煤矿环形车场智能化无人值守技术研究

王 雷 贾思学

（中国矿业大学机电学院，江苏 徐州 221008）

现有环形车场基本采用传统电机车调车系统，主要存在以下4 个问题：1）车场环节多、作业过程复杂，大多数车场主要采用分阶段运输，未能实现直达运输的效果。2）电机车需要驾驶人员和摘挂勾人员配合作业，容易出现工伤事故，不安全因素多。3）整个环形车场没有AI 视频监控系统，无法实时掌握机车的运行情况，不利于车场整体调度。4）环形车场普遍采用人眼识别矿车和手动操控道岔的运行模式，智能化程度较低。针对以上问题，该文设计了由图像AI 识别系统、智能推车机器人、智能道岔控制系统以及中控系统组成的无人值守环形车场智能化运行系统，实现了矸石矿车出井、空车入井整个过程的智能化运行，使车场运行达到机械化减人、自动化换人以及智能化增效的目的。

1 智能化环形车场总体构架

该文设计的井口环形车场无人智能化运转系统的总体框架由智能推车机器人、AI 视频监控及智能识别控制系统、定位及避障系统、自动道岔控制、弯道推车系统、智能翻车机爬车机和手持遥控终端等组成，如图1所示。

图1 智能化环形车场总体架构

1.1 智能推（拉）车机器人

智能推（拉）车机器人由控制系统、无线通信模块、数据采集模块、机器人驱动制动系统以及避障系统等组成。无线通信模块保证系统各设备之间的通信。数据采集模块采集机器人运行数据，采集的数据通过无线通信模块传送给控制系统，控制系统处理采集的数据后，通过无线通信模块向推拉车机器人发送指令。

1.1.1 开关磁阻电机驱动及制动机构

机器人驱动采用高效开关磁阻调速电机直接驱动（如图2所示），其具有驱动力大、调速范围广的特点。制动系统采用液压盘式制动机构，具有制动力大、性能可靠的特点。

图2 驱动及制动原理图

1.1.2 推车机器人推拉结构

推车机器人必须解决现场人工摘挂勾的难题，因此机器人可以推矿车也可以拉矿车，根据矿车结构及现场条件，该文设计的液压马达驱动具有可以上、下旋转的抓捕结构，抓捕矿车底盘的方式如图3所示。

图3 抓捕机构

1.1.3 推车机器人运行感知系统

推车机器人运行感知系统主要由基于机器视觉的障碍物检测、基于雷达的目标检测与跟踪、数据信息融合以及环境感知系统软件设计等组成，视觉障碍物检测如图4所示。

图4 视觉障碍物检测系统图

1.1.3.1 基于机器视觉的障碍物检测

为了实现机器人视觉对障碍物进行检测的功能，需要根据煤矿地面轨道运输推车的实际运行情况以及煤矿地面轨道运输环境感知系统的功能需求设计一套基于机器视觉的障碍物检测系统，需要实时采集推车前方的障碍物图像数据，对采集的障碍物图像进行预处理；为了提高系统处理图像的速度，需要对煤矿地面轨道运输推车的运输轨道线的限界进行提取，并选用合适的深度学习算法识别障碍物[1]。

1.1.3.2 基于毫米波雷达的目标检测与跟踪

首先，需要解析和预处理采集的毫米波雷达数据。其次，需要选取和确定运行推车前方的有效目标。最后，需要对运行推车前方的障碍物的距离和相对速度等信息进行实时测量，分析研究目标跟踪算法，对有效目标进行实时检测和跟踪。

1.1.3.3 数据融合与软件设计

机器视觉和毫米波雷达分别能够独立实现运行推车前方障碍物检测功能，二者之间又相互配合、共同作用，确保推车机器人车场运行时能够可靠避障停车。

1.2 AI 视频监控及图像识别中控系统

该文将采用计算机视觉技术来实现该目标，该技术可以通过摄像头拍摄的视频流数据对其中的物体进行实时识别。使用深度学习算法对物体进行分类和识别，从而实现对矿车、机车以及工人等物体的实时监测和识别[2]。通过中控台智能程序闭锁控制，实现轨道终端的自动化控制，不需要人工干预，从而提高生产效率、降低人力成本，系统如图5所示。

