-
题名煤矿井下钻进工况参数智能控制技术发展与展望
被引量：1
- 1
-
-
作者
王清峰
刘洋
陈航
史书翰
崔小超
-
机构
煤炭科学研究总院
煤矿灾害防控全国重点实验室
中煤科工集团重庆研究院有限公司
兖煤菏泽能化有限公司
-
出处
《矿业安全与环保》
北大核心
2025年第1期20-29,共10页
-
基金
中煤科工集团重庆研究院有限公司重点研发项目(2022ZDXM13)
天地科技股份有限公司科技创新创业项目(2022-2-TD-ZD008)
重庆英才创新创业领军人才项目(cstc2024ycjh-bgzxm0135)。
-
文摘
煤矿智能化和高产高效矿井的建设,对煤矿井下钻探智能化技术提出了更高要求。梳理了煤矿井下智能钻探技术发展历程,指出经过井下远距离手动控制、地面远距离手动控制、地面远距离自动控制、双模式自动控制等4个发展阶段后,煤矿井下钻探技术目前正处于智能化钻探探索阶段。从基于专家数据库、机器学习、云系统等3个方向,总结阐述了煤矿井下钻探智能化的关键核心技术——钻进工况参数智能控制技术的发展情况:专家数据库方面,介绍了其在矿业领域的主要应用范围,以及被引入到智能化钻探领域后的4个发展阶段,并对比给出了每个阶段的技术特点和先进性;机器学习方面,总结了在优化模型、优化算法、辅助控制手段等方向的最新研究成果,阐明了每个研究方向面临的难题和未来的研究思路;云系统方面,从石油开采、地质勘探、煤矿井下钻探3个方向探讨了最新发展情况。结合当前应用条件,综合评述了3种钻进工况参数智能控制方法的优缺点,分析了当前智能钻进存在的控制手段单一、多功能拓展应用不足等问题,从技术延展、控制闭环、策略多元、体系统一等角度对煤矿井下钻进工况参数智能控制与煤矿智能化建设深度融合应用提出了展望,为基于多信息融合的自适应钻进技术研究提供理论支撑。
-
关键词
智能化钻进
钻进工况参数
智能控制
专家数据库
机器学习
云系统
-
Keywords
intelligent drilling
drilling condition parameter
intelligent control
expert database
machine learning
cloud system
-
分类号
TD41
[矿业工程—矿山机电]
TD823
[矿业工程—煤矿开采]
TD166
[矿业工程—矿山地质测量]
-
-
题名基于深度学习的煤矿钻进机器人送钻位姿测量方法
- 2
-
-
作者
罗江南
李建平
江红祥
张德义
-
机构
中国矿业大学机电工程学院
苏州科技大学机械工程学院
-
出处
《煤炭学报》
北大核心
2025年第7期3679-3691,共13页
-
基金
青年科学基金资助项目(51605479)
山西省揭榜招标资助项目(20201101010)
江苏省高等学校基础科学(自然科学)研究面上资助项目(23KJB440002)。
-
文摘
井下钻孔是一种常用的施工方式,需要反复进行钻杆的装卸。为了实现钻杆的智能装卸,送钻位姿的测量尤为重要。然而,煤矿井下的复杂环境中,存在多尘多雾且光照多变的情况,使得传统方法的识别能力难以满足要求。此外,送钻时钻杆并没有安装在钻机上,直接测量不切实际。针对煤矿井下送钻位姿难以测量的问题,提出了一种基于深度学习的送钻位姿测量方法。该方法由基于改进的PointNet++分割模型和基于动力头与夹持器点云配准两部分组成。首先,为应对目前公开的钻机点云数据集规模不足的问题,搭建钻机点云获取平台,使用3D相机在夜间采集钻机点云数据。采集时,光照完全来自LED灯,以模拟井下光照不均的情况。为了模拟多尘多雾的井下环境,在点云数据中增加椒盐噪声,并在建立标签时将噪声单独分类,以达到去噪效果。其次,在PointNet++的基础上集成生成对抗网络以捕捉更复杂和微细的点云特征;同时,采用聚焦损失函数,提高模型对动力头和夹持器的关注度,并使用贝叶斯参数优化算法进行超参数调整。然后,使用点特征直方图(FPFH)和迭代最近点(ICP)算法对被测点云进行配准,以得到被测点云至源点云的转换矩阵;最终,确定送钻位置和方向向量,并以此定义送钻位姿。为了对所提方法的测量精度进行评估,采集6组钻杆安装在钻机上的钻进场景点云,通过Cloud compare软件手动分割,测量钻杆位姿。在自建数据集上的实验结果表明,改进的PointNet++模型在交并比(IoU)和分割精度(Precision)方面分别提升了17.7%和37.8%。其中,对于动力头和夹持器的IoU分别提升了34.9%和60.3%。在送钻位姿测量方面,平均距离误差为6.39 mm,径向距离误差为5.34 mm,平均角度误差为1.6°。因此,所提出的送钻位姿测量方法是可行的,在煤矿钻杆装卸的智能化领域具有潜在的应用价值。
-
关键词
送钻位姿
3D视觉
点云分割
深度学习
生成对抗网络
钻进智能化
-
Keywords
drill pipe installation pose
3D vision
point cloud segmentation
deep learning
generative adversarial network
drilling intelligence
-
分类号
TD41
[矿业工程—矿山机电]
TP391.7
[自动化与计算机技术—计算机应用技术]
-
