CN117369254A - 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 - Google Patents
基于复杂地质条件瓦斯防控机器人集群控制方法及系统 Download PDFInfo
- Publication number
- CN117369254A CN117369254A CN202311107724.1A CN202311107724A CN117369254A CN 117369254 A CN117369254 A CN 117369254A CN 202311107724 A CN202311107724 A CN 202311107724A CN 117369254 A CN117369254 A CN 117369254A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- gas
- model
- unit
- 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 93
- 230000002265 prevention Effects 0.000 title claims abstract description 51
- 238000005553 drilling Methods 0.000 claims abstract description 129
- 239000003245 coal Substances 0.000 claims abstract description 102
- 238000005065 mining Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000005641 tunneling Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000007499 fusion processing Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 33
- 238000005516 engineering process Methods 0.000 claims description 31
- 239000011435 rock Substances 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000012800 visualization Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002243 precursor Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F7/00—Methods or devices for drawing- off gases with or without subsequent use of the gas for any purpose
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Graphics (AREA)
- Geology (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manipulator (AREA)
Abstract
本发明公开了基于复杂地质条件瓦斯防控机器人集群控制方法及系统包括,获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;根据瓦斯分布历史数据以及抽采钻孔布设数据,结合神经网络训练瓦斯突出与机器人采集神经网络模型,并根据异常检测与自适应算法,建立自适应智能预警模型;根据实时三维地质模型、采掘工作面的精细化模型、瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。提高煤矿瓦斯治理水平,确保安全高效开采。
Description
技术领域
本发明涉及瓦斯防控机器人集群控制技术领域,尤其涉及基于复杂地质条件瓦斯防控机器人集群控制方法及系统。
背景技术
一直以来,我国煤矿瓦斯防治及煤与瓦斯突出预测预警技术与方法自动化程度低、劳动强度大、现场施工人员多且与“危险源”短兵相接,一旦发生瓦斯事故极易造成人员伤亡,因此煤矿瓦斯灾害是影响煤矿安全生产的重要因素之一,也是制约煤矿资源安全高效开发利用的关键因素之一。随着我国煤炭资源开发的不断深入,复杂地质条件下的煤层越来越多地成为开采对象,这给煤矿瓦斯防治带来了更大的难度和挑战。在复杂地质条件下,如断层、节理、裂隙等影响下,传统的钻孔抽采等方法难以有效地控制和监测煤层中的瓦斯分布和动态变化,也难以及时发现和预警可能发生的危险情况,并采取相应的应急措施。此外,传统方法也存在着高成本、低效率、高风险等缺点,限制了我国在这一领域的科技创新和产业发展。
因此,在现有技术水平下,仍然存在着对复杂地质条件下的煤层中的瓦斯防治问题进行更精确、更高效、更安全、更可靠的技术和方法的需求。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了基于复杂地质条件瓦斯防控机器人集群控制方法及系统,能够解决背景技术中提到的问题。
为解决上述技术问题,本发明提供如下技术方案,基于复杂地质条件瓦斯防控机器人集群控制方法,包括:
获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;
根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;
根据瓦斯相关参数的历史数据以及抽采钻孔布设数据,结合神经网络训练煤与瓦斯突出机器人神经网络采集模型,并根据异常检测与自适应算法,建立自适应智能预警模型;
根据所述实时三维地质模型、采掘工作面的精细化模型、煤与瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。
基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:包括数据采集单元、数据处理单元、算法支撑单元、模型建立单元、逻辑分析与控制单元、服务器单元以及可视化单元,
数据采集单元,用于获取煤矿采集过程中的实时数据、采掘工作面的实时数据,以及瓦斯分布历史数据;
数据处理单元,用于处理所述数据采集单元获取到的数据,并将处理后的数据传输至算法支撑单元;
