基于BP神经网络的煤层硬度多等级识别方法

doi:10.12068/j.issn.1005-3026.2018.08.020

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (8): 1163-1168.DOI: 10.12068/j.issn.1005-3026.2018.08.020

基于BP神经网络的煤层硬度多等级识别方法

刘永刚^1,2，侯立良²，秦大同^1,2，胡明辉^1,2

(1. 重庆大学机械传动国家重点实验室，重庆400044; 2. 重庆大学汽车工程学院，重庆400044)

收稿日期:2017-03-20 修回日期:2017-03-20 出版日期:2018-08-15 发布日期:2018-09-12
通讯作者: 刘永刚
作者简介:刘永刚(1982-)，男，重庆人，重庆大学副教授，博士；秦大同(1956-)，男，重庆人，重庆大学教授.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家重点基础研究发展计划项目(2014CB046304).国家自然科学基金资助项目(51171041).

Coal Seam Hardness Hierarchical Identification Method Based on BP Neural Network

LIU Yong-gang^1,2， HOU Li-liang²， QIN Da-tong^1,2， HU Ming-hui^1,2

1. State Key Laboratory of Mechanical Transmission， Chongqing University， Chongqing 400044，China; 2. College of Automotive Engineering， Chongqing University， Chongqing 400044， China.

Received:2017-03-20 Revised:2017-03-20 Online:2018-08-15 Published:2018-09-12
Contact: LIU Yong-gang
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对煤层硬度识别方面存在的问题，提出一种基于BP神经网络算法的煤层硬度多等级识别方法，将煤层硬度划分为6个等级进行识别.以采煤机截割电机和牵引电机的定子电流信号及调高油缸压力信号作为识别信号，利用小波包分解提取各个信号的特征量，并将其作为神经网络的输入样本进行训练和测试.经过实验，在仿真数据条件下本文提出的煤层硬度多等级识别方法对硬度等级的识别准确率为96.7%，在实机数据条件下识别准确率为93.3%，验证了该煤层硬度识别方法的有效性，为采煤机自适应截割过程煤层硬度高精度识别奠定了理论基础.

关键词: 滚筒式采煤机, 截割阻抗, 煤层硬度识别, 小波包分解, BP神经网络, 特征量

Abstract: A BP neural network algorithm based hierarchical identification method， which divides the coal seam hardness into six levels， was proposed for identifying the coal seam hardness. The identification signals were taken from the stator currents of both the cutting motor and the traction motor of the mining machine， as well as the pressure signal of the height adjustment cylinder. The wavelet packet decomposition was used for extracting the characteristics of each signal， and these signals were taken as the input signals for training and testing the neural network. The experimental results show that the identification accuracy reaches 96.7% and 93.3% toward the simulation data and the real data， respectively， validating the effectiveness of the method. The method proposed provides the foundation for precisely identification of coal seam hardness.

Key words: drum shearer, cutting impedance, coal seam hardness identification, wavelet packet decomposition, BP neural network, feature vector

中图分类号:

TD421

刘永刚，侯立良，秦大同，胡明辉. 基于BP神经网络的煤层硬度多等级识别方法[J]. 东北大学学报:自然科学版, 2018, 39(8): 1163-1168.

LIU Yong-gang， HOU Li-liang， QIN Da-tong， HU Ming-hui. Coal Seam Hardness Hierarchical Identification Method Based on BP Neural Network[J]. Journal of Northeastern University Natural Science, 2018, 39(8): 1163-1168.

参考文献

[1]王育龙.基于电流信号的煤岩识别方法研究［D］.西安:西安科技大学，2013.(Wang Yu-long.The research of coal-rock recognition method based on current signal［D］.Xi’an:Xi’an University of Science and Technology，2013.)
[2]李朋真.采煤机钻岩识别及控制方法的研究［D］.徐州:中国矿业大学，2014.(Li Peng-zhen.Study on identification and control methods of the shearer rock drilling［D］.Xuzhou:China University of Mining and Technology，2014.)
[3]Ren F，Yang Z J，Xiong S B.Study on the coal-rock interface recognition method based on multi-sensor data fusion technique［J］.Chinese Journal of Mechanical Engineering，2003，16(3):321-324.
[4]Xu J K，Wang Z C，Zhang W Z，et al.Coal-rock interface recognition based on MFCC and neural network ［J］.International Journal of Signal Processing，Image Processing and Pattern Recognition，2013，6(4):191-200.
[5]Asfahani J，Borsaru M.Low-activity spectrometric gamma-ray logging technique for delineation of coal/rock interfaces in dry blast holes ［J］.Applied Radiation and Isotopes，2007，65(6):748-755.
[6]王伟，田慕琴.基于小波包神经网络的岩巷掘进机动载荷识别方法［J］.煤矿机械，2013，36(3):238-241.(Wang Wei，Tian Mu-qin.Dynamic load identification method of rock road header based on wavelet packet and neural network［J］.Coal Mine Machinery，2013，36(3):238-241.)
[7]刘春生.滚筒式采煤机工作机构［M］.哈尔滨:哈尔滨工业大学出版社，2013:50-56.(Liu Chun-sheng.The working mechanism of drum shearer［M］.Harbin:Harbin Institute of Technology Press，2013:50-56.)
[8]秦大同，王镇，胡明辉，等.基于多目标优化的采煤机滚筒最优运动参数的动态匹配［J］.煤炭学报，2015，40(sup 2):532-539.(Qin Da-tong，Wang Zhen，Hu Ming-hui，et al.Dynamic matching of optimal drum movement parameters of shearer based on multi-objective optimization［J］.Journal of China Coal Society，2015，40(sup 2):532-539.)
[9]Zhao X，Zhang S，Zhou C，et al.Experimental study of hydraulic cylinder leakage and fault feature extraction based on wavelet packet analysis［J］.Computers & Fluids，2015，106:33-40.
[10]Bangalore P，Tjernberg L B.An artificial neural network approach for early fault detection of gearbox bearings［J］.IEEE Transactions on Smart Grid，2017，6(2):980-987.
[11]Rout S B，Mishra S，Mishra S.A review on application of artificial neural network(ANN) on protein secondary structure prediction［C］//2017 Second International Conference on Electrical，Computer and Communication Technologies.Coimbatore，India，2017:1-6.
[12]Ocak I，Seker S E.Estimation of elastic modulus of intact rocks by artificial neural network［J］.Rock Mechanics & Rock Engineering，2012，45(6):1047-1054.
[13]Dil E A，Ghaedi M，Ghaedi A M，et al.Modeling of quaternary dyes adsorption onto ZnO-NR-AC artificial neural network:analysis by derivative spectrophotometry［J］.Journal of Industrial & Engineering Chemistry，2016，34:186-197.
[14]Shi J J，Zhou L W，Kong K W，et al.Fuzzy neural network based coal-rock interface recognition［J］.Applied Mechanics & Materials，2011，44/45/46/47:1402-1406.
[15]朱宁.基于人工神经网络的采煤机记忆截割控制系统研究［D］.西安:西安科技大学，2012.(Zhu Ning.Research on memory cutting control system for shearer based on artificial neural network［D］.Xi’an:Xi’an University of Science and Technology，2012.)(上接第1152页)5结语本文基于Bingham塑性模型建立了制动时间数学模型，在此基础上，结合ANSYS磁场仿真计算出不同工作间隙、不同转动角速度条件下的制动时间，并进行相应的测量实验.将测量结果与理论值作对比，验证了理论计算的可行性与准确性，并分析了产生误差的原因.研究结果表明，制动时间随工作间隙的增大而线性增加.该结论对盘式磁流变制动器的研究具有一定意义.

基于BP神经网络的煤层硬度多等级识别方法

Coal Seam Hardness Hierarchical Identification Method Based on BP Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[2]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[3]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[4]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[5]	杨周，姜超，张义民，姜红猛. 采煤机截割部扭矩轴的动态可靠性分析[J]. 东北大学学报:自然科学版, 2020, 41(2): 217-222.
[6]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[7]	王鑫，顾亮，李晓雷，董明明. 基于系统响应的履带车辆路面识别方法[J]. 东北大学学报:自然科学版, 2019, 40(7): 968-973.
[8]	刘莹，于淼，刘阳. 基于乘客感知的公交车线路服务质量评价模型[J]. 东北大学学报:自然科学版, 2019, 40(5): 750-755.
[9]	刘智，张铁，董莹，徐爽爽. 关于股票价格的二阶模糊时间序列[J]. 东北大学学报:自然科学版, 2019, 40(2): 300-304.
[10]	于瑞云，薛林，安轩邈，夏兴有. 基于改进GA-BP的移动通信用户流失预测算法[J]. 东北大学学报:自然科学版, 2019, 40(2): 180-185.
[11]	王巧云，郑念祖. 基于样本选择与PSO-ANN的葡萄酒酒精浓度预测[J]. 东北大学学报:自然科学版, 2018, 39(7): 970-975.
[12]	任松，李振元，陈钒，姜德义. 石膏围岩隧道衬砌结构腐蚀模型研究[J]. 东北大学学报:自然科学版, 2017, 38(7): 1049-1054.
[13]	张钦礼，刘奇，赵建文. 全尾砂絮凝沉降参数预测模型研究[J]. 东北大学学报:自然科学版, 2016, 37(6): 875-879.
[14]	谢承煜，罗周全，贾楠，汪伟. 改进TOPSIS与GA-BP耦合的采空区危险性辨析[J]. 东北大学学报:自然科学版, 2016, 37(3): 440-445.
[15]	马廉洁，巩亚东，于爱兵，曹小兵. 基于BP和GA的微晶玻璃点磨削表面硬度数值拟合[J]. 东北大学学报:自然科学版, 2016, 37(2): 213-217.