基于改进1DCNN的煤岩识别模型研究

摘要：

随着煤矿智能化建设的加速推进,煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题.针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题,提出了一种基于改进一维卷积神经网络(1DCNN)的煤岩识别模型.以1DCNN为基础,使用多个连续卷积层提取一维振动信号特征,通过全局均值池化(GAP)层代替全连接层,以减少模型训练参数,节省计算资源,同时采用带有线性热启动的余弦退火衰减方法优化学习率,以避免模型训练陷入局部极小值区域,提升训练质量.为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力,采用t?分布随机近邻嵌入(t?SNE)流形学习算法对模型的特征学习过程进行可视化分析,结果表明,改进1DCNN模型通过逐层特征学习,很好地实现了对煤岩截割状态的识别.以陕西某矿MG650/1590?WD型采煤机截割煤岩时的实测振动数据为样本进行模型训练,结果表明,改进1DCNN模型在训练集上的准确率为99.91%,在测试集上的准确率为99.32%,可直接用于采煤机截割煤岩时的原始振动信号分类,并能够有效识别煤岩截割状态.与传统机器学习、集成学习及未改进的1DCNN模型相比,改进1DCNN模型具有明显优势,平均识别准确率达99.56%,同时大大节约了计算成本,提高了模型识别速度.

关键词：煤岩识别、卷积神经网络、1DCNN、振动信号、余弦退火、t-分布随机近邻嵌入

所属期刊栏目：49

分类号：TD421(矿山机械)

资助基金：中国煤炭科工集团有限公司科技创新创业资金项目2021-TD-MS005

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：116-122