煤矸分揀機(jī)器人的煤矸動(dòng)態(tài)稱(chēng)重方法

中圖分類(lèi)號(hào)：TD67 文獻(xiàn)標(biāo)志碼：A Dynamic weighing method for coal and gangue in coal-gangue sorting robots CAO Xiangang1，2，LIUYizhel2，WUXudong1.2，WANG Peng12，ZHANG Ye1.2

（1.SchoolofMechanicalEngineering，Xi'an UniversityofScienceandTechnology，Xi'an71oo54，China; 2.ShaanxiKeyLaboratoryofMine Electromechanical Equipment IntelligentDetectionand Control，

Xi'an 710054，China）

Abstract： Image recognition-based coal-gangue sorting robots have become aresearch hotspot in the field of coal-gangue separation.To addressthe issue of lowrecognition accuracycaused by complex real-world conditions—such as dust adhesion，lighting variation，water stains，and coal slury coverage—a dynamic weighing method for coal and ganguewas proposed，integratinga tension sensorand anacceleration sensor toenable secondary recognition.By analyzing the influence mechanismof triaxial acceleration on the tension sensor during the high-speed motion of the robotic arm ina coal-gangue sorting robot，a dynamic weighing model for coal and gangue based on triaxial acceleration compensation was established.Furthermore，an outlierelimination mechanism based on the interquartile range （IQR） algorithm was introduced to suppressrandom noise in the dynamic weighing model.An experimental platform for dynamic weighing ofcoal and gangue inacoal-gangue sorting robot was constructed to conduct experiments.Experimental results showed that the weighing error reached 66.43% without triaxial acceleration compensation. After introducing z -axis，and x -and y. -axis acceleration compensation， the errors were reduced to 12.97% and 8.69% ，respectively.With the addition of the IQR algorithm， the weighing error of the dynamic weighing model was further reduced to 4.69% ，representing a 61.74% reduction compared to the case without triaxial acceleration compensation and the IQR algorithm. The model was able to achieve secondary recognition between coal and gangue when their density diference exceeded 0.35g/cm³ ， effectively solving the problem of low recognition accuracy under complex real-world conditions.

Key words： coal-gangue sorting robot; dynamic weighing of coal and gangue; secondary recognition for coal and gangue; acceleration compensation; interquartile range algorithm

0 引言

煤矸分選是原煤生產(chǎn)過(guò)程中的關(guān)鍵環(huán)節(jié)之二[1-2]，目前常用基于圖像識(shí)別[3]、X射線探測(cè)[4]、熱紅外響應(yīng)分析[5]、高光譜成像[6]、激光反射率檢測(cè)[7]等方法實(shí)現(xiàn)煤與矸石的有效識(shí)別。其中基于圖像識(shí)別的煤矸分揀機(jī)器人已成為當(dāng)前煤矸分揀領(lǐng)域的研究熱點(diǎn)[8-10]。但在實(shí)際工況下，受灰塵附著、光照變化、水漬粘黏、煤泥水覆蓋等外界因素的影響，僅采用圖像特征難以完成煤與矸石的準(zhǔn)確識(shí)別。因此，可在煤矸圖像特征的基礎(chǔ)上引入煤矸密度特征，利用煤矸的密度差異進(jìn)行煤矸二次識(shí)別，以提高實(shí)際工況下的煤矸識(shí)別準(zhǔn)確率。