图5 图像识别及中控系统功能模块

1.2.1 图像识别及锁定

图像识别是通过YOLO目标检测算法[2]将输入图像分成网格，并为每个网格分配1 个边界框和置信度分数来检测图像中的对象。与其他目标检测算法相比，该算法具有快速高效、准确度高以及可扩展性强等特点。识别目标的锁定主要使用目标框，目标框计算原理如图6所示。

图6 目标框计算原理

相关计算分别如公式（1）～公式（4）所示。

式中：tw、th为预测框的宽、高相对于anchor 宽、高的缩放比例。

为了将预测框的中心点约束到当前网格中，使用Sigmoid函数处理偏移量，使预测的偏移值保持在（0，1）内。根据目标框回归计算公式，预测框中心点坐标的偏移量保持在（-0.5，1.5），预测框的宽度和高度相对于anchor 的放缩范围为（0，4）。

1.2.2 图像损失函数

目标检测的结果输入形式为（x，y，w，h，C，c）。其中，（x，y，w，h）为预测框的位置；（x，y）为框左上角的坐标；（w，h）为框的长宽；C为置信度；c为目标类别。将该系统核心算法的损失函数分为3 类：定位损失L、分类损失C和置信度损失F。

总损失函数如公式（5）所示。

分类损失函数采用交叉熵损失函数（BCELoss），置信度采用Focal Loss 损失函数，定位损失函数一般采用IoU 损失函数，数学表达式如公式（6）所示。

1.2.3 图像识别深度学习技术

深度学习是一种机器学习方法，它通过构建多层神经网络来对数据进行高级抽象和分析。而卷积神经网络则是深度学习中最常用、最有效的神经网络架构。它的组成主要包括卷积、池化、激活函数、全连接以及批量归一化，如图7所示。这些层的加入可以更好地提取图像特征，设置合理的参数与不同的层也可以提高网络的性能。

图7 卷积神经网络结构

配合使用卷积层和激活函数，设置网络中有M个卷积层和激活函数。进入池化层，设置池化层的个数为b个，因为不一定每个卷积层后面都需要跟池化层，而且以目前的趋势来看，池化层的作用变得越来越弱，所以可以在卷积层中设置步长和填充来代替池化层的操作。

卷积与池化操作可以不断地堆叠，层数越多，特征提取就越充分。但是层数过多会导致训练时间过长以及过拟合。在堆叠次后，将提取出来的特征馈入全连接层进行特征分类并映射到样本空间。

1.2.4 中控及手持遥控终端系统

当矿车从罐笼推出井口房时，通过AI 视频识别判断矸石车、材料车、设备车以及平板车，再交由中控台处理并发出相应行走路线以及空矿车等车辆入井的智能控制指令，也可以通过手持遥控终端进行控制。

1.3 智能道岔控制系统

环形车场多部道岔集中控制和开闭状态实时监测主要由传感器单元、采集单元、中心处理单元以及传输网络等部分组成，如图8所示。传感器单元检测道岔工作各项参数，采集单元通过传输网络将传感器单元采集的相关信息实时上传至中心处理单元，中心处理单元实时分析检测的相关参数发生变化的趋势并给出动作指令。

图8 系统结构

2 现场应用

该研究成果已经成功应用于平煤集团一矿、五矿井口环形车场。对该项目进行工业性试验，充分验证了该文的各项性能指标满足现场要求以及其对运行的安全性、稳定性和可靠性的要求。

图像AI 识别控制技术的应用效果如图9所示。由图9可知，将图像AI 识别系统应用到系统集控后，可以准确识别运输车辆并给中控台发出控制指令，使环形车场系统按照预定的工作流程实现智能化自动运行。

图9 视频AI 识别效果截图

经过现场实施后与原方案进行对比，该系统具有以下4个优点：1）不需要单独做基础，节省了施工时间及工程费用。2）减少了30%的工作人员，达到了减人增效的目的。3）可以实现矿车装罐、卸罐、定位、调运以及单向马头门拉车推车等功能，可以取代传统的各种推车机。4）车场运转效率比原系统至少提高了25%。

3 结语

针对传统煤矿环形车场运输系统存在的不足，该文提出推车机器人改变传统矿山车场电机车调车的理念，通过信号工的直接无线远程操作实现了车场进罐推车、弯道推车、车场调车以及运行自动避障等功能。无线智能推车系统自动化程度高、工人劳动强度降低且人员配置变少，结合AI 视频识别系统及自动道岔控制形成了井口环形车场无人智能化调控系统。