CN116595409B - 一种基于主成分分析的煤岩识别方法、电子设备和介质 - Google Patents
一种基于主成分分析的煤岩识别方法、电子设备和介质 Download PDFInfo
- Publication number
- CN116595409B CN116595409B CN202310409157.9A CN202310409157A CN116595409B CN 116595409 B CN116595409 B CN 116595409B CN 202310409157 A CN202310409157 A CN 202310409157A CN 116595409 B CN116595409 B CN 116595409B
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- sample
- libs
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 451
- 239000011435 rock Substances 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims description 202
- 230000003595 spectral effect Effects 0.000 claims description 193
- 238000001228 spectrum Methods 0.000 claims description 192
- 238000005070 sampling Methods 0.000 claims description 99
- 238000003062 neural network model Methods 0.000 claims description 12
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims 24
- 239000000758 substrate Substances 0.000 claims 2
- 238000005520 cutting process Methods 0.000 abstract description 82
- 238000005065 mining Methods 0.000 description 55
- 238000004458 analytical method Methods 0.000 description 33
- 230000000694 effects Effects 0.000 description 26
- 238000012360 testing method Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 18
- 239000000126 substance Substances 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 13
- 230000001276 controlling effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000001788 irregular Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011777 magnesium Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000000585 Mann–Whitney U test Methods 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000559 atomic spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000001967 plate count agar Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于主成分分析的煤岩识别方法,包括:步骤C1、获取煤样本集和岩石样本集;步骤C2、基于煤样本集和岩石样本集中所有样本确定主成分数量D,以及D个主成分提取架构,D个主成分提取架构之间具有正交特性,且对应的对样本整体数据的解释度之和大于预设的解释度阈值;步骤C3、提取煤样本集和岩石样本集中每一样本对应的D个主成分;步骤C4、将每一样本对应的D个主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型;步骤C5、基于二分类模型进行煤岩识别。本发明大大简化了样本输入数据的复杂度,且提高了煤岩分类准确性,进而提高了截割路径规划准确性和可靠性。
Description
技术领域
本发明涉及智能采煤技术领域,尤其涉及一种基于主成分分析的煤岩识别方法、电子设备和介质。
背景技术
现有技术在实现智能化采煤技术过程中至少存在以下技术问题:
(1)智能化水平低,开采效率低;
(2)由于采煤工作面煤壁不规则表面引起的激光对焦困难,无法保证光谱采集质量,光谱采集质量低,煤岩识别效果差;
(3)煤岩分类准确性不高,导致煤岩分界面刻画不准确,截割路径规划准确性低,可靠性差;
(4)当采煤机基于截割路径行进时,需要结合截割参数细协调控制截割电机和牵引电机,而现有技术中的协调控制准确度低,可靠性差。
发明内容
本发明目的在于,提供一种基于主成分分析的煤岩识别方法、电子设备和介质,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种基于主成分分析的煤岩识别方法,包括:
步骤C1、获取煤样本集和岩石样本集,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度;
步骤C2、基于煤样本集和岩石样本集中所有样本确定主成分数量D,以及D个主成分提取架构{z(x)1,z(x)2,…,z(x)d,…,z(x)D},其中,z(x)d为第d个主成分提取架构,d的取值范围为1到D,N>>D,z(x)2,…,z(x)d,…,z(x)D之间具有正交特性,z(x)1,z(x)2,…,z(x)d,…,z(x)D对应的对样本整体数据的解释度之和大于预设的解释度阈值;
步骤C3、基于{z(x)1,z(x)2,…,z(x)d,…,z(x)D}提取煤样本集和岩石样本集中每一样本对应的D个主成分;
步骤C4、将煤样本集和岩石样本集中每一样本对应的D个主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型;
步骤C5、基于所述二分类模型进行煤岩识别。
第二方面,本发明实施例提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行本发明第一方面实施例所述的方法。
第三方面,本发明实施例提供一种计算机可读存储介质,(所述非暂态计算机可读存储介质存储计算机指令)所述计算机指令用于执行本发明第一方面实施例所述的方法。
通过上述技术方案,先对煤样本集和岩石样本集进行主成分分析,提取多个主成分,对应的对样本整体数据的解释度之和大于预设的解释度阈值,将每一样本对应主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型,大大简化了样本输入数据的复杂度,且提高了煤岩分类准确性,进而提高了截割路径规划准确性和可靠性。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。
图1为实施例一提供的基于LIBS技术的智能采煤***的基本原理示意图;
图2为实施例二提供的智能采样装置不同对焦方式示意图;
图3为实施例三提供的基于LIBS单谱线的煤岩识别方法流程图;
图4为实施例四提供的PCA对LIBS数据的降维效果示意图;
图5为实施例五中PCA煤岩识别模型固定识别分辨率的煤岩识别示意图;
图6为实施例五中PLS煤岩识别模型动态识别分辨率的煤岩识别结果示意图;
图7为实施例六中基于VIP选取目标精简谱线波长的效果图;
图8为实施例七中采煤机智能协调控制子***示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy,LIBS)技术是原子光谱分析技术的一种,可对样品进行物质分析和元素检测。该技术的原理是,用高能量密度的激光脉冲照射样品,在样品激光聚焦区域表面焦斑处产生高电场击穿,形成接近电中性的“激光等离子体”,等离子体对外发射光谱,即激光诱导击穿光谱(LIBS光谱),LIBS光谱的各条谱线对应于特定的原子、离子或分子的独特跃迁。由于各元素会发射出专属谱线波长的光,所以LIBS光谱信息通过光学探测***进行有效收集后,可以被当作“指纹”来识别样品的元素组成,实现对样品所含元素的定性定量分析。LIBS技术可以有效检测对于煤岩识别非常重要而其他分析技术较难检测的碳(C)、镁(Mg)、铝(Al)、硅(Si)等低原子序数元素。因此,LIBS技术是一种理想的用于煤岩识别的物质分析技术,本发明实施例基于LIBS技术提出多个实施例,促进煤炭开采作业智能化和无人化,不仅提高开采效率而且可使矿工远离危险、恶劣的作业环境,达到安全高效开采目标。
为了提升采煤机的智能化水平和开采效率,提出了实施例一。
实施例一、
实施例一提供了一种基于LIBS技术的智能采煤***,包括LIBS光谱智能采集子***、LIBS光谱智能分析子***和智能协调控制子***。
所述LIBS光谱智能采集子***用于采集样本在预设波段区间对应的LIBS光谱数据,发送给所述LIBS光谱智能分析子***。作为一种示例,所述预设波段区间为[196.08nm,507.78nm],选取[196.08nm,507.78nm]能够包含对煤岩分析起决定性作用的金属和非金属元素的参考谱线,提高了基于LIBS数据进行煤岩识别的准确性。
所述LIBS光谱智能分析子***用于基于样本对应的LIBS光谱数据训练生成煤岩识别模型。所述LIBS光谱智能采集子***还用于在目标工作面上设置采样点,获取采样点对应的LIBS光谱数据并发送给所述煤岩识别模型。
所述煤岩识别模型用于基于接收的采样点对应的LIBS光谱数据生成采样点的煤岩识别结果,将所述采样点的煤岩识别结果反馈给所述LIBS光谱智能采集子***,并根据采样点的煤岩识别结果生成规划截割路径,将所述规划截割路径发送给所述智能协调控制子***。需要说明的是,煤岩识别结果为煤岩类型,可以为二分类结果,也可以为多分类结果,二分类结果包括煤和岩石,多分类结果可将煤的类型和岩石的类型进一步细分,例如,煤的类型包括原煤、精煤、中煤等;岩石的类型包括砂质泥岩和矸石等。
所述智能协调控制子***用于基于所述规划截割路径控制采煤机割煤,同时获取采煤机运行参数,基于采煤机运行参数实时调整截割路径。
需要说明的是,所述智能协调控制子***可有效控制采煤机按照规划截割路径运行。除此之外,能够在出现异常情况下,综合煤岩分布、采煤机运行参数等信息作为截割岩石的“报警信号”,自动或在人工干预下终止或恢复采煤机运行。
所述智能采煤***通过三个子***的协同合作,可实现煤岩信息的有效感知和基于煤岩感知对采煤机进行有效控制,为煤矿无人采煤工作面远程智能化操控平台的实现奠定了基础。
