本發(fā)明涉及煤炭開(kāi)采領(lǐng)域，尤其涉及基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法。

背景技術(shù)：

1、在石油、天然氣等能源資源相對(duì)匱乏，且進(jìn)口安全風(fēng)險(xiǎn)日益凸顯的當(dāng)下，煤炭作為能源結(jié)構(gòu)中的重要組成部分，其地位和作用愈發(fā)突出。然而，在煤炭開(kāi)采過(guò)程中，井下環(huán)境復(fù)雜多變，存在著諸多安全隱患，對(duì)工作人員的安全構(gòu)成了嚴(yán)重威脅。因此，對(duì)采煤過(guò)程中各種設(shè)備狀態(tài)的精確檢測(cè)顯得尤為重要。

2、目前，針對(duì)支架動(dòng)作檢測(cè)的技術(shù)手段主要有兩種。其一，是通過(guò)實(shí)時(shí)采集支架傾角傳感器的數(shù)據(jù)，并設(shè)定相應(yīng)的閾值，以此大致判斷支架的姿態(tài)。然而，這種方法僅能提供支架的靜態(tài)信息，無(wú)法實(shí)時(shí)捕捉支架的動(dòng)態(tài)動(dòng)作過(guò)程。其二，是利用攝像頭捕捉支架的實(shí)時(shí)視頻數(shù)據(jù)，結(jié)合圖像處理和識(shí)別技術(shù)來(lái)判斷支架動(dòng)作。盡管這種方法能夠提供直觀的視覺(jué)信息，但井下粉塵的干擾嚴(yán)重，且視頻拍攝范圍有限，主要適用于檢測(cè)收伸護(hù)幫等特定動(dòng)作。

3、因此，有必要研究一種基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法來(lái)克服現(xiàn)有技術(shù)的局限性，提高支架動(dòng)作檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的是針對(duì)上述問(wèn)題，提供一種操作簡(jiǎn)單、精準(zhǔn)度高的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：

3、基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，包括以下步驟：

4、s1、在支架上的多個(gè)位置均安裝傾角傳感器；

5、s2、采集傾角傳感器的角度監(jiān)測(cè)數(shù)據(jù)、監(jiān)測(cè)時(shí)間以及該狀態(tài)下的支架動(dòng)作姿態(tài)數(shù)據(jù)構(gòu)建數(shù)據(jù)樣本，將支架進(jìn)行各種動(dòng)作形成的若干個(gè)數(shù)據(jù)樣本劃分為訓(xùn)練集和測(cè)試集；

6、s3、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)模型內(nèi)進(jìn)行訓(xùn)練，并以測(cè)試集對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，最終得到基于神經(jīng)網(wǎng)絡(luò)架構(gòu)的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型；

7、s4、對(duì)支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型進(jìn)行優(yōu)化，將優(yōu)化后的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型保存并加載到控制器系統(tǒng)；

8、s5、通過(guò)控制器系統(tǒng)實(shí)時(shí)獲取傾角傳感器的角度監(jiān)測(cè)數(shù)據(jù)，將該角度監(jiān)測(cè)數(shù)據(jù)輸入到支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型中，支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型經(jīng)過(guò)分析計(jì)算后輸出支架當(dāng)前的姿態(tài)動(dòng)作，實(shí)現(xiàn)采煤作業(yè)中對(duì)支架動(dòng)作姿態(tài)的檢測(cè)。

9、進(jìn)一步的，所述步驟s1中，在支架的頂梁、連桿、底座、尾梁、一級(jí)護(hù)幫、二級(jí)護(hù)幫上均安裝傾角傳感器。

10、進(jìn)一步的，所述步驟s2中，角度監(jiān)測(cè)數(shù)據(jù)包含傾角傳感器的橫滾角數(shù)據(jù)、俯仰角數(shù)據(jù)、偏航角數(shù)據(jù)；監(jiān)測(cè)時(shí)間包括多個(gè)連續(xù)時(shí)間點(diǎn)，多個(gè)連續(xù)時(shí)間點(diǎn)之間的間隔為10ms；通過(guò)多個(gè)時(shí)間點(diǎn)的角度監(jiān)測(cè)數(shù)據(jù)組合以及該狀態(tài)下支架的動(dòng)作姿態(tài)數(shù)據(jù)構(gòu)建形成一個(gè)數(shù)據(jù)樣本。

