CN115795369A - 煤岩界面识别方法和装置 - Google Patents

Abstract

本发明实施例提供了一种煤岩界面识别方法和装置，所述方法包括：获取当前振动信号；通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。

Description

煤岩界面识别方法和装置

技术领域

本发明涉及煤岩识别技术领域，尤其涉及一种煤岩界面识别方法和装置。

背景技术

煤岩界面识别技术是当前制约煤炭智能开采的关键难题。相关技术中，通过分析振动信号频率，根据当前煤矿的地质情况，结合采煤过程中对煤石比的要求，得出振动或声波频率的限值，当振动或声波频率超过限值时，即认为设备已进入岩石层；或者，将红外线和紫外线两种光源同时照射到采煤面煤壁上，通过高清摄像机对反射的图像进行拍摄，通过计算机分析两种光针对岩石和煤反射的光源光谱变化，利用图像处理技术对煤与岩石进行区分。

在上述采用分析振动信号频率的相关技术中，振动信号频率与多种煤岩属性参数和环境条件参数均相关，并且振动信号还包含综采设备的振动；在上述采用图像识别的相关技术中，要求图像必须完整清晰，但由于实际采煤面的复杂环境中存在水雾、暗光、闪光灯等综合不利条件，严重影响识别精度。此外，采煤过程中的振动会导致图像中含有大量的背景噪点，同样影响图像特征提取的效果。因此，上述相关技术均无法准确识别工作面煤岩界面分布情况，从而导致煤炭生产效率低下。

发明内容

本发明的一个目的在于提供一种煤岩界面识别方法，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。本发明的另一个目的在于提供一种煤岩界面识别装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。

为了达到以上目的，本发明一方面公开了一种煤岩界面识别方法，包括：

获取当前振动信号；

通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

优选的，获取当前振动信号，包括：

通过振动传感器获取当前振动信号，振动传感器设置于液压支架的顶梁柱窝上。

优选的，在通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果之前，还包括：

对当前振动信号进行信号识别预处理，得到预处理后的当前振动信号。

优选的，对当前振动信号进行信号识别预处理，得到预处理后的当前振动信号，包括：

通过信号放大器，对当前振动信号进行信号放大，得到放大后的当前振动信号；

对放大后的当前振动信号进行重采样，得到预处理后的当前振动信号。

优选的，方法还包括：

获取原始振动信号；

对原始振动信号进行信号训练预处理，得到样本振动信号；

根据样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型。

优选的，对原始振动信号进行信号训练预处理，得到样本振动信号，包括：

通过信号放大器，对原始振动信号进行信号放大，得到放大振动信号；

对放大振动信号进行重采样，得到样本振动数据；

对样本振动数据添加煤岩标签，得到样本振动信号。

优选的，深度学习算法包括有监督的深度学习算法，样本振动信号包括割煤信号和割岩信号；

根据样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型，包括：

根据割煤信号和割岩信号，通过有监督的深度学习算法进行训练，得到第一识别模型。

优选的，深度学习算法包括无监督的深度学习算法，样本振动信号包括割煤信号；

根据样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型，包括：

根据割煤信号，通过无监督的深度学习算法进行训练，得到第二识别模型。

优选的，在通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果之后，还包括：

根据当前截割煤岩界面的识别结果，匹配出采煤机滚筒的截割策略；

按照截割策略，控制采煤机滚筒进行割煤操作。

本发明还公开了一种煤岩界面识别装置，包括：

第一获取单元，用于获取当前振动信号；

煤岩界面识别单元，用于通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。

本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。

本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。

本发明获取当前振动信号；通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种煤岩界面识别方法的流程图；

图2为本发明实施例提供的又一种煤岩界面识别方法的流程图；

图3为本发明实施例提供的一种煤岩界面识别装置的结构示意图；

图4为本发明实施例提供的一种计算机设备的结构示意图。

附图标记说明：

11-第一获取单元；

12-煤岩界面识别单元；

13-信号识别预处理单元；

14-第二获取单元；

15-信号训练预处理单元；

16-模型训练单元；

17-匹配单元；

18-控制单元；

600-计算机设备；

601-中央处理单元（CPU）；

602-只读存储器（ROM）；

603-随机访问存储器（RAM）；

604-总线；

605-输入/输出（I/O）接口；

606-输入部分；

607-输出部分；

608-存储部分；

609-通信部分；

610-驱动器；

611-可拆卸介质。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本申请提供的技术方案，下面先对本申请技术方案的相关内容进行说明。在煤矿综合机械化采煤中，采煤机应该尽可能地避免割到岩石，从而降低割岩时造成的采煤机振动，减少截齿的磨损，提高煤岩比，降低后续分选的工作量，提高煤炭生产效率。因此高效的煤岩界面识别方法研究，提高煤炭产出率与质量，是当前煤炭行业的重要科学导向。