如图1所示,LIBS光谱智能采集子***(图1中简称为智能采集***)基于工作面煤岩实际分布获取采样点的LIBS光谱数据,将LIBS光谱数据通过LIBS光谱智能分析子***(图1中简称为智能分析***)生成每一采样点的煤岩识别结果,基于每一采样点的煤岩识别结果刻画生成煤岩分布界面,基于煤岩分布界面实现截割路径规划。智能协调控制子***(图1中简称智能协调控制***)基于截割路径规划控制采煤机采煤,同时也要根据工作面煤岩实际分布获取采煤机运行参数,基于采煤机运行参数实时调整截割路径。
作为一种示例,所述LIBS光谱智能采集子***还用于根据采样点的煤岩识别结果动态调整采样间隔,例如,根据采样点的煤岩识别结果确定敏感区域和非敏感区域,敏感区域为煤岩边界附近区域,非敏感区域为仅包括煤的区域或仅包括岩石的区域。对于非敏感区域,设置较大的采样间隔,保持较低的识别分辨率,节省采样点数量以满足采煤工作面煤岩识别的速度要求。而在敏感区域则应提高的识别分辨率,减小采样间隔,增加采样点数量以满足采煤机截割轨迹对煤岩识别的精度要求。通过智能动态煤岩识别分辨率,提高采样点的有效利用。
所述控制装置用于判断待采样物质与LIBS光谱采集装置之间的物距是否等于预设的固定物距,若不等于,则控制LIBS光谱采集装置沿物距方向移动,使得待采样物质与LIBS光谱采集装置之间的物距等于预设的固定物距,从而使得所述LIBS光谱智能采集子***能够克服煤壁不规则表面引起的激光对焦困难,实现LIBS分析仪对采样点智能对焦,保证LIBS光谱采集质量。
所述LIBS光谱采集装置用于在待采样物质与LIBS光谱采集装置之间的物距等于预设的固定物距时,生成激光脉冲并聚焦与待采样物质表面,待采样物质表面烧蚀形成等离子体并发射光谱,采集待采样物质对应的LIBS光谱数据,所述待采样物质为样本或目标工作面上的采样点。为了提高所采集的LIBS光谱数据的准确性和可靠性,所述LIBS光谱采集装置可对待采样物质表面进行多次采集,得到多个采集数据,将多个采集数据取平均值,生成对应的LIBS光谱数据。作为一种优选示例,所述LIBS光谱采集装置单脉冲能量不超过100mJ。
作为一种示例,每一样本包括N个LIBS光谱数据(An,Bn), An为样本对应的第n个LIBS光谱数据所对应的谱线波长,An位于所述预设波段区间中,Bn为样本在An上对应的LIBS光谱强度,N的取值范围为1到N,N基于所述LIBS光谱智能采集子***的采样精度确定,作为一种示例,所述预设波段区间为[196.08nm,507.78nm],N的取值为6074。
由于通常提供的煤炭样本均是煤粉的形式,故可以对样品进行必要的简单制备,以保证样品的物质分布均匀和结构紧实,避免脉冲激光对样品表面造成激荡,影响LIBS光谱采集质量的准确性和稳定性。样品制备过程为:将所有煤粉均经过过筛、摇匀后,使用模具和压片机将其进行压片,制成结构紧实、形状平整的煤饼样本;煤矸石则保持原始形态,仅对表面进行简单清理。需要说明的是,后续其他实施例涉及的样本也可基于此方式进行制备。
需要说明的是,现有的训练生成煤岩识别模型的方法全部落入本发明保护范围之内,所述智能采煤***可以采用现有的任何一种方式训练生成煤岩识别模型。
作为一种示例,所述LIBS光谱智能分析子***用于基于所有样本对应的LIBS光谱数据,确定目标谱线对应的目标谱线波长,煤和岩石在所述目标谱线对应的LIBS光谱强度差异性大于预设的差异性阈值,基于目标谱线波长确定目标LIBS光谱强度置信区间[BI1,BI2],基于[BI1,BI2]生成单谱线煤岩识别模型;所述LIBS光谱智能采集子***用于将采样点的目标谱线波长对应的LIBS光谱强度发送给所述单谱线煤岩识别模型,若采样点的目标谱线波长对应的LIBS光谱强度位于[BI1,BI2]中,则所述单谱线煤岩识别模型输出的识别结果为煤,否则,输出的识别结果为岩。单谱线煤岩识别模型的具体生成方法记载在实施例三中。
作为一种示例,所述LIBS光谱智能分析子***用于基于所有样本对应的LIBS光谱数据进行主成分分析,确定M个主成分抽取模块{W1,W2,…,WM},Wm为第m个主成分抽取模块,m的取值范围为1到M;所述LIBS光谱智能分析子***基于M个主成分抽取模块将每一样本的N个LIBS光谱数据转换为M个主分组成分变量(C1,C2,…,CM),将每一样本的M个主分组成分变量(C1,C2,…,CM)作为输入,将样本对应的类型作为输出,训练神经网络模型,生成神经网络分类模型;将M个主成分抽取模块和神经网络分类模型组合生成煤岩识别模型。所述LIBS光谱智能分析子***基于PCA算法确定M个主成分抽取模块,将M个主成分抽取模块和神经网络分类模型组合生成主成分分析(Principal Components Analysis,PCA)煤岩识别模型。所述LIBS光谱智能分析子***基于PLS算法确定M个主成分抽取模块,将M个主成分抽取模块和神经网络分类模型组合生成偏最小二乘法(partial least-squares,PLS)煤岩识别模型。主成分分析煤岩识别的具体技术细节记载在实施例四中。基于偏最小二乘法煤岩识别的具体技术细节记载在实施例五中。
作为一种示例,所述智能协调控制子***包括协调控制模块和电机控制模块,所述协调控制模块用于获取所述规划截割路径和采煤机运行参数,基于所述规划截割路径和采煤机运行参数生成协调控制指令,基于所述协调控制指令控制电机控制模块,实现对采煤机截割电机和牵引电机的控制。
实施例一通过设置LIBS光谱智能采集子***实现LIBS光谱数据智能采集,基于所述LIBS光谱智能分析子***构建煤岩识别模型,基于煤岩识别模型生成规划截割路径,所述智能协调控制子***基于规划截割路径和采煤机运行参数控制截割电机和牵引电机的运行,通过LIBS光谱智能采集子***、LIBS光谱智能分析子***和智能协调控制子***协同控制,实现智能采煤,提高了采煤智能化程度和开采效率。
