本發(fā)明涉及井下安全領(lǐng)域，特別涉及一種礦井救災(zāi)探測機(jī)器人的智能控制方法。

背景技術(shù)：

井下作業(yè)環(huán)境復(fù)雜，在生產(chǎn)過程中往往受到瓦斯、礦塵、火、水、頂板等災(zāi)害的威脅。由于我國礦井自然條件差，加上技術(shù)和管理等諸多方位的不到位，以及近年來國家對礦產(chǎn)資源需求量不斷增大，使得井下安全事故頻繁發(fā)生，人員傷亡十分慘重。井下安全事故發(fā)生后，環(huán)境的復(fù)雜性和危險性使得救援人員無法接近現(xiàn)場進(jìn)行偵查或施救。因此，研發(fā)礦井救災(zāi)機(jī)器人對井下安全生產(chǎn)，減少國家和人民生命財產(chǎn)的損失具有十分重要的意義。

現(xiàn)有井下救災(zāi)機(jī)器人檢測信息較為單一，不能綜合各個因素來判斷是否發(fā)生事故，經(jīng)常出現(xiàn)誤動作。

技術(shù)實現(xiàn)要素：

本發(fā)明目的為針對現(xiàn)有技術(shù)的問題，提出了能夠根據(jù)井下多方面的環(huán)境判斷是否存在事故、快速做出反應(yīng)的礦井救災(zāi)探測機(jī)器人的智能控制方法。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案，一種礦井救災(zāi)探測機(jī)器人的智能控制方法，包括以下步驟：

步驟一：采用瓦斯?jié)舛葌鞲衅?、一氧化碳傳感器、溫度傳感器對巷道中的環(huán)境參數(shù)進(jìn)行檢測；礦井救災(zāi)探測機(jī)器人根據(jù)視覺傳感器、超聲波傳感器、紅外傳感器信息進(jìn)行避障；利用GPS定位模塊、生命探測儀對井下被困人員進(jìn)行定位及生命探測。

步驟二：利用卡爾曼濾波對步驟一中的巷道環(huán)境信息傳感器信息進(jìn)行濾波處理，根據(jù)上一時刻傳感器的狀態(tài)值遞推得到下一時刻的估計值。

步驟三：采用Elman神經(jīng)網(wǎng)絡(luò)對礦井救災(zāi)探測機(jī)器人智能控制系統(tǒng)進(jìn)行映射，以經(jīng)卡爾曼濾波處理后的各傳感器數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，以井下安全等級為Elman神經(jīng)網(wǎng)絡(luò)輸出，對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其網(wǎng)絡(luò)狀態(tài)表達(dá)式為：

y_t=f([Y_t, I_t, D_t]^T)

式中，以經(jīng)KF處理后的巷道環(huán)境監(jiān)測數(shù)據(jù)為輸入I_t=[i(t-1),i(t-2),...,i(t-m)]；以安全等級為輸出Y_t=[y(t-1),y(t-2),...,y(t-n)]；系統(tǒng)的噪聲向量為D_t=[d(t-1),d(t-2),...,d(t-m)]；f(^.)為非線性映射函數(shù)；n、m分別為系統(tǒng)的輸出及輸入階次。

步驟3.1：對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行隨機(jī)初始化，確定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)為初始權(quán)值、閾值、網(wǎng)絡(luò)約束條件、最大迭代次數(shù)，初始化網(wǎng)絡(luò)權(quán)值、閾值，并計算Elman神經(jīng)網(wǎng)絡(luò)初始網(wǎng)絡(luò)誤差。

步驟3.2：利用果蠅算法確定最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。

步驟3.3：計算Elman網(wǎng)絡(luò)實際輸出與樣本輸出值之間的訓(xùn)練誤差，并更新Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。

步驟3.4：當(dāng)達(dá)到最大迭代次數(shù)或網(wǎng)絡(luò)誤差達(dá)到設(shè)定值時，Elman神經(jīng)網(wǎng)絡(luò)停止計算，由此得到最優(yōu)的礦井巷道環(huán)境安全評價模型，輸出當(dāng)前的巷道環(huán)境安全等級。

步驟四：將井下巷道的環(huán)境安全等級及井下被困人員的位置經(jīng)無線傳感網(wǎng)絡(luò)傳輸?shù)降孛姹O(jiān)控中心，并發(fā)出提醒警報。

