期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
煤矿冲击地压和煤与瓦斯突出感知报警方法研究 被引量：8
1
作者 孙继平 程继杰 《工矿自动化》 北大核心 2022年第1期1-6,共6页
提出了基于温度的冲击地压和煤与瓦斯突出感知报警方法:使用红外热像仪等监测物体温度,使用甲烷传感器监测环境甲烷浓度;当物体温度高于煤矿井下环境温度和已暴露煤岩温度,并且高于环境温度和已暴露煤岩温度的物体数量较多、体积和面积... 提出了基于温度的冲击地压和煤与瓦斯突出感知报警方法:使用红外热像仪等监测物体温度,使用甲烷传感器监测环境甲烷浓度;当物体温度高于煤矿井下环境温度和已暴露煤岩温度,并且高于环境温度和已暴露煤岩温度的物体数量较多、体积和面积较大,则判定发生冲击地压、煤与瓦斯突出、矿井火灾或瓦斯和煤尘爆炸事故;进一步判别高温物体温度,若大于设定阈值,则判定发生矿井火灾或瓦斯和煤尘爆炸事故,反之,则判定发生冲击地压或煤与瓦斯突出事故;进一步分析甲烷浓度变化,若甲烷浓度迅速升高,则判定发生煤与瓦斯突出事故,反之,则判定发生冲击地压事故。提出了基于速度的冲击地压和煤与瓦斯突出感知报警方法:使用激光雷达、毫米波雷达、超声波雷达、双目视觉摄像机等监测物体移动速度,使用甲烷传感器监测环境甲烷浓度;当物体移动速度不小于设定阈值时,则判定发生冲击地压、煤与瓦斯突出或瓦斯和煤尘爆炸事故;进一步判别速度异常物体的数量、体积和面积,若速度异常物体的数量较少、体积和面积较小,则判定发生瓦斯和煤尘爆炸事故,若速度异常物体的数量较多、体积和面积较大,则判定发生冲击地压或煤与瓦斯突出事故;进一步分析甲烷浓度变化,若甲烷浓度迅速升高,则判定发生煤与瓦斯突出事故,反之,则判定发生冲击地压事故。提出了多信息融合的冲击地压和煤与瓦斯突出感知报警及灾源判定方法:监测并融合温度、速度、加速度、掩埋深度、声音、气压、风速、风向、粉尘、甲烷浓度、设备状态、微震、地音、应力、红外辐射、电磁辐射、图像等多种信息,感知冲击地压和煤与瓦斯突出;通过不同位置参数变化的幅度、先后时序关系及传感器损坏情况,判定灾源。 展开更多
关键词 冲击地压 煤与瓦斯突出 瓦斯和煤尘爆炸 矿井火灾 灾害感知 灾害报警
下载PDF
基于CEEMD分量样本熵与SVM分类的煤矿瓦斯和煤尘爆炸声音识别方法 被引量：7
2
作者 孙继平 余星辰 《采矿与安全工程学报》 EI CSCD 北大核心 2022年第5期1061-1070,共10页
为及时自动发现煤矿瓦斯和煤尘爆炸并报警,为事故应急救援赢得宝贵时间,提出了一种基于互补集合经验模态分解(CEEMD)分量样本熵与支持向量机(SVM)分类的煤矿瓦斯和煤尘爆炸声音识别方法:1)在重点监测区域设置矿用拾音器,实时采集环境与... 为及时自动发现煤矿瓦斯和煤尘爆炸并报警,为事故应急救援赢得宝贵时间,提出了一种基于互补集合经验模态分解(CEEMD)分量样本熵与支持向量机(SVM)分类的煤矿瓦斯和煤尘爆炸声音识别方法:1)在重点监测区域设置矿用拾音器,实时采集环境与设备工作声音;2)使用CEEMD对采集到的声音进行分解,对每个分量求样本熵,构成该声音的特征量,输入到SVM中建立煤矿瓦斯和煤尘爆炸识别模型;3)通过CEEMD对待测声音分解提取特征量,输入训练好的模型中进行识别分类;4)实验验证。首先,通过信号分解实验得到:与自适应噪声完全集合经验模态分解(CEEMDAN)及集合经验模态分解(EEMD)相比,CEEMD算法更适合本方法要求。其次,通过相似性和相关系数实验得到:CEEMD算法分解模态分量与原信号的相似性和相关性,确定选择前9阶模态分量(IMF)作为声音信号提取特征量的对象;通过分析IMF和残余分量IMF的频谱图,取前9阶模态分量,可去除低频本征干扰。最后,将声音信号特征量输入SVM、BP神经网络和相似性测度中做比对研究,实验结果表明:SVM识别分类器的准确率为85%,比BP神经网络和相似性测度分别高13%和22%,整体识别性能高于BP神经网络和相似性测度。 展开更多
关键词 瓦斯和煤尘爆炸 声音识别 互补集合经验模态分解 样本熵 支持向量机
原文传递
基于声谱图和SVM的煤矿瓦斯和煤尘爆炸识别方法 被引量：3
3
作者 孙继平 余星辰 王云泉 《煤炭科学技术》 CAS CSCD 北大核心 2023年第2期366-376,共11页
为提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于声谱图和SVM的煤矿瓦斯和煤尘爆炸感知方法:在煤矿井下重点监测区域安装矿用拾音器;实时监测煤矿井下设备工作声音及环境音;将采集到的声音提取由MFCC构成的声谱图,通过计算声谱图的灰度... 为提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于声谱图和SVM的煤矿瓦斯和煤尘爆炸感知方法:在煤矿井下重点监测区域安装矿用拾音器;实时监测煤矿井下设备工作声音及环境音;将采集到的声音提取由MFCC构成的声谱图,通过计算声谱图的灰度共生矩阵得到0°、45°、90°、135°的能量、熵、对比度、相关性,分别求其均值和标准差作为声谱图图像纹理特征,构成该声音的特征量,输入到SVM中建立煤矿瓦斯和煤尘爆炸声音识别模型;对待测声音同样提取其MFCC声谱图图像纹理特征,输入到训练好的识别模型中进行声音识别分类;并进行了试验验证。首先,提取了采掘工作面设备运行、瓦斯和煤尘爆炸等不同声音的MFCC特征值,分析了不同声音的MFCC特征值分布情况;提取不同声音的MFCC声谱图,分析了不同声音的声谱图的特征参数:能量、熵、对比度、相关性的均值和标准差,可见通过提取MFCC声谱图的灰度共生矩阵特征参数构成的特征量可有效表征声音信号;其次,将待测声音输入建立的识别模型中,完成识别分类。结果表明:所提方法的识别率达到95%,整体识别性能高于其他算法;最后,通过贝叶斯参数优化试验结果可知,优化后的SVM识别模型的召回率、识别率分别提高10%、3%,优于优化前的识别模型,能够满足煤矿瓦斯和煤尘爆炸感知和报警需求。 展开更多
关键词 瓦斯和煤尘爆炸 声谱图 灰度共生矩阵 声音识别 图像识别 支持向量机
下载PDF
基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法 被引量：3
4
作者 余星辰 王云泉 《工矿自动化》 CSCD 北大核心 2023年第1期131-139,共9页
针对目前煤矿瓦斯和煤尘爆炸监测漏报率和误报率高,难以满足瓦斯和煤尘爆炸事故应急救援需求的问题,提出了一种基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法。在煤矿井下重点监测区域安装矿用拾音器,实时采集煤矿井下设备工作声音... 针对目前煤矿瓦斯和煤尘爆炸监测漏报率和误报率高,难以满足瓦斯和煤尘爆炸事故应急救援需求的问题,提出了一种基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法。在煤矿井下重点监测区域安装矿用拾音器,实时采集煤矿井下设备工作声音及环境音等;通过小波包分解提取声音的小波包能量占比,构成表征声音信号的特征向量;将特征向量输入BP神经网络中,训练得到煤矿瓦斯和煤尘爆炸声音识别模型;提取待测声音信号的小波包能量占比,并构成特征向量输入模型中,识别待测声音信号的类型。根据特征向量和输出结果要求,建立了输入层、隐含层和输出层节点数分别为8,8,1的BP神经网络用于识别模型的训练;通过分析煤矿井下声音信号小波包分解结果,确立了采用Haar小波函数,选择小波包分解层数为3。实验结果表明:瓦斯和煤尘爆炸声音通过小波包分解后的能量占比与其他声音差异明显,且不同时长的同一声音信号的小波包能量占比分布稳定,因此小波包能量占比可有效表征声音信号特征,且具有较强的鲁棒性;BP神经网络训练速度快,仅需较少的训练迭代次数就能达到期望误差,且在煤矿井下众多干扰声音信号存在的情况下识别准确率达95%,与极限学习机模型、支持向量机模型相比,BP神经网络识别效果最优。 展开更多
关键词 瓦斯和煤尘爆炸 声音识别 小波包分解 能量占比 BP神经网络
下载PDF
基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法
5
作者 余星辰 李小伟 《煤炭科学技术》 EI CAS CSCD 北大核心 2024年第S01期70-79,共10页
为解决煤矿瓦斯与煤尘爆炸灾害报警方法误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音设备,实时采集设备工作声音和环境音;... 为解决煤矿瓦斯与煤尘爆炸灾害报警方法误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音设备,实时采集设备工作声音和环境音;将采集到的声音通过小波散射变换得到小波散射系数,构建声音信号的小波散射系数图,通过计算小波散射系数图的图像灰度梯度共生矩阵得到由小梯度优势、大梯度优势、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵等构成的十一维特征参数,构成表征该声音信号的特征向量,输入到支持向量机(SVM)中训练得到煤矿瓦斯和煤尘爆炸声音识别模型;对待测声音信号同样提取其小波散射系数图的灰度梯度共生矩阵得到十一维特征向量,输入到训练好的煤矿瓦斯和煤尘爆炸声音识别模型中进行声音识别分类,并进行试验验证。采取声音信号的特征提取试验,分析了不同声音的小波散射图及其特征参数分布特点,瓦斯和煤尘爆炸声音的小波散射系数图及其十一维特征向量与煤矿井下其他声音差异明显,证明了所提特征提取方法的可行性;通过贝叶斯优化完成支持向量机超参数优化试验,选取更符合训练模型的超参数,识别试验结果表明,所提方法的识别率为95.77%,明显优于其他对比算法,能够满足煤矿瓦斯和煤尘爆炸识别的需求。 展开更多
关键词 瓦斯和煤尘爆炸 声音识别 图像特征 小波散射 支持向量机 贝叶斯优化
下载PDF
基于爆炸声音识别的煤矿瓦斯和煤尘爆炸感知方法研究 被引量：1
6
作者 孙继平 余星辰 +1 位作者 王云泉 李小伟 《工矿自动化》 CSCD 北大核心 2023年第3期1-5,114,共6页
分析了煤矿瓦斯和煤尘爆炸特征:气体浓度发生突变;环境温度迅速升高;空气压力突然升高;产生火球和烟尘;产生较强的红外和紫外辐射;产生爆炸冲击波和火焰波;产生爆炸音。基于爆炸声音感知煤矿瓦斯和煤尘爆炸具有以下优点:①爆炸冲击波和... 分析了煤矿瓦斯和煤尘爆炸特征:气体浓度发生突变;环境温度迅速升高;空气压力突然升高;产生火球和烟尘;产生较强的红外和紫外辐射;产生爆炸冲击波和火焰波;产生爆炸音。基于爆炸声音感知煤矿瓦斯和煤尘爆炸具有以下优点:①爆炸冲击波和火焰波衰减快,传播距离近;声波衰减慢,传播距离远。远离爆源的矿用拾音设备可用于煤矿瓦斯和煤尘爆炸感知。②与基于气体浓度和温度等传感器的煤矿瓦斯和煤尘爆炸感知方法相比,具有响应速度快的优点。③与基于视频图像的煤矿瓦斯和煤尘爆炸感知方法相比,具有不受粉尘、光照、遮挡等影响的优点。④矿用拾音设备成本低、易安装。⑤声音传播距离远,受巷道和分支影响小。⑥声音处理速度快,可在短时间内从各种声音信号中快速识别瓦斯和煤尘爆炸声音。提出了基于爆炸声音识别的煤矿瓦斯和煤尘爆炸感知方法:利用麦克风阵列拾音器采集监测区域的声音信号,经过归一化、分帧、添加类别标签等预处理后,提取声音信号特征,将特征输入到统计分类器中进行训练,建立煤矿瓦斯和煤尘爆炸声音识别模型;实时采集监测区域的声音信号,将提取的声音信号特征输入训练完成的煤矿瓦斯和煤尘爆炸声音识别模型中,判断是否为煤矿瓦斯和煤尘爆炸声音,若是则进行报警。 展开更多
