【www.zhangdahai.com--其他范文】
周红旭 孙海军 张雷 王华英
摘要：为了解决悬臂式掘进机当截割部被机身遮挡或粉尘比较严重时引发的视觉定位失效问题，以磁场强度分量和双目立体视觉技术获取的位姿数据作为训练数据，获得网络参数，提出一种基于一维卷积神经网络（1D-CNN）的辅助定位方法。结果表明，1D-CNN对截割部轨迹预测较好，空间角度俯仰角、偏航角的预测精度达到99%以上，总体精度满足悬臂式掘进机位姿的测量要求。所提方法可以有效预测掘进机截割部的空间位姿信息，与BP全连接神经网络相比，具有能自动提取特征、避免过拟合的优点，为掘进机截割部定位提出了新思路。
关键词：采矿工程其他学科;悬臂式掘进机;卷积神经网络;磁场定位;位姿测量
中图分类号：TD421文献标识码：A
DOI：10.7535/hbkd.2022yx03002
Magnetic field aided positioning technology of roadheader cutting part based on one-dimensional convolution neural network
ZHOU Hongxu SUN Haijun ZHANG Lei WANG Huaying
（1.School of Mathematics and Physics Science and Engineering，Hebei University of Engineering，Handan，Hebei 056038，China;2.Hebei Computational Optical Imaging and Photoelectric Detection Technology Innovation Center，Handan，Hebei 056038，China）
Abstract：In order to solve the problem of visual positioning failure caused by the contilever roadheader when the cutting part is blocked by the fuselage or the dust is serious，this paper proposed an auxiliary positioning method based on one-dimensional convolutional neural network （1D-CNN）.The network parameters were obtained by taking the intensity component of the magnetic field and the pose data obtained by binocular stereo vision technology as training data.The experimental results show that the 1D-CNN can predict the trajectory of the cutting part better，and the prediction accuracy of the pitch angle and yaw angle of the space angle is more than 99%.This method can effectively predict the spatial pose information of the cutting part of the roadheader.Compared with the BP fully connected neural network，it has the advantages of automatic feature extraction and avoiding overfitting，and puts forward a new idea for the positioning of the cutting part of the roadheader.
Keywords：
other disciplines of mining engineering;boom-type roadheader;convolutional neural network;magnetic field positioning;pose measurement
