煤礦安全監(jiān)測(cè)監(jiān)控系統(tǒng)瓦斯?jié)舛犬惓Ｐ盘?hào)辨識(shí)方法研究.pdf

1、在現(xiàn)代化煤礦生產(chǎn)中，瓦斯傳感器是安全監(jiān)測(cè)監(jiān)控系統(tǒng)中最重要的傳感器，可以對(duì)井下瓦斯涌出狀況進(jìn)行實(shí)時(shí)的檢測(cè)，其信號(hào)的準(zhǔn)確性對(duì)煤礦安全生產(chǎn)起到了十分關(guān)鍵的作用。然而井下高溫、高濕、高粉塵、強(qiáng)干擾的惡劣環(huán)境導(dǎo)致的瓦斯傳感器誤報(bào)、漏報(bào)事故時(shí)有發(fā)生。因此，研究如何及時(shí)的檢出瓦斯?jié)舛犬惓Ｐ盘?hào)，并辨識(shí)其異常類型，從而排除誤報(bào)和分析誤報(bào)原因，具有十分重要的研究意義。
　　本文針對(duì)恒偏差型、瞬時(shí)型、周期性脈沖型3種瓦斯?jié)舛犬惓Ｐ盘?hào)的檢出與特征提取分類

2、這兩個(gè)問題，提出了煤礦安全監(jiān)測(cè)監(jiān)控系統(tǒng)瓦斯?jié)舛犬惓Ｐ盘?hào)辨識(shí)算法。所取得的主要研究成果如下:
　　(1)通過瓦斯?jié)舛犬惓Ｐ盘?hào)辨識(shí)特征分析，采用數(shù)據(jù)挖掘和信號(hào)分析理論，提出了安全監(jiān)測(cè)監(jiān)控系統(tǒng)中瓦斯?jié)舛犬惓Ｐ盘?hào)辨識(shí)方法，建立了安全監(jiān)測(cè)監(jiān)控系統(tǒng)瓦斯?jié)舛犬惓Ｐ盘?hào)模型。此模型可以準(zhǔn)確的對(duì)瓦斯?jié)舛犬惓Ｐ盘?hào)進(jìn)行檢出，同時(shí)進(jìn)一步對(duì)異常信號(hào)進(jìn)行正確特征提取和分類。
　　(2)通過研究，發(fā)現(xiàn)了對(duì)3種異常信號(hào)具有較高區(qū)分度的時(shí)域參數(shù)峭度。對(duì)現(xiàn)行的煤

3、礦安全監(jiān)測(cè)監(jiān)控系統(tǒng)中出現(xiàn)的瓦斯?jié)舛犬惓Ｐ盘?hào)的分析得到，濃度異常信號(hào)可以分為偏差型、瞬時(shí)型、周期性脈沖型3種模式。計(jì)算3種異常信號(hào)的樣本期望、方差、均方根值、峰值指標(biāo)、峰值比、峭度、偏度等統(tǒng)計(jì)指標(biāo)，比較得到峭度參數(shù)K區(qū)分度最高。峭度參數(shù)K可以用于異常信號(hào)檢出決策和特征提取分類。
　　(3)在瓦斯?jié)舛犬惓Ｐ盘?hào)的檢出方法研究中，針對(duì)人工神經(jīng)網(wǎng)絡(luò)逼近存在的訓(xùn)練樣本較大，以及傳統(tǒng)單一閾值的決策方法容易產(chǎn)生誤報(bào)等問題，提出了基于遺傳算法優(yōu)化支

4、持向量回歸機(jī)(GA-SVR)結(jié)合可調(diào)算子解析模糊決策指標(biāo)的異常信號(hào)檢出方法。首先，將多個(gè)相關(guān)傳感器信號(hào)利用遺傳算法優(yōu)化的支持向量回歸機(jī)方法進(jìn)行數(shù)據(jù)融合對(duì)被診斷傳感器濃度信號(hào)進(jìn)行逼近;然后，將被診斷傳感器實(shí)測(cè)濃度與逼近值相比得到殘差;最后，通過可調(diào)算子解析模糊故障決策指標(biāo)對(duì)殘差特征進(jìn)行決策，最終得到診斷結(jié)果。通過煤礦現(xiàn)場監(jiān)控?cái)?shù)據(jù)的離線實(shí)驗(yàn)，較之于人工神經(jīng)網(wǎng)絡(luò)，支持向量回歸機(jī)算法可以很好地解決瓦斯傳感器故障這一小樣本學(xué)習(xí)訓(xùn)練的問題，對(duì)瓦斯?jié)?/p>

5、度的非線性的變化有很強(qiáng)的逼近能力。遺傳算法可以對(duì)SVR的參數(shù)選取自適應(yīng)尋優(yōu)，從而提高支持向量回歸的精度，避免人為選擇參數(shù)的盲目性?；诳烧{(diào)算子解析模糊決策的檢出決策指標(biāo)，可以避免用一個(gè)簡單的閾值判定異常的不足，綜合考慮疑似異常信號(hào)的強(qiáng)度和峭度來進(jìn)行決策，提高了異常信號(hào)檢出的正確率。
　　(4)在瓦斯?jié)舛犬惓Ｐ盘?hào)的特征提取與分類方法研究中，搭建了瓦斯監(jiān)控異常信號(hào)辨識(shí)實(shí)驗(yàn)平臺(tái)，通過大量實(shí)驗(yàn)得到了豐富的異常信號(hào)樣本。實(shí)驗(yàn)對(duì)比了小波降噪結(jié)

6、合DFT譜分析方法、小波包結(jié)合能量特征矢量和Hilbert-Huang變換方法的特征提取性能，驗(yàn)證了二叉樹支持向量機(jī)分類器的分類性能。結(jié)果表明:小波包結(jié)合能量特征矢量方法分析結(jié)果受樣本點(diǎn)選擇、發(fā)生異常信號(hào)的時(shí)間點(diǎn)及程度影響巨大，對(duì)于恒偏差型異常信號(hào)和瞬時(shí)型異常信號(hào)的區(qū)分度并不高，容易造成誤判、錯(cuò)分。Hilbert-Huang變換的方法對(duì)于短時(shí)突變型的異常數(shù)據(jù)有較好的辨識(shí)效果，同時(shí)可以求出信號(hào)的瞬時(shí)頻率，對(duì)發(fā)生異常的時(shí)間點(diǎn)有指示作用，但是

7、Hilbert-Huang變換方法無法分解恒偏差型異常信號(hào)，此種方法不能對(duì)恒偏差型特征進(jìn)行提取?；谛〔ń翟虢Y(jié)合DFT變換譜的方法可以對(duì)異常信號(hào)進(jìn)行很好的特征提取，DFT變換幅值譜分布區(qū)分性明顯，改變信號(hào)采樣的起始時(shí)間對(duì)辨識(shí)結(jié)果的影響不大。小波降噪結(jié)合DFT譜分析的方法對(duì)煤礦安全監(jiān)測(cè)監(jiān)控系統(tǒng)瓦斯?jié)舛犬惓Ｐ盘?hào)的特征提取是有效的，GA算法和主元分析(PCA)優(yōu)化的二叉樹支持向量分類器分類正確率達(dá)到96％以上。
　　本課題針對(duì)煤礦監(jiān)控系