煤矸智能分选的机器视觉识别方法与优化

煤矸图像的在线准确快速识别是煤矸智能分选的关键,深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本,基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型,分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度,基于模型剪枝技术对相似度高的卷积核进行裁剪,实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标,定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果,揭示了模型的识别机理与分类依据。结果表明:利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别,但网络复杂度过低则特征提取能力不足,网络复杂度过高则易产生更严重的过拟合情况,即模型复杂度对识别精度影响较大;基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据,同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异,综合给出识别结果。压缩后的模型在计算量与模型大小减少10倍的同时,识别精度提升了17.8%,实现节约计算与存储资源的同时提升识别精度,模型性能明显优于常规网络模型。     

煤矸破碎分选统计规律的研究

通过在实验机上对煤与矸石选择性破碎分选进行初步实验，相应得到概率曲线图，从图中利用概率值做出煤、矸分选的优化控制。     

基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求。基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试。测试结果表明：改进的YOLOv3-M在小样本上,可在短时间内使模型快速收敛,单张图像识别时间为21.6 ms,识别准确率为95.4%,能适应不同环境下的煤矸样本,可实现实时检测识别。     

煤矸冲击破碎速度的影响因素研究

为给煤和矸石的选择性破碎分选及破碎装置设计提供理论指导,采用离散元法对煤矸冲击破碎速度的影响因素进行研究。以材料的抗压测试为校核依据,建立了单颗粒煤矸冲击破碎离散元模型,并在自制的冲击实验台上开展单颗粒冲击破碎试验,验证离散元模型的正确性。利用建立的离散元模型研究了煤矸材料参数及圆柱形破碎杆半径对煤矸冲击破碎速度的影响规律,研究结果表明：煤矸冲击破碎速度随材料抗压强度的增加成线性增加,随弹性模量和密度的增加成幂函数形式减小;圆柱形破碎杆的半径越小,越有利于抗压强度有一定差异的煤和矸石的选择性破碎分选。     

煤矸分拣机器人设计与关键技术分析

煤矿智能化是实现煤炭工业高质量发展的核心技术支撑,煤矸在线分拣机器人可实现煤和矸石的自动识别与分拣,是实现煤矿智能化分选的重要装备.在总结国内外煤矸分拣机器人和煤矸图像识别技术的研究现状和成果基础上,针对煤矸自动分拣机器人分拣速度低,智能化程度不高等问题,设计了一种基于图像识别的Delta型并联机器人应用于煤矸自动分拣...     

破碎顶板条件下塑料顶网的应用

破碎顶板条件下塑料顶网的应用河北井陉矿务局三矿许威（河北井陉０５０１００）井烃矿务局三矿井田内地质构造复杂，据统计大中型断层２２条，小断层３００多条。目前矿井已进入衰老期，矿井资源枯竭、资金短缺。现今所开采的煤层主要是五层煤，而且全部是大巷煤柱。由于...     

面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要.依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统.根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集.基于迁移学习的改进AlexNet...     

复合顶板条件下破碎顶板的控制

结合推垮型冒顶事故案例，对推垮型冒顶原因进行分析。提出破碎顶板工作面管理的措施。     

基于MFCC和FD-CNN卷积神经网络的综放工作面煤矸智能识别

煤矸的在线准确快速识别是放顶煤采煤法的关键技术,对提升采煤效率有重要的指导意义。从梅尔频率倒谱系数在语音识别中的广泛应用得到启发,以实际生产状态下采集的煤与煤矸滚落到液压支架尾梁振动信号的MFCC特征参数为训练与测试样本,分别计算顶煤垮落和煤矸混放2种情况下液压支架尾梁振动信号的梅尔频率倒谱系数并构成二维特征矩阵。近些年随着深度学习的迅速发展,卷积神经网络(CNN)已经成为检测和识别领域最好的方法,它可以自动地从数据集中学习提取特征。但是卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢,使得深度卷积神经网络很难满足煤矸石在线识别的实时性要求。基于卷积神经网络与LD-CNN轻型神经网络建立FD-CNN煤和煤矸智能识别模型,将液压支架尾梁振动信号的MFCC特征矩阵作卷积神经网络的输入,实现了识别模型的结构优化,大大提高运算速度,减少资源的使用,并且揭示了模型的识别机理与分类依据。实验结果表明:模型复杂度对识别速度影响较大;基于MFCC参数枝得到的煤矸识别模型可以将振动信号作为煤矸识别的可靠依据,同时准确捕捉煤与矸石由于物理性质不同所产生的振动信号高维差异,综合给出识别结果。压缩...     

井下煤矸分离技术试验研究

为检测井下实施煤矸破碎筛分技术是否可行,利用煤矸破碎筛分装置进行了煤矸分离试验研究.分别选用了不同性质和粒度的煤矸混合物料作为试验材料.通过对多组试验数据的分析研究,得出不同条件下的煤矸破碎分离特性曲线和规律,验证了井下煤矸破碎筛分技术的可行性.     

鲍店矿破碎顶板下抑采端面冒顶控制研究

通过现场实测和理论分析，查明了鲍店矿一采区端面冒顶的原因，进而对１３０３和１３０２工作面进行了综合治疗，取得了较好的效果和有益的经验。     

井下选择性破碎煤矸分离机及工作机构仿真研究

为实现煤矸井下分离,以选择性破碎筛分为原理设计出井下分选机,并对其主要工作机构——转子的模态利用ANSYS有限元软件进行了仿真研究,对螺旋分级筛利用虚拟样机技术对影响物料运动轨迹和推进速度的因素进行了分析,研究了各因素对结构设计及分选效率的影响规律,为设备的改进和优化提供了参照和依据。     

井下煤矸智能干选系统巷设计方法探讨

井下煤矸智能干选是煤矿实现绿色开采的有效技术手段。为深入研究智能干选系统巷设计方法,结合智能干选系统工艺流程,提出了井下智能干选系统巷设计思路。基于分析主煤流运量、原煤含矸率、矸石分选粒度、原煤分级筛和智能干选机处理能力、井下矸石充填规模相互影响关系,探究矸石分选规模确定方法。结合筛分系统工艺特点,阐明在转载点或煤流引出位置布置筛分系统的合理性。根据设备外形尺寸和处理能力,探讨智能干选硐室单、双巷布置形式。针对转载煤仓上下口、带式输送机搭接点、加装转载装置等不同类型主煤流转载分流点,研究智能干选系统布置位置优缺点及适用条件。在此基础上,介绍了煤仓下口双系统工程设计案例。研究表明,矸石分选规模由多因素综合确定|滚轴筛布置在转载点可以避免末煤大运量转载|煤仓下口布置矸石分选系统可以应对瞬时大运量来煤|煤仓下口双系统模式可以为类似矿井设计提供参考。     

近距煤层破碎顶板条件下机械化采煤

苏海图矿在近距煤层破碎顶板条件下，进行了窄机身采煤机和单体液压支柱配合π型钢梁支护留煤皮假顶开采方法的试验。本文内介绍了试验开采工艺的特点，支护效果及技术经济指标等。     

破碎顶板条件下的安全回采技术研究

为了解决破碎顶板条件下工作面的安全回采问题,本文以马兰矿12704工作面为研究对象,分析了12704工作面顶板破碎失稳的原因,结合12704工作面的生产实际情况,利用加长挑梁安设在工作面机头、机尾与巷道交叉的支架前梁段,有效地控制三角区域顶板,减少大量支护材料以及配件资金投入,为该工作面安全回采奠定了基础.     

旋转冲击式井下煤矸分离可行性研究

随着采煤机械化程度的日益提高,煤中混入矸石量逐渐增加,在地面分选,造成环境污染,占用农田、增加成本。介绍一种新型的井下煤矸分离方法,根据煤矸硬度、破碎力不同,采用旋转冲击方式对煤矸进行打击,从而达到煤矸分离的目的。