图像特征与振动频谱多源融合驱动的煤矸识别技术研究

李立宝; 袁永; 秦正寒; 李波; 闫政天; 李勇

doi:10.13272/j.issn.1671-251x.2024080081

图像特征与振动频谱多源融合驱动的煤矸识别技术研究

李立宝^{1, 2,},
袁永^{1, 2, ,},
秦正寒^{1, 2},
李波^{1, 2},
闫政天^{1, 2},
李勇^{1, 2}

1.
中国矿业大学矿业工程学院，江苏徐州　221116
2.
中国矿业大学深部煤炭资源开采教育部重点实验室，江苏徐州　221116

基金项目: 国家自然科学基金项目（52204132）；江苏高校“青蓝工程”资助项目（苏教师函〔2022〕29号）；江苏省研究生科研与实践创新计划资助项目（KYCX24_2874）；中国矿业大学未来杰出人才助力计划资助项目（2024WLJCRCZL013）；湖南省自然科学基金青年项目（2023JJ40285）；湖南省教育厅优秀青年基金项目（22B0469）。

详细信息

作者简介:
李立宝（1999—），男，山西晋中人，硕士研究生，研究方向为智能开采，E-mail：ts22020031a31tm@cumt.edu.cn

通讯作者:
袁永（1983—），男，河南泌阳人，教授，博士研究生导师，研究方向为智能开采、灾害防控，E-mail：cumt-yuanyong@cumt.edu.cn。

中图分类号: TD823.49
计量
- 文章访问数: 338
- HTML全文浏览量: 35
- PDF下载量: 24
出版历程
- 收稿日期: 2024-08-26
- 修回日期: 2024-11-22
- 网络出版日期: 2024-10-31
- 刊出日期: 2024-11-24

Research on coal-gangue identification technology driven by multi-source fusion of image features and vibration spectrum

LI Libao^{1, 2,},
YUAN Yong^{1, 2, ,},
QIN Zhenghan^{1, 2},
LI Bo^{1, 2},
YAN Zhengtian^{1, 2},
LI Yong^{1, 2}

1.
School of Mines, China University of Miming and Technology, Xuzhou 221116, China
2.
Key Laboratory of Deep Coal Resource, Ministry of Education of China, China University of Mining and Technology, Xuzhou 221116, China

摘要

摘要:
针对目前图像与振动信号融合的方法在煤矸识别领域应用存在特征融合困难、实时性和模型复杂度不满足实际应用要求等问题，设计了基于多头注意力（MA）的多层长短期记忆（ML−LSTM）模型MA−ML−LSTM。采用经粒子群优化（PSO）算法优化的变分模态分解（VMD）算法对振动信号进行处理，将能量、能量矩、峭度、波形因数与矩阵奇异值作为特征量，并采用一维卷积网络获取振动信息；在多分类网络ResNet−18基础上删除最后的全连接层，用于对煤矸图像进行深度特征提取；通过MA机制和ML−LSTM网络实现图像与振动双通道特征融合，强化各通道重要特征信息的表达。实验结果表明：MA−ML−LSTM模型的平均识别准确率达98.72%，相比传统单一的ResNet，MobilenetV3，1D−CNN，LSTM模型分别高4.60%，7.96%，5.37%，6.11%，相比EMD−RF，IMF−SVM，CSPNet−YOLOv7分别高4.18%，4.45%，3.46%，验证了图像特征与振动频谱多源融合驱动的煤矸识别技术的有效性。
- 煤矸识别 /
- 多源信息融合 /
- 振动信号 /
- 图像识别 /
- 多头注意力机制 /
- 多层长短期记忆模型
Abstract:
To address the challenges of feature fusion, real-time performance, and model complexity in the application of image and vibration signal fusion for coal-gangue identification, a multi-head attention (MA)-based multi-layer long short-term memory (ML-LSTM) model, i.e., MA-ML-LSTM, was proposed. The variational mode decomposition (VMD) algorithm, optimized by particle swarm optimization (PSO), was employed to process vibration signals. Features such as energy, energy moment, kurtosis, waveform factor, and matrix singular values were extracted. A one-dimensional convolutional network was used to acquire vibration information. For image feature extraction, the fully connected layer of the multi-classification network ResNet-18 was removed, enabling the extraction of deep features from coal-gangue images. Dual-channel feature fusion of images and vibration signals was achieved using the MA mechanism and the ML-LSTM network, enhancing the expression of significant features in each channel. Experimental results demonstrated that the MA-ML-LSTM model achieved an average recognition accuracy of 98.72%, which was 4.60%, 7.96%, 5.37%, and 6.11% higher than traditional single models ResNet, MobilenetV3, 1D-CNN, and LSTM, respectively. Compared to EMD-RF, IMF-SVM, and CSPNet-YOLOv7 models, accuracy improved by 4.18%, 4.45%, and 3.46%, respectively. These findings validate the effectiveness of the coal-gangue identification technology driven by multi-source fusion of image features and vibration spectrum.
- coal-gangue identification /
- multi-source information fusion /
- vibration signals /
- image recognition /
- multi-head attention mechanism /
- multi-layer long short-term memory model

