Details

В данной статье рассматриваются основные требования к интеллектуальной трансформации угольных шахт и систематически исследуются ключевые технологии, такие как интеллектуальная система вентиляции, распознавание поведения шахтеров, планирование основной производственной системы и мониторинг визуализации. Во-первых, построена интеллектуальная система вентиляции на основе алгоритма глубокого обучения с подкреплением (DQN), которая оптимизирует концентрацию подземных газов и пыли путем динамической регулировки угла воздушного окна, и эксперименты показывают, что система может снизить концентрацию CO₂ до 0,408%, а эффективность вентиляции значительно повышается. Во-вторых, сочетая OpenPose с пространственно-временной графовой конволюционной сетью (ST-GCN), предложена система распознавания опасного поведения шахтеров в реальном времени с точностью 90,4% на наборе данных UT-Interaction. Для основной производственной системы угольной шахты разработана многоцелевая оптимизационная модель, а улучшенный алгоритм NSGA-II используется для координации различных аспектов добычи, транспортировки и подъема, что позволяет увеличить дневную производительность на 15,6% и сократить время простоя между пустыми и полными бункерами на 49,5%. Наконец, разработана система визуализации на базе SCADA для интеграции динамического мониторинга состояния оборудования, параметров окружающей среды и производственных процессов, а также поддержки совместного принятия решений на нескольких терминалах. Исследование обеспечивает теоретическую поддержку и технические решения для интеллекта угольных шахт с учетом безопасности и эффективности.

This paper systematically studies key technologies such as intelligent ventilation system, miner behavior recognition, main production system planning and visual monitoring, focusing on the core needs of coal mine intelligent transformation. First, an intelligent ventilation system is constructed based on the deep reinforcement learning (DQN) algorithm. The gas and dust concentration in the mine is optimized by dynamically adjusting the wind window angle. Experiments show that the system can reduce the CO₂ concentration to 0.408%, and the ventilation efficiency is significantly improved. Secondly, a real-time identification framework for miners dangerous behaviors is proposed by combining OpenPose and spatiotemporal graph convolutional network (ST-GCN), with an accuracy of 90.4% on the UT-Interaction dataset. For the main production system of coal mines, a multi-objective optimization model is designed, and the improved NSGA-II algorithm is used to coordinate the mining, transportation and lifting links, achieving a 15.6% increase in daily output and a 49.5% reduction in downtime for empty and full warehouses. Finally, a visualization system based on SCADA is developed to integrate dynamic monitoring of equipment status, environmental parameters and production processes, and support multi-terminal collaborative decision-making. The research provides theoretical support and technical solutions for the intelligentization of coal mines, taking into account both safety and efficiency.

• ВВЕДЕНИЕ
• Глава 1 Предпосылки и значимость исследования
• 1.1 Умная шахта
• 1.2 Интеллектуальная система вентиляции
• 1.3 Система распознавания действий майнера
• 1.4 Система планирования процесса добычи угля
• 1.5 Система SCADA для шахты
• Глава 2 Интеллектуальные системы вентиляции шахт
• 2.1 Модель геометрии окна и разбиение сетки
• 2.1.2 Распределение скоростей
• 2.1.3 Расчет эквивалентного ветрового сопротивления ветрового стекла
• 2.1.4 Математическое моделирование и идентификация системы вентиляции ветрового стекла
• 2.2 Глубокое обучение с подкреплением при проектировании интеллектуальных вентиляционных систем
• 2.2.1 Основы обучения с подкреплением
• 2.2.2 Схема обучения интеллектуальной системы принятия решений по вентиляции шахты с глубоким подкреплением
• 2.3 Моделирование системы вентиляции шахты и построение среды обучения с подкреплением
• 2.3.1 Принцип работы нейронных сетей ВР
• 2.3.2 Сбор пробных данных и проверка точности модели
• 2.3.3 Создание улучшенной учебной среды
• 2.4 Алгоритм принятия решений на основе DQN для интеллектуальной вентиляции шахты
• 2.4.1 Принцип работы алгоритма DQN
• 2.4.2 Структура алгоритма принятия решений по интеллектуальной вентиляции шахтного ствола на основе DQN
• 2.4.3 Моделирование марковских процессов принятия решений для интеллектуальных систем вентиляции в шахтах
• 2.4.4 Проверка моделирования и анализ результатов
• Глава 3: Система распознавания опасных действий для шахтеров на основе Openpose
• 3.1 Значение исследования
• 3.2 Распознавание костей человека на основе Openpose
• 3.2.1 Поток алгоритма Openpose и структура сети
• 3.2.2 Расчет достоверности ключевых точек
• 3.3 Распознавание поведения человека на основе пространственно-временной графовой конволюционной сети
• 3.3.1 Построение топологической карты скелета человека
• 3.3.2 Конволюционная нейронная сеть с пространственно-временной картой
• 3.4 Экспериментальные результаты и анализ
• Глава 4: Система планирования основной производственной системы угольной шахты
• 4.1 Моделирование системы планирования и методы решения
• 4.2 Введение в алгоритм NSGA-II
• 4.3 Анализ и построение модели основного производственного процесса угольной шахты
• 4.3.1 Характеристики производства и планирования угольной шахты
• 4.3.2 Стратегия планирования
• 4.3.3 Построение модели планирования системы основного производства угольной шахты
• 4.4 Краткое содержание данной главы
• 4.4.1 Метод решения на основе алгоритма NSGA-II
• 4.4.2 Кодирование и декодирование хромосом
• 4.4.3 Инициализация популяции и механизм отбора
• 4.4.4 Механизмы кроссинговера и мутации
• 4.4.5 Условия обновления и завершения для решений Парето
• 4.5 Процесс и результаты моделирования
• 4.5.1 Примеры и описание случаев
• 4. 5. 2 Результаты решения
• Глава 5 Визуализация системы
• 5.1 Структура системного хранилища
• 5.2 Дизайн функциональных модулей системы .
• 5.3 Проектирование интерфейса
• 5.4 Дизайн базы данных
• 5.5 Главная страница системы SCADA
• 5.6 Веб-страница процесса добычи угля
• 5.7 Веб-страница обнаружения устройств
• 5.8 Веб-страница системы распознавания действий майнера
• 5.9 Веб-страница интеллектуальной системы вентиляции
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛТЬЗОВАННЫХ ИСТОЧНИКОВ