CN110991363B - 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 - Google Patents
不同采煤工序下煤矿安全监控系统co涌出特征提取方法 Download PDFInfo
- Publication number
- CN110991363B CN110991363B CN201911246918.3A CN201911246918A CN110991363B CN 110991363 B CN110991363 B CN 110991363B CN 201911246918 A CN201911246918 A CN 201911246918A CN 110991363 B CN110991363 B CN 110991363B
- Authority
- CN
- China
- Prior art keywords
- threshold
- wavelet
- coal
- function
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000005065 mining Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 238000005520 cutting process Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 43
- 238000012360 testing method Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Signal Processing (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种不同采煤工序下煤矿安全监控系统CO涌出特征提取方法，包括采集原始CO浓度时间序列、小波阈值去噪、小波分解、重构小波分解系数、求解各频带能量及构建特征向量。本发明的不同采煤工序下煤矿安全监控系统CO涌出特征提取方法能够提取明显的特征参数作为识别指标，将监控系统中CO浓度时间序列与采煤工序有效对应，从而实现以CO数据为分析基础对采煤工序进行辨识，进而有助于煤矿的工程技术人员更加及时地掌握和判断综采工作面的实时综采作业状况以及不同阶段CO涌出特点作出不同的应急预案，为后续不同工序下的分类预警作支撑。
Description
技术领域：
本发明涉及煤矿安全技术领域，尤其涉及一种不同采煤工序下煤矿安全监控系统CO涌出特征提取方法。
背景技术：
煤矿安全监控系统实时记录CH4、CO、风速等传感器的监测数据，然而并没有深入的进行挖掘，以自然发火为例，煤矿安全规程规定，对于矿井自燃灾害通常以安全监测系统CO气体浓度为监测指标进行日常监测指标，并规定了24ppm为阈值的报警极限。但煤矿井下特别是煤自燃需要重点监测的工作面上隅角的CO气体并不只是来源于采空区内的遗煤氧化，研究表明该处CO气体还会来自煤层赋存原生CO以及工作面割煤，尤其是正常作业流程中的割煤作业流程对煤体的破坏较大，会涌出较多的CO气体，而其他阶段产生的CO气体并不多，不同作业工序下产生CO气体的规律呈现明显的不同，因此为了更有效的利用安全监控系统CO数据进行煤自燃的监测判定，有必要对安全监控系统原始数据进行深度挖掘，提取明显的特征参数作为识别指标，将监控系统中浓度时间序列与采煤工序有效对应，从而实现以CO数据为分析基础对采煤工序进行辨识，进而有助于煤矿的工程技术人员更加及时地掌握和判断综采工作面的实时综采作业状况以及不同阶段CO涌出特点作出不同的应急预案，为后续不同工序下的分类预警作支撑。
发明内容：
本发明的目的是提供一种能有效的区分综采工作面不同采煤工序下的CO浓度时间序列的煤矿安全监控系统CO涌出特征提取方法。
本发明提供一种不同采煤工序下煤矿安全监控系统CO涌出特征提取方法，包括如下步骤：
一、选取综采工作面为研究对象，采集工作面上隅角CO浓度，并记录CO浓度时间序列曲线；
二、对CO浓度时间序列进行小波阈值去噪处理；
三、采用小波包能量谱对CO浓度时间序列进行特征向量提取；
四、通过RBF神经网络训练后用提取的特征向量求得基函数的中心、方差以及权重三个参数。
其中，步骤二具体包括如下步骤：
(1)分解小波，选用合适的小波基，确定分解层数，对含噪信号进行分析，计算分析参数；
(2)阈值函数构造，阈值函数包括软阈值及硬阈值，硬阈值是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值则设置为零，反之保持不变，软阈值是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的函数设置为零，而大于阈值的信号设置为绝对值与阈值的差，信号就会趋向于零，表达式(1)如下
其中，λ1-上阈值；λ2-下阈值；
-小波系数；wj,k-原始小波系数；
(3)阈值的选取，选择无偏风险估计准则确定阈值；
(4)重构小波，经过阈值函数处理后的小波系数经过逆变换得到的信号，重构得到滤除噪声后的CO浓度时间序列曲线。
步骤三具体包括如下步骤：
(1)以Db5为小波基对采集并去噪处理的CO浓度时间序列进行小波包分解，得到各频带系数分布图；
(2)通过小波包能量谱的方法提取各频带内的能量作为特征向量，作为识别综采工作面不同工序的特征参数。
作为优选，提取的特征向量包括交接班特征向量、割煤特征向量及检修特征向量。
其中，所述RBF神经网络包括输入层、隐含层及输出层；
RBF神经网络的输入层由待处理信号的节点构成，X＝[x1,x2,···,xn]T，其中n表示待处理信号的节点数目；
中间的隐含层H＝[h1,h2,···,hm]T为径向基函数，其中m表示隐含层节点数目，用高斯函数表示，如公式(2)所示
式中，tim＝[ti1,ti2,···tiM]表示径向基函数的中心，σ表示径向基函数的方差，M为隐藏层节点总数,xkm表示输入向量第m个输入样本；
假设神经网络输入的训练样本为Xk，神经网络第j个输出目标的输出结果表示为：
式中ω0j表示权重，wij表示隐藏层到输出层的连接权值，I表示隐含层神经元个数，ti表示第i个隐层神经元激励函数的中心矢量。
本发明具有以下积极的效果：本发明的不同采煤工序下煤矿安全监控系统CO涌出特征提取方法能够提取明显的特征参数作为识别指标，将监控系统中CO浓度时间序列与采煤工序有效对应，从而实现以CO数据为分析基础对采煤工序进行辨识，进而有助于煤矿的工程技术人员更加及时地掌握和判断综采工作面的实时综采作业状况以及不同阶段CO涌出特点作出不同的应急预案，为后续不同工序下的分类预警作支撑。
附图说明：
图1为本发明的不同采煤工序下煤矿安全监控系统CO涌出特征提取方法的流程图；
图2为本发明的工作面的作业流程图；
图3为本发明的CO传感器布置图；
图4为本发明交接班期间CO浓度时间序列小波包分解频带波形图；
图5为本发明交接班期间CO浓度时间序列小波包分解各频段能量分布图；
图6为本发明割煤期间CO浓度时间序列小波包分解频带波形图；
图7为本发明割煤期间CO浓度时间序列小波包分解各频段能量分布图；
图8为本发明检修期间CO浓度时间序列小波包分解频带波形图；
图9为本发明检修期间CO浓度时间序列小波包分解各频段能量分布图；
图10为本发明RBF神经网络的网络结构的示意图。
具体实施方式：
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明提供一种不同采煤工序下煤矿安全监控系统CO涌出特征提取方法，包括采集原始CO浓度时间序列、小波阈值去噪、小波分解、重构小波分解系数、求解各频带能量及构建特征向量，其流程如图1所示。
一、选取综采工作面为研究对象，采集工作面上隅角CO浓度，并记录CO浓度时间序列曲线。
本发明选取某综采工作面为研究对象，试验工作面平均煤层厚度2.75m，煤层倾角7°；工作面沿煤层走向方向布置，沿煤层倾向方向推进，采高2.8m。采用单一走向长壁后退式综采法，一次采全高，全部垮落法管理顶板。该工作面循环进度为0.6m，回采率约95％，每日推进6个正规循环，即日进度3.6m。正常生产期间工作面割煤工序为：前滚筒割顶煤，后滚筒割底煤(沿煤机行走方向，在煤机机身前侧的为前滚筒，在后的为后滚筒)，往返一次割两刀煤，支架工作溜推移两个步距完成两个循环。采用端头斜切进刀，综采机割到端头后，将前滚筒降下来，返回进行斜切进刀。同时液压支架滞后综采机跟机移架，直到走完弯曲段进入溜子的直线段。进入直线段后沿着原推溜方向依次将溜子推直；工作溜弯曲段推直后，将综采机靠近端头前滚筒升起，向端头返回割三角煤。三角煤割完后，调换煤机行走方向，返程正常割煤。利用综采机螺旋滚筒，配合刮板输送机铲煤板将煤装上工作面刮板输送机，工作面刮板输送机将煤经桥式转载机装上顺槽运输机进行外运装煤。
工作面采用"三八"作业制，二采一准，具体作业流程如图2所示，其中8:00-9:00为晚/早交接班时间，9：00-16：00为割煤时间，其中割煤工序和移架、移溜、支护等工序顺次进行，16:00-17:00为早/中交接班时间，17:00-00:00为检修时间，00:00-1:00为中/晚交接班时间，1:00-8:00为割煤时间。由于不同采煤工序对煤体破坏程度不同、不同工序之间时间重叠、以及不同工序维持的时间长短不一，根据各工序期间CO涌出程度，合理划分模式识别的分类标准。其中割煤对煤体破坏力度最大，而移架、移溜、支护等工序基本是与割煤同步进行，因此划分为一类，而交接班以及检修分别划分一类，共划分为交接班、割煤(含移架、移溜、支护等工序)、检修三类工序。
实验数据来源于试验工作面上隅角CO浓度历史数据。该工作面按照煤矿安全规程规定，在工作面上隅角布置CO传感器，其安装位置如图3所示，记录CO浓度时间序列曲线。本文选取最具代表性的T0处的CO传感器浓度时间序列进行考察。通过选取与上述煤矿工作面正规作业流程对应的时间段，调取综采工作面上隅角煤矿安全监控系统2019年4月28日8时至2019年4月29日8时连续采集所得一氧化碳浓度时间密采数据，共计1356个样本点。
二、对CO浓度时间序列进行小波阈值去噪处理。
本发明采用小波阈值去噪信号处理方法，具体步骤如下：
第一步：分解小波
根据含噪信号的特点，选用合适的小波基，若含噪信号信噪比高，就采用光滑连续的小波基；若含噪信号信噪比低，由采用线性小波基。确定分解层数j，对含噪信号进行分析，计算分析参数。
第二步：阈值函数构造
重构信号的连续性和精度取决于阈值函数的选择，不同的含噪信号要采用相对应的阈值函数，其构造影响小波滤波效果，如果选取得当，不仅可以保证在阈值处函数连续，从而使噪声滤除效果好，还能存留含噪信号的突变状态，更好的接近于原始信号，为后期数据分析提供准确的数据保证。阈值函数主要包含硬阈值和软阈值两种函数，其中硬阈值是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值则设置为零，反之保持不变。这种重构信号的方式必然导致其重构函数不连续，噪声过滤后产生振荡现象，信号出现失真情况。软阈值函数是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的函数设置为零，而大于阈值的信号设置为绝对值与阈值的差，这样信号就会趋向于零。软阈值函数的本质决定了其连续性优于硬阈值函数，然后由于其导数不连续，估计小波系数与带噪小波系数有偏差，并且对阈值大的系数进行定值压缩，这与噪声随小波系数增加而减少是不一致的，所以软阈值函数尽管在去噪后信号相对平缓，但是信号也有可能出现失真的情况。综合硬阈值函数和软阈值函数的优点，煤矿安全监测系统CO异常数据剔除常采用改进的阈值构造函数，可以避免硬阈值函数在重构中出现信号振荡现象，同时可以避免软阈值函数失真的现象，表达式(1)如下：
其中，λ1-上阈值；λ2-下阈值；
-小波系数；wj,k-原始小波系数。
第三步：阈值的选取
小波阈值在滤波过程中起到关键作用，适当的阈值不仅能有效的去除噪声信号，而且不至于误除有效信号，若阈值太大，会使一部分有效信号丢失，进而使得重构信号失真，若阈值太小，由无法有效的去除噪声信号。由于煤矿井下CO浓度波动性较大、规律性不强，经过分析选择无偏风险估计准则确定阈值，保证能在滤除绝大部分噪声信号的前提下保留最多的有效信号。
第四步：重构小波
重构小波就是通过上述方法，经过阈值函数处理后的小波系数经过逆变换得到的信号，煤矿安全监控系统中经过重构得到滤除噪声后的CO浓度曲线。
在经过小波降噪后的序列，消除了原始序列中大部分噪声的影响，同时保持了原序列的特征和趋势，对于后续研究工作提供了良好的数据基础。
三、采用小波包能量谱对CO浓度时间序列进行特征向量提取。
影响模式识别最重要的两个问题是有效特征参数的提取以及分类识别的算法。表示数据特征的参数众多，如果对样本数据选取的特征参数不明显，那么无论是采用哪种分类算法，都无法有效的将数据进行分类。因此对模式识别来说最重要的前提是选取明显表征数据特征的参数。当综采工作面作业流程发生改变时，CO浓度时间序列信号的能量分布会发生明显的变化，也就是说，不同综采工作面作业流程对应不同的CO浓度时间序列频带能量的分布特点，所以可以通过不同频段内信号的能量谱分布规律来辨识综采工作面作业流程的类别。本发明采用小波包能量分析方法完成掘进作业不同类型工序CO浓度时间序列信号的特征提取。
通过合理的小波基和小波分解层数的确定方案，以Db5为小波基对采集并预去噪处理的安全监控系统上隅角CO浓度时间序列进行三层小波包分解，得到各频带系数分布图，并通过小波包能量谱的方法提取8个频带内的能量作为特征向量，作为识别综采工作面不同工序的特征参数。
根据上述小波包能量谱特征提取方法，得到综采工作面在不同类型掘进作业工序时，测点CO浓度时间序列信号的小波包分解频带波形系数图和8个频带内的特征能量谱。
其中，交接班特征向量提取如图4、图5所示，图4为交接班期间CO浓度时间序列小波包分解频带波形图，图5为交接班期间CO浓度时间序列小波包分解各频段能量分布图；割煤特征向量提取如图6、图7所示，图6为割煤期间CO浓度时间序列小波包分解频带波形图，图7为割煤期间CO浓度时间序列小波包分解各频段能量分布图；检修特征向量提取如图8、图9所示，图8为检修期间CO浓度时间序列小波包分解频带波形图，图9为检修期间CO浓度时间序列小波包分解各频段能量分布图。
在综采工作面不同作业流程CO浓度时间序列信号的能量谱中，某个或某几个频段的能量占比规律决定了该工序的特点。从交接班、割煤(含移架、移溜、支护等工序)、检修等三个工序期间期间CO浓度时间序列小波包分解各频段能量分布可以看出，三种工序在第一频段内能量占比均最高，其中割煤工序在第一频段内能量占比达94.32％，交接班工序在第一频段内能量占比最低也达到了64.99％。2-8频段内三类工序的能量分布呈现不同的规律，其中交接班工序各频段分布不均匀，6-7频段能量占比相对较高，4、8频段能量占比最低；割煤(含移架、移溜、支护等工序)2-8频段能量分布相对很均匀，集中在0.071％-0.097％之间，特征明显容易识别；检修工序2-8频段能量分布呈现另一种规律，中间4-5频段能量相对较高，其他频段能量低且不均衡。
利用小波包能量谱特征提取出的标准样本各个频段能量作为特征参数，依次排列做为特征向量。作为识别的标准样本，如表1所示：
表1不同工序代表性标准识别样本
四、通过RBF神经网络训练后用提取的特征向量求得基函数的中心、方差以及权重三个参数。
RBF神经网络属于只含有一个隐含层的前向网络，依次由输入层、隐含层以及输出层组成。RBF神经网络最明显的特点是隐含层节点的基函数采用距离函数视、激活函数则利用径向基函数。RBF神经网络的原理是：通过径向基函数对输入测试向量变换，使得高维空间中可映射输入的低维测试数据，进而将输出值采用加权求和，最终将计算结果映射到低维度空间中并输出。RBF神经网络的基函数是多维空间的中心点，存在径向对称性，并且与中心点越近的输入向量，其神经元激活水平越高，反之越低，所以隐藏节点有局部特性。RBF神经网络的网络结构如图10所示。
RBF神经网络的输入层由待处理信号的节点构成，X＝[x1,x2,···,xn]T，其中n表示待处理信号的节点数目；中间的隐藏层H＝[h1,h2,···,hm]T为径向基函数，其中m表示隐含层节点数目，通常用高斯函数表示，如公式(2).
式中，tim＝[ti1,ti2,···tiM]表示径向基函数的中心，σ表示径向基函数的方差，M为隐藏层节点总数,xkm表示输入向量第m个输入样本。
假设神经网络输入的训练样本为Xk，神经网络第j个输出目标的输出结果表示为：
式中ω0j表示权重；wij表示隐藏层到输出层的连接权值，I表示隐含层神经元个数，ti表示第i个隐层神经元激励函数的中心矢量。
RBF神经网络的主要是针对基函数的中心、方差以及权重三个参数进行求解。算法主要分为两步，第一步为训练阶段，主要是求解隐含层基函数中心以及方差，第二步是学习阶段，完成权重的求解。
五、验证。
根据试验工作面正规作业循环，将综采工作面正规作业流程合理划分为三类识别类型，在RBF神经网络中，将交接班模式设置输出值为01，割煤模式(含移架、移溜、支护等工序)设置输出值为02，检修模式设置输出值为03，将此数组当作神经网络的期望输出值。对提取的能量谱特征向量进行归一化处理后输入至RBF神经网络，以已知的作业流程模式为输出量，进行训练，其中三类模式的训练样本共计86个。其中神经网络的输入层节点数目共8个，隐含层节点数目共24个，设置神经网络计算误差的目标值为0.001，经过训练样本的输入输出学习，计算出基函数的中心、方差以及权重三个主要参数。神经网络学习完成后重新将训练样本输入进行模式识别结果得出分类结果全部正确，说明神经网络学习效果良好。
提取其他工作日的样本数据，按照上述能量谱提取的方法进行特征向量提取后，与当日的作业流程进行比对确定各时间段对应的工作面作业流程，作为测试样本共10组，对已知模式类型但未参数训练的10组测试样本进行进行模式识别，测试结果见表2。从模式识别结果来看，10组测试数据的模式识别结果中有9个识别结果与实际工作面作业工序一致，识别率为90％，由此说明RBF神经网络能完成综采工作面作业工序的分类目的，可以应用于现场的模式识别中。
表2测试样本神经网络测试效果
本发明通过小波包分解的方法提取能量谱作为工序识别的特征参数，作为训练样本进行模式识别，得出以下结论：
(1)通过对安全监控系统上隅角CO浓度时间序列利用小波包三层分解的方法提取8个频带的能量谱分布情况作为模式识别的特征向量，能明显的区分综采工作面不同作业流程，说明小波包提取出的能量谱作为不同采煤工序的特征参数是可行的；
(2)将提取的能量谱特征向量作为输入参数进行RBF神经网络训练后求得基函数的中心、方差以及权重三个主要参数，对已知模式类型但未参数训练的10组测试样本进行进行模式识别，正确率为90％，说明这种方法能有效的区分综采工作面不同采煤工序下的CO浓度时间序列，可以应用于现场。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (2)
1.一种不同采煤工序下煤矿安全监控系统CO涌出特征提取方法，其特征在于，包括如下步骤：
一、选取综采工作面为研究对象，采集工作面上隅角CO浓度，并记录CO浓度时间序列曲线；
二、对CO浓度时间序列进行小波阈值去噪处理，具体包括如下步骤：
(1)分解小波，选用合适的小波基，确定分解层数，对含噪信号进行分析，计算分析参数；
(2)阈值函数构造，阈值函数包括软阈值及硬阈值，硬阈值是将小波分解系数后的绝对值与阈值进行对比，如果信号不大于阈值则设置为零，反之保持不变，软阈值是将小波分解系数后的绝对值与阈值进行对比后，把不大于阈值的函数设置为零，而大于阈值的信号设置为绝对值与阈值的差，信号就会趋向于零，表达式(1)如下
其中，λ1-上阈值；λ2-下阈值；
-小波系数；wj,k-原始小波系数；
(3)阈值的选取，选择无偏风险估计准则确定阈值；
(4)重构小波，经过阈值函数处理后的小波系数经过逆变换得到的信号，重构得到滤除噪声后的CO浓度时间序列曲线；
三、采用小波包能量谱对CO浓度时间序列进行特征向量提取，具体包括如下步骤：
(1)以Db5为小波基对采集并去噪处理的CO浓度时间序列进行小波包分解，得到各频带系数分布图；
(2)通过小波包能量谱的方法提取各频带内的能量作为特征向量，作为识别综采工作面不同工序的特征参数；
四、通过RBF神经网络训练后用提取的特征向量求得基函数的中心、方差以及权重三个参数，所述RBF神经网络包括输入层、隐含层及输出层，
RBF神经网络的输入层由待处理信号的节点构成，X＝[x1,x2,···,xn]T，其中n表示待处理信号的节点数目；
中间的隐含层H＝[h1,h2,···,hm]T为径向基函数，其中m表示隐含层节点数目，用高斯函数表示，如公式(2)所示
式中，tim＝[ti1,ti2,···tiM]表示径向基函数的中心，σ表示径向基函数的方差，M为隐藏层节点总数，xkm表示输入向量第m个输入样本；
假设神经网络输入的训练样本为Xk，神经网络第j个输出目标的输出结果表示为：
式中ω0j表示权重，wij表示隐藏层到输出层的连接权值，I表示隐含层神经元个数，ti表示第i个隐层神经元激励函数的中心矢量。
2.根据权利要求1所述的不同采煤工序下煤矿安全监控系统CO涌出特征提取方法，其特征在于，提取的特征向量包括交接班特征向量、割煤特征向量及检修特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246918.3A CN110991363B (zh) | 2019-12-09 | 2019-12-09 | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246918.3A CN110991363B (zh) | 2019-12-09 | 2019-12-09 | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991363A CN110991363A (zh) | 2020-04-10 |
| CN110991363B true CN110991363B (zh) | 2023-05-30 |
Family
ID=70090961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911246918.3A Active CN110991363B (zh) | 2019-12-09 | 2019-12-09 | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991363B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686513A (zh) * | 2020-12-23 | 2021-04-20 | 精英数智科技股份有限公司 | 井下工作面作业状态的识别方法、装置及生产决策系统 |
| CN113405825B (zh) * | 2021-06-11 | 2022-06-17 | 曲阜师范大学 | 一种基于声音信号的带式输送机故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
| CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
| CN107121501A (zh) * | 2017-04-25 | 2017-09-01 | 天津大学 | 一种汽轮机叶轮缺陷分类方法 |
| CN107545321A (zh) * | 2017-07-25 | 2018-01-05 | 东南大学 | 一种基于小波变换的arma‑rbf副产煤气发生量组合预测方法 |
| CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
-
2019
- 2019-12-09 CN CN201911246918.3A patent/CN110991363B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
| CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
| CN107121501A (zh) * | 2017-04-25 | 2017-09-01 | 天津大学 | 一种汽轮机叶轮缺陷分类方法 |
| CN107545321A (zh) * | 2017-07-25 | 2018-01-05 | 东南大学 | 一种基于小波变换的arma‑rbf副产煤气发生量组合预测方法 |
| CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 毋文峰等."基于小波包能量谱－神经网络的液压泵故障诊断".《液压与气动》.2006,第85-87页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991363A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| CN109657547B (zh) | 一种基于伴随模型的异常轨迹分析方法 | |
| CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
| CN110991363B (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
| CN113076975A (zh) | 一种基于无监督学习的大坝安全监测数据异常检测方法 | |
| CN113886917B (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
| CN115638833B (zh) | 一种监控数据处理方法及系统 | |
| CN112257917B (zh) | 一种基于熵特征和神经网络的时间序列异常模式检测方法 | |
| CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
| CN112541480B (zh) | 一种隧道异物入侵事件在线识别方法及系统 | |
| CN114417699A (zh) | 泵阀故障检测方法 | |
| CN115017206A (zh) | 一种矿井co异常扰动智能识别及煤自燃预警值确定方法 | |
| CN116108339A (zh) | 一种面向隧道掘进机的实测数据离群值检测及修正方法 | |
| CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
| CN109325470B (zh) | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 | |
| CN113762360B (zh) | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 | |
| CN117312919A (zh) | 基于bo-cnn-lstm模型的冲击地压预警方法 | |
| CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN111487691B (zh) | 一种致密砂岩储层岩性及砂体结构定量识别方法 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN114862612A (zh) | 一种基于Bagging改进的矿井内数据预处理方法 | |
| CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
| CN117805932B (zh) | 基于煤矿勘探数据的煤层确定方法 | |
| CN114021663B (zh) | 基于序列局部判别信息挖掘网络的工业过程离线数据分割方法 | |
| CN114200543B (zh) | 一种基于沉积速率估算的三角洲沉积微相定量划分方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |