基于模糊判据的煤岩性状截割硬度识别

针对现有煤岩性状识别方法不能满足采煤机滚筒实现自动调高技术的需要,提出了基于模糊判据的煤岩性状截割硬度识别研究方法,克服了识别煤岩性状截割硬度依赖滚筒振动信号或截割电机信号等单一传感器信息判据的不全面、不可靠等问题,利用多传感器信息融合的模糊集合隶属函数,根据摇臂振动信号两层小波包分解各个频段能量特征向量和采煤机感知煤岩硬度关系公式,采用加权平均法求解隶属度作为煤岩性状截割硬度因子判别煤岩性状的依据,定义表征煤岩性状的截割硬度因子q,其数值计算通过求解煤岩性状模糊集隶属度μQ(u)获得。煤矿井下实测数据表明煤岩性状截割硬度模糊集合的方法更贴近实际采掘煤岩工况,为实现滚筒自动识别煤岩性状控制摇臂自动调高奠定模糊理论基础。

基于声压信号时域特征的综放工作面煤岩性状识别方法研究

针对综放工作面煤岩性状识别的技术问题,利用YHJ(C)矿用便携式测振记录仪开展煤矿井下综放工作面顶煤放落实验,采集到大量一手试验数据;然后,对选用的声压数据进行信号预处理以消除趋势项;最后,对预处理后的声压数据进行时域特征分析,得到不同工况下后尾梁声压信号的时域特征指标。对比发现,峰峰值、方差以及峭度指标对工况敏感,且方差对煤岩性状具有更高的识别率,据此提出一种以方差作为识别指标的基于声压信号时域特征的分析方法,为提高综放工作面放顶煤的自动化、智能化提供技术支持。

垮落煤岩性状识别研究

针对综放工作面垮落煤岩性状识别的技术问题,提出了一种基于连续小波变换和改进奇异值分解的识别方法。采用基于单边Jacobi的奇异值分解(SVD)方法对小波系数矩阵进行分解,得到与小波系数矩阵列向量位置对应的奇异值向量,并将奇异值向量作为神经网络的输入向量来识别落煤和落岩2种工况。现场试验结果表明,基于连续小波变换与SVD得到的奇异值向量可用于识别垮落煤岩,但基于连续小波变换与改进SVD得到的奇异值向量具有更高的识别率。

基于分形盒维数和小波包能量矩的垮落煤岩性状识别

针对综放工作面垮落煤岩性状识别的技术问题,采集了综放开采现场垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于分形盒维数和小波包能量矩的识别方法。该方法结合分形盒维数对非线性信号整体定量描述的特点和小波包能量矩对非线性信号在各频带精细描述的特点,先对振动信号进行分形特征分析,求出其盒维数,然后对振动信号进行小波包变换,并计算各频带的能量矩。以分形盒维数和小波包能量矩构造特征向量,并作为BP神经网络的输入来识别顶煤垮落和顶板岩石垮落两种工况。试验结果表明:分形盒维数和小波包能量矩构造的特征向量可用于识别垮落煤岩,识别率达到95%。

基于主元分析与神经网络的垮落煤岩性状识别方法研究

为了获得综放开采现场用以分类煤岩的有效的特征向量和分类模型,通过已有的设备及设计采集方案,对综放开采现场的煤岩声压信号进行了采集;并对获取的声压信号进行时域分析,得到时域特征向量并作为神经网络的输入向量;利用主元分析(简称PCA),减少时域特征间的相关性,降低神经网络输入向量的维数;然后设计BP神经网络模型,通过比较梯度下降法与Levenberg-Marquard算法,得知基于LM训练法耗时明显小于梯度下降法。最后对比进行PCA与未进行PCA的LM算法的BP神经网络煤岩识别结果,得到PCA与LM算法的BP神经网络结合的方式识别准确率高且耗时短。

基于改进RBF神经网络的采煤机截割煤岩性状智能识别

综采工作面煤岩分界面识别是采煤机滚筒高度自适应调节的关键和难点,为了在不增加额外设备的情况下准确识别综采工作面煤岩分界面,从采煤机滚筒分别截割煤层和岩层的表现性状出发,提出一种基于改进RBF神经网络的采煤机截割煤岩性状智能识别方法,使采煤机滚筒能够高速实时判别煤岩。该方法根据采煤机截割电流、牵引电流和摇臂调高液压缸阻力的变化,采用改进的萤火虫算法对RBF神经网络的基函数参数进行优化,并采用优化后的RBF神经网络模型对当前截割的煤岩性状进行识别。在耿村煤矿12150综采工作面实测数据的基础上开展试验,结果表明,基于改进RBF神经网络的煤岩性状识别模型对采煤机截割对象的识别准确率达到93.94%。利用该模型进行煤岩性状识别,无需加装额外探测设备,响应速度快、识别率高,有较好的工程应用潜力。

基于振动信号时域特征的综放工作面煤岩识别

为提高放顶煤的自动化和智能化水平,实现综放工作面的少人化和无人化,利用自主研制的测振记录仪,获得了不同测点处煤矿井下综放工作面顶煤、矸石与顶板岩石垮落等工况下,液压支架后尾梁与后部刮板输送机的振动信号时域指标,经统计分析发现方差、偏度与峭度指标对工况变化敏感,可作为综放工作面煤岩性状识别的评判依据,其中峭度指标最为敏感,分析了液压支架后尾梁与后部刮板输送机振动信号获取的难易程度,得出液压支架后尾梁更适合作为综放工作面煤岩性状识别的测点。

综放垮落煤岩声压信号小波包频带能量特征提取

为探索综放开采中煤岩性状的识别方法,根据放顶煤开采中煤、矸石、顶板岩石物理与力学参数的不同,垮落时冲击液压支架后尾梁产生的声压信号在幅值、能量及频率上会存在差异.据此自行设计现场信号采集实验并拾取到大量真实顶煤垮落、矸石垮落、顶板岩石垮落三种工况下垮落物冲击后尾梁时的声压信号.由于信号混有现场刮板输送机的工作噪声,利用小波降噪对信号进行降噪处理.通过对降噪后的声压信号进行六层小波包分解并运用频带能量分析法提取第6层64个频带的归一化能量,并进行能量百分比分布及统计指标分析.研究结果表明:3种工况下的声压信号各频带的能量以及在0~1 250 Hz、0~2 500 Hz内的能量分布特征以及对统计指标的敏感程度不同.