CN109555521A - 一种掘进机截割头复合定位方法 - Google Patents
一种掘进机截割头复合定位方法 Download PDFInfo
- Publication number
- CN109555521A CN109555521A CN201910086983.8A CN201910086983A CN109555521A CN 109555521 A CN109555521 A CN 109555521A CN 201910086983 A CN201910086983 A CN 201910086983A CN 109555521 A CN109555521 A CN 109555521A
- Authority
- CN
- China
- Prior art keywords
- magnetic
- cutterhead
- infrared
- positioning
- oriented
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005520 cutting process Methods 0.000 title claims abstract description 18
- 230000005291 magnetic effect Effects 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 14
- 150000001875 compounds Chemical class 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 11
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 239000000796 flavoring agent Substances 0.000 claims description 3
- 235000019634 flavors Nutrition 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 239000002893 slag Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 13
- 230000005294 ferromagnetic effect Effects 0.000 abstract description 6
- 239000000428 dust Substances 0.000 abstract description 4
- 230000006698 induction Effects 0.000 abstract description 4
- 239000012141 concentrate Substances 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
- E21C35/24—Remote control specially adapted for machines for slitting or completely freeing the mineral
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mechanical Engineering (AREA)
- Control Of Position Or Direction (AREA)
Abstract
本发明公开了一种基于红外与磁场定位的掘进机截割头复合定位方法。本发明中的磁场定位部分首先通过带有固定永磁体的截割头在遍历工作空间，由红外定位模块实时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据，然后通过深度学习算法构建磁场定位模型。通过红外定位和磁场定位的结合，克服了掘进机工作时的高浓度粉尘造成的低可见度环境影响以及掘进机机体铁磁质的影响，解决了掘进机截割头的实时定位问题。
Description
技术领域
本发明涉及一种掘进机截割头定位方法。具体的说，本发明涉及一种由基于几何光学的红外定位和基于FOA-BP算法的磁场定位构成的掘进机截割头复合定位方法。
背景技术
随着采矿业的发展，自动化、智能化掘进和采煤是大势所趋，而对掘进机截割头的实时定位是智能化掘进的前提。但由于掘进机在工作过程中，会产生大量粉尘，并且截割头有时会埋没于矿渣之下，传统的光学定位方法无法适应这样的恶劣环境。利用红外定位方法可在粉尘较低情况下完成高精度定位，但当截割头被埋没及被掘进机机身遮挡时，红外定位方法失效，穿透力较强的磁场定位就是一种选择。
