CN117875533A - 矿用安全逃生路径规划方法及系统 - Google Patents
矿用安全逃生路径规划方法及系统 Download PDFInfo
- Publication number
- CN117875533A CN117875533A CN202410269737.7A CN202410269737A CN117875533A CN 117875533 A CN117875533 A CN 117875533A CN 202410269737 A CN202410269737 A CN 202410269737A CN 117875533 A CN117875533 A CN 117875533A
- Authority
- CN
- China
- Prior art keywords
- roadway
- nodes
- disaster
- information
- weighted directed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005065 mining Methods 0.000 title claims description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 239000003245 coal Substances 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 21
- 239000013598 vector Substances 0.000 description 12
- 238000011176 pooling Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 9
- 238000012732 spatial analysis Methods 0.000 description 8
- 238000013139 quantization Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013137 model compression technique Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及矿井灾害防治技术领域，具体而言，提供了矿用安全逃生路径规划方法及系统，根据灾害类型，确定和巷道对应的加权有向矩阵；根据加权有向矩阵，确定通行代价最小的路径作为逃生路径;加权有向矩阵基于巷道可达图获得，巷道可达图包括若干个节点，节点间之间通过关系连接，节点和巷道内地物对应，关系为节点之间巷道的属性；加权有向矩阵还包括灾害位点，灾害位点被配置于和灾害位点欧氏距离最短的巷道内。与现有技术相比，本发明实施例可以实现煤矿发生灾害时，提供避灾路线生成方法，为井下各个区域的工作人员提供实时、准确、智能的避灾指引。
Description
技术领域
本发明涉及矿井灾害防治技术领域，尤其涉及矿用安全逃生路径规划方法及系统。
背景技术
现有的避灾路线生成方式首先是通过人工标注的方式，获取煤矿井下矢量无向巷道图与巷道交汇点信息、矢量拓扑关系；其次，基于矢量无向巷道图，通过路径规划算法计算人员位置到避灾位置的最短路径；最后生成并发布避灾路线。
然而现有避灾路线生成方式存在以下缺点：首先是通过人工标注的方式，获得煤矿井下矢量无向巷道图与巷道交汇点信息、矢量拓扑关系，存在成本高、效率低、出错率高等问题；其次是基于矢量无向巷道图，通过路径规划算法计算最短路径时，未考虑灾害类型与对应的避灾方式，避灾路线与避灾方式脱节，极有可能给出错误的避灾路线。
发明内容
本发明至少一个方面和优点将在下面的描述中部分地被阐述，或者可以从描述中显而易见，或者可以通过实践本公开的主题来获取。
根据本发明的第一个方面，矿用安全逃生路径规划方法，包括：
根据灾害类型，确定和巷道对应的加权有向矩阵；
根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；
所述加权有向矩阵基于巷道可达图获得，所述巷道可达图包括若干个节点，节点间之间通过关系连接，所述节点和巷道内地物对应，所述关系为节点之间巷道的属性；
所述加权有向矩阵还包括灾害位点，所述灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
根据本发明的一个实施例，所述巷道可达图的获取过程包括：
根据煤矿井下工作面矿图，获得巷道信息；
根据地理信息模型，获得和巷道关联的地物作为图数据库的节点，地物之间巷道的属性作为节点之间的关系。
