基于小波包能量流和LTSA的垮落煤岩特征提取

针对综放工作面垮落煤岩识别的技术问题,采集了放煤过程中垮落煤岩冲击液压支架后尾梁的振动信号,并提出了一种基于小波包能量流和LTSA的特征提取方法。该方法首先利用小波包变换把振动信号分解成一系列的时频子空间;为了观察原信号能量在各层时频子空间的分布特征,计算了小波包分解每一层各个时频子空间的能量,构成了一个小波包能量矩阵,称为小波包能量流;然后利用局部切空间排列(Local Tangent Space Alignment,LTSA)挖掘小波包能量流的低维流形。为了验证小波包能量流低维流形的有效性,把该特征向量输入BP神经网络来识别垮落煤岩。结果表明:基于小波包能量流和LTSA提取的特征向量可以准确简约地表征垮落煤岩,BP神经网络的识别率达到100%。     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

基于声波信号小波包变换的煤矸界面识别研究

为探索放顶煤开采过程中煤矸放落程度的判定方法,采用小波包理论分析顶煤放落过程中的声波信号。放顶煤开采中随着矸石含量的增加,产生的声波信号也会有所不同,以此为出发点提出了基于声波频谱小波包变换的煤矸界面识别分析方法。通过声波信号频谱的差异,可以确定煤矸放落的临界区域,从而为煤矸识别提供参考依据。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

小波包分形技术在泵机组故障诊断中的应用

针对泵机组振动信号的非线性和非平稳特征,根据小波包和分形理论,引入小波包分形技术对泵机组常见故障类型进行研究。使用盒维数分别计算经过降噪处理的故障信号和对原始信号进行2层小波包分解的4个频带信号,结果表明:250~500 Hz频段状态信号盒维数的区分度最大,最适合作为泵机组的故障特征量;中高频信号的维数值对复合故障和松动故障比较敏感,通过量化中高频信号的维数值,能够有效捕捉到复合故障和松动故障信息。     

基于改进小波阈值去噪与分形盒维数的矿山微震初至波到时拾取研究

微震初至波到时精确拾取是提高震源定位精度的关键因素。针对传统初至波到时拾取算法易受信噪比影响而检测不准的问题，基于小波变换多尺度分析与分形盒维数描述信号复杂性和不规则性的特点，提出了一种改进型小波阈值去噪与分形盒维数拾取相结合的微震初至波到时高精度拾取算法。该算法通过构造一个可调参数阈值函数来确定阈值和选取自适应阈值规则，对微震信号进行有效降噪，在计算盒维数曲线提取到时，实现了初至波到时的精确检测。试验结果表明，所提算法在低信噪比条件下，微震初至波到时拾取精度优于3.6 ms,拾取精度相比传统能量比法和赤池信息准则法有明显提高。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征.在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特...     

基于分形盒维数的爆破震动信号研究

根据爆破震动信号曲线的双尺度性特征,建立了分形盒维数模型。采用具有横向时间尺度δ1和纵向振幅尺度δ2的矩形网格覆盖波形曲线,在爆破震动信号有效记录部分内确定其主振动周期T,并以此确定爆破震动信号无标度区内k的取值范围。采用该模型计算出岩石场地进行深孔爆破试验时所采集震动信号的分形盒维数D。分析表明,分形盒维数D能反映爆破地震波主振频率大小;药量和距离对盒维数拟合直线方程参数b的影响明显,且两者关系与场地衰减指数α对地震波峰值强度的作用相近;获得了参数b与爆破地震波振动峰值A的关系式。分析证明了所建立分形盒维数计算模型的正确性,并以实例论证了爆破震动信号具有分形特征。     

基于EEMD-KPCA和KL散度的垮落煤岩识别

综放开采中关键工艺放煤自动化的实现,可以使放煤工人远离工作面,远程控制顶煤的放落,从而保障放煤工人的健康问题。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题,基于综放开采现场采集的垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于EEMD-KPCA和KL(Kullback-Leibler)散度的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到一组固有模态分量(Intrinsic Mode Functions,IMFs),分别计算各个IMF的能量,峭度和样本熵,构造表征垮落煤岩的特征向量;然后利用核主成分分析(Kernel Principal Component Analysis,KPCA)对特征向量进行降维,分别以各个IMF能量、IMF峭度、IMF样本熵构成的向量的KPCA低维特征来表征垮落煤岩;最后计算"未知样本"不同特征向量与垮落煤岩两类样本与之对应的特征向量的KL散度值,通过比较KL散度值来实现垮落煤岩的实时识别,并比...     

Application of wavelet packet decomposition and its energy spectrum on the coal-rock interface identification

Introduction　　Shearisoneofthemainmachinesonthecoalface.Realizingautomaticadjustingofthedrumheightistheimportantlinkofrealizingautomaticproductionprocessonthecoalface,alsohasimportantpurposestomachinelife ,machinerelia bility,workerssafeandcoalquality.　　CIIcanmaketheshearhavetheabilitytoautomaticallytracethecoal rockinterface.Itcannotonlycontributetomineautomationandhighefficiency,butalsoreducethecontentofrockandtheothermineralthatmustberemovedintheprocessofcoalbeneficiation.Intherecentye…     

基于小波包预处理的神经网络故障模式识别的研究

基于小波包对信号的高分辨率分解和重构能力 ,把信号在不同频段上进行分解 ,提取各分量故障信号的特征 ,应用BP神经网络进行故障模式识别 ,并将这种方法用于齿轮故障模式识别 ,取得较满意的效果     

基于小波包与SOM神经网络的截齿磨损状态识别

为实现采煤机截割过程中截齿磨损状态的实时在线监测,采用声发射传感器对不同磨损程度截齿截割时的声发射信号进行采集,采用小波包分析方法分析声发射信号不同频带能量的变化规律,建立能量值的样本空间,构建基于SOM神经网络的截齿磨损识别模型,实现对截齿不同磨损状态的在线监测。通过随机测试实验对截齿磨损状态识别模型进行验证,结果表明,基于小波包分析与SOM神经网络的截齿预测磨损状态识别模型识别精度较高,测试样本识别精度约95%。研究结果为准确识别截齿的磨损状态、提高采煤机的工作效率提供一种重要的技术手段。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于振动信号的采煤机煤岩截割状态识别

为了准确识别采煤机截割状态,提出了一种基于小波包分解和学习向量量化(LVQ)神经网络的模式识别方法。将振动信号进行小波包分解,实现振动信号的预处理,得到若干个子频带。在此基础上,计算各个频带的方差,并将其作为特征向量。然后将计算得到的频带方差作为特征向量,输入到LVQ神经网络进行采煤机煤岩截割状态识别。通过实验验证了该方法的有效性,实验结果表明:该方法能够实现采煤机典型煤岩截割状态的识别,平均识别准确率较高,对实现综采工作面的"无人化"具有重要意义。     

基于小波理论的井下深孔爆破振动信号辨识与能量衰减规律分析

在爆破漏斗试验的基础上,制定了某矿山的深孔爆破方案,在现场进行了深孔爆破试验并实施了振动监测。采用小波分析方法对深孔爆破振动信号频带能量分布进行了分析,发现Ⅳ号测点的频带能量分布与其它4个测点明显不同,从而判定Ⅳ号测点数据失真。利用剩下的4个测点的数据,编制程序计算得到各测点X、Y和Z三向的能量和总能量,回归得到总能量的衰减公式。研究结果表明：在距爆点0～75 m范围内,爆破振动能量随距离增大而迅速降低;在距爆点75～250 m,爆破振动能量维持在一个较低水平且衰减速度非常缓慢;超过250 m以后,爆破振动能量几乎为零。