采煤机截割部混叠振动信号解耦机理及其截割模式识别方法研究

The project intends to research the decoupling mechanism for aliasing vibration signals of cutting part and the cutting pattern recognition method for shearer on the fully mechanized coal mining face. The aliasing characteristic of cutting part vibration signals is analyzed and the nonlinear decoupling method is put forward to separate the cutting vibration signals, which can represent different shearer cutting patterns. The processing method for cutting vibration signals based on fused local mean decomposition is proposed and the complex entropy feature extraction algorithm with multi-scale factor is designed based on approximate entropy, sample entropy and fuzzy entropy. The internal correlation between shearer cutting patterns and coal seam geological conditions is explored and the evolvement rule of different cutting patterns is presented. On this basis, the recognition method for shearer cutting patterns is proposed based on reinforcement learning probabilistic neural network. This project can provide theoretical foundation and approach for adaptive cutting of shearer, and offer a technological support for unmanned and less people-oriented mining on fully mechanized coal mining face.

本项目以综采工作面采煤机为对象，研究其截割部混叠振动信号解耦机理及其截割模式识别方法。分析采煤机截割部振动信号的混叠特征，研究其非线性解耦方法，分离出能够表征采煤机不同截割模式的截割振动信号；研究基于融合型局部均值分解的截割振动信号处理方法，综合利用近似熵、样本熵和模糊熵，设计多尺度因子下的复杂熵特征提取算法；探求采煤机截割模式与煤层地质条件的内在关系，揭示不同截割模式间的演变规律，在此基础上，研究基于强化学习型概率神经网络的采煤机截割模式识别方法。本项目的研究成果为实现采煤机的自适应截割提供理论依据和方法，并为综采工作面的“无人化”或“少人化”开采提供技术支撑。

采煤机的智能化水平是制约综采工作面“无人化”或“少人化”发展的关键因素，而截割模式的准确识别是实现智能化开采的前提。结题项目以综采工作面采煤机为对象，研究其截割部混叠振动信号解耦机理及其截割模式识别方法。通过搭建采煤机煤岩截割实验系统，开展了不同煤岩混合比例的截割实验，确定了以滚筒、煤层以及岩石层三者之间的位置关系来构造采煤机截割状态空间，掌握了不同煤岩比例下截割部振动信号的时频特征演变规律，在此基础上，分析了采煤机截割部振动信号的混叠特征，研究了基于改进独立分量分析算法的非线性解耦方法，分离出能够表征采煤机不同煤岩截割模式的振动信号；研究了基于融合型局部均值分解的截割振动信号处理方法，设计了基于多尺度模糊熵和Fisher分值的特征提取算法；探求采煤机煤岩截割模式与煤层地质条件的内在关系，揭示不同截割模式间的演变规律，研究了无监督条件下采煤机煤岩截割模式识别方法。结题项目的研究成果为实现采煤机的自适应截割提供了新的理论和方法。在结题项目的资助下，以第一作者发表SCI检索论文6篇，申请PCT专利1项，申请国内发明专利5项，授权国内发明专利4项，研究内容作为部分主要创新点获得2019年度江苏省科技进步二等奖1项；协助培养博士研究生1名，硕士研究生2名。