提高煤矿井下钻杆计数的效率和精度,提出了 一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法.建立了 YOLOv8n-TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理.利用YOLOv8n-TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法.选取综采工作面实际采集的钻机工作视频对基于YOLOv8n-TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n-TBiD模型检测钻杆的平均精度均值达94.9％,与对比模型GCI-YOLOv4,ECO-HC,P-MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了 4.3％,7.5％,2.1％,6.3％,5.8％,检测速度较原始YOLOv8n模型提升了 17.8％.②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了 99.3％的钻杆计数精度.

    矿井钻机钻杆计数YOLOv8n-TBiDBiFPNTripletAttentionDice损失函数钻杆掩码图像分割

      原文链接:
    • 万方数据
    • 维普

    基于YOLOv5-SEDC模型的煤矸分割识别方法

    杨洋李海雄胡淼龙郭秀才...
    120-126页
    查看更多>>摘要：现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高;YOLOv5-seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失,降低煤矸识别效率,且在训练过程中过分侧重全局特征,而忽略了对煤矸识别至关重要的局部显著区域和特征.针对上述问题,提出了一种基于YOLOv5-SEDC模型的煤矸分割识别方法.首先接收包含煤矸形状信息的图像,并利用主干网络进行特征提取,生成特征图;其次在YOLOv5-seg模型中集成SENet模块,以保留煤与矸石表面的纹理细节和灰度特征,避免下采样带来的信息丢失;然后采用不同,膨胀率的空洞卷积策略替代传统卷积核,不仅扩大了模型的感受野,还有效减少了模型参数量;最后分割检测头对融合后的特征进行精细处理,实现对煤矸的精确分割和识别.在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台,消融实验结果表明,YOLOv5-SEDC模型的煤和矸石识别的精确率较YOLOv5-seg模型平均提高1.3％,参数量减少0.7x106个,检测速度提高了 1.4帧/s.对比实验结果表明:① YOLOv5-SEDC 模型的精确率较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 10.7％,2.7％,1.9％,达到 95.8％.② YOLOv5-SEDC 模型的召回率较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 3.0％,2.1％,0.9％,达到 89.1％.③ YOLOv5-SEDC 模型的平均精度均值较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 6.4％,6.3％,1.8％,达到 95.5％.④ YOLOv5-SEDC 模型的 F1较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 5.2％,4.2％,2.1％,达到 92.2％.⑤ YOLOv5-SEDC 模型的检测速度较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别降低了 1.9,1.4,2.7 帧/s.可视化结果表明,YOLOv5-SEDC模型 对煤和矸石的 检测准确度较YOLOv5-seg和Mask-RCNN模型 更高,说明了 YOLOv5-SEDC模型在煤矸分割识别上具有较好性能.

    煤矸分割煤矸识别压缩激励网络YOLOv5-SEDCYOLOv5-seg注意力网络空洞卷积

      原文链接:
    • 万方数据

    基于连通性阈值分割的煤岩裂隙识别方法

    肖福坤刘欢欢单磊
    127-134页
    查看更多>>摘要：煤岩裂隙发育形态是影响煤岩渗透性、决定煤岩体力学特征的重要因素.针对煤岩裂隙识别过程中存在的复杂结构处理不当、裂隙边界特征保留不足、噪声干扰等问题,提出了一种基于连通性阈值分割的煤岩裂隙识别方法.首先,采用直方图均衡化增强算法和非局部均值滤波去噪算法对图像进行预处理,其次,利用自适应Otsu阈值分割确定预处理后图像的阈值,识别出可能的裂隙区域,应用形态学运算对这些区域进行精细化处理,进一步突出裂隙的边界特征.然后,通过Canny边缘计算提取种子点,以识别图像中的关键特征.最后,基于这些种子点进行区域生长操作,从而有效抑制噪声,并在平滑图像裂隙的同时更加清晰地突出裂隙信息.实验结果表明:①连通性阈值分割的均方误差较自适应Otsu阈值分割和自适应阈值分割分别平均减少了 7.20,7.10 dB,连通性阈值分割的峰值信噪比较自适应Otsu阈值分割和自适应阈值分割分别平均提高了 0.60,0.59 dB.②连通性阈值分割不仅有效解决了裂隙提取不明显、末端提取效果差及连接处特征消失的问题,而且显著减少了噪声的干扰,使裂隙特征变得更加突出,从而极大地提高了裂隙识别的准确性和完整性.③连通性阈值分割在自适应Otsu阈值分割的基础上,强化了裂隙特征并有效消除了噪声点,平均准确率较自适应阈值分割算法和自适应Otsu阈值分割分别提高了 8％和0.8％,达98.9％.