根据本发明的一个实施例，所述巷道可达图的获取过程还包括：
基于地物之间的物联网设备，获得地物之间的环境信息；
基于环境信息确定地物之间的联系的安全性，且响应于安全性为风险，更新地物之间的关系及关系属性。
根据本发明的一个实施例，所述加权有向矩阵的计算过程包括：
根据巷道底板高程信息，获得井下工作面的等高线模型；
基于等高线模型和井下GIS信息，获得和巷道对应的坡度信息；
基于灾害类型和坡度信息，确定节点之间关系和灾害类型对应的风险属性。
根据本发明的一个实施例，响应于灾害类型为水灾，所述风险属性根据节点之间的高程差、水平欧氏距离、坡度系数和灾害类型获得。
根据本发明的一个实施例，响应于灾害类型为瓦斯灾害，所述风险属性根据节点之间的高程差、风流方向、水平欧氏距离、坡度系数和灾害类型获得。
根据本发明的一个实施例，所述通行代价为基于路径规划算法获得的起始点和目标点之间的风险属性之和。
根据本发明的一个实施例，所述路径规划算法为Dijkstra算法。
根据本发明的一个实施例，所述巷道信息和巷道底板高程点信息通过CNN网络对煤矿井地图识别获得。
根据本发明的一个实施例，所述巷道可达图的获取过程还包括对节点间的关系进行空间识别，获得空间交汇点；基于空间交汇点更新巷道可达图。
根据本发明的第二个方面，矿用安全逃生路径规划系统，包括：
加权有向矩阵获取单元，用于根据灾害类型，确定和巷道对应的加权有向矩阵；
逃生路径获取单元，用于根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；
所述加权有向矩阵基于巷道可达图获得，所述巷道可达图包括若干个节点，节点间之间通过关系连接，所述节点和巷道内地物对应，所述关系为节点之间巷道的属性；
所述加权有向矩阵还包括灾害位点，所述灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
本发明实施例中，根据灾害类型，确定和巷道对应的加权有向矩阵；根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；加权有向矩阵基于巷道可达图获得，巷道可达图包括若干个节点，节点间之间通过关系连接，节点和巷道内地物对应，关系为节点之间巷道的属性；加权有向矩阵还包括灾害位点，灾害位点被配置于和灾害位点欧氏距离最短的巷道内。与现有技术相比，本发明实施例可以实现煤矿发生灾害时，提供避灾路线生成方法，为井下各个区域的工作人员提供实时、准确、智能的避灾指引。
附图说明
图1是本申请实施例一中公开的矿用安全逃生路径规划方法的流程示意图；
图2是本申请实施例一中公开的交汇巷道示意图；
图3是本申请实施例一中公开的交汇点E示意图；
图4是本申请实施例一中公开的煤矿井下工作面等高线模型示意图
图5是本申请实施例一中公开的巷道的坡度关系示意图
图6是本申请实施例一中公开的各点的邻接点信息与可达代价量值示意图
图7是本申请实施例二中公开的灾害实时信息
图8是本申请实施例二中公开的灾害实时信息插值结果
图9是本申请实施例二中公开的算法计算结果
图10是本申请实施例三中公开的矿用安全逃生路径规划系统的结构框图。
具体实施方式
现在将参照若干示例性实施例来论述本公开的内容。应当理解，论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本公开的内容，而不是暗示对本公开的范围的任何限制。
实施例一
如图1所示，图1为本发明实施例一公开的矿用安全逃生路径规划方法的示意性流程图，该矿用安全逃生路径规划方法包括：
步骤S101，根据灾害类型，确定和巷道对应的加权有向矩阵。
在本发明中，加权有向矩阵基于巷道可达图获得，巷道可达图包括若干个节点，节点间之间通过关系连接，节点和巷道内地物对应，关系为节点之间巷道的属性。
在本发明中，加权有向矩阵还包括灾害位点，灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
其中，巷道可达图的具体获取过程不限，可根据实际应用需求进行合理选择。
可选地，为了使得巷道可达图的获取更准确，可优选根据煤矿井下工作面框图来获得巷道可达图。具体而言，巷道可达图的获取过程可以包括下述步骤A1-A2：
步骤A1，根据煤矿井下工作面矿图，获得巷道信息。
步骤A2，根据地理信息模型，获得和巷道关联的地物作为图数据库的节点，地物之间巷道的属性作为节点之间的关系。
其中，在步骤A1中，煤矿井下工作面矿图的具体获取方式不限，可根据实际应用需求进行合理选择。
其中，在步骤A1中，巷道信息的具体参数种类不限，可根据实际应用需求进行合理选择。
其中，在步骤A1中，根据煤矿井下工作面矿图获得巷道信息的具体获得方式不限，可根据实际应用需求进行合理选择。