掘進机是井下煤矿掘进施工的核心设备。随着煤炭开采设备向智能化、无人化方向的发展，对掘进机自动化水平提出了更高要求 [1-3]。掘进机实时位姿测量技术是未来煤矿智能化的关键技术之一[4]。国内外众多研究人员对掘进机位姿检测进行了大量研究，其中具有代表性的工作包括基于双目立体视觉的掘进机位姿测量技术[5]、基于全站仪的掘进机机身位姿参数测量技术[6]、基于超宽带技术的掘进机自主定位定向技术[7-8]、惯导传感器掘进机位姿测量技术[9-10]以及基于iGPS掘进机位姿测量技术[11-12]。这些技术虽然采用了现代先进的物理方法和信息技术，但由于煤矿井下掘进机工作环境恶劣，导致掘进机工作面存在高湿、高粉尘、低照度、振动等问题。基于视觉定位方法采用图像处理技术对掘进机的位姿信息进行解算，能够非接触、实时地得到掘进机的位姿信息[13-17]。然而，当截割部被机身遮挡或粉尘严重时，这种定位方法会失效。磁场定位技术正好可以弥补这种不足，利用传感器的灵敏度检测磁源和传感器之间相对位置的变化，具有紧凑、低成本、节能和安全等优点。
传统磁场定位技术采用的是磁偶极子（MD）模型[18-22]进行定位，但由于存在铁磁物质，在井下使用时常会受到复杂磁场的严重干扰，使传统定位模型失效。为此。本文采用一维卷积神经网络（1D-CNN）算法解决视觉测量定位失效下掘进机截割部的位姿测量问题，通过在掘进机悬臂上固定强磁铁，利用高精度磁场传感器，获得空间磁场强度信息，同时利用深度学习算法，计算磁铁位置坐标，得出掘进机截割部的位姿信息。
11D-CNN磁场辅助定位技术
1.1一维卷积神经网络简介
卷积神经网络（CNN）是多层感知器（MLP）网络的一种变体，于1980年首次被使用[23]，自推出以来其在检测和分类等问题上有着良好表现且得到了广泛应用。如图1所示，一个基本的卷积神经网络由输入层、多个隐藏层（卷积、归一化、池化的重复）以及全连接和输出层组成。卷积层主要提取相关特征，减少参数数量;池化层进一步减少通过二次采样的特征参数，简化网络，并保留尽可能多的有效信息;全连接层主要连接所有特征值，输出最终值[24-25]。
1D-CNN是一种前馈神经网络，属于经典的深度神经网络[26]。其输入为一维数据，卷积核也相应采用一维结构，每个卷积层和池化层的输出也为一维特征矢量。与其他机器学习模型相比，基于一维卷积神经网络的滚动轴承自适应故障诊断算法具有强大的抗噪能力，被广泛用于各种场景下的时间序列建模。卷积神经网络通常用于图像识别和目标检测及分类等[27]。CNN结构独特，具有良好的处理网络结构特征数据的能力，可以有效解决煤矿井下磁场复杂、非线性等因素造成的数据处理困难等问题[28]。
1.2位姿估计模型架构
本文构建了如图2所示的1D-CNN位姿估计模型，input_1和input_2为输入层，训练数据经过3层一维卷积神经网络卷积，每层卷积都经过批标准化（batch normalization，BN）使其加快收敛、防止过拟合。其中3层卷积层的一维卷积核大小均为3，卷积核的数量依次为16，32和64，模型使用Adam方法训练参数。使用SeLU激活函数后输入下一卷积层，不断改善训练参数，训练时设置batch_size=64，epoch=1 000。由于特征较少，因而无需采用池化层，添加平展层将张量重新整形为矢量，数据经卷积后引入激活函数连接输出层，得到悬臂式掘进机截割部的位姿估计。将样本数据输入1D-CNN模型进行训练，并利用Huber Loss损失函数方法对模型进行参数优化，导入测试集检验模型的预测效果。经过不断优化改进，得到理想的1D-CNN位姿估计模型。
为验证构建的1D-CNN模型，采用如图3所示的BP全连接神经网络位姿估计模型，对掘进机截割部预测结果进行对比，input_1和input_2为输入层，其中2组磁场数据在输入前同样进行标准化，对数据进行某种统一处理。2组数据经过2层全连接网络进行传递，神经元数分别为128和256。之后，同样添加平展层将张量重新整形为矢量，将网络层连接进行特征联合，之后再经过2层全连接网络，其神经元数分别为256和3。为了与1D-CNN测量结果进行对比与分析，将BP全连接神经模型同样采用Adam方法训练参数，使用SeLU激活函数，不断改进训练参数，训练时设置batch_size=64，epoch=1 000，同样采用Huber Loss损失函数方法对模型进行参数优化。
1.3性能指标评价
2模拟矿井测量实验
2.1实验环境
为了验证本文方法在实际应用中的效果，对掘进机截割部位进行了定位。实验地点选择在峰峰集团有限公司中澳培训基地的模拟矿井，掘进机机型为EBZ-135型，巷道断面4.5 m×2.8 m，2组平行掘进方向的跟头支护梁中心距为1.5 m，将2组传感器分别固定在支护梁中心线距前端2 m处。将磁源点固定在截割臂上部，磁源点中心沿截割部中轴线距离截割头中心10 cm处，采用3D打印技术制作磁源隔热和消振保护装置。采用实验掘进机移动和运转三维空间的磁源点移动轨迹，模拟矿井生产现场温度、湿度、振动、淋水及粉尘等环境。
2.2数据采集与处理