    煤岩裂隙识别连通性阈值分割自适应Otsu阈值分割形态学运算Canny边缘计算区域生长

      原文链接:
    • 万方数据
    • 维普

    基于模糊神经网络PID的煤矿掘进机俯仰控制研究

    毛清华陈彦璋马骋王川伟...
    135-143页
    查看更多>>摘要：目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高.掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度.提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法.通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制.该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题.仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了 69.34％和74.49％.通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了 27.22％和50.33％,动态控制性能更好.

    掘进机俯仰控制俯仰角模糊神经网络PID液压系统液压缸位移控制支撑机构

      原文链接:
    • 万方数据
    • 维普

    基于自监督学习的IRS辅助矿井通信系统信道估计方法

    王安义李新宇李明珠李婼嫚...
    144-150页
    查看更多>>摘要：针对矿井复杂环境导致的多径衰落、非视距通信及真实标签获取困难的问题,提出一种基于自监督学习(SSL)的智能反射面(IRS)辅助矿井通信系统信道估计方法.根据井下Nakagami-g衰落信道模型和IRS信号传输模型搭建井下通信系统模型,通过IRS技术解决多径衰落和非视距通信问题.通过最小二乘(LS)算法进行初步信道估计,再采用SSL框架下的八度卷积(OCT)神经网络优化信道估计结果.OCT直接对高频分量和低频分量进行处理,能同时捕捉信道的粗糙特征和细微差别,提供全面的信道信息,从而更准确地估计信道状态;SSL算法使用接收信号及其带噪版本作为训练数据,通过未标注数据的内在结构提升IRS辅助信道估计的精度和效率,从而降低对人工标签的依赖.仿真结果表明:①引入IRS技术能有效降低信道估计误差.②OCT神经网络的损失值明显低于CNN,数据拟合效果更好;OCT神经网络计算效率高,可提高通信系统信道估计的整体性能;在计算资源有限的环境下,OCT神经网络可保持较低参数量和内存使用量.③SSL算法在所有信噪比条件下均能保持较低的归一化均方误差,验证了其在信道估计中的高效性和鲁棒性.④基于SSL的IRS辅助矿井通信系统信道估计方法在大规模网络中具有较好的扩展性和鲁棒性.

    矿井通信信道估计井下智能反射面自监督学习八度卷积神经网络Nakagami-g模型

      原文链接:
    • 万方数据
    • 维普

    基于质心-凸包-自适应聚类法的浮选泡沫动态特征提取

    魏凯王然风王珺韩杰...
    151-160页
    查看更多>>摘要：面对复杂的浮选现场环境及浮选泡沫自身相互粘连导致的边界不清等情况,现有泡沫动态特征(流动速度和崩塌率)提取方法往往无法准确划定属于每个泡沫的动态特征采样区域、不能全面匹配相邻帧间的特征点对且难以有效识别崩塌区域.针对上述问题,提出了一种基于质心-凸包-自适应聚类法的浮选泡沫动态特征提取方法.该方法采用集成Swin-Transformer多尺度特征提取能力的改进型Mask2Former,实现对泡沫质心的精准定位和崩塌区域的有效识别;通过最优凸包评价函数搜寻目标泡沫周围相邻一圈泡沫质心构建的凸包,拟合出接近实际泡沫轮廓的动态特征采样区域;运用基于Transformer的局部图像特征匹配(LoFTR)算法匹配相邻帧图像间的特征点对;针对动态特征采样区域内部的所有特征点对,通过基于OPTICS算法的主特征自适应聚类法提取每个泡沫的主要流动速度.实验结果表明,在普通泡沫质心定位和崩塌区域识别任务中,该方法分别取得了88.83％,97.92％的准确率及77.90％,96.52％的交并比;以2.69％的平均剔除率实现了 99.93％的特征点对匹配正确率;在多种工况下均能有效划定与实际泡沫边界相近的特征采样区域,进而定量提取每个泡沫的动态特征.

    浮选泡沫动态特征泡沫图像泡沫质心定位泡沫崩塌区域识别特征点对匹配主特征自适应聚类

      原文链接:
    • 万方数据