磁场定位虽然具有穿透力强，不受可见度影响的优点，但是因为掘进机整体为铁磁质，矿井下铁磁环境很复杂，所以传统磁场定位精度很差。而将磁场定位与FOA-BP算法相结合，可以很好的消除铁磁质的影响，大幅度提高定位精度。
发明内容
本发明公开了一种基于红外与磁场定位的掘进机截割头复合定位方法，解决了掘进机工作过程中的截割头定位问题，为进一步实现自动掘进提供了技术基础。定位系统包括由多组红外摄像机构成的红外定位模块、由多个三轴磁场传感器组成的磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。由于铁磁质掘进机机体的影响，传统的基于毕奥-萨伐尔定律的磁场定位并不适用。本方法中的磁场定位部分首先通过带有固定永磁体的截割头在遍历工作空间，由红外定位模块实时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据，然后通过机器学习算法构建磁场定位模型。通过红外定位和磁场定位的结合，克服了掘进机工作时的高浓度粉尘造成的低可见度环境影响以及掘进机机体铁磁质的影响，解决了掘进机截割头的实时定位问题。
本发明提供的具体技术内容是：
一种掘进机截割头复合定位系统，定位系统包括红外定位模块、磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。所述红外定位模块用于对截割头进行红外定位；所述磁场定位模块用于对截割头进行磁场定位；所述磁源用于将截割头的位置数据传送给磁场定位模块；所述含有复合定位模型的终端处理器用于对获得位置数据进行处理；所述位置数据包括红外定位模块获得的红外位置数据，以及磁场定位模块获得的磁场位置数据。
优选地，所述红外定位模块包括至少两个红外摄像头以及配套的数据采集器，所述至少两个红外摄像头位于截割头后上方，且平行放置，光心间距为25cm。
优选地，所述磁场定位模块包括至少两个三轴数字磁场传感器，分别放置于掘进机机身两侧。
优选地，磁源固定于截割头后方，与截割头一起运动，通过磁源的运动影响所述磁场传感器获得的磁场强度。所述磁源为永磁体或电磁铁。
本发明公开的定位方法为：磁场定位部分首先通过带有固定永磁体的截割头遍历工作空间，由红外定位模块实时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据，然后通过FOA-BP算法构建磁场定位模型。红外定位方法基于几何光学原理，不设置红外光源，对工作过程中因摩擦产热进而产生红外辐射的截割头进行定位。通过红外定位和磁场定位的结合，用磁场定位结果填补红外定位丢失的定位点，解决掘进机截割头的实时定位问题。
为保证定磁场定位模型的有效范围，红外定位模块O的有效定位范围要略大于预期磁场定位范围；红外定位模块O由不少于两组的红外摄像头构成，通过轮廓检测算法、目标光源判定算法、最小外接圆及圆心确定算法和基于几何光学的三维定位算法得到目标的三维坐标。
为保证足够的定位精度，磁场定位模块S，由固定于掘进机独立于截割头运动部分外的机身上或跟随掘进机移动的滑竿上的不少于两个的三轴磁场传感器，以及由红外定位模型和磁场传感器获取训练数据，使用FOA-BP算法由训练数据获得的磁场定位模型组成。
优选地，所述FOA-BP算法包括以下步骤：
步骤一，确定BP的拓扑结构。并初始化BP的N各权值阈值。
步骤二，建立N个果蝇群体，每个群体的个体数为P，与N个权值阈值一一对应。
步骤三，初始化各个种群个体初始位置，xij＝x0，yij＝y0。
步骤四，赋予果蝇个体搜索最优值的随机方向和距离。
步骤五，计算每个果蝇于原点的距离D以及味道浓度S。Dij＝sqrt(xij^2+yij^2)，Sij＝1/Dij。
步骤六，Sij交叉作为BP的权值和阈值，带入训练，并分别求输出值与期望值的均方误差M。
步骤七，求得M最小的Sij组合。
步骤八，判断步骤七中的M是否小于历史最小M，如果否，则执行步骤十，如果是，则执行步骤九。
步骤九，以本次值更新Sij，xij，yij。
步骤十，判断是否达到最大迭代次数，如果是，则执行步骤十一，如果否，则执行步骤四。
步骤十一，以最优Sij组合为BP最优权值阈值。
步骤十二，计算均方误差。
步骤十三，判断是否达到预期精度，如果否，则执行步骤十四，如果是，则执行步骤十六。
步骤十四，判断是否均方误差已连续设定次数不再下降，如果否，执行步骤十五，如果是，执行步骤十六。
步骤十五，判断是否达到最大迭代次数，如果是，执行步骤十六，如果否，执行步骤十七。
步骤十六，以当前权值阈值确定BP模型并保存。
步骤十七，梯度下降法更新权值阈值，并返回步骤十二。