11、進(jìn)一步的，所述步驟s2中，將若干個(gè)數(shù)據(jù)樣本均分為五個(gè)互斥的子集，使用四個(gè)子集作為訓(xùn)練集，另一個(gè)作為測(cè)試集。

12、進(jìn)一步的，所述步驟s3中，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、卷積層、歸一化層、激活層、輸出層；所述輸入層的數(shù)據(jù)shape為3x×n×1；其中，x為某一時(shí)間點(diǎn)時(shí)單個(gè)支架上所有傾角傳感器的數(shù)量，n為時(shí)間點(diǎn)數(shù)量；所述卷積層中設(shè)置有過(guò)濾器v，過(guò)濾器v＝[vi,v2,...,vc']；卷積后的輸出為u＝[ui,u2,...,uc']；所述歸一化的計(jì)算結(jié)果為:激活層的計(jì)算公式為：其中，δ為relu激活函數(shù)，w為權(quán)重矩陣，z為歸一化層輸出結(jié)果；輸出層采用softmax結(jié)構(gòu)，節(jié)點(diǎn)數(shù)對(duì)應(yīng)要檢測(cè)的支架動(dòng)作種類數(shù)量；以角度監(jiān)測(cè)數(shù)據(jù)、監(jiān)測(cè)時(shí)間作為輸入層，以支架的動(dòng)作姿態(tài)數(shù)據(jù)作為輸出層對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

13、進(jìn)一步的，所述步驟s3中，以訓(xùn)練集、測(cè)試集對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、測(cè)試時(shí)，將每個(gè)子集分別作為測(cè)試集進(jìn)行五次迭代訓(xùn)練。

14、進(jìn)一步的，所述步驟s3中，最終得到的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型的計(jì)算結(jié)果為s。

15、進(jìn)一步的，所述步驟s4中，對(duì)支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型進(jìn)行優(yōu)化時(shí)，使用初始化學(xué)習(xí)率為0.0001的adam優(yōu)化算法調(diào)整支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型的權(quán)重和偏差參數(shù)，以令支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型中的損失函數(shù)最小化。

16、進(jìn)一步的，所述步驟s4中，將優(yōu)化后的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型保存為.h5格式文件。

17、與現(xiàn)有技術(shù)相比，本發(fā)明具有的優(yōu)點(diǎn)和積極效果是：

18、本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其能夠綜合利用多源傾角傳感器的角度監(jiān)測(cè)數(shù)據(jù)，通過(guò)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和學(xué)習(xí)，最終實(shí)現(xiàn)對(duì)支架動(dòng)作姿態(tài)的實(shí)時(shí)、精確檢測(cè)；其克服了現(xiàn)有技術(shù)無(wú)法實(shí)時(shí)檢測(cè)支架動(dòng)作或檢測(cè)過(guò)程受井下環(huán)境影響較大的問(wèn)題，提高了支架動(dòng)作檢測(cè)的準(zhǔn)確性和可靠性，提升了煤炭開(kāi)采作業(yè)的安全性，降低煤炭開(kāi)采過(guò)程中的事故風(fēng)險(xiǎn)，為煤礦綜采工作面的安全生產(chǎn)提供了有力保障；同時(shí)其可以實(shí)時(shí)了解支架的動(dòng)作信息，有助于實(shí)現(xiàn)支架的自動(dòng)化控制和智能化管理，從而可以有效提高煤炭開(kāi)采效率，促進(jìn)煤炭產(chǎn)業(yè)的可持續(xù)發(fā)展。

技術(shù)特征：

1.基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：包括以下步驟：

2.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s1中，在支架的頂梁、連桿、底座、尾梁、一級(jí)護(hù)幫、二級(jí)護(hù)幫上均安裝傾角傳感器。

