基于Hilbert谱信息熵的煤矸放落振动特征分析

针对煤矿安全生产中的综放工作面煤矸界面探测问题,提出利用煤矸下落冲击钢板的振动特征来探测煤矸界面的方法。煤矸振动信号表现出非平稳特征,采用经验模态分解方法将复杂矿井环境下的煤矸振动信号分解成固有模态分量。选择包含煤矸振动特征的前7个本征模函数(IMF)分量,通过Hilbert变换得到Hilbert谱。分析不同放煤状态下钢板振动信号的Hilbert谱发现,顶煤下落时的Hilbert谱分布较均匀,而煤矸混放时的Hilbert谱呈现不均匀分布。根据信息熵理论,提出了基于Hilbert谱信息熵的煤矸振动特征提取方法。试验结果表明,顶煤下落时的Hilbert谱信息熵要大于煤矸混放时的Hilbert谱信息熵,因此,煤矸振动的Hilbert谱信息熵特征能够准确地反映放煤状态。     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。     

煤岩动力灾害电磁辐射信号特征研究

为研究煤岩动力灾害发生前兆特征,即该过程中的电磁辐射信号产生规律,应用煤岩单轴加载破坏测试系统进行原煤及型煤煤样煤岩破裂过程电磁辐射测试试验。对原始电磁辐射信号进行集合经验模分解(EEMD),并在分解各个固有模态函数(IMF)分量波形的基础上,计算各IMF分量在原始辐射信号中的能量比例,确定原始信号的主要频段及优势频段。试验结果表明,煤岩破裂过程先后经过初始压缩阶段、弹性变形阶段以及加速破裂阶段。随着压力的不断增大,电磁辐射信号随着大量裂隙的形成而产生,且电磁辐射信号的强度与压力正相关。当压力增大至使煤体发生首次错动数值时,其电磁辐射信号强度达到极值,此后错动强度不断降低,电磁辐射信号强度也逐步下降。     

基于EMD-HHT可定位长输天然气管道第三方破坏事件监测技术

为适应目前管道安全监测需要,满足对扰动信号分类监测的实际需求,提出1种基于希尔伯变换和经验模态分解(EMD-HHT)的信号特征提取技术,利用基于φ-OTDR分布式光纤传感系统采集振动信号,通过EMD+HHT区分算法对管道沿线振动事件进行分解并提取6个典型特征向量,各特征事件数据经过EMD后选取IMF3为最终提取特征向量的原始数据,BP神经元网络可有效识别机械破坏、敲击破坏、车辆经过、人工挖掘、动力干扰5种事件。研究结果表明：在长输管道信号识别中,BP神经网络对5类事件平均识别率高达98.6%,该技术分类识别5类事件扰动信号,能够达到较高准确性,并且误报率平均在1.3%,能较好满足现场安全实时监测需求。研究结果对长输油气管道附近第三方破坏扰动信号分类监测具有一定参考意义。     

HHT在震动信号处理中的应用

希尔伯特-黄变换是一种处理非线性、非平稳信号的方法,它的核心是经验模态分解(EMD),但是EMD分解存在模态混叠等不足现象,针对这个问题引入了总体平均经验模分解(EEMD)算法。对实测的震动信号分别做两种算法的分解得到固有模态函数(IMF),再对其结果进行能量分析,绘制瞬时频率图、希尔伯特谱,得到信号震源的真实时频特征量,以便进一步分析震源类型,从而可以更好地实时预测震动灾害发生的可能情况。     

一种基于支持向量机的飞行冲突探测方法

管制运行过程中,飞行冲突探测与解脱是安全运行的一个关键环节.使用具有二分类能力的支持向量机(SVM)对飞行冲突数据进行学习,得到具有冲突探测能力的SVM模型,再结合飞行趋势探测模块的结果,从而实现高效准确的飞行冲突探测.将实际的ADS-B数据分为训练组和验证组,利用训练组训练SVM,得到具有分类能力的SVM,再利用验证组数据对SVM的分类能力进行检验.结果表明,在最优的参数g与C的情况下,分类准确率达到98％,表明结合飞行趋势探测模块与支持向量机可以利用飞机的经度、纬度、高度、速度与航向等ADS-B信息,准确判断飞行冲突.     

含硬夹矸高瓦斯低透气性煤层多向聚能爆破技术研究

针对在含硬夹矸高瓦斯低透气性煤层开采时，一方面煤层瓦斯抽采困难，另一方面煤层中的坚硬夹矸难破碎的问题，开展含硬夹矸高瓦斯低透气性煤层多向聚能爆破研究。理论上，分析多向聚能装药对爆破的影响，引入多向聚能影响系数，计算得出了不同方向上裂隙的范围。通过相似模拟试验，验证了多向聚能爆破实际效果；利用LS-DYNA数值模拟软件，对不同装药方式爆破作用下煤与夹矸裂隙的发育特征及应力演化规律进行了数值模拟研究。研究结果表明:多向聚能爆破能够将爆破能量积聚在夹矸弱化和煤层增透的方向上，形成以导向裂隙为主，大量分支裂隙为辅的裂隙网，在夹矸弱化和煤层增透方向上的应力峰值分别为普通爆破的1.21倍和1.16倍。多向聚能爆破能够在提高破碎坚硬夹矸能力的同时提升煤体中裂隙的发育程度，从而大幅优化爆破效果。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

HHT和SVM在机械安全评估与预测中的应用研究

为提高大型复杂机械设备运行的安全性和可靠性,在监测机械设备振动状态的基础上,采用希尔伯特-黄变换(HHT)技术处理信号,将获得的振动频域能量值作为机械设备性能退化的特征量;进而采用网格搜索法(GS)和交叉验证法(CV),优化支持向量机模型(SVM)参数,以提高退化特征量预测精度;并据此建立一种状态空间划分法,用以评估并预测机械设备安全状态。最后,用所建立的方法评估并预测无刷直流电机振动状态和相应的安全状态,预测结果的相对误差仅为1.17%。