小脑神经网络在矿工疲劳监测控制系统中的应用

针对矿工井下疲劳监测与控制难题,探索矿工疲劳务工的生理指标状况,降低矿工疲劳状态下务工的可能性,指导煤矿高层管理者对矿工疲劳生产的管理与控制,并为新设计的矿工疲劳监测控制系统提供新的方法与依据。采用多元信息融合技术,提取了皮电、肌电、脑电等12个疲劳水平监测信号,对矿工务工期间进行半接触式肢体图像和信号分析,构建了矿工疲劳监测信号体系;结合CMAC神经网络理论,提出矿工疲劳务工期间的疲劳检测控制系统模型,并通过收集矿工务工期间的多生理指标对构建的模型进行验证。结果表明:矿工疲劳监测与控制系统监测结果与实际矿工疲劳水平的平均偏差为0.2,偏差为0.1~0.3的约占51.7%,0.4~0.7的约占32.2%,0.8~1.0的约占16.1%,比传统的单一信号监测精度更高,偏差更小,更能满足实际生产中的矿工监测与控制的精度需求。为缓解当前矿工疲劳生产的现状,依据矿工疲劳监测结果,结合金融风险管理理论,应采用的方法是:当矿工疲劳水平超出生理负荷值时,机械自启强迫停止功能;当矿工疲劳水平严重时,提醒班组长强迫矿工换班(岗);当矿工出现疲劳迹象时,报警提示矿工调整自身疲劳状态等。为后期中国煤矿人员安全与高效生产的电子监测与控制领域提供一种新的设计参考。