Метод идентификации уклонений горновыемочной машины на основе фильтрации данных бортовых датчиков расстояния
Рубрика: Управление в технических системах
Статья в выпуске: 3 т.26, 2026 года.
Бесплатный доступ
Добыча калийной руды сопряжена с высокими рисками, ключевым из которых является нарушение целостности водозащитной толщи из-за отклонения горно-выемочных машин от проектного курса. Цель исследования заключается в разработке метода точной идентификации уклонений горно-выемочной машины в режиме реального времени для обеспечения эффективной и безопасной подземной добычи. Материалы и методы. В качестве исходных данных использованы показания четырех бортовых датчиков расстояния, установленных перпендикулярно оси движения комбайна. Расстояние между осями передних и задних датчиков – 8 м, ширина проходки – 5,1 м. Для подавления шумов, вызванных вибрацией и пылью, выполнено сравнение трех алгоритмов фильтрации данных: робастного фильтра Калмана, двухэтапного фильтра (медианный Hampel + Калман) и модельно-ориентированного расширенного фильтра Калмана (EKF). Эффективность фильтрации оценивалась по коэффициенту сглаживания. На основе отфильтрованных данных построена геометрическая модель для расчета курсового угла и восстановления траектории движения комбайна. Точка начала уклонения от прямолинейного курса определялась по критерию устойчивого выхода параметров за пределы 3σ. Результаты. Установлено, что лучшие результаты показал метод двухэтапной фильтрации «Hampel + Калман» (средний коэффициент сглаживания 0,8528). На основании отфильтрованных данных восстановлена траектория движения горно-выемочной машины, определен момент начала уклонения от прямолинейного курса на расстоянии 8,925 м от начальной точки. Заключение. Предложенный метод фильтрации и геометрического моделирования позволяет идентифицировать отклонения горно-выемочной машины от заданной траектории, но характеризуется накоплением ошибки (дрейфом) при последовательном восстановлении траектории движения и имеет допущение о постоянной скорости. Для устранения систематических погрешностей в дальнейшем предусмотрено объединение фильтра с нейросетевым корректирующим модулем, обученным на имитационной модели движения, а также использование механизма коррекции по одометрическим данным для периодического сброса накопленной ошибки.
Короткий адрес: https://sciup.org/147254891
IDS: 147254891 | УДК: 622.012:681.518.5:519.216 | DOI: 10.14529/ctcr260304
Method for identifying deviations of a mining machine based on filtering of data from onboard distance sensors
Potash ore mining is associated with high risks, the key of which is the violation of the integrity of the water-resistant stratum due to the deviation of mining machines from the design course. Aim. The aim of the study is to develop a method for accurately identifying deviations of a mining machine in real time to ensure efficient and safe underground mining. Materials and Methods. The initial data used were readings from four onboard distance sensors installed perpendicular to the axis of the combine's movement. The distance between the axes of the front and rear sensors is 8 m, and the excavation width is 5.1 m. To suppress noise caused by vibration and dust, three data filtering algorithms were compared: a robust Kalman filter, a two-stage filter (median Hampel + Kalman), and a model-oriented extended Kalman filter (EKF). Filtering efficiency was assessed using the smoothing coefficient. Based on the filtered data, a geometric model was constructed to calculate the heading angle and reconstruct the combine's movement trajectory. The starting point of deviation from the straight-line course was determined by the criterion of stable parameter exit beyond the 3σ limits. Results. It was found that the two-stage filtering method “Hampel + Kalman” showed the best results (average smoothing coefficient of 0.8528). Based on the filtered data, the movement trajectory of the mining machine was reconstructed, and the moment of deviation from the straight-line course was determined at a distance of 8.925 m from the starting point. Conclusion. The proposed method of filtering and geometric modeling allows identifying deviations of the mining machine from the specified trajectory but is characterized by error accumulation (drift) during sequential trajectory reconstruction and assumes a constant speed. To eliminate systematic errors, future work involves combining the filter with a neural network correcting module trained on a simulation model of movement, as well as using a correction mechanism based on odometric data for periodic reset of accumulated error.
