System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于YOLO算法的工作面顶板周期来压识别方法及系统技术方案_技高网

基于YOLO算法的工作面顶板周期来压识别方法及系统技术方案

技术编号:44489455 阅读:1 留言:0更新日期:2025-03-04 17:54
本发明专利技术属于煤矿井工开采技术领域,公开了基于YOLO算法的工作面顶板周期来压识别方法及系统。本发明专利技术将数据映射到三维空间中生成采场工作面3D应力云图,生成均匀分布和可视化的采场三维网格应力分布云图;将高应力、低应力和来压区域用相应的标签进行标识;采用YOLO算法对高低应力区域进行实时图像识别,精准定位顶板来压区域;通过图像边缘检测技术,提取顶板来压区域的时间范围及其对应的液压支架分布范围,实现区域压力变化的智能分析。本发明专利技术通过结合YOLO等图像识别算法,使得煤矿不再依赖传统的数据处理方式,不仅减少了人工干预导致的潜在错误,还大幅提高了数据处理可靠性与实时性,从而提高了安全监测的效率和准确性。

【技术实现步骤摘要】

本专利技术属于煤矿井工开采,尤其涉及基于yolo算法的工作面顶板周期来压识别方法及系统。


技术介绍

1、周期来压是煤矿工作面开采过程中,基本顶岩层在采空区上方因失去支撑而周期性塌陷或断裂,从而对支护系统施加周期性压力的现象。周期来压是矿压显现的重要特征,对煤矿开采的安全生产和支护设计有重要影响。

2、煤矿综采工作面在推进过程中直接顶垮落造成基本顶悬空,随着工作面进一步推进,基本顶悬空长度达到极限值,会发生垮落,造成周期性来压。基本顶垮落受力结构如图2所示。分别为岩块m,n受到的载荷,为基本顶对岩块m施加的压力,为岩块n受到的支撑力,为岩块m的转角,分别为m岩块在a点和c点施加的剪力,为岩块m的切落长度,分别为基本顶厚度和直接顶厚度,为工作面采高,为岩块n的下沉量,见附图3。

3、来压强度影响因素:岩块m的下沉量和质量共同决定了岩块垮落过程中产生的冲击力大小:随着岩块下沉量增加,岩块的势能转换为动能的过程越来越剧烈,导致更大的冲击力;质量越大的岩块,在滑落过程中会积累更多动能,对下方结构造成更大冲击,支架所需承受的来压强度越高。当直接顶厚度增大时,岩块的下沉量相应减小,导致来压强度降低;当工作面采高增大时岩块的下沉量相应增加,导致来压强度增大。此外由于岩块的质量主要取决于岩性和基本顶厚度,可得来压强度的主要影响因素为直接顶厚度、基本顶厚度、采高、顶板岩性。

4、来压步距影响因素:当岩块m发生破断时,切落长度决定了岩块在悬挂状态下的受力情况。根据悬臂梁计算模型,岩块m的切落长度为:

5、;

6、在基本顶岩石抗拉强度不变的情况下,基本顶厚度越大,基本顶受力面积越大,能够承受更大的垂直应力,进而基本顶切落长度越大,岩块的自重变大,岩块抵抗失稳的能力增强,来压步距相应增大。

7、通过上述分析可得:影响来压的主要因素包括基本顶厚度、直接顶厚度、采高、煤层倾角和顶板岩性。煤层厚度和工作面倾向长度会对开采后的空间结构产生影响,且推进速度在一定程度上决定了基本顶破断后能否快速达到自稳结构。因此,煤层厚度、工作面倾向长度和推进速度也作为来压强度的影响因素。

8、近年来,综采工作面矿压监测与预报技术取得了显著进展,实现了井下监测数据的实时显示、传输和分析。然而,矿压观测与预报的基本原理仍然依赖于传统的测站式观测,仅能对工作面的部分矿压显现特性进行监控,无法获得整个工作面的支架抗压等信息。其次,由于数据采集频率间隔太长,无法精确地获取支架移架和安全阀打开等短时内的压力变化情况。另外,各类矿山压力监测系统仅能对现场监测到的数据进行较为单一的解析,对其进行深层分析和挖掘仍然是人工方式,缺乏有效的工作循环识别技术,而工作循环识别是后续所有工作的基础;此外,矿山压力分析指标单一,不能对蕴含在大量矿山压力数据中的支架-围岩相关信息进行有效的挖掘,更无法有效的实现对来压预测、冒顶预警以及液压支架运行状况的监测和维修。

9、目前,综采工作面矿压监测与分析、顶板来压预测及冒顶预警研究方面仍然存在以下问题:

10、1.矿压监测和分析无法覆盖整个工作面,矿压监测与分析仍基于传统的测站/线式理念,未充分考虑载荷在支架群组之间的分布特征及转移规律;即在工作面不同位置布置少量测站及测线。一般将工作面整体分为上中下三区域,分别以区域为单位构建矿压预测模型,并用中心位置支架工作循环阻力变化情况对该区域矿压进行表征。该方法为点状监测、无法监测到局部生产地质条件变化对矿压显现及顶板稳定性的影响,而全方位的监测是现代传感网技术的核心思想。因此基于传统的测站式矿压监测是无法准确且全面的实现顶板来压预测和冒顶预警的。

11、2.现有的液压支架工作阻力曲线识别算法过于简单。工作循环是指通过算法对支架原始压力数据进行分析以判断出液压支架实际的初撑和卸载移架时间。工作循环识别是后续所有矿压分析与预报工作的基础和关键,识别的精度也决定了矿压分析和预报的准确性。然而,现行识别算法无法准确识别。因为,所有的算法核心都集中在“斜率法”上,以识别循环末阻力。

12、3.数据分析与处理能力仍显不足,近年来,综采工作面矿压监测与预报技术取得了显著进展,实现了井下监测数据的实时显示、传输。然而,矿压监测和数据分析之间的融合还存在一定的不足。见附图4液压支架工作阻力曲线图。

13、(1)液压支架工作阻力循环识别。首先,针对液压支架的工作阻力曲线数据。识别出循环末阻力与初撑力,分辨出每个采煤循环。

14、(2)计算加权工作阻力。对于每个采煤循环,将其工作阻力值乘以该循环所在的时间,得到该循环的加权工作阻力。

15、(3)计算均方差。计算所有采煤循环加权工作阻力的平均值,得到工作面的平均工作阻力。同时,计算加权工作阻力的均方差,以评估数据的离散程度。

16、(4)结果分析。将平均工作阻力和均方差作为顶板压力的判断依据。如果平均工作阻力超出了预期范围,或者均方差较大,可能表明顶板压力存在异常,需要采取相应的措施。

17、目前,矿压监测数据的分析和处理能力仍显不足,无法实现实时监测和有效分析。这导致在应对矿压变化时还缺乏足够的预判和应对策略。现有的方法主要依赖于对液压支架工作阻力曲线的分析,虽然可以识别一些基本指标,如初撑力和末阻力,但在动态监测和数据处理方面未能达到要求。这种局限性使得矿压变化的监测缺乏及时性,无法为现场决策提供实质性支持,从而影响了安全管理与风险控制的有效性。


技术实现思路

1、为克服相关技术中存在的问题,本专利技术公开实施例提供了基于yolo算法的工作面顶板周期来压识别方法及系统,具体涉及利用图像识别对煤矿开采工作面周期来压进行识别的技术。

2、所述技术方案如下:基于yolo算法的工作面顶板周期来压识别方法,包括以下步骤:

3、s1,数据融合与空间建模;基于实时采集的液压支架压力监测数据,将不同支架或传感器的离散监测数据映射到一个空间坐标系统中,形成三维网格;通过克里金插值计算纵向与横向的应力差值,将离散的监测数据映射到三维空间中,生成均匀分布和可视化的采场三维网格应力分布云图;

4、s2,图像预处理;利用计算机视觉识别技术,分析和识别出不同的应力区域,使用标注工具roboflow对采场三维网格压力分布云图进行人工标注,将顶板的高应力区域、低应力区域和来压区域用相应的标签进行标识;

5、s3,目标检测与区域识别;根据当前生成的3d应力云图,通过图像识别与区域划分来分析高应力区域,利用目标检测算法自动识别3d应力云图中的高、低应力区域,精准定位顶板来压区域;

6、s4,周期性来压的判定与预测;图像识别算法识别出高应力区域后,对高应力区域进行深入分析,确定是否具有周期性来压的特征;通过图像边缘检测技术,提取顶板来压区域的时间范围及其对应的液压支架分布,根据设定的应力梯度或绝对应力阈值,提取高应力区域并计算区域的面积、体积及边界特征;分析高应力区域本文档来自技高网...

【技术保护点】

1.一种基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S1中,基于实时采集的液压支架压力监测数据,包括:

3.根据权利要求1所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S1中,通过克里金插值计算纵向与横向的应力差值,包括以下步骤:

4.根据权利要求1所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S2中,将顶板的高应力区域、低应力区域和来压区域用相应的标签进行标识,包括:一键导出COCO、VOC和YOLO格式,自动给转换成txt的格式。

5.根据权利要求1所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S3中,通过图像识别与区域划分来分析高应力区域,包括:

6.根据权利要求5所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,YOLO算法对高低应力区域进行实时图像识别,包括:

7.根据权利要求6所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S302中,冗余候选框优化,包括:每个候选框在检测过程中被赋予一个置信度分数,根据候选框的置信度分数,从高到低进行排序,将置信度最高的候选框作为优先处理目标;对排序后的候选框,逐一计算作为优先处理目标的候选框与其他候选框的重叠度,使用交并比判断候选框是否过于相似;删除冗余候选框,直到所有候选框处理完毕,仅剩置信度最高且互相不重叠的框;具体的,利用非极大值抑制NMS算法处理检测结果,去除冗余的候选框,仅保留置信度最高的框以定位顶板来压区域的最优位置;对筛选后的候选框,根据框的重心坐标、边界点和大小进行位置优化,以提高边界精度,将候选框位置和填充效果叠加在原始应力云体图上,形成包含优化后高应力区域的完整分布图,明确来压区域的范围及特性。

8.根据权利要求6所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S204中,人工评判,包括:

9.根据权利要求1所述的基于YOLO算法的工作面顶板周期来压识别方法,其特征在于,在步骤S4中,结合周期性预测模型和历史数据,对顶板来压区域的压力变化进行智能化分析,包括:

10.一种基于YOLO算法的工作面顶板周期来压识别系统,其特征在于,该系统实施如权利要求1-9任意一项所述基于YOLO算法的工作面顶板周期来压识别方法,该系统包括:

...

【技术特征摘要】

1.一种基于yolo算法的工作面顶板周期来压识别方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,在步骤s1中,基于实时采集的液压支架压力监测数据,包括:

3.根据权利要求1所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,在步骤s1中,通过克里金插值计算纵向与横向的应力差值,包括以下步骤:

4.根据权利要求1所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,在步骤s2中,将顶板的高应力区域、低应力区域和来压区域用相应的标签进行标识,包括:一键导出coco、voc和yolo格式,自动给转换成txt的格式。

5.根据权利要求1所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,在步骤s3中,通过图像识别与区域划分来分析高应力区域,包括:

6.根据权利要求5所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,yolo算法对高低应力区域进行实时图像识别,包括:

7.根据权利要求6所述的基于yolo算法的工作面顶板周期来压识别方法,其特征在于,在步骤s302中,冗余候选框优化,包括:每个候选...

【专利技术属性】
技术研发人员:宁建国吕绪灿孙艳清王建军宋兆楠黄涛李学慧史新帅
申请(专利权)人:山东科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1