摘要：为探索综放开采中煤岩性状的识别方法,根据放顶煤开采中煤、矸石、顶板岩石物理与力学参数的不同,垮落时冲击液压支架后尾梁产生的声压信号在幅值、能量及频率上会存在差异.据此自行设计现场信号采集实验并拾取到大量真实顶煤垮落、矸石垮落、顶板岩石垮落三种工况下垮落物冲击后尾梁时的声压信号.由于信号混有现场刮板输送机的工作噪声,利用小波降噪对信号进行降噪处理.通过对降噪后的声压信号进行六层小波包分解并运用频带能量分析法提取第6层64个频带的归一化能量,并进行能量百分比分布及统计指标分析.研究结果表明:3种工况下的声压信号各频带的能量以及在0~1 250 Hz、0~2 500 Hz内的能量分布特征以及对统计指标的敏感程度不同.

摘要：为了获得综放开采现场用以分类煤岩的有效的特征向量和分类模型,通过已有的设备及设计采集方案,对综放开采现场的煤岩声压信号进行了采集;并对获取的声压信号进行时域分析,得到时域特征向量并作为神经网络的输入向量;利用主元分析(简称PCA),减少时域特征间的相关性,降低神经网络输入向量的维数;然后设计BP神经网络模型,通过比较梯度下降法与Levenberg-Marquard算法,得知基于LM训练法耗时明显小于梯度下降法。最后对比进行PCA与未进行PCA的LM算法的BP神经网络煤岩识别结果,得到PCA与LM算法的BP神经网络结合的方式识别准确率高且耗时短。

摘要：设计实验采集煤矿井下真实煤、顶板岩石垮落冲击液压支架后尾梁的声压信号与一段液压支架不放煤,仅前后刮板输送机运行时的环境噪声信号,并将该噪声添加到正弦信号,得到含噪信号。利用小波变换对含噪信号分别使用sym18、db19 2种小波和相同类型小波不同阈值参数进行降噪,比较信噪比和均方根误差,发现在db19小波,参数选用sqtwolog函数且取默认阈值one时降噪效果最为理想。