基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

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EEMD-KPCA和KL散度的垮落煤岩识别

综放开采中关键工艺放煤自动化的实现,可以使放煤工人远离工作面,远程控制顶煤的放落,从而保障放煤工人的健康问题。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题,基于综放开采现场采集的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EEMD-KPCA和KL(Kullback-Leibler)散度的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到一组固有模态分量(Intrinsic Mode Functions,IMFs),分别计算各个IMF的能量,峭度和样本熵,构造表征垮落煤岩的特征向量;然后利用核主成分分析(Kernel Principal Component Analysis,KPCA)对特征向量进行降维,分别以各个IMF能量、IMF峭度、IMF样本熵构成的向量的KPCA低维特征来表征垮落煤岩;最后计算"未知样本"不同特征向量与垮落煤岩两类样本与之对应的特征向量的KL散度值,通过比较KL散度值来实现垮落煤岩的实时识别,并比...     

基于钻头振动特性的采煤机煤岩识别研究

构建了钻式采煤机作业时螺旋钻头的受力模型,利用小波包技术处理数据从而提取信号的特征值,并用MATLAB仿真分解试验中采集到的振动信号,得到小波包特征向量,建立BP神经网络模型,确定了煤岩识别算法的结构与过程。试验结果表明,根据钻头的振动特性识别煤岩的方法是可行的。     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

综放煤岩垮落声压信号小波降噪及识别研究

设计实验采集煤矿井下真实煤、顶板岩石垮落冲击液压支架后尾梁的声压信号与一段液压支架不放煤,仅前后刮板输送机运行时的环境噪声信号,并将该噪声添加到正弦信号,得到含噪信号。利用小波变换对含噪信号分别使用sym18、db19 2种小波和相同类型小波不同阈值参数进行降噪,比较信噪比和均方根误差,发现在db19小波,参数选用sqtwolog函数且取默认阈值one时降噪效果最为理想。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

Application of wavelet packet decomposition and its energy spectrum on the coal-rock interface identification

Introduction　　Shearisoneofthemainmachinesonthecoalface.Realizingautomaticadjustingofthedrumheightistheimportantlinkofrealizingautomaticproductionprocessonthecoalface,alsohasimportantpurposestomachinelife ,machinerelia bility,workerssafeandcoalquality.　　CIIcanmaketheshearhavetheabilitytoautomaticallytracethecoal rockinterface.Itcannotonlycontributetomineautomationandhighefficiency,butalsoreducethecontentofrockandtheothermineralthatmustberemovedintheprocessofcoalbeneficiation.Intherecentye…     

基于小波包预处理的神经网络故障模式识别的研究

基于小波包对信号的高分辨率分解和重构能力 ,把信号在不同频段上进行分解 ,提取各分量故障信号的特征 ,应用BP神经网络进行故障模式识别 ,并将这种方法用于齿轮故障模式识别 ,取得较满意的效果     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

基于小波包与SOM神经网络的截齿磨损状态识别

为实现采煤机截割过程中截齿磨损状态的实时在线监测,采用声发射传感器对不同磨损程度截齿截割时的声发射信号进行采集,采用小波包分析方法分析声发射信号不同频带能量的变化规律,建立能量值的样本空间,构建基于SOM神经网络的截齿磨损识别模型,实现对截齿不同磨损状态的在线监测。通过随机测试实验对截齿磨损状态识别模型进行验证,结果表明,基于小波包分析与SOM神经网络的截齿预测磨损状态识别模型识别精度较高,测试样本识别精度约95%。研究结果为准确识别截齿的磨损状态、提高采煤机的工作效率提供一种重要的技术手段。     

基于双树复小波域统计建模的煤岩识别方法

针对煤炭开采与加工过程中采煤机滚筒高度调节、选煤厂预排矸等工程实际问题,提出了1种有效的基于双树复小波域统计建模的煤岩识别方法。首先,通过双树复小波变换对煤岩图像进行多级分解;然后,提出了1种旋转不变增强策略,即对每1级双树复小波变换产生的高频子带按系数模的均值和方差之积从大到小排列;接着,提出了高频子带系数模符合广义伽玛分布模型的假设,并采用1种基于尺度独立形状估计方程的广义伽玛分布参数估计方法确定模型参数;最后,根据相对熵相似性测度完成煤岩图像的自动识别。结果表明:在双树复小波域中,广义伽玛分布模型具有较强的区分煤岩图像的能力;所提出的旋转不变增强策略在一定程度上提高了煤岩识别的正确识别率,并且使正确识别率与时间复杂度之间的折中权衡变得更加灵活;与现有的其他方法相比,所提出方法具有更高的正确识别率,其时间复杂度也是可以接受的。     

基于小波分析的岩石声发射信号处理技术

根据岩石声发射信号的特点,利用小波分析方法对岩石声发射信号进行分解、消噪和重构,得到了较为直观的声发射信号.介绍了小波与小波包分析的特点;对声发射信号进行小波消噪,比较了不同阈值下的消噪效果;并提出了基于能量阈值法的小波包消噪,其效果优于小波消噪.     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。