为保证磁场定位精度以及有效时间，固定于截割头后方的磁源M可使用永磁体或电磁铁产生较强的磁场，并可在不影响截割头工作的前提下固定于截割头后方，随截割头一起运动。
为处理各模块数据，并可视化定位结果，含有复合定位模型的终端处理器C由终端主机或嵌入式系统和显示器构成的硬件部分以及由磁场定位模型、红外定位模型、红外定位丢失判定算法、定位结果显示程序构成的软件部分构成。
采用本发明的复合定位系统及方法对截割头进行定位，能够获得精准的定位结果；现对于现有技术的定位结果，定位精度大幅度地提高，且不受工况的影响，能够在复杂的工况下进行工作，不会出现对截割头跟踪丢失的情况。
附图说明
图1定位系统示意图；
图2a相机坐标与图像坐标关系；
图2b摄像机与测量点的几何关系；
图3FOA-BP算法流程图；
图4复合定位框图；
图5复合定位坐标与实际坐标对比图。
具体实施方式
下面结合附图，通过实施案例对本发明进行进一步详细说明，但不以任何方式限制本发明的范围。
本发明中实施案例中的定位系统包括由多组红外摄像机构成的红外定位模块、由多个三轴磁场传感器组成的磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。
如图1所示，红外定位模块由两个红外摄像头3以及配套数据采集器构成，置于掘进机机身上方；磁场定位模块由两个三轴数字磁场传感器6组成，置于掘进机机身两侧；磁源2为圆形D100X20mmN35钕磁铁，固定于掘进机截割头1的后方；终端处理器使用台式电脑7，显示屏置于掘进机驾驶位前方。
本发明提供一种基于红外与磁场定位的掘进机截割头复合定位系统，定位系统包括红外定位模块、磁场定位模块、以及含有复合定位模型的终端处理器。
所述红外定位模块O中，两个红外摄像头3平行放置，光心间距25cm。由图2所示，根据几何光学原理，可以求得目标物三维坐标。
所述磁场定位模块S中，两个三轴数字磁场传感器6分别放置于掘进机机身两侧，位置不做特别要求，但需要保证训练过程和定位过程中，磁场传感器6位置保持不变，可以通过常规的固定手段，将磁场传感器6固定在掘进机机身的两侧，其随着掘进机一起运动，并保持与机身的相对位置恒定不变。
磁源M为圆形D100X20mmN35钕磁铁2，固定于截割头后方。注意磁源M不能影响截割头工作。并且在训练过程中与定位过程中，磁源M需保持一致。由于磁源M(即磁铁2)的运动代表了截割头1的运动，即磁源M随截割头1一起运动，磁源M的运动轨迹就是截割头1的运动轨迹(这里的截割头运动中，应该将截割头作为一个质点，而不是转体)，因此磁源M固定位置相对于截割头需保持不变。
终端处理器用于将位置数据进行处理，所述位置数据包括红外摄像头获得的截割头的红外位置数据，以及磁场定位模块获得的截割头的磁场位置数据。在终端处理器中，通过红外定位方法对红外位置数据进行处理获得截割头的位置，通过磁场定位方法对磁场位置数据进行处理获得截割头的位置，并将截割头的位置进行显示。
以上是本发明的掘进机截割头定位系统的具体组成。下面将详细介绍本发明的定位方法。
定位方法分为磁场定位、红外定位及红外与磁场复合定位三个部分。
磁场定位需要预先训练定位模型，本实施例中首先通过带有固定永磁体的截割头在遍历工作空间，由红外定位模块时时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据。因为掘进机机身等铁磁质影响，磁场在空间内分布并不平滑，所以常规BP(BackPropagation)算法收敛速度很慢，且容易陷入局部最小值。因此，本发明通过FOA算法对BP算法进行优化，形成FOA-BP算法，通过训练数据构建磁场定位模型。
上述FOA-BP算法流程图如附图3所示。所述FOA-BP算法包括以下步骤：
步骤一，确定BP的拓扑结构。并初始化BP的N各权值阈值。
步骤二，建立N个果蝇群体，每个群体的个体数为P，与N个权值阈值一一对应。
步骤三，初始化各个种群个体初始位置，xij＝x0，yij＝y0。
步骤四，赋予果蝇个体搜索最优值的随机方向和距离。
步骤五，计算每个果蝇于原点的距离D以及味道浓度S。Dij＝sqrt(xij^2+yij^2)，Sij＝1/Dij。
步骤六，Sij交叉作为BP的权值和阈值，带入训练，并分别求输出值与期望值的均方误差M。
步骤七，求得M最小的Sij组合。
步骤八，判断步骤七中的M是否小于历史最小M，如果否，则执行步骤十，如果是，则执行步骤九。
步骤九，以本次值更新Sij，xij，yij。
步骤十，判断是否达到最大迭代次数，如果是，则执行步骤十一，如果否，则执行步骤四。
步骤十一，以最优Sij组合为BP最优权值阈值。
步骤十二，计算均方误差。
步骤十三，判断是否达到预期精度，如果否，则执行步骤十四，如果是，则执行步骤十六。
步骤十四，判断是否均方误差已连续设定次数不再下降，如果否，执行步骤十五，如果是，执行步骤十六。