算法支撑单元,用于为所述数据处理单元处理后的数据以及模型建立单元提供算法支撑;
模型建立单元,用于根据所述数据采集单元采集到的数据以及所述算法支撑单元提供的不同算法建立瓦斯防控机器人集群控制的相应模型;
逻辑分析与控制单元,用于对所述模型建立单元建立的模型进行逻辑分析与控制,实现复杂地质条件瓦斯防控机器人集群控制;
服务器单元,用于存储所述数据采集单元采集的实时数据,进行结构化保存,并保存所述模型建立单元建立的模型,以及所述逻辑分析与控制单元的分析结果;
可视化单元,用于通过数据展示方式展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述数据采集单元包括地质勘探数据采集模块、巷道掘进数据采集模块、抽采钻孔数据采集模块、采掘工作面实时数据采集模块以及瓦斯动态历史数据与实时数据采集模块,
所述地质勘探数据采集模块获取煤矿采集过程中的钻孔数据、地震数据以及电磁法数据,所述巷道掘进数据采集模块获取煤矿采集过程中巷道坐标、巷道断面形式和尺寸,所述抽采钻孔数据采集模块获取煤矿采集过程中钻孔坐标、钻孔方向、钻孔深度、钻孔煤岩样品以及钻孔瓦斯测定数据,所述地质勘探数据采集模块、巷道掘进数据采集模块、抽采钻孔数据采集模块向所述数据处理单元中传输获取到的实时数据,并同时与融合处理模块连接;
所述数据采集单元中所有模块均与数据更新模块相连,当所述数据更新模块在接收到来自数据采集单元传输来的数据后,向所述服务器单元发送更新数据指令,并同时将本次获取到的数据传输至服务器单元中进行更新。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述数据采集单元还包括,
所述采掘工作面实时数据采集模块获取煤矿采集过程中的采掘进度、采掘位置、采掘参数以及采掘设备状态,所述采掘工作面实时数据采集模块通过数据处理单元以及算法支撑单元与采掘工作面精细化模型建立模块连接;
所述瓦斯动态历史数据与实时数据采集模块获取煤矿采集过程中瓦斯抽采量、瓦斯浓度、瓦斯压力以及温度的历史与实时数据,所述瓦斯动态历史数据与实时数据采集模块通过数据处理单元以及算法支撑单元与瓦斯防治精细化模型建立模块连接。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述数据处理单元包括数据更新模块、区域网格划分模块以及融合处理模块,
所述数据更新模块与所述融合处理模块全双工连接,所述融合处理模块与区域网格划分模块单向连接,所述融合处理模块向所述区域网格划分模块发送融合处理结果,所述数据更新模块与区域网格划分模块单向连接,所述区域网格划分模块向所述数据更新模块发送调整与优化后的数据;
所述融合处理模块与三维地质模型建立模块连接,所述融合处理模块用于对所述地质勘探数据采集模块、巷道掘进数据采集模块、抽采钻孔数据采集模块获取到的实时数据进行融合处理,所述融合处理模块与区域网格划分模块连接;
当所述区域网格划分模块获取到融合处理结果时,所述区域网格划分模块根据融合处理结果对网格单元进行调整和优化,并将所述调整与优化后的数据传输至所述数据更新模块中,所述数据更新模块与三维地质模型建立模块连接;
若识别到所述数据更新模块出现调整与优化后的数据,则所述三维地质模型建立模块根据调整与优化后的数据对三维地质模型进行优化;
若未识别到所述数据更新模块出现调整与优化后的数据,则保留原三维地质模型建立模块中建立的三维地质模型。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述算法支撑单元包括深度学习模块、自适应模块、视觉机器人模块、瓦斯防控AI视觉模块、异常检测算法模块以及其他工业互联网技术模块,
所述采掘工作面实时数据采集模块与所述其他工业互联网技术模块相连,所述其他工业互联网技术模块用于将采掘工作面划分为若干个有限元单元,每个有限元单元具有对应的空间位置和形态,并赋予其相应的属性值,所述属性值包括采掘进度、采掘位置、采掘参数、采掘设备状态,所述其他工业互联网技术模块与采掘工作面精细化模型建立模块单向相连;
所述瓦斯动态历史数据与实时数据采集模块与所述算法支撑单元连接,并通过所述算法支撑单元与异常检测模型建立模块以及瓦斯防治精细化模型建立模块相连,所述瓦斯动态历史数据与实时数据采集模块通过算法支撑单元中的深度学习模块对复杂地质条件下的危险区域进行趋势预测;
所述瓦斯动态历史数据与实时数据采集模块通过算法支撑单元中的视觉机器人模块以及瓦斯防控AI视觉模块与所述瓦斯防治精细化模型建立模块连接,对作业场景、传感器铺设位置进行图像识别、定位及监控,获取复杂地质条件下的煤层特征;
所述瓦斯动态历史数据与实时数据采集模块通过算法支撑单元中的自适应模块以及异常检测算法模块动态调整深度学习模型和异常检测模型的参数和结构,并与异常检测模型建立模块连接。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述模型建立单元包括三维地质模型建立模块、异常检测模型建立模块、瓦斯防治精细化模型建立模块、采掘工作面精细化模型建立模块、智能打钻模型建立模块、钻孔煤岩识别与地质探测模块以及瓦斯参数随钻测定模块,
所述三维地质模型建立模块用于建立三维地质模型来反映复杂地质条件下煤层的结构、物性、应力特征,为瓦斯防治提供基础数据和参数依据;所述异常检测模型建立模块用于建立异常检测模型,对瓦斯浓度低值异常进行分析,识别其原因参数和影响参数;所述瓦斯防治精细化模型建立模块用于建立瓦斯防治精细化模型,所述采掘工作面精细化模型建立模块用于建立采掘工作面精细化模型,所述智能打钻模型建立模块用于通过所述数据采集单元采集到的实时数据以及服务器单元中的历史数据建立智能打钻模型,所述钻孔煤岩识别与地质探测模块用于进行钻孔煤岩识别与地质探测,所述瓦斯参数随钻测定模块用于进行瓦斯参数随钻测定,所述模型建立单元与可视化单元连接,所述可视化单元根据所述模型建立单元中建立的模型产生的数据通过图表或三维模型方法展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
作为本发明所述的基于复杂地质条件瓦斯防控机器人集群控制系统的一种优选方案,其中:所述逻辑分析与控制单元包括大数据智能分析模块以及集群控制指令下发模块,
所述逻辑分析与控制单元与数据采集单元以及模型建立单元连接,对所述数据采集单元收集到的数据进行关系分析,并结合所述模型建立单元中的瓦斯防治精细化模型建立模块、智能打钻模型建立模块、钻孔煤岩识别与地质探测模块以及瓦斯参数随钻测定模块完成对瓦斯涌出风险、钻孔效果的评估,并将评估结果通过可视化单元展示给用户,为用户提供优化建议和预警信息;
