USMC控制的采煤机HHT-PCA-MRVM煤岩辨识算法

针对井下无人、自动作业的新型采煤战略目标,提高对煤岩的辨识是至关重要的。在对采煤机截割电机控制的基础上,基于稀疏矩阵变换器理论,提出对于截割电机输入电流信号渐变的分析。通过HHT-PCAMRVM对煤岩进行识别,从而实时对井下采煤机姿态进行调节来满足复杂的开采需求。该方法在某煤矿的开采实验平台上进行了良好的实验验证。实验表明:截割电机在USMC控制下,在煤岩突变时波动较为明显,能够很好地为MRVM煤岩识别提供分类界限。煤岩识别率为95%,对于综采自动化有较好的作用。     

煤岩识别技术发展综述

煤岩识别技术可为采煤机自动调高提供依据,是实现煤矿智能无人化开采的关键。现有煤岩识别技术包括图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别等。详细介绍了上述几种技术原理及应用现状：(1)图像识别技术目前处于实验阶段,主要涉及大规模煤岩图像数据标注和复杂地质条件下的识别问题。(2)过程信号监测识别技术可分析煤矿开采过程中的相关信号,识别潜在的煤岩界面信息,但需要解决信号噪声干扰和复杂煤岩界面识别问题。(3)电磁波识别技术和超声波探测识别技术已在实际煤岩界面探测中应用,但仍需要提高识别准确性和可靠性,尤其是对于复杂煤岩结构和界面情况。(4)多传感器融合识别技术需解决数据融合和匹配的难题,确保不同传感器之间的精确校准和可靠性,并验证其在实际应用中的可行性和实用性。针对上述问题,指出煤岩识别技术发展方向：(1)煤岩识别研究应着重提高算法的实时性和抗干扰能力,确保在特定条件下并兼有复杂环境干扰下也能准确识别煤岩,满足井下实际开采需求。(2)加强矿用传感器的研究,以提高其抗干扰性能,同时采用先进的视觉相机和智能设备,与传感器相结合,提高煤岩识别的精度和效率。(3)多种煤岩...     

基于小波神经网络的大功率电器识别技术研究

针对公寓用电中的大功率电器识别问题,提出利用小波神经网络对大功率电器进行识别.由于采集到的电网电流信号是基波信号和谐波信号的混合,因此需要进行信号分离.基于Mallat快速算法进行小波变换提取其中的谐波电流信号;将总电流的平均功率增量和谐波电流的平均功率增量经过归一化处理后作为大功率电器识别的特征向量,利用得到的特征向量对融合型小波神经网络进行基于BP算法的网络训练;利用训练好的小波神经网络对未知的电网电流数据进行识别,实现大功率电器的在线识别和预警.对比仿真实验表明:利用小波神经网络对大功率电器识别比传统的BP神经网络有更高的准确率.     

一种快速煤岩显微图象模式分类方法

煤岩显微图象的模式分类算法是数字化煤岩分析系统中成分识别的关键技术.为了快速准确地对煤岩显微图象进行分类,在深入分析单种煤的煤岩图象特性的基础上,提出了一个快速、有效的特征提取方法,该方法首先消除灰度分布的平移,再提取整幅图象的纹理特征和灰度特征,以及每个处理单元的纹理特征和灰度特征,然后将上述特征以不同的权重加以融合,进而形成一个综合特征值,最后通过对该综合特征值进行逻辑判断来实现煤岩显微图象的模式分类.实验结果表明,利用该方法,能快速、准确地实现单种煤煤岩显微图象的自动分类.     

基于BPSO的四种生理信号的情感状态识别

通过生理信号来识别人的情感状态越来越引起人们的关注.如何提取有效的生理信号特征进行情感状态的分类,是情感识别的关键.本文采用离散二进制粒子群优化算法(BPS0)进行特征选择,以提高情感状态分类的效果.通过四种生理信号来识别四种情感状态,用最近邻法进行分类,总体识别率达到85%.仿真实验结果表明,将BPSO方法用于生理信号的特征选择是可行的.     

基于信息融合和神经网络的煤岩识别方法

针对煤岩识别系统多采用单一传感器进行监测,存在识别精度、可靠度与稳定性均非常低的问题,提出一种基于信息融合和神经网络的煤岩识别方法。在现有采煤机上增加多种必要的传感器,采集采煤机不同工况下的电流、压力、振动频率、加速度等信号,采用小波包对采集的信号进行特征提取,并通过BP神经网络进行数据融合,从而实现对煤层和岩层的识别。真机实测结果表明,所提方法的识别误差在±0.5范围内,验证了其有效性。     

基于特征参量的电流识别装置设计

实现了利用STM32H743单片机和自行设计的信号处理电路识别不同用电器的装置设计。运用信号处理算法可以对各种电流信号进行时域到频域的转换,通过对频谱进行分析,得到电流信号在频域内的特征参量,进而区分出不同的电流信号。选用快速傅里叶变换(fast fourier transform,FFT)算法,以STM32H743单片机作为算法实现工具,对7种不同用电器的工作电流进行频谱分析,进一步识别用电器的工作状态。每次测试时只有单件用电器工作,识别效果良好。     

基于心脏信号生物识别综述

基于心脏信号的生物识别技术是目前生物识别的重要研究方向,对基于心脏信号的身份识别技术以及用于身份识别的各种心脏信号及其产生的机理进行介绍,并对心脏信号的采集形式进行分析.通过对多种基于心脏信号的身份识别技术步骤和分类算法的比较,对基于心脏信号的身份识别方法的可行性进行研究和探讨.     

