瓦斯探測仿生蜘蛛機器人的研究與設計

摘 要：為保障煤礦安全生產(chǎn)，更好地監(jiān)測井下瓦斯?jié)舛?。該文設計一款可以在礦井復雜環(huán)境中完成瓦斯?jié)舛葘崟r監(jiān)測與預警、數(shù)據(jù)傳輸?shù)亩喙δ芰阒悄芊律鷻C器人。該仿生蜘蛛機器人可以在煤壁上安全做業(yè)，機器人在煤壁采集的數(shù)據(jù)將被傳送到云平臺。并在云平臺使用WOA-LSTM算法對瓦斯?jié)舛冗M行預測。運用雙目攝像頭以及激光雷達等多種傳感器實現(xiàn)融合定位功能，使機器人在井下有序作業(yè)。該機器人通過感知、導航、控制以及智能決策等方面的協(xié)作，實現(xiàn)對復雜環(huán)境下的高效精確巡視，以確保礦井安全生產(chǎn)。

關鍵詞：仿生；瓦斯檢測；WOA-LSTM；瓦斯超前預測；礦井災害防治

中圖分類號：TD76 文獻標志碼：A 文章編號：2095-2945（2024）31-0034-04

Abstract： In order to ensure safe production in coal mines， the concentration of underground gas should be better monitored. In this paper， a multifunctional six-legged intelligent bionic robot is designed that can complete real-time monitoring and early warning of gas concentration and data transmission in complex mine environments. The bionic spider robot can safely operate on the coal wall， and the data collected by the robot on the coal wall will be transmitted to the cloud platform. The WOA-LSTM algorithm is used to predict gas concentration on the cloud platform. Binocular cameras and multiple sensors such as lidar are used to realize the fusion positioning function， allowing the robot to operate in an orderly manner underground. The robot achieves efficient and precise inspections in complex environments through collaboration in sensing， navigation， control and intelligent decision-making to ensure safe production in mines.

Keywords： bionics; gas detection; WOA-LSTM; advanced gas prejtVrf7/aUzuslnXtE9UvYbLgINvxRGJXdB0WMVDvtDU=diction; mine disaster prevention

近幾年，隨著科技的不斷創(chuàng)新，生態(tài)文明的建設日益為全社會、全民族所關注。對礦業(yè)而言，建立一套符合我國實際情況的現(xiàn)代礦業(yè)系統(tǒng)已刻不容緩。根據(jù)礦井實際情況，礦井瓦斯一直存在關乎煤礦安全生產(chǎn)的重大安全隱患。井下人工巡檢存在諸多弊端，如低效、客觀標準不足、判斷依據(jù)不科學和特殊工位危險等，已無法適應現(xiàn)代化井下生產(chǎn)需求，給設備安全運行埋下安全隱患[1]。在現(xiàn)代化礦山綠色建設理念下，煤礦工業(yè)巡檢機器人日益普及和增長，礦業(yè)公司正積極采納高新技術和先進的機械設備來取代傳統(tǒng)的人工作業(yè)方式[2]。形成通過物聯(lián)網(wǎng)技術實現(xiàn)礦井瓦斯智能監(jiān)測和管理的系統(tǒng)是煤礦行業(yè)發(fā)展中提升信息化和自動化水平的重要方向[3]。

1 設計原理

本項目擬采用仿生學理論，借鑒蜘蛛、壁虎等動物的生物學特性及運動規(guī)律，通過仿生學原理，模仿蜘蛛的運動方式，使其具有多足行走的能力。通過對馬克·卡特科斯基教授開發(fā)的一種新的納米材料的研究分析，發(fā)現(xiàn)該納米涂層可以比較容易地吸收和釋放目標物，并將其運用于機器人足部。另外，傳感器的反饋與控制算法也發(fā)揮著重要的作用。

2 系統(tǒng)總體設計

系統(tǒng)設計一個基于AR M7控制的仿生蜘蛛探測機器人，分為上位機和下位機2個部分。下位機控制模塊由LPC2131作為控制核心；執(zhí)行機構模塊具有行走和越障功能，既可以通過遠程操控機器人進行基本的行走，也可以切換到自動行進的模式中利用紅外傳感器探測周圍的環(huán)境信息，進而對前方的障礙物及時做出反應；傳感器模塊負責采集障礙信息和環(huán)境信息，對當前環(huán)境溫度和瓦斯數(shù)據(jù)進行采集，并通過人機接口模塊將數(shù)據(jù)無線傳輸給上位機界面，利用LabVIEW軟件的圖形化編程語言，設計上位機并實現(xiàn)數(shù)據(jù)的動態(tài)顯示及分析，報警處理等功能；電源模塊由聚合物鋰電池和降壓模塊組成。系統(tǒng)的總體設計方案如圖1所示。

圖1 系統(tǒng)總體設計方案

3 機器人硬件結構設計

3.1 電控部分

多傳感器融合檢測：多傳感器信息融合就是將多個傳感器在時間或空間上收集到的互為補充或有所重疊的信息，按照特定的標準進行整合，從而得到對被觀測對象統(tǒng)一且準確的認識或解釋[4]。機器人的感知系統(tǒng)由一系列傳感器組成，這些傳感器能夠監(jiān)測一氧化碳、溫度、粉塵濃度、甲烷水平以及捕捉圖像[5]。機器人利用裝有各種傳感器元件的系統(tǒng)與外部環(huán)境交換信息，實時測量周圍環(huán)境狀態(tài)的數(shù)據(jù)，并將其通過不同接口傳送至單片機進行處理與分析[6]。

信息傳輸及定位功能：本裝置采用移遠的RM500u-CN通信模組進行數(shù)據(jù)傳輸，該模塊內置豐富的網(wǎng)絡協(xié)議，集成多個工業(yè)標準接口，并支持多種驅動和軟件功能（如Windows，Linux，Android等），使其可以在井下精確完成信號的接收與發(fā)送（圖2）。

圖像采集功能：該裝置采用煤礦自動化防爆攝像儀。

3.2 機械部分

3.2.1 模型整體結構

模型整體結構如圖3所示。

3.2.2 機械結構設計

1）軀干部分（圖4）對蜘蛛機器人至關重要，它不僅是機器人各個部分的物理連接中心，也承載著多種關鍵的電子組件。

下面是軀干設計部分的更詳細介紹。

①安全性與拆解便捷化：整個軀干部分由上下2部分組成，主要為防爆材料，上下2部分通過嵌合的方式由螺絲固定，這種嵌合方式第一是防止礦井內灰塵或者水汽對機器人正常運行的影響，第二是相比于正常固定的方式，該種方式使軀干內部更加密閉。②剛性與重量平衡：選用的材料和軀干的幾何形狀應確保足夠的剛性，以承受因運動產(chǎn)生的應力，保證機器人的敏捷性?？紤]到重量和強度，軀干的主要組成部分使用高強度的鋁合金（例如7075-T6），該材料具有良好的機械特性和良好的耐腐蝕性。

注：LCS（Live Communications Server）是微軟最新推出的企業(yè)即時消息服務器。API-GW，在云計算中，API網(wǎng)關（APIGateway）是一種管理微服務架構中所有API交互的重要組件。LMF，即Link Management Frame，是IEEE 802.11無線局域網(wǎng)（WLAN）中的一種特殊的幀類型。GMLC（Gateway Mobile Location Center）網(wǎng)關移動位置中心，是外部位置程序訪問GSM PLMN的第一個結點。UPF（User Plane Function，用戶面功能）是 3GPP 定義的 5G Core（核心網(wǎng)）基礎設施系統(tǒng)架構的基本組成部分。UDM（The Unified Data Management）統(tǒng)一數(shù)據(jù)管理功能。AMF（Access and Mobility Management Function），接入和移動性管理功能，執(zhí)行注冊、連接、可達性、移動性管理。SMF（Session Management function），會話管理功能，負責隧道維護、IP地址分配和管理、UP功能選擇、策略實施和QoS中的控制、計費數(shù)據(jù)采集、漫游等。RAN，無線接入網(wǎng)是指固定用戶全部或部分以無線的方式接入到交換機。