動(dòng)態(tài)稱(chēng)重作為一種能夠在運(yùn)動(dòng)狀態(tài)下采集目標(biāo)質(zhì)量信息的技術(shù)手段，是獲取煤矸密度特征的關(guān)鍵環(huán)節(jié)。按照參與動(dòng)態(tài)稱(chēng)重傳感器的類(lèi)型，可將其分為兩類(lèi)： ① 通過(guò)分析單一傳感器采集數(shù)據(jù)完成指定目標(biāo)的稱(chēng)重。 ② 融合多個(gè)傳感器采集的數(shù)據(jù)，通過(guò)動(dòng)態(tài)補(bǔ)償完成指定目標(biāo)的稱(chēng)重。針對(duì)基于單一傳感器的動(dòng)態(tài)稱(chēng)重方法，ZhangChen等[11]通過(guò)在膠帶末端安裝稱(chēng)重平臺(tái)，對(duì)滑落煤矸進(jìn)行動(dòng)態(tài)質(zhì)量檢測(cè)，采用均值濾波法處理動(dòng)態(tài)稱(chēng)重信號(hào)以獲取煤矸質(zhì)量，并基于密度特征開(kāi)發(fā)了煤矸分選系統(tǒng)，煤矸分選精度達(dá)到 60% ；袁娜[12]通過(guò)分析機(jī)械臂抓取煤矸的過(guò)程，選擇可穩(wěn)態(tài)測(cè)量煤矸質(zhì)量的階段，利用安裝于機(jī)械臂上的拉力傳感器實(shí)現(xiàn)了煤矸動(dòng)態(tài)稱(chēng)重，稱(chēng)重誤差為 5.74% ；ZhangZhen等[13]提出了一種基于柔性壓力傳感器的機(jī)器人手爪稱(chēng)重系統(tǒng)，采用多項(xiàng)式擬合算法建立了柔性壓力傳感器輸出與被稱(chēng)重目標(biāo)真實(shí)質(zhì)量之間的映射關(guān)系，并通過(guò)實(shí)驗(yàn)得到了二次多項(xiàng)式擬合效果最優(yōu)的結(jié)論。針對(duì)多傳感器融合的動(dòng)態(tài)稱(chēng)重方法，A.Kosiara等[14]通過(guò)融合油壓傳感器和傾斜傳感器，建立了挖掘機(jī)鏟斗的動(dòng)態(tài)稱(chēng)重模型，可在1個(gè)典型工作周期內(nèi)估算鏟斗內(nèi)物料的質(zhì)量，相對(duì)誤差小于 5% ；李達(dá)等[15]采用BP神經(jīng)網(wǎng)絡(luò)處理4路壓力傳感器信號(hào)，并使用粒子群優(yōu)化（ParticleSwarmOptimization，PSO）算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值，其動(dòng)態(tài)稱(chēng)重的平均相對(duì)誤差小于 5.3% ；王秦越等[16提出了一種基于擴(kuò)展卡爾曼濾波算法的動(dòng)態(tài)稱(chēng)重方法，利用多傳感器融合技術(shù)有效抑制了干擾噪聲對(duì)測(cè)量系統(tǒng)的影響，提高了動(dòng)態(tài)稱(chēng)重精度；章玉等[17]將三軸加速度與動(dòng)態(tài)質(zhì)量信號(hào)進(jìn)行低通濾波處理后輸人PSO-徑向基函數(shù)（RadialBasisFunction，RBF）模型進(jìn)行質(zhì)量預(yù)測(cè)，使膠帶伸縮機(jī)上包裹在傳輸過(guò)程中的稱(chēng)重誤差減小至 0.9% ○

基于單一傳感器的動(dòng)態(tài)稱(chēng)重方法因數(shù)據(jù)維度有限，對(duì)動(dòng)態(tài)環(huán)境的適應(yīng)性較差，而多傳感器融合方法通過(guò)多源信號(hào)協(xié)同處理，可有效提高動(dòng)態(tài)稱(chēng)重的精度及穩(wěn)定性。因此，本文在順應(yīng)現(xiàn)有煤矸分揀機(jī)器人分揀工藝的基礎(chǔ)上，借鑒多傳感器融合的動(dòng)態(tài)稱(chēng)重方法，提出一種面向煤矸二次識(shí)別系統(tǒng)的煤矸動(dòng)態(tài)稱(chēng)重方法。通過(guò)分析動(dòng)態(tài)場(chǎng)景下拉力傳感器的工作特性，采用三軸加速度動(dòng)態(tài)補(bǔ)償因機(jī)械臂加減速運(yùn)動(dòng)引起的煤矸稱(chēng)重誤差，并結(jié)合四分位距（InterQuartileRange，IQR算法剔除動(dòng)態(tài)稱(chēng)重過(guò)程中的隨機(jī)噪聲，實(shí)現(xiàn)了煤矸二次識(shí)別系統(tǒng)中煤矸質(zhì)量的在線準(zhǔn)確獲取。

1問(wèn)題描述

1.1煤矸二次識(shí)別系統(tǒng)

煤矸二次識(shí)別系統(tǒng)由揀矸膠帶、雙目視覺(jué)識(shí)別系統(tǒng)、機(jī)械臂、控制系統(tǒng)組成，如圖1所示。煤和矸石由揀矸膠帶運(yùn)輸。首先，由實(shí)例分割模型完成所有煤和矸石的檢測(cè)與分割[18]，輸出煤矸圖像識(shí)別結(jié)果和分割后的煤矸點(diǎn)云，完成煤矸一次識(shí)別。然后，將一次識(shí)別結(jié)果中置信度較低的煤矸確定為二次識(shí)別目標(biāo)，同時(shí)利用雙目視覺(jué)技術(shù)和機(jī)械臂動(dòng)態(tài)稱(chēng)重方法獲取目標(biāo)的檢測(cè)體積和檢測(cè)質(zhì)量。最后，控制系統(tǒng)結(jié)合目標(biāo)檢測(cè)體積和檢測(cè)質(zhì)量計(jì)算出目標(biāo)檢測(cè)密度，通過(guò)與預(yù)設(shè)的煤研真實(shí)密度進(jìn)行比較，實(shí)現(xiàn)煤矸二次識(shí)別，若目標(biāo)被判斷為煤則中斷抓取過(guò)程，將煤放回膠帶，否則繼續(xù)抓取過(guò)程，完成煤矸分揀。