所述集群控制指令下发模块与所述大数据智能分析模块单向连接,所述大数据智能分析模块向集群控制指令下发模块下发对瓦斯涌出风险、钻孔效果的评估结果数据,所述集群控制指令下发模块根据对瓦斯涌出风险、钻孔效果的评估结果数据,利用仿真算法对机器人的钻孔参数、抽采方案进行自动化调优,实现煤层群区域机器人的集群控制。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:本发明提出基于复杂地质条件瓦斯防控机器人集群控制方法及系统,获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;根据瓦斯分布历史数据以及抽采钻孔布设数据,结合神经网络训练瓦斯突出与机器人采集神经网络模型,并根据异常检测与自适应算法,建立自适应智能预警模型;根据所述实时三维地质模型、采掘工作面的精细化模型、瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。提高煤矿瓦斯治理水平,确保安全高效开采。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的方法流程图;
图2为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的系统结构示意图;
图3为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的三维模型构建流程示意图;
图4为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的采掘工作面精细化模型构建示意图;
图5为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的瓦斯防治精细化模型示意图;
图6为本发明一个实施例提供的基于复杂地质条件瓦斯防控机器人集群控制方法及系统的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图2-5,为本发明的第一个实施例,该实施例提供了基于复杂地质条件瓦斯防控机器人集群控制系统,包括:
在一个优选的实施例中,基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:包括数据采集单元100、数据处理单元200、算法支撑单元300、模型建立单元400、逻辑分析与控制单元500、服务器单元600以及可视化单元700,
数据采集单元100,用于获取煤矿采集过程中的实时数据、采掘工作面的实时数据,以及瓦斯分布历史数据;
数据处理单元200,用于处理数据采集单元100获取到的数据,并将处理后的数据传输至算法支撑单元300;
算法支撑单元300,用于为数据处理单元200处理后的数据以及模型建立单元400提供算法支撑;
模型建立单元400,用于根据数据采集单元100采集到的数据以及算法支撑单元300提供的不同算法建立瓦斯防控机器人集群控制的相应模型;
逻辑分析与控制单元500,用于对模型建立单元400建立的模型进行逻辑分析与控制,实现复杂地质条件瓦斯防控机器人集群控制;
服务器单元600,用于存储数据采集单元100采集的实时数据,进行结构化保存,并保存模型建立单元400建立的模型,以及逻辑分析与控制单元500的分析结果;
可视化单元700,用于通过数据展示方式展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
其中,数据采集单元100包括地质勘探数据采集模块101、巷道掘进数据采集模块102、抽采钻孔数据采集模块103、采掘工作面实时数据采集模块104以及瓦斯动态历史数据与实时数据采集模块105;
具体的,地质勘探数据采集模块101获取煤矿采集过程中的钻孔数据、地震数据以及电磁法数据,巷道掘进数据采集模块102获取煤矿采集过程中巷道坐标、巷道断面形式和尺寸,抽采钻孔数据采集模块103获取煤矿采集过程中钻孔坐标、钻孔方向、钻孔深度、钻孔煤岩样品以及钻孔瓦斯测定数据,地质勘探数据采集模块101、巷道掘进数据采集模块102、抽采钻孔数据采集模块103向数据处理单元200中传输获取到的实时数据,并同时与融合处理模块203连接;
更进一步的,数据采集单元100中所有模块均与数据更新模块201相连,当数据更新模块在接收到来自数据采集单元100传输来的数据后,向服务器单元600发送更新数据指令,并同时将本次获取到的数据传输至服务器单元600中进行更新。
应说明的是,采掘工作面实时数据采集模块104获取煤矿采集过程中的采掘进度、采掘位置、采掘参数以及采掘设备状态,采掘工作面实时数据采集模块104通过数据处理单元200以及算法支撑单元300与采掘工作面精细化模型建立模块404连接;
应说明的是,瓦斯动态历史数据与实时数据采集模块105获取煤矿采集过程中瓦斯抽采量、瓦斯浓度、瓦斯压力以及温度的历史与实时数据,瓦斯动态历史数据与实时数据采集模块105通过数据处理单元200以及算法支撑单元300与瓦斯防治精细化模型建立模块403连接。
其中,数据处理单元200包括数据更新模块201、区域网格划分模块202以及融合处理模块203,数据更新模块201与融合处理模块203全双工连接,融合处理模块203与区域网格划分模块202单向连接,融合处理模块203向区域网格划分模块202发送融合处理结果,数据更新模块201与区域网格划分模块202单向连接,区域网格划分模块202向数据更新模块201发送调整与优化后的数据;
应说明的是,融合处理模块203与三维地质模型建立模块401连接,融合处理模块203用于对地质勘探数据采集模块101、巷道掘进数据采集模块102、抽采钻孔数据采集模块103获取到的实时数据进行融合处理,融合处理模块203与区域网格划分模块202连接;
更进一步的,当区域网格划分模块202获取到融合处理结果时,区域网格划分模块202根据融合处理结果对网格单元进行调整和优化,并将调整与优化后的数据传输至数据更新模块201中,数据更新模块201与三维地质模型建立模块401连接;
更进一步的,若识别到数据更新模块201出现调整与优化后的数据,则三维地质模型建立模块401根据调整与优化后的数据对三维地质模型进行优化;
更进一步的,若未识别到数据更新模块201出现调整与优化后的数据,则保留原三维地质模型建立模块401中建立的三维地质模型。