可选地，可以使用CNN技术，即卷积神经网络来实现煤矿井下工作面矿图中巷道信息的识别。
其中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络包含输入层、隐含层、输出层。
卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。
卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些更为现代的算法中可能有Inception模块、残差块等复杂构筑。在常见构筑中，卷积层和池化层为卷积神经网络特有。
卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同。对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。在物体识别问题中，输出层可设计为输出物体的中心坐标、大小和分类。在图像语义分割中，输出层直接输出每个像素的分类结果。
其中，在步骤A2中，地理信息模型的具体获得方式不限，可根据实际应用需求进行合理选择。
其中，在步骤A2中，图数据库属于非关系型数据库。图数据库对数据的存储、查询以及数据结构都和关系型数据库有很大的不同。图数据结构直接存储了节点之间的依赖关系，而关系型数据库和其他类型的非关系型数据库则以非直接的方式来表示数据之间的关系。图数据库把数据间的关联作为数据的一部分进行存储，关联上可添加标签、方向以及属性，而其他数据库针对关系的查询必须在运行时进行具体化操作，这也是图数据库在关系查询上相比其他类型数据库有巨大性能优势的原因。
其中，在步骤A2中，根据地理信息模型获得和巷道关联的地物作为图数据库的节点地物之间巷道的属性作为节点之间的关系的具体获得方式不限，可根据实际应用需求进行合理选择。
可选地，使用GIS空间分析技术，获得和巷道关联的地物作为图数据库的节点，地物之间巷道的属性作为节点之间的关系。
其中，GIS空间分析技术指的是在GIS（地理信息系统）里实现分析空间数据，即从空间数据中获取有关地理对象的空间位置、分布、形态、形成和演变等信息并进行分析。
GIS空间分析赖以进行的基础是地理空间数据库，其运用的手段包括各种几何的逻辑运算、数理统计分析，代数运算等数学手段，最终的目的是解决人们所涉及到地理空间的实际问题，提取和传输地理空间信息，特别是隐含信息，以辅助决策。
可选地，巷道可达图获取过程的一个实施例可以为：
（1）对矢量巷道数据进行插值运算，计算出不同巷道之间是否有交汇点，以及计算交汇点坐标。
（2）将CNN识别出的煤矿底板高程信息贴合到欧氏距离最近的巷道上，并得到巷道的坡度趋势。
（3）根据灾害类型，结合巷道坡度信息，生成巷道各交汇点的加权有向矩阵。
进一步的，巷道可达图的获取过程还包括下述步骤B1-B2：
步骤B1，基于地物之间的物联网设备，获得地物之间的环境信息。
步骤B2，基于环境信息确定地物之间的联系的安全性，且响应于安全性为风险，更新地物之间的关系及关系属性。
其中，在步骤B1中，物联网设备的具体选取类型不限，可根据实际应用需求进行合理选择。
其中，在步骤B1中，环境信息的具体获取参数不限，可根据实际应用需求进行合理选择。
其中，煤矿井下工作面矿图是不断更新和变化的，
其中，煤矿井下工作面可以为固定原始的工作面，煤矿井下工作面矿图也可以为固定原始的工作面更新和变化后的。
上文中，在安全性为风险时，则相应的巷道属性可能发生了变更，从而导致巷道发生了事实上的中断，例如，在一个巷道内存在火情时，则需要在图数据库内增加一个新的节点，此节点的位置可以为对应的地物的位点，或者为依据物联网确定的实际的灾情的地点，通过此方式可以更新实际的巷道可达图，从而在路径规划环节，避免无效的路径规划。
进一步的，巷道可达图的获取过程还包括下述步骤C1-C2：
步骤C1，对节点间的关系进行空间识别，获得空间交汇点。
步骤C2，基于空间交汇点更新巷道可达图。
可选地，巷道可达图的获取过程的一个实施例可以为：
GIS空间分析模型建模流程：
GIS空间分析模型建模流程包含煤矿井下巷道坐标信息交汇插值分析、结合高程点及坐标信息进行坡度与距离加权分析、煤矿巷道有向可达矩阵计算等3个步骤。
（1）煤矿井下巷道坐标信息交汇插值分析
煤矿井下巷道坐标信息交汇插值分析的作用是将CNN识别出的巷道信息进行GIS空间分析、并对交汇点进行插值计算，为最终构建煤矿巷道有向可达矩阵提供基础依据。
煤矿井下巷道坐标信息交汇插值分析包含空间分析与交汇插值两个步骤。
1）空间分析
空间分析即将CNN识别出的巷道信息进行两两分析，通过GIS空间分析，得出两条巷道是否交汇。
图2为巷道交汇示意图，此时巷道1（CD）与巷道2（AB）为交汇关系，交汇点为图中绿点。