采煤工作面通常为不规则起伏煤壁,对采煤工作面煤壁进行检测时,激光设备参数必须符合煤矿井下安全性要求,以及必须克服由于煤壁不规则表面煤岩高度的变化而引起的激光对焦困难,保证LIBS光谱采集稳定性。对采煤工作面煤壁本身的原位采样分析时,最方便快捷的方法是使用在线分析仪将激光直接发射到采煤工作面的待测区域上,并通过在与采煤工作面平行的X轴Y轴构成的平面的移动实现采样点对煤壁待识别区域的覆盖。然而,这种方法通常存在严重的测量误差和较高的不确定性。其主要原因是采煤工作面煤壁并不是规整的平面,由于煤块或岩石颗粒大小不一,以及截割滚筒对煤壁的截割,煤壁表面存在较大的不规则起伏,导致LIBS光谱采集装置与采样点之间的物距(Z轴方向)存在明显波动,造成LIBS分析仪对煤岩识别采样点的对焦效果不好,进而造成采样点的LIBS光谱数据不稳定、测量存在较大误差,对采煤工作面的煤岩识别效果产生严重影响。由此可见,LIBS光谱采集装置在采集光谱时不仅要在X、Y轴平面移动实现采样范围对采煤工作面的覆盖,还要在Z轴方向实时调整位置实现对采样点的精准对焦,基于此,本发明进一步提出了实施例二。
实施例二、
实施例二提供一种LIBS光谱智能采集子***,包括LIBS光谱采集装置和控制装置,所述LIBS光谱采集装置包括激光器、LIBS光谱采集器、采集轨道和移动装置,所述激光器和LIBS光谱采集器设置在所述移动装置上,所述移动装置设置在所述采集轨道上,所述移动装置能够按照预设的采样间隔沿所述采集轨道移动,所示采集轨道位于与采煤工作面平行,所述移动装置还能够沿垂直于采煤工作面的方向移动。
当所述LIBS光谱智能采集子***对采煤工作面上的采样点进行采样时,所述控制装置用于判断当前采样点与LIBS光谱采集装置之间的物距是否等于预设的固定物距,若不等,则控制LIBS光谱采集装置沿垂直于采煤工作面的方向移动,使得当前采样点与LIBS光谱采集装置之间的物距等于预设的固定物距,从而保持物距稳定。
所述激光器用于在待采样物质与LIBS光谱采集装置之间的物距等于预设的固定物距时,生成激光脉冲并聚焦与待采样物质表面,待采样物质表面烧蚀形成等离子体并发射光谱。作为一种示例,根据煤矿环境安全要求以及出于保证一定的安全冗余度的考虑,本发明实施例选用紧凑型纳秒固体激光器,激光参数为谱线波长532nm,激光能量为25mJ/pulse,体积小、结构紧凑、坚固耐用、工程化程度高。
所述LIBS光谱采集器用于在待采样物质与LIBS光谱采集装置之间的物距等于预设的固定物距时,获取采样点对应的LIBS光谱数据。作为示例,所述LIBS光谱采集器具有高分辨率及较宽的光谱覆盖范围,分辨率具体可设置为0.07nm,光谱覆盖范围具体可设置为0-1500nm,所述LIBS光谱采集器具有校准***可使LIBS***获得优质信噪比;配备高效光学激光聚焦及信号收集***,可以获得更低的探测极限以及更短的积分时间。
本实施例利用移动装置以保持物距稳定的方法,实现LIBS光谱采集装置对煤壁不规则表面的自动快速精准对焦,即不改变原本LIBS光谱采集装置的焦距,将LIBS光谱采集装置装载在移动装置上,利用移动装置在轨道上的移动抵消物距的变化,使激光器发出的激光总是能够聚焦在采样点的理想位置,实现对不规则表面的动态精准对焦。
图2示出了两种不同的对焦方式,虚线框内为LIBS光谱采集装置(图2中简称智能采样装置)的简单示意图。状态1到状态3表示的是通过LIBS光谱采集器(图中简称LIBS仪器)的光路调焦实现对焦。状态1到状态2表示的是利用智能采样装置,稳定LIBS分析仪与煤壁采样点之间的固定物距(图2中为物距D),使物距始终与LIBS分析仪的焦距相匹配而实现对焦。智能采样装置通过移动装置(即图2中的移动平台)高精度位置伺服控制即可实现对焦过程,其装置结构简单、实现方便,响应速度和精度均好于光路变焦,且不需要调节激光源的激光能量值,因此利用智能采样装置进行辅助对焦的方法更具可行性。
作为一种示例,所述控制装置还用于,基于采样点对应的LIBS光谱数据获取采样点的煤岩类型,根据连续V个识别类型的采样点的煤岩类型的变化,动态调整采样间隔,V≥2。所述煤岩类型包括精煤、煤泥、原煤、中煤、砂质泥岩和矸石等,不同煤岩类型对应的含矸量不同,采样间隔与含矸量的大小成反比。
实现移动装置的精确移动是实现维持固定物距的核心,所述移动装置存在着诸多不确定的复杂因素,如移动电机力矩的不稳定、轨道摩擦力矩的变化、元件的死区、位置传感器精度等,若建立起精确的数学模型存在着很大的困难。用传统PID控制方式对其进行控制时,这些复杂因素往往得不到充分考虑和解决,实际控制效果并不理想。PID控制指的是比例、积分、微分控制。
为实现移动装置的精确移动,作为一种示例,所述移动装置包括测距仪、BP(BackPropagation)神经网络模型、PID控制器和移动电机,如何精确控制移动电机是实现固定物距的关键所在。其中,所述测距仪用于实时监测采样点与所述移动装置的当前距离y(k)。所述PID控制器用于基于当前距离y(k)和预设的固定物距u(k)确定当前物距差值e(k),并将当前物距差值e(k)输入所述BP神经网络。所述BP神经网络用于基于当前物距差值e(k)输出移动电机比例控制参数Kp、移动电机积分控制参数Ki和移动电机微分控制参数Kd。所述PID控制器还用于获取所述BP神经网络输出的Kp、Ki、Kd,基于Kp、Ki、Kd输出目标距离u(k) ,并将Kp、Ki、Kd作用于所述移动电机上,控制所述移动装置移动,获取实际距离v(k), 将实际距离v(k)和目标距离u(k)输入到所述BP神经网络。所述BP神经网络模型还用于基于实际距离v(k)、目标距离u(k)以及物距差值e(k)更新BP神经网络模型的模型参数。采用BP神经网络模型和PID控制器结合的方式,BP神经网络模型的智能算法能够根据LIBS光谱采集装置的运行需求而实时调整电机伺服控制***的各项参数,排除各种非线性因素的负面干扰,使整个LIBS光谱采集装置始终运行在较好水平,将移动电机的控制精度极大的提高。PID控制与智能算法的结合提升了LIBS光谱采集装置动态精准对焦的效果。