应说明的是,算法支撑单元300包括深度学习模块301、自适应模块302、视觉机器人模块303、瓦斯防控AI视觉模块304、异常检测算法模块305以及其他工业互联网技术模块306;
应说明的是,采掘工作面实时数据采集模块104与其他工业互联网技术模块306相连,其他工业互联网技术模块306用于将采掘工作面划分为若干个有限元单元,每个有限元单元具有对应的空间位置和形态,并赋予其相应的属性值,属性值包括采掘进度、采掘位置、采掘参数、采掘设备状态,其他工业互联网技术模块306与采掘工作面精细化模型建立模块404单向相连;
更进一步的,瓦斯动态历史数据与实时数据采集模块105与算法支撑单元300连接,并通过算法支撑单元300与异常检测模型建立模块402以及瓦斯防治精细化模型建立模块403相连,瓦斯动态历史数据与实时数据采集模块105通过算法支撑单元300中的深度学习模块301对复杂地质条件下的危险区域进行趋势预测;
更进一步的,瓦斯动态历史数据与实时数据采集模块105通过算法支撑单元300中的视觉机器人模块303以及瓦斯防控AI视觉模块304与瓦斯防治精细化模型建立模块403连接,对作业场景、传感器铺设位置进行图像识别、定位及监控,获取复杂地质条件下的煤层特征;
更进一步的,瓦斯动态历史数据与实时数据采集模块105通过算法支撑单元300中的自适应模块302以及异常检测算法模块305动态调整深度学习模型和异常检测模型的参数和结构,并与异常检测模型建立模块402连接。
应说明的是,模型建立单元400包括三维地质模型建立模块401、异常检测模型建立模块402、瓦斯防治精细化模型建立模块403、采掘工作面精细化模型建立模块404、智能打钻模型建立模块405、钻孔煤岩识别与地质探测模块406以及瓦斯参数随钻测定模块407;
应说明的是,三维地质模型建立模块401用于建立三维地质模型来反映复杂地质条件下煤层的结构、物性、应力特征,为瓦斯防治提供基础数据和参数依据;异常检测模型建立模块402用于建立异常检测模型,对瓦斯浓度低值异常进行分析,识别其原因参数和影响参数;瓦斯防治精细化模型建立模块403用于建立瓦斯防治精细化模型,采掘工作面精细化模型建立模块404用于建立采掘工作面精细化模型,智能打钻模型建立模块405用于通过数据采集单元100采集到的实时数据以及服务器单元600中的历史数据建立智能打钻模型,钻孔煤岩识别与地质探测模块406用于进行钻孔煤岩识别与地质探测,瓦斯参数随钻测定模块407用于进行瓦斯参数随钻测定,模型建立单元400与可视化单元700连接,可视化单元700根据模型建立单元400中建立的模型产生的数据通过图表或三维模型方法展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
在一个可选的实施例中,如图3所示,为三维模型构建流程示意图,对巷道掘进数据进行Mesh模型构建,对地质勘探数据进行分层构建Delaunay三角网,对抽采钻孔数据进行克里金插值处理并构建TIN网格,根据Mesh模型构建结果、分层构建的Delaunay三角网以及TIN网格进行多源匹配、校正,并根据多源匹配、校正结果构建TEN模型,对地层岩性赋值之后,按照属性进行渲染地层,被渲染的地层包括体元模型以及面元模型,根据渲染后的模型完成对三维地质模型的建立。
在一个可选的实施例中,如图4所示,为采掘工作面精细化模型构建示意图,通过对采掘工作面有限元单元划分以及瓦斯防治区域网格划分,结合瓦斯防治实时数据以及采掘工作面实时数据,进行数值模拟法进行处理,根据处理后的精细化后的有限元单元以及精细化后的防治区域网格,完成瓦斯治理效果预测和评估;另外收集煤、岩层层位信息、以及钻探、物探等地学数据,对收集后的数据进行预处理,建立井巷模型、钻孔轨迹模型、煤层实体模型、覆地层实体模型以及地表模型;结合模型以及预测评估结果,完成采掘工作面精细化模型的建立。
在一个可选的实施例中,如图5所示,为瓦斯防治精细化模型示意图,收集瓦斯监测数据,瓦斯监测数据可以包括瓦斯浓度监测数据、流量数据、温度数据、风量数据、瓦斯压力数据以及气体数据,根据上述数据结合煤巷条带定向长钻孔预抽、定向长钻孔递进式瓦斯抽采以及定向长钻孔卸压瓦斯抽采,完成对基于声发射的煤岩动力灾害预测以及基于瓦斯地质与瓦斯涌出量智能动态预测预报,最终完成区域精准预测及智能预报警。
应说明的是,逻辑分析与控制单元500包括大数据智能分析模块501以及集群控制指令下发模块502,逻辑分析与控制单元500与数据采集单元100以及模型建立单元400连接,对数据采集单元100收集到的数据进行关系分析,并结合模型建立单元400中的瓦斯防治精细化模型建立模块403、智能打钻模型建立模块405、钻孔煤岩识别与地质探测模块406以及瓦斯参数随钻测定模块407完成对瓦斯涌出风险、钻孔效果的评估,并将评估结果通过可视化单元700展示给用户,为用户提供优化建议和预警信息;
应说明的是,集群控制指令下发模块502与大数据智能分析模块501单向连接,大数据智能分析模块501向集群控制指令下发模块502下发对瓦斯涌出风险、钻孔效果的评估结果数据,集群控制指令下发模块502根据对瓦斯涌出风险、钻孔效果的评估结果数据,利用仿真算法对机器人的钻孔参数、抽采方案进行自动化调优,实现煤层群区域机器人的集群控制。
综上所述,本申请提供了基于复杂地质条件瓦斯防控机器人集群控制系统,通过获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;再根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;再根据瓦斯分布历史数据以及抽采钻孔布设数据,结合神经网络训练瓦斯突出与机器人采集神经网络模型,并根据异常检测与自适应算法,建立自适应智能预警模型;再根据实时三维地质模型、采掘工作面的精细化模型、瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。提高煤矿瓦斯治理水平,确保安全高效开采。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例2
参照图1和图6,为本发明的一个实施例,提供了基于复杂地质条件瓦斯防控机器人集群控制方法,为了验证本发明的有益效果,通过对比实验进行科学论证。
获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;
可选的,可利用地质勘探数据,包括钻孔数据、地震数据、电磁法数据等,对复杂地质条件下的煤层进行三维地质建模,确定其空间位置和形态;
