【技術實現步驟摘要】
本專利技術屬于鑿巖臺車位姿控制，具體涉及一種鑿巖臺車車體定位及位姿補償方法。
技術介紹
1、鑿巖臺車是一種隧道或地下工程施工所需的鑿巖設備，鑿巖臺車主要由鑿巖機和鉆臂以及一些必要機構組成，可支持多臺鑿巖機同時進行作業。目前，隧道鑿巖臺車的定位需要人工配合儀器進行。以往使用鑿巖臺車在礦下施工時，會由人工首先布置工作面上的孔洞，然后將孔序規劃輸入鑿巖臺車。在工作過程中如不發生卡釬等意外情況時，一般不會重新調整鑿巖臺車的位姿。當卡釬情況發生時，需要耗費人力和時間重新調整鑿巖臺車位姿，還可能損害釬桿。
2、隨著礦山開采難度的增加和科技的進步，使用人工對鑿巖臺車進行定位和位姿調整不滿足現代智慧型礦山開采要求。而且目前礦山開采中，在作業開始后不出現，但后續工作過程中，由于鑿巖臺車的震動、受力不均勻以及復雜的工作環境等各種因素，會致使鑿巖臺車位置偏離標準位置，導致工作精度下降。因此，在工作過程中需要實時監控鑿巖臺車的位姿偏差并將偏差量補償給鑿巖臺車。
3、現有技術中，還缺智能化程度高、精度高的乏鑿巖臺車自動位姿調整方法。
技術實現思路
1、本專利技術所要解決的技術問題在于針對上述現有技術中的不足，提供一種鑿巖臺車車體定位及位姿補償方法，其智能化程度高，大大提高了鑿巖臺車工作穩定性、工作精度、工作效率，降低了卡釬概率，降低了人工勞動強度，降低了由于人工參與位姿調整而產生的精度誤差，具有很高的工程實用價值。
2、為解決上述技術問題，本專利技術采用的技術方案是：一種
3、步驟s1、基于鑿巖臺車相對于工作面的位置，將激光標靶和鑿巖臺車安置在合適位置，使激光標靶成像點全部落在工作面內并且能夠被安裝在鑿巖臺車上的深度相機識別；
4、步驟s2、調整激光標靶在工作面的成像，使激光標靶投射的三個點形成正置的等腰三角形并均勻位于工作面中間；調整深度相機角度，使工作面位于相機成像均勻居中；
5、步驟s3、基于步驟s2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿；
6、步驟s4、前一段工作過程中，實時記錄鑿巖臺車的位姿用計算偏差量，并學習位姿的變化規律和超出偏差范圍的時間；
7、步驟s5、工作正式進行時，根據鑿巖臺車位姿預測模型，隔一段時間進行一次位姿調整。
8、上述的一種鑿巖臺車車體定位及位姿補償方法，步驟s3中所述基于步驟s2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿，采用主成分析法和卷積神經網絡耦合算法。
9、上述的一種鑿巖臺車車體定位及位姿補償方法，步驟s3中采用主成分析法和卷積神經網絡耦合算法，基于步驟s2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿的具體過程為：
10、步驟s301、利用深度相機捕捉工作面圖像信息，傳入卷積神經網絡的圖像特征提取模塊；
11、步驟s302、對卷積神經網絡中用于特征提取的卷積核進行主成分分析，只保留累計貢獻率高于累計貢獻率閾值的部分；其中，累計貢獻率的計算公式為：
12、
13、其中，η表示累計貢獻率，p指卷積神經網絡中用于特征提取的卷積核的參數矩陣特征值的個數，λk指將特征值按從大到小排列后的第k個特征值；
14、步驟s303、將獲得的降維特征圖像用作鑿巖臺車的標準位姿圖像。
15、上述的一種鑿巖臺車車體定位及位姿補償方法，所述卷積神經網絡為vgg16卷積神經網絡，vgg16卷積神經網絡包含13個卷積層、3個全連接層和5個池化層，卷積層和池化層用于特征提取，全連接層用于分類；
16、步驟s301中所述利用深度相機捕捉工作面圖像信息，傳入卷積神經網絡的圖像特征提取模塊后，進行如下過程的處理：
17、步驟s3011、首先經過兩次卷積運算，提取圖像主要特征信息；然后由relu激活函數激活，使得模型能夠更好地擬合非線性函數；最后再經最大池化層，縮減圖片尺寸、減少計算量；將得到圖像再次重復此過程并輸出圖像；
18、步驟s3012、將步驟s3011處理完成后的圖像首先經過三次卷積運算，然后由relu激活函數激活，最后輸出的圖片再經最大池化層縮減圖片尺寸，將處理后的圖片再次重復兩次此操作過程，得到結果圖像；
19、步驟s302中所述對卷積神經網絡中用于特征提取的卷積核進行主成分分析，主成分分析法中標準化處理原始矩陣為：
20、
21、其中，m為矩陣行數，n為矩陣列數；
22、標準化后的矩陣為：
23、進行主成分分析的過程為：
24、步驟s3021、計算標準化樣本x的協方差矩陣r：
25、
26、其中，
27、步驟s3022、計算相關系數矩陣特征值λ1，λ2…λn和對應的特征向量，并將特征向量按對應特征值大小從上到下按行排列成矩陣，取前k行組成矩陣p；
28、步驟s3023、采用原始數據集乘以特征向量矩陣p得到降維后的矩陣。
29、上述的一種鑿巖臺車車體定位及位姿補償方法，所述累計貢獻率閾值為85％。
