CN115049646B - 一种用于煤矿用钻进机器人设备的智能控制方法 - Google Patents
一种用于煤矿用钻进机器人设备的智能控制方法 Download PDFInfo
- Publication number
- CN115049646B CN115049646B CN202210964423.XA CN202210964423A CN115049646B CN 115049646 B CN115049646 B CN 115049646B CN 202210964423 A CN202210964423 A CN 202210964423A CN 115049646 B CN115049646 B CN 115049646B
- Authority
- CN
- China
- Prior art keywords
- drilling
- robot
- superpixel
- optimal
- growth
- 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.)
- Active
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 395
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003245 coal Substances 0.000 title claims abstract description 22
- 239000011435 rock Substances 0.000 claims abstract description 88
- 239000012634 fragment Substances 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 8
- 230000035515 penetration Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 17
- 238000012216 screening Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Quality & Reliability (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及煤矿钻进技术领域,具体涉及一种用于煤矿用钻进机器人设备的智能控制方法。该方法首先通过对不同种类的岩层进行钻进试验得到钻进参数专家数据库,然后在所得数据库中寻找与钻进机器人当前作业要求最相近的钻进参数从而确定钻进机器人的初始钻速和初始钻压;后续,根据钻进机器人钻进作业过程中的实时作业参数以及由钻进所产生的岩石碎屑的轮廓与大小状态而确定的钻进效率,分别对初始钻速和初始钻压进行调节以确定最优钻速和最优钻压,以最优钻速和最优钻压控制钻进机器人使其处于可达到最佳钻进效果的状态中,提高钻进机器人的钻进效果。
Description
技术领域
本发明涉及煤矿钻进技术领域,具体涉及一种用于煤矿用钻进机器人设备的智能控制方法。
背景技术
煤矿开采过程中钻进机器人也即钻机的运用已经普及,当前钻机初步具备了自适应钻进的功能,能实现压力及速度双参数制约的自动钻进,具体如,在钻进岩石时以恒压钻进,钻进煤层时以恒速钻进,或者在面对其它的非常规地质,如极软煤、地质构造复杂等地质时,再由工作人员通过操作界面手动设置恒压或恒速模式,以及恒压或恒速的具体大小。
可以看出,当前钻机仅能按照工作人员设定的参数进行自适应调节,而并不能按照实际的最佳钻进效果进行自适应调节,由于工作人员凭经验给出的参数往往并不完全贴合最佳钻进效果下的对应参数,且最佳钻进效果下的对应参数还很可能是动态变化的,所以当前钻机的该种自适应钻进方法,并没有达到最佳的钻进效果。
发明内容
为提高煤矿用钻进机器人的钻进效果,本发明提供了一种用于煤矿用钻进机器人设备的智能控制方法,所采用的技术方案具体如下:
本发明的一种用于煤矿用钻进机器人设备的智能控制方法,包括以下步骤:
建立钻进机器人的钻进参数专家数据库,所述钻进参数专家数据库包括多个钻进参数,所述钻进参数通过对不同种类的岩层进行钻进试验得到,每个钻进参数包括不同钻进深度、钻进倾角、钻进岩性种类下所对应的钻速和钻压;