可选的,可利用巷道掘进数据,包括巷道坐标、巷道断面形式和尺寸等,对巷道进行三维地质建模,并将其与前述三维地质模型进行匹配和校正;
可选的,可利用抽采钻孔数据,包括钻孔坐标、钻孔方向、钻孔深度、钻孔煤岩样品、钻孔瓦斯测定数据等,对抽采钻孔进行三维地质建模,并将其与前述三维地质模型进行匹配和校正;
在本申请实施例中,可利用多源数据融合技术,对前述三维地质模型进行优化和更新,反映复杂地质条件下煤层的结构、物性、应力等特征,为瓦斯防治提供基础数据和参考依据。
在本申请实施例中,可以采用以下具体方法来实现三维地质建模和多源数据融合:
可选的,采用基于网格的方法,将复杂地质条件下的煤层划分为若干个网格单元,每个网格单元具有一定的空间位置和形态,并赋予其相应的属性值,如煤层厚度、密度、含水率、含气量、应力等;
可选的,采用基于反演的方法,利用地质勘探数据,如钻孔数据、地震数据、电法数据等,对每个网格单元的属性值进行反演计算,并根据反演结果对网格单元进行调整和优化,以提高三维地质模型的精度和可靠性;
可选的,采用基于插值的方法,利用巷道掘进数据,如巷道坐标、巷道断面形式和尺寸等,对三维地质模型中与巷道相交或相邻的网格单元进行插值计算,并根据插值结果对网格单元进行调整和优化,以提高三维地质模型的精度和可靠性;
可选的,采用基于更新的方法,利用抽采钻孔数据,如钻孔坐标、钻孔方向、钻孔深度、钻孔煤岩样品、钻孔瓦斯测定数据等,对三维地质模型中与抽采钻孔相交或相邻的网格单元进行更新计算,并根据更新结果对网格单元进行调整和优化,以提高三维地质模型的精度和可靠性;
可选的,采用基于融合的方法,利用多源数据融合技术,如加权平均法、最小二乘法、卡尔曼滤波法等,对不同来源的数据进行融合处理,并根据融合结果对网格单元进行调整和优化,以提高三维地质模型的精度和可靠性。
更进一步的,根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;
可选的,利用采掘工作面的实时数据,包括采掘进度、采掘位置、采掘参数、采掘设备状态等,建立采掘工作面的精细化模型,反映其对煤层群、大区域瓦斯分布和动态变化的影响;
可选的,利用瓦斯防治的实时数据,包括瓦斯抽采量、瓦斯浓度、瓦斯压力、瓦斯温度等,建立瓦斯防治的精细化模型,反映其对煤层群、大区域瓦斯分布和动态变化的影响;
在本申请实施例中,利用智能分析技术,对前述精细化模型进行综合分析,评估煤层群、大区域瓦斯治理效果,并将其以可视化方式展示给用户,为用户提供优化建议和预警信息。
在本申请实施例中,可以采用以下具体方法来实现精细化模型的建立和智能分析:
可选的,采用基于有限元的方法,将采掘工作面划分为若干个有限元单元,每个有限元单元具有一定的空间位置和形态,并赋予其相应的属性值,如采掘进度、采掘位置、采掘参数、采掘设备状态等;
可选的,采用基于数值模拟的方法,利用有限元单元的属性值和三维地质模型的数据,对采掘工作面对煤层群、大区域瓦斯分布和动态变化的影响进行数值模拟,并根据模拟结果对有限元单元进行调整和优化,以提高精细化模型的精度和可靠性;
可选的,采用基于网格的方法,将瓦斯防治区域划分为若干个网格单元,每个网格单元具有一定的空间位置和形态,并赋予其相应的属性值,如瓦斯抽采量、瓦斯浓度、瓦斯压力、瓦斯温度等;
可选的,采用基于数值模拟的方法,利用网格单元的属性值和三维地质模型的数据,对瓦斯防治对煤层群、大区域瓦斯分布和动态变化的影响进行数值模拟,并根据模拟结果对网格单元进行调整和优化,以提高精细化模型的精度和可靠性;
可选的,采用基于机器学习的方法,利用精细化模型的数据和历史数据,训练一个机器学习模型,如支持向量机、神经网络、随机森林等,对煤层群、大区域瓦斯治理效果进行预测和评估,并根据预测和评估结果对机器学习模型进行调整和优化,以提高智能分析的精度和可靠性;
可选的,采用基于可视化的方法,利用智能分析的结果和三维地质模型的数据,生成一个可视化界面,以图形、图表、颜色等方式展示给用户,为用户提供优化建议和预警信息。
根据瓦斯相关参数的历史数据以及抽采钻孔布设数据,结合神经网络训练煤与瓦斯突出机器人神经网络采集模型,并根据异常检测与自适应算法,建立自适应智能预警模型;
可选的,利用历史数据和专家知识,挖掘复杂地质条件下的瓦斯突出前兆特性,包括时间特性、空间特性、参数特性等,并将其作为训练数据输入到深度学习模型中;
可选的,利用实时数据和深度学习模型,对复杂地质条件下的危险区域进行趋势预测,并将其以可视化方式展示给用户,为用户提供优化建议和预警信息;
在本申请实施例中,可以利用异常检测技术,对瓦斯浓度低值异常进行分析,识别其可能的原因和影响,并将其以可视化方式展示给用户,为用户提供优化建议和预警信息;
在本申请实施例中,可以利用自适应算法,根据实时数据和历史数据的变化,动态调整深度学习模型和异常检测模型的参数和结构,提高预测准确率、建立多参量之间相关性等,形成自适应智能预警模型;
在本申请实施例中,可以利用视觉机器人技术,对作业场景、传感器铺设位置进行图像识别、定位及监控,实现对复杂地质条件下的煤层结构、分布、变化规律的认识和掌握,实现对复杂地质条件下的瓦斯治理效果的动态评估和预警,实现对复杂地质条件下的瓦斯防治过程的智能化管理和优化调度,实现对复杂地质条件下的瓦斯突出事故的及时预警和有效应急救援。
在本申请实施例中,可以采用以下具体方法来实现前兆特性挖掘、趋势预测、异常分析、自适应算法和视觉机器人技术:
可选的,采用基于关联规则的方法,利用历史数据和专家知识,挖掘复杂地质条件下的瓦斯突出前兆特性,包括时间特性、空间特性、参数特性等,如瓦斯浓度、瓦斯压力、温度、煤层应力、煤层裂隙等参数在不同时间段、不同空间区域的变化规律和关联关系,并将其作为训练数据输入到深度学习模型中;
可选的,采用基于循环神经网络的方法,利用实时数据和深度学习模型,对复杂地质条件下的危险区域进行趋势预测,并将其以可视化方式展示给用户,为用户提供优化建议和预警信息。循环神经网络可以有效地处理时序数据,捕捉数据的动态变化特征,并输出预测结果;
可选的,采用基于孤立森林的方法,利用异常检测技术,对瓦斯浓度低值异常进行分析,识别其可能的原因和影响,并将其以可视化方式展示给用户,为用户提供优化建议和预警信息。孤立森林是一种基于树结构的异常检测算法,可以有效地处理高维数据,快速地识别异常点,并输出异常分数;
可选的,采用基于强化学习的方法,利用自适应算法,根据实时数据和历史数据的变化,动态调整深度学习模型和异常检测模型的参数和结构,提高预测准确率、建立多参量之间相关性等,形成自适应智能预警模型。强化学习是一种基于反馈的学习算法,可以根据环境的变化和模型的表现,自动地调整模型的行为和策略,并输出最优解;
