Track planning of coal gangue sorting robot for dynamic target stable grasping
-
摘要: 针对机器人分拣煤矸石时，因输送带打滑、左右摆动而造成矸石定位不准确、机械臂末端抓取失败和载荷冲击等问题，提出了一种基于机器视觉的煤矸石分拣机器人动态目标稳定抓取轨迹规划方法。首先，采用基于HU不变矩图像匹配算法对目标矸石进行匹配识别并获取目标矸石位姿；其次，分别建立机器人和相机−机器人运动学方程，并进行正逆求解，实现基于视觉的目标矸石精确定位；最后，采用位置−速度−加速度三环PID控制算法进行目标矸石动态跟踪，即位置环控制器的输入为获取的目标矸石精确位置，位置环控制器的输出作为速度环控制器的输入，速度环控制器的输出作为加速度环控制器的输入，将加速度环控制器的输出叠加到伺服电动机上，使机械臂末端与目标矸石达到位置、速度同步运动的效果，实现平稳快速抓取。采用Matlab对三环PID控制算法、三维比例导引算法和三维偏置比例导引算法进行仿真对比，结果表明：对动态目标的跟踪抓取在追随式、同步式和拦截式3种情况下，三环PID控制算法的响应时间、跟踪抓取时间均较比例导引算法及偏置比例导引算法短，且三环PID控制算法在整个过程中各轴速度、加速度连续、平滑，没有出现突变情况，可实现动态目标同步跟踪、精准抓取。在煤矸石分拣系统平台上应用三环PID控制算法、比例导引算法和偏置比例导引算法进行适应性实验，结果表明：3种算法在机器人运行时各个关节均未超限；三环PID控制算法完成抓取的平均时间比比例导引算法和偏置比例导引算法短；三环PID控制算法在抓取点的平均速度偏差在1 mm/s左右，跟踪速度偏差较小，可满足对高速度目标的同步跟踪、精准抓取要求。Abstract: When the robot is used to sort coal gangue, in order to solve the problems such as inaccurate positioning of gangue, failure of grasping by end of the manipulator and load impact caused by slippage and left-right swing of belt conveyor, a track planning method of coal gangue sorting robot for dynamic target stable grasping based on machine vision is proposed. Firstly, the target gangue is identified and the pose of the target gangue is obtained by using the HU moment invariants image matching algorithm. Secondly, the kinematic equations of the robot and the camera-robot are established respectively, and the forward and inverse solutions are carried out to realize the accurate positioning of the target gangue based on vision. Finally, the position-velocity-acceleration three-loop PID control algorithm is used to dynamically track the target gangue. The input of the position loop controller is the obtained precise position of the target gangue, the output of the position loop controller is used as the input of the velocity loop controller, the output of the velocity loop controller is used as the input of the acceleration loop controller, and the output of the acceleration loop controller is superimposed on the servo motor. Therefore, the end of the manipulator and the target gangue can achieve the effect of synchronous movement of position and velocity, so as to achieve stable and fast grasping. Matlab is used to compare the three-loop PID control algorithm, the three-dimensional proportional navigation algorithm and the three-dimensional biased proportional navigation algorithm. The results show that in the following, synchronous and intercepting cases of the tracking and grasping of dynamic targets, the response time and tracking and grasping time of the three-loop PID control algorithm are better than those of the proportional navigation algorithm and the biased proportional navigation algorithm. And the three-loop PID control algorithm is continuous and smooth in the speed and acceleration of each axis in the whole process without sudden change, which can realize synchronous tracking of dynamic targets and precise grasping. The three-loop PID control algorithm, proportional navigation algorithm and biased proportional navigation algorithm are applied to the coal gangue sorting system platform to carry out adaptability experiments. The results show that the three algorithms do not exceed the limit of each joint during robot operation. The average time of the three-loop PID control algorithm to complete the grasping is shorter than those of the proportional navigation algorithm and the biased proportional navigation algorithm. The average speed error of the three-loop PID control algorithm at the grasping point is about 1 mm/s, and the tracking speed error is small, which can meet the requirements of synchronous tracking and precise grasping of high-speed targets.