作为一种示例,所述BP神经网络模型为:
其中,为目标距离u(k)和实际距离v(k)的差值,e(k-1)为前一次物距差值,e(k-2)为前两次物距差值。
作为示例,所述移动电机为伺服电机、交流电机、同步电机或异步电机等。
实施例二通过设置LIBS光谱采集装置和控制装置,控制装置基于采煤工作面的变化动态控制LIBS光谱采集装置的位置,使得始终在当前采样点与LIBS光谱采集装置之间的物距等于预设的固定物距的情况下实现LIBS光谱采集,保证了LIBS光谱采集装置的精准对焦,提高了光谱采集质量和煤岩识别效果。
LIBS光谱智能分析子***的核心技术在于如何实现煤岩识别。LIBS光谱所包含的谱线对应于特定的原子、离子或分子的独特跃迁,光谱信息通过LIBS光谱智能采集子进行有效收集后可以被当作“指纹”来识别样品的元素组成,因此可通过元素分析确定该样品的煤岩分类。但煤的LIBS光谱具有明显的基体效应和自吸收效应等特点,导致利用LIBS光谱对煤进行元素分析一直存在计算复杂,效果不理想。因此需要建立合理有效的LIBS煤岩识别模型,实现对煤岩快速准确的识别。基于此,进一步提出了实施例三。
实施例三、
实施例三提供了一种基于LIBS单谱线的煤岩识别方法,如图3所示,包括:
步骤S1、获取煤样本集和岩石样本集,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度。
其中,煤样本集和岩石样本集可以来自于同一个采煤工作面,也可以来自于多个不同的工作面。若煤样本集和岩石样本集来自于同一个采煤工作面,则生成的单谱线煤岩识别模型仅适用于该采煤工作面,不具有通用性。若煤样本集和岩石样本集可以来自于多个不同的工作面,组生成的单谱线煤岩识别模型具有通用性。可以理解的是,样本数量越大,单谱线煤岩识别模型的精确度越高。
步骤S2、基于煤样本集和岩石样本集中所有样本的LIBS光谱强度,确定能够显著区分煤和岩石的目标谱线波长。
为达到对未知样品进行煤岩识别的目的,需要找到在“煤”组和“岩”组的样本之间存在显著差异的目标谱线波长,以该目标谱线波长构造煤岩识别模型。
步骤S3、基于所有样本的目标谱线波长对应的LIBS光谱强度数据构建单谱线煤岩识别模型。
步骤S4、获取目标工作面上采样点对应的目标谱线波长的LIBS光谱强度,输入所述单谱线煤岩识别模型中,生成采样点的煤岩识别结果。
作为一种示例,所述煤样本集为{X1,X2,…,Xr,…,XR},所述岩石样本集为{Y1,Y2,…,Ys,…YS},其中,Xr为第r个类型为煤的样本,r的取值范围为1到R,R为煤样本总量;Ys为第s个类型为岩石的样本,s的取值范围为1到S,S为岩石样本总量;Xr=[(A1 Xr,B1 Xr),(A2 Xr,B2 Xr),…,(An Xr,Bn Xr),…,(AN Xr,BN Xr)],Ys=[(A1 Ys,B1 Ys),(A2 Ys,B2 Ys),…,(An Ys,Bn Ys),…,(AN Ys,BN Ys)];(An Xr,Bn Xr)为Xr的第n个LIBS光谱数据,An Xr为Xr所对应的第n个谱线波长,Bn Xr为Xr在An Xr上对应的LIBS光谱强度;(An Ys,Bn Ys)为Ys的第n个LIBS光谱数据,An Ys为Ys所对应的第n个谱线波长,Bn Ys为Ys在An Ys上对应的LIBS光谱强度,n的取值范围为1到N,N为每一样本对应的LIBS光谱数据总数,N基于所述LIBS光谱智能采集子***的采样精度确定。An Xr、An Ys均属于所述预设波段区间,所述预设波段区间为[196.08nm,507.78nm]。
作为一种示例,所述步骤S2包括:
步骤S21、将所有An Xr对应的Bn Xr以及所有An Ys对应的Bn Ys混合,并按照LIBS光谱强度从小到大的顺序,生成每一Bn Xr对应的秩Ti Xrn以及每一Bn Ys对应的秩Tj Ysn,i的取值范围为1到R,j的取值范围为1到S。
步骤S22、获取第n个谱线波长下,Bn Ys大于Bn Xr的个数WXY,基于Ti Xrn确定煤样本秩和统计量WX,基于Tj Ysn确定岩石样本秩和统计量WY:
WX=;
WY=
步骤S23、基于第n个谱线波长对应的WXY、WX、WY进行秩和检验,生成第n个谱线波长对应的检验P值,所述检验P值用于表示在第n个谱线波长下煤样本和岩石样本的LIBS光谱强度不存在差异的概率值。
需要说明的是,具体可基于Wilcoxon秩和检验来获取每一谱线波长对应的检验P值,在此不再赘述。
步骤S24、将检验P值小于预设校验P值阈值的谱线波长确定为候选谱线波长,构建候选谱线波长集合。
步骤S25、从候选谱线波长集合中选择一个目标谱线波长。
需要说明的是,当样本量大于等于预设样本量阈值时,可以保证数据的准确性,此时,随机在候选谱线波长集合中任意选择一个谱线波长均可作为目标谱线波长,作为一种优选示例,当样本量大于等于预设样本量阈值时,所述步骤S25中,将候选谱线波长集合中检验P值最小的谱线波长确定为目标谱线波长,检验P值准确性可以保证的情况下,检验P值越小,对应的煤样本和岩石样本的LIBS光谱强度存在差异就越大,越容易将煤和岩石区分开。