1.2煤矸動(dòng)態(tài)稱(chēng)重

為減少煤矸動(dòng)態(tài)稱(chēng)重過(guò)程中機(jī)械臂加減速對(duì)目標(biāo)煤矸質(zhì)量測(cè)量結(jié)果的影響，將拉力傳感器和加速度傳感器安裝于機(jī)械臂上，通過(guò)融合機(jī)械臂抓取煤矸過(guò)程中的拉力和加速度數(shù)據(jù)，實(shí)現(xiàn)煤矸質(zhì)量的動(dòng)態(tài)獲取，如圖2所示。

由于采用了多傳感器融合方案進(jìn)行動(dòng)態(tài)稱(chēng)重，所以需考慮拉力傳感器和加速度傳感器之間的數(shù)據(jù)對(duì)齊問(wèn)題。已知拉力傳感器和加速度傳感器的采樣周期分別為1.56，10ms，選擇加速度傳感器的采樣周期 10ms 作為動(dòng)態(tài)稱(chēng)重的數(shù)據(jù)采集周期，以實(shí)現(xiàn)傳感器數(shù)據(jù)對(duì)齊。傳感器數(shù)據(jù)對(duì)齊方案如圖3所示。T 為稱(chēng)重?cái)?shù)據(jù)采集周期， T₁，T₂ 分別為拉力傳感器和加速度傳感器的采樣周期。

2拉力傳感器工作特性分析

定義膠帶運(yùn)行方向?yàn)?x 軸，膠帶寬度方向?yàn)閥 軸，煤矸分揀機(jī)器人抓取矸石方向?yàn)?z 軸，分析拉力傳感器在三軸方向上的力電轉(zhuǎn)換關(guān)系。

2.1沿 z 軸方向的力電轉(zhuǎn)換關(guān)系

當(dāng)沿 z 軸力 F_z 作用于拉力傳感器測(cè)力軸線上時(shí)， F_z 與拉力傳感器輸出電壓 U 之間的線性關(guān)系為

F_z=k_zU+b_z

式中 k_z，b_z 為待定參數(shù)，可通過(guò)待定系數(shù)法確定。

U 可由拉力傳感器輸出的數(shù)字量表示，即

式中： U_max 為傳感器滿(mǎn)量程時(shí)的輸出電壓，為 10V D_max 為AD芯片能輸出的最大數(shù)字量，本文中AD芯片為24位，則 D_max=2²⁴-1=16777215;D 為傳感器輸出的數(shù)字量。

將式（1）與式（2）聯(lián)立，得到拉力傳感器沿 z 軸的力電轉(zhuǎn)換關(guān)系：

沿拉力傳感器的測(cè)力軸線（即 z 軸方向）施加標(biāo)準(zhǔn)載荷，記錄傳感器輸出的數(shù)字量 D ，采用最小二乘法得 k_z=54.571 0 b_z=-1.6485 。相關(guān)數(shù)據(jù)見(jiàn)表1。

2.2沿 x ， y 軸方向的力電轉(zhuǎn)換關(guān)系

理想情況下，拉力傳感器僅對(duì)沿測(cè)力軸線方向的力敏感，但實(shí)際情況下由于拉力傳感器存在交叉靈敏度，表現(xiàn)為當(dāng)沿拉力傳感器的測(cè)力軸線法向施加拉力時(shí)，傳感器也會(huì)存在信號(hào)輸出，且輸出信號(hào)與所施加的力呈正比[19]。因此，沿測(cè)力軸線法向施加的載荷 F_x 或 F_y 與傳感器輸出電壓 U 之間的關(guān)系為

F_x=k_xU+b_x

F_y=k_yU+b_y

式中 k_x，k_y，b_x，b_y 為未知參數(shù)。

將式（4）和式（5）分別與式（2）聯(lián)立，可知拉力傳感器沿 _x，y 軸的力電轉(zhuǎn)換關(guān)系：

沿 x 軸和 y 軸分別施加標(biāo)準(zhǔn)載荷，同時(shí)記錄傳感器輸出的數(shù)字量 D ，采用最小二乘法可得 k_x= 1702.3450，k_y=1856.3942，b_x=-1.2714，b_y=-1.0403 。相關(guān)數(shù)據(jù)見(jiàn)表2、表3。