在钻进参数专家数据库中寻找与钻进机器人作业要求最接近的钻进参数,以所述最接近的钻进参数中的钻速和钻压作为钻进机器人的初始钻速和初始钻压,所述作业要求包括所要求的钻进深度、钻进倾角以及钻进岩性种类;
所述最接近的钻进参数,是指所有钻进参数中与所述作业要求在钻进深度、钻进倾角以及钻进岩性种类三方面的整体差值最小的钻进参数;根据钻进机器人中发动机的当前转速、钻进机器人实时钻进深度以及与钻头接触的钻进岩性种类,调节初始钻速得到最优钻速,所述钻进岩性种类通过获取钻进岩层表面图像后将所获取的钻进岩层表面图像输入训练好的神经网络确定;
采集钻进过程中所产生的岩石碎屑的图像并灰度化处理,得到岩石碎屑灰度图像,基于连续获取的岩石碎屑灰度图像以帧差法得到包含每个岩石碎屑的灰度差值图像;
根据灰度差值图像中不同岩石碎屑之间的轮廓相似性确定钻进机器人的钻进效率,并对所述钻进效率进行归一化处理得到归一化钻进效率,当归一化钻进效率大于归一化钻进效率阈值,则以初始钻压作为最优钻压,当归一化钻进效率不大于归一化钻进效率阈值,则对初始钻压进行调节:
控制钻进机器人在当前控制周期中以所述最优钻速和所述最优钻压进行钻进作业,在其它控制周期开始时计算与其它控制周期对应的最优钻速和最优钻压,以其它控制周期对应的最优钻速和最优钻压控制钻进机器人完成其它控制周期的钻进作业,实现对整个钻进作业过程中的智能控制。
本发明的有益效果为:
本发明首先根据对不同种类的岩层进行钻进试验得到钻进参数,然后以所得钻进参数构建钻进机器人的钻进参数专家数据库,根据钻进机器人当前的钻进要求在钻进参数专家数据库中寻找与钻进要求最接近的钻进参数,从而以最接近的钻进参数中的钻速和钻压作为当前钻进作业的初始钻压和初始钻速,使本次钻进作业一开始的作业状态便尽可能靠近最佳钻进效果下所对应的作业状态;后续,本发明又根据钻进过程中的实时作业参数对初始钻速进行调节确定了符合当前作业状态的最优钻速,并根据由钻进所产生的岩石碎屑的轮廓与大小而得到的钻进效率对初始钻压进行调节确定了符合当前作业状态的最优钻压,以实时得到的最优钻压和最优钻速控制钻进机器人进行钻进作业,便可使钻进机器人在钻进过程中保持在可达到最佳钻进效果的状态中,从而提高钻进机器人的钻进效果。
进一步的,所述最优钻速为:
进一步的,对所述灰度差值图像进行超像素分割,得到若干超像素块,并计算相邻的超像素块E与超像素块R之间的相关性,具体为:
其中,XG为两相邻超像素块E与超像素块R之间的相关性,表示超像素块E与超像素块R共有边缘上的像素点个数,表示共有边缘上第i个像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值;
按照确定相关性XG的方法计算任意两个相邻超像素块之间的相关性,并判断所得相关性与设定的相关性阈值的大小,当相关性大于相关性阈值则将该相关性对应的两个相邻超像素块融合成为一个超像素块,当相关性不大于相关性阈值则不进行融合;
重复根据任意两个相邻超像素块之间的相关性而对两个相邻超像素块进行融合的过程,直到所有任意两个相邻超像素块之间的相关性都不大于相关性阈值,得到与实际的岩石碎屑数量相同的若干个融合超像素块;
以所得融合超像素块之间的轮廓相似性确定钻进机器人的钻进效率:
进一步的,在以所得融合超像素块之间的轮廓相似性确定钻进机器人的钻进效率之前,还包括对融合超像素块边缘进行改进的步骤:
计算融合超像素块边缘上每个像素点的设定邻域内所有非边缘像素点的灰度方差,并对所得方差进行归一化处理得到归一化方差,若归一化方差大于设定的归一化方差阈值,则保留该像素点,若归一化方差不大于设定的归一化方差阈值,则将该像素点从融合超像素块的边缘上删除,得到若干个融合超像素块的边缘线段;
将两个相邻边缘线段中靠近另一个边缘线段的两个端点分别作为生长起点以及生长终点,以生长起点到生长终点的直线方向为目标方向,将与目标方向的偏离角度小于设定角度值的方向作为生长方向,在生长方向上确定生长起点的所有相邻像素点,计算每个相邻像素点的设定邻域内所有像素点的灰度方差,以最大灰度方差所对应的相邻像素点为生长点,在生长点的基础上重复由生长起点得到生长点的生长过程,直到生长位置到达所述生长终点,完成两个相邻边缘线段的生长连接;