30、上述的一種鑿巖臺車車體定位及位姿補償方法，所述vgg16卷積神經網絡中，卷積層中的卷積核選用3×3的小卷積核，5個池化層中的最大池化層選用2×2的濾波器。
31、上述的一種鑿巖臺車車體定位及位姿補償方法，步驟s4中所述前一段工作過程中，實時記錄鑿巖臺車的位姿用計算偏差量，并學習位姿的變化規律和超出偏差范圍的時間；具體過程為：
32、步驟s401、計算卡釬情況發生的鑿巖臺車車體最大偏差量，基于此偏差量設置閾值，記錄每次到達閾值的時間間隔；
33、步驟s402、在工作過程中實時記錄鉆臂在工作區間、位置和過程中產生的力對車體造成的偏移規律；車體位姿由不同情況產生的不同偏移規律，會導致到達閾值的時間不同；
34、步驟s403、將數據收集用于完善鑿巖臺車的訓練集和訓練鑿巖臺車的位姿自主調整，提高鑿巖臺車的預測精度。
35、上述的一種鑿巖臺車車體定位及位姿補償方法，步驟s5中所述工作正式進行時，根據鑿巖臺車位姿預測模型，隔一段時間進行一次位姿調整時，根據步驟s4所得出的時間間隔設置鑿巖臺車每次進行位置調整的時間間隔，原則是實際所設計時間間隔小于步驟s4所獲得的時間間隔。
36、本專利技術與現有技術相比具有以下優點：本專利技術首先用激光標靶配合深度相機用于確定鑿巖臺車標準位姿和后續工作過程的數據采集；然后使用卷積神經網絡對采集的數據進行特征提取，為降低計算量和計算速度，使用主成分分析法對可能存在線性關系的卷積神經網絡的卷積核進行分析，提取累計貢獻率達85％的部分；最后通過提取的特征信息解算此時位姿信息并對比標準位姿信息得到偏差量，再將偏差量補償給車身，達到鑿巖臺車的自主位姿調整；實現了在工作過程中實時本文檔來自技高網...
【技術保護點】
1.一種鑿巖臺車車體定位及位姿補償方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟S3中所述基于步驟S2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿，采用主成分析法和卷積神經網絡耦合算法。
3.根據權利要求2所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟S3中采用主成分析法和卷積神經網絡耦合算法，基于步驟S2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿的具體過程為：
4.根據權利要求3所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：所述卷積神經網絡為VGG16卷積神經網絡，VGG16卷積神經網絡包含13個卷積層、3個全連接層和5個池化層，卷積層和池化層用于特征提取，全連接層用于分類；
5.根據權利要求3或4所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：所述累計貢獻率閾值為85％。
6.根據權利要求4所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：所述VGG16卷積神經網絡中，卷積層中
7.根據權利要求4所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟S4中所述前一段工作過程中，實時記錄鑿巖臺車的位姿用計算偏差量，并學習位姿的變化規律和超出偏差范圍的時間；具體過程為：
8.根據權利要求4所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟S5中所述工作正式進行時，根據鑿巖臺車位姿預測模型，隔一段時間進行一次位姿調整時，根據步驟S4所得出的時間間隔設置鑿巖臺車每次進行位置調整的時間間隔，原則是實際所設計時間間隔小于步驟S4所獲得的時間間隔。
...【技術特征摘要】
1.一種鑿巖臺車車體定位及位姿補償方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟s3中所述基于步驟s2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿，采用主成分析法和卷積神經網絡耦合算法。
3.根據權利要求2所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：步驟s3中采用主成分析法和卷積神經網絡耦合算法，基于步驟s2調整好的位置和姿態，提取現有位置和姿態信息作為鑿巖臺車的標準位姿的具體過程為：
4.根據權利要求3所述的一種鑿巖臺車車體定位及位姿補償方法，其特征在于：所述卷積神經網絡為vgg16卷積神經網絡，vgg16卷積神經網絡包含13個卷積層、3個全連接層和5個池化層，卷積層和池化層用于特征提取，全連接層用于分類；
5.根據權利要求3或...
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。