2）機械爪部分。礦下蜘蛛機器人的機械爪非常關鍵（圖5），其需要適應惡劣的礦井環(huán)境并完成多種作業(yè)任務。

以下是礦下蜘蛛機器人的機械爪設計部分的詳細介紹：①結構強度和耐用性：機械爪使用耐磨和高強度的材料制造，以確保在礦井中與巖石或其他硬質物質接觸時能承受大的沖擊和摩擦。②操作靈活性：設計提供了足夠的運動自由度，使得爪子可以模仿人類手的運動，從而更好地適應各種形態(tài)的物品和操作需求。爪子的末端使用了類似人類指尖的設計，附加特殊涂層增加摩擦力，以實現(xiàn)對復雜巖壁的攀爬和支撐。③連接機構：機械腿與軀干之間的連接采用轉動關節(jié)的結構。

3）瓦斯傳感部分。伸縮式可旋轉瓦斯探測器（圖6）是一種檢測礦井內瓦斯?jié)舛鹊脑O備，其放置在軀干的上方。

①伸縮臂部分。伸縮臂通常由多個段落組成，類似于攝影三腳架腿或無線天線的設計，采用內套筒設計，以便外部的筒體可以滑入內部筒體中，節(jié)節(jié)收縮或者伸展。②傳動機構。為了伸縮硬臂，采用液壓驅動機構，用來精確控制臂的伸縮。③旋轉基座部分。使用回轉支承確保傳感器底座在水平平面內能360°自由旋轉的機械轉接部分。通過伺服電機配合適當?shù)凝X輪安裝在底座上，允許對旋轉角度進行精確控制。

4）雙目攝像頭部分。整體攝像頭位置需考慮到機器人的運動范圍和操作場景，確保雙攝像頭系統(tǒng)（圖7）在惡劣的礦下環(huán)境中也可以穩(wěn)定工作。

攝像頭的裝配主要為2個部分，第一部分為瓦斯探測器上的小型雙目攝像頭，該部分的主要作用是能夠清晰地觀察到泄露點的情況；第二部分是軀干上的雙目攝像頭，該部分主要作用是可以清楚地監(jiān)測到機器人在礦井內的巡檢情況。

3.3 算法設計

煤礦瓦斯監(jiān)測預警的主要任務是利用傳感設備全面、實時、連續(xù)監(jiān)測井下巷道空間瓦斯?jié)舛群皖A測瓦斯突出危險狀態(tài)，及時分析異常變化并控制瓦斯?jié)舛仍诎踩秶鷥龋婪逗鸵种剖鹿拭珙^，實現(xiàn)對瓦斯危險源的預報和預警[7]。

為了更精確地預測巷道的瓦斯?jié)舛?，本文采用了一種創(chuàng)新而高效的混合算法，即WOA-LSTM算法。該算法結合了鯨魚覓食優(yōu)化算法[8]（WOA）和長短期記憶[9]神經(jīng)網(wǎng)絡（LSTM），建立WOA-LSTM模型以應對瓦斯預測問題。

下面是一個簡單的流程框架，用于說明如何利用WOA優(yōu)化LSTM參數(shù)，并且將模型應用于數(shù)據(jù)的預測，在WOA的過程中調節(jié)LSTM的參數(shù)。

第一步：初始化參數(shù)。初始化WOA算法的參數(shù)，包括種群大小、迭代次數(shù)、初始位置、降權因子a和線性遞減參數(shù)A等。初始化LSTM的參數(shù)，包括隱藏層節(jié)點數(shù)、學習率以及權重和偏置等。

第二步：數(shù)據(jù)預處理。為了提高模型預測的精度，并避免數(shù)據(jù)影響導致的過擬合等問題，因此對數(shù)據(jù)進行了歸一化處理，消除了數(shù)據(jù)的量綱影響。采用以下公式進行歸一化處理

第三步：特征篩選。為了減少模型的復雜性并提高模型的效率，利用皮爾遜相關系數(shù)分析對輸入數(shù)據(jù)進行篩選。通過合理選取模型輸入的特征因子，可以更精準地捕捉數(shù)據(jù)間的相關性，從而優(yōu)化模型的性能。

第四步：參數(shù)優(yōu)化。WOA算法優(yōu)化LSTM，通過計算最優(yōu)適應度值，得到LSTM算法中參數(shù)的最優(yōu)值。這一步驟使得模型能夠在訓練過程中更好地調整參數(shù)，以適應數(shù)據(jù)的特征，并進一步提高模型的預測精度和泛化能力。

第五步：訓練WOA-LSTM模型。將優(yōu)化得到的新參數(shù)應用于LSTM模型中，并利用預先劃分好的訓練集對新模型進行訓練。隨后，利用測試集對訓練好的模型進行驗證，以確保其在未知數(shù)據(jù)上的泛化能力。最終，將新的數(shù)據(jù)集輸入模型進行預測，從而完成整個模型的訓練和應用（圖8—圖10）。

4 系統(tǒng)軟件設計

4.1 探測機器人控制程序設計

控制舵機要求有一定占空比的脈寬調制波形，才能使機械臂旋轉到一定的角度，所以要對舵機進行控制，就必須給其輸出脈寬調制信號。LPC213X系列單片機是一個32位的機器，其處理速度很快，編程起來也很容易，并配備了6個 PWM輸出通道，能夠很容易地產(chǎn)生精確的 PWM波形。但是，這次設計的機器人有18個自由度，要對18個舵機運行進行控制，因此，編程方式采用了常用的使用計時器和 I/O端口來模擬輸出脈寬調制信號的方式。圖11顯示了仿生蜘蛛探測器的軟件流程。

4.2 探測機器人上位機設計

上位機部分采用單片機STC12C5A60S2作為上位機，采用虛擬儀器進行人機交互。為了確保上位機與下位機之間的通信能夠通過串口與上位機的接口實現(xiàn)，該系統(tǒng)使用了圖形化的模塊語言編寫程序，完成了對探測結果的趨勢曲線的顯示和報警等功能。

圖11 軟件流程圖

5 結論

隨著科技的不斷進步與創(chuàng)新，煤礦巡檢機器人在提高煤礦的安全與生產(chǎn)效率方面將發(fā)揮越來越重要的作用。該項目組提出了研究思路，在避障路徑規(guī)劃、實時避障、數(shù)據(jù)分析和5G通信等方面進行研究，力求實現(xiàn)一種創(chuàng)新性和智能化的產(chǎn)品。同時，通過挖掘數(shù)據(jù)輔助企業(yè)優(yōu)化生產(chǎn)流程，提升生產(chǎn)效率，并對礦山環(huán)境狀況進行監(jiān)控，達到安全高效生產(chǎn)的目的。

參考文獻：

[1] 王先彭.礦井巡檢機器人組合薄殼桿式升降探測云臺研究[D].徐州：中國礦業(yè)大學，2022.

[2] 秦偉華.煤礦用帶式輸送機巡檢機器人設計與研究[D].太原：太原理工大學，2021.

[3] 毛馨凱.基于物聯(lián)網(wǎng)的礦井瓦斯智能監(jiān)測系統(tǒng)關鍵技術淺析[J].科技視界，2023，13（34）：68-72.

[4] 董文清.智能機器人的現(xiàn)狀與發(fā)展[J].機械制造，2019，57（1）：36-38.

[5] 王雄.煤礦井下探測機器人控制系統(tǒng)設計[J].機械與電子，2014（1）：77-80.

[6] 王國法，趙國瑞，任懷偉.智慧煤礦與智能化開采關鍵核心技術分析[J].煤炭學報，2019，44（1）：34-41.

[7] 朱世松.煤礦瓦斯監(jiān)測多傳感器信息融合與知識發(fā)現(xiàn)研究[D].徐州：中國礦業(yè)大學，2014.

[8] SEYEDALI M， ANDREW L. The Whale Optimization Algorithm[J].Advances in Engineering Software，2016（95）：51-67，

[9] GREFF K， SRIVASTAVA R K， KOUTN？魱K J， et al. LSTM： A search space odyssey[C]//IEEE transactions on neural networks and learning systems，2016：2222-2232.