以相邻边缘线段的生长连接方法完成所有任意两个相邻边缘线段的生长连接,得到改进后的融合超像素块,完成对融合超像素块边缘的改进。
附图说明
图1是本发明该种用于煤矿用钻进机器人设备的智能控制方法的流程图。
具体实施方式
本发明整体构思为:
首先根据先验知识建立钻进机器人的钻进参数专家数据库,以钻进机器人当前的作业要求从专家数据库中确定当前作业要求下最合适的初始钻速和初始钻压。然后根据当前实时钻进深度、发动机转速和岩层的岩性实时调节初始钻速得到最优钻速,并同时根据钻进所产生的岩石碎屑之间的轮廓相似性得到当前钻进效率,以所得钻进效率的大小来调节初始钻压后得到最优钻压,然后以所得最优钻速和最优钻压完成当前控制周期中钻进机器人的钻进作业控制,并在下一控制周期开始时再次计算对应的最优钻速和最优钻压,以完成下一控制周期中钻进机器人的钻进作业控制,最终实现钻进机器人的智能控制,使钻进机器人在整个钻进作业过程中达到最佳钻进效果。
下面结合附图及实施例,对本发明的一种用于煤矿用钻进机器人设备的智能控制方法进行详细说明。
方法实施例:
本发明的一种用于煤矿用钻进机器人设备的智能控制方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,建立钻进机器人的钻进参数专家数据库,结合钻进机器人的作业要求以及钻进参数专家数据库确定钻进机器人的初始钻速与初始钻压。
在实现钻进机器人自适应钻进的过程中,首先要尽可能地使钻进机器人一开始的工作参数便贴近最佳工作效率下的工作参数,所以本实施例首先根据先验知识建立钻进机器人的钻进参数专家数据库,钻进参数专家数据库中存储了大量的、丰富的参数记录,参数记录是通过对各类岩层进行钻进试验而确定的,记录了不同钻进深度S、钻进倾角Q、钻进的岩性种类Y下所对应的钻速V和钻压Z的优选取值。
在进行钻进作业时,本实施例通过安装在钻进机器人身上的相机采集岩层表面图像,将所采集的岩层表面图像输入训练好的神经网络中进行岩性种类的识别,输入为矿层表面图像,输出为矿层表面的类别,损失函数为交叉熵损失函数。
由此,便得到了钻进作业所针对的岩性种类Y,岩性种类Y表示了煤矿层表面岩石的类别属性,其取值越大,代表煤矿层表面岩石越坚硬。在所确定的岩性种类Y的基础上结合所要求的钻进深度S、钻进倾角Q,便可确定钻进机器人的作业要求,在钻进机器人的钻进参数专家数据库中查找与当前作业要求最为接近的参数记录,也即所有参数记录中与当前作业要求在钻进深度S、钻进倾角Q以及钻进岩性种类Y三方面的整体差值最小的参数记录,并以所确定的最为接近的参数记录中的钻速和钻压为初始钻速V0和初始钻压Z0。
本实施例中设定作业要求包括内容为钻进深度S、钻进倾角Q、钻进的岩性种类Y,在其它实施例中还可根据需求设置作业要求的具体内容,如额外包括钻进机器人的工作功率W,等等。
步骤二,以实时作业参数以及作业效果,对钻进机器人的初始钻速与初始钻压进行调节,确定最优钻速与最优钻压。
1、确定最优钻速。
钻进机器人的发动机转速直接影响了钻进机器人的钻进速度也即钻速,且钻速往往随着发动机转速的增加而增加,在发动机转速增加时,单位时间内钻进机器人的钻头切削岩石的次数也会随之增加。但是,当岩石的岩性值较大也即岩石较为坚硬,且钻进深度较深时,过大的发动机转速会导致出现故障以及钻头的严重磨损,基于此本实施例在所确定的初始钻速的基础上,对钻速进行优化:
由上述钻速优化公式,本实施例便在所确定的初始钻速的基础上确定了实时的最优钻速,以所确定的最优钻速完成了钻进效果的初步优化。
2、确定最优钻压。
钻压是影响钻进机器人钻速的又一决定因素,随着钻压的增加,钻进机器人的钻速往往随之增加,合适的钻压可以有效地破碎岩层保证钻进开采效果,但如果钻压过大,钻头切削具吃入过深,钻孔底部的岩石和钻出的岩屑就会被钻头压得太紧,从而使钻速反而变慢。
所以,本实施例通过图像识别的方法,拍摄钻进过程中产生的岩石碎屑,然后根据所产生的各个岩石碎屑之间的相似性,也即通过判断钻进产生的岩石碎屑大小的均匀性与形状的相似性来表征钻进效果的好坏。
具体的,本实施例通过钻进机器人上所安装的相机,实时采集钻进所产生的岩石碎屑的图像,并将所采集的图像由RGB图像经灰度处理转化为灰度图像,然后通过帧差法确定所获取的灰度图像中的各个岩石碎屑。
