高峰[1]2004年在《人工神经网络技术在综放工作面自动化系统中的应用研究》文中研究说明随着生产技术水平的不断提高，综放工作面自动化是现代采煤发展的一个必然趋势。综放工作面自动化不但能够显着提高煤炭的产量，而且能够减轻劳动者的工作强度提高生产效率。本论文根据现有的一套综放工作面设备，对其各个部分的功能进行了分析，并应用人工神经网络技术进行了控制系统的研究。论文的主要内容包括以下几个部分： 1．对神经网络控制技术进行了简要的介绍： 2．对综放工作面各设备的协调工作进行了分析探讨，根据各个设备的不同功能将各个设备进行了功能划分； 3．应用神经网络控制技术对综放工作面自动化系统进行了研究。主要针对采煤和放煤过程中各设备的的自动控制、工作面设备的顺序开机和顺序停机进行了研究，并应用MATLAB进行了仿真实验。 4．应用模糊数学及神经网络技术对采煤机故障进行分析研究，确定出一种根据采煤机运行时出现的故障现象推断出采煤机故障原因的专家智能诊断方法。 综放工作面自动化系统的研究是一项十分复杂的工作，涉及到许多学科领域，需要经过大量的研究工作。本论文只是对综放工作面自动化系统进行了初步的研究，要想实现综放工作面自动化系统还有很多工作需要去做。
刘潇[2]2005年在《RBF神经网络在综放工作面自动化控制系统中的应用研究》文中进行了进一步梳理随着生产技术水平的不断提高,综放工作面自动化是现代采煤发展的一个必然趋势。综放工作面自动化不但能够显着提高煤炭的产量,而且能够减轻劳动者的工作强度提高生产效率。本论文根据现有的一套综放工作面设备,对其各个部分的功能进行了分析,并应用人工神经网络技术进行了控制系统的研究。论文的主要内容包括以下几个部分:1.对神经网络技术进行了简要的介绍;2.比较了RBF网络与BP网络的性能优劣;3.对综放工作面各设备的协调工作进行了分析探讨,根据各个设备的不同功能将各个设备进行了功能划分;4.应用神经网络控制技术对综放工作面自动化系统进行了研究。主要针对采煤和放煤过程中各设备的的自动控制、工作面设备的顺序开机和顺序停机进行了研究,并应用MATLAB进行了仿真实验。综放工作面自动化系统的研究是一项十分复杂的工作,涉及到许多学科领域,需要经过大量的研究工作。本论文只是对综放工作面自动化系统进行了初步的研究,要想实现综放工作面自动化系统还有很多工作需要去做。
郑胜友[3]2012年在《人工神经网络在采煤技术上的应用》文中研究指明随着现代采煤生产技术不断发展,相应综放工作面自动化采煤的水平不断提高一个必然趋势。自动化的综放工作面可以明显的提高煤炭产量,同时还能减轻劳动者的工作负担,进而提高采煤效率。针对我国国内放煤工作和综合采煤出现的问题,依靠现有的技术和设备,本文介绍一种综放工作面能达到智能控制的解决方案,进而使用先进的人工神经网络技术对综放工作面的生产达到控制的目标。针对综放工作面的设备,在对各个部分的功能进行分析之后,对使用人工神经网络技术对控制系统进行了研究分析。
宋庆军[4]2015年在《综放工作面放煤自动化技术的研究与应用》文中提出经过叁十多年的发展,放顶煤开采技术在理论研究和工程应用上都达到了较高的水平,特别是随着综采机械化装备技术的发展,放顶煤工作面开采的机械化和自动化程度都有很大程度提高。然而在放煤自动化方面,虽然初步具备了放煤过程自动化生产的条件,但由于理论研究和技术水平的不成熟,还不能达到自动化生产的效果。因此,研究放煤过程的自动化控制,实现放煤阶段的煤矸识别和自动化放煤具有重要的理论和实践价值。本文针对放煤自动化控制做了以下几个部分研究：1)在现有综采放顶煤工作面自动化系统的基础上,分析说明了放顶煤工作面自动化系统中采煤自动化和放煤自动化的组成和逻辑关系,搭建了综采工作面放煤自动化系统平台,提出了基于振动、声波检测的煤矸混放状态识别的试验方法,并搭建了试验平台,引入煤矸混放比例参数ζ和放煤故障参数B,解决了放煤过程中全煤下放阶段(ζc)、30%矸石混放阶段(ζ0.3)、50%矸石混放阶段(ζ0.5)、全矸下放阶段(ζg)的四个阶段和堵煤、卡煤的故障状态信息(B)的数字量化问题。2)提出了自适应阈值小波降噪的方法。总结了经典小波阈值降噪的阈值法、VisuShrink阈值法、SureShrink阈值法叁种方法,分析了它BayesShrink I们各自的优缺点,结合放顶煤过程中声音信号和振动信号的非平稳、非线性特点,以及信号预处理之后,仍然存在个别点与实测数据相差较大问题,引入了与自身小波系数值相关的降噪因子。通过工程实际信号进行分析验证说明,该算法既能充分考虑信号小波分解的能量分布特性,又能够取得较好的降噪效果。3)结合理论,计算了IMF各分量的能量Hilbert-Huang Transformation(HHT)及总能量,能量熵和峭度等特征分量；采用小波包对放煤过程非稳态振动和声音信号进行了多频段分析,并对分解后的各子空间信号进行了小波重构,计算了小波重构信号的节点能量和信息熵；计算了煤矸信号的分形维数、谱质心和Mel倒谱系统(Spectral Centroid,SC))等重(Mel-Frequency Cepstrum Coefficients, MFCC要特征属性,获得了放煤过程16种煤矸识别的特征属性。4)提出了一种新的基于的多类特征降维方法F-Score实现(MF-Score),了放煤过程煤矸数据集的特征简约。在分析了国内外现有特征降维和属性简约的基础上,针对现有的算法主要适合2类特征降维的缺陷,提出了多类F-Score的特征降维。为了避免特征降维后造成信息的丢失,提出了特征贡献MF-Score阈值,能够根据分类精度要求自适应调整阈值,重新组合新的特征集。仿真和试验结果验证了该方法非常适合多类、多特征集的特征降维。5)提出了自适应宽度因子的最小闭包球多分类算法(σ-MEB),解决了5类放煤过程煤矸数据集的分类问题。SVM解决多分类分类问题采用的是间接方式,需要训练的SVM数量较多,学习效率低,而最小闭包球(Minimal Enclosing Ball,MEB)在解决多分类问题时常出现过拟合或欠拟合的缺陷。针对这些问题,本文提出了自适应宽度因子σ的最小闭包球多分类算法。六种UCI样本数据集、煤矸过程的声音、振动信号的样本特征数据集均验证了该方法的可靠性和适应性。6)阐述了信息融合技术在煤矸识别中的融合结构及方法,针对放煤过程的分类特征信息不完备性和模糊性,建立了多模态信息融合模型。试验表明,融合声音和振动的多模态煤矸自动化系统比单模态的性能高。7)开发了基于LabVIEW的放煤自动化系统,完成了放煤自动化系统的设计及现场应用,实现了综放工作面放煤过程的涌煤、卡煤等不同煤状态下的决策融合及放煤插板放煤、支架尾梁破煤、后部输送机拉移等放煤自动化控制。
朱世刚[5]2014年在《综放工作面煤岩性状识别方法研究》文中认为综放开采在厚煤层开采中约占50%以上。因受诸多因素制约，放顶煤仍由工人通过目测或耳听判断煤岩性状来控制，极易造成“欠放”或“过放”现象。本文探讨了煤岩性状识别的技术瓶颈，开展了煤矿井下综放工作面顶煤放落试验，获得了大量真实工况下的试验数据，对不同工况下不同测点的振动信号进行了时域和小波包分析，得出了液压支架后尾梁处测点为较佳测点，峭度指标对工况最为敏感，顶煤放落和顶板岩石放落时频带能量分布不同；对不同工况下液压支架后尾梁范围内的声音信号进行了时域和小波包分析，发现其时域指标均有变化，且方差变化最为明显，频带能量分布区别明显；研究了顶煤放落和顶板岩石放落时放煤口图像信号的灰度直方图，并提取了灰度均值，发现顶煤放落时灰度均值为66左右，顶板岩石放落时灰度均值为130左右；探讨了基于振动信号、声音信号和图像信号特征的煤岩性状识别方法，丰富了综放工作面煤岩性状识别理论和方法，为放顶煤开采的自动化和智能化提供了理论基础和技术前提。
陈晓坤[6]2012年在《煤自燃多源信息融合预警研究》文中提出我国煤炭自燃火灾十分严重，给矿井安全生产带来了极大的威胁。煤自燃早期的监测、识别与预警，对煤自燃火灾的预防与治理具有重要意义。本文基于大型煤自然发火模拟实验，分析了气体指标与煤温的对应关系，确定了煤自燃程度量化识别指标，采用多源信息融合与模式识别方法建立了煤自燃预警模型，研究了煤自燃多元化特征信息的监测方法和煤自燃多源信息融合预警方法，并开发出煤自燃多源信息融合预警系统。采用装煤量15t的特大型煤自然发火实验台，模拟了煤从常温至燃点的自然发火全过程，总结分析了气体指标参数与煤温的对应关系，确定了煤自燃程度量化识别指标，建立了煤自燃火灾监测预警指标体系；基于实验数据与现场观测结果，采用模糊聚类与模式识别、支持向量机、神经网络等数学方法建立了煤自燃预警模型。针对煤自燃易发的采空区，研究了束管监测系统和无线组网温度监测系统相结合的煤自燃监测方法，基于煤自然发火中心热量传递模型和气体渗流模型，确定出采空区煤自燃特征参数监测点布置的关键参数，优化了测点布置方案；提出了通过融合来自不同监测系统、不同监测地点的温度、气体等多元化煤自燃特征信息来，判定煤自燃程度、确定发火位置的自燃多源信息融合预警方法；研发出基于矿井安全监控、束管监测和无线自组网温度监测集成的多源信息融合煤自燃火灾预警系统，实现了煤自燃火灾的全面监测、识别与早期预警；结合试验矿井的具体情况，制定了煤自燃多源信息融合预警系统建设方案，完成集成通讯网络构建与系统软硬件的安装；现场工业试验结果表明，各类监测数据采集、通讯具有良好的时效性和可靠性，整个系统运行稳定，关键功能和技术指标能满足煤自燃早期识别与预警的需要。煤自燃多源信息融合预警方法的研究与相应系统的开发对煤自燃火灾监测预防技术的发展具有重要的促进作用。
李良晖[7]2017年在《放顶煤工作面煤矸混合度自动识别研究进展》文中认为自动化放煤是实现自动化综放开采的关键技术,放煤过程中对于煤矸混合度的自动识别是研究的难点。文章依次论述了基于自然射线、声波信号、图像的放顶煤工作面煤矸混合度识别技术的研究进展,提出了基于图像的煤矸混合度识别技术是未来的发展方向,以及综采工作面的煤岩界面的识别技术及分选中的煤矸识别技术的研究进展,总结了为放顶煤工作面煤矸混合度识别提供的宝贵经验。提出了将深度学习理论引入到煤矸混合度识别研究中,为人工智能技术在采矿行业中的应用提供了新思路,对提高综放开采顶煤回收率、提高煤质、实现工作面自动化有重要意义。
刘伟[8]2011年在《综放工作面煤矸界面识别理论与方法研究》文中指出本文对综采放顶煤开采过程中的煤矸界面识别问题进行了系统研究。阐述了利用振动方法探测煤矸界面的基本原理,建立了煤矸界面识别模型,确定了煤矸识别实验系统的组成。运用经典时域、频域分析及时频联合分析方法,提取了煤矸振动信号的时频域特征,给出了其直观的谱图模型。详细研究了基于Hilbert-Huang变换的煤矸振动信号分析方法,针对Hilbert-Huang变换的端点效应,给出了基于相关系数的IMF分量选择算法；通过对Hilbert-Huang变换的结果——IMF分量、Hilbert谱和Hilbert边际谱的分析,提出了基于IMF分量的能量、IMF分量矩阵奇异值分解、Hilbert谱能量熵以及Hilbert边际谱能量等四种煤矸振动特征提取方法。在特征提取基础上,提出了基于Mahalanobis距离、BP神经网络和支持向量机的叁种模式分类方法,进行了煤矸界面识别仿真实验,并对实验结果进行了分析和比较。最后探讨了基于煤矸界面识别理论的综采放顶煤工艺。
参考文献：
[1]. 人工神经网络技术在综放工作面自动化系统中的应用研究[D]. 高峰. 山东科技大学. 2004
[2]. RBF神经网络在综放工作面自动化控制系统中的应用研究[D]. 刘潇. 辽宁工程技术大学. 2005
[3]. 人工神经网络在采煤技术上的应用[J]. 郑胜友. 科技风. 2012
[4]. 综放工作面放煤自动化技术的研究与应用[D]. 宋庆军. 中国矿业大学. 2015
[5]. 综放工作面煤岩性状识别方法研究[D]. 朱世刚. 中国矿业大学（北京）. 2014
[6]. 煤自燃多源信息融合预警研究[D]. 陈晓坤. 西安科技大学. 2012
[7]. 放顶煤工作面煤矸混合度自动识别研究进展[J]. 李良晖. 煤炭工程. 2017
[8]. 综放工作面煤矸界面识别理论与方法研究[D]. 刘伟. 中国矿业大学（北京）. 2011