HTML全文

0. 引言

钢丝绳具有强度高、柔韧性好等优点，被广泛应用于煤矿生产现场的人员升降、物料升降及混合提升^[1]。然而，煤矿现场工况复杂，容易导致钢丝绳受损，煤矿企业不得不面临钢丝绳更换和报废的问题^[2]。根据《煤矿安全规程》规定，对于达到使用年限的钢丝绳，只要其损伤未超过规定限度，仍可以继续使用^[3]。然而，目前大多数煤矿企业仍采用定期更换钢丝绳的方式。调查表明，被定期更换下来的钢丝绳中有相当一部分仍满足继续使用的要求，直接报废会造成人力、物力的极大浪费，因此对钢丝绳进行损伤检测尤为重要^[4-5] 。

漏磁检测作为一种有效的钢丝绳损伤检测方法^[6]，其励磁装置设计的合理性至关重要。窦连城^[7]仿真分析了磁极间距、磁铁内径、气隙等参数变化对励磁效果和钢丝绳漏磁场的影响，并在此基础上设计了励磁装置。张义清等^[8]分析了永久磁铁的位置、励磁回路对励磁效果的影响，设计了用于直径36 mm钢丝绳的励磁装置的结构尺寸，并通过理论计算和仿真分析证明了励磁装置的励磁效果。路正雄等^[9]提出了一种由多个磁体段装配而成的钢丝绳励磁装置，实验结果表明该装置在钢丝绳受损处能检测到幅值剧烈变化的漏磁信号。然而以上研究主要侧重于实验室环境下钢丝绳相对稳定状态的分析，未考虑工程应用背景下钢丝绳摆动对励磁装置的影响^[10-12]，导致检测效果不理想。

本文设计了一套基于漏磁检测的矿用钢丝绳励磁装置。首先，分析了工程应用中影响钢丝绳漏磁检测效果的关键因素；然后，在考虑工程应用背景的条件下，通过仿真研究了励磁装置参数变化对励磁效果的影响，并在此基础上确定了励磁装置最优参数；最后，通过动态仿真和实验验证了励磁装置的励磁效果。

1. 工程应用中的钢丝绳漏磁检测分析

1.1 漏磁检测原理

钢丝绳由铁磁材料构成，具有较好的导磁性能^[13-15]。基于这一特性，对钢丝绳施加外部磁场，使钢丝绳达到磁化饱和状态。在这种状态下，损伤钢丝绳的漏磁场产生变化。使用霍尔传感器可以捕捉钢丝绳漏磁，通过分析漏磁信号能够判断钢丝绳损伤位置及损伤程度。漏磁检测原理如图1所示。

图 1 漏磁检测原理

Figure 1. Principle of magnetic flux leakage detection

下载: 全尺寸图片幻灯片

霍尔传感器是一种基于霍尔效应原理制成的磁敏传感器，常被应用于漏磁检测^[16-17]。霍尔效应原理如图2所示。平面有恒定电流通过，当外界磁场的分量方向与平面的法向量方向一致时，在洛伦兹力的作用下会在平面两侧产生电势差，即霍尔电压^[18-20]。

图 2 霍尔效应原理

Figure 2. Principle of Hall effect

下载: 全尺寸图片幻灯片

$$ {V_{\rm{h}}} = {K_{\rm{h}}}{I_{\rm{c}}}B\cos \ \theta $$

(1)

式中：V_h为霍尔电压；K_h为霍尔系数；I_c为恒定电流；B为磁感应强度；θ为磁感应强度B的方向与霍尔传感器平面法向量n之间的夹角。

由式（1）可知，在其他参数不变的情况下，增大磁感应强度B可使霍尔电压V_h增大，进而提高漏磁检测效果。

1.2 漏磁场分析

钢丝绳表面的漏磁场由励磁装置将钢丝绳磁化至饱和状态后产生。励磁装置参数如图3所示。h_b为衔铁厚度；δ为气隙；l_m为永磁体长度；L_m为永磁体磁极间距；h_m为永磁体厚度；d为提离值（霍尔传感器距钢丝绳表面的距离^[21]）。

图 3 励磁装置参数

Figure 3. Excitation device parameters

下载: 全尺寸图片幻灯片

在工程应用中，为避免矿用钢丝绳上的油污和钢丝绳摆动对励磁装置上的霍尔传感器造成影响和破坏，需要在励磁装置中心装备衬套。因此，在工程应用背景下，钢丝绳励磁装置的气隙和提离值不宜过小。

为研究气隙和提离值对钢丝绳漏磁检测效果的影响，本文采用螺旋缠绕的钢绞线代替钢丝绳，建立钢丝绳励磁仿真模型，如图4所示。通过钢丝绳损伤漏磁峰值和无损伤漏磁谷值描述钢丝绳漏磁场状况，其中钢丝绳损伤漏磁由钢丝绳表面漏磁减去背景漏磁得到。

图 4 钢丝绳励磁仿真模型

Figure 4. Simulation model of steel wire rope excitation

下载: 全尺寸图片幻灯片

实验1：固定提离值为1 mm，设置气隙变化范围为0～12 mm，变化步长为3 mm，仿真分析不同气隙下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表1。可看出随着气隙增大，钢丝绳损伤漏磁峰值下降后趋于稳定，且在气隙较小时降幅较大；钢丝绳无损伤漏磁谷值随着气隙增大呈下降趋势，且降幅基本稳定。

表 1 气隙对钢丝绳漏磁场的影响

Table 1. Influence of air gap on magnetic flux leakage field of steel wire rope

气隙/mm	钢丝绳损伤漏磁峰值/mT	钢丝绳无损伤漏磁谷值/mT
0	3.947 0	19.214 6
3	3.418 2	17.827 0
6	2.849 4	17.135 2
9	2.806 3	15.941 1
12	2.804 6	14.912 0

下载: 导出CSV

| 显示表格

实验2：固定气隙为6 mm，设置提离值变化范围1～9 mm，变化步长为2 mm，仿真分析不同提离值下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表2。可看出随着提离值增大，钢丝绳损伤漏磁峰值呈下降趋势，且在提离值较小时降幅较大；钢丝绳无损伤漏磁谷值随着提离值增大也呈下降趋势，且降幅基本稳定。

表 2 提离值对钢丝绳漏磁场的影响

Table 2. Influence of lift off value on magnetic flux leakage field of steel wire rope

提离值/mm	钢丝绳损伤漏磁峰值/mT	钢丝绳无损伤漏磁谷值/mT
1	2.497 7	17.237 9
3	0.830 9	15.234 9
5	0.433 7	13.439 9
7	0.274 2	11.791 4
9	0.176 1	10.289 6

下载: 导出CSV

| 显示表格

仿真结果表明：保持其他参数不变的情况下，增大气隙或提离值都会降低钢丝绳漏磁场，且在气隙或提离值较小时，钢丝绳漏磁场降幅明显。

2. 钢丝绳励磁装置参数确定

在工程应用中，气隙与提离值难以减小，会削弱钢丝绳漏磁场，导致霍尔电压减弱，进而影响漏磁检测效果。为提高工程应用中钢丝绳励磁装置的检测效果，将气隙和提离值分别设为适宜工程应用的6 mm和5 mm，研究钢丝绳励磁装置其他磁路参数（永磁体厚度、永磁体长度、磁极间距、衔铁厚度）对钢丝绳漏磁场的影响，从而为确定励磁装置参数提供依据。

2.1 不同磁路参数对钢丝绳漏磁场的影响

2.1.1 永磁体厚度对钢丝绳漏磁场的影响

设置永磁体厚度变化范围为5～25 mm，变化步长为5 mm，仿真分析不同永磁体厚度下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表3。可看出随着永磁体厚度增加，钢丝绳损伤漏磁峰值和钢丝绳无损伤漏磁谷值均呈增大趋势，但增幅略微减小。这表明永磁体厚度增加对钢丝绳漏磁场增强效果明显，但随着永磁体厚度增加，磁路内阻也会增加，永磁体厚度并非越大越有利。

表 3 永磁体厚度对钢丝绳漏磁场的影响

Table 3. Influence of permanent magnet thickness on magnetic flux leakage field of steel wire rope

永磁体厚度/mm	钢丝绳损伤漏磁峰值 /mT	钢丝绳无损伤漏磁谷值/mT
5	0.282 4	4.956 6
10	0.436 3	11.887 4
15	0.587 6	17.819 7
20	0.682 2	23.260 1
25	0.771 3	27.396 7

下载: 导出CSV

| 显示表格

2.1.2 永磁体长度对钢丝绳漏磁场的影响

设置永磁体长度变化范围为20～60 mm，变化步长为10 mm，仿真分析不同永磁体长度下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表4。可看出随着永磁体长度增加，钢丝绳损伤漏磁峰值和钢丝绳无损伤漏磁谷值均呈增大趋势，且增幅略微增大。这表明永磁体长度增加对钢丝绳漏磁场增强效果明显，且随着永磁体长度增加，磁路内阻降低，对钢丝绳漏磁场的增强效果更佳。

表 4 永磁体长度对钢丝绳漏磁场的影响

Table 4. Influence of permanent magnet length on magnetic flux leakage field of steel wire rope

永磁体长度/mm	钢丝绳损伤漏磁峰值/mT	钢丝绳无损伤漏磁谷值/mT
20	0.337 5	7.108 7
30	0.378 1	11.860 6
40	0.430 3	15.761 7
50	0.519 6	16.953 8
60	0.692 1	22.258 6