优选的,本实施例采用三帧差法完成灰度图像中各个岩石碎屑的确定,当所连续采集的灰度图像中存在移动物体时,则相邻三帧之间的灰度图像在灰度分布上便会存在差异,求取灰度图像中各处灰度差异的绝对值,得到灰度差值图像,由于静止物体在灰度差值图像上的值为0,而移动物体由于非静止而存在灰度变化,所以其对应位置处在灰度差值图像上的值为非0,由此,便可确定所采集的灰度图像中各个岩石碎屑的位置以及每个岩石碎屑的大小与轮廓。
进一步的,考虑到所采集的岩石碎屑图像中,不可避免地会存在多个岩石碎屑在拍摄时,因距离较近而处于相互连接或前后重叠的状态从而被误认为一个较大的岩石碎屑,导致错误地认为当前钻压无法有效破碎岩石而对钻压进行错误调节的情况,本实施例在获取岩石碎屑的灰度图像并以三帧差法得到灰度差值图像后,还包括对灰度差值图像中的岩石碎屑的识别优化内容。
具体的,本实施例首先对灰度差值图像进行超像素分割,形成设定个数的超像素块,本实施例优选超像素分割方法为SLIC,且分割所得超像素块个数为50。当然,在其它实施例中还可采用现有其它超像素分割方法以及分割得到其它设定个数的超像素块。
在得到设定个数的超像素块后,对任意两个相邻的超像素块进行分析,本实施例以超像素块E与超像素块R为例,首先获取超像素块E与超像素块R之间的共有边缘,记共有边缘的两端点分别为e与r,共有边缘的中间点为f,由于f为共有边缘的中间点,所以共有边缘上从端点e到中间点f的长度与从端点r到中间点f的长度相等。
连接共有边缘上的两端点e与r得到直线,经中间点f作直线的垂线并与直线相交于u点,则可获得第一特征方向以及第二特征方向,根据共有边缘上各个像素点在第一特征方向以及第二特征方向上的相邻像素点的灰度值情况,可完成超像素块E与超像素块R之间的相关性计算:
其中,XG为两相邻超像素块E与超像素块R之间的相关性,表示超像素块E与超像素块R共有边缘上的像素点个数,表示共有边缘上第i个像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值。
容易理解的是,不但不同的岩石碎屑之间的表面灰度情况存在明显不同,而且同一个岩石碎屑的不同区域之间也会存在些许的表面灰度情况的差别,这就导致了不但在不同的岩石碎屑之间会经超像素分割后成不同的超像素块,而且在同一个岩石碎屑中也会在经超像素分割后产生多个超像素块,所以在经超像素分割后所得到的任意两个相邻超像素块,有可能是同一个岩石碎屑中不同区域对应的两个超像素块,也有可能是两个相互连接或前后重叠的岩石碎屑的分界线两侧区域所对应的两个超像素块。
但是,同样容易理解的是,同一个岩石碎屑中不同区域对应的两个超像素块之间的差异性,是明显小于两个相互连接或前后重叠的岩石碎屑的分界线两侧区域所对应的两个超像素块之间的差异性的,这便导致两种情况中,相邻超像素块之间的相关性大小存在明显区别,也即同一个岩石碎屑中不同区域对应的两个超像素块之间的相关性较大,而两个相互连接或前后重叠的岩石碎屑的分界线两侧区域所对应的两个超像素块之间的相关性较小。
所以,本实施例在获取任意两个相邻超像素块之间的相关性之后,通过所给出的相关性阈值对相关性结果进行分类,相关性阈值的取值范围为(0,1),本实施例优选相关性阈值为0.9,也即,当任意两个相邻超像素块之间的相关性XG>0.9时,则认为这两个超像素块属于同一个岩石碎屑,并将这两个超像素块进行融合成为一个超像素块,而当任意两个相邻超像素块之间的相关性XG≤0.9时,则认为这两个超像素块属于不同的岩石碎屑,并不对这两个超像素块进行融合处理。
重复根据任意两个相邻超像素块之间的相关性而对两个相邻超像素块进行融合的过程,直到所有任意两个相邻超像素块之间的相关性都不大于相关性阈值,得到与实际的岩石碎屑数量相同的若干个融合超像素块,每个融合超像素块均表征了一个岩石碎屑区域。容易理解的是,有可能存在某个或某些融合超像素块是未经过融合过程的,也即存在某个或某些融合超像素块实际上即为原始的经超像素分割后所确定的超像素块。
更进一步的,考虑到根据超像素分割所得的超像素块的边缘往往与实际的岩石碎屑边缘并不完全相符,导致最终所得的融合超像素块的边缘与岩石碎屑的边缘并不能很好地贴合,本实施例在所获取的融合超像素块的基础上,还额外包括对融合超像素块的边缘进行改进的内容。
