煤矸界面的自动识别技术

本书建立了尾梁振动模型，提出了尾梁的振动行为具有统计规律，为后续的模式特征的提取及识别提供理论依据。然后针对尾梁振动信号，采用局域波方法处理信号，提取了反映煤矸界面的特征；针对声波信号，采用时间序列分析方法进行建模并提取特征。利用多种识别方法对信号进行识别，并对提高识别精度做了研究。 本书适用于从事煤矿机械、工业自动化领域工作的工程技术人员学习，也可以作为大中专院校相关专业的教学参考书。

综合机械化放顶煤开采是一种高产、高效的厚煤层开采方式，我国厚煤层储量占我国煤炭储量的44%左右，因此放顶煤技术的研究和推广对我国煤炭工业的发展具有特别重要的意义。如何根据煤炭放落程度控制放煤口放煤时间，是当今综合机械化放顶煤开采中遇到的难题。目前顶煤放落程度全部依靠人工目测来判断控制，由于采煤工作面灰尘大、条件恶劣，会给现场操作工人带来安全问题，且工人无法准确地控制放落时间，会造成过放或欠放问题，使煤质下降或者造成回收率下降。因此，煤矸界面识别技术十分重要，是实现准确控制放落程度的关键技术。
煤矸界面识别问题其实质是一个模式识别问题，根据现场信息识别是煤还是矸，因此包括数据采集、特征提取、模式分类三个关键环节。本书围绕这三个环节，开展了以下四方面的研究。
① 分析国内外煤矸界面识别的各种方法的优缺点，提出了基于液压支架尾梁振动信号和声波信号的分析方法。通过对尾梁的振动进行理论建模及分析，发现在煤和矸石下落随机冲击尾梁过程中，尾梁的振动行为无法用一固定的数学模型进行描述，提出尾梁的振动行为具有统计规律的观点，为后续的模式特征的提取及识别提供了理论依据。讨论了传感器的选择原则以及理想安装位置，组成了无线数据采集系统，确定了放顶煤煤矸界面识别实验数据采集方案。通过分析现场大量的数据，分别对比了传感器安装在液压支架尾梁不同部位的效果，寻求传感器最佳安装位置，并对液压支架进行了加工，以便传感器安装在最佳位置。在生产现场拾取振动和声波信号，为进一步离线分析煤矸界面识别特征提取提供了翔实的数据。
② 针对尾梁振动信号的非平稳性特点，采用局域波分解的方法对液压支架尾梁振动信号进行了分解并进行了进一步分析。首先利用经验模态分解法把振动信号分解成为固有模态分量，然后对各分量进行进一步分析对比，提取反映煤和矸石的特征参数，得到了三种不同的特征参数，即基于IMF分量的能量特征、基于IMF分量的峭度特征、基于IMF分量的波峰因子特征。最后对固有模态分量进行Hilbert变换，得到另外三种不同的特征，即基于振动信号的Hilbert谱能量特征、基于振动信号的Hilbert边际谱能量的特征、基于IMF分量的Hilbert边际谱能量的特征。分别利用IMF分量的能量、峭度和波峰因子特征，结合马氏距离统计判别法，对信号进行了识别，总体识别率均超过88%。
③ 利用时间序列分析方法对声波信号进行了分析，针对信号的特点，对数据进行了预处理，判断模型类型以及阶数，建立ARMA模型，得到模型的各参数，并对模型进行了验证。利用ARMA模型参数估计了两种声波信号的双谱，根据系统辨识的思想，提出采用对角线的能量曲线极大值数目的特征以及模型残差的方差的特征识别两种工况下的声波信号的方法。以残差的方差为特征，采用EWMA控制图方法对信号进行了识别，识别率达到了90%。
④ 根据所提取的振动信号和声波信号特征的特点，设计了BP神经网络结构。对五种改进的训练函数进行了对比，即动量BP算法、自适应学习率算法、QuasiNewton算法、弹性BP算法、LevenbergMarquardt算法。针对信号不同的特征分别设计了不同网络结构，包括网络层数、训练函数、激活函数、各层的节点数和隐层神经元的数目。通过样本数据训练得到最优BP神经网络，并对信号不同的特征参数进行了识别。其中，振动信号以各IMF的能量、峭度和波峰因子组成特征向量作为BP神经网络的输入，总体识别率高于马氏距离判别法。声波信号以ARMA模型残差的方差组成特征向量作为BP神经网络的输入，总体识别率高于EWMA控制图法。最后采用神经网络对振动信号和声波信号特征进行信息融合，对两种信号进行了识别，识别结果表明采用信息融合的方法比单独采用一种信号的识别方法具有更高的识别率。
本书由山东交通学院王保平、王永娟撰写，书中的研究成果受到山东省交通建设装备与智能控制工程实验室、山东交通学“院攀登计划”重点科研创新团队——高端装备与智能制造（sdjtuc18005）、山东省中小企业创新项目提升： 水泥净浆洒布车研发与样机试验（2021TSGC1441）、山东省高等学校青创科技支持计划项目：浅海用无人智能捕捞机器人的研制（2019KJB014）的资助。
由于笔者水平有限，书中难免存在不足之处，欢迎广大读者批评指正。

著者

《煤矸界面的自动识别技术》分为5章，主要内容包括：煤矸界面的自动识别技术研究概述、尾梁振动分析及实验系统、基于局域波分解的振动信号特征提取与识别、声波信号的时间序列建模与分析、BP神经网络在煤矸界面识别中的应用。本书建立了尾梁振动模型，提出了尾梁的振动行为具有统计规律，为后续的模式特征的提取及识别提供理论依据。然后针对尾梁振动信号，采用局域波方法处理信号，提取了反映煤矸界面的特征；针对声波信号，采用时间序列分析方法进行建模并提取特征。最后，利用多种识别方法对信号进行识别，并对提高识别精度做了研究。
本书适用于从事煤矿机械、工业自动化领域工作的工程技术人员学习，也可以作为大中专院校相关专业的教学参考书。

第1章　煤矸界面的自动识别技术研究概述 001
1.1　研究背景与意义 002
1.2　国内外煤矸界面识别研究现状 004
1.2.1　国外煤矸界面识别研究现状 006
1.2.2　国内煤矸界面识别研究现状 011
1.2.3　目前煤矸界面识别存在的问题 013
1.3　本书研究方法和主要内容 014

第2章　尾梁振动分析及实验系统 017
2.1　尾梁的振动分析 018
2.1.1　尾梁的自由振动 018
2.1.2　尾梁的受迫振动 020
2.2　信号的拾取 022
2.2.1　传感器的选用原则 022
2.2.2　振动信号传感器 023
2.2.3　声波信号传感器 024
2.3　实验系统概述及传感器安装 025
2.4　煤矸界面自动识别原理 030
2.5　现场综放工作面 031

第3章　基于局域波分解的振动信号特征提取与识别 035
3.1　Hilbert 变换 037
3.1.1　连续信号的Hilbert 变换 037
3.1.2　离散时间信号的Hilbert 变换 040
3.2　瞬时频率和固有模态函数 041
3.3　局域波分解过程 044
3.3.1　均值求法 044
3.3.2　分量提取 048
3.4　基于局域波分解的尾梁振动信号分析 049
3.4.1　尾梁振动信号的局域波分解 050
3.4.2　基于局域波分解的煤矸界面特征提取方法 052
3.4.3　振动信号的Hilbert 谱和边际谱分析 058
3.4.4　振动信号的距离判别方法 064

第4章　声波信号的时间序列建模与分析 071
4.1　时间序列基本原理 073
4.2　时间序列模型类型 075
4.2.1　AR 自回归模型 075
4.2.2　MA 滑动平均模型 076
4.2.3　ARMA 自回归滑动平均模型 076
4.2.4　ARIMA 自回归综合滑动平均模型 078
4.3　煤矸声波信号的时序建模 079
4.3.1　数据预处理 081
4.3.2　判定模型类型 083
4.3.3　模型参数估计 085
4.3.4　模型阶数 086
4.3.5　模型验证 089
4.4　基于ARMA 模型的双谱分析及其特征 092
4.5　基于ARMA 模型残差方差的煤矸界面特征 096

第5章　BP神经网络在煤矸界面识别中的应用 099
5.1　神经元模型和学习方式 100
5.1.1　人工神经元模型 101
5.1.2　学习方式及算法 103
5.2　振动信号的BP神经网络识别 103
5.2.1　BP 神经网络的设计 104
5.2.2　振动信号的识别 110
5.3　声波信号的BP神经网络识别 112
5.4　基于信息融合的识别方法 113

附录1　emd 分量峰值程序 117

附录2　边际谱分析程序 118

附录3　峰值函数程序 122