当样本量小于预设样本量阈值时,中间可能受到其他因素影响,导致不能保证每一谱线波长对应的检验P值的准确性,因此,直接通过检验P值随机选取或选择检验P值最小的谱线波长可能无法选出能够显著区分煤样本和岩石样本的谱线波长,作为一种示例,所述步骤S25包括:
步骤S251、获取预设的元素谱线映射表,所述元素谱线映射表中包括H个预设的元素谱线波长(AZ1,AZ2,…,AZh,…,AZH),AZh为第h个预设的元素谱线波长,且AZ1,AZ2,…,AZh,…,AZH能够区分煤和岩石的目标谱线波长的显著性依次降低。
其中,预设的元素谱线波长(AZ1,AZ2,…,AZh,…,AZH)可以直接由用户指定。
步骤S252、设置h=1。
步骤S253、判断AZh是属于所述候选谱线波长集合中,若属于,则将AZh确定为目标谱线波长,结束流程,若不属于,则执行步骤S254。
步骤S254、若h<H,则设置h=h+1,返回执行步骤S253,若h=H,则将候选谱线波长集合中检验P值最小的谱线波长确定为目标谱线波长。
作为一种示例,最后确定的目标谱线波长为247.95nm,对应的元素为C。需要说明的是,当样本量小于预设样本量阈值时,中间可能受到其他因素影响,导致不能保证每一谱线波长对应的检验P值的准确性,可能获取的C元素对应的谱线波长对应的检验P值较大,而不会被选择作为目标谱线波长,而通过步骤S251-步骤S254,可以将AZ1设置为C元素对应的谱线波长,只要C元素对应的谱线波长也在候选谱线波长集合中,即可将C元素对应的谱线波长确定为目标谱线波长。可以理解的是,上述仅为示例,C元素对应的谱线波长并非一定设置为AZ1。
作为一种示例,所述步骤S3包括:
步骤S31、获取所述煤样本集中所有煤样本的目标谱线波长对应的LIBS光谱强度的光谱轻度平均值和光谱强度标准差/>。
步骤S32、基于和/>确定样本类型为煤的置信区间/>,置信区间的置信度为b,其中,a为预设系数,R为所述煤样本集中煤样本总数。
作为一种示例,a的取值为1.96,b的取值为95%。
作为一种示例,所述步骤S4包括:
步骤S41、获取目标工作面上采样点对应的目标谱线波长的LIBS光谱强度,输入所述单谱线煤岩识别模型中。
具体可采用实施例二中的LIBS光谱智能采集子***获取采样点对应的目标谱线波长的LIBS光谱强度。需要说明的是,所述单谱线煤岩识别模型建好以后,无需再基于所述预设波段区间采集LIBS光谱数据,可以缩小波段区间,只需包含目标谱线波长即可,减少数据采集量。
步骤S42、若采样点对应的目标谱线波长的LIBS光谱强度在所述置信区间内,则确定采样点的类型为煤,否则,确定采样点的类型为岩石。
实施例三通过确定能够显著区分煤和岩石的目标谱线波长的目标谱线波长,基于所有样本的目标谱线波长对应的LIBS光谱强度数据构建单谱线煤岩识别模型,基于单谱线实现工作面采样点的煤岩类型识别,在样本量足够的情况下,提高了煤岩分类准确性,进而提高了生成截割路径规划准确性和可靠性,且减少了煤岩识别的运算量和成本。
单谱线煤岩识别模型只利用了煤岩样品原始LIBS光谱多条谱线的其中一条谱线来进行识别,单谱线煤岩识别模型包含的数据信息非常有限,分析往往是孤立的,另外由于基体效应、自吸收效应、元素间相互影响、等离子体参数等影响,谱线重叠和元素间干扰在LIBS光谱中很常见,一条谱线所包含的信息可能不仅来自于某种特定元素及其含量,还可能来自于等离子体中存在的其他因素甚至是噪声的干扰信息,在样本量有限的情况下,单谱线煤岩识别模型对原始LIBS光谱数据信息解析程度不高,识别效果不甚理想,只能通过建模样本量的增加提高模型识别准确率。而大部分采煤工作面需要煤岩识别模型具有小样本量建模能力,若要在小样本量建模的情况下获得良好的识别准确率,应从尽可能多的谱线信息中找出煤岩分类规律,并且能够处理谱线之间由于多种影响因素造成的复杂关系,提高识别模型的准确度。多个变量组成的大数据集无疑会为煤岩分类提供丰富的信息,但是许多变量之间可能存在相关性,可能增加数据的冗余性。另外,对多个输入变量进行分类回归,其计算量极大,运算时间和运算实现的硬件成本也远远超出实际采煤工作面现场对煤岩识别的允许范围。基于此,本发明进一步提出了实施例四。
实施例四、
实施例四提供了一种基于主成分分析的煤岩识别方法,包括:
步骤C1、获取煤样本集和岩石样本集,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度。
其中,煤样本集和岩石样本集可以来自于同一个采煤工作面,也可以来自于多个不同的工作面。若煤样本集和岩石样本集来自于同一个采煤工作面,则生成的二分类模型仅适用于该采煤工作面,不具有通用性。若煤样本集和岩石样本集可以来自于多个不同的工作面,组生成的二分类模型具有通用性。
步骤C2、基于煤样本集和岩石样本集中所有样本确定主成分数量D,以及D个主成分提取架构{z(x)1,z(x)2,…,z(x)d,…,z(x)D},其中,z(x)d为第d个主成分提取架构,d的取值范围为1到D,N>>D,z(x)1,z(x)2,…,z(x)d,…,z(x)D之间具有正交特性,z(x)1,z(x)2,…,z(x)d,…,z(x)D对应的对样本整体数据的解释度之和大于预设的解释度阈值。
其中,通过z(x)1,z(x)2,…,z(x)d,…,z(x)D来尽可能多的解释LIBS原始数据信息,每一z(x)d均为原始全部变量的线性变化,且成分之间具有正交特性,每个主成分都在对应的坐标轴方向上最大保留了原始数据的信息。后续构建二分类模型的过程中,着重考虑z(x)1,z(x)2,…,z(x)d,…,z(x)D,在信息损失允许范围内大幅简化数据结构。
步骤C3、基于{z(x)1,z(x)2,…,z(x)d,…,z(x)D}提取煤样本集和岩石样本集中每一样本对应的D个主成分。
步骤C4、将煤样本集和岩石样本集中每一样本对应的D个主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型。
