顶煤放落过程煤矸声信号特征提取与分类方法

针对综放工作面煤矸智能识别问题,设计了能感应尾梁动作并自动触发数据采集的放煤声信号采集装置,在山东能源古城煤矿3106综放工作面采集现场数据并进行人工标注,构建了放顶煤声信号分类样本库。研究了6种常用机器学习分类方法在时域、频域和时频域中的特征,以及在不同帧长、不同特征向量维度下的分类效果。结果表明:在不同帧长下,基于时频域特征的分类效果最稳定、准确率最高,随机森林、K近邻、决策树、多层感知器模型分类准确率均达到80 % 以上,其中基于小波包分解与随机森林算法的分类器性能最好,分类准确率为93.06 %。维度较高的时频域特征向量之间存在相关性,降维可以提取少量的综合特征并降低系统的运算量,利用主成分分析法将时频域特征向量降维至20后,分类准确率进一步提高至94.51 %。