具体的,首先对融合超像素块边缘上各个像素点进行初步筛选。以融合超像素块边缘上像素点a为例,其灰度值为,获取其设定邻域内非边缘像素点的灰度方差,其中设定邻域内非边缘像素点具体即为设定邻域内不包括融合超像素块边缘的所有像素点,在获取像素点a的设定邻域内非边缘像素点的灰度方差后,对所得方差进行归一化处理,得到归一化方差FC,若归一化方差大于所设定的归一化方差阈值时,对像素点a进行保留,否则,将像素点a从融合超像素块的边缘上进行删除。归一化方差阈值的取值范围为(0,1),本实施例优选归一化方差阈值为0.8。对融合超像素块边缘上的所有像素点进行保留与否的判断,完成对融合超像素块边缘上各个像素点的初步筛选。
初步筛选中对像素点a保留与删除的原理在于,由于岩石碎屑边缘上每个像素点设定邻域内的像素点一半属于该岩石碎屑内而另一半属于该岩石碎屑外,所以灰度情况相差较大,则该像素点的设定邻域内的像素点的归一化灰度方差必然相应较大,但假如像素点a并非岩石碎屑边缘上的像素点,而是岩石碎屑内部或岩石碎屑外部的某个像素点,那么由于像素点a设定邻域内的像素点同属于岩石碎屑内部或岩石碎屑外部,所以灰度情况相差不大,对应的像素点a的设定邻域内的像素点的归一化灰度方差必然相应较小,所以通过判断融合超像素块边缘上各个像素点设定邻域内非边缘像素点的归一化方差的大小与设定的归一化方差阈值的相对大小,便可判断出融合超像素块边缘上各个像素点是否为岩石碎屑边缘上的像素点,完成对融合超像素块边缘上各个像素点的初步筛选。
经初步筛选后,融合超像素块的边缘便由一个完整的封闭边缘变成了多条具有一定间隔的边缘线段。后续,需对任意两个相邻的边缘线段进行首尾相连,并使连接线与岩石碎屑的边缘吻合。
具体的,以相邻边缘线段BY1与BY2为例,假设边缘线段BY1的端点为b1与c1,边缘线段BY2的端点为b2与c2,计算四个端点中任意两个之间的欧氏距离,则欧式距离最小所对应的两个端点即为边缘线段BY1与边缘线段BY2的首位连接端点,本实施例假设边缘线段BY1与边缘线段BY2的首位连接端点分别为b1与b2。
具体的,以b1为例,确定b1在生长方向上的所有相邻像素点,并计算每个相邻像素点设定邻域内所有像素点的灰度方差,以灰度方差最大的相邻像素点作为新的生长点,继续确定新的生长点在生长方向上的所有相邻像素点,并同样计算每个相邻像素点设定邻域内所有像素点的灰度方差,以灰度方差最大的相邻像素点作为第二个新的生长点,重复该种生长过程,直到生长位置到达生长终点b2,完成相邻边缘线段BY1与BY2的连接。
按照同样方法,将所有的相邻边缘线段进行生长连接,完成对融合超像素块边缘的改进。
本实施例中,优选将融合超像素块边缘上各个像素点的初步筛选过程中的设定邻域大小设置为3*3,以及将相邻边缘线段生长连接过程中的设定邻域大小设置为3*3,可以理解的是,在其它实施例中还可以将两种设定邻域的大小设置为其它值。
在完成对所有融合超像素块边缘的改进后,通过比较各个融合超像素块之间的轮廓相似性,便可表征出当前钻进机器人的钻进效率:
其中,本实施例优选以形状上下文算法来确定第i个融合超像素块与第一个融合超像素块之间的轮廓相似性,在其它实施例中,还可采用现有的其它任意方法来确定第i个融合超像素块与第一个融合超像素块之间的轮廓相似性。
在得到钻进机器人当前的钻进效率后,对钻进效率进行归一化处理,得到归一化钻进效率,比较归一化钻进效率和设定的归一化钻进效率阈值的大小,归一化钻进效率阈值的取值范围为(0,1),本实施例优选归一化钻进效率阈值为0.85。
若归一化钻进效率大于归一化钻进效率阈值,则表明钻进机器人在当前钻压下的工作效果较好,不需对钻压进行调节,若归一化钻进效率不大于归一化钻进效率阈值,则表明钻进机器人在当前钻压下的工作效果较差,需要对钻进机器人的当前钻压进行调节,具体调节过程为:
归一化钻进效率阈值的
本实施例中,在获取岩石碎屑灰度图像并以帧差法确定岩石碎屑灰度图像中的各个岩石碎屑后,还包括了以超像素分割方法对岩石碎屑的相互连接或前后重叠状态进行识别和消除而得到融合超像素块的内容,以及进一步包括了对所得融合超像素块的边缘进行改进的内容;但容易理解的是,这两部分内容对确定最优钻压来说并非必不可少的,在其它实施例中,当调节精度要求较低时,还可以不对所得融合超像素块的边缘进行改进,甚至不借助超像素分割方法对岩石碎屑的相互连接或前后重叠状态进行识别和消除,而直接通过岩石碎屑灰度图像中各个岩石碎屑之间的轮廓相似性来计算钻进机器人的钻进效率,从而对钻压进行调节以确定最优钻压。
步骤三,以所得最优钻速与最优钻压完成钻进机器人的智能控制。