下载: 导出CSV

| 显示表格

2.1.3 磁极间距对钢丝绳漏磁场的影响

设置磁极间距变化范围为160～240 mm，变化步长为20 mm，仿真分析不同磁极间距下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表5。可看出随着磁极间距增加，钢丝绳损伤漏磁峰值呈先上升后下降的趋势，但变化幅度不大，而钢丝绳无损伤漏磁谷值呈下降趋势，且下降幅度逐渐变大。磁极间距的减小虽然能够引起钢丝绳无损伤漏磁谷值的下降，但对钢丝绳漏磁场影响不明显。

表 5 磁极间距对钢丝绳漏磁场的影响

Table 5. Influence of magnetic pole spacing on magnetic flux leakage field of steel wire rope

磁极间距/mm	钢丝绳损伤漏磁峰值/mT	钢丝绳无损伤漏磁谷值/mT
160	0.361 6	13.643 6
180	0.379 0	13.077 4
200	0.373 5	11.472 5
220	0.367 2	9.597 6
240	0.360 9	8.004 6

下载: 导出CSV

| 显示表格

2.1.4 衔铁厚度对钢丝绳漏磁场的影响

设置衔铁厚度变化范围为5～25 mm，变化步长为5 mm，仿真分析不同衔铁厚度下钢丝绳损伤漏磁峰值和无损伤漏磁谷值，结果见表6。可看出随着衔铁厚度增加，钢丝绳损伤漏磁峰值整体变化幅度较小；钢丝绳无损伤漏磁谷值在衔铁厚度为5～20 mm时无明显增长或减少趋势，但在衔铁厚度为25 mm时显著下降，这说明衔铁厚度增加并不能显著增强钢丝绳漏磁场。

表 6 衔铁厚度对钢丝绳漏磁场的影响

Table 6. Influence of armature thickness on magnetic flux leakage field of steel wire rope

衔铁厚度/mm	钢丝绳损伤漏磁峰值/mT	钢丝绳无损伤漏磁谷值/mT
5	0.447 0	12.574 5
10	0.441 3	13.123 0
15	0.466 6	13.010 5
20	0.445 5	12.907 2
25	0.486 7	6.186 8

下载: 导出CSV

| 显示表格

2.2 钢丝绳励磁装置参数确定

由表3−表6可知，增加永磁体厚度和永磁体长度对钢丝绳漏磁场的增强效果最明显，磁极间距对钢丝绳漏磁场的影响不明显，衔铁厚度对钢丝绳漏磁场几乎没有影响。另外，工程应用中不能一味追求较高的漏磁场，需要综合考虑钢丝绳励磁装置的经济性与便携性。因此，本文设置钢丝绳励磁装置参数：永磁体厚度为10 mm、永磁体长度为30 mm、磁极间距为180 mm、衔铁厚度为10 mm。根据励磁装置参数完成励磁装置结构设计，如图5所示。

图 5 钢丝绳励磁装置结构

Figure 5. Structure of steel wire rope excitation device

下载: 全尺寸图片幻灯片

3. 仿真验证

为验证钢丝绳励磁装置的可行性，通过动态仿真模拟损伤钢丝绳与钢丝绳励磁装置的相对运动，并观察运动过程中霍尔传感器安装位置处磁感应强度变化情况。

设置钢丝绳直径为28 mm、长度为350 mm，损伤位于钢丝绳中间位置的外表面，保持钢丝绳励磁装置轴线与钢丝绳轴线重合。运动轨迹设定：钢丝绳沿励磁装置轴线运动，从励磁装置轴线中点左侧25 mm处移动到右侧25 mm处，总运动距离为50 mm，整个运动过程共50 s，每0.1 s为1个步长。

磁感应强度变化仿真曲线如图6所示。可看出钢丝绳相对励磁装置移动过程中，磁感应强度波形变化明显，且峰峰值可达0.9 mT。这说明该励磁装置能够保证损伤处产生较高的漏磁，达到增强检测效果的目的。

图 6 磁感应强度变化仿真曲线

Figure 6. Simulation curve of magnetic induction intensity change

下载: 全尺寸图片幻灯片

4. 实验验证

搭建钢丝绳检测实验台（图7）进行钢丝绳励磁装置实验验证。

图 7 钢丝绳检测实验台

Figure 7. Steel wire rope detection experiment platform

下载: 全尺寸图片幻灯片

实验采用结构为6×34WS+FC、直径为28 mm、长度为5.6 m的矿用钢丝绳。在钢丝绳上制作6处断丝损伤，如图8所示，断丝数量依次为1~6根，断丝损伤之间相距65 cm。

图 8 钢丝绳损伤

Figure 8. Steel wire rope damage

下载: 全尺寸图片幻灯片

通过实验台的拉紧装置对钢丝绳进行拉紧，沿实验台轨道移动钢丝绳励磁装置对钢丝绳进行检测。检测过程中，钢丝绳漏磁经霍尔传感器转换为电信号，然后通过前置放大电路板进行放大处理。放大后的电信号经线缆传输至采集板卡，并被转换为数字信号。数字信号传输至上位机存储为钢丝绳漏磁信号。钢丝绳漏磁信号经低通滤波处理（截止频率为25 Hz）后，结果如图9所示。可看出在钢丝绳不同断丝损伤处，漏磁信号均出现了明显波动，说明钢丝绳损伤处漏磁强烈，励磁装置励磁效果良好，可准确检出钢丝绳断丝损伤。