作为实现煤矿智能化建设，提高煤层探测、智能开采、快速分选精度和效率的关键技术，煤岩识别关键在于寻找煤岩的属性差别，根据不同方法分为红外成像识别法、反射光谱识别法、振动识别法、过程信号监测识别法等。但在工作面实际生产过程中，识别效果受煤岩种类分布复杂多样化、开采过程受力复杂、井下环境影响因素的干扰。因此，针对复杂多变的地质条件设计一种高效、可靠的煤岩界面识别方法已经成为煤炭智能化开采的关键。

本发明以采煤机滚筒截齿截割煤岩所产生的振动信号为研究对象，围绕煤岩界面识别技术的特点和需求，以提高煤岩识别精确度为核心目标，提出了一种煤岩界面识别方法，通过采集振动信号并对振动信号进行信号训练预处理，按照实际工况选取由两种不同算法分别构建的第一识别模型和第二识别模型对预处理后的振动信号进行煤岩识别，得到识别结果，从而根据识别结果采取截割策略，控制采煤机滚筒按照截割策略执行割煤操作，从而降低采煤机振动，减少采煤机截齿磨损，降低岩石占比，有效提高煤炭生产效率。

下面以煤岩界面识别装置作为执行主体为例，说明本发明实施例提供的煤岩界面识别方法的实现过程。可理解的是，本发明实施例提供的煤岩界面识别方法的执行主体包括但不限于煤岩界面识别装置。

图1为本发明实施例提供的一种煤岩界面识别方法的流程图，如图1所示，该方法包括：

步骤101、获取当前振动信号。

步骤102、通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

值得说明的是，本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。

本发明实施例提供的技术方案中，获取当前振动信号；通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。

图2为本发明实施例提供的又一种煤岩界面识别方法的流程图，如图2所示，该方法包括：

步骤201、通过振动传感器获取当前振动信号，振动传感器设置于液压支架的顶梁柱窝上。

本发明实施例中，各步骤由煤岩界面识别装置执行。

本发明实施例中，当前振动信号是采煤机在当前时刻进行截割产生的振动信号，振动传感器能够实时采集到当前振动信号。

本发明实施例中，基于振动传感器和液压支架的形状，将振动传感器安装于液压支架的顶梁柱窝上，顶梁柱窝的位置是采集振动信号的理想位置，实时采集采煤机当前截割产生的振动信号，并且采集到的振动信号的质量较高。

步骤202、对当前振动信号进行信号识别预处理，得到预处理后的当前振动信号。

本发明实施例中，步骤202具体包括：

步骤2021、通过信号放大器，对当前振动信号进行信号放大，得到放大后的当前振动信号。

本发明实施例中，振动传感器与信号放大器通信连接，信号放大器通过线缆与控制器通信连接，控制器与上位机通信连接。控制器用于将振动信号传输至上位机，以供上位机对振动信号进行后续处理。上位机对振动信号进行煤岩识别，根据识别结果控制采煤机，具体为上位机直接控制采煤机摇臂高度和截割速度。具体地，将当前振动信号发送至信号放大器进行信号放大。

进一步地，将放大后的当前振动信号通过线缆发送至控制器，控制器将放大后的当前振动信号发送至上位机，以供上位机对当前振动信号进行存储和后续的煤岩界面识别。

本发明实施例中，信号放大器具备放大信号及滤波功能和零电平自校准功能。放大后的当前振动信号消除了数字干扰，消除了不同增益和滤波状态下的零点误差，提高了当前振动信号的信号质量。

步骤2022、对放大后的当前振动信号进行重采样，得到预处理后的当前振动信号。

本发明实施例中，放大后的当前振动信号是存储于上位机的一维振动信号，按照预设的重采样时间间隔，对放大后的当前振动信号进行重采样，得到预处理后的当前振动信号。作为一种可选方案，重采样时间间隔为0.25秒（s）。

步骤203、构建煤岩界面识别模型。

本发明实施例中，步骤203具体包括：

步骤2031、获取原始振动信号。

具体地，通过振动传感器获取原始振动信号，振动传感器设置于液压支架的顶梁柱窝上。原始振动信号是采煤机在截割过程中产生的振动信号。

步骤2032、对原始振动信号进行信号训练预处理，得到样本振动信号。

具体地，通过信号放大器，对原始振动信号进行信号放大，得到放大振动信号；对放大振动信号进行重采样，得到样本振动数据；对样本振动数据添加煤岩标签，得到样本振动信号。

其中，放大振动信号是存储于上位机的一维振动信号，按照预设的重采样时间间隔，对放大振动信号进行重采样，得到样本振动数据。作为一种可选方案，重采样时间间隔为0.25秒（s）。