3.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s2中，角度監(jiān)測(cè)數(shù)據(jù)包含傾角傳感器的橫滾角數(shù)據(jù)、俯仰角數(shù)據(jù)、偏航角數(shù)據(jù)；監(jiān)測(cè)時(shí)間包括多個(gè)連續(xù)時(shí)間點(diǎn)，多個(gè)連續(xù)時(shí)間點(diǎn)之間的間隔為10ms；通過(guò)多個(gè)時(shí)間點(diǎn)的角度監(jiān)測(cè)數(shù)據(jù)組合以及該狀態(tài)下支架的動(dòng)作姿態(tài)數(shù)據(jù)構(gòu)建形成一個(gè)數(shù)據(jù)樣本。

4.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s2中，將若干個(gè)數(shù)據(jù)樣本均分為五個(gè)互斥的子集，使用四個(gè)子集作為訓(xùn)練集，另一個(gè)作為測(cè)試集。

5.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s3中，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、卷積層、歸一化層、激活層、輸出層；所述輸入層的數(shù)據(jù)shape為3x×n×1；其中，x為某一時(shí)間點(diǎn)時(shí)單個(gè)支架上所有傾角傳感器的數(shù)量，n為時(shí)間點(diǎn)數(shù)量；所述卷積層中設(shè)置有過(guò)濾器v，過(guò)濾器v＝[vi,v2,...,vc']；卷積后的輸出為u＝[ui,u2,...,uc']；所述歸一化的計(jì)算結(jié)果為:激活層的計(jì)算公式為：其中，δ為relu激活函數(shù)，w為權(quán)重矩陣，z為歸一化層輸出結(jié)果；輸出層采用softmax結(jié)構(gòu)，節(jié)點(diǎn)數(shù)對(duì)應(yīng)要檢測(cè)的支架動(dòng)作種類數(shù)量；以角度監(jiān)測(cè)數(shù)據(jù)、監(jiān)測(cè)時(shí)間作為輸入層，以支架的動(dòng)作姿態(tài)數(shù)據(jù)作為輸出層對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

6.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s3中，以訓(xùn)練集、測(cè)試集對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、測(cè)試時(shí)，將每個(gè)子集分別作為測(cè)試集進(jìn)行五次迭代訓(xùn)練。

7.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s3中，最終得到的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型的計(jì)算結(jié)果為s。

8.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s4中，對(duì)支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型進(jìn)行優(yōu)化時(shí)，使用初始化學(xué)習(xí)率為0.0001的adam優(yōu)化算法調(diào)整支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型的權(quán)重和偏差參數(shù)，以令支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型中的損失函數(shù)最小化。

9.如權(quán)利要求1中所述的基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，其特征在于：所述步驟s4中，將優(yōu)化后的支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型保存為.h5格式文件。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了基于神經(jīng)網(wǎng)絡(luò)和多源傾角傳感器的支架動(dòng)作姿態(tài)檢測(cè)方法，包括以下步驟：S1、在支架上的多個(gè)位置均安裝傾角傳感器；S2、采集傾角傳感器的角度監(jiān)測(cè)數(shù)據(jù)、監(jiān)測(cè)時(shí)間以及該狀態(tài)下的支架動(dòng)作姿態(tài)數(shù)據(jù)構(gòu)建數(shù)據(jù)樣本，將支架進(jìn)行各種動(dòng)作形成的若干個(gè)數(shù)據(jù)樣本劃分為訓(xùn)練集和測(cè)試集；S3、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練集、測(cè)試集對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型；S4、對(duì)支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型進(jìn)行優(yōu)化，優(yōu)化后保存并加載到控制器系統(tǒng)；S5、通過(guò)控制器系統(tǒng)實(shí)時(shí)獲取傾角傳感器的角度監(jiān)測(cè)數(shù)據(jù)并輸入到支架動(dòng)作檢測(cè)深度學(xué)習(xí)模型中，自動(dòng)輸出支架當(dāng)前的姿態(tài)動(dòng)作，實(shí)現(xiàn)采煤作業(yè)中對(duì)支架動(dòng)作姿態(tài)的檢測(cè)。

技術(shù)研發(fā)人員：張幸福,李紅衛(wèi),曹益鳴,徐建,潘坤,王軍峰,蘇思賢
受保護(hù)的技術(shù)使用者：鄭州恒達(dá)智控科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9