基于拉拔试验的煤岩组合锚固体分时破裂演化规律研究

为揭示煤岩组合锚固体拉拔过程中分时破裂演化规律，基于数值仿真方法验证倾斜煤岩分界面煤岩组合锚固体存在分时破裂现象的基础上，进行了锚杆拉拔试验，研究了不同拉拔速率和煤岩分界面不同倾角条件下煤岩组合锚固体分时破裂演化规律。结果表明：煤岩分界面倾角为0时，拉拔速率的增大虽然会降低煤岩组合锚固体整体破坏脱黏时间，但对煤体与岩体之间分时破裂并无明显影响。相比于拉拔速率，煤岩分界面倾角对煤岩组合锚固体分时破裂影响显著，当煤岩分界面倾角小于45°时，煤岩组合锚固体整体破坏脱黏所需时间较长，使得煤体与岩体之间分时破裂差异更加明显，间隔时间约34 s;当煤岩分界面倾角增大至60°时，煤岩组合锚固体整体破坏脱黏所需时间大幅减小，煤体与岩体之间分时破裂差异性显著减小，间隔时间降低至约24 s。     

基于图像的煤岩界面识别技术研究

由于矿井的环境复杂、煤岩赋存条件不同,使得煤岩界面识别成为国际上的一大难题。文章从煤炭开采对煤岩界面识别的需求出发,简述了基于图像的煤岩界面识别技术的研究现状,并对各类方法的适应条件进行分析。提出将基于图像的三维建模方法和关注煤与岩石不同介电特性的方法相结合,对煤岩界面进行纵向可视化,从而更加高效地控制采煤机头的运动。最后,探讨了煤岩界面识别技术的潜在应用,并指出摄像头安装位置的重要性。     

基于图像识别的煤岩界面识别方法研究

采掘工作面是煤矿事故多发地点.减少煤矿采掘工作面作业人员既是煤矿安全生产的需要,又是减轻作业人员劳动强度和改善作业环境的需要.煤岩界面识别是实现无人采煤的关键技术之一.研究了用于无人采煤工作面等的煤岩界面识别方法,指出了现有煤岩界面识别方法存在的问题.提出了基于可见光图像和红外图像识别的煤岩界面识别方法:提取色彩、灰度...     

基于VMD的多相介质超声回波检测技术

提取多相介质中有效超声回波信号是实现煤岩界面识别的关键技术。利用超声波探测煤岩介质所获取的回波信噪比低且为非平稳、非线性信号,难以有效准确的获取煤岩界面的回波波形,进而无法有效判断煤岩分界面。传统的小波分析手段需要根据信号特点选取特定的小波基,EMD,EEMD等自适应信号分解方法存在模态混叠及虚假分量等现象。提出利用VMD(变分模态分解)分析超声回波信号的组成成分,准确获取煤岩界面的首次回波的波形与时间,以达到识别不同介质界面和判断介质相关参数的目的。模拟仿真及实验表明,VMD可实现更优化的信号分解效果,实现对煤岩界面首波波形和首波时间的检测,达到准确识别以煤岩介质为代表的多相介质分界面的目的。     

煤岩界面识别技术研究

煤岩界面识别系统是综采工作面智能化生产的重要环节,总结了目前国内外各种煤岩界面识别的技术方法,分析了各种方法的优缺点及其应用场合,展望了未来煤岩界面识别技术的发展方向,对煤矿的智能化生产具有重要意义。     

煤岩界面的模糊识别

提出模糊识别煤岩界面的方法，并研究基于切割负载力的煤岩界面在线辨识。     

自组织竞争神经网络在采煤机煤岩界面模式识别中的应用

采煤机煤岩界面识别技术是实现采煤工作面自动化的关键技术之一。利用自组织竞争神经网络对采煤机煤岩界面模式识别进行仿真分析,结果表明,自组织竞争神经网络能对输入向量模式进行正确分类,并能很好地解决采煤机煤岩界面模式识别问题,从而为采煤机煤岩模式识别器的改进提供了技术参考。     