其中，根据现场的人工记录，对样本振动数据添加煤岩标签，得到样本振动信号。煤岩标签包括割煤标签和割岩标签，添加了割煤标签的样本振动信号为割煤信号，添加了割岩标签的样本振动信号为割岩信号。作为一种可选方案，割煤信号记为0，割岩信号记为1。

步骤2033、根据样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型。

本发明实施例中，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，在实际应用中，可以根据实际工况调用相应的识别模型进行煤岩界面识别。下面分别对第一识别模型和第二识别模型的构建过程进行详细说明：

构建第一识别模型：

本发明实施例中，在构建第一识别模型的过程中，深度学习算法包括有监督的深度学习算法，样本振动信号包括割煤信号和割岩信号。

本发明实施例中，根据割煤信号和割岩信号，通过有监督的深度学习算法进行训练，得到第一识别模型。作为一种可选方案，有监督的深度学习算法为卷积神经网络（CNN）。具体地，将割煤信号和割岩信号作为训练样本，输入卷积神经网络（CNN）进行模型训练，通过卷积计算将振动信号数据映射至隐层特征空间，寻找割煤信号和割岩信号的深度特征之间的差异，最终输出当前信号的状态标签。CNN模型训练具体公式如下所示：

。

。

其中，

为激活函数，l为当前网络层，w_l和b_l为当前网络层的参数，y_l为当前网络层的输出结果，y_l-1为前一个网络层的输出结果；Loss_MSE为目标损失函数，m为训练样本个数，y_i为振动信号在模型的最终输出结果，Y_l代表该振动信号的真实标签值。

进一步地，保存训练好的第一识别模型的结构及其对应的网络参数，以供后续应用。

值得说明的是，第一识别模型只是算法技术方案一中较佳的具体实施方式，但本发明的保护范围并不局限于此，其他基于CNN的网络模型，例如LeNet、AlexNet以及VGGNet等同样可以完成本发明的目的，也应涵盖在本发明的保护范围之内。

本发明实施例中，第一识别模型是基于有监督的深度学习算法训练得到的，训练集需要割煤信号和割岩信号两种，为进一步降低数据标注的工作，基于无监督的深度学习算法训练构建第二识别模型。

构建第二识别模型：

本发明实施例中，在构建第二识别模型的过程中，深度学习算法包括无监督的深度学习算法，样本振动信号包括割煤信号。

本发明实施例中，根据割煤信号，通过无监督的深度学习算法进行训练，得到第二识别模型。作为一种可选方案，无监督的深度学习算法为深度自编码（DAE）。具体地，将割煤信号作为训练样本，输入深度自编码（DAE）进行模型训练，自动生成阈值n。DAE模型训练的思路是利用输入数据本身作为监督，来指导神经网络学习一个映射关系，从而得到一个重构输出。因此，根据割煤信号，基于DAE训练出来的第二识别模型，能够将割煤信号重构还原，但对割岩信号的重构误差较大。第二识别模型训练时的目标损失函数如下所示：

。

其中，m为训练样本个数，W和b分别为第二识别模型的权重与偏置，

为输入数据，

为重构结果，

为目标损失函数。

进一步地，保存训练好的第二识别模型的结构及其对应的模型参数，以供后续应用。

进一步地，在后续应用中，可以根据实际煤岩数据对第二识别模型进行周期性更新，以提高第二识别模型的准确性。

值得说明的是，第二识别模型只是算法技术方案一中较佳的具体实施方式，但本发明的保护范围并不局限于此，其他各种基于DAE的模型的变体，例如：去噪自编码器、收缩自编码器、稀疏自编码器以及变分自编码器等同样可以完成本发明的目的，也应涵盖在本发明的保护范围之内。

值得说明的是，第一识别模型和第二识别模型均能够有效地识别振动信号是割煤信号还是割岩信号，在后续应用过程中，对第一识别模型和第二识别模型分别设置对应的调用接口，不同工作面能够根据自己工作面的煤岩附着条件自行选择合适的煤岩界面识别模型。

步骤204、通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果。

本发明实施例中，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。在实际应用过程中，可以根据实际工况选择合适的煤岩界面识别模型。作为一种可选方案，可以根据当前工作面获取割岩训练数据的难易程度，从而选择煤岩界面识别模型。

具体地，若选择第一识别模型，则通过设置的第一识别模型对应的调用接口调用第一识别模型；将当前振动信号输入第一识别模型进行煤岩界面识别，输出当前截割煤岩界面的识别结果。若当前截割煤岩界面的识别结果为割岩，表明采煤机正在截割的界面是岩，采煤机的截割状态为割岩；若当前截割煤岩界面的识别结果为割煤，表明采煤机正在截割的界面是煤，采煤机的截割状态为割煤。

本发明实施例中，第一识别模型是基于有监督的深度学习算法，该算法避免了传统信号分析复杂的特征提取过程，直接采用所采集到的振动信号作为模型的输入，可以有效地学习到割煤信号、割岩信号在统一特征的属性差别，进而提高煤岩界面识别的准确率。

具体地，若选择第二识别模型，则通过设置的第二识别模型对应的调用接口调用第二识别模型；将当前振动信号输入第二识别模型进行煤岩界面识别，第二识别模型具备训练时生成的阈值n，根据当前振动信号的重构误差和阈值n，输出当前截割煤岩界面的识别结果。若当前振动信号的重构误差大于或等于阈值n，输出当前截割煤岩界面的识别结果为割岩，表明采煤机正在截割的界面是岩，采煤机的截割状态为割岩；若当前振动信号的重构误差小于阈值n，输出当前截割煤岩界面的识别结果为割煤，表明采煤机正在截割的界面是煤，采煤机的截割状态为割煤。

本发明实施例中，第二识别模型是基于无监督的深度学习算法，不同于CNN，该算法只需要割煤信号参与模型的训练，一定程度上减少了数据标注的工作。除此之外，通过阈值的方式，可以更为直观地判别当前采煤机的截割状态。

本发明提出了两种不同的煤岩界面识别模型，以满足不同工作面工况下的需求。这两种模型都可以实时对当前采煤机的截割状态进行判断，最终通过调整滚筒截割路径，在减少设备损伤的同时，降低岩石占比，提高煤炭生产效率。

步骤205、根据当前截割煤岩界面的识别结果，匹配出采煤机滚筒的截割策略。

本发明实施例中，根据当前截割煤岩界面的识别结果，设置有不同的采煤机滚筒的截割策略。值得说明的是，截割策略可以根据实际工况进行设置，本发明实施例对此不作限定。作为一种可选方案，若当前截割煤岩界面的识别结果为割岩，对应的截割策略包括调整采煤机的截割速度和/或通过调整采煤机摇臂高度控制采煤机滚筒的截割路径；若当前截割煤岩界面的识别结果为割煤，对应的截割策略包括按照原路径继续截割。

步骤206、按照截割策略，控制采煤机滚筒进行割煤操作。

本发明实施例中，上位机按照截割策略，控制采煤机滚筒进行割煤操作。具体地，若截割策略为通过调整采煤机摇臂高度控制采煤机滚筒的截割路径，则上位机按照预设高度控制采煤机的摇臂高度继续执行割煤操作，减少割岩对机械造成的损伤。

本发明实施例提供的煤岩界面识别方法的技术方案中，获取当前振动信号；通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。

图3为本发明实施例提供的一种煤岩界面识别装置的结构示意图，该装置用于执行上述煤岩界面识别方法，如图3所示，该装置包括：第一获取单元11和煤岩界面识别单元12。

第一获取单元11用于获取当前振动信号。

煤岩界面识别单元12用于通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

本发明实施例中，第一获取单元11具体用于通过振动传感器获取当前振动信号，振动传感器设置于液压支架的顶梁柱窝上。

本发明实施例中，该装置还包括：信号识别预处理单元13。

信号识别预处理单元13用于对当前振动信号进行信号识别预处理，得到预处理后的当前振动信号。

本发明实施例中，信号识别预处理单元13具体用于通过信号放大器，对当前振动信号进行信号放大，得到放大后的当前振动信号；对放大后的当前振动信号进行重采样，得到预处理后的当前振动信号。

本发明实施例中，该装置还包括：第二获取单元14、信号训练预处理单元15和模型训练单元16。

第二获取单元14用于获取原始振动信号。

信号训练预处理单元15用于对原始振动信号进行信号训练预处理，得到样本振动信号。

模型训练单元16用于根据样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型。

本发明实施例中，信号训练预处理单元15具体用于通过信号放大器，对原始振动信号进行信号放大，得到放大振动信号；对放大振动信号进行重采样，得到样本振动数据；对样本振动数据添加煤岩标签，得到样本振动信号。

