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。     

基于WPSV和BPNN的煤岩识别方法研究

为解决综采工作面无人开采和采煤机滚筒自动调高的实际工程问题,提出了基于小波包奇异值(WPSV)和BP神经网络(BPNN)的煤岩界面识别新方法。利用WPSV构建特征向量,再与BPNN结合进行煤岩界面自动识别。首先使用传感器采集采煤机滚筒截割煤岩的扭矩信号,对扭矩信号进行小波包变换(WPT),获取信号的小波包分解系数,得到小波包分解系数重构信号矩阵;然后并对该矩阵进行奇异值分解(SVD),获取主要WPSV,构建奇异值特征向量;最后将该特征向量输入BPNN中进行煤岩界面自动识别,并与传统方法进行了对比,结果表明:该方法具有更高的准确率,能有效地判断采煤机滚筒的工作状态。     

基于变分模态分解和粒子群算法的微震信号降噪方法

为从含噪微震信号中提取有效信息, 并准确识别岩体破裂信号和爆破振动信号, 提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值, 以最优参数对微震信号进行变分模态分解, 再对由高频噪声主导的模态分量进行小波阈值去噪, 将去噪后的高频信号分量与原先的低频信号分量进行重构, 实现信号降噪。经验证, 该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪, 以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据, 识别成功率达到97.25%, 证实了此识别方法的准确性。     

基于人工蜂群算法优化VMD的旋转机械故障诊断方法

旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

基于变分模态分解和小波能量熵的微震信号降噪

微震监测技术被广泛应用于矿业工程、石油天然气开采、安全监测等领域。 针对微震监 测采集到的微震信号存在随机噪声的问题,本文提出了一种变分模态分解(variationalmodedecomposition,VMD)和小波能量熵(waveletenergyentropy,WEE)结合改进阈值函数的降噪算法。 对原始信号进行VMD分解,将得到的各模态分量(intrinsicmodefunction,IMF)进行多尺度小波 分解,用小波能量熵表征各尺度信号的含噪状态,并以小波能量熵最大子区间的小波系数计算各 尺度层的阈值,通过改进阈值函数进行降噪处理后得到新的IMF,重构微震信号。 对仿真信号和 实测信号进行降噪处理,结果表明,该算法优于经验模态分解(empirical mode decomposition, EMD)、集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)、VMD结合小波硬阈值 和软阈值降噪方法,提高了微震信号的信噪比。     

基于AO优化VMD-小波包的岩石破裂声发射信号去噪算法

针对岩石在破裂过程中产生的大量含噪声发射信号问题,基于天鹰优化(Aquila Optimizer,AO)算法提出一种改进的变分模态分解(VMD)联合小波包分解的声发射(AE)信号去噪算法。利用Circle混沌优化的AO算法对VMD算法中的分解模态个数K和二次惩罚因子α进行寻优,有效避免了人为经验选取参数导致的时间消耗以及效果不佳等问题;利用得到的最优参数组合对岩石破裂声发射信号进行分解,得到一系列本征模态分量,结合相关系数筛选出含噪分量;然后利用小波包去噪算法对含噪分量进行处理;最后,将未处理的分量与降噪处理后的分量重构得到去噪后的AE信号。通过仿真和实测信号分析,结果表明与现有去噪算法相比,该算法能更好地去除AE信号中的噪声分量,保留信号的频域特征信息,可为后续利用声发射信号探究岩体破裂规律提供参考。     

基于变分模态分解的爆破振动信号去噪方法研究

为对爆破的振动信号进行有效去噪,提出了一种基于窗口傅里叶变换的自适应双重变分模态分解-小波阈值(Adaptive dual variational mode decomposition-Wavelet threshold,ADVMD-WT)组合方法对爆破临近地区采集的振动信号进行去噪处理。首先利用VMD算法对振动信号进行第一次分解,分解层数根据窗口傅里叶变换频谱图中的波峰个数来确定,基于各个分量的相关系数识别出高频的噪声分量;然后对剩余信号分量逐个进行第二次分解,重复第一次分解的步骤,分离出各个低频分量中含有的噪声信号;针对噪声分量中仍含有少量有用信号,对噪声分量进行小波阈值去噪,获取有用信号;最后重构信号分量得到ADVMD-WT方法去噪后的信号。将ADVMD与其它去噪方法相比,并从信噪比、均方根误差2个评价指标验证了ADVMD方法在爆破振动信号去噪中的有效性。     

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。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

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 SA-GA 模糊熵的 VMD 算法在爆破振动信号分解中的应用

针对变分模态分解(VMD)算法预设参数选择的问题,提出了一种基于 SA-GA 模糊熵的 VMD 参数优化 算法,该算法结合模拟退火算法(SA)和遗传算法(GA)的优点,选取模糊熵( FE)为适应度函数,求解最优分解参数。 经过仿真信号分析,相比 EMD 算法,SA-GA 模糊熵的 VMD 参数优化算法有效地抑制了模态混叠和虚假分量的现象, 具有较高的分解精度。 最后利用 SA-GA 模糊熵的 VMD 参数优化算法进行爆破振动信号实测分析,结果表明:SA-GA 模糊熵的 VMD 参数优化算法可以根据不同的爆破振动自适应地选取最优解,解出来的 IMF 分量具有明确的物理意 义,频谱图能清晰地看出信号内所包含的频率成分,具有良好的适用性。     

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…     

脉冲雷达透地探测煤岩实验研究

传统的煤岩探测采用瞬变电磁、地震波、超声波和探地雷达等技术,发射和接收1 GHz以下的信号频率,不能兼顾探测深度和探测精度。综采工作面采煤机自动调高要求煤岩分界达到20 mm的检测精度,为此提出采用无线脉冲雷达穿透煤岩层的高精度深度探测技术。设计成单雷达芯片+射频电路的低功耗小型化的超宽带雷达,由脉冲产生器PG(Pulse Generator)发射亚纳秒级的窄脉冲电磁波形,输出中心频率为53~88 GHz、频宽为165~440 GHz和功率为-172~-105 dBm的超宽带UWB(Ultra-Wide Band)信号,输入电路采集从煤岩介质反射回来的峰峰值达54~72 mV的信号电压。超宽带雷达通过双Vivaldi型天线垂直于煤岩层贴近布置,发射天线发出低至-19 dBｍ的7阶高斯脉冲超宽带波段信号,接收天线以30 Gbps的速率采集512 级深度回波信号,利用煤岩存在明显介电常数差异所产生的脉冲反射与发射信号的传播时延,与现场煤岩介电常数标定后计算出的电磁波传播速率相乘,来推算出煤层厚度以精确地确定出煤岩分界位置。根据煤层深度和介电常数的变化建立了煤岩探测的脉冲垂直分辨率、探测深度与信号采样时窗长度关系,确定采样时窗长度为256 ns,测量分辨率达到4 mm。为了直观地分辨出煤岩分界位置,以采集的脉冲信号数据绘制波形灰度图,深黑色和亮白色分别表示信号的波谷和波峰,代表了介电常数有较大差异的煤岩两种介质的分界位置,并通过波谷或波峰到起点的时间差计算出煤层的厚度。在留顶煤开采的综采工作面和巷道现场测试,测量煤层厚度的误差小于20 mm,能够在煤层未开采前检测出工作面顶煤和底煤的厚度,为采煤机自动调高提供精准的位置参考。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。