基于红外热像和振动信号的煤岩识别实验研究

针对现有煤岩识别技术存在的难以实际应用、易受信号干扰、成本高和实现复杂等问题,通过理论分析煤岩截割产热与煤岩硬度的关系,证明通过红外热像获取的截割温度变化来进行煤岩识别的合理性;搭建了掘进机截齿截割煤岩试验台,对不同硬度的普通煤层、煤岩交界处及中砂岩层进行长时间截割试验,通过红外热像仪和振动传感器分别获取截割温度和截割头振动信号并分析其变化规律。研究结果表明：(1)随着截割时间增加,截割温度逐渐升高;煤岩硬度越高,截割温度越高,且截割温度上升速率越快;在截割起始阶段无法通过截割温度识别煤岩,但在稳定截割时可根据截割温度特性识别煤岩。(2)截割头振动强度随着煤岩硬度增大而变大,但不随截割时间增加而产生明显变化,因此可弥补在截割起始阶段无法通过截割温度识别煤岩的不足。(3)通过单一截割温度或振动强度不能对煤岩进行准确识别,因此可在截割起始阶段和频繁出现闪温时通过振动强度来识别煤岩,而在截割稳定阶段通过红外热像获取的温度来识别煤岩。     

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

基于小波和独立分量分析的煤矸界面识别

为了解决综采工作面放顶煤开采过程中煤矸界面识别问题,给出了一种基于小波去噪和独立分量分析相结合的煤矸放落声信号特征提取算法.利用小波分析对传声器实时采集的声信号进行降噪处理,提高信噪比.利用独立分量分析方法片煤矸混合声信号进行盲源分离,分别提取出煤和矸石的独立声谱特征信号.选取该信号的统计特征值作为神经网络分类器的输入...     

冲击地压多信号监测软件的设计

针对冲击地压监测系统存在监测信号单一,无法实现实时对比分析等缺点,开发设计了一种基于VC++6.0,针对煤岩电磁辐射、微震和声发射等特征信号的多信号监测软件;介绍了该软件的结构和功能及各功能模块的设计。该软件具有多通道实时显示、数据存储、历史查询、趋势分析、统计等功能,通过对比分析多种煤岩特征信号,可以对煤岩动力灾害进行有效的预测。     

基于LSM和RELBP的煤岩识别方法探讨

对当前煤岩识别方法的研究现状进行了介绍,并提出将最小二乘法模型(Least square model,LSM)和融入平滑滤波思想的鲁棒扩展局部二值模式(Robust extended local binary Pattern,RELBP)融入煤岩识别领域。对基于LSM和RELBP的煤岩识别方法的煤岩自动化识别技术(RELBP-LSM)进行了探讨。结果表明:(1)当前的煤岩识别方法大多存在效果较差、稳定性欠佳、适用范围小等缺点,同时易受人为因素的影响;(2)以最小二乘法和局部二值模式为理论基础,建立起RELBP-LSM煤岩识别方法,并通过参数敏感性分析,确定正则化参数λ的最佳取值为10-3.5,优选模式数d的最佳取值为500;(3)对不同方法的准确识别率进行对比分析,认为RELBP-LSM法不仅具有较高的准确识别率,同时能大大降低内存占用率,加快识别速率和效率。     

基于振动加速度信号与应力信号的掘进机载荷识别方法

针对煤矿井下工作面设备的动态载荷难以直接获得的问题,提出了一种基于振动加速度信号与应力信号的掘进机载荷识别方法,介绍了该方法的基本原理及实现步骤;以EBZ260型掘进机在地面开展的假岩壁截割为实验对象,选取掘进机从开始截割到停止共11s的数据进行分析,得出掘进机在截割过程中振动加速度平均能量与平均应力的对应关系,采用最小二乘法得出振动加速度平均能量与平均应力的拟合曲线,由拟合曲线即可得到振动加速度平均能量与平均应力的函数表达式。该方法为通过振动加速度间接测试掘进机动态载荷提供了新途径。     

Hilbert-Huang变换在煤矸界面探测中的应用

为了解决煤矿综采工作面煤矸界面识别问题,将Hilbert-Huang变换应用于煤矸振动信号的特征提取。采用EMD方法可以将复杂环境下的煤矸振动加速度信号分解成固有模态分量,通过分析包含煤矸振动特征的前4个IMF分量,得到局部Hilbert边际谱和局部能量谱,进而发现当顶煤放落时,其振动信号的幅值和能量主要集中在100 Hz至600 Hz的频率范围内;而当煤矸混放时,其幅值和能量则主要集中在1 000 Hz左右,此时100 Hz至600 Hz频率范围内的幅值和能量相对有所减弱。根据上述特征定义特征函数,应用到煤矸界面识别的仿真实验中,取得了很好的识别效果。     

煤矿冲击地压和煤与瓦斯突出感知报警方法研究

提出了基于温度的冲击地压和煤与瓦斯突出感知报警方法:使用红外热像仪等监测物体温度,使用甲烷传感器监测环境甲烷浓度;当物体温度高于煤矿井下环境温度和已暴露煤岩温度,并且高于环境温度和已暴露煤岩温度的物体数量较多、体积和面积较大,则判定发生冲击地压、煤与瓦斯突出、矿井火灾或瓦斯和煤尘爆炸事故;进一步判别高温物体温度,若大于设定阈值,则判定发生矿井火灾或瓦斯和煤尘爆炸事故,反之,则判定发生冲击地压或煤与瓦斯突出事故;进一步分析甲烷浓度变化,若甲烷浓度迅速升高,则判定发生煤与瓦斯突出事故,反之,则判定发生冲击地压事故。提出了基于速度的冲击地压和煤与瓦斯突出感知报警方法:使用激光雷达、毫米波雷达、超声波雷达、双目视觉摄像机等监测物体移动速度,使用甲烷传感器监测环境甲烷浓度;当物体移动速度不小于设定阈值时,则判定发生冲击地压、煤与瓦斯突出或瓦斯和煤尘爆炸事故;进一步判别速度异常物体的数量、体积和面积,若速度异常物体的数量较少、体积和面积较小,则判定发生瓦斯和煤尘爆炸事故,若速度异常物体的数量较多、体积和面积较大,则判定发生冲击地压或煤与瓦斯突出事故;进一步分析甲烷浓度变化,若甲烷浓度迅速升高,则判定发生煤与瓦斯突出事故,反之,则判定发生冲击地压事故。提出了多信息融合的冲击地压和煤与瓦斯突出感知报警及灾源判定方法:监测并融合温度、速度、加速度、掩埋深度、声音、气压、风速、风向、粉尘、甲烷浓度、设备状态、微震、地音、应力、红外辐射、电磁辐射、图像等多种信息,感知冲击地压和煤与瓦斯突出;通过不同位置参数变化的幅度、先后时序关系及传感器损坏情况,判定灾源。     

基于音频识别的采煤机滚筒载荷识别方法

针对现有采煤机滚筒载荷识别方法相关算法实施难度大、工程实现方式复杂、应用难度高等问题,通过分析采煤机工作时音频信号的特征,提出一种基于音频识别的采煤机滚筒载荷识别方法。为确保每个分析周期内的音频信号具有同一运行标准下的负载工况,将截割电流与牵引速度作为变量引入到动态能量计算中,采用动态能量归一化算法(DENA)对采煤机原始音频信号进行归一化处理;将归一化后的信号与标准工况库中的信号进行对比分析,通过最大相异系数判断两者之间的差异性,从而确定滚筒载荷特征,实现滚筒载荷识别判断。试验结果表明:DENA可有效抑制音频信号中的噪声能量,提升音频信号中关键特征值的分辨率,采煤机在截割煤、岩时的音频信号特征参数界限明显,未出现交叉混叠现象;在理想情况下,即最大相异系数小于0.189时,总的煤岩界面识别率可达到78.6%。     

矿用声发射监测仪的研制

利用声发射信号预测煤岩动力灾害是国际煤矿安全领域的前沿课题,矿用声发射监测仪的研制,为建立声发射等多信息综合判识准则并依据该准则有效地预测煤岩动力灾害奠定了一定的基础。     

基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究

针对现有的煤矸界面识别技术采用的γ射线法不适用于顶板不含放射性元素或者放射性元素含量较低的工作面,而雷达探测法探测范围小、信号衰减严重的问题,提出了一种基于Mel频率倒谱系数和遗传算法的煤矸界面识别方法。该方法利用煤矸放落过程中产生的声波信号的特征差异进行煤矸识别,采用Mel频率倒谱系数将去噪后的煤矸声波信号变换到频域进行处理,提取出煤矸声波信号的32维特征参数;采用遗传算法优化处理32维特征参数,得到最优参数组合;采用支持向量机和BP神经网络对最优参数进行识别。实验结果表明,该方法能够准确识别出煤矸下落状态。     

LS-SVM算法在近红外光谱煤质分析中的应用

针对目前电力行业煤质分析的需求,提出了基于Hadamard近红外光谱的煤质分析技术,对Hadamard近红外光谱仪研制、控制分析软件设计、煤炭光谱信号采集、指标特征信息提取、定量模型建立五个环节综合考虑,研发了Hadamard近红外煤质分析系统.研究中,对41个不同质量指标的标准煤样进行了定量分析预测,考察了在相同粒径的条件下Hadamard近红外光谱对煤炭指标的预测能力,提出了基于ICA+LS-SVM算法的的煤炭指标预测方法,光谱数据与煤炭指标具有很好的相关性,相关系数普遍在0.9以上,取得了较好预测效果.