可以理解的是,所述二分类模型即为实施例一中提及的主成分分析煤岩识别模型。
步骤C5、基于所述二分类模型进行煤岩识别。
作为一种示例,所述步骤C5包括:
步骤C51、获取目标工作面上采样点对应的N个LIBS光谱数据,分别输入D个主成分提取架构中,生成采样点对应的D个主成分变量;
步骤C52、将采样点对应的D个主成分变量输入所述二分类模型,生成采样点的煤岩识别结果。
作为一种示例,所述煤样本集为{X1,X2,…,Xr,…,XR},所述岩石样本集为{Y1,Y2,…,Ys,…YS},其中,Xr为第r个类型为煤的样本,r的取值范围为1到R,R为煤样本总量;Ys为第s个类型为岩石的样本,s的取值范围为1到S,S为岩石样本总量;Xr=[(A1 Xr,B1 Xr),(A2 Xr,B2 Xr),…,(An Xr,Bn Xr),…,(AN Xr,BN Xr)],Ys=[(A1 Ys,B1 Ys),(A2 Ys,B2 Ys),…,(An Ys,Bn Ys),…,(AN Ys,BN Ys)];(An Xr,Bn Xr)为Xr的第n个LIBS光谱数据,An Xr为Xr所对应的第n个谱线波长,Bn Xr为Xr在An Xr上对应的LIBS光谱强度;(An Ys,Bn Ys)为Ys的第n个LIBS光谱数据,An Ys为Ys所对应的第n个谱线波长,Bn Ys为Ys在An Ys上对应的LIBS光谱强度,n的取值范围为1到N,N为每一样本对应的LIBS光谱数据总数。An Xr、An Ys均属于所述预设波段区间,作为一种示例,所述预设波段区间为[196.08nm,507.78nm],N基于所述LIBS光谱智能采集子***的采样精度确定,本示例中N的取值为6074。
本实施例通过主成分分析对LIBS光谱数据进行有效降维,主成分分析是一种通过正交变换减少变量之间相关性而达到降维效果的统计分析方法。在尽少损失原始数据信息的前提下,PCA能够有效简化数据集,将可能存在相关性的多维变量转化为较少个数的互不相关的主成分变量。本实施例中,D取值为3,z(x)1对样本整体数据的解释度为0.616,z(x)2对样本整体数据的解释度为0.316,z(x)3对样本整体数据的解释度为0.0286,z(x)1、z(x)2、z(x)3之和为0.9606,前三个主成分累计可保留原始数据整体96%的光谱信息。增加至四主成分对整体数据解释度没有明显提高,考虑到保证简化数据结构的效果,故取前三个主成分。
图4示出了PCA降维效果示意图。通过PCA分析,LIBS光谱的数据结构从6074维降到了3维。从图4中的PCA散点图可知煤样本集和岩石样本集在空间分布上已经较清晰地体现出了组别之间的差异性,说明煤和岩石在LIBS光谱统计学特征上的存在明显差异,达到了基于LIBS光谱统计学特征对煤岩进行分类的预期效果,并通过PCA分析算法得到充分的体现。
作为一种示例,步骤C2包括:
步骤C21、构建初始主成分提取架构:z(x)=l1x1+l2x2+…lnxn…+LNxN,其中,ln为第n个谱线波长对应的系数,xn为第n个谱线波长对应的LIBS光谱强度变量。
步骤C22、将煤样本集和岩石样本集中所有样本输入z(x)=l1x1+l2x2+…lnxn…+LNxN,调整l1、l2、…ln…、LN,生成D组l1 d、l2 d、…ln d…、LN d,同时满足:条件一、每一组l1 d、l2 d、…ln d…、LN d满足。
条件二、每一组l1 d、l2 d、…ln d…、LN d满足所有样本的z(x)d的方差与煤样本集和岩石样本集中所有样本的原始方差的差值小于预设的方差阈值。
条件三、D组l1 d、l2 d、…ln d…、LN d满足z(x)1,z(x)2,…,z(x)d,…,z(x)D对应的对样本整体数据的解释度之和大于预设的解释度阈值。。
步骤C23、基于D组l1 d、l2 d、…ln d…、LN d生成{z(x)1,z(x)2,…,z(x)d,…,z(x)D}。
作为一种示例,所述预设分类模型为二分类神经网络模型。所述神经网络模型具体可包括D个输入、2个输出以及2个隐藏层,其中第一隐藏层包括20个神经元、第二隐藏层包括10个神经元。
通过Matlab程序通过对PCA煤岩识别模型分析可知,PCA煤岩识别模型对建模样本煤岩二分类的拟合度约为1,拟合优度高。Matlab程序在建模样本库中随机选取样品作为训练集训练煤岩识别模型,验证实验结果表明所有样品都得到了正确的识别。此外,当神经网络分类器每次训练集选取的样品发生改变时,神经网络自学习的效果也会改变,由于建模样本数量限制,因此需通过不断更换训练集和测试集的样品数据进行多次的建模和识别验证,以找出建立的煤岩识别模型可达到的最佳的识别准确率和观察煤岩识别模型的识别性能的稳定性。通过不断的变化训练集和测试集的样品构成进行多次识别验证实验,PCA煤岩识别模型对煤岩二分类的识别准确率可以稳定保持100%。
基于统计分析算法和结合神经网络算法构造的PCA煤岩识别模型,不仅从一个谱线变量的“单”变量分析变成了3个主成分变量的“多”变量分析,而且变量的质量也有质的提升,因为每一个主成分变量实际都是由原始光谱所有变量的线性变换得来,包含了大量原始光谱信息。并且利用多个主成分变量进行分类回归时,加入了神经网络分类器。神经网络最为突出的优点是不需要建立对象的具体数学模型,仅需知道对象的输入和输出信息,就可以建立由输入空间至输出空间的映射关系。该模型充分利用人工智能算法的特点,不仅能够获得良好的识别效果,还将自学习自适应性能力赋予了PCA煤岩识别模型,使其变得智能,具有应对复杂地质条件变化的能力。与直接用原始光谱6074个变量进行分类判别的方法相比,PCA煤岩识别模型的神经网络分类器输入信号仅有3个主成分变量,大大简化神经网络的网络结构和运算复杂程度,减轻了分类器的算法压力,极大地降低了算法实现的时空开销,在模型层面降低了煤岩智能感知***实现的软硬件成本。