優(yōu)選地，步驟二所述的卡爾曼濾波計算過程為：

利用卡爾曼濾波對步驟一中的各傳感器信息進(jìn)行濾波處理，根據(jù)上一時刻傳感器的狀態(tài)值及其相應(yīng)的協(xié)方差矩陣P_k-1遞推得到下一時刻的估計值：

P_k^- =AP_k-1A^T+Q

式中，A為狀態(tài)變換矩陣，B為輸入控制矩陣，u_k-1為過程觀測噪聲，Q為激勵噪聲協(xié)方差矩陣。

計算卡爾曼增益K_k，并由觀測變量與估計值的殘差計算狀態(tài)后驗估計值，最后得到后驗協(xié)方差矩陣P_k：：

K_k=P_k^-H^T(HP_k^-H^T+R)^-1

P_k=(1—K_kH)P_k^-

式中，H為觀測模型矩陣，R為測量噪聲協(xié)方差矩陣。

重復(fù)上述步驟，不斷調(diào)整更新步驟中的相關(guān)參數(shù)，由此利用卡爾曼濾波實現(xiàn)對傳感器采集的巷道環(huán)境參數(shù)數(shù)據(jù)流進(jìn)行估計，并實時適應(yīng)數(shù)據(jù)流變化，從而達(dá)到使采集的傳感器數(shù)據(jù)更準(zhǔn)確的目的。

進(jìn)一步優(yōu)選地，所述的狀態(tài)變換矩陣A、過程觀測噪聲矩陣u_k-1為單位矩陣，激勵噪聲協(xié)方差矩陣Q為0.01倍的單位矩陣。

進(jìn)一步優(yōu)選地，步驟三所述的果蠅優(yōu)化方法Elman神經(jīng)網(wǎng)絡(luò)參數(shù)過程為：

以ENN的網(wǎng)絡(luò)參數(shù)組成果蠅種群，進(jìn)行初始化訓(xùn)練，設(shè)置相關(guān)參數(shù)：種群規(guī)模、迭代次數(shù)為、果蠅個體的初始位置、果蠅遍歷次數(shù)；

設(shè)置果蠅個體初始搜索時的方向及距離為：X_i=X₁+Rand，Y_i=Y₁+Rand，并估計初始果蠅與食物原點位置的距離D_i=(X_i²+Y_i²)^1/2，且以距離的倒數(shù)作為食物味道濃度的判定值S_i=D_i^-1；

將S_i代入果蠅的味道濃度評價函數(shù)F_i中，求出該位置的濃度T_i=F_i(S_i)并找出味道最濃的果蠅個體[a_F,a_I]=minF_i(S_i)；

取最佳味道濃度值F_best=a_F，并保留X、Y位置坐標(biāo)，X₁=X(a_I)，Y₁=Y(a_I)，此時果蠅群體均向該位置聚集；

對上述步驟~進(jìn)行迭代運(yùn)算，當(dāng)果蠅位置的味道濃度優(yōu)于前一次迭代時的味道濃度，則執(zhí)行，否則繼續(xù)迭代，直到達(dá)到設(shè)定的最大迭代次數(shù)；

將運(yùn)算出的最優(yōu)果蠅個體位置X^*、Y^*根據(jù)公式Cx_n+1=(x_n—a_i)/(b_i—a_i)，轉(zhuǎn)換成混沌變量CX^*、CY^*[0,1]，然后再根據(jù)混沌變換公式進(jìn)行計算Cx_n+1=4Cx_n(1—Cx_n)，最后重新轉(zhuǎn)換回搜索空間，生成新變量為X^*′、Y^*′；

將X^*′、Y^*′按照步驟~重新進(jìn)行計算，生成新的味道濃度值，并與前一代相比較，如優(yōu)于前一代，則保留其濃度值及相應(yīng)位置，否則執(zhí)行步驟；

重復(fù)執(zhí)行~，進(jìn)行迭代尋優(yōu)運(yùn)算，當(dāng)滿足W值或達(dá)到精度要求時，停止迭代，輸出味道濃度最優(yōu)值及相應(yīng)的位置信息，以此作為ENN的網(wǎng)絡(luò)權(quán)值及閾值的最優(yōu)值。

進(jìn)一步優(yōu)選地，所述果蠅算法適應(yīng)度函數(shù)為：

式中，、分別為系統(tǒng)在t時刻的Elman神經(jīng)網(wǎng)絡(luò)輸出值與實際值；N為采集的數(shù)據(jù)樣本個數(shù)；T為Elman神經(jīng)網(wǎng)絡(luò)輸出節(jié)點個數(shù)。

進(jìn)一步優(yōu)選地，所述方法適用于非線性、強(qiáng)耦合、時變性的礦井救災(zāi)機(jī)器人自適應(yīng)動態(tài)控制過程。

有益效果

本發(fā)明技術(shù)方案通過應(yīng)用果蠅優(yōu)化方法耦合Elman神經(jīng)網(wǎng)絡(luò)對礦井救災(zāi)探測機(jī)器人控制系統(tǒng)進(jìn)行建模，結(jié)合多種傳感器進(jìn)行信息融合，實現(xiàn)了對其進(jìn)行智能控制。該方法收斂速度快、精度高且具有較好的穩(wěn)定性及可靠性，為礦井安全研究領(lǐng)域提供了新的思路。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖1，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明采用如下技術(shù)方案，一種礦井救災(zāi)探測機(jī)器人的智能控制方法，包括以下步驟：

步驟一：采用瓦斯?jié)舛葌鞲衅?、一氧化碳傳感器、溫度傳感器對巷道中的環(huán)境參數(shù)進(jìn)行檢測；礦井救災(zāi)探測機(jī)器人根據(jù)視覺傳感器、超聲波傳感器、紅外傳感器信息進(jìn)行避障；利用GPS定位模塊、生命探測儀對井下被困人員進(jìn)行定位及生命探測。

步驟二：利用卡爾曼濾波對步驟一中的巷道環(huán)境信息傳感器信息進(jìn)行濾波處理，根據(jù)上一時刻傳感器的狀態(tài)值遞推得到下一時刻的估計值。

步驟三：采用Elman神經(jīng)網(wǎng)絡(luò)對礦井救災(zāi)探測機(jī)器人智能控制系統(tǒng)進(jìn)行映射，以經(jīng)卡爾曼濾波處理后的各傳感器數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，以井下安全等級為Elman神經(jīng)網(wǎng)絡(luò)輸出，對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其網(wǎng)絡(luò)狀態(tài)表達(dá)式為：

y_t=f([Y_t, I_t, D_t]^T)

式中，以經(jīng)KF處理后的巷道環(huán)境監(jiān)測數(shù)據(jù)為輸入I_t=[i(t-1),i(t-2),...,i(t-m)]；以安全等級為輸出Y_t=[y(t-1),y(t-2),...,y(t-n)]；系統(tǒng)的噪聲向量為D_t=[d(t-1),d(t-2),...,d(t-m)]；f(^.)為非線性映射函數(shù)；n、m分別為系統(tǒng)的輸出及輸入階次。

步驟3.1：對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行隨機(jī)初始化，確定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)為初始權(quán)值、閾值、網(wǎng)絡(luò)約束條件、最大迭代次數(shù)，初始化網(wǎng)絡(luò)權(quán)值、閾值，并計算Elman神經(jīng)網(wǎng)絡(luò)初始網(wǎng)絡(luò)誤差。

步驟3.2：利用果蠅算法確定最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。

步驟3.3：計算Elman網(wǎng)絡(luò)實際輸出與樣本輸出值之間的訓(xùn)練誤差，并更新Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。

步驟3.4：當(dāng)達(dá)到最大迭代次數(shù)或網(wǎng)絡(luò)誤差達(dá)到設(shè)定值時，Elman神經(jīng)網(wǎng)絡(luò)停止計算，由此得到最優(yōu)的礦井巷道環(huán)境安全評價模型，輸出當(dāng)前的巷道環(huán)境安全等級。

步驟四：將井下巷道的環(huán)境安全等級及井下被困人員的位置經(jīng)無線傳感網(wǎng)絡(luò)傳輸?shù)降孛姹O(jiān)控中心，并發(fā)出提醒警報。

優(yōu)選地，步驟二所述的卡爾曼濾波計算過程為：

利用卡爾曼濾波對步驟一中的各傳感器信息進(jìn)行濾波處理，根據(jù)上一時刻傳感器的狀態(tài)值及其相應(yīng)的協(xié)方差矩陣P_k-1遞推得到下一時刻的估計值：

P_k^- =AP_k-1A^T+Q

式中，A為狀態(tài)變換矩陣，B為輸入控制矩陣，u_k-1為過程觀測噪聲，Q為激勵噪聲協(xié)方差矩陣。

計算卡爾曼增益K_k，并由觀測變量與估計值的殘差計算狀態(tài)后驗估計值，最后得到后驗協(xié)方差矩陣P_k：

K_k=P_k^-H^T(HP_k^-H^T+R)^-1

P_k=(1—K_kH)P_k^-

式中，H為觀測模型矩陣，R為測量噪聲協(xié)方差矩陣。

重復(fù)上述步驟，不斷調(diào)整更新步驟中的相關(guān)參數(shù)，由此利用卡爾曼濾波實現(xiàn)對傳感器采集的巷道環(huán)境參數(shù)數(shù)據(jù)流進(jìn)行估計，并實時適應(yīng)數(shù)據(jù)流變化，從而達(dá)到使采集的傳感器數(shù)據(jù)更準(zhǔn)確的目的。

進(jìn)一步優(yōu)選地，所述的狀態(tài)變換矩陣A、過程觀測噪聲矩陣u_k-1為單位矩陣，激勵噪聲協(xié)方差矩陣Q為0.01倍的單位矩陣。

進(jìn)一步優(yōu)選地，步驟三所述的果蠅優(yōu)化方法Elman神經(jīng)網(wǎng)絡(luò)參數(shù)過程為：

以ENN的網(wǎng)絡(luò)參數(shù)組成果蠅種群，進(jìn)行初始化訓(xùn)練，設(shè)置相關(guān)參數(shù)：種群規(guī)模、迭代次數(shù)為、果蠅個體的初始位置、果蠅遍歷次數(shù)；

設(shè)置果蠅個體初始搜索時的方向及距離為：X_i= X₁+Rand，Y_i= Y₁+Rand，并估計初始果蠅與食物原點位置的距離D_i=(X_i²+Y_i²)^1/2，且以距離的倒數(shù)作為食物味道濃度的判定值S_i=D_i^-1；

將S_i代入果蠅的味道濃度評價函數(shù)F_i中，求出該位置的濃度T_i=F_i(S_i)并找出味道最濃的果蠅個體[a_F,a_I]=minF_i(S_i)；

取最佳味道濃度值F_best=a_F，并保留X、Y位置坐標(biāo)，X₁=X(a_I)，Y₁=Y(a_I)，此時果蠅群體均向該位置聚集；

對上述步驟~進(jìn)行迭代運(yùn)算，當(dāng)果蠅位置的味道濃度優(yōu)于前一次迭代時的味道濃度，則執(zhí)行，否則繼續(xù)迭代，直到達(dá)到設(shè)定的最大迭代次數(shù)；

將運(yùn)算出的最優(yōu)果蠅個體位置X^*、Y^*根據(jù)公式Cx_n+1=(x_n—a_i)/(b_i—a_i)，轉(zhuǎn)換成混沌變量CX^*、CY^*[0,1]，然后再根據(jù)混沌變換公式進(jìn)行計算Cx_n+1=4Cx_n(1—Cx_n)，最后重新轉(zhuǎn)換回搜索空間，生成新變量為X^*′、Y^*′；

將X^*′、Y^*′按照步驟~重新進(jìn)行計算，生成新的味道濃度值，并與前一代相比較，如優(yōu)于前一代，則保留其濃度值及相應(yīng)位置，否則執(zhí)行步驟；

重復(fù)執(zhí)行~，進(jìn)行迭代尋優(yōu)運(yùn)算，當(dāng)滿足W值或達(dá)到精度要求時，停止迭代，輸出味道濃度最優(yōu)值及相應(yīng)的位置信息，以此作為ENN的網(wǎng)絡(luò)權(quán)值及閾值的最優(yōu)值。

進(jìn)一步優(yōu)選地，所述果蠅算法適應(yīng)度函數(shù)為：

式中，、分別為系統(tǒng)在t時刻的Elman神經(jīng)網(wǎng)絡(luò)輸出值與實際值；N為采集的數(shù)據(jù)樣本個數(shù)；T為Elman神經(jīng)網(wǎng)絡(luò)輸出節(jié)點個數(shù)。

進(jìn)一步優(yōu)選地，所述方法適用于非線性、強(qiáng)耦合、時變性的礦井救災(zāi)機(jī)器人自適應(yīng)動態(tài)控制過程。

本發(fā)明技術(shù)方案通過應(yīng)用果蠅優(yōu)化方法耦合Elman神經(jīng)網(wǎng)絡(luò)對礦井救災(zāi)探測機(jī)器人控制系統(tǒng)進(jìn)行建模，結(jié)合多種傳感器進(jìn)行信息融合，實現(xiàn)了對其進(jìn)行智能控制。該方法收斂速度快、精度高且具有較好的穩(wěn)定性及可靠性，為礦井安全研究領(lǐng)域提供了新的思路。

以上所述的具體實施方式，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。