关键词 瓦斯和煤尘爆炸 灾害监测与报警 声音识别 特征提取 麦克风阵列
下载PDF
基于特征融合的煤矿瓦斯和煤尘爆炸声音识别方法
7
作者 余星辰 李小伟 《煤炭学报》 EI CAS CSCD 北大核心 2023年第S02期638-646,共9页
为解决煤矿瓦斯与煤尘爆炸灾害报警方法监测手段单一、监测技术落后、误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸识别的准确率,提出了基于特征融合的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音器,实时采... 为解决煤矿瓦斯与煤尘爆炸灾害报警方法监测手段单一、监测技术落后、误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸识别的准确率,提出了基于特征融合的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音器,实时采集煤矿井下设备工作声音和环境音等,将采集的声音信号通过提取由梅尔倒谱系数和Gammatone滤波器倒谱系数构成的新混合特征MGCC,通过主成分分析的方法提取其前9维特征值构成表征声音信号的特征向量,输入支持向量机中训练得到煤矿瓦斯和煤尘爆炸声音识别模型;待测声音样本通过提取其特征向量,输入到训练好的煤矿瓦斯和煤尘爆炸声音识别模型中,得到分类识别结果;并通过实验验证。首先,通过声音信号的特征提取实验分析通过MGCC和主成分分析提取的声音信号特征的特点,不同时长的同一声音信号特征值分布稳定,且差异不大;同一时长的不同声音信号特征值分布差异明显,因此通过MGCC和主成分分析提取声音信号的特征向量可有效表征声音信号;其次,由识别实验结果可以得知,所提识别方法的识别率达到97%,高于比对算法;最后,通过贝叶斯超参数优化实验结果可知,优化后的煤矿瓦斯和煤尘爆炸声音识别模型明显优于优化前的识别模型,能够满足煤矿瓦斯和煤尘爆炸感知和报警需求。 展开更多
关键词 瓦斯和煤尘爆炸 声音识别 特征提取 特征融合 主成分分析
下载PDF
基于声音特征的煤矿瓦斯和煤尘爆炸识别方法 被引量：6
8
作者 孙继平 余星辰 《中国矿业大学学报》 EI CAS CSCD 北大核心 2022年第6期1096-1105,共10页
为尽早发现瓦斯和煤尘爆炸事故,提出了基于声音特征的煤矿瓦斯和煤尘爆炸的识别方法:利用矿用拾音器实时采集监控区域声音,通过双树复小波变换,提取分解分量的能量熵比值,构成声音信号的特征量,带入极限学习机(ELM)建立识别模型.通过特... 为尽早发现瓦斯和煤尘爆炸事故,提出了基于声音特征的煤矿瓦斯和煤尘爆炸的识别方法:利用矿用拾音器实时采集监控区域声音,通过双树复小波变换,提取分解分量的能量熵比值,构成声音信号的特征量,带入极限学习机(ELM)建立识别模型.通过特征提取试验得到:瓦斯和煤尘爆炸声音的各分量能量熵比值跨度起伏小,整体稳定;煤矿井下其余声音的能量熵比值跨度起伏大.采用ELM模型参数进行试验得到:随着隐含层神经个数的增加,ELM分类器的训练精度不断提升,分类器的误差不断降低,当隐含层神经元个数为20个时,ELM网络的训练精度趋于稳定.识别结果表明:识别模型对训练样本的识别率稳定在98.89%,模型平均识别率为93.5%,能够满足煤矿安全生产和应急救援需求. 展开更多
关键词 声音识别 煤矿瓦斯和煤尘爆炸 双树复小波 能量熵比值 极限学习机
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部