一种煤矿井下无人驾驶车辆超前自主降尘方法及系统技术方案

本发明专利技术公开了一种煤矿井下无人驾驶车辆超前自主降尘方法及系统；方法包括对井下无人驾驶车辆前方行驶区域内粉尘突出位置进行点云信息采集，建立巷道矿尘浓度样本数据库；建立矿尘浓度识别神经网络模型DC

【技术实现步骤摘要】
一种煤矿井下无人驾驶车辆超前自主降尘方法及系统


[0001]本专利技术涉及煤矿辅助运输装备
，具体涉及一种煤矿井下无人驾驶车辆超前自主降尘方法及系统。

技术介绍

[0002]随着煤矿智能化建设步伐的加快，针对矿井辅助运输车辆无人化、智能化的研究及应用越来越多。目前井下无人驾驶车辆智能化改造的重要手段之一是对其增加各类传感器，如激光雷达、网络摄像仪、超声波雷达等，但是井下辅助运输巷道，特别是回风巷道存在诸多风险，如掉轨、顶板冒落、围岩变形，这些风险常伴随着大量的粉尘、煤尘突出，直接导致摄像仪感知数据清晰度剧烈下降、激光雷达等传感器探测距离降低等问题，危害井下无人驾驶车辆驾驶运输安全，此外也影响巷道内工作人员得身体健康。
[0003]因此，急需一种消除粉尘干扰的装置及方法。减少矿尘干扰，保障井下无人驾驶车辆传感器感知性能，实现井下无人驾驶车辆安全驾驶运输作业。