悬臂式掘进机截割部位姿测量实验模拟图如图4所示，掘进机截割部位姿数据来源于雙目立体视觉测量方案。根据掘进机的结构组成与运动特点构建视觉位姿测量结构，在掘进机机身安装立体视觉相机和红外识别标志物，建立掘进机位姿解算数学模型，解算出巷道坐标系下机身与截割部位姿信息，采集到的部分双目图像如图5所示。在机臂安装无源永磁体，在机身左右两侧安装高精度三轴数字磁场计采集磁场信号数据。通过模拟截割部切割煤层的运动，共采集2 228组磁场强度信号与其对应的红外测量位姿，选取80%的数据作为网络训练集，剩余的20%数据作为模型测试用，其中将掘进机截割部的位置坐标、俯仰角、偏航角、翻滚角作为网络输出量，将三轴数字磁场计采集的磁场强度和方向作为输入量。由于采集到的数据处于不同的强度范围，因而需要将磁场强度信号按式（5）进行归一化处理：
3结果与分析
掘进机截割部位置测试结果如图6所示，俯仰角、偏航角、翻滚角测试结果如图7—图9所示。
图6同时给出了基于双目立体视觉的红外定位轨迹与基于1D-CNN的磁场定位轨迹，图中蓝色实线为红外定位结果，橙色空心圆为磁场定位结果。由图6可见，磁场定位与红外定位结果一致性非常高，表明对于位置测量来说，本文提出的基于1D-CNN网络模型的磁场定位方法是可行的。
图7 a）、图8 a）、图9 a）和图7 b）、图8 b）、图9 b）分别为利用1D-CNN磁场定位方法和利用BP神经网络磁场定位方法得到的掘进机俯仰角、偏航角、翻滚角的测试结果。作为比较，图中同时给出了基于红外双目立体视觉的定位结果，以蓝色圆点表示，并将其视为真实值，基于神经网络的磁场定位模型测量结果用橙色三角表示。可以看出，基于网络模型的磁场定位测量值与基于红外立体视觉的定位结果吻合较为一致。经计算，基于1D-CNN的磁场定位方法获得的掘进机截割部俯仰角、偏航角、翻滚角测量精度分别为99.24%，99.59%和91.74%，基于BP神经网络磁场定位方法得到的掘进机截割部俯仰角、偏航角、翻滚角的测量精度分别为98.90%，99.33%和89.69%。可见，就掘进机截割部姿态角测量而言，基于1D-CNN的磁场定位方法比基于BP神经网络的磁场定位方法测量精度高。
為了进一步评价本文算法的有效性，采用多种评价指标进行定量分析，比较1D-CNN与BP神经网络预测模型对掘进机截割部3个空间角度（俯仰角、偏航角、翻滚角）测量的优劣，对比结果见表1—表3。
从表1—表3可以看出，与BP网络模型相比，1D-CNN模型截割部俯仰角评价度量指标MAE，MAPE和RMSE分别降低了0.096 1，0.004 5和0.151 9，准确率R提高了0.003 4;截割部偏航角评价度量指标MAE和RMSE分别降低了0.275 1和0.333 4，准确率R提高了0.002 6，但MAPE提高了0.030 6;截割部翻滚角度量指标MAE，MAPE和RMSE分别降低了0.090 0，5.135 0和0.111 5，准确率R提高了0.020 5。1D-CNN模型算法在一定程度上提高了预测性能，具有更高的拟合度、更高的精度和估测能力。
通过比较1D-CNN和BP神经网络算法俯仰角、偏航角、翻滚角的平均绝对误差、平均绝对百分误差、均方根误差及预测准确率，可以看出1D-CNN算法在各项性能指标方面的表现都很优秀，且与基于红外双目立体视觉的定位结果相吻合。因此，本文所提出的基于一维卷积神经网络的磁场辅助定位方法对悬臂式掘进机截割部定位精确、有效，具有良好的实用性。
4结语
1）本文提出了一种基于一维卷积神经网络的煤矿井下复杂磁场环境下的掘进机截割部位姿测量方法，并与红外双目立体视觉定位方法和典型BP神经网络预测结果进行了对比。由实验结果可知：在掘进机安装无源永磁体及在左右机身安装三轴数字磁场计测量磁场信号，通过构架的神经网络模型训练磁场信号数据，可有效预测掘进机截割部的位姿变化，为视觉定位掘进机位姿预测提供了一种新的辅助定位方法。
2）采用本文构建的一维卷积神经网络模型对掘进机截割部位姿进行预测，预测值与实测值吻合度较高，MAE，MAPE，RMSE和R2这4项预测模型指标的结果比BP神经网络要好，预测性能较常规方法也有一定的提高，说明本文所提出的辅助定位方法是可行的。
3）为进一步提高基于一维卷积神经网络悬臂式掘进机磁场辅助定位方法的可行性，未来应该从机身模块化入手，将磁源与机臂进行融合，在实际生产中实现稳定高效运行。
参考文献/References：
[1]周开平.煤矿井下悬臂式掘进机回转机构优化设计[J].煤炭技术，2021，40（9）：177-180.ZHOU Kaiping.Optimization design of slewing mechanism of cantilever roadheader in coal mine[J].Coal Technology，2021，40（9）：177-180.
[2]赵亦辉，赵友军，周展.综采工作面采煤机智能化技术研究现状[J].工矿自动化，2022，48（2）：11-18.ZHAO Yihui，ZHAO Youjun，ZHOU Zhan.Research status of intelligent technology of shearer in fully mechanized working face[J].Industry and Mine Automation，2022，48（2）：11-18.