3煤矸動(dòng)態(tài)稱(chēng)重?cái)?shù)學(xué)模型

在煤矸分揀機(jī)器人分揀煤矸過(guò)程中，拉力傳感器除受到 z 軸（測(cè)力軸線）上的載荷 F_z 外，還會(huì)受到x，y 軸（非測(cè)力軸線）上的載荷 F_x，F(xiàn)_y 。由于傳感器交叉靈敏度的存在，會(huì)導(dǎo)致 F_x，F(xiàn)_y 在測(cè)力軸線方向產(chǎn)生寄生載荷[20]，在構(gòu)建動(dòng)態(tài)稱(chēng)重模型時(shí)須考慮寄生載荷對(duì)稱(chēng)重結(jié)果的影響。由拉力傳感器工作特性分析結(jié)果可知，三軸所受寄生載荷 F_x，F(xiàn)_y，F(xiàn)_z 與相應(yīng)方向上傳感器輸出值分量 D_x，D_y，D_z 間的關(guān)系分別為

拉力傳感器的實(shí)際讀數(shù) D 由沿測(cè)力軸線方向載 荷貢獻(xiàn)的傳感器讀數(shù) D_z 、非測(cè)力軸線方向載荷帶來(lái) 的寄生載荷貢獻(xiàn)的傳感器讀數(shù) D_x 和 D_y 共同組成

D=D_x+D_y+D_z

對(duì)拉力傳感器下方的整體進(jìn)行動(dòng)力學(xué)分析，根據(jù)牛頓第二定律， x，y，z 三軸方向的載荷可表示為

式中： M_g 為被抓取煤矸質(zhì)量; M_j 為拉力傳感器下方機(jī)械爪的質(zhì)量; a_x，a_y，a_z 分別為機(jī)械臂沿 x，y，z 三軸的加速度。

將式（8）—式（14）聯(lián)立，可得煤矸質(zhì)量 M_g 與拉力傳感器讀數(shù) D 及三軸加速度 a_x，a_y，a_z 之間的關(guān)系：

由于寄生載荷大小與 x，y 軸加速度的方向無(wú)關(guān)，所以 a_x，a_y 在式（15）中取絕對(duì)值。

令 k₁=1/k_x k₂=1/k_y ， k₃=1/k_z ， c=U_max/D_max b=b_x/k_x+ b_y/k_y+b_z/k_z ，則融合三軸加速度的煤矸質(zhì)量計(jì)算公式可簡(jiǎn)化為

本文中 M_j=9.388，k_l=5.8742×10^-4，k₂=5.3868×10^-4

k₃=1.832 5×10^-2 ， c=5.960 5×10^-7 b=-3.151 6×10^-2 ，代入式（16）可得

當(dāng)動(dòng)態(tài)稱(chēng)重系統(tǒng)某時(shí)刻的拉力及加速度數(shù)據(jù)已知時(shí)，可使用式（17）得到煤矸質(zhì)量的觀測(cè)值，但一個(gè)質(zhì)量觀測(cè)值可能受隨機(jī)誤差或瞬時(shí)擾動(dòng)的影響，難以表征煤矸的真實(shí)質(zhì)量。因此，在機(jī)械臂抓取煤矸階段采集多組拉力及加速度數(shù)據(jù)，計(jì)算出多組煤矸質(zhì)量觀測(cè)值，將其構(gòu)成質(zhì)量觀測(cè)值集合 s， 然后采用統(tǒng)計(jì)學(xué)方法從 s 中分析出煤矸真實(shí)質(zhì)量的估計(jì)值M_g 。質(zhì)量觀測(cè)值集合 s 可表示為

S={M_g（1），M_g（2），…，M_g（n），…，M_g（N）}

式中： M_g（n） 為通過(guò)第 n 組傳感器數(shù)據(jù)計(jì)算出的煤矸質(zhì)量； N 為采集到的傳感器數(shù)據(jù)組數(shù)。

由于傳感器數(shù)據(jù)噪聲的存在，集合 s 中不可避免地存在部分異常值，所以采用IQR算法尋找和剔除集合 s 中的異常值[21-22]。處理后的煤矸質(zhì)量觀測(cè)值集合可表示為

S₀={X_i|X_i∈[S_Q1-1.5S_IQR，S_Q3+1.5S_IQR]}

式中： X_i 為集合 S₀ 中第 i 個(gè)煤矸質(zhì)量觀測(cè)值; S_Q1 為集合 s 的下四分位數(shù); S_IQR 為集合 s 的IQR; S_Q3 為集合 s 的上四分位數(shù)。

剔除異常值后集合 S₀ 中元素的取值較為平均，可近似為均勻分布，因此計(jì)算其均值作為煤矸質(zhì)量的估計(jì)值：

式中 k 為煤矸質(zhì)量觀測(cè)值集合 S₀ 中的元素個(gè)數(shù)。

4煤矸動(dòng)態(tài)稱(chēng)重實(shí)驗(yàn)

4.1 實(shí)驗(yàn)平臺(tái)

煤矸分揀機(jī)器人的煤矸動(dòng)態(tài)稱(chēng)重實(shí)驗(yàn)平臺(tái)由視覺(jué)識(shí)別模塊、煤矸分揀機(jī)器人本體和動(dòng)態(tài)稱(chēng)重模塊組成，如圖4所示。視覺(jué)識(shí)別模塊負(fù)責(zé)煤矸的實(shí)例分割與體積計(jì)算；煤矸分揀機(jī)器人本體負(fù)責(zé)追蹤并抓取煤矸；動(dòng)態(tài)稱(chēng)重模塊負(fù)責(zé)采集煤矸被抓取過(guò)程的拉力及加速度數(shù)據(jù)，用于計(jì)算煤矸質(zhì)量。平臺(tái)可分揀的粒度范圍為 50～300mm ，運(yùn)行過(guò)程中膠帶速度恒定為 0.5m/s 。

4.2 實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證煤矸動(dòng)態(tài)稱(chēng)重模型中加速度補(bǔ)償機(jī)制及異常值處理算法存在的必要性，設(shè)計(jì)漸進(jìn)式消融實(shí)驗(yàn)。實(shí)驗(yàn)對(duì)象選取陜西某礦區(qū)的煤矸樣本，該樣本中煤和矸石的真實(shí)平均密度分別為1.45， 1.80g/cm³ 。

通過(guò)逐步剝離完整動(dòng)態(tài)稱(chēng)重模型的IQR異常值處理算法和 x，y 軸加速度補(bǔ)償單元 （a_x，a_y），z 軸加速度補(bǔ)償單元 （a_z） ，構(gòu)建4組實(shí)驗(yàn)對(duì)照：完整模型M1，移除IQR算法的模型M2，移除 x，y 軸加速度補(bǔ)償?shù)哪Ｐ蚆3，移除三軸加速度補(bǔ)償?shù)哪Ｐ蚆4。實(shí)驗(yàn)中

稱(chēng)重誤差為

式中： M_e 為模型計(jì)算出的煤矸質(zhì)量； M_t 為煤矸真實(shí)質(zhì)量，由標(biāo)準(zhǔn)電子秤在靜態(tài)條件下采集。

4.3 實(shí)驗(yàn)結(jié)果

基于煤矸分揀機(jī)器人實(shí)驗(yàn)平臺(tái)，按照上述實(shí)驗(yàn)設(shè)計(jì)進(jìn)行實(shí)驗(yàn)，部分實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表4。

4.4實(shí)驗(yàn)結(jié)果分析

4.4.1 定量分析

為定量分析加速度補(bǔ)償機(jī)制及異常值處理算法對(duì)動(dòng)態(tài)稱(chēng)重模型的影響，統(tǒng)計(jì)4個(gè)模型在計(jì)算多組樣本質(zhì)量時(shí)的平均誤差，結(jié)果如圖5所示。可看出完整模型M1動(dòng)態(tài)稱(chēng)重的平均誤差最低，為 4.69% 移除IQR算法的模型M2平均誤差較完整模型M1增大了 4.00% ；進(jìn)一步移除 x，y 軸加速度補(bǔ)償?shù)哪Ｐ蚆3的平均誤差較完整模型M1增大了 8.28% 移除三軸加速度補(bǔ)償?shù)哪Ｐ蚆4的平均誤差較完整模型M1增大了 61.74% 。因此，完整模型M1的動(dòng)態(tài)稱(chēng)重精度最高。

4.4.2 定性分析

為進(jìn)一步分析加速度補(bǔ)償機(jī)制及異常值處理算法對(duì)稱(chēng)重模型的影響，將不同模型計(jì)算同一樣本得出的煤矸質(zhì)量觀測(cè)值集合可視化，結(jié)果如圖6—圖9所示，4為動(dòng)態(tài)稱(chēng)重模型計(jì)算值與真實(shí)值之間的差值。可看出完整模型M1因同時(shí)具備IQR算法和加速度補(bǔ)償機(jī)制，觀測(cè)值分布集中且誤差最小；去除IQR算法的模型M2因異常值干擾導(dǎo)致誤差增大；缺失 x，y 軸加速度補(bǔ)償?shù)哪Ｐ蚆3因系統(tǒng)性偏差，導(dǎo)致誤差進(jìn)一步增大；同時(shí)缺失二者的模型M4觀測(cè)值高度離散，無(wú)法實(shí)現(xiàn)煤研質(zhì)量的有效測(cè)量。

4.4.3 適用性分析

提出的動(dòng)態(tài)稱(chēng)重方法旨在利用煤和矸石的密度差異實(shí)現(xiàn)煤研二次識(shí)別，因此其稱(chēng)重誤差需要滿(mǎn)足煤最大檢測(cè)密度小于矸石最小檢測(cè)密度的條件，即

ρ_c（1+ε_p）lt;ρ_g（1-ε_p）

式中： ρ_c，ρ_g 分別為煤和矸石的真實(shí)密度; ε_ρ 為二次識(shí)別系統(tǒng)的密度檢測(cè)誤差。

由于密度等于質(zhì)量除以體積，所以密度檢測(cè)誤差 ε_ρ 可根據(jù)誤差傳遞公式進(jìn)一步由稱(chēng)重誤差 ε_m 和體積檢測(cè)誤差 ε_v 表示：

聯(lián)立式（22）、式（23），可知煤矸動(dòng)態(tài)稱(chēng)重方法的稱(chēng)重誤差 ε_m 應(yīng)滿(mǎn)足：

本研究中 ρ_c=1.45g/cm³ ρ_g=1.80g/cm³ ，煤和矸石的密度差為 0.35g/cm³ 。根據(jù)文獻(xiàn)[12]中煤矸體積計(jì)算實(shí)驗(yàn)的相關(guān)結(jié)果，可知基于煤矸分揀機(jī)器人視覺(jué)識(shí)別模塊可實(shí)現(xiàn) 4.88% 的煤矸體積計(jì)算誤差，即ε_v=4.88% ，代入相關(guān)參數(shù)可得 ε_mlt;9.6% 。由前文可知提出的動(dòng)態(tài)稱(chēng)重方法平均稱(chēng)重誤差為 4.69% ，遠(yuǎn)小于 9.6% ，因此本文方法能實(shí)現(xiàn)復(fù)雜工況下煤矸二次識(shí)別。

5結(jié)論

1）提出一種融合多軸加速度補(bǔ)償與異常值處理算法的在線動(dòng)態(tài)稱(chēng)重方法。通過(guò)構(gòu)建融合加速度的動(dòng)態(tài)稱(chēng)重模型，結(jié)合IQR算法剔除質(zhì)量觀測(cè)值集合中的異常值，突破了傳統(tǒng)靜態(tài)稱(chēng)重在動(dòng)態(tài)場(chǎng)景的適應(yīng)性局限，解決了實(shí)際工況下的煤矸動(dòng)態(tài)稱(chēng)重問(wèn)題。

2）實(shí)驗(yàn)結(jié)果表明，忽略三軸加速度補(bǔ)償時(shí)稱(chēng)重誤差達(dá) 66.43% ，引入 z 軸和 x，y 軸加速度補(bǔ)償后誤差分別降至 12.97% 8.69% ，加入IQR算法后誤差進(jìn)一步降至 4.69% ，可對(duì)密度差異大于 0.35g/cm³ 的煤和矸石實(shí)施二次識(shí)別，有效解決了實(shí)際復(fù)雜工況下煤矸識(shí)別準(zhǔn)確率過(guò)低的問(wèn)題。

參考文獻(xiàn)（References）：

[1]劉峰，郭林峰，趙路正.雙碳背景下煤炭安全區(qū)間與綠色低碳技術(shù)路徑[J].煤炭學(xué)報(bào)，2022，47（1）：1-15.LIUFeng，GUOLinfeng，ZHAOLuzheng.Research oncoalsafetyrangeand greenlow-carbon technologypathunderthe dual-carbonbackground[J].Journalof China

Coal Society，2022， 47（1）： 1-15.

[2]王國(guó)法，任懷偉，富佳興.煤礦智能化建設(shè)高質(zhì)量發(fā)展 難題與路徑[J].煤炭科學(xué)技術(shù)，2025，53（1）：1-18. WANG Guofa，REN Huaiwei，F(xiàn)U Jiaxing. Challenge and path of high-quality development of coal mine intelligentconstruction[J].CoalScience and Technology，2025，53（1） ： 1-18.

[3]李曼，段雍，曹現(xiàn)剛，等.煤矸分選機(jī)器人圖像識(shí)別方 法和系統(tǒng)[J].煤炭學(xué)報(bào)，2020，45（10）：3636-3644. LI Man，DUAN Yong， CAO Xiangang， et al. Image identification method and system for coal and gangue sorting robot[J]. Journal of China Coal Society，2020， 45（10）： 3636-3644.

[4]郭永存，何磊，劉普壯，等.煤矸雙能X射線圖像多維 度分析識(shí)別方法[J].煤炭學(xué)報(bào)，2021，46（1）：300-309. GUO Yongcun，HE Lei，LIU Puzhuang，et al. Multidimensional analysis and recognition method of coal and gangue dual-energy X-ray images[J]. Journal of China Coal Society，2021， 46（1）： 300-309.

[5］張超，劉法政，劉善軍，等.基于熱紅外響應(yīng)的煤矸智 能識(shí)別方法試驗(yàn)研究[J/OL].金屬礦山：1-9[2025- 02-13].htp：//kns.cnki.net/kcms/detail/34.1055.TD. 20241024.1146.002.html. ZHANG Chao，LIU Fazheng，LIU Shanjun，et al. Experimental study on intelligent identification method of coal and gangue based on thermal infrared response[J/OL].Metal Mine：1-9[2025-02-13]. http： // kns.cnki.net/kcms/detail/34.1055.TD.20241024.1146. 002.html.

[6]李廉潔，樊書(shū)祥，王學(xué)文，等.高光譜成像的煤與矸石 分類(lèi)[J].光譜學(xué)與光譜分析，2022，42（4）：1250-1256. LI Lianjie，F(xiàn)AN Shuxiang，WANG Xuewen， et al. Classification method of coal and gangue based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis， 2022，42（4）： 1250-1256.

[7］毛會(huì)淇，常安然，張雷，等.激光反射率煤矸在線識(shí) 別技術(shù)參數(shù)優(yōu)化研究[J].煤炭技術(shù)，2021，40（11）： 224-226. MAO Huiqi， CHANG Anran， ZHANG Lei， et al. Optimization of laser reflectivity for coal and gangue identification[J]．Coal Technology，2021，40（11）： 224-226.

[8］韋小龍，王方田，何東升，等.基于CSPNet-YOLOv7 目標(biāo)檢測(cè)算法的煤矸圖像識(shí)別模型[J].煤炭科學(xué)技 術(shù)，2024，52（增刊1）：238-248. WEI Xiaolong， WANG Fangtian， HE Dongsheng， et al. Image recognition model of coal gangue based on CSPNet-YOLOv7 target detection algorithm[J]. Coal Science and Technology， 2024，52（S1）： 238-248.

[9]楊洋，李海雄，胡淼龍，等.基于YOLOv5-SEDC 模型 的煤矸分割識(shí)別方法[I]工礦自動(dòng)化.2024.50（8）： 120-126. YANG Yang，LI Haixiong， HU Miaolong，et al. Coal and gangue segmentation and recognition method based onYOLOv5-SEDCmodel[J]. Journalof Mine Automation， 2024，50（8）： 120-126.

[10]SUN Zhiyuan， HUANG Linlin， JIA Ruiqing. Coal and gangue separating robot system based on computer vision[J]．Sensors，2021，21（4）．DOI：10.3390/ S21041349.

[11]ZHANG Chen， ZHANG Chenglian. Coal gangue separation system based on density measurement[C]. IEEE International Conference on Computer Science and Automation Engineering， Zhangjiajie， 2012： 216-218.

[12]袁娜.基于多信息融合的煤矸二次識(shí)別方法研究[D]. 西安：西安科技大學(xué)，2022. YUAN Na. Research on secondary identification method of coal gangue based on multi-information fusion[D]. Xi'an：Xi'an Universityof Science and Technology， 2022.

[13]ZHANG Zhen， LI Bing， ZHANG Yang， et al. Research on manipulator weighing based on flexible sensors[C]. The 6th International Symposium on Roboticsamp; IntelligentManufacturing Technology，Changzhou， 2024： 216-220.

[14]KOSIARA A， CHOLODOWSKI J， SKURJAT A. Development of a prototype dynamic weighing system for single bucket excavator[M//Dynamical Systems in Applications. Cham： Springer Intermational Publishing， 2018：217-228.

[15]李達(dá)，郭晨霞，楊瑞峰.基于改進(jìn) PSO-BP算法的動(dòng) 態(tài)稱(chēng)重?cái)?shù)據(jù)處理[J].電子測(cè)量技術(shù)，2021，44（20）： 132-136. LI Da，GUO Chenxia，YANG Ruifeng. Dynamic weighing data processing based on improved PSO-BP algorithm[J]．Electronic MeasurementTechnology， 2021，44（20）：132-136.

[16]王秦越，錢(qián)振華，賀關(guān)麗，等.基于擴(kuò)展卡爾曼濾波的 氣力輸送動(dòng)態(tài)稱(chēng)重系統(tǒng)[J].計(jì)量學(xué)報(bào)，2022，43（5）： 624-628. WANG Qinyue，QIAN Zhenhua，HE Guanli，et al. Dynamic weighing system of pneumatic conveying based on extended Kalman filter algorithm[J]. Acta Metrologica Sinica， 2022， 43（5）： 624-628.

[17]章玉，楊其華，何雨辰，等.皮帶伸縮機(jī)動(dòng)態(tài)稱(chēng)重?cái)?shù)據(jù) 處理優(yōu)化算法研究[J].儀表技術(shù)與傳感器，2023（8）： 114-119. ZHANG Yu， YANG Qihua，HE Yuchen， et al. Research on optimization algorithm of dynamic weighing data processing for belt telescopic conveyor[J]. Instrument Technique and Sensor， 2023（8）： 114-119.

[18] 曹現(xiàn)剛，李虎，王鵬，等.基于跨模態(tài)注意力融合的煤 炭異物檢測(cè)方法[J].工礦自動(dòng)化，2024，50（1）：57-65. CAO Xiangang，LI Hu，WANG Peng，et al. A coal foreignobjectdetection method based on cross modal attention fusion[J]. Journal of Mine Automation，2024， 50（1）：57-65.

[19] MCLAUGHLIN N B， CHEN Y. Effect of strain gage misalignment on cross sensitivity of extended ring（ER） transducers[J]. CanadianBiosystemsEngineering， 2012，54：2.23-2.31.

[20] 郭貴勇，鐘劍鋒，張秋坤，等.多向運(yùn)動(dòng)寄生載荷分量 對(duì)稱(chēng)重傳感輸出的影響[J/OL].吉林大學(xué)學(xué)報(bào)（工學(xué) 版）：1-11[2025-01-17].https：//doi.org/10.13229/j.cnki. jdxbgxb.20231023. GUO Guiyong，ZHONG Jianfeng，ZHANG Qiukun， et al.Effect of parasitic load components with multi

retaining[J]. China Mining Magazine，2023，32（4）： 133-139.

[21]劉琦，徐靖.厚硬頂板回采巷道超前補(bǔ)強(qiáng)錨索協(xié)同支 護(hù)技術(shù)研究[J].煤礦現(xiàn)代化，2021，30（6）：112-116. LIU Qi，XU Jing. Study on advance reinforcement anchor cable cooperative support technology of thick and hardroofminingroadway[J]. CoalMine Modernization， 2021， 30（6）： 112-116.

[22]任艷芳，寧宇.淺埋煤層長(zhǎng)壁開(kāi)采超前支承壓力變化 特征[J].煤炭學(xué)報(bào)，2014，39（增刊1）：38-42. REN Yanfang， NING Yu. Changing featureof advancing abutment pressure in shallow long wall working face[J]. Journal of China Coal Society，2014， 39（S1）： 38-42.

[23]劉德軍，左建平，劉海雁，等.我國(guó)煤礦巷道支護(hù)理論 及技術(shù)的現(xiàn)狀與發(fā)展趨勢(shì)[J].礦業(yè)科學(xué)學(xué)報(bào)，2020， 5（1）： 22-33. LIU Dejun， ZUO Jianping，LIU Haiyan，et al. Development and present situation of support theory and technology in coal mine roadway in China[J]. Journal of Mining Science and Technology， 2020，5（1）： 22-33.

[24]姚強(qiáng)嶺，王烜輝，夏澤，等.煤礦長(zhǎng)壁采煤主動(dòng)式超前 支護(hù)關(guān)鍵技術(shù)及應(yīng)用[J].采礦與安全工程學(xué)報(bào)， 2020，37（2）： 289-297. YAO Qiangling，WANG Xuanhui，XIA Ze，et al.Key technology and application of active forepoling for longwall coal mining in coal mine[J]. Journal of Miningamp; Safety Engineering，2020，37（2）：289-297. Se directional motion on weight-sensing outputs[J/OL]. Journal of Jilin University（Engineering and Technology Edition） ：1-11[2025-01-17]. https：//doi.org/10.13229/j. cnki.jdxbgxb.20231023.