本发明实施例中，深度学习算法包括有监督的深度学习算法，样本振动信号包括割煤信号和割岩信号；模型训练单元16具体用于根据割煤信号和割岩信号，通过有监督的深度学习算法进行训练，得到第一识别模型。

本发明实施例中，深度学习算法包括无监督的深度学习算法，样本振动信号包括割煤信号；模型训练单元16具体用于根据割煤信号，通过无监督的深度学习算法进行训练，得到第二识别模型。

本发明实施例中，该装置还包括：匹配单元17和控制单元18。

匹配单元17用于根据当前截割煤岩界面的识别结果，匹配出采煤机滚筒的截割策略。

控制单元18用于按照截割策略，控制采煤机滚筒进行割煤操作。

本发明实施例的方案中，获取当前振动信号；通过预先构建的煤岩界面识别模型，根据当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型，通过深度学习算法训练得到的煤岩界面识别模型，对当前振动信号进行煤岩界面识别，能够准确区分割煤信号和割岩信号，从而基于识别结果调整采煤机摇臂高度和截割速度，极大提高煤炭生产效率。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述煤岩界面识别方法的实施例的各步骤，具体描述可参见上述煤岩界面识别方法的实施例。

下面参考图4，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。

如图4所示，计算机设备600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶反馈器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种煤岩界面识别方法，其特征在于，所述方法包括：

获取当前振动信号；

通过预先构建的煤岩界面识别模型，根据所述当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，所述煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

2.根据权利要求1所述的煤岩界面识别方法，其特征在于，所述获取当前振动信号，包括：

通过振动传感器获取当前振动信号，所述振动传感器设置于液压支架的顶梁柱窝上。

3.根据权利要求1所述的煤岩界面识别方法，其特征在于，在所述通过预先构建的煤岩界面识别模型，根据所述当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果之前，还包括：

对所述当前振动信号进行信号识别预处理，得到预处理后的当前振动信号。

4.根据权利要求3所述的煤岩界面识别方法，其特征在于，所述对所述当前振动信号进行信号识别预处理，得到预处理后的当前振动信号，包括：

通过信号放大器，对所述当前振动信号进行信号放大，得到放大后的当前振动信号；

对所述放大后的当前振动信号进行重采样，得到预处理后的当前振动信号。

5.根据权利要求1所述的煤岩界面识别方法，其特征在于，所述方法还包括：

获取原始振动信号；

对所述原始振动信号进行信号训练预处理，得到样本振动信号；

根据所述样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型。

6.根据权利要求5所述的煤岩界面识别方法，其特征在于，所述对所述原始振动信号进行信号训练预处理，得到样本振动信号，包括：

通过信号放大器，对所述原始振动信号进行信号放大，得到放大振动信号；

对所述放大振动信号进行重采样，得到样本振动数据；

对所述样本振动数据添加煤岩标签，得到样本振动信号。

7.根据权利要求5所述的煤岩界面识别方法，其特征在于，所述深度学习算法包括有监督的深度学习算法，所述样本振动信号包括割煤信号和割岩信号；

所述根据所述样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型，包括：

根据所述割煤信号和割岩信号，通过所述有监督的深度学习算法进行训练，得到第一识别模型。

8.根据权利要求5所述的煤岩界面识别方法，其特征在于，所述深度学习算法包括无监督的深度学习算法，所述样本振动信号包括割煤信号；

所述根据所述样本振动信号，通过深度学习算法进行模型训练，得到煤岩界面识别模型，包括：

根据所述割煤信号，通过所述无监督的深度学习算法进行训练，得到第二识别模型。

9.根据权利要求1所述的煤岩界面识别方法，其特征在于，在所述通过预先构建的煤岩界面识别模型，根据所述当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果之后，还包括：

根据所述当前截割煤岩界面的识别结果，匹配出采煤机滚筒的截割策略；

按照所述截割策略，控制采煤机滚筒进行割煤操作。

10.一种煤岩界面识别装置，其特征在于，所述装置包括：

第一获取单元，用于获取当前振动信号；

煤岩界面识别单元，用于通过预先构建的煤岩界面识别模型，根据所述当前振动信号进行煤岩界面识别，得到当前截割煤岩界面的识别结果，所述煤岩界面识别模型包括通过有监督的深度学习算法训练得到的第一识别模型或通过无监督的深度学习算法训练得到的第二识别模型。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至9任一项所述的煤岩界面识别方法。

12.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至9任一项所述的煤岩界面识别方法。

13.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至9任一项所述的煤岩界面识别方法。

Images