放頂煤過程中煤矸界面自動(dòng)識(shí)別研究.pdf

1、綜合機(jī)械化放頂煤開采是一種高產(chǎn)、高效的厚煤層開采方式，我國厚煤層儲(chǔ)量占到我國煤炭儲(chǔ)量的44％左右，因此放頂煤技術(shù)的研究和推廣對(duì)我國煤炭工業(yè)的發(fā)展具有特別重要的意義。如何根據(jù)煤炭放落程度控制放煤口放煤時(shí)間是當(dāng)今綜合機(jī)械化放頂煤開采中遇到的難題。目前頂煤放落程度全部依靠人工目測來判斷控制，由于采煤工作面灰塵大，條件惡劣，會(huì)帶來現(xiàn)場操作工人的安全問題，且工人無法準(zhǔn)確的控制放落時(shí)間，會(huì)造成過放或欠放問題，使煤質(zhì)下降或者造成回收率下降。因此，煤矸

2、界面識(shí)別技術(shù)是實(shí)現(xiàn)準(zhǔn)確控制放落程度的關(guān)鍵技術(shù)。本文在國家自然科學(xué)基金《放頂煤支架尾梁振動(dòng)信號(hào)分析法檢測項(xiàng)煤放落程度研究》(No.51174126)的資助下，對(duì)綜采放頂煤煤矸界面的特征提取及自動(dòng)識(shí)別進(jìn)行了研究。
　　 煤矸界面識(shí)別問題其實(shí)質(zhì)是一個(gè)模式識(shí)別問題，就是根據(jù)現(xiàn)場信息識(shí)別所放的是煤還是矸。因此包括數(shù)據(jù)采集、特征提取、模式分類三個(gè)關(guān)鍵環(huán)節(jié)，本文圍繞這三個(gè)環(huán)節(jié)，開展了如下研究工作：
　　 對(duì)尾梁的振動(dòng)進(jìn)行了理論建模及分

3、析，提出在煤和矸石下落隨機(jī)沖擊尾梁過程中，尾梁的振動(dòng)行為具有統(tǒng)計(jì)規(guī)律的觀點(diǎn)，為后續(xù)的模式特征的提取及識(shí)別提供了理論依據(jù)?；趥鞲衅鞯倪x用原則，根據(jù)現(xiàn)場環(huán)境情況以及尾梁振動(dòng)特點(diǎn)合理的選擇傳感器，構(gòu)建數(shù)據(jù)采集系統(tǒng)，確定了放頂煤煤矸界面識(shí)別實(shí)驗(yàn)數(shù)據(jù)采集方案。通過分析現(xiàn)場大量的數(shù)據(jù)，分別對(duì)比了傳感器的安裝在液壓支架尾梁的不同部位的效果，尋求傳感器最佳安裝位置。并通過改造液壓支架，以便傳感器安裝在最佳位置。在生產(chǎn)現(xiàn)場拾取振動(dòng)和聲波信號(hào)，為進(jìn)一步離

4、線分析煤矸界面特征提取提供了全面而豐富的數(shù)據(jù)。
　　 由于尾梁振動(dòng)信號(hào)具有非平穩(wěn)性特點(diǎn)，傳統(tǒng)的傅里葉變換是分析平穩(wěn)信號(hào)的強(qiáng)有力的工具，但對(duì)于非平穩(wěn)信號(hào)則失去了意義。本文采用局域波分解的方法對(duì)信號(hào)進(jìn)行了分析，并提取了煤矸界面特征。首先采用經(jīng)驗(yàn)?zāi)B(tài)分析方法對(duì)落煤和落矸兩種情況下的尾梁振動(dòng)信號(hào)進(jìn)行了分解，得到了信號(hào)的各個(gè)固有模態(tài)分量(IMF)，然后對(duì)各固有模態(tài)進(jìn)一步分析，提出三種用于煤矸界面識(shí)別的特征，即基于IMF分量的能量、峭度、波

5、峰因子特征，并利用馬氏距離判別法進(jìn)行了識(shí)別。同時(shí)將經(jīng)驗(yàn)?zāi)B(tài)分解與Hilbert變換相結(jié)合，提出了另外三種振動(dòng)特征，分別是基于Hilbert譜能量、Hilbert邊際譜能量、IMF分量的Hilbert邊際譜能量的特征。
　　 采用時(shí)間序列分析的方法對(duì)放煤和放矸兩種狀態(tài)下的聲波信號(hào)進(jìn)行了分析，提出了基于ARMA模型的煤矸聲波信號(hào)識(shí)別方法。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)信號(hào)的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)判斷模型類型，對(duì)放煤和放矸兩種工況下

6、的聲波信號(hào)ARMA模型進(jìn)行了估計(jì)，得到了模型階數(shù)，以及各階自回歸參數(shù)和滑動(dòng)平均參數(shù)，提取了殘差，利用殘差對(duì)模型進(jìn)行了驗(yàn)證。利用ARMA模型參數(shù)進(jìn)行雙譜估計(jì)，提出了基于雙譜對(duì)角曲線能量極大值數(shù)目特征和基于模型殘差方差的特征提取方法。同時(shí)根據(jù)EWMA控制圖的思想，以模型殘差的方差作為特征對(duì)信號(hào)進(jìn)行了識(shí)別，識(shí)別結(jié)果表明，采用此法，對(duì)落矸信號(hào)識(shí)別率較高，其整體識(shí)別率達(dá)到了90％。
　　 針對(duì)提取的振動(dòng)和聲波信號(hào)的特征，分別設(shè)計(jì)了BP神經(jīng)

7、網(wǎng)絡(luò)識(shí)別方法，確定了網(wǎng)絡(luò)的層數(shù)，各層的節(jié)點(diǎn)數(shù)，以及各神經(jīng)元的激活函數(shù)，并對(duì)比了分別采用動(dòng)量BP算法、自適應(yīng)學(xué)習(xí)率算法、Quasi-Newton算法、彈性BP算法、Levenberg-Marquardt算法五種改進(jìn)的訓(xùn)練函數(shù)時(shí)的結(jié)果，設(shè)計(jì)了最優(yōu)的BP網(wǎng)絡(luò)結(jié)構(gòu)。利用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，得到了神經(jīng)網(wǎng)絡(luò)各層的權(quán)值和閾值。然后，計(jì)算了不同的特征情況下的隱層神經(jīng)元數(shù)目。利用設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)，分別以IMF的能量、峭度和波峰因子作為特征，對(duì)尾梁振動(dòng)信號(hào)進(jìn)

8、行了識(shí)別。識(shí)別結(jié)果表明，以各IMF的能量、峭度和波峰因子組成特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，均可實(shí)現(xiàn)煤矸界面的自動(dòng)識(shí)別，且以IMF的能量組成的特征向量對(duì)于識(shí)別兩類振動(dòng)信號(hào)最為敏感，比采用其它兩種方式具有更高的識(shí)別率。同時(shí)，以殘差方差為特征，利用神經(jīng)網(wǎng)絡(luò)對(duì)聲波信號(hào)進(jìn)行識(shí)別。識(shí)別結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)的方法比采用馬氏距離統(tǒng)計(jì)法具有更高的識(shí)別率。最后，對(duì)振動(dòng)信號(hào)和聲波信號(hào)進(jìn)行信息融合，利用神經(jīng)網(wǎng)絡(luò)對(duì)兩種信號(hào)同時(shí)識(shí)別，識(shí)別結(jié)果表明采用信息融合的