2）交汇插值
在图2的基础上，通过GIS拓扑分析，得出交汇点E的坐标，如图3所示。
并将始的可达关系进行扩展，如表1所示。
表1可达关系扩展示意表
通过煤矿井下巷道坐标信息交汇插值分析，得到了不同巷道之间的空间交汇关系，并且通过空间插值更新巷道可达图。
可选地，加权有向矩阵的计算过程可以包括下述步骤D1-D3：
D1，根据巷道底板高程信息，获得井下工作面的等高线模型。
D2，基于等高线模型和井下GIS信息，获得和巷道对应的坡度信息。
D3，基于灾害类型和坡度信息，确定节点之间关系和灾害类型对应的风险属性。
其中，在步骤D1中，巷道底板高程信息的具体包含参数不限，可根据实际应用需求进行合理选择。
可选地，为了使得获得的巷道底板高程信息更准确，可优选巷道信息和巷道底板高程信息通过CNN网络对煤矿井地图识别获得。
在本发明的一个实施例中，CNN网络获得煤矿巷道信息、煤矿巷道底板高程信息的关键技术点分析如下：
1）获取训练数据
训练数据包含煤矿巷道图例数据与煤矿底板高程点图例数据。煤矿巷道图例数据与煤矿底板高程点图例数据均获取自符合GB/T50593-2010《煤炭矿井制图标准》的各级煤矿井下工作面底图。
（2）建模过程
1）、技术路线
建模过程基于深度学习中的卷积神经网络技术，包含卷积、池化、全连接等3个步骤。
①、卷积
卷积是卷积神经网络中的一个基本组成部分，用于提取输入数据的特征。卷积操作是指将一个滤波器（也叫卷积核）在输入数据上按照一定的步长进行滑动并计算卷积值，通过这个操作可以从输入数据中提取出其中的局部特征。
在卷积层中，每个滤波器都包含若干个可学习的参数，可以通过反向传播算法自适应地调整这些参数，以最大化模型的性能指标。由于卷积核的共享机制，卷积层具有较少的参数量和计算量，使得模型更易于训练和优化。
除了卷积操作之外，卷积层通常还包括偏置项、激活函数、步长、填充等参数，以控制特征图的尺寸、数量和非线性变换。在深度卷积神经网络中，多个卷积层可以构成多级抽象特征提取器，从而实现更高层次和复杂的特征学习。
②、池化
池化是卷积神经网络中的一种常用操作，主要用于降低特征向量的空间维度。其基本思想是对输入数据进行划分，然后在每个子区域中提取一个代表性的数值作为输出。
在实践中，常见的池化方式包括最大池化和平均池化两种。其中，最大池化将每个子区域中的最大值作为输出，而平均池化则计算每个子区域中所有数值的平均值作为输出。
③、全连接
全连接是深度神经网络中最基础的一种层类型，也称为密集连接层。在全连接层中，每个神经元都与前一层中的所有神经元相连，因此它的输入是一个向量，输出也是一个向量。全连接层常用于分类任务和回归任务中，但由于其参数量较大且缺乏空间信息建模能力，因此在一些特定的任务中也可能不是最优选择。
全连接的作用对提取的特征进行非线性组合以得到输出。全连接层本身不具有特征提取能力，而是使得目标特征图失去空间拓扑结构，被展开为向量。
全连接层也称为线性层或稠密层，是卷积神经网络中的一种常用层，用于将前面的卷积层和池化层等得到的特征图转换为一个向量，并输出最终的分类结果。
2）、建模流程
建模流程主要包含模型训练、模型验证、模型量化、模型输出等4个步骤。
①、模型训练
CNN参数训练过程与传统的人工神经网络类似，采用BP反向传播算法，包括前向传播与反向传播两个阶段。
前向传播即为从图像输入到结果输出及误差计算的正向传输步骤。
反向传播步骤即为从误差开始，向前的传播过程。在反向传播的过程中，使用梯度下降技术将误差逐层传递，并将每一层的参数向着误差减小的方向修正。
通过不断地进行前向传播与反向传播，CNN的各项参数将被不断优化。
②、模型验证
模型训练之前，所有已获取的训练数据将被以8:1:1的比例划分为训练集、验证集、测试集。
训练集主要负责支撑模型训练步骤；验证集、测试集则用于模型验证。
验证集的主要目的是为了查看训练效果，模型训练的效果是否朝着不符合预期结果的方向进行。验证集的作用是体现在训练的过程。通过查看训练集和验证集的损失值随着训练周期的变化关系可以看出模型是否过拟合，如果是可以及时停止训练，然后根据情况调整模型结构和超参数，大大节省时间。
测试集的主要目的是为了测试网络的实际学习能力，评估最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。
本发明通过验证集、测试集来进行模型验证步骤，并对模型的表现进行评分（F1）。
本发明在当模型识别精度达到98%以上时，开始模型量化与输出步骤，否则将继续模型训练、模型验证的步骤。
③、模型量化
高计算量的深度模型需要较长训练时间，对于线下训练还是可以接受的，因为训练通常进行一次或以固定的时间间隔进行，但在生产环境中进行线上部署变得极其困难。在这种情况下模型压缩技术变得至关重要，因为压缩能够在不影响准确性的情况下减少庞大模型的占用空间。