在根据钻进机器人实时作业参数以及作业效果确定出最优钻速与最优钻压后,控制钻进机器人在当前控制周期中以所确定的最优钻速与最优钻压进行后续的钻进作业,并在下一个控制周期开始时再次根据钻进机器人实时作业参数以及作业效果确定出下一控制周期中的最优钻速和最优钻压,最终完成钻进机器人的智能控制,提高钻进作业过程中的钻进效率,降低钻进机器人的功耗,其中控制周期可根据需要以及预计钻进整体时长而具体设置,本实施例优选控制周期为1min。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种用于煤矿用钻进机器人设备的智能控制方法,其特征在于,包括以下步骤:
建立钻进机器人的钻进参数专家数据库,所述钻进参数专家数据库包括多个钻进参数,所述钻进参数通过对不同种类的岩层进行钻进试验得到,每个钻进参数包括不同钻进深度、钻进倾角、钻进岩性种类下所对应的钻速和钻压;
在钻进参数专家数据库中寻找与钻进机器人作业要求最接近的钻进参数,以所述最接近的钻进参数中的钻速和钻压作为钻进机器人的初始钻速和初始钻压,所述作业要求包括所要求的钻进深度、钻进倾角以及钻进岩性种类;
所述最接近的钻进参数,是指所有钻进参数中与所述作业要求在钻进深度、钻进倾角以及钻进岩性种类三方面的整体差值最小的钻进参数;
根据钻进机器人中发动机的当前转速、钻进机器人实时钻进深度以及与钻头接触的钻进岩性种类,调节初始钻速得到最优钻速,所述钻进岩性种类通过获取钻进岩层表面图像后将所获取的钻进岩层表面图像输入训练好的神经网络确定;
采集钻进过程中所产生的岩石碎屑的图像并灰度化处理,得到岩石碎屑灰度图像,基于连续获取的岩石碎屑灰度图像以帧差法得到包含每个岩石碎屑的灰度差值图像;
根据灰度差值图像中不同岩石碎屑之间的轮廓相似性确定钻进机器人的钻进效率,并对所述钻进效率进行归一化处理得到归一化钻进效率,当归一化钻进效率大于归一化钻进效率阈值,则以初始钻压作为最优钻压,当归一化钻进效率不大于归一化钻进效率阈值,则对初始钻压进行调节:
控制钻进机器人在当前控制周期中以所述最优钻速和所述最优钻压进行钻进作业,在其它控制周期开始时计算与其它控制周期对应的最优钻速和最优钻压,以其它控制周期对应的最优钻速和最优钻压控制钻进机器人完成其它控制周期的钻进作业,实现对整个钻进作业过程中的智能控制。
3.根据权利要求1或2所述的用于煤矿用钻进机器人设备的智能控制方法,其特征在于,对所述灰度差值图像进行超像素分割,得到若干超像素块,并计算相邻的超像素块E与超像素块R之间的相关性,具体为:
其中,XG为两相邻超像素块E与超像素块R之间的相关性,表示超像素块E与超像素块R共有边缘上的像素点个数,表示共有边缘上第i个像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值,表示共有边缘上第i个像素点在方向上的相邻像素点的灰度值;
按照确定相关性XG的方法计算任意两个相邻超像素块之间的相关性,并判断所得相关性与设定的相关性阈值的大小,当相关性大于相关性阈值则将该相关性对应的两个相邻超像素块融合成为一个超像素块,当相关性不大于相关性阈值则不进行融合;
重复根据任意两个相邻超像素块之间的相关性而对两个相邻超像素块进行融合的过程,直到所有任意两个相邻超像素块之间的相关性都不大于相关性阈值,得到与实际的岩石碎屑数量相同的若干个融合超像素块;
以所得融合超像素块之间的轮廓相似性确定钻进机器人的钻进效率:
4.根据权利要求3所述的用于煤矿用钻进机器人设备的智能控制方法,其特征在于,在以所得融合超像素块之间的轮廓相似性确定钻进机器人的钻进效率之前,还包括对融合超像素块边缘进行改进的步骤:
计算融合超像素块边缘上每个像素点的设定邻域内所有非边缘像素点的灰度方差,并对所得方差进行归一化处理得到归一化方差,若归一化方差大于设定的归一化方差阈值,则保留该像素点,若归一化方差不大于设定的归一化方差阈值,则将该像素点从融合超像素块的边缘上删除,得到若干个融合超像素块的边缘线段;
将两个相邻边缘线段中靠近另一个边缘线段的两个端点分别作为生长起点以及生长终点,以生长起点到生长终点的直线方向为目标方向,将与目标方向的偏离角度小于设定角度值的方向作为生长方向,在生长方向上确定生长起点的所有相邻像素点,计算每个相邻像素点的设定邻域内所有像素点的灰度方差,以最大灰度方差所对应的相邻像素点为生长点,在生长点的基础上重复由生长起点得到生长点的生长过程,直到生长位置到达所述生长终点,完成两个相邻边缘线段的生长连接;