步骤十五，判断是否达到最大迭代次数，如果是，执行步骤十六，如果否，执行步骤十七。
步骤十六，以当前权值阈值确定BP模型并保存。
步骤十七，梯度下降法更新权值阈值，并返回步骤十二。
以上是磁场定位方法的具体流程，其通过FOA-BP算法网络，利用优化算法，从而能够准确地获得目标物体的位置，在红外定位效果较差时，可以用于目标物体的定位。
下面介绍红外定位方法。
红外定位基于几何光学原理，通过分析两个红外相机成像的像差，可以求得目标物三维坐标，如图2a-2b所示。对于一个相机而言，从相机坐标系到图像坐标系可以看作透视投影关系，如图2a所示；相机坐标系记为OC-XCYCZC，图像坐标系记为o-xyz；根据相似三角形知识可知：AB/oC＝AOC/oOC＝PB/pc＝XC/x＝ZC/f＝Yc/y；由此可得：
x＝f*XC/ZC…………...………………………………………..(1)
y＝f*YC/ZC…………………………………………………….(2)
左右两摄像机关系如图2b所示。
设两相机间距b，世界坐标系原点在两摄像机中心连线正中心，测量点的世界坐标记为(X，Y，Z)。XYZ方向与XCYCZC相同。左相机坐标记为(XCl，YCl，ZCl)，右相机坐标记为(XCr，YCr，ZCr)。左图像坐标记为(xl，yl，zl)，右图像坐标记为(xr，yr，zr)；上述测量点的坐标与左右相机的坐标有如下关系：
X＝XCl+b/2＝XCr-b/2…………………………………………..(3)
Y＝YCl＝YCr………………………………………………(4)
Z＝ZCl＝ZCr……………………………………………….(5)
根据公式(1)-(5)可以解得测量点的位置坐标。
复合定位方法包括结合红外定位与磁场定位结果，如图4所示，当红外定位结果丢失，或轨迹明显不连续时，使用磁场定位结果代替红外定位结果输出到显示屏。
本发明在掘进机模拟实际工作过程中定位结果如图5所示，由图5可知，利用上述复合定位方法获得的目标物体的运动轨迹与其实际运动轨迹很好地吻合，其误差率可以控制在设定的误差范围内。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种掘进机截割头复合定位方法，其特征在于：所述复合定位方法包括红外定位方法和磁场定位方法；所述红外定位方法基于几何光学方法对工作过程中因摩擦产热进而产生红外辐射的截割头进行定位；所述磁场定位方法利用处理器中的学习算法对样本进行训练后构建定位模型，使用所述定位模型对截割头进行磁场定位；所述学习算法为FOA-BP算法，所述定位模型使用FOA-BP算法训练，利用样本数据进行训练后获得定位模型，该定位模型用于对截割头进行磁场定位，通过磁场传感器获得对应不同位置处的磁源的磁场强度数据，该定位模型利用该磁场强度数据从而获得截割头的空间位置。在截割头的定位过程中磁场定位结果用以填补红外定位因掘进机机身遮挡或截割头埋没于矿渣中时丢失的定位点。其中，所述FOA-BP算法包括以下步骤：
步骤一，确定BP的拓扑结构。并初始化BP的N各权值阈值；
步骤二，建立N个果蝇群体，每个群体的个体数为P，与N个权值阈值一一对应；
步骤三，初始化各个种群个体初始位置，xij＝x0，yij＝y0；
步骤四，赋予果蝇个体搜索最优值的随机方向和距离；
步骤五，计算每个果蝇于原点的距离D以及味道浓度S；Dij＝sqrt(xij^2+yij^2)，Sij＝1/Dij；
步骤六，Sij交叉作为BP的权值和阈值，带入训练，并分别求输出值与期望值的均方误差M；
步骤七，求得M最小的Sij组合；
步骤八，判断步骤七中的M是否小于历史最小M，如果否，则执行步骤十，如果是，则执行步骤九。
步骤九，以本次值更新Sij，xij，yij；
步骤十，判断是否达到最大迭代次数，如果是，则执行步骤十一，如果否，则执行步骤四；
步骤十一，以最优Sij组合为BP最优权值阈值；
步骤十二，计算均方误差；
步骤十三，判断是否达到预期精度，如果否，则执行步骤十四，如果是，则执行步骤十六。
步骤十四，判断是否均方误差已连续设定次数不再下降，如果否，执行步骤十五，如果是，执行步骤十六。
步骤十五，判断是否达到最大迭代次数，如果是，执行步骤十六，如果否，执行步骤十七。
步骤十六，以当前权值阈值确定BP模型并保存。
步骤十七，梯度下降法更新权值阈值，并返回步骤十二。
2.一种掘进机截割头复合定位系统，利用权利要求1所述的定位方法进行定位，其特征在于：所述复合定位系统包括红外定位模块、磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。所述红外定位模块用于对截割头进行红外定位；所述磁场定位模块用于对截割头进行磁场定位；所述磁源用于将截割头的位置数据传递给磁场定位模块；所述含有复合定位模型的终端处理器用于对获得位置数据进行处理；所述位置数据包括红外定位模块获得的红外位置数据，以及磁场定位模块获得的磁场位置数据。
