深度学习在煤矿井下非视距误差补偿中的应用

摘要

煤矿机械（如采煤机、掘进机、刮板输送机等）的高精度定位是井下综采自动化、掘进智能化的核心，直接影响作业效率与安全。但在井下复杂环境中，机械金属遮挡、动态工况、多设备干扰易引发非视距（NLOS）效应；传统定位方法在机械高速移动（如采煤机3 m/s截割）或复杂工况下偏差达5～10 m，制约自动化升级。针对NLOS误差的强随机性、工况耦合性、时变性，提出了融合机械状态参数的深度学习补偿框架。构建了信号-环境-机械多维度NLOS误差数据集（含超宽带（UWB）信号、巷道拓扑、机械运行参数），设计了注意力机制卷积神经网络-长短时记忆（CNNLSTM）混合模型。模拟与现场实验表明，该方法定位误差均值（ME）降至0.87 m，较卡尔曼滤波提升62.3%，较单一BP神经网络提升34.5%，且采煤机高速移动、掘进机交叉点作业等复杂工况下误差增幅仅68.9%（传统方法达153.6%）。研究结果为煤矿机械井下高精度定位提供了定制化路径，可助力智慧矿山建设。

关键词

井下定位 / 深度学习 / 煤矿机械 / NLOS误差 / 误差补偿