CN106647265A - 一种矿井救灾探测机器人的智能控制方法 - Google Patents

Abstract

本发明涉及一种矿井救灾探测机器人智能控制方法，包括：采用瓦斯浓度传感器、一氧化碳传感器、温度传感器对巷道中的环境参数进行检测，矿井救灾探测机器人根据视觉传感器、超声波传感器、红外传感器信息进行避障，利用GPS定位模块、生命探测仪对井下被困人员进行定位及生命探测；利用智能控制算法经中央控制器输出决策控制信息，对井下环境进行实时监测并对矿井救灾探测机器人进行控制。本发明技术方案通过应用果蝇优化方法耦合Elman神经网络对矿井救灾探测机器人检测控制系统进行建模，对多种传感器进行信息融合，实现了对其进行智能控制。该方法收敛速度快、精度高且具有较好的稳定性及可靠性，为矿井安全研究领域提供了新的思路。

Description

一种矿井救灾探测机器人的智能控制方法

技术领域

本发明涉及井下安全领域，特别涉及一种矿井救灾探测机器人的智能控制方法。

背景技术

井下作业环境复杂，在生产过程中往往受到瓦斯、矿尘、火、水、顶板等灾害的威胁。由于我国矿井自然条件差，加上技术和管理等诸多方位的不到位，以及近年来国家对矿产资源需求量不断增大，使得井下安全事故频繁发生，人员伤亡十分惨重。井下安全事故发生后，环境的复杂性和危险性使得救援人员无法接近现场进行侦查或施救。因此，研发矿井救灾机器人对井下安全生产，减少国家和人民生命财产的损失具有十分重要的意义。

现有井下救灾机器人检测信息较为单一，不能综合各个因素来判断是否发生事故，经常出现误动作。

发明内容

本发明目的为针对现有技术的问题，提出了能够根据井下多方面的环境判断是否存在事故、快速做出反应的矿井救灾探测机器人的智能控制方法。

为实现上述目的，本发明采用如下技术方案，一种矿井救灾探测机器人的智能控制方法，包括以下步骤：

步骤一：采用瓦斯浓度传感器、一氧化碳传感器、温度传感器对巷道中的环境参数进行检测；矿井救灾探测机器人根据视觉传感器、超声波传感器、红外传感器信息进行避障；利用GPS定位模块、生命探测仪对井下被困人员进行定位及生命探测。

步骤二：利用卡尔曼滤波对步骤一中的巷道环境信息传感器信息进行滤波处理，根据上一时刻传感器的状态值递推得到下一时刻的估计值。

步骤三：采用Elman神经网络对矿井救灾探测机器人智能控制系统进行映射，以经卡尔曼滤波处理后的各传感器数据作为Elman神经网络的输入，以井下安全等级为Elman神经网络输出，对Elman神经网络进行训练，其网络状态表达式为：

y_t=f([Y _t, I _t, D _t]^T)

式中，以经KF处理后的巷道环境监测数据为输入I _t=[i(t-1),i(t-2),...,i(t-m)]；以安全等级为输出Y _t=[y(t-1),y(t-2),...,y(t-n)]；系统的噪声向量为D _t=[d(t-1),d(t-2),...,d(t-m)]；f(^.)为非线性映射函数；n、m分别为系统的输出及输入阶次。

步骤3.1：对Elman神经网络进行随机初始化，确定网络结构，设置网络参数为初始权值、阈值、网络约束条件、最大迭代次数，初始化网络权值、阈值，并计算Elman神经网络初始网络误差。

步骤3.2：利用果蝇算法确定最优的Elman神经网络的权值、阈值。

步骤3.3：计算Elman网络实际输出与样本输出值之间的训练误差，并更新Elman神经网络的权值、阈值。

步骤3.4：当达到最大迭代次数或网络误差达到设定值时，Elman神经网络停止计算，由此得到最优的矿井巷道环境安全评价模型，输出当前的巷道环境安全等级。

步骤四：将井下巷道的环境安全等级及井下被困人员的位置经无线传感网络传输到地面监控中心，并发出提醒警报。

优选地，步骤二所述的卡尔曼滤波计算过程为：

利用卡尔曼滤波对步骤一中的各传感器信息进行滤波处理，根据上一时刻传感器的状态值及其相应的协方差矩阵P _k-1递推得到下一时刻的估计值：

P _k ^- =AP _k-1 A ^T +Q

式中，A为状态变换矩阵，B为输入控制矩阵，u _k-1为过程观测噪声，Q为激励噪声协方差矩阵。

计算卡尔曼增益K _k ，并由观测变量与估计值的残差计算状态后验估计值，最后得到后验协方差矩阵P _k ：：

K _k =P _k ^- H ^T (HP _k ^- H ^T +R)^-1

P _k =(1—K _k H)P _k ^-

式中，H为观测模型矩阵，R为测量噪声协方差矩阵。

重复上述步骤，不断调整更新步骤中的相关参数，由此利用卡尔曼滤波实现对传感器采集的巷道环境参数数据流进行估计，并实时适应数据流变化，从而达到使采集的传感器数据更准确的目的。

进一步优选地，所述的状态变换矩阵A、过程观测噪声矩阵u _k-1为单位矩阵，激励噪声协方差矩阵Q为0.01倍的单位矩阵。

进一步优选地，步骤三所述的果蝇优化方法Elman神经网络参数过程为：

以ENN的网络参数组成果蝇种群，进行初始化训练，设置相关参数：种群规模、迭代次数为、果蝇个体的初始位置、果蝇遍历次数；

设置果蝇个体初始搜索时的方向及距离为：X _i =X ₁ +Rand，Y _i =Y ₁ +Rand，并估计初始果蝇与食物原点位置的距离D _i =(X _i ²+Y _i ²)^1/2，且以距离的倒数作为食物味道浓度的判定值S _i =D _i ^-1；

将S _i 代入果蝇的味道浓度评价函数F _i 中，求出该位置的浓度T _i =F _i (S _i )并找出味道最浓的果蝇个体[a _F ,a _I ]=minF _i (S _i )；

取最佳味道浓度值F _best =a _F ，并保留X、Y位置坐标，X ₁ =X(a _I )，Y ₁ =Y(a _I )，此时果蝇群体均向该位置聚集；

对上述步骤~进行迭代运算，当果蝇位置的味道浓度优于前一次迭代时的味道浓度，则执行，否则继续迭代，直到达到设定的最大迭代次数；

将运算出的最优果蝇个体位置X ^* 、Y ^* 根据公式Cx _n+1=(x _n —a _i )/(b _i —a _i )，转换成混沌变量CX ^* 、CY ^* [0,1]，然后再根据混沌变换公式进行计算Cx _n+1=4Cx _n (1—Cx _n )，最后重新转换回搜索空间，生成新变量为X ^*′ 、Y ^*′ ；

将X ^*′ 、Y ^*′ 按照步骤~重新进行计算，生成新的味道浓度值，并与前一代相比较，如优于前一代，则保留其浓度值及相应位置，否则执行步骤；

重复执行~，进行迭代寻优运算，当满足W值或达到精度要求时，停止迭代，输出味道浓度最优值及相应的位置信息，以此作为ENN的网络权值及阈值的最优值。

进一步优选地，所述果蝇算法适应度函数为：

式中，、分别为系统在t时刻的Elman神经网络输出值与实际值；N为采集的数据样本个数；T为Elman神经网络输出节点个数。

进一步优选地，所述方法适用于非线性、强耦合、时变性的矿井救灾机器人自适应动态控制过程。

有益效果

本发明技术方案通过应用果蝇优化方法耦合Elman神经网络对矿井救灾探测机器人控制系统进行建模，结合多种传感器进行信息融合，实现了对其进行智能控制。该方法收敛速度快、精度高且具有较好的稳定性及可靠性，为矿井安全研究领域提供了新的思路。

附图说明

图1为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图1，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明采用如下技术方案，一种矿井救灾探测机器人的智能控制方法，包括以下步骤：

步骤一：采用瓦斯浓度传感器、一氧化碳传感器、温度传感器对巷道中的环境参数进行检测；矿井救灾探测机器人根据视觉传感器、超声波传感器、红外传感器信息进行避障；利用GPS定位模块、生命探测仪对井下被困人员进行定位及生命探测。

步骤二：利用卡尔曼滤波对步骤一中的巷道环境信息传感器信息进行滤波处理，根据上一时刻传感器的状态值递推得到下一时刻的估计值。

步骤三：采用Elman神经网络对矿井救灾探测机器人智能控制系统进行映射，以经卡尔曼滤波处理后的各传感器数据作为Elman神经网络的输入，以井下安全等级为Elman神经网络输出，对Elman神经网络进行训练，其网络状态表达式为：

y_t=f([Y _t, I _t, D _t]^T)

式中，以经KF处理后的巷道环境监测数据为输入I _t=[i(t-1),i(t-2),...,i(t-m)]；以安全等级为输出Y _t=[y(t-1),y(t-2),...,y(t-n)]；系统的噪声向量为D _t=[d(t-1),d(t-2),...,d(t-m)]；f(^.)为非线性映射函数；n、m分别为系统的输出及输入阶次。

步骤3.1：对Elman神经网络进行随机初始化，确定网络结构，设置网络参数为初始权值、阈值、网络约束条件、最大迭代次数，初始化网络权值、阈值，并计算Elman神经网络初始网络误差。

步骤3.2：利用果蝇算法确定最优的Elman神经网络的权值、阈值。

步骤3.3：计算Elman网络实际输出与样本输出值之间的训练误差，并更新Elman神经网络的权值、阈值。

步骤3.4：当达到最大迭代次数或网络误差达到设定值时，Elman神经网络停止计算，由此得到最优的矿井巷道环境安全评价模型，输出当前的巷道环境安全等级。

步骤四：将井下巷道的环境安全等级及井下被困人员的位置经无线传感网络传输到地面监控中心，并发出提醒警报。

优选地，步骤二所述的卡尔曼滤波计算过程为：

利用卡尔曼滤波对步骤一中的各传感器信息进行滤波处理，根据上一时刻传感器的状态值及其相应的协方差矩阵P _k-1递推得到下一时刻的估计值：

P _k ^- =AP _k-1 A ^T +Q

式中，A为状态变换矩阵，B为输入控制矩阵，u _k-1为过程观测噪声，Q为激励噪声协方差矩阵。

计算卡尔曼增益K _k ，并由观测变量与估计值的残差计算状态后验估计值，最后得到后验协方差矩阵P _k ：

K _k =P _k ^- H ^T (HP _k ^- H ^T +R)^-1

P _k =(1—K _k H)P _k ^-

式中，H为观测模型矩阵，R为测量噪声协方差矩阵。

重复上述步骤，不断调整更新步骤中的相关参数，由此利用卡尔曼滤波实现对传感器采集的巷道环境参数数据流进行估计，并实时适应数据流变化，从而达到使采集的传感器数据更准确的目的。

进一步优选地，所述的状态变换矩阵A、过程观测噪声矩阵u _k-1为单位矩阵，激励噪声协方差矩阵Q为0.01倍的单位矩阵。

进一步优选地，步骤三所述的果蝇优化方法Elman神经网络参数过程为：

以ENN的网络参数组成果蝇种群，进行初始化训练，设置相关参数：种群规模、迭代次数为、果蝇个体的初始位置、果蝇遍历次数；

设置果蝇个体初始搜索时的方向及距离为：X _i = X ₁ +Rand，Y _i = Y ₁ +Rand，并估计初始果蝇与食物原点位置的距离D _i =(X _i ²+Y _i ²)^1/2，且以距离的倒数作为食物味道浓度的判定值S _i =D _i ^-1；

将S _i 代入果蝇的味道浓度评价函数F _i 中，求出该位置的浓度T _i =F _i (S _i )并找出味道最浓的果蝇个体[a _F ,a _I ]=minF _i (S _i )；

取最佳味道浓度值F _best =a _F ，并保留X、Y位置坐标，X ₁ =X(a _I )，Y ₁ =Y(a _I )，此时果蝇群体均向该位置聚集；

对上述步骤~进行迭代运算，当果蝇位置的味道浓度优于前一次迭代时的味道浓度，则执行，否则继续迭代，直到达到设定的最大迭代次数；

将运算出的最优果蝇个体位置X ^* 、Y ^* 根据公式Cx _n+1=(x _n —a _i )/(b _i —a _i )，转换成混沌变量CX ^* 、CY ^* [0,1]，然后再根据混沌变换公式进行计算Cx _n+1=4Cx _n (1—Cx _n )，最后重新转换回搜索空间，生成新变量为X ^*′ 、Y ^*′ ；

将X ^*′ 、Y ^*′ 按照步骤~重新进行计算，生成新的味道浓度值，并与前一代相比较，如优于前一代，则保留其浓度值及相应位置，否则执行步骤；

重复执行~，进行迭代寻优运算，当满足W值或达到精度要求时，停止迭代，输出味道浓度最优值及相应的位置信息，以此作为ENN的网络权值及阈值的最优值。

进一步优选地，所述果蝇算法适应度函数为：

式中，、分别为系统在t时刻的Elman神经网络输出值与实际值；N为采集的数据样本个数；T为Elman神经网络输出节点个数。

进一步优选地，所述方法适用于非线性、强耦合、时变性的矿井救灾机器人自适应动态控制过程。

本发明技术方案通过应用果蝇优化方法耦合Elman神经网络对矿井救灾探测机器人控制系统进行建模，结合多种传感器进行信息融合，实现了对其进行智能控制。该方法收敛速度快、精度高且具有较好的稳定性及可靠性，为矿井安全研究领域提供了新的思路。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种矿井救灾探测机器人的智能控制方法，其特征在于，包括以下步骤：

步骤一：采用瓦斯浓度传感器、一氧化碳传感器、温度传感器对巷道中的环境参数进行检测；矿井救灾探测机器人根据视觉传感器、超声波传感器、红外传感器信息进行避障；利用GPS定位模块、生命探测仪对井下被困人员进行定位及生命探测；

步骤二：利用卡尔曼滤波对步骤一中的巷道环境信息传感器信息进行滤波处理，根据上一时刻传感器的状态值递推得到下一时刻的估计值；

步骤三：采用Elman神经网络对矿井救灾探测机器人智能控制系统进行映射，以经卡尔曼滤波处理后的各传感器数据作为Elman神经网络的输入，以井下安全等级为Elman神经网络输出，对Elman神经网络进行训练，其网络状态表达式为：

y_t=f([Y_t, I_t, D_t]^T)

式中，以经KF处理后的巷道环境监测数据为输入I_t=[i(t-1),i(t-2),...,i(t-m)]；以安全等级为输出Y_t=[y(t-1),y(t-2),...,y(t-n)]；系统的噪声向量为D_t=[d(t-1),d(t-2),...,d(t-m)]；f(^.)为非线性映射函数；n、m分别为系统的输出及输入阶次；

步骤3.1：对Elman神经网络进行随机初始化，确定网络结构，设置网络参数为初始权值、阈值、网络约束条件、最大迭代次数，初始化网络权值、阈值，并计算Elman神经网络初始网络误差；