模型量化是将值从大集合映射到较小集合的过程，其目标是在转换中具有最少的信息损失。这个过程被广泛应用于各个领域，包括信号处理、数据压缩、信号转换等等。
本发明采用模型修剪的方式对训练模型进行量化压缩。模型修剪涉及清除对模型性能的贡献较小的神经元或某些神经元之间的连接。剪枝之所以有效是因为深度神经网络本质上是稀疏的。
④、模型输出
通过模型训练、模型验证、模型量化步骤后，相关识别模型将被以参数文件的方式输出并存储。
其中，在步骤D1中，井下工作面的等高线模型的具体类型不限，可根据实际应用需求进行合理选择。
其中，在步骤D2中，井下GIS信息的具体参类型不限，可根据实际应用需求进行合理选择。
其中，在步骤D2中，坡度信息的具体类型不限，可根据实际应用需求进行合理选择。
可选地，加权有向矩阵的计算过程的一个示例性举例为：
首先，坡度与距离加权分析包含：煤矿底板高程数据融合、坡度距离加权计算等2个步骤。
1）煤矿底板高程数据融合
使用径向基函数将高程信息与信息标注坐标进行运算，得出煤矿井下工作面的大致等高线模型，如图4所示。
将煤矿井下巷道GIS信息与图4中的等高线模型叠加，得到每一条巷道的坡度关系，如图5所示。
2）坡度距离加权计算
如图6所示，假设人员实时定位处于点C，A、B为最近2个避灾地点。坡度与距离加权计算最终将得到巷道中C->A与C->B之间通行的代价量值CCA与CCB。坡度距离加权计算时需分灾害类型计算，最终将为每一类灾害类型生成一套加权计算结果。
其次，煤矿巷道加权有向矩阵计算为：
通过煤矿井下巷道坐标信息交汇插值分析与结合高程点及坐标信息进行坡度与距离加权分析两个步骤，可以得到图状数据结构的煤矿井下各点的邻接点信息与可达代价量值。以水灾为例，当灾害类型为水灾时，得到的图像数据结构的煤矿井下各点的邻接点信息与可达代价量值如图6所示。
将该图状数据结构使用矩阵表示，如表2所示，以水灾为例，并存储到图数据库中，供后续算法查询。
表2巷道对应的加权有向矩阵
进一步地，响应于灾害类型为水灾，风险属性根据节点之间的高程差、水平欧氏距离、坡度系数和灾害类型获得。
可选地，当发生水灾时，人员的避灾路线应尽量考虑向高处走，图5中巷道C->B的坡度系数ECB=1+(HBC/DCB)。其中HBC表示C点高程与B点高程的差,此时为负值，DCB表示C、B两点的水平欧氏距离。计算得出ECB=0.9833。此时C->B的代价量值CCB=ECB*DCB=0.9833*480.32=472.2986。
巷道C->A的坡度系数为ECA=1+(HCA/DCA)。此时HCA为正数，计算得出ECA=1.0167。此时C->A的代价量值CCA=ECA*DCA=1.0167*470.16=478.0117。
此时虽然C点到AB两点的距离DCA<DCB，但因为此时的灾害类型为水灾，综合了坡度与距离后代价量值CCA>CCB，表示当发生水灾时，从C到B的代价<从C到A的代价。此时算法根据贪心法则，系统将选择C->B。
进一步地，响应于灾害类型为瓦斯灾害，所述风险属性根据节点之间的高程差、风流方向、水平欧氏距离、坡度系数和灾害类型获得。
可选地，当发生火灾与瓦斯灾害时，需考虑井下巷道的风流方向，人员避灾时应选择与风流相反的方向。如井下巷道风流为下行风，代价量值的计算方式与水灾相同。如井下巷道风流为上行风，计算方式则刚好相反。
步骤S102，根据加权有向矩阵，确定通行代价最小的路径作为逃生路径。
在本发明中，通行代价为基于路径规划算法获得的起始点和目标点之间的风险属性之和。
在本发明中，路径规划算法为Dijkstra算法。
其中，Dijkstra算法，即迪杰斯特拉算法，是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始，采用贪心算法的策略，每次遍历到始点距离最近且未访问过的顶点的邻接节点，直到扩展到终点为止。
本发明实施例中，根据灾害类型，确定和巷道对应的加权有向矩阵；根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；加权有向矩阵基于巷道可达图获得，巷道可达图包括若干个节点，节点间之间通过关系连接，节点和巷道内地物对应，关系为节点之间巷道的属性；加权有向矩阵还包括灾害位点，灾害位点被配置于和灾害位点欧氏距离最短的巷道内。与现有技术相比，本发明实施例可以实现煤矿发生灾害时，提供避灾路线生成方法，为井下各个区域的工作人员提供实时、准确、智能的避灾指引。
实施例二
本实施例结合具体的应用场景对本发明的方案做详细介绍。
1、实时空间分析
实时空间分析需要综合计算实时信息与预处理模型。实时信息包含灾害实时信息（灾害类型、灾害位置等）、人员实时定位（井下各工作人员的实时定位）、避灾地点信息（逃生出口或避灾硐室位置信息）。实时空间分析包含GIS空间分析、插值运算、生成加权有向矩阵等3个步骤。
（1）GIS空间分析
通过将灾害实时信息、人员实时定位、避灾地点信息与巷道信息进行空间分析，得到其位于巷道的位置，如图7所示（以水灾为例）。
（2）插值运算
将灾害实时信息插值到欧氏距离最近的巷道之中，如图8所示。
图8表示了将灾害实时信息插值之后的结果，S表示人员出发地点，E表示避灾地点，“水”表示水灾位置。图7中原有的1->2、2–>1可达属性变为了S->1、S->2。图7中原有的4->7、7->4可达属性被切断。图7中原有的8->9、9->8可达属性变为了8->E、9->E。
（3）生成加权有向矩阵
根据图8生成的加权有向矩阵如表3所示。
表3加权有向矩阵
2、迪杰斯特拉算法计算避灾路线
首先建立出发点S到其余各地点的初始最短路径矩阵，如表4所示。
表4出发点S到其余各地点的初始最短路径矩阵
此时根据图8、表4，仅可得出S->1、S->2的通行代价，所以暂时假设S到其余各地点（包含避灾地点E）的通行代价都为正无穷∞。
迪杰斯特拉算法属于贪心算法，所以从目前已知通行代价最小的地点开始计算。由于165<171，所以算法的关注点由S转移到了点2。
如图8，点2有3个邻接点，分别是3、4、5。
假设从S->2->3，通行代价为165+470=635。由于S->2->3的通行代价635<表4中已知的S->3的通行代价∞，所以算法将更新表4的S->3通行代价，如表5所示，绿色表示已经关注过的节点，蓝色表示本次修改的节点。
表5出发点S到其余各地点的最短路径矩阵
同理，通过计算S->2->4、S->2->5的通行代价，更新S->4、S->5的通行代价，如表6所示。
表6出发点S到其余各地点的最短路径矩阵
现在点2的所有邻接点均已计算完毕，根据迪杰斯特拉贪心算法的思想，注意力为节点1，因为S->1的通行代价为目前未关注节点中最小的。
节点1除了起始点S以外，只有一个邻接节点3。假设S->1->3，通行代价为171+420=591。算法将回顾出发点S到其余各地点的最短路径矩阵，发现目前S->3的通行代价为635，大于S->1->3的通行代价，所以算法将更新S->3的通行代价与路径，如表7所示。
表7出发点S到其余各地点的最短路径矩阵
算法继续将注意力放到节点4，此时根据图8与表3，节点4与节点7之间已经发生水灾，所以节点4与节点7的双向通行代价均为∞。
由于S->2必然小于S->2->4->2，所以此时不必从节点4回溯至节点2。
节点4目前只剩下一个邻接节点，即节点6。根据S->2->4->6计算得到的通行代价为477+185=662，并更新实时最短路径矩阵，如表8所示。
表8出发点S到其余各地点的最短路径矩阵
同理，算法继续运行，直到将全部节点计算完毕，得到的出发点S到其余各地点的最短路径矩阵如表9所示。
表9出发点S到其余各地点的最短路径矩阵
最终得出S->E的最小通行代价路径为S->2->4->6->8->E，总通行代价为1149，如图9所示。
实施例三
如图3所示，图3为本发明实施例三公开的矿用安全逃生路径规划系统的结构框图，该矿用安全逃生路径规划系统包括：
加权有向矩阵获取单元，用于根据灾害类型，确定和巷道对应的加权有向矩阵；
逃生路径获取单元，用于根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；
所述加权有向矩阵基于巷道可达图获得，所述巷道可达图包括若干个节点，节点间之间通过关系连接，所述节点和巷道内地物对应，所述关系为节点之间巷道的属性；
所述加权有向矩阵还包括灾害位点，所述灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。出于示例和描述的目的，已经给出了本公开实施的前述说明。前述说明并非是穷举性的也并非要将本公开限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本公开的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本公开的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本公开。
Claims (11)
1.矿用安全逃生路径规划方法，其特征在于，包括：
根据灾害类型，确定和巷道对应的加权有向矩阵；
根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；