急倾斜水平分段综放开采双轮间隔放煤煤岩分界面形态研究

利用散体石子和矸石颗粒进行散体顶煤放出相似模拟试验,分析了急倾斜水平分段综放开采双轮间隔放煤条件下的煤岩分界面形态特征,得出了不同放煤轮数、不同放煤支架下的煤岩分界面特征。其特征主要表现为:放煤形成左、右2条煤岩分界面,右煤岩分界面始终保持斜率随高度增加逐渐减小的曲线形态;左煤岩分界面形态由曲线向"山峰状"再向"几"字形态发育;最终受煤岩分界面影响形成的永久残煤区域主要有2大部分,即底板处的"锅盖"形区域残煤和支架上方的"几"字形残煤区域。     

基于改进S变换的煤岩界面超声反射信号处理

煤岩识别技术是实现煤矿综采工作面智能化和无人化的关键技术之一。准确分解超声波检测煤岩界面的混叠严重的回波信号方法是研究的重点和难点。分析不同窗函数调节参数对时频分辨率的影响,提出一种改进的S变换,建立非对称高斯调制模型的多重回波混叠信号,采用改进S变换方法对超声波检测煤岩界面的仿真与实验反射回波信号进行处理,采用时间幅值包络曲线方法分离混叠回波。研究结果表明,改进S变换方法具有更好的时频分辨率及时频聚集性,可有效分离煤岩界面的混叠反射回波,获得较准确地超声波煤岩界面反射回波的到达时间,从而,为煤岩界面的识别提供技术支撑。     

煤岩单体及原生组合体变形损伤特性对比试验研究

研究煤岩组合体在不同应力条件下的变形损伤规律,对揭示矿山动力灾害机制具有重要 意义。 在单轴加载条件下,分析原生煤岩组合体、人工煤岩组合体及煤岩单体应力-应变规律,通 过采集加载过程中试样声发射行为信息,初步探究原生煤岩组合体损伤破坏规律。 对比分析发 现:① 煤岩组合体界面的差异对煤岩组合体力学性质、声发射特征具有较大影响;② 单轴加载条 件下4种试样抗压强度依次为:岩样>人工煤岩组合体试样>原生煤岩组合体试样>煤样;③ 组 合体受载变形和峰值强度受介质间界面条件、弹性模量及尺寸效应等多重因素影响;④ 原生煤 岩组合体在加载屈服破坏阶段内部裂隙发育贯通现象相对活跃,且早期损伤主要发生在原生煤 岩组合体界面或附近煤岩体。     

基于字典学习的煤岩图像特征提取与识别方法

现今的煤岩图像识别方法取得了一些阶段性的成果,但还无法满足实际需求。为了挖掘新的煤岩图像识别方法,研究了基于字典学习的煤岩图像特征提取与识别技术,提出用字典学习算法提取煤岩图像特征。字典学习算法采用随机选择的方法对字典进行初始化和更新。结合分类算法对煤岩图像进行分类识别,结果表明:通过字典学习,能简单有效表达煤岩图像的特征信息,获得了较高的识别率,且该特征提取方式具有较好的发展前景。研究结果可为煤岩界面的自动识别提供新的思路和方法。     

煤岩界面识别的关键状态参数

阐述了通过截割状态监测进行煤岩界面识别的原理。理论分析表明,拾取振动、电流、扭矩、压力及扭振等截割状态信号,经过特征提取与信息融合可进行煤岩界面辨识。     

基于高斯混合聚类的煤岩识别技术研究

根据煤矿工作面煤与岩石的性状不同，基于聚类分析的基本原理、应用高斯混合模型、借助数字图像处理技术，对工作面的煤岩界面图像进行了分析和研究，提出了一种基于高斯混合聚类算法的煤岩识别技术。应用过程为通过布置工作面采集装置、采集工作面煤岩数据，应用不同的图像处理技术手段分析工作面煤岩数据、计算工作面煤岩分界数据。经测实验证，高斯混合聚类算法的技术手段能够为部分煤矿工作面煤岩界面识别的研究提供参考。     