3.根据权利要求2所述的定位系统，其特征在于，所述红外定位模块包括至少两个红外摄像头以及配套的数据采集器，所述至少两个红外摄像头位于截割头后方，且与机身相对位置关系固定后，在定位过程中不再变更。
4.根据权利要求3所述的定位系统，其特征在于，所述磁场定位模块包括至少两个三轴磁场传感器，分别放置于掘进机机身两侧或与机身同步运动的滑轨以及支架上。
5.根据权利要求4所述的定位系统，其特征在于，磁源固定于截割头后方，与截割头一起运动，通过磁源的运动影响所述磁场传感器获得的磁场强度。所述磁源为永磁体或电磁铁。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910086983.8A CN109555521A (zh) | 2019-01-29 | 2019-01-29 | 一种掘进机截割头复合定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910086983.8A CN109555521A (zh) | 2019-01-29 | 2019-01-29 | 一种掘进机截割头复合定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109555521A true CN109555521A (zh) | 2019-04-02 |
Family
ID=65873970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910086983.8A Pending CN109555521A (zh) | 2019-01-29 | 2019-01-29 | 一种掘进机截割头复合定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109555521A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110513120A (zh) * | 2019-08-17 | 2019-11-29 | 冀中能源峰峰集团有限公司 | 一种掘进机截割头自适应定位系统及方法 |
| CN111553948A (zh) * | 2020-04-27 | 2020-08-18 | 冀中能源峰峰集团有限公司 | 一种基于双示踪物的掘进机截割头定位系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647265A (zh) * | 2016-12-12 | 2017-05-10 | 辽宁工程技术大学 | 一种矿井救灾探测机器人的智能控制方法 |
| CN107463959A (zh) * | 2017-08-05 | 2017-12-12 | 国网江西省电力公司电力科学研究院 | 一种基于bp神经网络的果实蝇识别方法 |
| CN107907872A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 基于自适应变异果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法 |
| CN108871375A (zh) * | 2018-04-24 | 2018-11-23 | 北京大学 | 一种三维空间磁定位系统的标定系统和方法 |
| CN109083887A (zh) * | 2018-09-13 | 2018-12-25 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
| CN210033427U (zh) * | 2018-12-18 | 2020-02-07 | 冀中能源峰峰集团有限公司 | 一种掘进机截割头复合定位系统 |
-
2019
- 2019-01-29 CN CN201910086983.8A patent/CN109555521A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647265A (zh) * | 2016-12-12 | 2017-05-10 | 辽宁工程技术大学 | 一种矿井救灾探测机器人的智能控制方法 |
| CN107463959A (zh) * | 2017-08-05 | 2017-12-12 | 国网江西省电力公司电力科学研究院 | 一种基于bp神经网络的果实蝇识别方法 |
