基于多特征融合的煤自燃温度深度预测模型

为了有效预防煤矿采空区煤自燃灾害,提高煤自燃灾害预测模型精度,提出了基于多特征融合的煤自燃温度深度预测模型。首先,通过自编码器网络对煤自燃数据的每一个特征进行降噪处理,增强数据的鲁棒性;其次,按时间序列顺序将降噪后的数据转成二维特征矩阵,采用滑动窗口对特征矩阵进行切片,并采用深度学习中的卷积神经网络提取特征矩阵上的有效特征,进行特征数据融合,在降噪和特征提取与融合的过程中采用差分进化算法对降噪自编码器和卷积神经网络的参数进行优化;最后,将融合后的数据输入门控循环单元神经网络进行煤自燃温度预测。实验结果表明,降噪后和特征融合后的数据在平均绝对误差上比直接采用原始数据预测误差分别降低6.55%和69.26%,均方根误差分别降低13.23%和63.49%,说明经过编码器降噪以及特征融合处理后能够有效提升煤自燃温度预测的准确度。     

基于最大最小判别映射的煤矿井下人员身份鉴别方法

针对井下复杂受限环境下人脸、虹膜、指纹和掌纹等常常比较模糊，从而使得基于这些生物特征的井下人员身份识别率不高问题。在Warshall算法和最大最小判别准则的基础上，提出了一种最大最小判别映射的步态识别方法。该方法利用Warshall算法快速得到数据的类别关系，由此构建类内和类间散度矩阵。与经典的步态识别方法相比，该方法充分利用了数据的局部信息和类别信息，使得数据降维后在低维空间同类样本之间的距离减小，而异类样本之间的距离增大。与经典的监督子空间维数约简方法相比，该方法在构建类内和类间散度矩阵时不需要判别数据的类别信息，能够提高算法的性能。在真实步态数据库上进行了一系列实验。实验结果表明，利用该方法进行基于步态的煤矿井下人员身份鉴别是有效可行的。     

基于特征增强与深度学习的轴承故障诊断

针对轴承故障诊断中数据集较小，现有诊断方法鲁棒性较低且易被噪声干扰的难题，提出了基于特征增强和卷积神经网络故障识别方法。首先对振动采样信号进行短时傅里叶变换(STFT)与小波变换处理，获取时频图，然后对时频图进行卷积操作，获取故障信号特征图。最后，将获得的特征图通过通道注意力机制模块，再通过卷积神经网络，实现对轴承故障的分类。结果表明，该方法在西储大学数据集添加-40 dB噪声的情况下，故障准确率达97%，在西储大学数据集以及江南大学离心风机轴承数据集上识别准确率分别为99.8%和100%。     

卷积神经网络在图像识别技术中的应用研究

为了有效提高图像目标识别率，采用卷积神经网络，重点分析了卷积神经网络的层级结构，主要研究了卷积层、全连接层、池化层，设计了卷积神经网络的实验样本，针对数据集进行了十类识别目标任务，得到了Sar10卷积神经网络结构，对于不同目标，卷积核提取独有的特征。最后进行了基于卷积神经网络的SAR图像目标识别。研究得出，卷积神经网络模型大大提高图像目标识别。     

煤矿井下柔性直流输电系统短路故障识别研究

当前的煤矿井下柔性直流输电系统短路故障识别方法没有提取供电系统的电力信号特征,导致故障识别精度较低与故障识别性能较差。为了解决这一问题,提出煤矿井下柔性直流输电系统短路故障识别方法。首先,利用经验小波变换提取煤矿井下柔性直流输电系统短路故障特征量;其次,根据故障特征量提取结果构建电力相关矩阵,进而获取电力运行状态;最后,融合电力相关数据得出电力短路故障发生的概率,即为短路故障识别结果,实现煤矿井下柔性直流输电系统短路故障识别。实验结果表明,所提方法的故障识别精度高和故障识别性能好,可以在实际中进一步推广。     

基于监督局部保持映射算法的井下人员定位技术

针对人脸、指纹和手写签名等人员身份鉴定方法不能很好地满足煤矿井下人员管理系统需要的现状,基于局部保持映射(LPP)算法,提出一种监督LPP算法(SLPP),并应用于煤矿井下人员步态识别中.利用该方法对步态数据进行映射,得到步态数据在低维空间中的表示方法,再利用最近邻分类器对低维步态数据进行识别.在2个步态数据库中进行一系列步态识别试验,并与经典维数约简算法LDA、监督流形学习算法DLPP、判别映射嵌入(DPE)流形学习算法以及其他步态识别方法分别进行比较.试验结果表明,在同等试验条件下,SLPP识别率最高,从而验证了该算法的有效性和可行性.     

融合多种模态特征的井下供水管网流量预测

煤矿井下供水系统是煤矿安全生产的生命线,供水管网水流量的预测是供水系统优化调度的基础,预测的重要性对供水调度有重要影响。文章提出了一种融合多模态数据特征的煤矿井下供水管网流量预测方法,该方法通过图深度学习的方法实现了对井下管网空间拓扑结构、历史时间依赖、井下实际生产工况、周期相关等多种数据模态特征的融合,具体的,使用添加空间注意机制的图卷积神经网络获取井下管网监测点的空间拓扑关系,然后利用循环神经网络中的门控循环单元获取监测点的时间依赖,并融合煤矿生产规律与不同周期的流量数据形成最终预测结果,通过陕西亭南煤矿实际数据进行实验,结果表明,提出的预测方法相较于SVM、LSTM、STGCN等方法能更准确地预测井下流量未来的趋势,预测偏差分别降低了9.3%、6.84%和3.65%。     

基于神经网络的矿山多源信息融合方法研究

在分析煤矿六大安全避险系统现状的基础上,针对煤矿六大系统相互独立、各类数据综合利用率低等问题,研究矿山多源数据融合的关键技术,建立了模糊神经网络模型,设计了矿山多源信息融合系统。系统采用IFIX组态软件为开发平台,实现井下设备监测、人员定位、通风供水、紧急避险等功能的互联互通,在淮北矿业集团朱仙庄煤矿对该系统进行了测试,结果表明,系统能很好地解决煤矿六大系统相互独立的问题,提高了矿井多源数据的综合利用率。     

多传感器信息融合技术在瓦斯监测中的应用

采用分批估计理论和BP神经网络对井下多传感器信息进行两级融合的瓦斯监测系统设计方案能够大大提高数据测量的准确性、可靠性,并能实时、客观地给出矿井安全状况综合评价。利用多个煤矿的井下环境实测数据进行仿真实验,结果表明该方法是可行的。     

基于递归门控卷积和上下文注意力的煤块检测算法

针对煤矿带式输送机上煤块检测因光照不均存在的漏检与误检问题，提出一种基于门控卷积和上下文注意力机制的改进YOLOv5煤块检测算法。首先，将主干网络中残差模块替换为递归门控卷积模块，通过逐步融合特征信息，提取高阶语义特征，增强模型的特征提取能力。其次，在特征融合结构中加入GCA注意力机制，将全局上下文信息融入坐标注意力模块中，加强感兴趣区域的全局表示，增强多尺度特征融合能力，提高模型对煤块边缘特征的敏感度。最后，采用SIoU损失函数，加速网络模型的收敛。试验结果表明，改进的算法在自建煤块数据集上平均精度均值达到92.8%,召回率达到85.9%,检测速度达到38帧/s。既提高了检测精度，又满足了检测的实时性。     

基于动目标特征提取的矿井目标监测

矿井安全监控技术近年来发展日益成熟,但普遍针对的是矿井环境及设备等静态信息,由于人员对危险源的辩识不到位导致的事故时有发生。针对这一问题,进行井下动目标监控研究,对人员及车辆等动目标图像实时分析算法进行分析和改进,构建一种基于动目标特征提取的井下高危区域动目标监测和管理系统。采用结构化模板匹配的方法进行人员识别,采用改进的尺度不变特征变换提取行为特征,实现对人员的行为分析,采用时域空域特征结合的方法,对人员图像进行行为识别,采用卷积神经网络进行车辆图像识别。通过实验验证,系统对动目标的识别成功率达到99.3%,响应时间为1 s,在满足日常监控需要的同时,系统对突发事件响应时间大大缩短,实现了对井下高危区域运动目标的监测。     

异步测时矿井人员精确定位方法

现有矿井人员定位方法定位误差大,难以满足煤矿事故救援、运输和机电事故防治等需求。为提高矿井人员定位精度,提出了异步测时矿井人员精确定位方法:在井下巷道中间隔一定距离安装定位分站,保证相邻分站可相互无线通信,定位卡可与两个邻近分站同时进行通信。任一定位发起分站向通信范围内的定位卡和相邻分站发送测距信号,相邻分站收到测距信号后也向定位卡发送测距信号,定位卡分别向定位发起分站和相邻分站回复应答信号。定位发起分站收到定位卡回复的应答信号后,计算收发测距信号时间。相邻分站收到定位卡回复的应答信号后,计算收发测距信号时间,并将其发送给定位发起分站。定位发起分站根据本分站和相邻分站收发测距信号时间、本分站与相邻分站间距和信号传输速度,计算出定位卡距本分站和相邻分站距离。异步测时法测距仅与分站收发测距信号时间有关,与信号强度无关,定位精度不受信号发送功率、接收灵敏度和信号传输衰减影响。异步测时法与定位卡时钟无关,大大降低了定位卡复杂度和成本,同时也不需要定位分站之间同步,降低了定位分站复杂度和成本。仿真实验表明,在时钟频率偏移相同等实验条件下,TWR和SDS-TWR等其他矿井人员精确定位方法的定位误差是异步测时法定位误差2倍以上。     

煤矿井下目标定位的研究现状与展望

本文总结了近年来提出的iBeacon井下定位技术、卡尔曼滤波UWB井下动态定位技术、WMSNs视频矿灯定位技术、TWR和SDS-TWR定位方法、异步测时煤矿井下人员定位技术、多传感器信息融合煤矿井下人员定位方法、GRPM煤矿井下人员定位技术、基于改进UWB算法的井下定位以及捷联惯性导航定位技术等井下目标定位技术与方法,并从受巷道及其支护和巷道中导体及障碍物影响大小、是否需要基站/移动终端和参考站之间时钟同步、是否需要参考站之间时钟同步、受基站/移动终端和参考站时钟频率偏移影响大小、基站/移动终端成本、参考站成本和定位精度等方面综合评定各种定位技术的优势和局限性。研发新型组合型井下精密定位系统,使得传输信号不受井下巷道环境影响、无需时钟同步、定位设备复杂度小、基站和参考站建设成本低、定位精度高、定位导航可视化,是实现井下实时位置服务、为井下目标管理提供精准控制以及煤矿智能化开采走向成熟阶段的重要环节。     

煤矿井下机器人钻臂智能控制研究

煤矿井下作业环境复杂且恶劣,经常发生危险状况,严重威胁到作业人员的人身安全及健康,通过引入机器人替代人工钻孔,能够在一定程度上减少煤矿井下事故,确保煤矿井下生产的安全性。介绍电液比例控制系统模型构建方案,对机器人多关节间的耦合及补偿进行阐述,最后对神经网络控制进行分析。     

基于长程时空特征与多尺度外观特征的锌精选工况识别北大核心

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。     

煤矿井下紧急避险系统建设模式探讨

在分析我国煤矿井下安全开采状况,可能发生的灾害事故类型及特点、人员分布、避险需求等因素的基础上,探讨煤矿井下紧急避险系统的设计原则,确定避险设施的类型,设计建设了＂永久避难硐室﹢临时避难硐室﹢过渡站＋安全绳＂的井下硐室紧急避险系统。该系统具有投资少,安全可靠,适合于我国煤矿井下作业人员多等特点,满足突发紧急情况下矿工安全避险需要。     

基于变分自编码器的输送带煤量分级算法研究

为了能够高效精准地对煤矿带式输送机上的煤量进行分级,提出了一种基于变分自编码器(VAE)的输送带煤量分级算法。首先为了解决真实场景图像往往存在许多噪声信息的问题,利用VAE对图像进行重构处理,使图像更加光滑以减少噪声信息对后续分级的干扰。然后为了提升输送带煤量的分级精度,利用卷积神经网络(CNN)对重构后的图像进行分级预测。实验结果表明,相对于对比方法,此该算法在各评价指标上均有提升,同时重构图像能够保留原始图像的关键信息。     

基于CAN总线的煤矿综合监控系统设计与实现

为保证煤矿安全生产,采用基于CAN总线的煤矿综合监控系统,设计了集井下环境参数探测、人员考勤和定位等一体化的新型智能监控系统。     

基于视频识别技术的防掉人系统研究

针对矿工意外掉落到带式输送机上的安全隐患,将视频识别技术引用到防掉人应用中,设计一种基于视频识别技术的防掉人系统,通过视频检测到带式输送机上存在作业人员,从而停止带式输送机,有效地避免作业人员意外掉落到带式输送机上引发伤亡等安全事故。