基于分形盒维数与小波包能量矩的垮落煤岩识别技术

本文主要探讨了在综放开采工作面中，如何利用先进的信息技术来解决垮落煤岩性状识别这一技术问题。研究者李一鸣、符世琛、焦亚博和吴淼，来自中国矿业大学(北京)机电与信息工程学院，他们针对现场采集的冲击液压支架后尾梁的振动信号，提出了一个基于分形盒维数和小波包能量矩的新型识别方法。 分形盒维数是一种非线性复杂系统分析工具，它能够对非线性信号的整体结构进行定量描述，揭示数据中的潜在规律和复杂性。在这个过程中，通过对振动信号进行分形特征分析，研究人员可以获取信号的盒维数，这是一种反映信号自相似性和复杂度的重要指标。 另一方面，小波包能量矩则提供了对信号在不同频率域的精细分析，它能捕捉到信号在各个频率成分上的能量分布情况。通过对振动信号进行小波包变换，研究人员可以进一步提取出各频带的能量矩，这些信息对于区分不同类型的煤岩垮落有着重要意义。 结合分形盒维数和小波包能量矩，研究人员构建了一种特征向量，这些特征向量包含了信号的关键信息，被用作多层感知器（BP神经网络）的输入。通过训练和测试BP神经网络，这种方法成功地实现了顶煤垮落和顶板岩石垮落两种工况的区分，识别率达到了令人满意的95%。 这项研究不仅提升了垮落煤岩性状识别的精度，而且展示了分形理论和小波分析在煤炭开采领域中的实际应用价值。它对于优化综放开采过程、确保安全作业以及提高生产效率具有重要的科学和技术意义。此外，文中提到的研究成果还得到了国家重点基础研究发展计划（973）项目的资金支持，显示出该领域的研究受到国家科研机构的高度重视。 这篇论文的核心贡献在于提供了一种有效的垮落煤岩识别技术，这在煤炭开采行业中具有广泛的应用前景，并可能推动相关技术的进一步发展。