-
0. 引言
随着煤矿智能化的快速发展，电缆在煤矿供电中的应用越来越广泛。但由于煤矿环境恶劣，电缆在运行过程中极易受到热应力、机械应力、电压应力等各种因素的影响，使电缆绝缘、护套等发生损坏，产生局部过热和漏电现象，不但会影响煤矿的正常开采工作，严重时还会引发火灾等安全事故。据统计，电缆故障造成的煤矿事故占比超过50%[1]。因此，准确检测矿用电缆的运行状态并及时排查安全隐患成为煤矿领域亟待解决的问题[2-4]。
目前，矿用电缆状态监测和故障诊断方法主要包括低压脉冲法、局放法、低频电流叠加法、直流分量法和直流叠加法等[5-9]。这些方法虽然对特定故障具有良好的诊断效果，但无法全面评估电缆各个部位的劣化状态，更无法对电缆的劣化和故障趋势进行预测。此外，这些诊断方法需要电缆停止运行后才能进行检测，严重影响煤矿的正常生产。
20世纪20年代，有研究人员发现电气设备发生故障时会产生相应的谐波，催生了电气设备的谐波诊断技术[10-11]。近年来的研究发现电缆在受到热、电压、环境和机械应力时，会导致电缆介质磁束变化和介质振动，从而产生高次谐波，因此众多学者开始研究电缆的谐波诊断技术。文献[12]通过有限元法对电缆缺陷状态下电场和磁场的变化进行了仿真研究。文献[13]提出了一种基于损耗电流谐波的车载式电缆检测系统，该系统具有诊断速度快、准确性高的优点，但系统设备较为笨重，操作复杂，无法应用于狭窄的煤矿环境中。文献[14-16]提出了一种通过电流互感器采集谐波信号的诊断系统，通过Matlab编写的快速傅里叶变换（Fast Fourier Transform，FFT）程序对数据进行处理，得到谐波分量数据，该系统在测试中需要人工手动调节电桥平衡，工作效率低。文献[17]研制了一种测试装置并用于现场测试，该装置可通过连续检测形成电缆动态变化趋势，但检测精度有待进一步提高。
针对现有电缆诊断系统存在的装置笨重、检测精确低、难以在煤矿应用的问题，提出一种基于电流谐波特征的矿用电缆劣化监测与故障诊断方法。首先，在线采集运行中的电缆谐波数据并进行小波变换处理，得到电缆中高次谐波的含量；然后，利用电缆故障特征向量对极限梯度提升树（XGBoost）模型进行训练；最后，通过构建的XGBoost模型对电缆劣化度进行实时监测和故障诊断。
1. 电缆谐波诊断技术原理
电缆运行过程中发生劣化后，其介质内部的磁偶极子会相应地发生改变，使得磁矩取向在电缆线芯电流磁场作用下重新排列，这种重新排列会在电流的高次谐波成分中体现出来。电缆异常状态下，介质内部磁束变化引起的涡电流是导致电缆电流中产生奇次谐波的主要原因，而机械振动等引起的涡电流是导致电缆电流中产生偶次谐波的主要原因，涡电流导致电缆发生局部过热现象，从而使电缆不同部位出现老化现象。谐波诊断技术根据上述原理对电流中的高次谐波成分进行分析，从而实现电缆运行状态监测和故障诊断[18]。电力电缆中的磁场$\varPhi $与电流$I $如图1所示。
2. XGBoost模型构建
2.1 XGBoost原理
XGBoost是一种使用提升框架合并模型的集成学习技术[19]，其基础是梯度提升决策树（Gradient Boosting Decision Tree，GBDT）。与GBDT相比，XGBoost在目标函数上使用了2阶泰勒展开，可以保留更多的目标信息，提高了模型的准确性。对比其他回归预测模型，XGBoost模型在面对大量输入数据进行训练时，用时短，推理效率高，可以满足电缆故障实时诊断需求。
遵循集成方法，XGBoost利用加法模型和前向分布算法，构建了一个具有多个分类和回归树（Classification and Regression Tree，CART）的集成树模型。对决策树进行评估，并选择最佳的决策树来预测目标值[20]。
设XGBoost由K个基模型组成，则有
$$ {Y}_{i}=\sum _{k=1}^{K}{f}_{k}\left({d}_{i}\right) $$ (1) 式中：Yi为第i个样本的预测值；fk为第k个基模型；di为第i个样本的故障特征。
XGBoost的损失函数为
$$ L=\sum _{i=1}^{n}l({y}_{i},{Y}_{i}) $$ (2) 式中：n为样本总数；l为样本损失函数；yi为第 i个样本的真实值。
XGBoost的目标函数为
$$ O=L+\sum _{k=1}^{K}\varOmega \left({f}_{k}\right) $$ (3) 式中：Ω（fk）为正则项。
$$ \varOmega \left({f}_{k}\right)=\gamma Q+\frac{1}{2}\lambda \sum _{j=1}^{Q}{\omega }_{j}^{2} $$ (4) 式中：$\gamma $和λ为惩罚项；Q为决策树叶子的节点数目；ωj为节点j的权重。
2.2 XGBoost模型构建步骤
构建XGBoost模型[21]，并对其进行训练和参数优化，构建流程如图2所示。
1） 提取电缆中的高次谐波含量信息，即故障特征向量信息。
2） 对特征向量数据进行归一化处理。
$$ x\left( {a,b} \right) = {\boldsymbol{X}}\left( {a,b} \right)/{\left| {\boldsymbol{X}}\left( {a,b} \right) \right|_{\max }} $$ (5) 式中：$ x\left( {a,b} \right) $为归一化后的电缆高次谐波向量离散时间序列，$a$为谐波次数，$ b $为时间序列号；$ {\boldsymbol{X}}\left( {a,b} \right) $为电缆中的高次谐波向量；${\left| {\boldsymbol{X}}\left( {a,b} \right) \right|_{\max }} $为${\boldsymbol{X}}\left( {a,b} \right) $绝对值的最大值。
3） 将归一化数据和已知的电缆故障劣化度数据导入XGBoost模型，形成训练样本集，进行模型训练。
4） 根据模型评估函数优化XGBoost模型，得到最终的XGBoost模型[22]。
3. 基于电流谐波特征的矿用电缆劣化监测与故障诊断
谐波信号采集电路结构如图3所示。谐波采集传感器进行电缆信号采集，然后对信号进行滤波、运放、AD转换和FFT处理，得到电流信号中的高次谐波成分[23]。
高次谐波成分通过通信模块上传至故障诊断软件，对电缆的绝缘体、屏蔽层、保护层（简称主体部）和电缆接头（简称连接部）的劣化度进行计算，并与故障诊断专家数据库进行比较分析，最终获得电缆当前的运行状态。电缆故障诊断流程如图4所示。
对采集的信号进行分解，得到2—10次谐波含量I2—I10，计算总谐波失真率S，S主要反映波形的畸变特性。
$$ S = \frac{{\sqrt {I_2^2 + I_3^2 + \cdots + I_{10}^2} }}{{{I_1}}} \times 100{\text{%}} $$ (6) 式中I1为基波。
通过计算m次谐波含量Im与基波I1的比值，得到谐波含有率${H_m}$，再计算${H_m}$与$S$的比值，得到谐波指示值${Z_m}$。
$$ {H_m} = \frac{{{I_m}}}{{{I_1}}} \times 100{\text{%}} $$ (7) $$ {Z_m} = \frac{{{H_m}}}{{S}} $$ (8) 计算谐波指示值${Z_m}$与总谐波指示值Z0的比值，得到诊断计算值${C_m}$，将${C_m}$与m次谐波函数$ F({I_m}) $相乘，得到谐波判定值${P_m}$。
$$ {C_m} = \frac{{{Z_m}}}{{{Z_0}}} $$ (9) $$ {Z_0} = {\sum _{m=2}^{10}}{{Z_m}}$$ (10) $$ {P_m} = {C_m} F({I_m}) $$ (11) 当${P_m} \leqslant {Z_m}$时，说明m次谐波含量过大，对电缆正常运行产生了不利影响。计算m次谐波的故障贡献率：
$$ {N_m} = \frac{{{H_m}}}{{{H_2} + {H_3} + \cdots + {H_{10}}}} \times 100{\text{%}} $$ (12) 贡献率主要通过对前10次谐波进行主成分分析获得[24-26]，见表1。将总谐波失真率与各次谐波贡献率等数据上传至专家系统，即可分析出电缆的劣化程度及劣化部位。
表 1 矿用电缆劣化状态与高次谐波的关系Table 1. Relationship between mining power cable degradation state and higher harmonics电力电
缆部位劣化类型 第一主成分
谐波次数（贡献率）其他主成分
谐波次数（贡献率）累计故障
贡献率/%主体部 绝缘体劣化 初期劣化型 3（41%），5（41%） 4（6%），2（6%） 94 机械性损伤 2（55%） 4（16%），3（9%），5（6%） 86 电气性损伤 5（59%） 3（20%），4（8%），2（6%） 93 自然劣化型 5（52%） 3（28%），4（7%），2（6%） 93 屏蔽层劣化 3（25%） 5（24%），2（23%），4（18%） 90 保护层劣化 2（39%） 4（29%），3（10%），5（7%） 85 连接部 发热 7（53%） 10（15%），9（11%），8（7%），6（5%） 91 污损 8（35%） 7（29%），9（13%），10（11%），6（7%） 95 龟裂 9（33%） 8（25%），7（21%），10（8%），6（5%） 92 变形 10（30%） 7（23%），8（17%），9（15%），6（6%） 91 4. 仿真分析
选取30 000组相同功率电缆谐波诊断数据，将电缆主体部的2−5次谐波含量与其对应的贡献率相乘，得到4个谐波向量作为输入数据，通过XGBoost模型得出绝缘体、屏蔽层及保护层劣化度。将电缆连接部的7−10次谐波含量与其对应的贡献率相乘，得到4个谐波向量作为输入数据，通过XGBoost模型得出电缆接头劣化度。模型训练集部分主体部样本数据见表2，部分连接部样本数据见表3。
表 2 部分主体部样本数据Table 2. Part of the main body sample data序号 H2 H3 H4 H5 劣化度 绝缘体 屏蔽层 保护层 1 1.8 2.3 1.5 4.9 36.8 61.2 52.2 2 2.4 2.1 1.4 5.3 37.8 54.1 47.7 3 3.8 1.7 1.8 0.9 76.8 31.6 46.2 4 3.4 2.1 1.4 2.4 63.0 49.9 49.9 5 2.0 2.1 1.6 4.9 39.3 58.5 56.4 6 2.9 1.3 1.2 2.3 75.0 43.8 67.6 7 3.0 4.4 1.2 4.2 78.4 84.1 71.2 8 3.0 6.0 1.0 2.1 78.2 95.7 54.0 9 2.8 1.0 1.5 2.5 19.7 16.0 26.1 10 2.8 1.5 1.0 0.5 69.0 41.4 48.7 11 3.0 5.3 0.9 1.9 84.0 94.0 55.7 12 3.0 1.4 1.7 5.9 49.7 42.9 70.2 13 2.8 1.4 1.2 1.6 57.8 39.5 47.9 14 2.4 1.1 1.1 1.9 44.6 38.1 46.8 15 2.9 5.7 0.9 1.5 78.1 95.4 50.6 表 3 部分连接部样本数据Table 3. Part of the connection part sample data序号 H7 H8 H9 H10 电缆接头
劣化度1 1.2 0.4 0.4 0.4 82.6 2 1.5 0.6 0.5 0.5 81.3 3 1.2 0.4 0.5 0.7 78.8 4 0.6 0.5 0.4 0.3 47.7 5 0.7 0.5 0.4 0.4 46.2 6 0.5 0.4 0.3 0.2 49.9 7 0.7 0.4 0.3 0.2 56.4 8 0.5 0.5 0.5 0.5 67.6 9 0.8 0.4 0.4 0.4 71.2 10 0.6 0.5 0.4 0.4 54.0 11 0.5 0.4 0.4 0.2 46.1 12 0.6 0.4 0.4 0.2 46.7 13 0.6 0.4 0.4 0.3 55.7 14 0.8 0.6 0.5 0.3 70.2 15 0.7 0.4 0.4 0.3 47.9 用电缆各次谐波与其对应的贡献率相乘后，计算各谐波向量的相对能量，最后得到影响电缆不同部位运行状态的谐波向量能量谱，如图5所示，各次谐波相对能量总和为1。
由图5可看出，诊断电缆不同部位的运行状态时，谐波向量的相对能量明显不同：电缆绝缘体运行状态主要看2次谐波向量的变化；屏蔽层运行状态主要看2、3、5次谐波向量的变化；保护层运行状态主要看2、4次谐波向量的变化；电缆接头运行状态主要看7、8、9次谐波向量的变化。可以看出，得到的谐波向量完全表征了电缆不同部位的运行状态。
取数据库中29940组数据对XGBoost模型进行训练，剩余60组数据作为测试集，最终电缆主体部和连接部的劣化度预测结果如图6—图9所示。
选取决定系数R2为指标来反映模型的拟合优度，R2越接近1，表示其拟合的回归方程越优。选取均方误差（Mean-Square Error， MSE）、均方根误差（Root Mean Square Error，RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）来评估模型预测精度，结果见表4。
表 4 电缆主体部和连接部预测精度评估参数Table 4. Prediction accuracy evaluation parameters for cable main body and connection parts电缆 R2 ${\rm{MSE}}$ ${\rm{MRSE}}$ ${\rm{MAPE}}$ 绝缘层 0.9354 0.001824 0.0422 0.0670 屏蔽层 0.9295 0.000798 0.0282 0.0468 保护层 0.9385 0.001736 0.0412 0.0607 电缆接头 0.9510 0.000959 0.0310 0.0286 由表4可知，模型的拟合优度参数R2非常接近1，MSE、RMSE、MAPE均非常小，说明XGBoost模型的故障诊断准确性很高，具有较好的劣化趋势判断能力。
5. 案例分析
为验证基于电流谐波特征的矿用电缆劣化监测与故障诊断方法的准确性及其在矿用电缆监测中的适用性，在淮南矿业集团潘东煤矿有限责任公司变电站内选取35根矿用电缆进行测试，电压等级为220 kV。部分高次谐波含有率见表5，电缆主体部运行状态实时数据、诊断报告、故障电缆如图10—图12所示。
表 5 部分高次谐波含有率Table 5. Part of the high-order harmonic content序号 H2 H3 H4 H5 H7 H8 H9 H10 时间 1 1.5 1.1 1.2 0.9 0.5 0.4 0.4 0.3 2021−05−18 2 1.4 1.3 1.4 1.1 0.5 0.4 0.3 0.4 2021−05−18 3 1.6 1.1 1.5 0.9 0.7 0.6 0.4 0.3 2021−05−18 4 1.5 1.2 1.4 1.3 0.6 0.3 0.3 0.2 2021−05−18 5 3.8 1.5 1.5 1.2 0.8 0.5 0.2 0.1 2021−05−19 6 2.4 1.4 1.4 1.3 0.6 0.5 0.4 0.3 2021−05−19 7 3.8 1.8 1.8 1.2 0.7 0.4 0.3 0.2 2021−05−19 8 3.4 2.1 1.4 1.0 0.9 0.5 0.5 0.3 2021−05−19 9 3.3 2.1 1.6 1.1 0.6 0.3 0.4 0.2 2021−05−19 在监测35根电缆运行状态时，发现其中1根电缆B相的高次谐波含量异常，2次谐波含量较高，电缆主体部运行状态实时数据中绝缘体、屏蔽层、保护层的劣化度明显升高，而2次谐波含量的变化是导致绝缘体机械性劣化的主要参数指标，说明该电缆的绝缘体处于故障状态。经现场外观排查后，发现电缆的外护套有裂痕，验证了所提方法的准确性和实用性。
6. 结语
在总结现有电缆谐波诊断技术不足的基础上，提出一种基于电流谐波特征的矿用电缆劣化监测与故障诊断方法。在线采集运行中的电缆谐波数据并进行小波变换处理，得到电缆中高次谐波的含量；利用电缆故障特征向量数据对XGBoost模型进行训练；通过构建的XGBoost模型对电缆劣化度进行实时监测和故障诊断。仿真结果表明：针对电缆不同部位提取的高次谐波向量的相对能量有明显不同，表明提取的高次谐波向量可表征电缆不同部位的运行状态；XGBoost模型的拟合优度参数R2高达 0.93，且误差较小。案例分析结果验证了基于电流谐波特征的矿用电缆劣化监测与故障诊断方法可对矿用电缆运行状态及劣化故障进行实时、准确的监测和诊断。
-
![]()
图 3 基于HU不变矩的动态目标匹配流程
Figure 3. Flow chart of dynamic target matching based on HU moment invariants
![]()
图 5 煤矸石分拣机器人运动学坐标系模型
Figure 5. Kinematics coordinate system model of coal gangue sorting robot
![]()
图 7 追随式3种算法动态目标轨迹规划曲线
Figure 7. Dynamic target track planning curves of three algorithms under following track planning mode
![]()
图 8 追随式3种算法X轴向位置、速度、加速度变化曲线
Figure 8. X axial position, velocity and acceleration curves of three algorithms under following track planning mode
![]()
图 9 追随式3种算法Y轴向位置、速度、加速度变化曲线
Figure 9. Y axial position, velocity and acceleration curves of three algorithms under following track planning mode
![]()
图 10 追随式3种算法Z轴向位置、速度、加速度变化曲线
Figure 10. Z axial position, velocity and acceleration curves of three algorithms under following track planning mode
![]()
图 11 同步式3种算法动态目标轨迹规划曲线
Figure 11. Dynamic target track planning curves of three algorithms under synchronous track planning mode
![]()
图 12 同步式3种算法X轴向位置、速度、加速度变化曲线
Figure 12. X axial position, velocity and acceleration curves of three algorithms under synchronous track planning mode
![]()
图 13 同步式3种算法Y轴向位置、速度、加速度变化曲线
Figure 13. Y axial position, velocity and acceleration curves of three algorithms under synchronous track planning mode
![]()
图 14 同步式3种算法Z轴向位置、速度、加速度变化曲线
Figure 14. Z axial position, velocity and acceleration curves of three algorithms under synchronous track planning mode
![]()
图 15 拦截式3种算法动态目标轨迹规划曲线
Figure 15. Dynamic target track planning curves of three algorithms under intercepting track planning mode
![]()
图 16 拦截式3种算法X轴向位置、速度、加速度变化曲线
Figure 16. X axial position, velocity and acceleration curves of three algorithms under intercepting track planning mode
![]()
图 17 拦截式3种算法Y轴向位置、速度、加速度变化曲线
Figure 17. Y axial position, velocity and acceleration curves of three algorithms under intercepting track planning mode
![]()
图 18 拦截式3种算法Z轴向位置、速度、加速度变化曲线
Figure 18. Z axial position, velocity and acceleration curves of three algorithms under intercepting track planning mode
表 1 煤矸石分拣机器人运动结构参数
Table 1 Motion structure parameters of coal gangue sorting robot
转换矩阵 运动结构参数 ${{\boldsymbol{M}}}_{1}^{{\rm{W}}}$ α1 l1 d1 θ1 ${{\boldsymbol{M}}}_{2}^{1}$ α2 l2 d2 θ2 ${{\boldsymbol{M}}}_{{\rm{E}}}^{2}$ α3 l3 d3 θ3 
下载: 导出CSV
表 2 3种算法运动仿真参数
Table 2 3 kinds of algorithm motion simulation parameters
轨迹规划算法 初始速度
/(m·s−1)加速度
/(m·s−2)加速时间
/s偏置比例导引 0 10 0.3 比例导引 0 10 0.3 三环PID控制 0 − −
下载: 导出CSV
表 3 3种算法实验结果
Table 3 Experimental results of three algorithms
（∆X，∆Y，∆Z）/m
v
/(m·s−1)tPID
/stB
/stP
/sESPID
/mmESB
/mmESP
/mmEVPID
/(m·s−1)EVB
/(m·s−1)EVP
/(m·s−1)(0.5，0.5，0.4) 0.9 0.425 0.543 0.556 1.18 0.92 0.82 0.001 5 2.101 2.113 1.0 0.469 0.564 0.564 1.01 1.03 1.13 0.001 2 2.003 2.011 1.1 0.486 0.588 0.594 0.92 1.15 0.87 0.000 9 1.904 1.910 (0，0.5，0.4) 0.9 0.301 0.396 0.426 1.11 1.03 0.85 0.000 4 2.106 2.101 1.0 0.302 0.404 0.450 1.04 1.31 1.16 0.000 6 2.010 2.004 1.1 0.310 0.414 0.465 0.94 1.03 1.07 0.001 1 1.916 1.905 (−0.5，0.5，0.4) 0.9 0.303 0.372 0.427 1.21 0.90 1.19 0.001 3 2.115 2.102 1.0 0.308 0.369 0.456 1.06 1.03 1.10 0.000 9 2.013 2.009 1.1 0.311 0.367 0.492 1.04 0.92 0.97 0.001 4 1.907 1.913
下载: 导出CSV
-
[1] 尹建平. 平朔矿区煤矸石山生态修复模式[J]. 露天采矿技术,2021,36(4):87-88. YIN Jianping. Ecological restoration model of coal gangue dump in Pingshuo mining area[J]. Opencat Mining Technology,2021,36(4):87-88.
[2] 董增澳,李萍,贾一雪,等. 煤矸石综合利用与资源化处理研究进展[J]. 环境保护前沿,2021,11(2):363-371. DOI: 10.12677/AEP.2021.112040 DONG Zeng'ao,LI Ping,JIA Yixue,et al. Research progress on comprehensive utilization and resourceful treatment of coal gangue[J]. Advances in Environmental Protection,2021,11(2):363-371. DOI: 10.12677/AEP.2021.112040
[3] 李宁. 煤矸分拣机器人控制系统研究[D]. 西安: 西安科技大学, 2019. LI Ning. Study on the control system of coal mine sorting robots[D]. Xi'an: Xi'an University of Science and Technology, 2019.
[4] 曹亦俊,刘敏,邢耀文,等. 煤矿井下选煤技术现状和展望[J]. 采矿与安全工程学报,2020,37(1):192-201. CAO Yijun,LIU Min,XING Yaowen,et al. Current situation and prospect of underground coal preparation technology[J]. Journal of Mining & Safety Engineering,2020,37(1):192-201.
[5] 费佳浩. 煤矸分拣机器人结构设计及运动分析[D]. 西安: 西安科技大学, 2019. FEI Jiahao. Structure design and motion analysis of coal gangue sorting robot[D]. Xi'an: Xi'an University of Science and Technology, 2019.
[6] CROFT E. A,FENTON R. G,BENHABIB B. Optimal rendezvous-point selection for robotic interception of moving objects[J]. IEEE Tranactions on Systems,Man,and Cybernetics,1998,28(2):192-204.
[7] ZHANG Zhengyou. Camera calibration with one-dimensional objects[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(7):892-899. DOI: 10.1109/TPAMI.2004.21
[8] 张朝阳,周惠兴,曹荣敏,等. 基于金字塔形寻优的传送带动态抓取研究[J]. 制造业自动化,2015,37(9):92-95. DOI: 10.3969/j.issn.1009-0134.2015.09.026 ZHANG Chaoyang,ZHOU Huixing,CAO Rongmin,et al. Research on dynamic conveyor grasping with pyramid search algorithm[J]. Manufacturing Automation,2015,37(9):92-95. DOI: 10.3969/j.issn.1009-0134.2015.09.026
[9] LIN Yunhan,MIN Huasong,ZHOU Haotian,et al. A human-robot-environment interactive reasoning mechanism for object sorting robot[J]. IEEE Transactions on Cognitive & Developmental,2018,10(3):611-623.
[10] 刘子龙. 基于机器视觉的快速分拣食品包装系统研究[D]. 杭州: 浙江工业大学, 2015. LIU Zilong. The research quick sorting food packaging system based on machine vision[D]. Hangzhou: Zhejiang University of Technology, 2015.
[11] 罗绍涵,张禹,丁庆勇,等. 基于传送带实时调速的Delta机器人分拣方法[J]. 自动化应用,2021(2):80-83. LUO Shaohan,ZHANG Yu,DING Qingyong,et al. Delta robot sorting method based on real-time speed regulation of conveyor belt[J]. Automation Applications,2021(2):80-83.
[12] 高涵,张明路,张小俊. 冗余机械臂空间轨迹规划综述[J]. 机械传动,2016,40(10):176-180. GAO Han,ZHANG Minglu,ZHANG Xiaojun. A review of the space trajectory planning of redundant manipulator[J]. Journal of Mechanical Transmission,2016,40(10):176-180.
[13] 王铮,戴坚锋,钱振宇,等. 面向传送带作业系统的机器人目标跟踪与抓取策略研究[J]. 计算机测量与控制,2016,24(11):85-90. WANG Zheng,DAI Jianfeng,QIAN Zhenyu,et al. Conveyor belt operating system oriented robot target tracking and grasping strategy research[J]. Computer Measurement & Control,2016,24(11):85-90.
[14] 曹现刚,李宁,王鹏,等. 基于比例导引法的机械臂拣矸过程轨迹规划方法研究[J]. 煤炭工程,2019,51(5):154-158. CAO Xiangang,LI Ning,WANG Peng,et al. Research and simulation on priority and path planing of manipulator gangue picking[J]. Coal Engineering,2019,51(5):154-158.
[15] 王鹏,曹现刚,马宏伟,等. 基于余弦定理−PID的煤矸石分拣机器人动态目标稳准抓取算法[J]. 煤炭学报,2020,45(12):4240-4247. WANG Peng,CAO Xiangang,MA Hongwei,et al. Dynamic target steady and accurate grasping algorithm of gangue sorting robot based on cosine theorem -PID[J]. Journal of China Coal Society,2020,45(12):4240-4247.
[16] 黄浩然. 基于HU不变矩的垃圾分类和识别[J]. 自动化应用,2020(8):74-76. HUANG Haoran. Garbage classification and recognition based on HU invariant moments[J]. Automation Application,2020(8):74-76.
[17] HJOUJI A,EL-MEKKAOUI J,JOURHMANE M. Rotation scaling and translation invariants by a remediation of HU's invariant moments[J]. Multimedia Tools and Applications,2020,79(1):14225-14263.
[18] 董昱,郭碧. 基于HU不变矩特征的铁路轨道识别检测算法[J]. 铁道学报,2018,40(10):64-70. DOI: 10.3969/j.issn.1001-8360.2018.10.010 DONG Yu,GUO Bi. Railway track detection algorithm based on HU invariant moment feature[J]. Journal of the China Railway Society,2018,40(10):64-70. DOI: 10.3969/j.issn.1001-8360.2018.10.010
[19] 房国栋,高军伟,朱晨曦,等. 基于机器视觉的机械臂智能分拣系统[J]. 仪表技术与传感器,2020(12):72-76. DOI: 10.3969/j.issn.1002-1841.2020.12.014 FANG Guodong,GAO Junwei,ZHU Chenxi,et al. Intelligent sorting system for manipulator based on machine vision[J]. Instrument Technique and Sensor,2020(12):72-76. DOI: 10.3969/j.issn.1002-1841.2020.12.014
[20] 王鹏,曹现刚,夏晶,等. 基于机器视觉的多机械臂煤矸石分拣机器人系统研究[J]. 工矿自动化,2019,45(9):47-53. WANG Peng,CAO Xiangang,XIA Jing,et al. Research on multi-manipulator coal and gangue sorting robot system based on machine vision[J]. Industry and Mine Automation,2019,45(9):47-53.
[21] 周高鹏,徐驰. 基于PID控制的物流搬运机械自动化轨迹规划方法研究[J]. 自动化与仪器仪表,2020(7):54-57. ZHOU Gaopeng,XU Chi. Research on trajectory planning method of logistics handling machinery automation based on PID control[J]. Automation & Instrumentation,2020(7):54-57.
[22] LIU Shuru,SHANG Zhanlei,LEI Junwei. Research on attack angle tracking of high speed vehicle based on PID and FLNN neural network[J]. International Journal of Intelligent Robotics and Applications,2019,3(4):383-391. DOI: 10.1007/s41315-019-00112-4
[23] 王晓海,孟秀云,周峰,等. 基于偏置比例导引的落角约束滑模制导律[J]. 系统工程与电子技术,2021,43(5):1295-1302. DOI: 10.12305/j.issn.1001-506X.2021.05.17 WANG Xiaohai,MENG Xiuyun,ZHOU Feng,et al. Sliding mode guidance law with impact angle constraint based on bias proportional navigation[J]. Systems Engineering and Electronics,2021,43(5):1295-1302. DOI: 10.12305/j.issn.1001-506X.2021.05.17
-
期刊类型引用(3)
1. 罗毅，黄毅文. 电气自动化系统中状态监测与故障诊断的实现方法研究. 中国新技术新产品. 2024(06): 31-34 . 
百度学术
2. 王楠，吕培庚，李怀政，陈志强，张勇，陶星宇，曹泰山，周勇军，叶炼. 深度残差网络下的电缆隧道低压故障检测. 人工智能科学与工程. 2024(02): 78-86 . 百度学术
3. 杨晓超，郝慧良. 矿用电缆放电监测系统研究设计. 中国煤炭. 2024(S1): 406-410 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 837
- HTML全文浏览量: 90
- PDF下载量: 87
- 被引次数: 8