以相邻边缘线段的生长连接方法完成所有任意两个相邻边缘线段的生长连接,得到改进后的融合超像素块,完成对融合超像素块边缘的改进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964423.XA CN115049646B (zh) | 2022-08-12 | 2022-08-12 | 一种用于煤矿用钻进机器人设备的智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964423.XA CN115049646B (zh) | 2022-08-12 | 2022-08-12 | 一种用于煤矿用钻进机器人设备的智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049646A CN115049646A (zh) | 2022-09-13 |
CN115049646B true CN115049646B (zh) | 2022-11-01 |
Family
ID=83167527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964423.XA Active CN115049646B (zh) | 2022-08-12 | 2022-08-12 | 一种用于煤矿用钻进机器人设备的智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049646B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117328850B (zh) * | 2023-09-22 | 2024-05-14 | 安百拓(张家口)建筑矿山设备有限公司 | 钻机控制方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363873A (zh) * | 2018-02-12 | 2018-08-03 | 辽宁工程技术大学 | 一种基于矿用钻机的岩性辨识方法 |
ZA202105993B (en) * | 2021-08-20 | 2021-10-27 | Univ Anhui Sci & Technology | Intelligent design system and method for underground gas prevention drilling in coal mine |
CN114715363A (zh) * | 2022-04-02 | 2022-07-08 | 浙江大学 | 海底地层空间钻进机器人导航方法、系统及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193055B (zh) * | 2017-05-27 | 2019-10-18 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模系统 |
CN113034001B (zh) * | 2021-03-24 | 2022-03-22 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
-
2022
- 2022-08-12 CN CN202210964423.XA patent/CN115049646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363873A (zh) * | 2018-02-12 | 2018-08-03 | 辽宁工程技术大学 | 一种基于矿用钻机的岩性辨识方法 |
ZA202105993B (en) * | 2021-08-20 | 2021-10-27 | Univ Anhui Sci & Technology | Intelligent design system and method for underground gas prevention drilling in coal mine |
