Global scheduling model for trackless rubber-tyred vehicle in underground coal mines
-
摘要:
井工煤矿无轨胶轮车数量多，运输易受搬家倒面、突发事件等影响，传统的人工调度方法效率低，且易造成车辆闲置、空载、里程浪费等问题，而现有的辅助运输车辆调度方法大多面向固定任务使用离散事件优化的方案，将全局模型拆解为局部模型，缺乏对井工煤矿整体情况的分析。针对上述问题，提出了一种基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型，介绍了该模型中信息收集模块、数据建模模块和工业求解器模块设计方案，以及无轨胶轮车全局调度流程。该模型采用基于“分批求解、迭代优化”的无轨胶轮车全局调度算法，由百度工业求解器基于动作调整启发式算法对车辆调度问题进行优化求解，解决了传统调度模型求解时间长、易陷入局部最优解等问题。实验结果表明，基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型较人工调度方法大幅降低了使用车次，提高了车辆运转效率，调度优化的求解时间低于基于Gurobi求解器的局部调度模型，更适用于井下辅助运输场景下大规模复杂调度任务。
Abstract:There are a large number of trackless rubber-tyred vehicles in underground coal mines. The transportation is easily affected by moving surfaces, emergencies, and other factors. Traditional manual scheduling methods are inefficient and prone to problems such as idle, empty, and wasted vehicles. However, existing auxiliary transportation vehicle scheduling methods mostly focus on fixed tasks using discrete event optimization schemes. It breaks down the global model into local models, and lacks analysis of the overall situation of underground coal mines. In order to solve the above problems, a global scheduling model for trackless rubber-tyred vehicle in underground coal mines based on Baidu industrial solver is proposed. The design scheme of the information collection module, data modeling module, and industrial solver module in this model are introduced, as well as the global scheduling process for trackless rubber-tyred vehicles. This model adopts a global scheduling algorithm for trackless rubber-tyred vehicles based on "batch solving and iterative optimization". The vehicle scheduling problem is optimized and solved by Baidu industrial solver based on action adjust heuristic algorithm. It solves the problems of long solving time and easy getting stuck in local optimal solutions in traditional scheduling models. The experimental results show that the global scheduling model for trackless rubber-tyred vehicles based on Baidu industrial solver significantly reduces the number of vehicles used and improves vehicle operation efficiency compared to manual scheduling methods. The solution time for scheduling optimization is lower than that of the local scheduling model based on Gurobi solver. It is more suitable for large-scale complex scheduling tasks in underground auxiliary transportation scenarios.
-
0. 引言
煤矿智能化是我国煤炭工业高质量发展的必由之路[1-2]，而副井轨道运输智能化是其中重要环节。煤矿副井主要用来提升人员、设备和生产原材料，部分煤矿副井也用于提升巷道掘进过程中产生的煤和矸石。装有生产物料、煤或矸石的矿车提升至地面后，再由轨道运输系统实现矿车分运。目前副井轨道运输系统主要采用人工操作方式，通过肉眼识别当前矿车的装载物，然后控制司控道岔改变矿车的前进方向来实现矿车正确归库。该工作枯燥重复，容易使工人产生视疲劳或注意力不集中，加上副井口光线变化等环境因素的影响，易导致工人判断错误或未能及时切换道岔，增加后续煤炭洗选成本，或造成矿车堆积，影响生产效率。
为实现副井矿车自动分运，文献[3]提出采用RFID（Radio Frequency Identification，射频识别）信标方式实现电机车定位，根据运输物料不同，操作人员远程控制道岔，实现电机车牵引矿车归库。该方法需对现场进行整体布设，且归库的多辆矿车需装载相同类别的物料，对现场装车要求较高。随着计算机视觉技术的发展，基于图像的矿车装载物识别方法以其低成本、方便部署等特点逐渐应用于副井矿车自动分运系统中，如文献[4]提出了一种矿车运输智能煤矸识别及分运装置，以工业相机和计算机为核心，基于传统计算机视觉技术实现自动化矿车运输。近年来，卷积神经网络[5-7]在图像识别与分类领域取得了极大成功，文献[8]提出了基于卷积神经网络的煤矿副井矿车装载物自动分类系统，验证了卷积神经网络在矿车装载物分类中的可行性，且SqueezeNet在验证集上的准确率达98.4%。但该系统在实际应用中存在以下问题：① 系统触发条件简易，矿车经过时存在误判与漏判情况；② 副井现场除矿车外存在多类物体，当其他物体经过检测区域时会引起司控道岔误动作，产生安全隐患。
本文针对现有副井矿车装载物识别方法存在的不足，提出了基于目标检测模型的矿车装载物智能识别方法。在现场采集矿车装载物图像数据，构建矿车识别数据集，对Faster R−CNN[9]，YOLOv4[10]，SSD[11]等主流目标检测模型的矿车分类识别效果进行综合评估；考虑到副井矿车目标检测种类较少，为了降低检测模型大小，采用轻量级网络MobileNet[12-14]代替YOLOv4模型的主干特征提取网络CSPDarknet53；将检测模型部署在嵌入式平台Jetson TX2，为满足现场实时检测需求，采用层间融合[15]和模型量化[16] 技术对模型进行了优化。
1. 矿车装载物检测模型训练与评估
1.1 训练数据集构建
矿车装载物图像数据来源于某煤矿副井现场。采用安装在副井井口的海康威视DS−2CD3T27DWD−L型全彩摄像机采集图像。该摄像机摄像头分辨率为200万像素，主码流帧速率达25 帧/s，支持RTSP（Real Time Streaming Protocol， 实时流传输协议），采用DC12 V供电，不间断采集矿车装载物图像数据。共获得10万余张处于不同光照条件下的矿车装载物（包括煤、矸石、物料3种类别）图像，部分如图1所示。
从采集的矿车装载物图像中筛选装有煤、矸石、物料的各4 000张图像进行人工标注，得到VOC（Visual Object Classes，视觉目标分类）数据集。将VOC数据集按9∶1 分为训练集与验证集，分别包含3 600，400 张图像。
1.2 检测模型训练与对比
在实验室环境下设置对比实验。服务器配置：Ubuntu18.04系统，32 GB内存，512 GB固态硬盘，NVIDIA GTX1080Ti显卡，python_3.7.0，keras_2.2.4深度学习框架。选用常用的Faster R−CNN，YOLOv4，SSD目标检测模型进行训练，最大epoch设置为100。keras_2.2.4框架中earlystopping参数可使模型训练过程中损失函数值不再下降时停止训练。3种目标检测模型训练结果对比见表1。
表 1 3种目标检测模型训练结果对比Table 1. Comparison of training results of three target detection models指标 Faster R−CNN YOLOv4 SSD epoch 100 97 49 训练集损失函数值 0.092 1 0.724 0.925 验证集损失函数值 0.144 8 0.807 0.989 从表1可看出：Faster R−CNN模型具有最低的损失函数值，且epoch为100时仍未达到最优，训练周期较长；SSD模型的epoch仅为49，具有最短的训练周期，但损失函数值较高；YOLOv4模型的epoch为97，具有合理的训练周期及损失函数值。
为更好地选择矿车装载物检测模型，选用现场视频图像对3种目标检测模型进行评估，结果见表2。可看出针对矿车装载物识别任务，Faster R−CNN模型（大小为108.62 MB）具有最高的mAP（Mean Average Precision，平均精度均值），但识别速度较慢，难以实现实时检测；SSD模型（大小为91.74 MB）具有较快的识别速度，但mAP较低，可行性较差；YOLOv4模型（大小为244.99 MB）的mAP为94.26%，具有较高的矿车装载物识别准确率，识别速度为17 帧/s。综合比较识别速度与mAP可知，YOLOv4模型更适用于矿车装载物识别任务。
表 2 3种目标检测模型检测性能对比Table 2. Comparison of detection performance of three target detection models指标 Faster R−CNN YOLOv4 SSD mAP/% 96.61 94.26 81.92 识别速度/（帧·s−1） 6 17 24 2. 矿车装载物检测模型优化
Faster R−CNN，YOLOv4，SSD等主流目标检测模型的主特征提取网络大多采用体量大的卷积神经网络。由于副井现场检测目标种类较少，为了降低模型大小，以YOLOv4模型为例，采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53，实现模型优化。MobileNet最鲜明的特点为采用深度可分离卷积核代替普通卷积核，计算量约为普通卷积核的1/3，运行速度得到了极大提升。
YOLOv4模型优化过程：① 主干特征提取网络CSPDarknet53替换为MobileNet，得到3个初步的有效特征层；② 对初步的有效特征层进行特征融合，获得3个更有效的有效特征层；③ 将原有普通卷积核替换为MobileNet中的深度可分离卷积核。模型优化过程及结果如图2所示。
分别选用MobileNetv1，MobileNetv2，MobileNetv3对YOLOv4模型进行优化，得到MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型，大小分别为47.6，40.6，44.8 MB，较优化前分别减小了197.39，204.39，200.19 MB。
采用相同的训练集训练模型，基于现场视频图像对训练后的模型进行评估，结果见表3。可看出：MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型的识别速度较YOLOv4模型分别提高了22，30，27 帧/s，证明MobileNet中的深度可分离卷积核可有效提升模型运行速度；MobileNetv3−YOLOv4模型的mAP 达95.03%，识别速度为44 帧/s。综合考虑识别速度与mAP，认为MobileNetv3−YOLOv4模型具有最优识别效果，更适用于现场矿车装载物识别任务。
表 3 YOLOv4模型优化前后检测性能对比Table 3. Comparison of detection performance of YOLOv4 model before and after optimization指标 YOLOv4 MobileNetv1−
YOLOv4MobileNetv2−
YOLOv4MobileNetv3−
YOLOv4mAP/% 94.26 93.26 92.19 95.03 识别速度/
（帧·s−1）17 39 47 44 考虑到煤矿现场部署空间限制和成本，传统基于高性能工作站的部署方式不太适合煤矿现场应用。因此，将矿车装载物检测模型部署至嵌入式智能计算平台Jetson TX2。为满足实时检测要求，需对模型进行压缩和加速。
3. 矿车装载物检测模型加速
矿车装载物检测模型加速表现在2个方面：① 层间融合，即通过融合内核中的节点，优化GPU（Graphics Processing Unit，图形处理器）显存和带宽，以提高运行速度；② 模型量化，即通过调节推理参数精度来提高检测速度。
3.1 层间融合
在部署神经网络模型推理时，每一层运算操作需由GPU启动CUDA（Compute Unified Device Architecture，统一计算设备架构）核心完成。运算过程包括CUDA核心计算张量、启动CUDA核心、读输入张量及写输出张量操作。其中CUDA核心计算张量耗时极短，而启动CUDA核心、读输入张量及写输出张量操作会产生不必要的时间及资源浪费。通过层间的横向或纵向融合能够减少层数，从而提高模型推理速度。
横向融合可将卷积层、偏置层、激活函数层合并为一个CBR（Convolution+Bias+ReLU）结构，融合过程如图3所示。纵向融合可将结构相同但权值不同的层合并，合并后的层只占用1个CUDA核心，使得整个模型结构更简洁、更高效。
![]()
图 3 神经网络模型层间横向融合过程Figure 3. Horizontal interlamination fusion process of neural network model推理加速主要表现在3个方面：① 整理零碎数据，减少传输次数；② 优化横向计算图，减少数据访问次数；③ 通过非拷贝方式将层输出定向到正确的最终地址，以减少横向时间。
YOLOv4模型主干特征提取网络CSPDarknet53具有5种残差块，以第1种残差块为例，其层间融合过程如图4所示。
![]()
图 4 CSPDarknet53第1种残差块层间融合过程Figure 4. Interlamination fusion process of the first residual block in CSPDarknet533.2 模型量化
大多数基于深度学习的神经网络模型在训练时，张量精度均采用32位浮点数。模型训练结束后，由于在部署推理的过程中不需要反向传播，所以可适当降低推理参数精度（如将张量精度降为16位浮点数或8位整型数），从而提高运行速度。
推理加速表现在部署推理过程中降低模型张量精度，进而减少数据转换时间，提高数据吞吐量，减少内存占用，同时可保持高识别准确度。
3.3 模型加速前后对比
基于实验室服务器，采用模型加速方法对Faster R−CNN，YOLOv4，SSD，MobileNetv3−YOLOv4模型进行加速优化，结果见表4。可看出模型加速方法对多种目标检测模型均有较好的加速效果，具备泛用性；加速后各模型mAP略有减小，但仍在可接受范围内。
表 4 目标检测模型加速前后对比Table 4. Comparison of target detection models before and after acceleration指标 Faster R−CNN YOLOv4 SSD MobileNetv3−
YOLOv4mAP/% 加速前 96.61 94.26 81.92 95.03 加速后 95.83 93.52 79.23 94.68 识别速度/
（帧·s−1）加速前 6 17 24 44 加速后 14 43 51 76 4. 现场试验
将矿车装载物智能识别方法在某煤矿副井进行现场试验。以海康威视DS−2CD3T27DWD−L网络摄像头为图像采集设备，选用Jetson TX2嵌入式平台部署矿车装载物检测模型，运行环境为Ubuntu18.04系统，深度学习框架采用keras_2.2.4。试验平台如图5所示。
![]()
图 5 矿车装载物智能识别现场试验平台Figure 5. Field test platform for intelligent identification of mine car load综合考虑识别速度与mAP，选择MobileNetv3−YOLOv4为矿车装载物检测模型。将模型移植到Jetson TX2嵌入式平台后试验结果见表5。
表 5 Jetson TX2上MobileNetv3−YOLOv4模型检测性能Table 5. Detection performance of MobileNetv3-YOLOv4 model on Jetson TX2指标 MobileNetv3−YOLOv4 加速后的
MobileNetv3−YOLOv4mAP/% 95.03 94.68 识别速度/（帧·s−1） 18.3 35.42 从表5可看出：受Jetson TX2计算能力限制，MobileNetv3−YOLOv4模型识别速度慢，仅为18.3 帧/s；采用模型加速方法对MobileNetv3−YOLOv4模型加速后，识别速度提升至35.42 帧/s，mAP为94.68%，满足现场实时、精确检测需求。
矿车装载物智能识别方法在副井现场检测结果如图6所示。其中蓝色框代表矿车内装载物为煤，绿色框代表矿车内装载物为矸石，红色框代表矿车内装载物为物料；框上方显示装载物类别名称及目标物为该类装载物的概率，且当行人等非矿车类物体经过检测区域时不启动检测任务。可看出本文方法能够实时、精准地识别矿车装载物，且仅在矿车经过检测区域时启动检测任务。
![]()
图 6 矿车装载物智能识别现场试验结果Figure 6. Field test results of intelligent identification of mine car load5. 结论
（1） 评估了Faster R−CNN，YOLOv4，SSD这3种常用目标检测模型用于矿车装载物识别的可行性。经VOC数据集训练、现场视频图像检测， Faster R−CNN模型的mAP为96.61%，识别速度为6 帧/s，模型大小为108.62 MB；YOLOv4模型的mAP为94.26%，识别速度为17 帧/s，模型大小为244.99 MB；SSD模型的mAP为81.92%，识别速度为24 帧/s，模型大小为91.74 MB。YOLOv4，Faster R−CNN模型能满足mAP要求，但运行在常用GPU上均难以满足实时检测要求。
（2） 采用MobileNet优化YOLOv4可有效降低模型大小，提高识别速度。MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型大小分别为47.6，40.6，44.8 MB，识别速度分别为39，47，44 帧/s。MobileNetv3−YOLOv4模型的mAP为95.03%，较优化前提升了0.77%。
（3） 采用基于层间融合和模型量化的模型加速方法对Faster R−CNN，YOLOv4，SSD，MobileNetv3−YOLOv4模型进行加速优化，加速后4种模型的识别速度分别提升至14，43，51，76帧/s。
（4） 以MobileNetv3−YOLOv4为矿车装载物检测模型，移植到Jetson TX2嵌入式平台进行矿车装载物识别现场试验，结果表明：加速后MobileNetv3−YOLOv4模型的识别速度为35.42 帧/s，mAP为94.68%；本文方法能够实时、精准地识别出矿车装载物类别，且仅在矿车经过检测区域时启动检测任务，避免了非矿车物体进入检测区域引起的司控道岔误动作情况。
-
![]()
图 1 无轨胶轮车全局调度模型运行流程
Figure 1. Operation process of global scheduling model for trackless rubber-tyred vehicle
表 1 地图信息采集器功能
Table 1 Function of map information collector
功能名称 功能描述 巷道采集 采集竖井和巷道坐标，进行巷道和坐标相关操作（包括新增巷道、修改巷道、删除巷道、停用巷道、新增坐标记录、修改坐标记录、删除坐标记录、停用坐标记录），重绘巷道，绘制指定时刻的巷道状态 点对象采集 选择点对象类型树，图选点对象，进行点对象和坐标相关操作（新增对象、删除对象、修改对象、停用对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 线对象采集 选择线对象类型树，图选线对象，进行线对象和坐标相关操作（新增线对象、删除线对象、修改线对象、停用线对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 
下载: 导出CSV
表 2 第1组和第2组无轨胶轮车调度问题的求解结果
Table 2 Calculated results for group 1 and group 2 scheduling problems of trackless rubber-tyred vehicle
组别 调度方法 使用车次 完成工单个数 运输物料个数 第1组 人工调度 15 10 13 基于Gurobi求解器 14 11 16 基于百度工业求解器 11 11 16 第2组 人工调度 21 8 20 基于Gurobi求解器 14 10 21 基于百度工业求解器 14 10 21
下载: 导出CSV
表 3 第3—5组无轨胶轮车调度问题的求解结果
Table 3 Calculated results for group 3, group 4 and group 5 scheduling problems of trackless rubber-tyred vehicle
组别 调度方法 使用车次 完成工单个数 运输物料个数 第3组 人工调度 26 10 20 基于Gurobi求解器 17 12 21 基于百度工业求解器 14 13 21 第4组 人工调度 154 44 153 基于Gurobi求解器 21 46 197 基于百度工业求解器 20 46 197 第5组 人工调度 228 58 225 基于Gurobi求解器 36 56 274 基于百度工业求解器 36 59 280
下载: 导出CSV
表 4 2种无轨胶轮车调度模型的求解时间
Table 4 Calculated time of two scheduling models for trackless rubber-tyred vehicle
可用车
辆数/辆工单个数 运输物
料个数求解时间/s 基于Gurobi
求解器基于百度工业
求解器56 3 3 5.23 4.78 10 10 10.01 8.99 14 16 23.47 21.29 14 25 29.62 27.25 106 3 3 17.69 16.19 10 10 21.07 19.35 14 16 33.57 30.15 14 25 50.52 46.63 46 198 442.39 399.48 60 284 504.72 453.71
下载: 导出CSV
表 5 不同批尺度下的无轨胶轮车调度优化结果
Table 5 Scheduling optimization results of trackless rubber-tyred vehicle under different batch-size
组别 批尺度 使用车次 完成工单个数 运输物料个数 求解时间/s 第4组 15 22 44 194 243.92 25 20 46 197 399.48 40 19 46 197 2622 第5组 15 40 55 269 284.37 25 36 59 280 453.71 40 36 59 281 3441
下载: 导出CSV
-
[1] 秦高威,李红旗,王洪恩. 赵固矿区辅助运输系统提效研究[J]. 煤矿机械,2018,39(9):39-40. QIN Gaowei,LI Hongqi,WANG Hong'en. Research on efficiency of auxiliary transportation system in Zhaogu Coal Mine Area[J]. Coal Mine Machinery,2018,39(9):39-40.
[2] 糜瑞杰,杨双锁,杨欢欢,等. 副井无轨胶轮车辅助运输系统的应用研究[J]. 矿业研究与开发,2019,39(6):114-117. MI Ruijie,YANG Shuangsuo,YANG Huanhuan,et al. Application research on auxiliary transportation system of trackless rubber wheel vehicle in auxiliary shaft[J]. Mining Research and Development,2019,39(6):114-117.
[3] 杨坤. 矿井无轨胶轮车智能化管理系统研究[J]. 工矿自动化,2023,49(1):162-170. YANG Kun. Research on the intelligent management system of the trackless rubber-tyred vehicles in the coal mine[J]. Journal of Mine Automation,2023,49(1):162-170.
[4] 袁晓明. 煤矿无轨辅助运输工艺和发展方向研究[J]. 煤炭工程,2019,51(5):1-5. YUAN Xiaoming. Analysis of coal mine trackless auxiliary transportation technology and the development direction[J]. Coal Engineering,2019,51(5):1-5.
[5] 陈晓晶. 井工煤矿运输系统智能化技术现状及发展趋势[J]. 工矿自动化,2022,48(6):6-14,35. CHEN Xiaojing. Current status and development trend of intelligent technology of underground coal mine transportation system[J]. Journal of Mine Automation,2022,48(6):6-14,35.
[6] 王国法, 杜毅博. 煤矿智能化标准体系框架与建设思路[J]. 煤炭科学技术,2020,48(1):1-9. WANG Guofa, DU Yibo. Coal mine intelligent standard system framework and construction ideas[J]. Coal Science and Technology,2020,48(1):1-9.
[7] 王国法,杜毅博. 智慧煤矿与智能化开采技术的发展方向[J]. 煤炭科学技术,2019,47(1):1-10. WANG Guofa,DU Yibo. Development direction of intelligent coal mine and intelligent mining technology[J]. Coal Science and Technology,2019,47(1):1-10.
[8] 孙继平,江嬴. 矿井车辆无人驾驶关键技术研究[J]. 工矿自动化,2022,48(5):1-5,31. SUN Jiping,JIANG Ying. Research on key technologies of mine unmanned vehicle[J]. Journal of Mine Automation,2022,48(5):1-5,31.
[9] 鲍新平,汪涛. 基于AI视觉智能识别的煤矿斜井轨道运输安全管理系统[J]. 工矿自动化,2023,49(增刊1):72-75. BAO Xinping,WANG Tao. A safety management system for coal mine inclined shaft rail transportation based on intelligent AI visual recognition[J]. Journal of Mine Automation,2023,49(S1):72-75.
[10] 刘恺. 基于深度强化学习的车辆资源调度与交易算法研究[D]. 成都:电子科技大学,2022. LIU Kai. Research on vehicle resource scheduling and trading algorithm based on deep reinforcement learning[D]. Chengdu:University of Electronic Science and Technology,2022.
[11] 杨华龙,赵亮,靳莉哲,等. 基于汇集预测的随机客户需求配送车辆调度问题[J]. 系统管理学报,2019,28(5):917-926. YANG Hualong,ZHAO Liang,JIN Lizhe,et al. Distribution vehicle scheduling problem based on aggregation and prediction of random customer demands[J]. Journal of Systems & Management,2019,28(5):917-926.
[12] 唐非. 机场地勤服务中特种车辆调度及其优化算法[D]. 沈阳:东北大学,2019. TANG Fei. Special vehicle scheduling and its optimization algorithm in airport ground services[D]. Shenyang:Northeast University,2019.
[13] 包翔宇,单成伟,吴岩明. 基于UWB精确定位的辅助运输交通灯自动控制系统[J]. 工矿自动化,2022,48(6):100-111. BAO Xiangyu,SHAN Chengwei,WU Yanming. Automatic control system of auxiliary transportation traffic light based on UWB precise positioning[J]. Journal of Mine Automation,2022,48(6):100-111.
[14] 胡青松,孟春蕾,李世银,等. 矿井无人驾驶环境感知技术研究现状及展望[J]. 工矿自动化,2023,49(6):128-140. HU Qingsong,MENG Chunlei,LI Shiyin,et al. Research status and prospects of perception technology for unmanned mining vehicle driving environment[J]. Journal of Mine Automation,2023,49(6):128-140.
[15] 曹春玲,李梦雨,张娜齐. 煤矿辅助运输调度系统的层次颜色Petri网建模[J]. 工业工程,2021,24(6):1-7. CAO Chunling,LI Mengyu,ZHANG Naqi. Modeling of hierarchical color Petri net for coal mine auxiliary transportation dispatching system[J]. Industrial Engineering Journal,2021,24(6):1-7.
[16] 李梦雨. 煤矿井下辅助运输车辆调度系统的研究[D]. 西安:西安科技大学,2021. LI Mengyu. Research on reliability of coal mine underground transport system[D]. Xi'an:Xi'an University of Science and Technolog,2021.
[17] 侯成铭. 煤矿井下燃油运输车辆调度多目标优化分析[J]. 兰州工业学院学报,2023,30(2):88-93. HOU Chengming. Multi-objective optimization analysis of fuel transport vehicle scheduling in underground coal mine[J]. Journal of Lanzhou Institute of Technology,2023,30(2):88-93.
[18] 孙莹,连民杰. 基于改进蚁群算法的地下矿车辆生产调度路径优化研究[J]. 金属矿山,2010(2):51-54. SUN Ying,LIAN Minjie. Research on vehicle routing and scheduling problems based on improved ACA in underground mine[J]. Metal Mine,2010(2):51-54.
[19] 王兆锐,林剑,张俊丽,等. 基于车公里成本的多车型车辆规划方法[J]. 物流技术,2019,38(1):82-87. WANG Zhaorui,LIN Jian,ZHANG Junli,et al. Multi-model vehicle scheduling based on per vehicle-kilometer cost[J]. Logistics Technology,2019,38(1):82-87.
[20] WANG Zhan,LAMBERT A. A low-cost consistent vehicle localization based on interval constraint propagation[J]. Journal of Advanced Transportation,2018. DOI: 10.1155/2018/2713729.
[21] 钟宏扬,彭乘风,廖勇,等. 基于组合规则的作业车间AGV联合调度优化[J]. 制造技术与机床,2022(11):183-192. ZHONG Hongyang,PENG Chengfeng,LIAO Yong,et al. Combined rules based optimization for AGV joint scheduling in job shop[J]. Manufacturing Technology & Machine Tool,2022(11):183-192.
-
期刊类型引用(5)
1. 杨豚，郭永存，王爽，马鑫. 煤矿井下无人驾驶轨道电机车障碍物识别. 浙江大学学报(工学版). 2024(01): 29-39 . 
百度学术
2. 于海龙. 基于NSGA—Ⅱ的矿车复合制动多目标优化控制分析. 工矿自动化. 2024(S1): 156-160 . 本站查看
3. 陈忠训，黄松，左泉，王明全，刘永强. 矿车装车智能视觉检测与装载优化控制系统开发. 现代制造技术与装备. 2024(06): 122-124 . 百度学术
4. 陈小霞，李锁弟，朱良恺，张东伟，王祁峰. 基于机器视觉的煤炭运输列车车厢状态智能检测方法. 自动化应用. 2024(15): 62-66+69 . 百度学术
5. 王雷，贾思学. 煤矿环形车场智能化无人值守技术研究. 中国新技术新产品. 2023(18): 5-8 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 193
- HTML全文浏览量: 51
- PDF下载量: 29
- 被引次数: 6
