文章摘要:针对综放工作面煤矸智能识别问题,设计了能感应尾梁动作并自动触发数据采集的放煤声信号采集装置,在山东能源古城煤矿3106综放工作面采集现场数据并进行人工标注,构建了放顶煤声信号分类样本库。研究了6种常用机器学习分类方法在时域、频域和时频域特征,以及在不同帧长、不同特征向量维度下的分类效果。结果表明:在不同帧长下,基于时频域特征的分类效果最稳定、准确率最高,随机森林、K近邻、决策树、多层感知器模型分类准确率均达到80%以上,其中基于小波包分解与随机森林算法的分类器性能最好,分类准确率为93.06%。维度较高的时频域特征向量之间存在相关性,降维可以提取少量的综合特征并降低系统的运算量,利用主成分分析法将时频域特征向量降维至20后,分类准确率进一步提高至94.51%。

文章关键词:

论文DOI:10.19606/j.cnki.jmst.2021.06.010

论文分类号:TD823.49

文章来源：《矿业装备》 网址: http://www.kyzbzz.cn/qikandaodu/2021/1001/1063.html