| CN107907872A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 基于自适应变异果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法 |
| CN108871375A (zh) * | 2018-04-24 | 2018-11-23 | 北京大学 | 一种三维空间磁定位系统的标定系统和方法 |
| CN109083887A (zh) * | 2018-09-13 | 2018-12-25 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
| CN210033427U (zh) * | 2018-12-18 | 2020-02-07 | 冀中能源峰峰集团有限公司 | 一种掘进机截割头复合定位系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110513120A (zh) * | 2019-08-17 | 2019-11-29 | 冀中能源峰峰集团有限公司 | 一种掘进机截割头自适应定位系统及方法 |
| CN110513120B (zh) * | 2019-08-17 | 2020-12-29 | 冀中能源峰峰集团有限公司 | 一种掘进机截割头自适应定位系统及方法 |
| CN111553948A (zh) * | 2020-04-27 | 2020-08-18 | 冀中能源峰峰集团有限公司 | 一种基于双示踪物的掘进机截割头定位系统及方法 |
| CN111553948B (zh) * | 2020-04-27 | 2023-01-17 | 冀中能源峰峰集团有限公司 | 一种基于双示踪物的掘进机截割头定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103867205B (zh) | 一种掘进机远程控制系统及方法 | |
| CN106557844B (zh) | 一种焊接机器人路径规划方法 | |
| CN111140231B (zh) | 面向综采装备时空运动学的煤层顶底板路径虚拟规划方法 | |
| CN107831777A (zh) | 一种飞行器自主避障系统、方法及飞行器 | |
| CN106845515A (zh) | 基于虚拟样本深度学习的机器人目标识别和位姿重构方法 | |
| CN110509300A (zh) | 基于三维视觉引导的钢箍加工上料控制系统及控制方法 | |
| CN108286949A (zh) | 一种可移动式三维检测机器人系统 | |
| CN109352658A (zh) | 工业机器人定位操控方法、系统及计算机可读存储介质 | |
| CN109555521A (zh) | 一种掘进机截割头复合定位方法 | |
| CN106089201A (zh) | 一种用于无人化采煤工作面的截割路径规划方法 | |
| CN109767477A (zh) | 一种精确定位系统及方法 | |
| CN109910011A (zh) | 一种基于多传感器的机械臂避障方法和机械臂 | |
| CN111061266A (zh) | 一种实时场景分析和空间避障的夜间值守机器人 | |
| CN210033427U (zh) | 一种掘进机截割头复合定位系统 | |
| CN106863259A (zh) | 一种轮式多机械手智能捡球机器人 | |
| CN207163422U (zh) | 一种管片自动识别抓取装置 | |
| CN109538208A (zh) | 一种掘进机截割头复合定位系统及方法 | |
| CN115299245B (zh) | 一种智能水果采摘机器人的控制方法及控制系统 | |
| CN113982690A (zh) | 基于锚护作业的控制方法及装置、系统、掘锚护一体机 | |
| CN110433467A (zh) | 基于双目视觉和蚁群算法的捡乒乓球机器人运行方法及设备 | |
| CN109709497A (zh) | 一种高精度定位系统及方法 | |
| CN104019761B (zh) | 一种基于玉米植株三维形态获取装置的玉米植株三维形态获取方法 | |
| CN113280703B (zh) | 一种基于bim技术的钻爆施工隧道超欠挖控制方法 | |
| CN206643905U (zh) | 一种轮式多机械手智能捡球机器人 | |
| CN109352649A (zh) | 一种基于深度学习的机械手控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |