煤矸石分拣智能控制系统设计

李思思

（山西工程技术学院，阳泉 045000）

去除煤炭中的矸石有利于提升煤炭燃烧效率，减少有害气体排放，减轻环境污染，提高煤炭质量。传统煤矸石分拣常采用人工、机械洗选的方式。人工挑选是应用于中小煤矿的一种煤矸石分选方法，主要依靠工人的经验进行挑选。由于人的认知差异、大量重复工作的疲劳性等，人工挑选方式的分拣效率低，且挑选质量存在不确定性。机械洗选方式是中大型洗煤厂采用的选煤方式，主要采用重介、跳汰以及浮选等方式。重介、跳汰、浮选的选煤原理是将煤与矸石沉浸在悬浮液中，利用煤、矸石、悬浮液密度的不同实现分选（矸石密度大于悬浮液密度，则矸石将下沉；煤的密度小于悬浮液，煤会上浮）。由于上述挑选方式需要大型机械设备，企业投入成本较高，在挑选过程中会造成大量的水资源、电能浪费。因此，学者们尝试采用图像分析法实现煤与矸石的分选。

图像分析法分为辐射和非辐射两种。辐射的典型代表是利用γ射线或者X射线穿过煤和矸石衰减程度的不同实现煤和矸石的分选。这两种分选方法在一定程度上可以节约资源、保护环境，但是长期通过γ射线分选会对周围工作人员的身体造成伤害。非辐射的图像识别法利用工业相机进行拍摄，并将拍摄图像传输到上位机分析灰度和纹理等特征。文献[1]先采用分水岭算法实现图像分割，然后利用卷积神经网络建立分类模型。文献[2]分析高速相机采集的图像中煤与矸石灰度的不同实现分选。文献[3]提出了基于改进深度残差网络的图像分类方法，并将其应用于煤矸石的分选。文献[4]使用相机采集河北省峰峰集团万年矿区的煤矸图像，并改进VGG16网络实现了煤矸石分选。

2020年国家能源局印发《关于加快煤矿智能化发展的指导意见》，指出将人工智能、工业物联网、云计算、大数据、机器人、智能装备等与现代煤炭开发利用深度融合，形成全面感知、实时互联、分析决策、自主学习、动态预测以及协同控制的智能系统，实现煤矿开拓、采掘（剥）、运输、通风、洗选、安全保障以及经营管理等过程的智能化运行。为实现煤矿生产的智能化，大量学者对其进行了研究[5]。本文在前辈的工作基础上设计煤矸石智能控制系统，降低了工人的劳动强度，节约了水资源，避免了射线给人体带来的伤害，提高了煤矿生产效率和选矸环节的智能化水平。

1 系统总体方案

综采工作面开采的原煤通过皮带机运输至选煤厂准备车间。在准备车间内的原煤通过滚轴筛进行分级，挑选出粒级在50 mm以上的块煤、矸石，并将其送至煤矸石分拣系统的进料斗。

如图1所示，分拣过程中，首先采集数据。由工业相机采集皮带机上的煤矸石图像，并将采集的信息传送给数字信号处理器（Digital Signal Processor，DSP）。数字信号处理器可以将模拟信号转换为上位机可以识别的数字信号。其次，分析图像信息，建立识别模型与抓取方案。上位机接收DSP传输的数字信号，分析信号特征，建立高斯混合模型与支持向量机模型，实现皮带与煤矸石的分离、煤与矸石的识别。根据矸石在皮带上的位置确定抓取顺序、计算抓取轨迹，并将抓取顺序、轨迹等信息发送给可编程逻辑控制器（Programmable Logic Controller，PLC）。最后，执行抓取任务。PLC控制伺服电机驱动机械臂实现煤矸石抓取。此过程中，煤矸石识别、机械臂的抓取是关键。因此，本文将从煤矸石识别和机械手的准确抓取入手展开论述。

2 基于图像的煤矸石识别技术

图像识别法可以将工业相机作为识别系统的“眼睛”，从而获取煤矸石图像信息。煤与矸石的准确识别是煤矸石有效分拣的前提。工业照相机在拍摄图片时，由于设备与煤矸石存在相对运动，拍摄过程中图像存在模糊现象。同时，拍摄现场煤矸石图像质量容易受光照、粉尘、拍摄设备等因素的影响，导致传统的识别模型无法准确识别。近年来，机器学习迅速发展，已被广泛应用于工业、医疗等领域，并取得了良好的分类与回归效果。因此，国内学者将机器学习方法引入煤矸石的识别过程中。本文选择高斯混合模型识别背景皮带与煤矸石，采用支持向量机分选煤与矸石[6]。

2.1 图像分离

工业照相机将从皮带机上采集的图像信息经过数字信号处理器转化成数字信号。该数字信号经无线通信传输Wi-Fi技术实现相机与上位机之间的信息传输。

工业相机拍摄的图像是将煤矸石与背景皮带作为一个整体图像，采用高斯混合模型提取背景图像，实现煤矸石与背景皮带的分离。高斯混合模型是一种简单、有效、参数化模型的图像分割工具[7]。该模型的实质是对单个高斯模型进行加权和。每个高斯模型的参数、权值可以通过粒子群优化算法或最大期望算法确定。

煤矸石和背景的分离实质上属于二分类问题，即需分辨某个像素点属于煤矸石类或者属于背景类。因此，先利用已有的图像数据估计高斯混合模型的参数，建立高斯混合模型，再在图像分割过程中通过计算每个像素点的概率实现分类。当某像素点属于煤矸石概率高时，可以把该像素点认为是矸石；当某像素点属于背景皮带的概率高时，可以把该像素点认为是背景皮带。

2.2 特征提取与模型建立

为有效识别不同环境下的煤与矸石，首先选择清洁度不同、光照强度不同、纹理特征不同的块煤及矸石图像作为样本数据，其次提取样本数据的图像特征，最后根据提取的特征建立识别模型。

煤矸石的图像识别方法通常依据煤与矸石的灰度、纹理特征的不同进行识别。灰度特征指标有灰度均值、灰度方差、灰度歪斜度、灰度峰态、灰度能量以及灰度熵。纹理特征指标有对比度、熵、能量以及逆差矩。根据文献[6]的描述，本文选择灰度能量、灰度熵、纹理能量以及纹理熵作为特征指标来计算图像中煤与矸石的特征。其中，灰度能量表征图像灰度级分布是否均匀，灰度熵表征灰度分布的不均匀与复杂程度，通过纹理的熵表征灰度图像中纹理的复杂程度，通过纹理能量表征图像纹理粗细的程度。

煤与矸石的识别受到光照、粉尘、清洁度的影响，导致图像信息存在一定的随机性和不确定性。因此，选择具有较强的鲁棒性和较好泛化性的支持向量机作为分类模型。支持向量机是一种基于统计学习理论的分类模型。它的原理是将一个分类超平面作为决策曲面，使得两类之间的隔离边缘最大化，从而实现分类。该模型建立具体过程如下：首先，选择纹理特征参数作为模型输入，煤、矸石的类别作为输出；其次，将特征参数及煤和矸石的类别输入支持向量机，训练得到煤和矸石的分选模型；最后，将未知煤及矸石类别的图像特征输入训练模型，得到煤和矸石的类别，实现分选。

3 煤矸石抓取技术

对于皮带机上运送的大量煤与矸石，首先基于图片信息、矸石与机械臂抓取区域线的距离建立模糊推理规则来确定矸石的优先抓取顺序[8]，其次采用金字塔形寻优法拦截技术规划机械手的动作轨迹[9]，最后驱动机械抓实现目标矸石的分拣。

3.1 抓取顺序的确定

当煤矸石识别系统完成识别工作后，需确定矸石的优先抓取顺序。矸石的优先抓取顺序与两方面因素相关。一个因素是矸石的尺寸。尺寸具体指系统识别的各矸石的二维尺寸信息，即矸石的长和宽。尺寸越大的矸石，优先级越高，优先被抓取。另一个因素是距离。距离指矸石在皮带机运行方向与机械臂抓取区域线的距离。距离越短，优先级越高，应优先被抓取。基于分析，采用模糊推理确定抓取顺序。在模糊推理中，模糊推理条数与状态空间划分相关。状态空间划分越细，模糊推理条数越多。本文将矸石大小分为大与小两类，距离分为远近两种，建立4条规则，具体如表1所示。

表1 煤矸石优先抓取规则

根据规则确定模糊推理：

①if（尺寸大）and（距离近），then（抓取优先级高）；

②if（尺寸小）and（距离近），then（抓取优先级次高）；

③if（尺寸大）and（距离远），then（抓取优先级中）；

④if（尺寸小）and（距离远），then（抓取优先级低）。

3.2 机械臂控制

在确定煤矸石抓取顺序后，启动机械臂控制系统抓取矸石。机械臂控制系统主要由上位机、PLC、伺服驱动系统以及传感器等组成。机械臂的控制策略是首先由上位机根据皮带机的运行速度计算矸石位置信息，其次采用金字塔形寻优法的拦截技术规划机械手的动作轨迹，使其能够通过最短路径在某一时刻点上与目标物相遇执行抓取动作，最后采用二指夹持器实现矸石抓取。夹持器抓取位姿参数可表示为P=(x,y,z,α,n)，其中x、y、z分别为抓取点的三维坐标，α为夹持器与皮带机水平方向夹角，n为夹持器开合宽度。

该方案中，矸石运行速度的测量可以通过在皮带机上安装测速编码器实现对皮带机上煤矸石速度的测量。测速编码器与PLC连接，PLC内部的计数器对编码器输出的脉冲进行计数，将测得的速度数据通过以太网传送至上位机。

机械臂从前一个抓取任务结束到对下一个目标任务抓取可以分为3个时间段，即上升、平移和下降，其中平移的用时时间最长。因此，以平移过程为研究对象。在平移过程中，设矸石在皮带机的运行方向向左，机械臂运行方向向右，抓取点选择在机械臂与矸石相遇的交点，在该交点机械手可以执行抓取任务。在这一点上，机械臂经过的距离最短，在皮带机与机械臂运动速度一定的情况下，抓取用时短。相交点可看作拦截点，可以采用金字塔寻优拦截技术进行拦截。该技术根据矸石及机械臂的位置计算中间位置，规划机械臂的轨迹，驱动机械臂运动。因为机械臂的速度比皮带机的运行速度快，所以要先到达中点。机械臂到达中点时，以当前矸石及机械臂的距离差判断是否可成功抓取。当两者距离小于阈值时，认为可以抓取成功，执行抓取任务；当距离大于抓取阈值时，对当前位置的中点进行迭代计算，驱动机械臂运动，直到机械臂和矸石的距离差值到达规定的阈值，认为找到最佳抓取点，执行抓取任务。金字塔形寻优法的拦截技术能够有效协调机器手抓取动作和传送带上物料的运动速度，提高在实际工况中的动态抓取效率。

4 结语

煤炭行业智能化运行势不可挡。对于煤炭生产中的煤矸石分拣环节，通过煤矸石分拣控制系统能够实现智能感知、分析决策、自动执行的煤矿智能化体分拣。该智能化控制系统利用高斯混合模型实现皮带背景与煤矸石的分离，利用鲁棒性和泛化性强的支持向量机建立煤和矸石的分类模型，再通过模糊推理确定大量矸石的优先抓取顺序，利用金字塔形寻优法的拦截技术决定机械臂轨迹及夹持器的姿态计算实现煤矸石的智能抓取。这种基于图像的识别、智能分选的思路不仅适用于煤炭行业，而且对提高其他行业智能化运行具有一定的参考。