黏弹性VTI煤层介质超声波传播模型建立与分析

煤岩界面自动识别是深部煤层无人采掘装备自主控制中的关键技术。利用煤和岩声阻抗的差异性,采用超声波检测煤层厚度达到识别煤岩界面的目的。以Kelvin-Voigt黏弹性模型及各向异性理论为基础,推导适用于具有垂直对称轴的横向各向同性(VTI)黏弹性煤层介质的二维一阶速度-应力波动方程,建立黏弹性VTI煤层介质数学模型,采用交错网格有限差分法模拟超声波场在煤层中的传播,并通过实验验证所建立的黏弹性VTI煤层介质模型和交错网格有限差分法的正确性。研究结果表明：黏弹性VTI介质数学模型和交错网格有限差分法适用于数值模拟超声波在煤层中的传播,为超声波煤层厚度检测和煤岩界面识别研究提供了理论基础。     

基于小波域非对称广义高斯模型的煤岩识别算法

针对采煤工作面无人开采、煤与矸石自动分离等工程实际需求,研究了基于计算机视觉的煤岩识别技术。提出了一种有效的基于小波域统计建模的煤岩识别算法。通过小波变换对煤岩图像进行多级分解;提出表达煤岩纹理细节特征的高频子带系数统计分布符合非对称广义高斯模型的假设,并通过最大似然估计方法确定其模型参数;利用改进的相对熵相似性测度实现煤岩图像的分类判别。结果表明:在小波域中,非对称广义高斯模型能够有力地刻画煤岩图像的纹理特征,与现有的其他算法相比较,所提出算法具有更高的正确识别率,其平均识别率达到了87.77%,为进一步研究煤岩界面的自动检测提供了参考。     

基于Curvelet变换的低分辨率煤岩识别方法

针对小波变换仅能有效表达图像中的点奇异性,难以提取煤岩图像曲线特征的弱点,以及高分辨率煤岩图像计算量大,难以满足煤岩识别实时性要求的问题,提出了一种基于曲波变换的低分辨率煤岩识别方法.该方法通过曲波变换对煤岩图像进行曲波分解,得到各尺度层曲波系数,利用主分量分析进行降维,并将结果分别输入不同k-NN分类器中,对分类结果加权融合,实现煤岩图像的分类识别.实验表明:通过曲波分解提取的特征能够有效地表达煤岩图像的曲线特征,与现有方法相比较,所提出方法具有更高的识别率,平均识别率达95.0%,在煤岩图像分辨率较低情况下也可以获得很高的识别率,满足煤岩识别实时性的要求.     

基于改进BP网络的煤岩界面自动识别

本文介绍了煤岩界面识别的BP神经网络方法,探讨了影响网络训练的若干因素,对BP算法加以了改进,使得其性能有所提高,收敛速度加快,对推广煤岩界面识别有重要的意义。     

基于CLBP和支持向量诱导字典学习的煤岩识别方法

针对现有煤岩识别方法在训练样本不充足情况下的识别效果普遍不太理想这一情况，提出了一种基于完备局部二值模式(CLBP)和支持向量诱导字典学习的煤岩识别方法。该方法分4大步完成：① 提取煤岩图像的多尺度CLBP特征向量；② 对训练样本的CLBP特征向量进行支持向量诱导字典学习，得到一组煤岩表征字典、煤岩类别权向量和偏移量；③ 计算测试样本在煤岩表征字典上的表示即编码向量；④ 采用判别函数完成测试样本编码向量的类别判定。结果表明：与现有其他常用方法相比，所提出方法有着更高的正确识别率，特别是在训练样本不充分的随机抽样实验条件下，其正确识别率仍然很高；耗时的字典学习并没有影响到所提出方法的实时性；所提出方法占用的存储量不受训练样本数量的制约，这在一定程度上为将来硬件实现带来了便利。