可选的,采用基于卷积神经网络的方法,利用视觉机器人技术,对作业场景、传感器铺设位置进行图像识别、定位及监控,实现对复杂地质条件下的煤层结构、分布、变化规律的认识和掌握,实现对复杂地质条件下的瓦斯治理效果的动态评估和预警,实现对复杂地质条件下的瓦斯防治过程的智能化管理和优化调度,实现对复杂地质条件下的瓦斯突出事故的及时预警和有效应急救援。卷积神经网络是一种基于深度学习的图像处理算法,可以有效地提取图像中的特征,并输出分类或定位结果。
在本申请实施例中,可以利用机器视觉和图像处理技术,开发煤矿智能打钻系统,可以自动识别钻孔位置、方向,进行精确定位,实现自动化或半自动化的打钻过程;
通过研发先进的传感技术和信号处理技术,开发瓦斯参数随钻测定系统,可以实时检测钻孔过程中的煤岩组分、瓦斯含量、压力等参数;
通过应用机器学习和模式识别算法,开发钻孔煤岩识别与地质探测系统,可以自动分析钻孔煤岩样品,识别不同类型的煤岩,实现对地质情况的智能判断;
通过综合运用计算机视觉、图像处理、导航定位、路径规划等技术,开发瓦斯防控机器人,可以自动巡视井下瓦斯监测点,进行瓦斯检测,并具有一定的灾害应急处理能力。
本发明通过上述系统的综合集成,构建智能的瓦斯防控机器人系统,实现井下煤岩识别、瓦斯监测、防控设备检查等任务的自动化,减少井下作业人员,提高作业效率和安全性。
可选的,根据三维地质模型和瓦斯分布数据,利用GIS技术构建煤矿瓦斯地质区划系统,对不同区域的瓦斯丰度、突出危险性等进行评级,为抽采钻孔布设提供参考;
可选的,运用专家系统和优化算法,开发抽采钻孔智能设计系统,根据煤层分布、瓦斯含量等数据,进行钻孔参数的自动化设计和优化;
可选的,利用计算机视觉和图像分析技术,建立钻孔设计方案智能审查系统,自动分析钻孔设计方案的合理性;
可选的,应用物联网技术和传感器,开发抽采效果动态监测系统,实时采集钻孔抽采数据,评估抽采效果;
可选的,运用云计算和大数据技术,构建信息集成和智能分析平台,收集各监测系统的数据,进行关系分析、数据挖掘,实现对瓦斯防治全过程的动态管理和优化。
综上所述,本申请提供了基于复杂地质条件瓦斯防控机器人集群控制方法,通过获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;再根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;再根据瓦斯分布历史数据以及抽采钻孔布设数据,结合神经网络训练瓦斯突出与机器人采集神经网络模型,并根据异常检测与自适应算法,建立自适应智能预警模型;再根据实时三维地质模型、采掘工作面的精细化模型、瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。提高煤矿瓦斯治理水平,确保安全高效开采。
根据所述实时三维地质模型、采掘工作面的精细化模型、煤与瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现基于复杂地质条件瓦斯防控机器人集群控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;
根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;
根据瓦斯分布历史数据以及抽采钻孔布设数据,结合神经网络训练瓦斯突出与机器人采集神经网络模型,并根据异常检测与自适应算法,建立自适应智能预警模型;
根据实时三维地质模型、采掘工作面的精细化模型、瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.基于复杂地质条件瓦斯防控机器人集群控制方法,其特征在于:包括,
获取煤矿采集过程中地质勘探、巷道掘进以及抽采钻孔数据,并进行预处理,建立实时三维地质模型;
根据利用采掘工作面的实时数据,建立采掘工作面的精细化模型;
根据瓦斯相关参数的历史数据以及抽采钻孔布设数据,结合神经网络训练煤与瓦斯突出机器人神经网络采集模型,并根据异常检测与自适应算法,建立自适应智能预警模型;
根据所述实时三维地质模型、采掘工作面的精细化模型、煤与瓦斯突出神经网络模型以及自适应智能预警模型,实现复杂地质条件瓦斯防控机器人集群控制。
2.基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:包括数据采集单元(100)、数据处理单元(200)、算法支撑单元(300)、模型建立单元(400)、逻辑分析与控制单元(500)、服务器单元(600)以及可视化单元(700),
数据采集单元(100),用于获取煤矿采集过程中的实时数据、采掘工作面的实时数据,以及瓦斯分布历史数据;
数据处理单元(200),用于处理所述数据采集单元(100)获取到的数据,并将处理后的数据传输至算法支撑单元(300);
算法支撑单元(300),用于为所述数据处理单元(200)处理后的数据以及模型建立单元(400)提供算法支撑;
模型建立单元(400),用于根据所述数据采集单元(100)采集到的数据以及所述算法支撑单元(300)提供的不同算法建立瓦斯防控机器人集群控制的相应模型;
逻辑分析与控制单元(500),用于对所述模型建立单元(400)建立的模型进行逻辑分析与控制,实现复杂地质条件瓦斯防控机器人集群控制;
服务器单元(600),用于存储所述数据采集单元(100)采集的实时数据,进行结构化保存,并保存所述模型建立单元(400)建立的模型,以及所述逻辑分析与控制单元(500)的分析结果;
可视化单元(700),用于通过数据展示方式展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
3.如权利要求2所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述数据采集单元(100)包括地质勘探数据采集模块(101)、巷道掘进数据采集模块(102)、抽采钻孔数据采集模块(103)、采掘工作面实时数据采集模块(104)以及瓦斯动态历史数据与实时数据采集模块(105),
所述地质勘探数据采集模块(101)获取煤矿采集过程中的钻孔数据、地震数据以及电磁法数据,所述巷道掘进数据采集模块(102)获取煤矿采集过程中巷道坐标、巷道断面形式和尺寸,所述抽采钻孔数据采集模块(103)获取煤矿采集过程中钻孔坐标、钻孔方向、钻孔深度、钻孔煤岩样品以及钻孔瓦斯测定数据,所述地质勘探数据采集模块(101)、巷道掘进数据采集模块(102)、抽采钻孔数据采集模块(103)向所述数据处理单元(200)中传输获取到的实时数据,并同时与融合处理模块(203)连接;
所述数据采集单元(100)中所有模块均与数据更新模块(201)相连,当所述数据更新模块在接收到来自数据采集单元(100)传输来的数据后,向所述服务器单元(600)发送更新数据指令,并同时将本次获取到的数据传输至服务器单元(600)中进行更新。
4.如权利要求3所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述数据采集单元(100)还包括,
所述采掘工作面实时数据采集模块(104)获取煤矿采集过程中的采掘进度、采掘位置、采掘参数以及采掘设备状态,所述采掘工作面实时数据采集模块(104)通过数据处理单元(200)以及算法支撑单元(300)与采掘工作面精细化模型建立模块(404)连接;
所述瓦斯动态历史数据与实时数据采集模块(105)获取煤矿采集过程中瓦斯抽采量、瓦斯浓度、瓦斯压力以及温度的历史与实时数据,所述瓦斯动态历史数据与实时数据采集模块(105)通过数据处理单元(200)以及算法支撑单元(300)与瓦斯防治精细化模型建立模块(403)连接。
5.如权利要求4所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述数据处理单元(200)包括数据更新模块(201)、区域网格划分模块(202)以及融合处理模块(203),
所述数据更新模块(201)与所述融合处理模块(203)全双工连接,所述融合处理模块(203)与区域网格划分模块(202)单向连接,所述融合处理模块(203)向所述区域网格划分模块(202)发送融合处理结果,所述数据更新模块(201)与区域网格划分模块(202)单向连接,所述区域网格划分模块(202)向所述数据更新模块(201)发送调整与优化后的数据;
所述融合处理模块(203)与三维地质模型建立模块(401)连接,所述融合处理模块(203)用于对所述地质勘探数据采集模块(101)、巷道掘进数据采集模块(102)、抽采钻孔数据采集模块(103)获取到的实时数据进行融合处理,所述融合处理模块(203)与区域网格划分模块(202)连接;
当所述区域网格划分模块(202)获取到融合处理结果时,所述区域网格划分模块(202)根据融合处理结果对网格单元进行调整和优化,并将所述调整与优化后的数据传输至所述数据更新模块(201)中,所述数据更新模块(201)与三维地质模型建立模块(401)连接;
若识别到所述数据更新模块(201)出现调整与优化后的数据,则所述三维地质模型建立模块(401)根据调整与优化后的数据对三维地质模型进行优化;
若未识别到所述数据更新模块(201)出现调整与优化后的数据,则保留原三维地质模型建立模块(401)中建立的三维地质模型。
6.如权利要求5所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述算法支撑单元(300)包括深度学习模块(301)、自适应模块(302)、视觉机器人模块(303)、瓦斯防控AI视觉模块(304)、异常检测算法模块(305)以及其他工业互联网技术模块(306),
所述采掘工作面实时数据采集模块(104)与所述其他工业互联网技术模块(306)相连,所述其他工业互联网技术模块(306)用于将采掘工作面划分为若干个有限元单元,每个有限元单元具有对应的空间位置和形态,并赋予其相应的属性值,所述属性值包括采掘进度、采掘位置、采掘参数、采掘设备状态,所述其他工业互联网技术模块(306)与采掘工作面精细化模型建立模块(404)单向相连;
所述瓦斯动态历史数据与实时数据采集模块(105)与所述算法支撑单元(300)连接,并通过所述算法支撑单元(300)与异常检测模型建立模块(402)以及瓦斯防治精细化模型建立模块(403)相连,所述瓦斯动态历史数据与实时数据采集模块(105)通过算法支撑单元(300)中的深度学习模块(301)对复杂地质条件下的危险区域进行趋势预测;
所述瓦斯动态历史数据与实时数据采集模块(105)通过算法支撑单元(300)中的视觉机器人模块(303)以及瓦斯防控AI视觉模块(304)与所述瓦斯防治精细化模型建立模块(403)连接,对作业场景、传感器铺设位置进行图像识别、定位及监控,获取复杂地质条件下的煤层特征;
所述瓦斯动态历史数据与实时数据采集模块(105)通过算法支撑单元(300)中的自适应模块(302)以及异常检测算法模块(305)动态调整深度学习模型和异常检测模型的参数和结构,并与异常检测模型建立模块(402)连接。
7.如权利要求6所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述模型建立单元(400)包括三维地质模型建立模块(401)、异常检测模型建立模块(402)、瓦斯防治精细化模型建立模块(403)、采掘工作面精细化模型建立模块(404)、智能打钻模型建立模块(405)、钻孔煤岩识别与地质探测模块(406)以及瓦斯参数随钻测定模块(407),
所述三维地质模型建立模块(401)用于建立三维地质模型来反映复杂地质条件下煤层的结构、物性、应力特征,为瓦斯防治提供基础数据和参数依据;所述异常检测模型建立模块(402)用于建立异常检测模型,对瓦斯浓度低值异常进行分析,识别其原因参数和影响参数;所述瓦斯防治精细化模型建立模块(403)用于建立瓦斯防治精细化模型,所述采掘工作面精细化模型建立模块(404)用于建立采掘工作面精细化模型,所述智能打钻模型建立模块(405)用于通过所述数据采集单元(100)采集到的实时数据以及服务器单元(600)中的历史数据建立智能打钻模型,所述钻孔煤岩识别与地质探测模块(406)用于进行钻孔煤岩识别与地质探测,所述瓦斯参数随钻测定模块(407)用于进行瓦斯参数随钻测定,所述模型建立单元(400)与可视化单元(700)连接,所述可视化单元(700)根据所述模型建立单元(400)中建立的模型产生的数据通过图表或三维模型方法展示瓦斯分布状况、钻孔效果评估结果,用于管理人员监测。
8.如权利要求7所述的基于复杂地质条件瓦斯防控机器人集群控制系统,其特征在于:所述逻辑分析与控制单元(500)包括大数据智能分析模块(501)以及集群控制指令下发模块(502),
所述逻辑分析与控制单元(500)与数据采集单元(100)以及模型建立单元(400)连接,对所述数据采集单元(100)收集到的数据进行关系分析,并结合所述模型建立单元(400)中的瓦斯防治精细化模型建立模块(403)、智能打钻模型建立模块(405)、钻孔煤岩识别与地质探测模块(406)以及瓦斯参数随钻测定模块(407)完成对瓦斯涌出风险、钻孔效果的评估,并将评估结果通过可视化单元(700)展示给用户,为用户提供优化建议和预警信息;
所述集群控制指令下发模块(502)与所述大数据智能分析模块(501)单向连接,所述大数据智能分析模块(501)向集群控制指令下发模块(502)下发对瓦斯涌出风险、钻孔效果的评估结果数据,所述集群控制指令下发模块(502)根据对瓦斯涌出风险、钻孔效果的评估结果数据,利用仿真算法对机器人的钻孔参数、抽采方案进行自动化调优,实现煤层群区域机器人的集群控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107724.1A CN117369254A (zh) | 2023-08-30 | 2023-08-30 | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107724.1A CN117369254A (zh) | 2023-08-30 | 2023-08-30 | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117369254A true CN117369254A (zh) | 2024-01-09 |
Family
ID=89404848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107724.1A Pending CN117369254A (zh) | 2023-08-30 | 2023-08-30 | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369254A (zh) |
-
2023
- 2023-08-30 CN CN202311107724.1A patent/CN117369254A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Application and outlook of information and intelligence technology for safe and efficient TBM construction | |
US11704449B1 (en) | Construction method of mine intelligent management and control platform based on geological survey guarantee system | |
CN108510112B (zh) | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 | |
CN112883559B (zh) | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 | |
CN102162370B (zh) | 基于gis的矿山安全管理信息系统 | |
CN111783304A (zh) | 矿山的仿真分析方法及装置、设备及存储介质 | |
AU2021101934A4 (en) | Intelligent prediction of shield existing tunnels and multi objective optimization control method of construction parameters based on data drive | |
US11846175B2 (en) | Estimating reservoir production rates using machine learning models for wellbore operation control | |
CN115830829A (zh) | 一种煤矿水害通用预报预警系统 | |
KR20180055518A (ko) | 3차원 잠재광산 부존지 예측 시스템 및 방법 | |
CN106453468B (zh) | 一种基于gis技术的煤矿突水预警方法 | |
CN114219211A (zh) | 一种基于理论与数据驱动融合的冲击地压风险评估方法 | |
Xie et al. | A virtual test and evaluation method for fully mechanized mining production system with different smart levels | |
CN116911115A (zh) | 一种数字孪生隧道与智能建造方法及系统 | |
CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
CN107798189A (zh) | 一种基于透明空间地球物理的精准动态防突方法 | |
CN107368463A (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
CN113464197B (zh) | 一种矿井水害应急管理方法和系统 | |
Zhang et al. | Risk identification for coal and gas outburst in underground coal mines: A critical review and future directions | |
CN114251125A (zh) | 一种煤矿水害智能预警系统 | |
NO20210927A1 (en) | Multi-objective completion parameters optimization for a wellbore using bayesian optimization | |
Fan et al. | Multi-agent system for tunnel-settlement monitoring: A case study in Shanghai | |
CN117094056A (zh) | 一种城市地下环路数字孪生智能建造方法及系统 | |
CN117369254A (zh) | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 | |
CN115200540B (zh) | 一种矿井巷道形变监测与预警方法及系统 |
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 |