技术实现思路

[0004]针对上述存在的技术不足，本专利技术的目的是提供一种煤矿井下无人驾驶车辆超前自主降尘方法及系统，其可以利用激光雷达识别井下无人驾驶车辆行驶巷道内粉尘突出区域，然后利用去尘装置对粉尘、煤尘进行消除，保障井下无人驾驶车辆传感器感知能力。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]本专利技术提供一种煤矿井下无人驾驶车辆超前自主降尘方法及系统，利用安装在井下无人驾驶车辆前端的激光雷达与喷淋装置组成去尘系统，激光雷达与喷淋装置连接车载工控机并由其控制工作，所述去尘方法包括以下步骤：
[0007]步骤1、利用激光雷达对井下无人驾驶车辆前方行驶区域内粉尘突出位置进行点云信息采集，建立巷道矿尘浓度样本数据库；
[0008]步骤2、车载工控机内建立矿尘浓度识别神经网络模型DC
‑
CDC
‑
NET；
[0009]步骤3、利用训练集数据训练模型，得到训练后的矿尘浓度推理模型；
[0010]步骤4、分别建立激光雷达与喷淋装置笛卡尔坐标系，计算坐标转换关系；
[0011]步骤5、标定喷淋装置给定喷射压力与喷射距离间的关系；
[0012]步骤6、井下无人驾驶车辆运行时矿尘探测；
[0013]步骤7、喷淋装置喷淋去尘；
[0014]步骤8、重复步骤6
‑
步骤7，直至粉尘浓度降至阈值W以下，结束喷淋工作。
[0015]优选地，步骤1中，在巷道易发生粉尘突出的位置使用激光雷达扫描并采集点云信息，记录探测区域矿尘浓度下激光回波信息的指及特征，构建特征样本数据库；
[0016]使用未装备于井下无人驾驶车辆的同类型激光雷达，在巷道易发生粉尘处催动巷道产生粉尘突出，通过粉尘监测仪记录粉尘浓度，使用激光雷达扫描粉尘产生位置的粉尘，记录当前粉尘浓度下激光回波信息的各个指标表现及特征，构建特征样本数据库；
[0017]数据库样本中设输入特征为：点云坐标x、点云坐标y、点云坐标z、点云回波强度，对应样本标签为：矿尘浓度。
[0018]优选地，步骤2中，激光雷达与喷淋装置连接车载工控机并受其控制，车载工控机内部署矿尘浓度识别神经网络模型DC
‑
CDC
‑
NET，模型共包含8层，各层的层类型均为全连接层，其中第一层为数据输入层，第二层至第七层为隐含层，第八层为数据输出层，第一层至第七层的激活函数为ReLU函数，ReLU函数表达式为f(x)＝max(0,x)，第八层的激活函数为用于输出的人Linear函数，第一层到第八层的节点分别为4、64、128、256、128、64、32、1。
[0019]优选地，步骤3中，首先通过用Z
‑
Score标准化方式对数据进行预处理，标准化公式为
[0020]然后将其中80％预处理后的样本数据用于建立训练集，20％数据用于建立测试集；
[0021]在训练集上对模型进行训练，设置损失函数为MSE函数，公式为
[0022][0023]每训练一次都判断损失函数稳定不再下降，若不稳定则继续迭代更新模型参数，当稳定后将测试集数据输入模型后对模型进行测试，选择R2值作为模型评价指标，
[0024]公式为
[0025]其中pre为模型预测结果，mean为样本标签均值，y为样本真实值。
[0026]当模型在测试集上的预测结果R2达到0.85以上，保存模型，即模型训练成功。
[0027]优选地，步骤4中，以井下无人驾驶车辆上激光雷达前方探测区域的轴向与垂向为基准，建立笛卡尔坐标系r
c1
；以喷淋装置前方探测区域的轴向与垂向为基准，建立笛卡尔坐标系r
c2
；根据激光雷达与喷淋装置的位置信息计算r
c1
与r
c2
间的坐标转换矩阵
[0028]坐标转换矩阵
[0029]其中a
x
、a
y
、a
z
为r
c2
中x轴在r
c1
中的单位向量；b
x
、b
y
、b
z
为r
c2
中y轴在r
c1
中的单位向量；c
x
、c
y
、c
z
为r
c2
中z轴在r
c1
中的单位向量；
[0030]为r
c2
原点在r
c1
上的坐标；
[0031]优选地，步骤5中，设定喷淋装置的喷射压力等级为L1
‑
L5；
[0032]在喷淋装置坐标系r
c2
下，采用仿真分析或实物试验的方法，绕y轴方向旋转喷淋装置的喷头，标定在不同喷射压力下的喷射距离；绕z轴方向旋转喷头，标定在不同喷射压力下的喷射距离；
[0033]根据不同喷射压力下喷淋装置的喷射距离，标定喷射压力等级L1
‑
L5分别对应的
喷射三维区域。
[0034]优选地，步骤6中，激光雷达扫描井下无人驾驶车辆前方行驶区域，将激光雷达实时采集的数据信息输入推理模型，对激光雷达感知区域内矿尘浓度进行预测；
[0035]当粉尘浓度大于设定阈值W时，记录矿尘在r
c1
中的位置信息，通过步骤4的坐标转换矩阵将r
c1
位置信息转换至r
c2
坐标系下。
[0036]优选地，步骤7中，根据步骤6所得rc2坐标系下位置信息，计算喷淋装置的喷淋压力与方向，车载工控机向喷淋装置发出计算结果并控制喷淋装置工作；
[0037]首先根据待喷射区域距离云台的距离D在喷射压力等级L1
‑
L5选择相应喷射压力等级。
[0038]其中喷射云台位于rc2坐标系原点，所以喷射区域距离为
[0039]然后根据喷射区域具体位置信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种煤矿井下无人驾驶车辆超前自主降尘方法，利用安装在井下无人驾驶车辆前端的激光雷达与喷淋装置组成去尘系统，激光雷达与喷淋装置连接车载工控机并由其控制工作，其特征在于，所述去尘方法包括以下步骤：步骤1、利用激光雷达对井下无人驾驶车辆前方行驶区域内粉尘突出位置进行点云信息采集，建立巷道矿尘浓度样本数据库；步骤2、建立矿尘浓度识别神经网络模型DC
‑
CDC
‑
NET；步骤3、利用训练集数据训练模型，得到训练后的矿尘浓度推理模型；步骤4、分别建立激光雷达与喷淋装置笛卡尔坐标系，计算坐标转换关系；步骤5、标定喷淋装置给定喷射压力与喷射距离间的关系；步骤6、井下无人驾驶车辆运行时矿尘探测；步骤7、喷淋装置喷淋去尘；步骤8、重复步骤6
‑
步骤7，直至粉尘浓度降至阈值W以下，结束喷淋工作。2.如权利要求1所述的一种煤矿井下无人驾驶车辆超前自主降尘方法，其特征在于：步骤1中，在巷道易发生粉尘突出的位置使用激光雷达扫描并采集点云信息，记录探测区域矿尘浓度下激光回波信息的指及特征，构建特征样本数据库；使用未装备于井下无人驾驶车辆的同类型激光雷达，在巷道易发生粉尘处催动巷道产生粉尘突出，通过粉尘监测仪记录粉尘浓度，使用激光雷达扫描粉尘产生位置的粉尘，记录当前粉尘浓度下激光回波信息的各个指标表现及特征，构建特征样本数据库；数据库样本中设输入特征为：点云坐标x、点云坐标y、点云坐标z、点云回波强度，对应样本标签为：粉尘/煤尘混合浓度。3.如权利要求2所述的一种煤矿井下无人驾驶车辆超前自主降尘方法，其特征在于：步骤2中，激光雷达与喷淋装置连接车载工控机并受其控制，车载工控机内部署矿尘浓度识别神经网络模型DC
‑
CDC
‑
NET，模型共包含8层，各层的层类型均为全连接层，其中第一层为数据输入层，第二层至第七层为隐含层，第八层为数据输出层，第一层至第七层的激活函数为ReLU函数，ReLU函数表达式为f(x)＝max(0,x)，第八层的激活函数为用于输出的人Linear函数，第一层到第八层的节点分别为4、64、128、256、128、64、32、1。4.如权利要求3所述的一种煤矿井下无人驾驶车辆超前自主降尘方法，其特征在于：步骤3中，首先通过用Z
‑
Score标准化方式对数据进行预处理，标准化公式为其中x是样本值，μ是样本均值，σ是...

【专利技术属性】
技术研发人员：张益东，闫万梓，李小强，程敬义，张鑫，张宇，李泽鑫，马奇，王宇，李莹，于航，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：