步骤3.2：利用果蝇算法确定最优的Elman神经网络的权值、阈值；

步骤3.3：计算Elman网络实际输出与样本输出值之间的训练误差，并更新Elman神经网络的权值、阈值；

步骤3.4：当达到最大迭代次数或网络误差达到设定值时，Elman神经网络停止计算，由此得到最优的矿井巷道环境安全评价模型，输出当前的巷道环境安全等级；

将井下巷道的环境安全等级及井下被困人员的位置经无线传感网络传输到地面监控中心，并发出提醒警报。

2.如权利要求1所述的方法，其特征在于，步骤二所述的卡尔曼滤波计算过程为：

利用卡尔曼滤波对步骤一中的各传感器信息进行滤波处理，根据上一时刻传感器的状态值及其相应的协方差矩阵P_k-1递推得到下一时刻的估计值：

P_k ^-=AP_k-1A^T+Q

式中，A为状态变换矩阵，B为输入控制矩阵，u_k-1为过程观测噪声，Q为激励噪声协方差矩阵。

K_k=P_k ^-H^T(HP_k ^-H^T+R)^-1

式中，卡尔曼增益为K_k，H为观测模型矩阵，R为测量噪声协方差矩阵。

由观测变量与估计值的残差计算状态后验估计值，最后得到后验协方差矩阵P_k：

P_k=(1—K_kH)P_k ^-

重复上述步骤，不断调整更新步骤中的相关参数，由此利用卡尔曼滤波实现对传感器采集的巷道环境参数数据流进行估计，并实时适应数据流变化，从而达到使采集的传感器数据更准确的目的。

3.根据权利要求2所述的方法，其特征在于，所述的状态变换矩阵A、过程观测噪声矩阵u_k-1为单位矩阵，激励噪声协方差矩阵Q为0.01倍的单位矩阵。

4.根据权利要求1所述的方法，其特征在于，步骤3.2所述的果蝇优化方法Elman神经网络参数过程为：

以ENN的网络参数组成果蝇种群，进行初始化训练，设置相关参数：种群规模、迭代次数为、果蝇个体的初始位置、果蝇遍历次数；

设置果蝇个体初始搜索时的方向及距离为：X_i= X₁+Rand，Y_i= Y₁+Rand，并估计初始果蝇与食物原点位置的距离D_i=(X_i ²+Y_i ²)^1/2，且以距离的倒数作为食物味道浓度的判定值S_i=D_i ^-1；

将S_i代入果蝇的味道浓度评价函数F_i中，求出该位置的浓度T_i=F_i(S_i)并找出味道最浓的果蝇个体[a_F,a_I]=minF_i(S_i)；

取最佳味道浓度值F_best=a_F，并保留X、Y位置坐标，X₁=X(a_I)，Y₁=Y(a_I)，此时果蝇群体均向该位置聚集；

对上述步骤~进行迭代运算，当果蝇位置的味道浓度优于前一次迭代时的味道浓度，则执行，否则继续迭代，直到达到设定的最大迭代次数；

将运算出的最优果蝇个体位置X^*、Y^*根据公式Cx_n+1=(x_n—a_i)/(b_i—a_i)，转换成混沌变量CX^*、CY^* [0,1]，然后再根据混沌变换公式进行计算Cx_n+1=4Cx_n(1—Cx_n)，最后重新转换回搜索空间，生成新变量为X^*′、Y^*′；

将X^*′、Y^*′按照步骤~重新进行计算，生成新的味道浓度值，并与前一代相比较，如优于前一代，则保留其浓度值及相应位置，否则执行步骤；

重复执行~，进行迭代寻优运算，当满足W值或达到精度要求时，停止迭代，输出味道浓度最优值及相应的位置信息，以此作为ENN的网络权值及阈值的最优值。

5.根据权利要求4所述的方法，其特征在于，所述果蝇算法味道浓度评价函数为：

式中，、分别为系统在t时刻的Elman神经网络输出值与实际值；N为采集的数据样本个数；T为Elman神经网络输出节点个数。

6.根据权利要求1所述的方法，其特征在于，所述方法适用于非线性、强耦合、时变性的矿井救灾机器人自适应动态控制过程。