[3]王国法.煤矿智能化最新技术进展与问题探讨[J].煤炭科学技术，2022，50（1）：1-27.WANG Guofa.New technological progress of coal mine intelligence and its problems[J].Coal Science and Technology，2022，50（1）：1-27.
[4]焦承尧，王永强，张幸福，等.煤矿智能化综采装备系统及其可靠性分析[J].煤炭工程，2022，54（2）：166-171.JIAO Chengyao，WANG Yongqiang，ZHANG Xingfu，et al.Research on intelligent fully mechanized coal mining equipment system and its reliability[J].Coal Engineering，2022，54（2）：166-171.
[5]陈慎金，成龙，王鹏江，等.基于掘进机位姿测量系统的自主标定方法误差分析[J].煤炭学报，2018，43（9）：2647-2652.CHEN Shenjin，CHENG Long，WANG Pengjiang，etal.Error analysis of autonomous calibration strategy based on roadheader attitude measurement system[J].Journal of China Coal Society，2018，43（9）：2647-2652.
[6]朱信平，李睿，高娟，等.基于全站仪的掘进机机身位姿参数测量方法[J].煤炭工程，2011（6）：113-115.
[7]符世琛，李一鸣，杨健健，等.基于超宽带技术的掘进机自主定位定向方法研究[J].煤炭学报，2015，40（11）：2603-2610.FU Shichen，LI Yiming，YANG Jianjian，et al.Research on autonomous positioning and orientation method of roadheader based on ultra wide-band technology[J].Journal of China Coal Society，2015，40（11）：2603-2610.
[8]FU Shichen，LI Yiming，ZONG Kai，etal.Ultra-wideband pose detection method based on TDOA positioning model for boom-type road- header[J].AEU-International Journal of Electronics and Communications，2019，99：70-80.
[9]張旭辉，刘博兴，张超，等.掘进机全站仪与捷联惯导组合定位方法[J].工矿自动化，2020，46（9）：1-7.ZHANG Xuhui，LIU Boxing，ZHANG Chao，et al.Roadheader positioning method combining total station and strapdown inertial navigation system[J].Industry and Mine Automation，2020，46（9）：1-7.
[10]陶云飞，杨健健，李嘉赓，等.基于惯性导航技术的掘进机位姿测量系统研究[J].煤炭技术，2017，36（1）：235-237.TAO Yunfei，YANG Jianjian，LI Jiageng，et al.Research on position and orientation measurement system of heading machine based on inertial navigation technology[J].Coal Technology，2017，36（1）：235-237.
[11]陶云飞，宗凯，张敏骏，等.基于iGPS的掘进机单站多点分时机身位姿测量方法[J].煤炭学报，2015，40（11）：2611-2616.TAO Yunfei，ZONG Kai，ZHANG Minjun，et al.Aposition and orientationmeasurement method of single-station，multipoint and time-sharing forroadheaderbody based on iGPS[J].Journal of China Coal Society，2015，40（11）：2611-2616.
[12]贾文浩，陶云飞，张敏骏，等.基于iGPS的煤巷狭长空间中掘进机绝对定位精度研究[J].仪器仪表学报，2016，37（8）：1920-1926.JIA Wenhao，TAO Yunfei，ZHANG Minjun，et al.Research on absolute positioning accuracy of roadheader based on indoor global posi-tioning system in narrow and long coal tunnel[J].Chinese Journal of Scientific Instrument，2016，37（8）：1920-1926.
[13]DU Yuxin，Tong Minming，LIU Ting，et al.Visual measurement system for roadheaders pose detection in mines[J].Optical Engineering，2016，55（10）：104107.
[14]杨文娟，张旭辉，马宏伟，等.悬臂式掘进机机身及截割头位姿视觉测量系统研究[J].煤炭科学技术，2019，47（6）：50-57.YANG Wenjuan，ZHANG Xuhui，MA Hongwei，et al.Research on position and posture measurement system of body and cutting head for boom-type roadheader based on machine vision[J].Coal Science and Technology，2019，47（6）：50-57.
[15]张超，张旭辉，杜昱阳，等.基于双目视觉的悬臂式掘进机位姿测量技术研究[J].煤炭科学技术，2021，49（11）：225-235.ZHANG Chao，ZHANG Xuhui，DU Yuyang，et al.Measuring technique of cantilever roadheader position based on binocular stereo vision[J].Coal Science and Technology，2021，49（11）：225-235.