图 9 钢丝绳漏磁信号

Figure 9. Magnetic flux leakage signal of steel wire rope

下载: 全尺寸图片幻灯片

5. 结论

1）考虑钢丝绳励磁装置工程应用背景，气隙和提离值较大会降低钢丝绳漏磁场，影响钢丝绳漏磁检测效果。

2）永磁体厚度、永磁体长度对钢丝绳漏磁场影响最大；磁极间距对钢丝绳漏磁场的影响较小；衔铁厚度对钢丝绳漏磁场的影响可忽略不计。

3）在适宜工程应用的气隙6 mm、提离值5 mm条件下，确定了钢丝绳励磁装置参数：永磁体厚度为10 mm、永磁体长度为30 mm、磁极间距为180 mm、衔铁厚度为10 mm。

4）仿真和实验结果表明，钢丝绳励磁装置具有良好的励磁效果，可有效检测出钢丝绳断丝损伤。

图 1 MA−ML−LSTM模型

Figure 1. Multi-head attention（MA）-multi-layers（ML）-long short-term memory（LSTM） model

下载: 全尺寸图片幻灯片

图 2 MA机制

Figure 2. MA mechanism

下载: 全尺寸图片幻灯片

图 3 LSTM网络单元结构

Figure 3. LSTM network unit structure

下载: 全尺寸图片幻灯片

图 4 ML-LSTM特征融合模型

Figure 4. ML-LSTM feature fusion model

下载: 全尺寸图片幻灯片

图 5 放顶煤相似模拟平台

Figure 5. Similar simulation platform for top coal caving

下载: 全尺寸图片幻灯片

图 6 实验平台装料箱的初始状态

Figure 6. Initial state of the material box of the experimental platform

下载: 全尺寸图片幻灯片

图 7 实验平台装料箱的结束状态

Figure 7. Final state of experimental platform material box

下载: 全尺寸图片幻灯片

图 8 振动信号特征数据集构建流程

Figure 8. Construction process of vibration signal feature dataset

下载: 全尺寸图片幻灯片

图 9 PSO算法流程

Figure 9. Particle swarm optimization（PSO） algorithm process

下载: 全尺寸图片幻灯片

图 10 重构前后振动信号曲线

Figure 10. Vibration signal curves before and after reconstruction

下载: 全尺寸图片幻灯片

图 11 部分图像数据

Figure 11. Partial image data

下载: 全尺寸图片幻灯片

图 12 训练损失曲线

Figure 12. Training loss curves

下载: 全尺寸图片幻灯片

图 13 验证准确率曲线

Figure 13. Verification accuracy curves

下载: 全尺寸图片幻灯片

图 14 混淆矩阵

Figure 14. Confusion matrix

下载: 全尺寸图片幻灯片

图 15 不同方案的混淆矩阵对比

Figure 15. Comparison of confusion matrices from different schemes

下载: 全尺寸图片幻灯片

表 1 PSO算法重复10次结果

Table 1 Result of PSO algorithm repeated for 10 times

次数	k	α	次数	k	α
1	10	2 087	6	10	2 062
2	10	2 165	7	10	2 151
3	10	2 094	8	10	2 114
4	10	2 132	9	10	2 173
5	10	2 189	10	10	2 058

下载: 导出CSV

表 2 各IMF与原始信号的皮尔逊相关系数

Table 2 Pearson's correlation coefficient of each IMF with the original signal

IMF分量	相关系数	IMF分量	相关系数
IMF1	0.7826	IMF6	0.3696
IMF2	0.8519	IMF7	0.1285
IMF3	0.7342	IMF8	0.1324
IMF4	0.5623	IMF9	0.0165
IMF5	0.4676	IMF10	0.0085

下载: 导出CSV

表 3 消融实验分类结果

Table 3 Classification results of ablation experiment %

方案	准确率	精确度	召回率	F₁
A	92.10	91.93	92.16	92.04
B	95.57	95.72	96.17	95.94
C	97.12	97.08	97.15	97.11
D	98.72	98.66	98.62	98.64

下载: 导出CSV

表 4 不同模型的实验结果

Table 4 Experimental results of different models %

模型	准确率	精确度	召回率	F₁
ResNet	94.12	94.17	94.16	94.06
MobileNetV3	90.76	91.11	90.85	90.98
1D−CNN	93.35	93.64	92.79	93.21
LSTM	92.61	92.79	92.36	92.57
EMD−RF	94.54	95.31	94.99	94.65
IMF−SVM	94.27	94.41	94.85	94.13
CSPNet−YOLOv7	95.26	95.14	94.79	95.65
本文模型	98.72	98.66	98.62	98.64

下载: 导出CSV

参考文献(31)

[1]	于斌,徐刚,黄志增,等. 特厚煤层智能化综放开采理论与关键技术架构[J]. 煤炭学报,2019,44(1):42-53. YU Bin,XU Gang,HUANG Zhizeng,et al. Theory and its key technology framework of intelligentized fully-mechanized caving mining in extremely thick coal seam[J]. Journal of China Coal Society,2019,44(1):42-53.
[2]	葛世荣,王世博,管增伦,等. 数字孪生——应对智能化综采工作面技术挑战[J]. 工矿自动化,2022,48(7):1-12. GE Shirong,WANG Shibo,GUAN Zenglun,et al. Digital twin:meeting the technical challenges of intelligent fully mechanized working face[J]. Journal of Mine Automation,2022,48(7):1-12.
[3]	袁永,屠世浩,陈忠顺,等. 薄煤层智能开采技术研究现状与进展[J]. 煤炭科学技术,2020,48(5):1-17. YUAN Yong,TU Shihao,CHEN Zhongshun,et al. Current situation and development of intelligent mining technology for thin coal seams[J]. Coal Science and Technology,2020,48(5):1-17.
[4]	田妍,田丰. 放顶煤开采过程煤矸识别技术发展现状及前景[J]. 煤炭工程,2018,50(10):142-145. TIAN Yan,TIAN Feng. Development status and prospect of coal gangue recognition technology in top-coal caving[J]. Coal Engineering,2018,50(10):142-145.
[5]	沈科,季亮,张袁浩,等. 基于改进YOLOv5s模型的煤矸目标检测[J]. 工矿自动化,2021,47(11):107-111,118. SHEN Ke,JI Liang,ZHANG Yuanhao,et al. Research on coal and gangue detection algorithm based on improved YOLOv5s model[J]. Industry and Mine Automation,2021,47(11):107-111,118.
[6]	王家臣,潘卫东,张国英,等. 图像识别智能放煤技术原理与应用[J]. 煤炭学报,2022,47(1):87-101. WANG Jiachen,PAN Weidong,ZHANG Guoying,et al. Principles and applications of image-based recognition of withdrawn coal and intelligent control of draw opening in longwall top coal caving face[J]. Journal of China Coal Society,2022,47(1):87-101.
[7]	袁永,秦正寒,夏永琪,等. 基于改进U−Net的煤矸图像分割模型与放煤控制技术研究 [J/OL]. 煤炭学报:1-18[2024-10-30]. https://doi.org/10.13225/j.cnki.jccs.2024.0588. YUAN Yong,QIN Zhenghan,XIA Yongqi,et al. Research on coal gangue image recognition model based on improved U-Net and top coal caving control[J/OL]. Journal of China Coal Society:1-18 [2024-10-30]. https://doi. org/10.13225/j.cnki.jccs.2024.0588.
[8]	韦小龙,王方田,何东升,等. 基于CSPNet−YOLOv7目标检测算法的煤矸图像识别模型[J]. 煤炭科学技术,2024,52(增刊1):238-248. WEI Xiaolong,WANG Fangtian,HE Dongsheng,et al. Image recognition model of coal gangue based on CSPNet-YOLOv7 target detection algorithm[J]. Coal Science and Technology,2024,52(S1):238-248.
[9]	马英. 综放工作面自动化放顶煤系统研究[J]. 煤炭科学技术,2013,41(11):22-24,94. MA Ying. Study on automatic top coal caving system in fully-mechanized coal caving face[J]. Coal Science and Technology,2013,41(11):22-24,94.
[10]	万丽荣,陈博,杨扬,等. 单颗粒煤岩冲击放顶煤液压支架尾梁动态响应分析[J]. 煤炭学报,2019,44(9):2905-2913. WAN Lirong,CHEN Bo,YANG Yang,et al. Dynamic response of single coal-rock impacting tail beam of top coal caving hydraulic support[J]. Journal of China Coal Society,2019,44(9):2905-2913.
[11]	万丽荣,尹广俊,杨扬,等. 单颗粒岩石直冲金属板振动特性研究[J]. 煤炭技术,2017,36(11):213-216. WAN Lirong,YIN Guangjun,YANG Yang,et al. Study on vibration characteristics of single granular rock direct impact metal plate[J]. Coal Technology,2017,36(11):213-216.
[12]	曹贯强,尉瑞,孟祥涛,等. 用于煤矸识别的振动传感器设计[J]. 工矿自动化,2021,47(1):118-122. CAO Guanqiang,YU Rui,MENG Xiangtao,et al. Design of vibration sensor for coal gangue identification[J]. Industry and Mine Automation,2021,47(1):118-122.
[13]	窦希杰,王世博,刘后广,等. 基于EMD特征提取与随机森林的煤矸识别方法[J]. 工矿自动化,2021,47(3):60-65. DOU Xijie,WANG Shibo,LIU Houguang,et al. Coal and gangue identification method based on EMD feature extraction and random forest[J]. Industry and Mine Automation,2021,47(3):60-65.
[14]	窦希杰,王世博,谢洋,等. 基于IMF能量矩和SVM的煤矸识别[J]. 振动与冲击,2020,39(24):39-45. DOU Xijie,WANG Shibo,XIE Yang,et al. Coal and gangue identification based on IMF energy moment and SVM[J]. Journal of Vibration and Shock,2020,39(24):39-45.
[15]	薛光辉,柳二猛,赵新赢,等. 基于声压信号时域特征的综放工作面煤岩性状识别方法研究[J]. 煤炭工程,2015,47(6):119-122. XUE Guanghui,LIU Ermeng,ZHAO Xinying,et al. Research of coal-rock character recognition in fully mechanized caving face based on acoustic pressure data time domain feature[J]. Coal Engineering,2015,47(6):119-122.
[16]	袁源,汪嘉文,朱德昇,等. 顶煤放落过程煤矸声信号特征提取与分类方法[J]. 矿业科学学报,2021,6(6):711-720. YUAN Yuan,WANG Jiawen,ZHU Desheng,et al. Feature extraction and classification method of coal gangue acoustic signal during top coal caving[J]. Journal of Mining Science and Technology,2021,6(6):711-720.
[17]	CHEN Xu,WANG Shibo,LIU Houguang,et al. Coal gangue recognition using multichannel auditory spectrogram of hydraulic support sound in convolutional neural network[J]. Measurement Science and Technology,2022,33(1). DOI: 10.1088/1361-6501/ac3709.
[18]	张宁波,刘长友,陈现辉,等. 综放煤矸低水平自然射线的涨落规律及测量识别分析[J]. 煤炭学报,2015,40(5):988-993. ZHANG Ningbo,LIU Changyou,CHEN Xianhui,et al. Measurement analysis on the fluctuation characteristics of low level natural radiation from gangue[J]. Journal of China Coal Society,2015,40(5):988-993.
[19]	ARANDJELOVIC R,ZISSERMAN A. Look,listen and learn[C]. IEEE International Conference on Computer Vision,Venice,2017:609-617.
[20]	OWENS A,EFROS A A. Audio-visual scene analysis with self-supervised multisensory features[EB/OL]. [2024-07-10]. https://arxiv.org/abs/1804.03641.
[21]	WANG Wupeng,XING Chao,WANG Dong,et al. A robust audio-visual speech enhancement model[C]. IEEE International Conference on Acoustics,Speech and Signal Processing,Barcelona,2020:7529-7533.
[22]	张慧春,周子阳,边黎明,等. 基于1DCNN融合多源表型数据的杨树干旱胁迫评估方法[J]. 农业机械学报,2024,55(9):286-296. ZHANG Huichun,ZHOU Ziyang,BIAN Liming,et al. Assessment of poplar drought stress level based on 1DCNN fusion of multi-source phenotypic data[J]. Transactions of the Chinese Society for Agricultural Machinery,2024,55(9):286-296.
[23]	徐亮,王晶,杨文镜,等. 基于Conv−TasNet的多特征融合音视频联合语音分离算法[J]. 信号处理,2021,37(10):1799-1805. XU Liang,WANG Jing,YANG Wenjing,et al. Multi feature fusion audio-visual joint speech separation algorithm based on Conv-TasNet[J]. Journal of Signal Processing,2021,37(10):1799-1805.
[24]	樊凤杰,白洋,纪会芳. 基于EEMD−ICA的脑电去噪算法研究[J]. 计量学报,2021,42(3):395-400. FAN Fengjie,BAI Yang,JI Huifang. Denoising method of EEG signal based on EEMD-ICA[J]. Acta Metrologica Sinica,2021,42(3):395-400.
[25]	VASWANI A,SHAZEER N M,PARMAR N,et al. Attention is all you need[EB/OL]. [2024-07-10]. https://arxiv.org/abs/1706.03762.
[26]	HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9:1735-1780. DOI: 10.1162/neco.1997.9.8.1735
[27]	YANG Fan,SANG Yongsheng,LYU Jiancheng,et al. Prediction of gasoline yield in fluid catalytic cracking based on multiple level LSTM[J]. Chemical Engineering Research and Design,2022,185:119-129. DOI: 10.1016/j.cherd.2022.06.040
[28]	邢致恺,何怡刚,姚其新. 基于多模态信息融合的变压器在线故障诊断方法[J]. 电子测量与仪器学报,2024,38(9):95-103. XING Zhikai,HE Yigang,YAO Qixin. Transformer online fault diagnosis method based on multi-modal information fusion[J]. Journal of Electronic Measurement and Instrumentation,2024,38(9):95-103.
[29]	兰名扬,刘宇龙,金涛,等. 基于可视化轨迹圆和ResNet18的复合电能质量扰动类型识别[J]. 中国电机工程学报,2022,42(17):6274-6286. LAN Mingyang,LIU Yulong,JIN Tao,et al. An improved recognition method based on visual trajectory circle and ResnetN18 for complex power quality disturbances[J]. Proceedings of the CSEE,2022,42(17):6274-6286.
[30]	HOWARD A,SANDLER M,CHU G,et al. Searching for MobileNetV3[EB/OL]. [2024-07-10]. https://arxiv.org/abs/1905.02244.
[31]	KIRANYAZ S,AVCI O,ABDELJABER O,et al. 1D convolutional neural networks and applications:a survey[J]. Mechanical Systems and Signal Processing,2021,151. DOI:10.1016/j. ymssp.2020.107398.

施引文献(3)

期刊类型引用(2)

1.	肖茜，刘志亮，杨平，杨磊磊. 基于漏磁检测的钢丝绳无损检测实验设计及实践. 实验科学与技术. 2024(01): 76-81+113 . 百度学术
2.	周坪，王士豪，周公博，赵天驰，李煊瀚，闫晓东. 矿用钢丝绳双源磁回路结构设计与仿真分析. 工矿自动化. 2024(10): 135-146 . 本站查看

其他类型引用(1)

资源附件(0)

图(15) / 表(4)

计量

文章访问数: 338
HTML全文浏览量: 35
PDF下载量: 24
被引次数: 3

0. 引言
1. 工程应用中的钢丝绳漏磁检测分析
1.1 漏磁检测原理
1.2 漏磁场分析
2. 钢丝绳励磁装置参数确定
2.1 不同磁路参数对钢丝绳漏磁场的影响
2.1.1 永磁体厚度对钢丝绳漏磁场的影响
2.1.2 永磁体长度对钢丝绳漏磁场的影响
2.1.3 磁极间距对钢丝绳漏磁场的影响
2.1.4 衔铁厚度对钢丝绳漏磁场的影响
2.2 钢丝绳励磁装置参数确定
3. 仿真验证
4. 实验验证
5. 结论

0. 引言
1. 工程应用中的钢丝绳漏磁检测分析
1.1 漏磁检测原理
1.2 漏磁场分析
2. 钢丝绳励磁装置参数确定
2.1 不同磁路参数对钢丝绳漏磁场的影响
2.1.1 永磁体厚度对钢丝绳漏磁场的影响
2.1.2 永磁体长度对钢丝绳漏磁场的影响
2.1.3 磁极间距对钢丝绳漏磁场的影响
2.1.4 衔铁厚度对钢丝绳漏磁场的影响
2.2 钢丝绳励磁装置参数确定
3. 仿真验证
4. 实验验证
5. 结论

参考文献(31)

施引文献

资源附件(0)

图像特征与振动频谱多源融合驱动的煤矸识别技术研究

作者简介: 李立宝（1999—），男，山西晋中人，硕士研究生，研究方向为智能开采，E-mail：ts22020031a31tm@cumt.edu.cn

通讯作者: 袁永（1983—），男，河南泌阳人，教授，博士研究生导师，研究方向为智能开采、灾害防控，E-mail：cumt-yuanyong@cumt.edu.cn。

计量

出版历程

Research on coal-gangue identification technology driven by multi-source fusion of image features and vibration spectrum

0. 引言

1. 工程应用中的钢丝绳漏磁检测分析

1.1 漏磁检测原理

1.2 漏磁场分析

2. 钢丝绳励磁装置参数确定

2.1 不同磁路参数对钢丝绳漏磁场的影响

2.1.1 永磁体厚度对钢丝绳漏磁场的影响

2.1.2 永磁体长度对钢丝绳漏磁场的影响

2.1.3 磁极间距对钢丝绳漏磁场的影响

2.1.4 衔铁厚度对钢丝绳漏磁场的影响

2.2 钢丝绳励磁装置参数确定

3. 仿真验证

4. 实验验证

5. 结论

期刊类型引用(2)

其他类型引用(1)

计量

出版历程

目录

0. 引言

1. 工程应用中的钢丝绳漏磁检测分析

1.1 漏磁检测原理

1.2 漏磁场分析

2. 钢丝绳励磁装置参数确定

2.1 不同磁路参数对钢丝绳漏磁场的影响

2.1.1 永磁体厚度对钢丝绳漏磁场的影响

2.1.2 永磁体长度对钢丝绳漏磁场的影响

2.1.3 磁极间距对钢丝绳漏磁场的影响

2.1.4 衔铁厚度对钢丝绳漏磁场的影响

2.2 钢丝绳励磁装置参数确定

3. 仿真验证

4. 实验验证

5. 结论

作者简介:
李立宝（1999—），男，山西晋中人，硕士研究生，研究方向为智能开采，E-mail：ts22020031a31tm@cumt.edu.cn

通讯作者:
袁永（1983—），男，河南泌阳人，教授，博士研究生导师，研究方向为智能开采、灾害防控，E-mail：cumt-yuanyong@cumt.edu.cn。