CN114715363A (zh) * | 2022-04-02 | 2022-07-08 | 浙江大学 | 海底地层空间钻进机器人导航方法、系统及电子设备 |
Non-Patent Citations (2)
Title |
---|
Base Detection Research of Drilling Robot System by Using Visual Inspection;L. Fortuna et al.;《Journal of Robotics》;20180131;1-10 * |
地下钻进机器人钻头力学分析及参数优化;代梦婉;《煤炭技术》;20170930;215-218 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049646A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11697969B2 (en) | Method for predicting drill bit wear | |
CN115049646B (zh) | 一种用于煤矿用钻进机器人设备的智能控制方法 | |
KR102211421B1 (ko) | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 | |
CN106285476A (zh) | 一种水平钻井实时地震地质综合导向方法 | |
US11492892B2 (en) | Automated optimization of real-time data frequency for modeling drilling operations | |
CN115169948B (zh) | 采煤工作面覆岩离层突水风险预测方法及安全采矿方法 | |
CN116108696B (zh) | 一种采煤机截割滚筒的高度路径规划方法 | |
Zhou et al. | An adaptive data driven model for characterizing rock properties from drilling data | |
CN113378344A (zh) | 一种用于优化钻井起下钻速度阈值的方法及系统 | |
CN109242833B (zh) | 一种采煤机截割控制方法 | |
WO2015048414A1 (en) | Drill bit assembly imaging systems and methods | |
US20230019126A1 (en) | Methods for Assisted and Automated Horizontal Well Geosteering | |
CN114529827B (zh) | 基于人工智能的矿产边界检测方法及系统 | |
CN115773127A (zh) | 一种泥水平衡盾构智能决策方法、系统、设备及介质 | |
CN115826080A (zh) | 一种适用于风化花岗岩盾构施工的地层类别确定方法 | |
CN115526400A (zh) | 基于给进阻尼和机械比能的钻进操作参数自适应决策方法 | |
CN113738343A (zh) | 一种vr井下钻机状态检测方法、系统、装置及设备 | |
CN114971177A (zh) | 一种围岩分级数字化方法及系统 | |
CN111781640B (zh) | 一种基于bsr特征快速判别水合物含量的方法及处理终端 | |
CN111827964A (zh) | 一种基于综合录井参数的随钻钻头工况判断方法 | |
CN115075799B (zh) | 一种煤矿用定向钻机的发动机转速控制方法 | |
CN114016908A (zh) | 一种页岩气水平井自适应性轨道形成方法 | |
CN113935546A (zh) | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 | |
CN102222340A (zh) | 前景检测方法及系统 | |
CN106968668B (zh) | 一种得分式测井岩性优选解释方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |