CN112465063B - 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 - Google Patents

一种基于多传感信息融合的放顶煤过程中煤矸识别方法 Download PDF

Info

Publication number
CN112465063B
CN112465063B CN202011439494.5A CN202011439494A CN112465063B CN 112465063 B CN112465063 B CN 112465063B CN 202011439494 A CN202011439494 A CN 202011439494A CN 112465063 B CN112465063 B CN 112465063B
Authority
CN
China
Prior art keywords
coal
gangue
signal
microcomputer
neural network
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
Application number
CN202011439494.5A
Other languages
English (en)
Other versions
CN112465063A (zh
Inventor
司垒
李嘉豪
王忠宾
谭超
闫海峰
刘送永
江红祥
赵世豪
张海波
邢峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202011439494.5A priority Critical patent/CN112465063B/zh
Publication of CN112465063A publication Critical patent/CN112465063A/zh
Priority to PCT/CN2021/080195 priority patent/WO2022121139A1/zh
Application granted granted Critical
Publication of CN112465063B publication Critical patent/CN112465063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种基于多传感信息融合的放顶煤过程中煤矸识别方法，通过BP神经网络和支持向量机分别对特征筛选后的振动信号和声音信号进行学习，获得训练好的BP神经网络分类模型和支持向量机分类模型，进而实现对煤矸撞击放顶煤液压支架尾梁的产生的振动信号和声音信号进行准确高效的识别分类；D‑S证据将BP神经网络分类模型和支持向量机分类模型获取的分类结果进行决策级融合，进而提高煤矸识别的准确性和可信度。光谱识别装置能够实时对刮板机上的煤矸监测，是控制放顶煤口开闭的重要依据；由于设置两种识别途径，进一步提高煤矸识别精度，且本发明的煤矸识别方法不仅能适应能见度较好的工况，也能适应能见度较低的工况。

Description

一种基于多传感信息融合的放顶煤过程中煤矸识别方法
技术领域
本发明涉及一种煤矸识别方法，具体是一种基于多传感信息融合的放顶煤过程中煤矸识别方法，属于煤矸识别技术领域。
背景技术
在我国，特厚煤层储量丰富且主要采用综放开采方法，实现特厚煤层安全高效开采对保障我国煤炭持续供应意义重大。目前综放开采仍采用人工放煤方式，由于采煤工作面灰尘大，条件恶劣，经常带来现场操作工人安全问题，且通过人工很难准确判断顶煤放落程度，不可避免地导致放煤过程的过放状况和欠放状况。过放状况会将顶板矸石大量放出而造成煤质下降、运输洗选成本增加；欠放状况会丢失煤炭，而造成回收率降低。因此，迫切需要实现放煤工序的自动化，而煤矸识别是必须要实现的关键技术。
目前研究的煤矸识别方法多为被动识别，即根据煤、矸石既有的化学成分、物理特性、外观色泽等差别进行识别，由于井下综放工作面工作环境恶劣，能见度低，以及外部环境和设备的严重干扰，导致以往的煤矸识别方法在现场取得的实验效果不理想，因此，需要探索新的可靠的煤矸自动识别方法。
发明内容
本发明的目的是提供一种基于多传感信息融合的放顶煤过程中煤矸识别方法，能够解决工作面多粉尘、潮湿、昏暗等恶劣环境导致的煤矸人工识别精度不高的问题，使工人远离液压支架操作区域，降低工人劳动强度。
为了实现上述目的，本发明提供一种基于多传感信息融合的放顶煤过程中煤矸识别方法，包括以下步骤：
步骤一：安装煤矸识别装置和光谱识别装置，将煤矸识别装置安装在液压支架尾梁处，该煤矸识别装置包括矿用本安壳体和安装在本安壳体内的音频传感器、振动传感器、信号采集器、微型计算机以及本安型电源，音频传感器、振动传感器分别与信号采集器的信号输入端连接，信号采集器将采集到的信号通过网线传输至微型计算机进行处理和分析，微型计算机与液压支架控制器相连，液压支架控制器根据将微型计算机输出的煤矸识别结果做出相应的控制动作，液压支架控制器的信号输出端连接信号采集器，当液压支架控制器发出放煤控制指令时，信号采集器和微型计算机才开始进行信号采集和处理工作，从而降低能耗、延长装置使用寿命，本安型电源为微型计算机供电；
光谱识别装置包括安装在液压支架下部及后部刮板机斜上方的集成探头，集成探头内设置有卤素灯光源和准直镜头，集成探头的信号输出端通过分叉光纤分别连接激光指示光源、光谱仪的信号输入端，光谱仪的信号输出端连接微型计算机；
步骤二：煤矸识别装置的识别方法为：
①在液压支架自动放煤前，先通过人工控制放煤的启停动作，时间记为T1，利用音频传感器、振动传感器和信号采集器采集相应的声音信号和振动信号，并将采集的信号传输至微型计算机进行处理和存储；
②微型计算机对放煤或放矸产生的声音信号和振动信号进行标记，若是放煤，则记为1，若是放矸，则记为0，同时将标记好的声音信号或振动信号每隔1s记为1个样本，并分别对采样时间为1秒的声音信号和振动信号进行信号分解、特征提取和特征筛选；
③微型计算机将带有标记的筛选后的特征进行存储，作为初始样本集分别对支持向量机和BP神经网络这两个分类器进行训练，当支持向量机和BP神经网络的测试误差大于设定阈值ε时，重新对采集到的样本数据分别对支持向量机和BP神经网络这两个分类器进行训练；当支持向量机和BP神经网络的测试误差小于设定阈值ε时，训练结束，此时，停止人工控制放煤启停动作，液压支架自动放煤开始，时间记为T2；
④液压支架自动放煤开始后，微型计算机分别对相邻两个采样时间内(即T2+1秒和T2+2秒)的声音信号和振动信号进行信号分解、特征提取和特征筛选，并分别输入到第③步训练好的支持向量机和BP神经网络分类器，在T2+1秒和T2+2秒的采集样本可以得到4个预测结果；
⑤微型计算机利用D-S证据理论，将第④步得到的4个预测结果进行决策级融合，从而得到最终的煤矸识别结果；
⑥微型计算机将煤矸识别结果发送至液压支架控制器，当识别结果为矸石时，液压支架控制器发送停止放煤命令，液压支架尾梁伸出，放煤动作停止；
光谱识别装置的识别方法为：
①调节集成探头的倾斜角度，打开卤素灯光源照射后部刮板机上的运动煤矸，使卤素灯光源照射在后部刮板机中间位置；
②放煤开始后，液压支架上方的煤、矸在支架尾梁的摆动下滑落到后部刮板机上，位于刮板机上的集成探头中的准直镜头，在卤素灯光源的辅助下，采集后部刮板机上运动煤或矸的反射信号，并通过Y形光纤中分支端，将采集的反射信号传输给光谱仪，利用微型计算机对光谱仪中的光谱数据进行分析，微型计算机通过光谱数据判断是否为顶板岩石，如果是顶板岩石，微型计算机发出指令通过液压支架控制放煤口关闭，反之，通过与微型计算机内数据库中的光谱数据进行模式匹配，对后部刮板机上经过准直镜头视场的煤或矸进行定性分析，在微型计算机中将煤矸种类赋值为：煤＝0，矸＝1；
③通过煤、矸的不断放出，刮板机上不断进行着煤和夹矸的交替，在微型计算机中进行0与1数值的累加，当0+1+0+1+0+1……≥x(x表示该放煤工作面的平均夹矸层数)时，则意味着放煤结束，微型计算机发出指令通过液压支架控制器控制放煤口的关闭，当不满足0+1+0+1+0+1……≥x时，返回步骤②。
作为本发明的进一步改进，步骤二②中信号分解、特征提取和特征筛选的步骤如下：
A：采用经验模态分解EMD对原始声音信号和振动信号分别进行分解处理，每个原始信号可以得到若干个本征模态函数IMF，将原始声音信号的IMF个数记为m，原始振动信号的IMF个数记为n；
B：针对每种原始信号，计算各本征模态函数IMF的能量Ei、峭度κi与原始信号相关系数ζi，并对各参数进行归一化处理，分别记为CEi、Cκi、Cζi；
C：计算每个本征模态函数IMF的加权得分ρi＝α×CEi+β×Cκi+γ×Cξi，其中α+β+γ＝1，选择加权分最高的p个本征模态函数IMF进行后续特征提取；
D：针对每种原始引号，计算提取的p个本征模态函数IMF的归一化特征能量CEi和峭度Cκi，并作为支持向量机和BP神经网络的初始样本集。
作为本发明的进一步改进，所述支持向量机的核函数选用径向基核函数。
作为本发明的进一步改进，步骤二中支持向量机和BP神经网络的训练步骤如下：
A：参数设定，支持向量机中核函数参数和误差惩罚因子采用交叉验证法来确定，BP神经网络的输入层节点数为p，输出层节点数为1，隐含层节点数l满足
Figure BDA0002830015050000031
q为0-10之间的常数，然后通过试凑法确定最佳节点数；
B：将T1-T2时间内的样本数量记为M，随机选择其中60％M个样本作为支持向量机和BP神经网络的训练样本集，其余作为测试样本集，并对训练好的支持向量机和BP神经网络模型进行测试；
C：当支持向量机和BP神经网络的测试精度小于设定阈值ε时，训练结束。
作为本发明的进一步改进，步骤二中微型计算机利用D-S证据理论对4个预测结果进行决策级融合的步骤如下：
A：将T2+1秒内采集的声音信号样本的支持向量机和BP神经网络输出结果分别记为a1和和b1，将T2+1秒内采集的振动信号样本的支持向量机和BP神经网络输出结果分别记为c1和d1；同理，将T2+2秒内采集的传感信号样本的输出结果即为a2、b2、c2和d2。
B：分别对同一采样时间内的4个输出结果进行归一化处理：
a11＝a1/(a1+b1+c1+d1)，
b11＝b1/(a1+b1+c1+d1)，
c11＝c1/(a1+b1+c1+d1)，
d11＝d1/(a1+b1+c1+d1)，
a22＝a2/(a2+b2+c2+d2)，
b22＝b2/(a2+b2+c2+d2)，
c22＝c2/(a2+b2+c2+d2)，
d22＝d2/(a2+b2+c2+d2)；
C：在D-S证据理论中，将T2+1和T2+2时刻的输出结果设为2条证据m1和m2，即：
Figure BDA0002830015050000041
归一化常数K＝a11×a22+b11×b22+c11×c22+d11×d22
则基于声音信号的支持向量机输出结果为a11×a22/K，
基于声音信号的BP神经网络输出结果为b11×b22/K，
基于振动信号的支持向量机输出结果为c11×c22/K，
基于振动信号的BP神经网络输出结果为d11×d22/K；
D：如果max{a11×a22/K，b11×b22/K，c11×c22/K，d11×d22/K}>0.5，则最终的识别结果记为放煤；反之，最终的识别结果记为放矸。
作为本发明的进一步改进，信号采集器设定的音频传感器采样频率为40KHz以上，振动传感器采样频率为5KHz以上，声音传感器为电容式传感器，振动传感器为电压型或电流型高频传感器。
作为本发明的进一步改进，分叉光纤采用Y形光纤，光纤合并段与集成探头上几何中心所嵌入的准直镜头连接，分叉光纤支端分别连接激光指示光源和光谱仪，激光指示光源能够对准直镜头所采集的范围进行指示以及对集成探头的安装倾斜角度进行协助调节。
与现有技术相比，本发明利用BP神经网络模型与支持向量机相融合的方法充分结合了BP神经网络可以实现复杂的输入与输出间的非线性映射关系，能逼近任意非线性函数，分类速度快，支持向量机可以自动寻找那些对分类有较好区分能力的支持向量，构造出的分类器可以最大化类与类的间隔，有较好的推广性能和较好的分类准确率的优点，因此，本发明能提高声音采样样本和振动采样样本的分类精度；本发明通过有机的结合，巧妙地综合了BP神经网络和支持向量机的优点，从而既提高了筛选后的声音特征信号和振动信号特征的准确性，进而又能有效提高测试精度，本发明充分利用了BP神经网络以及支持向量机在振动信号、声音信号分类效果上表现尤其好的特点且具有较高分类准确率和较好的推广性能的特点外，还具有实现简单有效的特点，本发明的方法实现简单，成本低廉，通过BP神经网络和支持向量机分别对筛选后的振动信号以及声音信号样本进行学习，训练出的BP神经网络分类模型和支持向量机分类模型均可以实现对煤矸撞击放顶煤液压支架尾梁的产生的振动信号和声音信号进行准确高效的识别分类，通过利用D-S证据理将预测结构进行决策级融合，极大地提高了煤矸识别的准确性和可信度，且能有效消除多源信号的不确定因素，进一步提高了煤矸识别的准确度；本发明的光谱识别装置融合高光谱和煤层结构的智能放顶煤技术，根据所获取的光谱信号，对煤、矸、顶板进行定性分析，将所测煤、矸种类交替与所采煤层结构进行对比，能够实时对后部刮板机上的煤矸进行监测，是控制放顶煤口开闭的重要依据；由于本发明设置了两种煤矸识别途径，进一步提高了煤矸识别精度，且本发明的煤矸识别方法不仅能适应能见度较好的工况，也能适应井下综放工作面工作环境恶劣，能见度低的工况。
附图说明
图1是本发明煤矸识别装置和光谱识别装置的原理框图；
图2是本发明煤矸识别方法的流程图；
图3是本发明光谱识别的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1-图3所示，一种基于多传感信息融合的放顶煤过程中煤矸识别方法，包括以下步骤：
步骤一：安装煤矸识别装置和光谱识别装置，将煤矸识别装置安装在液压支架尾梁处，该煤矸识别装置包括矿用本安壳体和安装在本安壳体内的音频传感器、振动传感器、信号采集器、微型计算机以及本安型电源，音频传感器、振动传感器分别与信号采集器的信号输入端连接，音频传感器、振动传感器分别用于采集顶煤放落过程中煤矸撞击放顶煤液压支架尾梁的产生的声音信号和振动信号，信号采集器将采集到的信号通过网线传输至微型计算机进行处理和分析，微型计算机与液压支架控制器相连，液压支架控制器根据将微型计算机输出的煤矸识别结果做出相应的控制动作，液压支架控制器的信号输出端连接信号采集器，本安型电源为微型计算机供电；
光谱识别装置包括安装在液压支架下部及后部刮板机斜上方的集成探头，集成探头内设置有卤素灯光源和准直镜头，集成探头的信号输出端通过分叉光纤分别连接激光指示光源、光谱仪的信号输入端，光谱仪的信号输出端连接微型计算机；
步骤二：如图2所示，煤矸识别装置的识别方法为：
①在液压支架自动放煤前，先通过人工控制放煤的启停动作，时间记为T1，利用音频传感器、振动传感器和信号采集器采集相应的声音信号和振动信号，并将采集的信号传输至微型计算机进行处理和存储；
②微型计算机对放煤或放矸产生的声音信号和振动信号进行标记，若是放煤，则记为1，若是放矸，则记为0，同时将标记好的声音信号或振动信号每隔1s记为1个样本，并分别对采样时间为1秒的声音信号和振动信号进行信号分解、特征提取和特征筛选，信号分解、特征提取和特征筛选的步骤如下：
A：采用经验模态分解EMD对原始声音信号和振动信号分别进行分解处理，每个原始信号可以得到若干个本征模态函数IMF，将原始声音信号的IMF个数记为m，原始振动信号的IMF个数记为n；
B：针对每种原始信号，计算各本征模态函数IMF的能量Ei、峭度κi与原始信号相关系数ζi，并对各参数进行归一化处理，分别记为CEi、Cκi、Cζi；
C：计算每个本征模态函数IMF的加权得分ρi＝α×CEi+β×Cκi+γ×Cξi，其中α+β+γ＝1，选择加权分最高的p个本征模态函数IMF进行后续特征提取；
D：针对每种原始引号，计算提取的p个本征模态函数IMF的归一化特征能量CEi和峭度Cκi，并作为支持向量机和BP神经网络的初始样本集。
③微型计算机将带有标记的筛选后的特征进行存储，作为初始样本集分别对支持向量机和BP神经网络这两个分类器进行训练，当支持向量机和BP神经网络的测试误差大于设定阈值ε时，重新对采集到的样本数据分别对支持向量机和BP神经网络这两个分类器进行训练；当支持向量机和BP神经网络的测试误差小于设定阈值ε时，训练结束，此时，停止人工控制放煤启停动作，液压支架自动放煤开始，时间记为T2；支持向量机和BP神经网络的训练步骤如下：
A：参数设定，支持向量机中核函数参数和误差惩罚因子采用交叉验证法来确定，BP神经网络的输入层节点数为p，输出层节点数为1，隐含层节点数l满足
Figure BDA0002830015050000071
q为0-10之间的常数，然后通过试凑法确定最佳节点数；
B：将T1-T2时间内的样本数量记为M，随机选择其中60％M个样本作为支持向量机和BP神经网络的训练样本集，其余作为测试样本集，并对训练好的支持向量机和BP神经网络模型进行测试；
C：当支持向量机和BP神经网络的测试精度小于设定阈值ε时，训练结束；
④液压支架自动放煤开始后，微型计算机分别对相邻两个采样时间内(即T2+1秒和T2+2秒)的声音信号和振动信号进行信号分解、特征提取和特征筛选，并分别输入到第③步训练好的支持向量机和BP神经网络分类器，在T2+1秒和T2+2秒的采集样本可以得到4个预测结果；
⑤微型计算机利用D-S证据理论，将第④步得到的4个预测结果进行决策级融合，从而得到最终的煤矸识别结果；
⑥微型计算机将煤矸识别结果发送至液压支架控制器，当识别结果为矸石时，液压支架控制器发送停止放煤命令，液压支架尾梁伸出，放煤动作停止；
如图3所示，光谱识别装置的识别方法为：
①调节集成探头的倾斜角度，打开卤素灯光源照射后部刮板机上的运动煤矸，使卤素灯光源照射在后部刮板机中间位置；
②放煤开始后，液压支架上方的煤、矸在支架尾梁的摆动下滑落到后部刮板机上，位于刮板机上的集成探头中的准直镜头，在卤素灯光源的辅助下，采集后部刮板机上运动煤或矸的反射信号，并通过Y形光纤中分支端，将采集的反射信号传输给光谱仪，利用微型计算机对光谱仪中的光谱数据进行分析，微型计算机通过光谱数据判断是否为顶板岩石，如果是顶板岩石，微型计算机发出指令通过液压支架控制放煤口关闭，反之，通过与微型计算机内数据库中的光谱数据进行模式匹配，对后部刮板机上经过准直镜头视场的煤或矸进行定性分析，在微型计算机中将煤矸种类赋值为：煤＝0，矸＝1；
③通过煤、矸的不断放出，刮板机上不断进行着煤和夹矸的交替，在微型计算机中进行0与1数值的累加，当0+1+0+1+0+1……≥x(x表示该放煤工作面的平均夹矸层数)时，则意味着放煤结束，微型计算机发出指令通过液压支架控制器控制放煤口的关闭，当不满足0+1+0+1+0+1……≥x时，返回步骤②。
所述支持向量机的核函数选用径向基核函数。
步骤二中微型计算机利用D-S证据理论对4个预测结果进行决策级融合的步骤如下：
A：将T2+1秒内采集的声音信号样本的支持向量机和BP神经网络输出结果分别记为a1和和b1，将T2+1秒内采集的振动信号样本的支持向量机和BP神经网络输出结果分别记为c1和d1；同理，将T2+2秒内采集的传感信号样本的输出结果即为a2、b2、c2和d2。
B：分别对同一采样时间内的4个输出结果进行归一化处理：
a11＝a1/(a1+b1+c1+d1)，
b11＝b1/(a1+b1+c1+d1)，
c11＝c1/(a1+b1+c1+d1)，
d11＝d1/(a1+b1+c1+d1)，
a22＝a2/(a2+b2+c2+d2)，
b22＝b2/(a2+b2+c2+d2)，
c22＝c2/(a2+b2+c2+d2)，
d22＝d2/(a2+b2+c2+d2)；
C：在D-S证据理论中，将T2+1和T2+2时刻的输出结果设为2条证据m1和m2，即：
Figure BDA0002830015050000081
归一化常数K＝a11×a22+b11×b22+c11×c22+d11×d22
则基于声音信号的支持向量机输出结果为a11×a22/K，
基于声音信号的BP神经网络输出结果为b11×b22/K，
基于振动信号的支持向量机输出结果为c11×c22/K，
基于振动信号的BP神经网络输出结果为d11×d22/K；
D：如果max{a11×a22/K，b11×b22/K，c11×c22/K，d11×d22/K}>0.5，则最终的识别结果记为放煤；反之，最终的识别结果记为放矸。
信号采集器设定的音频传感器采样频率为40KHz以上，振动传感器采样频率为5KHz以上，声音传感器为电容式传感器，振动传感器为电压型或电流型高频传感器。
分叉光纤采用Y形光纤，光纤合并段与集成探头上几何中心所嵌入的准直镜头连接，分叉光纤支端分别连接激光指示光源和光谱仪，激光指示光源能够对准直镜头所采集的范围进行指示以及对集成探头的安装倾斜角度进行协助调节。
本发明将煤矸识别方法与光谱识别方法进行有效结合，在使用时，微型计算机分别对传感数据、光谱数据进行分析，当任一个识别方法达到其各自的条件就控制液压支架停止放煤作业，相对于现有技术来讲，在很大程度上提高了煤矸识别精度，且本发明的煤矸识别方法不仅能适应能见度较好的工况，也能适应井下综放工作面工作环境恶劣，能见度低的工况。

Claims (5)

1.一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，包括以下步骤：
步骤一：安装煤矸识别装置和光谱识别装置，将煤矸识别装置安装在液压支架尾梁处，该煤矸识别装置包括矿用本安壳体和安装在本安壳体内的音频传感器、振动传感器、信号采集器、微型计算机以及本安型电源，音频传感器、振动传感器分别与信号采集器的信号输入端连接，信号采集器将采集到的信号通过网线传输至微型计算机进行处理和分析，微型计算机与液压支架控制器相连，液压支架控制器将微型计算机输出的煤矸识别结果做出相应的控制动作，液压支架控制器的信号输出端连接信号采集器，本安型电源为微型计算机供电；
光谱识别装置包括安装在液压支架下部及后部刮板机斜上方的集成探头，集成探头内设置有卤素灯光源和准直镜头，集成探头的信号输出端通过分叉光纤分别连接激光指示光源、光谱仪的信号输入端，光谱仪的信号输出端连接微型计算机；
步骤二：煤矸识别装置的识别方法为：
①在液压支架自动放煤前，先通过人工控制放煤的启停动作，时间记为T1，利用音频传感器、振动传感器和信号采集器采集相应的声音信号和振动信号，并将采集的信号传输至微型计算机进行处理和存储；
②微型计算机分别对放煤或放矸产生的声音信号和振动信号进行标记，若是放煤，则记为1，若是放矸，则记为0，同时将标记好的声音信号或振动信号每隔1s记为1个样本，并分别对采样时间为1秒的声音信号和振动信号进行信号分解、特征提取和特征筛选；
③微型计算机将带有标记的筛选后的特征进行存储，作为初始样本集分别对支持向量机和BP神经网络这两个分类器进行训练，当支持向量机和BP神经网络的测试误差大于设定阈值ε时，重新对采集到的样本数据分别对支持向量机和BP神经网络这两个分类器进行训练；当支持向量机和BP神经网络的测试误差小于设定阈值ε时，训练结束，此时，停止人工控制放煤启停动作，液压支架自动放煤开始，时间记为T2；
④液压支架自动放煤开始后，微型计算机分别对相邻两个采样时间内，即T2+1秒和T2+2秒的声音信号和振动信号进行信号分解、特征提取和特征筛选，并分别输入到第③步训练好的支持向量机和BP神经网络分类器，在T2+1秒和T2+2秒的采集样本可以得到4个预测结果；
⑤微型计算机利用D-S证据理论，将第④步得到的4个预测结果进行决策级融合，从而得到最终的煤矸识别结果；
⑥微型计算机将煤矸识别结果发送至液压支架控制器，当识别结果为矸石时，液压支架控制器发送停止放煤命令，液压支架尾梁伸出，放煤动作停止；
光谱识别装置的识别方法为：
①调节集成探头的倾斜角度，打开卤素灯光源照射后部刮板机上的运动煤矸，使卤素灯光源照射在后部刮板机中间位置；
②放煤开始后，液压支架上方的煤、矸在支架尾梁的摆动下滑落到后部刮板机上，位于刮板机上的集成探头中的准直镜头，在卤素灯光源的辅助下，采集后部刮板机上运动煤或矸的反射信号，并通过Y形光纤中分支端，将采集的反射信号传输给光谱仪，利用微型计算机对光谱仪中的光谱数据进行分析，微型计算机通过光谱数据判断是否为顶板岩石，如果是顶板岩石，微型计算机发出指令通过液压支架控制放煤口关闭，反之，通过与微型计算机内数据库中的光谱数据进行模式匹配，对后部刮板机上经过准直镜头视场的煤或矸进行定性分析，在微型计算机中将煤矸种类赋值为：煤＝0，矸＝1；
③通过煤、矸的不断放出，刮板机上不断进行着煤和夹矸的交替，在微型计算机中进行0与1数值的累加，当0+1+0+1+0+1……≥x时，其中，x表示该放煤工作面的平均夹矸层数，则意味着放煤结束，微型计算机发出指令通过液压支架控制器控制放煤口的关闭，当不满足0+1+0+1+0+1……≥x时，返回步骤②；
步骤二②中信号分解、特征提取和特征筛选的步骤如下：
A：采用经验模态分解EMD对原始声音信号和振动信号分别进行分解处理，每个原始信号可以得到若干个本征模态函数IMF，将原始声音信号的IMF个数记为m，原始振动信号的IMF个数记为n；
B：针对每种原始信号，计算各本征模态函数IMF的能量Ei、峭度κi与原始信号相关系数ζi，并对各参数进行归一化处理，分别记为CEi、Cκi、Cζi；
C：计算每个本征模态函数IMF的加权得分ρi＝α×CEi+β×Cκi+γ×Cξi，其中α+β+γ＝1，选择加权分最高的p个本征模态函数IMF进行后续特征提取；
D：针对每种原始引号，计算提取的p个本征模态函数IMF的归一化特征能量CEi和峭度Cκi，并作为支持向量机和BP神经网络的初始样本集；
所述支持向量机的核函数选用径向基核函数；
步骤二中支持向量机和BP神经网络的训练步骤如下：
A：参数设定，支持向量机中核函数参数和误差惩罚因子采用交叉验证法来确定，BP神经网络的输入层节点数为p，输出层节点数为1，隐含层节点数l满足
Figure QLYQS_1
q为0-10之间的常数，然后通过试凑法确定最佳节点数；
B：将T1-T2时间内的样本数量记为M，随机选择其中60％M个样本作为支持向量机和BP神经网络的训练样本集，其余作为测试样本集，并对训练好的支持向量机和BP神经网络模型进行测试；
C：当支持向量机和BP神经网络的测试精度小于设定阈值ε时，训练结束。
2.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，步骤二中微型计算机利用D-S证据理论对4个预测结果进行决策级融合的步骤如下：
A：将T2+1秒内采集的声音信号样本的支持向量机和BP神经网络输出结果分别记为a1和b1，将T2+1秒内采集的振动信号样本的支持向量机和BP神经网络输出结果分别记为c1和d1；同理，将T2+2秒内采集的传感信号样本的输出结果即为a2、b2、c2和d2；
B：分别对同一采样时间内的4个输出结果进行归一化处理：
a11＝a1/(a1+b1+c1+d1)，
b11＝b1/(a1+b1+c1+d1)，
c11＝c1/(a1+b1+c1+d1)，
d11＝d1/(a1+b1+c1+d1)，
a22＝a2/(a2+b2+c2+d2)，
b22＝b2/(a2+b2+c2+d2)，
c22＝c2/(a2+b2+c2+d2)，
d22＝d2/(a2+b2+c2+d2)；
C：在D-S证据理论中，将T2+1和T2+2时刻的输出结果设为2条证据m1和m2，即：
Figure QLYQS_2
Figure QLYQS_3
归一化常数K＝a11×a22+b11×b22+c11×c22+d11×d22
则基于声音信号的支持向量机输出结果为a11×a22/K，
基于声音信号的BP神经网络输出结果为b11×b22/K，
基于振动信号的支持向量机输出结果为c11×c22/K，
基于振动信号的BP神经网络输出结果为d11×d22/K；
D：如果max{a11×a22/K，b11×b22/K，c11×c22/K，d11×d22/K}>0.5，则最终的识别结果记为放煤；反之，最终的识别结果记为放矸。
3.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，信号采集器设定的音频传感器采样频率为40KHz以上，振动传感器采样频率为5KHz以上。
4.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，声音传感器为电容式传感器，振动传感器为电压型或电流型高频传感器。
5.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，分叉光纤采用Y形光纤，光纤合并段与集成探头上几何中心所嵌入的准直镜头连接，分叉光纤支端分别连接激光指示光源和光谱仪，激光指示光源能够对准直镜头所采集的范围进行指示以及对集成探头的安装倾斜角度进行协助调节。
CN202011439494.5A 2020-12-11 2020-12-11 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 Active CN112465063B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011439494.5A CN112465063B (zh) 2020-12-11 2020-12-11 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
PCT/CN2021/080195 WO2022121139A1 (zh) 2020-12-11 2021-03-11 一种基于多传感信息融合的放顶煤过程中煤矸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011439494.5A CN112465063B (zh) 2020-12-11 2020-12-11 一种基于多传感信息融合的放顶煤过程中煤矸识别方法

Publications (2)

Publication Number Publication Date
CN112465063A CN112465063A (zh) 2021-03-09
CN112465063B true CN112465063B (zh) 2023-05-23

Family

ID=74800592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011439494.5A Active CN112465063B (zh) 2020-12-11 2020-12-11 一种基于多传感信息融合的放顶煤过程中煤矸识别方法

Country Status (2)

Country Link
CN (1) CN112465063B (zh)
WO (1) WO2022121139A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465063B (zh) * 2020-12-11 2023-05-23 中国矿业大学 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
CN112990027A (zh) * 2021-03-22 2021-06-18 精英数智科技股份有限公司 一种基于高光谱图像的煤矸识别方法及装置
CN112950632B (zh) * 2021-04-18 2022-10-14 吉林大学 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法
CN113435497B (zh) * 2021-06-24 2022-07-01 桂林电子科技大学 基于硬度特性的煤岩界面多传感信息融合偏好识别方法
CN113283391B (zh) * 2021-06-28 2023-04-07 西安科技大学 一种综放开采放落过程复杂工况煤矸识别方法
CN114104666B (zh) * 2021-11-23 2024-07-05 西安华创马科智能控制系统有限公司 煤矸识别方法及煤矿运送系统
CN114935364B (zh) * 2022-05-13 2023-05-23 河北工业大学 基于多源信息融合的煤矸在线识别设备
CN115235676B (zh) * 2022-09-26 2022-12-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115841594B (zh) * 2022-12-07 2023-11-10 中国矿业大学(北京) 基于注意力机制的煤矸高光谱变图像域数据识别方法
CN115795369B (zh) * 2023-02-09 2023-05-26 西安华创马科智能控制系统有限公司 煤岩界面识别方法和装置
CN116612356B (zh) * 2023-06-02 2023-11-03 北京航空航天大学 一种基于深度学习网络的高光谱异常检测方法
CN116427923B (zh) * 2023-06-13 2023-09-05 三一重型装备有限公司 自适应截割方法、系统、掘进机、电子设备、介质和芯片
CN116698977B (zh) * 2023-08-07 2023-10-31 山东科技大学 一种基于声音信号的煤矸识别传感器及识别方法
CN117523495B (zh) * 2023-12-11 2024-08-09 西安科技大学 基于综放开采放煤口煤矸放落动态实时轻量化监测方法
CN117746904B (zh) * 2024-02-18 2024-04-26 百鸟数据科技(北京)有限责任公司 基于机器学习的森林盗猎监测方法及系统
CN118364289B (zh) * 2024-04-28 2024-09-06 中国矿业大学 一种基于电磁探测的煤矸识别方法
CN118378195B (zh) * 2024-06-21 2024-09-17 德耐尔能源装备有限公司 一种基于多源数据融合的螺杆空压机故障预测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001277932A1 (en) * 2000-07-21 2002-02-05 Ohio University System and method for identifying an object
WO2014137564A1 (en) * 2013-03-07 2014-09-12 Siemens Aktiengesellschaft Systems and methods for boosting coal quality measurement statement of related cases
CN106437713A (zh) * 2016-10-21 2017-02-22 山东科技大学 一种综放工作面自动化放煤装置及放煤过程识别方法
CN106885744B (zh) * 2017-03-06 2019-06-18 山东科技大学 一种用于煤矸石颗粒冲击的实验装置及方法
CN108561134B (zh) * 2018-04-13 2020-07-21 北京天地玛珂电液控制系统有限公司 综采放顶煤工作面自动放煤控制系统及方法
CN209577461U (zh) * 2018-12-10 2019-11-05 河南梦云智能科技有限公司 一种智能型矿石自动化分拣系统
CN110245635B (zh) * 2019-06-20 2023-08-04 安徽理工大学 一种煤和矸石的红外图像识别方法
CN110924946B (zh) * 2019-12-23 2024-05-14 中国矿业大学 一种基于光谱识别技术的放顶煤装置及其使用方法
CN111764902B (zh) * 2020-08-05 2021-09-14 天地科技股份有限公司 一种综采放顶煤工作面智能化放煤控制方法
CN111967745B (zh) * 2020-08-06 2023-10-24 中煤能源研究院有限责任公司 基于bp神经网络和概率统计的综采放煤时间智能确定方法
CN112465063B (zh) * 2020-12-11 2023-05-23 中国矿业大学 一种基于多传感信息融合的放顶煤过程中煤矸识别方法

Also Published As

Publication number Publication date
WO2022121139A1 (zh) 2022-06-16
CN112465063A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465063B (zh) 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
CN112858473B (zh) 一种基于特征融合的道岔尖轨伤损状态监测方法
CN111764902B (zh) 一种综采放顶煤工作面智能化放煤控制方法
CN110940539A (zh) 一种基于人工经验及声音识别的机器设备故障诊断方法
CN110378869A (zh) 一种样本自动标注的钢轨扣件异常检测方法
CN112660745B (zh) 托辊故障智能诊断方法、系统及可读存储介质
CN106198749B (zh) 一种基于金属裂纹监测的多路传感器的数据融合方法
CN112193959A (zh) 电梯异响检测方法及系统
WO2021027052A1 (zh) 面向神经网络模型的基于层间剖析的输入实例验证方法
CN113657221B (zh) 一种基于智能感知技术的电厂设备状态监测方法
CN112487708A (zh) 一种基于集成学习的电阻点焊质量预测方法
CN113566948A (zh) 机器人化煤机故障音频识别及诊断方法
CN116010826B (zh) 一种建筑工程的施工安全预警方法及系统
CN111724290B (zh) 基于深度分层模糊算法的环保设备识别方法与系统
CN207268608U (zh) 列车轮对尺寸动态检测系统
CN111337447B (zh) 一种煤矸仿生识别系统及方法
CN116342895B (zh) 基于ai处理的提升再生资源分拣效率的方法及系统
CN103674921A (zh) 基于k最近邻法煤矿井下突水水源预测的检测方法
KR20220127209A (ko) 설비 고장 예측 시스템 및 그 방법
CN114147740A (zh) 基于环境状态的机器人巡查规划系统及方法
CN117436704A (zh) 基于安全动作预测的电力施工行为安全检测方法
CN109446964A (zh) 基于端到端单级多尺度检测器的面部检测分析方法及装置
CN114324580A (zh) 一种结构缺陷的智能敲击检测方法及系统
CN111102006A (zh) 一种突出矿井抽掘采部署失调动态预警智能决策方法
CN111563886B (zh) 基于非监督特征学习的隧道钢轨表面病害检测方法及装置

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