【技術實現步驟摘要】
本專利技術涉及煤炭開采領域，尤其涉及基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法。
技術介紹
1、在石油、天然氣等能源資源相對匱乏，且進口安全風險日益凸顯的當下，煤炭作為能源結構中的重要組成部分，其地位和作用愈發突出。然而，在煤炭開采過程中，井下環境復雜多變，存在著諸多安全隱患，對工作人員的安全構成了嚴重威脅。因此，對采煤過程中各種設備狀態的精確檢測顯得尤為重要。
2、目前，針對支架動作檢測的技術手段主要有兩種。其一，是通過實時采集支架傾角傳感器的數據，并設定相應的閾值，以此大致判斷支架的姿態。然而，這種方法僅能提供支架的靜態信息，無法實時捕捉支架的動態動作過程。其二，是利用攝像頭捕捉支架的實時視頻數據，結合圖像處理和識別技術來判斷支架動作。盡管這種方法能夠提供直觀的視覺信息，但井下粉塵的干擾嚴重，且視頻拍攝范圍有限，主要適用于檢測收伸護幫等特定動作。
3、因此，有必要研究一種基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法來克服現有技術的局限性，提高支架動作檢測的準確性和實時性。
技術實現思路
1、本專利技術目的是針對上述問題，提供一種操作簡單、精準度高的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法。
2、為了實現上述目的，本專利技術的技術方案是：
3、基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，包括以下步驟：
4、s1、在支架上的多個位置均安裝傾角傳感器；
5、s2、采集傾角傳感器的角
6、s3、構建神經網絡模型，將訓練集輸入神經網絡模型內進行訓練，并以測試集對訓練后的神經網絡模型進行測試，最終得到基于神經網絡架構的支架動作檢測深度學習模型；
7、s4、對支架動作檢測深度學習模型進行優化，將優化后的支架動作檢測深度學習模型保存并加載到控制器系統；
8、s5、通過控制器系統實時獲取傾角傳感器的角度監測數據，將該角度監測數據輸入到支架動作檢測深度學習模型中，支架動作檢測深度學習模型經過分析計算后輸出支架當前的姿態動作，實現采煤作業中對支架動作姿態的檢測。
9、進一步的，所述步驟s1中，在支架的頂梁、連桿、底座、尾梁、一級護幫、二級護幫上均安裝傾角傳感器。
10、進一步的，所述步驟s2中，角度監測數據包含傾角傳感器的橫滾角數據、俯仰角數據、偏航角數據；監測時間包括多個連續時間點，多個連續時間點之間的間隔為10ms；通過多個時間點的角度監測數據組合以及該狀態下支架的動作姿態數據構建形成一個數據樣本。
11、進一步的，所述步驟s2中，將若干個數據樣本均分為五個互斥的子集，使用四個子集作為訓練集，另一個作為測試集。
12、進一步的，所述步驟s3中，所述神經網絡模型包括輸入層、卷積層、歸一化層、激活層、輸出層；所述輸入層的數據shape為3x×n×1；其中，x為某一時間點時單個支架上所有傾角傳感器的數量，n為時間點數量；所述卷積層中設置有過濾器v，過濾器v＝[vi,v2,...,vc']；卷積后的輸出為u＝[ui,u2,...,uc']；所述歸一化的計算結果為:激活層的計算公式為：其中，δ為relu激活函數，w為權重矩陣，z為歸一化層輸出結果；輸出層采用softmax結構，節點數對應要檢測的支架動作種類數量；以角度監測數據、監測時間作為輸入層，以支架的動作姿態數據作為輸出層對神經網絡模型進行訓練。
13、進一步的，所述步驟s3中，以訓練集、測試集對神經網絡模型進行訓練、測試時，將每個子集分別作為測試集進行五次迭代訓練。
14、進一步的，所述步驟s3中，最終得到的支架動作檢測深度學習模型的計算結果為s。
15、進一步的，所述步驟s4中，對支架動作檢測深度學習模型進行優化時，使用初始化學習率為0.0001的adam優化算法調整支架動作檢測深度學習模型的權重和偏差參數，以令支架動作檢測深度學習模型中的損失函數最小化。
16、進一步的，所述步驟s4中，將優化后的支架動作檢測深度學習模型保存為.h5格式文件。
17、與現有技術相比，本專利技術具有的優點和積極效果是：
18、本專利技術公開了一種基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其能夠綜合利用多源傾角傳感器的角度監測數據，通過構建神經網絡模型進行訓練和學習，最終實現對支架動作姿態的實時、精確檢測；其克服了現有技術無法實時檢測支架動作或檢測過程受井下環境影響較大的問題，提高了支架動作檢測的準確性和可靠性，提升了煤炭開采作業的安全性，降低煤炭開采過程中的事故風險，為煤礦綜采工作面的安全生產提供了有力保障；同時其可以實時了解支架的動作信息，有助于實現支架的自動化控制和智能化管理，從而可以有效提高煤炭開采效率，促進煤炭產業的可持續發展。
本文檔來自技高網...【技術保護點】
1.基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：包括以下步驟：
2.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S1中，在支架的頂梁、連桿、底座、尾梁、一級護幫、二級護幫上均安裝傾角傳感器。
3.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S2中，角度監測數據包含傾角傳感器的橫滾角數據、俯仰角數據、偏航角數據；監測時間包括多個連續時間點，多個連續時間點之間的間隔為10ms；通過多個時間點的角度監測數據組合以及該狀態下支架的動作姿態數據構建形成一個數據樣本。
4.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S2中，將若干個數據樣本均分為五個互斥的子集，使用四個子集作為訓練集，另一個作為測試集。
5.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S3中，所述神經網絡模型包括輸入層、卷積層、歸一化層、激活層、輸出層；所述輸入層的數據
6.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S3中，以訓練集、測試集對神經網絡模型進行訓練、測試時，將每個子集分別作為測試集進行五次迭代訓練。
7.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S3中，最終得到的支架動作檢測深度學習模型的計算結果為S。
8.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S4中，對支架動作檢測深度學習模型進行優化時，使用初始化學習率為0.0001的Adam優化算法調整支架動作檢測深度學習模型的權重和偏差參數，以令支架動作檢測深度學習模型中的損失函數最小化。
9.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟S4中，將優化后的支架動作檢測深度學習模型保存為.h5格式文件。
...【技術特征摘要】
1.基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：包括以下步驟：
2.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟s1中，在支架的頂梁、連桿、底座、尾梁、一級護幫、二級護幫上均安裝傾角傳感器。
3.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟s2中，角度監測數據包含傾角傳感器的橫滾角數據、俯仰角數據、偏航角數據；監測時間包括多個連續時間點，多個連續時間點之間的間隔為10ms；通過多個時間點的角度監測數據組合以及該狀態下支架的動作姿態數據構建形成一個數據樣本。
4.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟s2中，將若干個數據樣本均分為五個互斥的子集，使用四個子集作為訓練集，另一個作為測試集。
5.如權利要求1中所述的基于神經網絡和多源傾角傳感器的支架動作姿態檢測方法，其特征在于：所述步驟s3中，所述神經網絡模型包括輸入層、卷積層、歸一化層、激活層、輸出層；所述輸入層的數據shape為3x×n×1；其中，x為某一時間點時單個支架上所有傾角傳感器的數量，n為時間點數量；所述卷積層中設置有過濾器v，過濾器v＝[vi,v2,...,vc']；卷...
【專利技術屬性】
技術研發人員：張幸福，李紅衛，曹益鳴，徐建，潘坤，王軍峰，蘇思賢，
申請(專利權)人：鄭州恒達智控科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。