[發明專利]基于瓦斯濃度參數的井下工作面作業類型智能識別方法

有效

• 申請號: 201811243460.1
• 申請日: 2018-10-24
• 公開（公告）號: CN109325470B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 徐曉萌;華明國;樊耀廣;張寶;曲方
• 申請（專利權）人: 山西潞安環保能源開發股份有限公司;中國計量大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

1.一種基于瓦斯濃度參數的井下工作面作業類型智能識別方法，其特征在于方法主要包括如下主要步驟：

步驟1、通過井下瓦斯濃度傳感器獲取瓦斯濃度的原始信號序列x(t)，存入瓦斯濃度數據庫；

步驟2、將各個原始信號序列x(t)根據工作面的作業類型進行劃分；

步驟3、對瓦斯濃度數據庫中的瓦斯濃度數據進行自適應濾波降噪處理，獲得降噪后的瓦斯濃度序列；

步驟4、將降噪后的瓦斯濃度序列作為混沌時間序列，根據作業類型的劃分對各類作業類型對應的數據分別提取敏感特征參數；

步驟5、構建井下工作面的作業類型神經網絡智能識別模型，根據已建立的瓦斯濃度數據庫和敏感特征參數輸入到模型中進行訓練；

步驟6、利用訓練后的模型對新獲取的待測瓦斯濃度數據進行作業類型的智能識別。

2.根據權利要求1所述的一種基于瓦斯濃度參數的井下工作面作業類型智能識別方法，其特征在于：所述步驟2中，工作面的作業類型劃分為放炮、割煤、落煤、交接班、打鉆作業、臨時支護、安裝錨桿、檢修和其他無關作業。

3.根據權利要求1所述的一種基于瓦斯濃度參數的井下工作面作業類型智能識別方法，其特征在于：所述步驟4中，所述的敏感特征參數包括瓦斯濃度數據的均值、均方差、方差、極差、差分特征值。

4.根據權利要求1所述的一種基于瓦斯濃度參數的井下工作面作業類型智能識別方法，其特征在于：所述步驟3中，自適應濾波降噪處理具體為：

3.1，獲得原始信號序列x(t)的全部極值點n_i，i＝1,2,3…,I，I為極值點數，然后根據極值點，求得所有相鄰局域極值點的平均值作為局域均值m_i＝(n_i+n_i+1)/2和局域包絡估計值作為局域包絡值a_i＝(n_i-n_i+1)/2；

3.2，對所有局域均值m_i和所有局域包絡值a_i采用滑動平均法進行多次平滑處理分別得到局域均值函數m′₁(t)、m′₂(t)、…和局域包絡函數a′₁(t)、a′₂(t)、…；

3.3，步驟3.2的每一次平滑處理后均處理迭代直至獲得純調頻信號s_k(t)：

在步驟3.2的第一次平滑處理后，從原始信號序列x(t)中分離出第一次平滑處理獲得的局域均值函數m′₁(t)而保留得到第一中間分離信號序列h₁(t)＝x(t)-m′₁(t)，然后再根據第一次平滑處理獲得的局域包絡函數a′₁(t)進行解調得第一中間解調信號序列s₁(t)＝h₁(t)/a′₁(t)；

然后將第一中間解調信號序列s₁(t)視為原始信號序列x(t)重復步驟，結合第二次平滑處理獲得的局域均值函數m′₁(t)和局域包絡函數a′₁(t)計算獲得第二中間分離信號序列和第二中間解調信號序列；

以此迭代處理直到第K次的中間解調信號序列滿足-1≤s_K(t)≤1且其下一次的局域包絡函數a′_K+1(t)＝1，K為進行迭代的次數，則將第K次的中間解調信號序列s_K(t)作為純調頻信號，停止迭代處理；具體迭代過程表示為：

式中，K為進行迭代的總次數；

3.4，將以上純調頻信號s_K(t)在迭代過程產生的所有局域包絡函數a′_k(t)相乘獲得第一乘積分量的包絡信號A₁(t)＝a′₁(t)a′₂(t)…a′_K(t)，k＝1,2,3…，K，接著將第一乘積分量的包絡信號A₁(t)和其對應的純調頻信號s_K(t)相乘得到原始信號序列的第一乘積分量PF₁(t)＝A₁(t)s_k(t)；

3.5，將第一乘積分量PF₁(t)從原始信號序列x(t)中分離出來，保留得到第一殘余信號u₁(t)，并以第一殘余信號u₁(t)為原始信號序列x(t)重復上述步驟3.1-3.4迭代處理，直至通過J次循環分離出所有乘積分量，且滿足第J殘余信號u_J(t)為一個單調函數，由此構建以下原始信號序列x(t)的分解表達式：

其中，j表示步驟3.1-3.4迭代處理的次序數，j＝1,2,3…，J，J表示步驟3.1-3.4迭代處理的總次數；

3.6，對獲得的各個乘積分量和原始信號序列x(t)一起進行相關性分析，取所有乘積分量的能量值構成序列的全局極小值作為高低頻成分的調頻分界點，將調頻分界點之前的乘積分量的高頻分量全部作為噪聲乘積分量，將剔除噪聲乘積分量后對信號進行重構處理，得到降噪后的瓦斯濃度序列dx(t)，其中，乘積分量的能量值按照分量所有序列數據的平方和計算得出。

5.根據權利要求1所述的一種基于瓦斯濃度參數的井下工作面作業類型智能識別方法，其特征在于：

所述的作業類型神經網絡智能識別模型采用粗糙集理論和人工神經網絡相結合的粗神經網絡(rough membership neural network，RMNN)，利用神經網絡輸入層的粗神經元分別計算各作業類型時瓦斯濃度數據敏感特征參數，并采用模糊神經元代替普通神經元。