工业物联网的煤矿巡检机器人能耗控制

序论：速发表网结合其深厚的文秘经验，特别为您筛选了1篇工业物联网的煤矿巡检机器人能耗控制范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！

0引言

矿山智慧化建设是基于传统数字矿山基础，将物联网、多机器人、GIS系统等高端技术实施融合，形成集自决策、自控制、感知互联于一体的智慧化矿山系统［1－2］。其中，矿山巡检作为矿山生产中最重要的一部分，有着重要意义。若巡检出现偏差，会直接影响矿山的生产进度，同时会造成不可预估的损失，巡检机器人的提出，能够代替人工完成矿山巡检。但是该过程中会耗费大量的功率能耗，因此对巡检多机器人开展必要的低能耗控制，成为当前绿色智慧矿山建设的重要组成部分。文献［3］方法基于机器人移动路径长、功率消耗大的问题，创建机器人简图模型，通过Denavit－Hartenberg方法获取机器人动力学方程。再设计机器人能耗控制器，根据蚁群算法对控制实施优化处理，确定控制流程;最后依据优化后的控制器，实现对机器人的能耗控制。文献［4］方法为自主移动机器人驱动的场景中的集成作业调度和导航控制提供了一个标准化框架。在框架的子系统上使用强化学习来加强机器人的运动稳定控制，并在动态场景中测试了其有效性。但在机器人的整体能耗控制方面有待进一步完善。文献［5］方法研究了一种可感知矿井内气体、温湿度变化的移动机器人，该机器人可以通过自行开发的移动应用程序和物联网系统进行手动控制，具有较好的传感性能与安全控制效果。但是，以上方法都是针对单一机器人的能耗控制策略，考虑到矿井内复杂的地理情况，针对机器人的联合控制所消耗的能量较多，需要进一步完善。为解决上述机器人低能耗控制过程中存在的问题，以工业物联网为基础，设计煤矿巡检多机器人低能耗控制方法。

1巡检机器人状态数据采集以及动力学分析

1．1基于工业物联网的巡检机器人状态数据采集

在多个巡检机器人开展矿区作业时，结合工业物联网中的无线传感器，可完成巡检机器人的状态数据采集［6－7］。由计算机网络、传感网络和通信网络构成的工业物联网如图1所示。由图1所示，工业物联网包括采集控制层、传感层、应用控制层和用户层。由于工业物联网传感器由大量微型传感节点、移动机器人(MobileＲobot，MＲ)以及静态基站构成。因此机器人运行时，首先在传感层，通过无线传感器进入簇生成阶段。选取合理的传感网络簇头完成采集控制层中的巡检机器人状态数据采集，过程如下:(1)生成传感网络簇头在传感器内静态节点中加入一个MＲ并将其看做传感器簇头。MＲ移动的新位置就是簇头的生成过程。首先通过广播更新传感器MＲs位置、以及到达下一位置节点跳数值，MＲ和Sink节点接收信标后对其展开转发，传感器接收数据后，检测数据信号强度，完成簇头转发，确定下一节点位置，实现簇头的生成。(2)数据簇更新簇头生成后，通过对传感网络节点平均剩余能量以及MＲs平均剩余能量的计算，完成簇头的更新，结果如下式所示:。式中:传感网络传输数据节点的剩余能量表述Ｒr;节点与MＲ之间跳数标定hm;计算出的MＲs相邻传感网络的节点剩余能量表述成ＲiMＲ，常数用i表述，平均节点剩余能量标定成ＲβMＲ，平均系数表述β，传感器中MＲs数量表述成mMＲ。根据上述平均剩余能量计算结果吗，决定MＲ是否移动，通过决策结果完成簇头的更新，实现数据的采集。(3)数据传输数据完成采集后，需要将采集的数据通过通信网络传输到应用控制层中服务器及数据库中。传输过程中采用重要数据优先传输，冗余数据最后传输策略。完成数据传输后，根据获取的数据，确定巡检机器人工作时的各项能耗的计算，为低能耗控制奠定坚实基础。

1．2物联网下的巡检机器人能耗参数的动力学分析

基于工业物联网采集的机器人状态数据，在应用控制层开展巡检机器人低能耗控制前，需要对巡检机器人开展动力学分析［8］。相关动力学参数是能耗控制的关键。巡检机器人结构示意图如图2所示。将采集控制层中的矿山巡检机器人左臂关节初始变量标定成L0，右臂关节初始变量标定Ｒ0，根据经理的平衡方程，获取巡检机器人连杆l的合外力以及合外力矩，式中:巡检机器人连杆l质心C的线速度表述uck;质量表述nl;时间标记t形式;连杆质心的惯性矩阵表述成Ick;角速度表述vk;作用在连杆l+1关节位置的合外力标记lgl;合外力矩标定lbl;位置向量标定lql形式;旋转矩阵标记l+1lEl+1;连杆质心位置标定lecl。根据上述确定的巡检机器人关节合外力矩，计算驱动矩、连杆z轴分量，完成关节驱动力矩的获取，式中:计算出的z轴分量标定lAl;驱动力矩标记成αl。

2煤矿巡检多机器人低能耗控制方法设计

基于上述获取的巡检机器人状态数据，在用户层的煤矿分析系统中建立巡检机器人作业时巡检线路的数学模型，获取机器人能耗。联合神经网络构建物联网下能耗控制模型，完成巡检多机器人的低能耗控制。

2．1构建巡检机器人巡检路线参数的计算

首先根据巡检机器人结构，以及采集的相关数据，获取多个巡检机器人运行巡检线路。巡检机器人在作业时，巡检线路通常呈现不平稳行驶状态，机器人相邻检测点距离设定成K，A，D高差设定成H，以此计算机器人巡检线路状态值。式中:机器人巡检线路行驶状态值表述y形式;巡检线路载比标定ε;最低点水平应力描述成σ0;机器人相邻检测点之间夹角表述cosγ形式;巡检线路任意坡度标定成θ。基于上述计算结果，对巡检线路任意点斜率进行计算［9］。式中:巡检线路任意点斜率标定成tanθ形式。

2．2计算多机器人上下坡状态力学参数

由于煤矿巡检机器人作业环境复杂，所以在构建能耗模型前，需要针对每个机器人爬坡、下坡状态建立力学模型。机器人在矿山内部作业进入爬坡阶段时，行走轮、电机驱动力矩会根据顺时针滚动，产生的摩擦阻力为逆时针方向。基于上述分析结果，确定机器人爬坡状态参数。中:巡检机器人爬坡时关节内部直流电机的驱动力矩标定成Wq形式;关节摩擦力描述ur;摩阻为Wf;摩阻系数表述成φ形式;重力用G表述，行走内径描述成r。而在下坡阶段，由于机器人各项参数与上坡状态相反，机器人下坡状态参数计算结果如下式所示:式中:巡检机器人下坡时关节内部直流电机的驱动力矩标定成Wz形式。

2．3机器人能耗估计

多机器人在巡检时，可以将能耗看做行走关节能耗、行驶时摩擦力能耗以及线下空载转动能耗几个部分［10］。设定机器人巡检线路弧长为K'，关节的电机输出矩标记Q形式，以此估计巡检机器人行走时摩擦力以及重力做功能耗，估计结果如下式所示。式中:巡检线路弧长表述Q'形式;行走内径表述r形式。依据上述计算结果，设定机器人线下空载能耗为Q″，估计结果如下式所示。式中:巡检机器人线下空载转动功率表述p形式;转动时间表述成t;转速描述v。最后将获取的能耗整合，估计出机器人巡检时的总能耗，过程如下式所示［11－12］:式中:机器人巡检时的总能耗描述成Q。

2．4低能耗控制

根据上述估计出的每个机器人总能耗，在煤矿分析系统中制定机器人最低能耗约束条件，结合递归的模糊神经网络建立能耗控制器模型。通过该模型实现巡检多机器人系统的最低能耗控制。基于递归神经网络的机器人巡检能耗控制模型如图3所示。分析图3，在机器人上下坡状态力学参数计算和机器人巡检总能耗的基础上，通过递归神经网络寻优选取机器人。递归神经寻优选取过程为:根据上述计算出的机器人巡检时的总能耗，制定最低能耗约束条件Q，结果如式(11)所示:式中:机器人巡检时的最大能耗标记Qmax形式;最小能耗标记Qmin。将上述计算结果与递归的模糊神经网络结合建立能耗控制器模型。在低能耗约束条件下，巡检多机器人的寻优过程具有非线性特征，递归神经网络可以提高非线性求解的过程，设计的递归神经网络动态求解公式为:式中:ηi为第i个机器人的关节角;θi为第i个机器人的角速度;α为控制误差收敛系数。最后将计算出的能耗值作为输入向量输入模型中，通过模型的输出移动路径选择结果，完成巡检机器人的低能耗控制。

3仿真实验

3．1仿真环境

为了验证上述机器人低能耗控制方法的整体有效性，拟定测试平台即MatlabＲ2022a。在主频为1的环境下设计多机器人在煤矿环境下的巡检仿真测试。设算法的迭代次数为50次，设置机器人的摩阻系数φ为0．15，机器人行驶速度为2．5m/s。测试过程中，设定巡检机器人在水平环境中沿自身坐标中的x方向匀速运动，周期补偿标定0．18m，机体离地高度为0．2m。以此设置机器人巡检过程中D－H(Denavit－Hartenberg)参数。具体参数如表1所示。

3．2实验结果与分析

分别采用基于工业物联网的煤矿巡检多机器人低能耗控制(所提方法)、采用蚁群算法优化的机器人运动路径能耗模糊控制研究(文献［3］方法)、基于自主移动机器人的强化学习框架(文献［4］方法)，进行机器人的移动能耗、周期能耗、巡检搜索总能耗测试。

3．2．1移动能耗对比分析

移动能耗是指在一定范围内的单位重量机器人巡检过程中，所产生的移动单位距离消耗能量。移动能耗数值越小表明机器人移动能效越高，其低能耗控制效果越优。设置煤矿巡检范围为50unit～200unit，机器人数量为5个，按照指定路径巡检行驶50次，移动能耗结果取平均值。具体实验结果如图4所示。分析图4测试结果可知，所提方法在开展煤矿巡检时，由于有效控制机器人的转角、力矩、角速度等参数，使多个机器人在移动过程中产生较小的移动能耗。而文献［3］方法和文献［4］方法由于在设计控制器时未能考量巡检路径带来的影响，导致该方法移动能耗较高，低能耗控制效果较差。

3．2．2周期能耗对比分析

在给定步幅和步高条件下，测试在一个周期内的5个机器人的运动周期能耗。设定机器人行进周期为2s～30s。周期内机器人上坡、下坡速度越低，则能耗越小。具体实验结果如图5所示。图5测试结果显示，1．0处为所提方法的周期能耗测试结果，2．0处为文献［3］方法的周期能耗测试结果，3．0处为文献［4］方法的周期能耗测试结果。所提方法测试结果为，在30s内所提方法的机器人上坡、下坡移动速度均低于10m/s，而文献［3］方法和文献［4］方法均高于所提方法，且周期内部分时间点的移动速度存在过高趋势。

3．2．3巡检搜索总能耗对比分析

在煤矿巡检范围下，对5个机器人进行50次巡检搜索迭代实验，取巡检搜索总能耗平均值。多个机器人总位移的增加，会降低煤矿巡检搜索耗时，进而降低巡检搜索总能耗。以机器人移动步数为测试条件，移动步数越多，其总位移越高，巡检搜索总能耗随之降低。具体实验结果如图6所示。分析图6可知，随着煤矿巡检范围的扩大，机器人移动步数均有所提高。在200unit范围时，所提方法移动步数可达39mm，而文献［3］方法与文献［4］方法的移动步数为35mm和30mm。这是因为所提方法根据机器人寻优非线性特性，构建了巡检能耗控制模型，有效提高了机器人线下空载转动功率，进而能够提高机器人移动步数，有效降低巡检搜索总能耗，使多机器人低能耗控制效果较好。

4结束语

为提高煤矿机器人能耗控制性能，该文提出了基于工业物联网的煤矿巡检多机器人低能耗控制。该方法根据机器人动力学分析结果，建立巡检机器人作业时巡检线路的数学模型获取机器人能耗，联合神经网络构建能耗控制模型，完成巡检多机器人的低能耗控制。实验表明，该方法控制下机器人的30s内上下坡移动速度低于10m/s。在200unit范围时，移动步数可达39mm，低能耗控制效果较好。但本文对于巡检机器人在复杂环境下的减震性能有待完善，在未来将以此为研究方向继续优化机器人性能。

参考文献:

［1］张超，宋卫东，付建新，等．海底矿山开采扰动下岩体稳定性分析［J］．中国矿业大学学报，2020，49(06):1035－1045．

［2］李建中，周爱国，周建伟，等．华北煤田矿山开采导致含水层破坏风险评估:以淄博洪山煤矿为例［J］．地球科学，2020，45(03):1027－1040．

［3］许艳英，包宋建．采用蚁群算法优化的机器人运动路径能耗模糊控制研究［J］．中国工程机械学报，2020，18(02):113－118．

［4］AGＲAWALA，WONSJ，SHAＲMAT，etal．Amulti－agentreinforcementlearningframeworkforintelligentmanufacturingwithautonomousmobilerobots［J］．Pro-ceedingsoftheDesignSociety，2021，1:161－170．

［5］QADＲII，MUNEEＲA，FATISM．AutomaticroboticscanningandinspectionmechanismforminesusingIoT［C］//IOPconferenceseries:Materialsscienceandengi-neering．IOPPublishing，2021，1045(1):012001．

［6］白俊．数据挖掘技术在采摘机器人图像采集过程应用［J］．农机化研究，2022，44(07):192－195．

［7］白杰，全海燕，汪长辉，等．水下机器人在深水OBN地震采集中的应用［J］．石油物探，2022，61(02):286－292．

［8］王成军，王智慧，金力，等．双臂型井下巡检机器人动力学分析［J］．煤炭技术，2021，40(11):181－185．

［9］高志伟，代学武，郑志达．基于运动控制和频域分析的移动机器人能耗最优轨迹规划［J］．自动化学报，2020，46(05):934－945．

［10］张冯，张尚盈，陈晧晖．两栖复合腿机器人运动仿真及能耗分析［J］．机床与液压，2021，49(12):153－157．

［11］贾文友，江磊，曹紫阳，等．能耗约束优化工业机器人作业轨迹［J］．计算机工程与应用，2021，57(15):245－250．

［12］张子凯，唐秋华，张利平，等．基于混合灰狼算法实现第Ⅱ类机器人U型装配线能耗优化［J］．中国机械工程，2018，29(16):1990－1995．

作者:陈宁 单位:中国煤炭科工集团太原研究院有限公司