煤炭作为我国的主体能源,其安全稳定的开采对于国家能源保障有着重要的意义。随着我国煤矿开采深度的增加,岩层压力逐渐增大,巷道围岩的变形和破坏是煤矿开采中需要着重考虑的问题之一。目前,对于巷道的变形监测研究多以实时测量为主,本文基于前人的研究,提出了一种以实时监测与未来预测相结合的巷道变形监测方案,基于煤矿轨道式巡检机器人,设计开发了巡检机器人巷道变形监测与预测系统。本文的研究路线分为四个环节:理论分析、系统开发、数据采集与模型搭建。主要研究内容与成果如下:首先,本文研究分析了巷道变形的众多影响因素与它们之间的联系,最终选择众多影响因素中最能直接反应巷道变形的围岩变形量作为监测标准。为了实现巡检机器人对于巷道的变形监测与神经网络预测模型的训练样本收集,对巡检机器人可以采用的非接触测距方法进行了分析,选择了便于搭载于巡检机器人本体上,且不受井下昏暗环境影响的激光传感器作为测量工具。为了控制巡检机器人对巷道进行变形监测,开发了巡检机器人控制系统,系统分为上位机——人机交互控制平台与下位机——微控制器。上位机基于使用C++语言的图形化界面类库QT开发,为用户提供人机交互界面,实现对机器人的远程控制,处理下位机发来的传感器数据,对异常情况进行报警记录;下位机基于国产开源实时操作系统RT-Thread开发,通过线程调度器以时间片轮转方式调度传感器数据采集、以太网通信、雷达信号处理、指示灯报警等线程任务,实现了机器人自动巡检过程中多线程任务之间的宏观并行,提高了控制系统实时性;在控制系统中设计环形队列数据缓冲区,通过引入内核对象信号量对环形队列数据缓冲区进行优化,解决线程任务间的资源互斥问题,实现上下位机之间数据长时间稳定、可靠传输,保证了巷道变形数据传输的连续性与准确性,为巷道变形预测模型的建立提供了基础。使用开发的巷道变形监测系统对鲍店煤矿十采区104运输槽进行实际监测,根据实际情况与工程经验,布置测点,通过数天的测量,得到包含9个测点的神经网络训练样本。选择广义回归神经网络针对模拟巷道建立预测模型,根据预测需求与样本数据设立模型各层的神经元,采用交叉循环得出Spread值的最优值。输入训练样本后,在训练次数达到21次时,误差进入合理范围,模型建立完毕。使用建立好的神经网络模型对样本数据进行预测,预测结果误差在合理范围内,达到预期要求。对于本文开发的巷道变形监测与预测系统进行实验测试,测试结果表明,巷道变形监测系统稳定可靠,能够实现巷道变形的实时监测,数据传输无丢失;巷道变形预测系统能够针对巷道围岩变形量作出预测,预测结果与实际结果较为一致,具有一定的参考意义。