[发明专利]基于瓦斯浓度参数的井下工作面作业类型智能识别方法

权利要求书

1.一种基于瓦斯浓度参数的井下工作面作业类型智能识别方法，其特征在于方法主要包括如下主要步骤：

步骤1、通过井下瓦斯浓度传感器获取瓦斯浓度的原始信号序列x(t)，存入瓦斯浓度数据库；

步骤2、将各个原始信号序列x(t)根据工作面的作业类型进行划分；

步骤3、对瓦斯浓度数据库中的瓦斯浓度数据进行自适应滤波降噪处理，获得降噪后的瓦斯浓度序列；

步骤4、将降噪后的瓦斯浓度序列作为混沌时间序列，根据作业类型的划分对各类作业类型对应的数据分别提取敏感特征参数；

步骤5、构建井下工作面的作业类型神经网络智能识别模型，根据已建立的瓦斯浓度数据库和敏感特征参数输入到模型中进行训练；

步骤6、利用训练后的模型对新获取的待测瓦斯浓度数据进行作业类型的智能识别。

2.根据权利要求1所述的一种基于瓦斯浓度参数的井下工作面作业类型智能识别方法，其特征在于：所述步骤2中，工作面的作业类型划分为放炮、割煤、落煤、交接班、打钻作业、临时支护、安装锚杆、检修和其他无关作业。

3.根据权利要求1所述的一种基于瓦斯浓度参数的井下工作面作业类型智能识别方法，其特征在于：所述步骤4中，所述的敏感特征参数包括瓦斯浓度数据的均值、均方差、方差、极差、差分特征值。

4.根据权利要求1所述的一种基于瓦斯浓度参数的井下工作面作业类型智能识别方法，其特征在于：所述步骤3中，自适应滤波降噪处理具体为：

3.1，获得原始信号序列x(t)的全部极值点n_i，i＝1,2,3…,I，I为极值点数，然后根据极值点，求得所有相邻局域极值点的平均值作为局域均值m_i＝(n_i+n_i+1)/2和局域包络估计值作为局域包络值a_i＝(n_i-n_i+1)/2；

3.2，对所有局域均值m_i和所有局域包络值a_i采用滑动平均法进行多次平滑处理分别得到局域均值函数m′₁(t)、m′₂(t)、…和局域包络函数a′₁(t)、a′₂(t)、…；

3.3，步骤3.2的每一次平滑处理后均处理迭代直至获得纯调频信号s_k(t)：

在步骤3.2的第一次平滑处理后，从原始信号序列x(t)中分离出第一次平滑处理获得的局域均值函数m′₁(t)而保留得到第一中间分离信号序列h₁(t)＝x(t)-m′₁(t)，然后再根据第一次平滑处理获得的局域包络函数a′₁(t)进行解调得第一中间解调信号序列s₁(t)＝h₁(t)/a′₁(t)；

然后将第一中间解调信号序列s₁(t)视为原始信号序列x(t)重复步骤，结合第二次平滑处理获得的局域均值函数m′₁(t)和局域包络函数a′₁(t)计算获得第二中间分离信号序列和第二中间解调信号序列；

以此迭代处理直到第K次的中间解调信号序列满足-1≤s_K(t)≤1且其下一次的局域包络函数a′_K+1(t)＝1，K为进行迭代的次数，则将第K次的中间解调信号序列s_K(t)作为纯调频信号，停止迭代处理；具体迭代过程表示为：

式中，K为进行迭代的总次数；

3.4，将以上纯调频信号s_K(t)在迭代过程产生的所有局域包络函数a′_k(t)相乘获得第一乘积分量的包络信号A₁(t)＝a′₁(t)a′₂(t)…a′_K(t)，k＝1,2,3…，K，接着将第一乘积分量的包络信号A₁(t)和其对应的纯调频信号s_K(t)相乘得到原始信号序列的第一乘积分量PF₁(t)＝A₁(t)s_k(t)；

3.5，将第一乘积分量PF₁(t)从原始信号序列x(t)中分离出来，保留得到第一残余信号u₁(t)，并以第一残余信号u₁(t)为原始信号序列x(t)重复上述步骤3.1-3.4迭代处理，直至通过J次循环分离出所有乘积分量，且满足第J残余信号u_J(t)为一个单调函数，由此构建以下原始信号序列x(t)的分解表达式：

其中，j表示步骤3.1-3.4迭代处理的次序数，j＝1,2,3…，J，J表示步骤3.1-3.4迭代处理的总次数；

3.6，对获得的各个乘积分量和原始信号序列x(t)一起进行相关性分析，取所有乘积分量的能量值构成序列的全局极小值作为高低频成分的调频分界点，将调频分界点之前的乘积分量的高频分量全部作为噪声乘积分量，将剔除噪声乘积分量后对信号进行重构处理，得到降噪后的瓦斯浓度序列dx(t)，其中，乘积分量的能量值按照分量所有序列数据的平方和计算得出。

5.根据权利要求1所述的一种基于瓦斯浓度参数的井下工作面作业类型智能识别方法，其特征在于：

所述的作业类型神经网络智能识别模型采用粗糙集理论和人工神经网络相结合的粗神经网络(rough membership neural network，RMNN)，利用神经网络输入层的粗神经元分别计算各作业类型时瓦斯浓度数据敏感特征参数，并采用模糊神经元代替普通神经元。