[16]YANG Wenjuan，ZHANG Xuhui，MA Hongwei，et al.Laserbeams-based localization methods for boom-type roadheader using underground camera non-uniform blur model[J].IEEE Access，2020，8：190327-190341.
[17]刘勇.基于机器视觉的掘进机截割头姿态检测系统[J].煤矿机械，2020，41（3）：187-189.LIU Yong.Attitude detection system of cutting head of roadheader based on machine vision[J].Coal Mine Machinery，2020，41（3）：187-189.
[18]单珊，周穗华，戴忠华，等.强跟踪渐进更新扩展卡尔曼滤波器及其在磁偶极子跟踪中的应用[J].海军工程大学学报，2022，34（1）：105-112.SHAN Shan，ZHOU Suihua，DAI Zhonghua，et al.Strong tracking progressive extended Kalman filter and its application in magnetic dipole tracking[J].Journal of Naval University of Engineering，2022，34（1）：105-112.
[19]楊勇，崔丽珍，郭倩倩，等.煤矿井下基于Attention机制的LSTM地磁定位算法[J].测绘通报，2022（1）：72-78.YANG Yong，CUI Lizhen，GUO Qianqian，et al.LSTM geomagnetic positioning algorithm based on attention mechanism in underground coal mine[J].Bulletin of Surveying and Mapping，2022（1）：72-78.
[20]WU Faye，ROBERT N M，FREY D D，et al.Enhanced magnetic localization with artificial neural network field models[C]//2013 IEEE International Conference on Robotics and Automation.Karlsruhe，Germany：IEEE，2013：1560-1565.
[21]CHEN Shengzhi，ZHU Minghua，ZHANG Qing，et al.Accurate magnetic object localization using artificial neural network[C]//2019 15th International Conference on Mobile Adhoc and Sensor Networks （MSN）.Shenzhen：IEEE，2019：25-30.
[22]HU Guanghui，WAN Hong，LI Xinxin.Ahigh-precision magnetic-assisted heading angle calculation method based on a 1D convolutional neural network （CNN） in a complicated magnetic environment[J].Micromachines，2020，11（7）：642-648.
[23]彭成，李凤娟，蒋金元.基于深度学习的故障诊断与预测方法综述[J].现代电子技术，2022，45（3）：111-120.PENG Cheng，LI Fengjuan，JIANG Jinyuan.Summary of fault diagnosis and prediction methods based on deep learning[J].Modern Electronics Technique，2022，45（3）：111-120.
[24]LI Wenjun，CUI Zhiwen，JIN Minjun，et al.Dynamic temperature measurement with a dual-thermocouple sensor based on a dual-head one-dimensional convolutional neural network[J].Measurement，2021，182：109679.
[25]CUI Hua，BAI Jie.A new hyperparameters optimization method for convolutional neural networks[J].Pattern Recognition Letters，2019，125：828-834.
[26][ZK（]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229-1251.ZHOU Feiyan，JIN Linpeng，DONG Jun.Review of convolutional neural network[J].Chinese Journal of Computers，2017，40（6）：1229-1251.
[27]FUKUSHIMA K.Neocognitron：A selforganizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J].Biological Cybernetics，1980，36（4）：193-202.
[28]LIANG Jiefeng，JING Tianjun，NIU Huanna，et al.Two-terminal fault location method of distribution network based on adaptive convolution neural network[J].IEEE Access，2020，8：54035-54043.
猜你喜欢 卷积神经网络 基于深度神经网络的微表情识别电子技术与软件工程(2017年3期)2017-03-22卷积神经网络中减少训练样本时间方法研究电脑知识与技术(2016年33期)2017-03-21卷积神经网络语言模型研究科技创新与应用(2017年5期)2017-03-16基于卷积神经网络的车辆检索方法研究电脑知识与技术(2016年30期)2017-03-06基于卷积神经网络温室智能大棚监控系统的研究科技创新与应用(2016年35期)2017-02-21基于深度卷积神经网络的物体识别算法计算机应用(2016年12期)2017-01-13深度学习算法应用于岩石图像处理的可行性研究软件导刊(2016年9期)2016-11-07基于深度卷积网络的人脸年龄分析算法与实现软件工程(2016年8期)2016-10-25深度学习技术下的中文微博情感的分析与研究软件(2016年5期)2016-08-30基于卷积神经网络的树叶识别的算法的研究电脑知识与技术(2016年10期)2016-06-16本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0321/573337.html