所述加权有向矩阵基于巷道可达图获得，所述巷道可达图包括若干个节点，节点间之间通过关系连接，所述节点和巷道内地物对应，所述关系为节点之间巷道的属性；
所述加权有向矩阵还包括灾害位点，所述灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
2.如权利要求1所述的矿用安全逃生路径规划方法，其特征在于，所述巷道可达图的获取过程包括：
根据煤矿井下工作面矿图，获得巷道信息；
根据地理信息模型，获得和巷道关联的地物作为图数据库的节点，地物之间巷道的属性作为节点之间的关系。
3.如权利要求2所述的矿用安全逃生路径规划方法，其特征在于，所述巷道可达图的获取过程还包括：
基于地物之间的物联网设备，获得地物之间的环境信息；
基于环境信息确定地物之间的联系的安全性，且响应于安全性为风险，更新地物之间的关系及关系属性。
4.如权利要求2所述的矿用安全逃生路径规划方法，其特征在于，所述加权有向矩阵的计算过程包括：
根据巷道底板高程信息，获得井下工作面的等高线模型；
基于等高线模型和井下GIS信息，获得和巷道对应的坡度信息；
基于灾害类型和坡度信息，确定节点之间关系和灾害类型对应的风险属性。
5.如权利要求4所述的矿用安全逃生路径规划方法，其特征在于，响应于灾害类型为水灾，所述风险属性根据节点之间的高程差、水平欧氏距离、坡度系数和灾害类型获得。
6.如权利要求4所述的矿用安全逃生路径规划方法，其特征在于，响应于灾害类型为瓦斯灾害，所述风险属性根据节点之间的高程差、风流方向、水平欧氏距离、坡度系数和灾害类型获得。
7.如权利要求4所述的矿用安全逃生路径规划方法，其特征在于，所述通行代价为基于路径规划算法获得的起始点和目标点之间的风险属性之和。
8.如权利要求7所述的矿用安全逃生路径规划方法，其特征在于，所述路径规划算法为Dijkstra算法。
9.如权利要求4所述的矿用安全逃生路径规划方法，其特征在于，所述巷道信息和巷道底板高程信息通过CNN网络对煤矿井地图识别获得。
10.如权利要求2所述的矿用安全逃生路径规划方法，其特征在于，所述巷道可达图的获取过程还包括对节点间的关系进行空间识别，获得空间交汇点；
基于空间交汇点更新巷道可达图。
11.矿用安全逃生路径规划系统，其特征在于，包括：
加权有向矩阵获取单元，用于根据灾害类型，确定和巷道对应的加权有向矩阵；
逃生路径获取单元，用于根据加权有向矩阵，确定通行代价最小的路径作为逃生路径；
所述加权有向矩阵基于巷道可达图获得，所述巷道可达图包括若干个节点，节点间之间通过关系连接，所述节点和巷道内地物对应，所述关系为节点之间巷道的属性；
所述加权有向矩阵还包括灾害位点，所述灾害位点被配置于和灾害位点欧氏距离最短的巷道内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269737.7A CN117875533B (zh) | 2024-03-11 | 矿用安全逃生路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269737.7A CN117875533B (zh) | 2024-03-11 | 矿用安全逃生路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875533A true CN117875533A (zh) | 2024-04-12 |
| CN117875533B CN117875533B (zh) | 2024-06-11 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105804794A (zh) * | 2016-03-22 | 2016-07-27 | 太原理工大学 | 一种用于矿井下多巷道任意角度耦合的水害漫延系统 |
| US20170304659A1 (en) * | 2014-09-09 | 2017-10-26 | Shuo hong CHEN | Intelligent disaster prevention and escape method and system |
| CN108154265A (zh) * | 2017-12-22 | 2018-06-12 | 中国矿业大学 | 一种矿井火灾逃生路径的元胞自动机优化与引导方法 |
| CN116227766A (zh) * | 2022-12-29 | 2023-06-06 | 中煤科工西安研究院(集团)有限公司 | 一种矿井智能逃生路线规划方法 |
| CN116362440A (zh) * | 2023-03-29 | 2023-06-30 | 中煤科工集团重庆研究院有限公司 | 煤矿皮带火灾避灾路径规划方法及系统 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170304659A1 (en) * | 2014-09-09 | 2017-10-26 | Shuo hong CHEN | Intelligent disaster prevention and escape method and system |
| CN105804794A (zh) * | 2016-03-22 | 2016-07-27 | 太原理工大学 | 一种用于矿井下多巷道任意角度耦合的水害漫延系统 |
| CN108154265A (zh) * | 2017-12-22 | 2018-06-12 | 中国矿业大学 | 一种矿井火灾逃生路径的元胞自动机优化与引导方法 |
| CN116227766A (zh) * | 2022-12-29 | 2023-06-06 | 中煤科工西安研究院(集团)有限公司 | 一种矿井智能逃生路线规划方法 |
| CN116362440A (zh) * | 2023-03-29 | 2023-06-30 | 中煤科工集团重庆研究院有限公司 | 煤矿皮带火灾避灾路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
| CN111462282B (zh) | 一种场景图生成方法 | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
| CN108507575A (zh) | 一种基于rrt算法的无人船海面路径规划方法及系统 | |
| CN109389043A (zh) | 一种无人机航拍图片的人群密度估计方法 | |
| CN110992473A (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
| CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
| Dehbi et al. | Robust and fast reconstruction of complex roofs with active sampling from 3D point clouds | |
| Yang et al. | [Retracted] A Method of Image Semantic Segmentation Based on PSPNet | |
| CN113988198A (zh) | 一种基于地标约束的多尺度城市功能分类方法 | |
| CN117875533B (zh) | 矿用安全逃生路径规划方法及系统 | |
| CN116129118B (zh) | 基于图卷积的城市场景激光LiDAR点云语义分割方法 | |
| Xu et al. | Fast and accurate registration of large scene vehicle-borne laser point clouds based on road marking information | |
| CN112529010A (zh) | 一种基于在线局部特征提取的点云识别方法 | |
| CN115049786B (zh) | 任务导向的点云数据下采样方法及系统 | |
| CN117875533A (zh) | 矿用安全逃生路径规划方法及系统 | |
| CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
| CN116310967A (zh) | 一种基于改进YOLOv5的化工厂安全帽佩戴检测方法 | |
| CN113988184A (zh) | 一种矢量道路数据匹配与更新方法、装置和计算机设备 | |
| CN112633376A (zh) | 基于深度学习的点云数据地物分类方法、系统与存储介质 | |
| LU502699B1 (en) | Method and system for predicting risk of geological disasters in villages and towns | |
| Zhu et al. | Human Pose Estimation Based on Deep Neural Network | |
| CN117553807B (zh) | 基于激光雷达的自动驾驶导航方法及系统 | |
| CN117171856B (zh) | 一种基于手持Lidar的公路铁路数字信息建模方法 |
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 |