实施例四先对煤样本集和岩石样本集进行主成分分析,提取多个主成分,对应的对样本整体数据的解释度之和大于预设的解释度阈值,将每一样本对应主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型,大大简化了样本输入数据的复杂度,且提高了煤岩分类准确性,进而提高了截割路径规划准确性和可靠性。
基于LIBS技术的煤岩识别方法实质是一种“点识别”方法,即利用散布在采煤工作面待测区域的采样点的煤岩识别结果来描述面的煤岩分布,最终目的是刻画出煤岩分界面规划采煤机截割轨迹。对于采煤工作面的一个煤岩待测的区域来说,采样点数量越多,识别分辨率越高,对煤岩分界面的刻画就越精确。但采样点数量同时也影响了该区域完成煤岩识别的时间,识别分辨率和识别速度相互制约。若想在一定条件下尽可能快速而又精确地刻画煤岩分界面。需要对LIBS煤岩识别模型做进一步优化,提高采样点的有效利用率,在采样点数量受到限制的情况下,尽可能地提高识别精度。
在煤岩分界面附近的识别分辨率直接决定了采煤机是否会因为采样间距过大而造成煤炭“漏采”和“过采”。显然,识别分辨率越高,规避“漏采”和“过采”的效果越好。而其他区域的识别分辨率对煤岩识别来说则没那么重要。定义煤岩分界面附近的区域为敏感区域,其他区域则为非敏感区域。为了能够实现动态采样,如何对敏感区域的有效识别成为了关键。在越靠近煤岩分界面的区域,煤中杂质(煤矸石、顶底板泥岩等)含量越高,形成一个煤质变化的“煤岩渐变区”。利用煤岩渐变区煤质变化这一特点,将其作为判定敏感区域的依据。因此要求煤岩识别模型要能够准确识别出煤质变化,以实现对工作面待测区域进行动态识别分辨率的煤岩刻画。综上所述,LIBS煤岩识别模型除了能实现煤岩二分类之外,还要具有识别煤质变化的能力,因此需要进一步生成LIBS煤岩多分类识别模型。
基于PCA进行煤岩二分类时,可以将煤和岩石区分开,而当将煤的类型细分为多个、岩石的类型细分为多个时,基于PCA得到的不同煤类型之间的空间区分度有限,不同类型的煤样本可能出现混杂在一起的情况,这表明,在PCA分析方法下,煤组样本内的数据差异不是很理想,因此,基于PCA主成分分析的PCA煤岩识别模型进行多分类识别时,准确率也会受到影响,即PCA煤岩识别模型不适合进行多分类的煤岩识别。PCA分析在进行主成分提取的过程中,主要是从降低自变量谱线波长之间的相关性关系的角度进行降维,忽略了自变量谱线波长对因变量煤岩识别结果的解释作用。可能导致变动较大的噪音被当作关键信息计算到主成分内,而真正与因变量煤岩识别结果关系较大的变量则可能被忽略。这是导致基于PCA分析的煤岩识别模型在多分类识别时识别正确率不高的原因。基于此,本发明进一步提出了实施例五。
实施例五、
本发明提供一种基于偏最小二乘法的煤岩识别方法,包括:
步骤E1、获取P1个煤样本集和Q1个岩石样本集,P1≥2,Q1≥1,不同样本集对应的煤岩识别类型不同,不同样本集中的样本对应的含矸量不同,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度。
其中,样本可以取自同一采煤工作面,也可以取自不同的采煤工作面。所述P1个煤样本集包括精煤样本集、中煤样本集和原煤样本集;所述Q1个岩石样本集包括砂质泥岩样本集和矸石样本集,对应的煤岩W分类结果包括精煤、中煤、原煤、砂质泥岩和矸石。原煤是指仅排除可见矸石的煤,未经任何其他处理的煤。精煤是指经洗煤工艺后的优质煤。中煤是含矸量介于原煤和精煤之间的煤。精煤,中煤,原煤,这三种煤的品质越来越低,含矸量依次增高。精煤,中煤,原煤这三种样本可以模拟采煤工作面煤岩渐变区的煤质变化。进一步的,所述P1个煤样本集还包括煤泥样本集,对应的煤岩W分类结果还包括煤泥。煤泥是指由含水煤粉形成的半固态物质,将煤泥样品用于模拟被用于冷却采煤机的水雾润湿的煤。由于煤泥含水,其成分和LIBS光谱与正常煤有所差异,因此,准确将煤泥识别出来,有助于减少冷却水雾对煤岩识别的干扰,保证煤岩识别的有效性。
步骤E2、基于P1个煤样本集和Q1个岩石样本集中所有样本确定主成分数量F,以及F个主成分提取架构{V(x)1,V(x)2,…,V(x)f,…,V(x)F},其中,V(x)f为第f个主成分提取架构,f的取值范围为1到F,N>>F,V(x)1,V(x)2,…,V(x)f,…,V(x)F对应的对样本整体数据的解释度之和大于预设的第一解释度阈值;V(x)1,V(x)2,…,V(x)f,…,V(x)F对应的自变量谱线波长对因变量煤岩分类结果的解释度之和大于预设的第二结解释度阈值。
其中,采用偏最小二乘法确定主成分数量F,以及F个主成分提取架构。偏最小二乘法是一种简化数据结构的同时兼顾自变量与因变量之间的相关性分析的多元分析方法,通过将自变量谱线波长和因变量煤岩识别结果的高维数据空间投影到相应的低维空间,分别得到自变量谱线波长和因变量煤岩识别结果的相互正交的主成分,再建立自变量谱线波长和因变量煤岩识别结果的主成分间的线性回归关系。偏最小二乘法的详细算法在此不再赘述。作为示例,F的取值为3,V(x)1对样本整体数据的解释度为0.615,V(x)2对样本整体数据的解释度为0.316,V(x)3对样本整体数据的解释度为0.028,V(x)1、V(x)2、V(x)3之和为0.959,前三个主成分累计可保留原始数据整体95.9%的光谱信息。增加至四主成分对整体数据解释度没有明显提高,考虑到保证简化数据结构的效果,故取前三个主成分。
步骤E3、基于{ V(x)1,V(x)2,…,V(x)f,…,V(x)F}提取煤样本集和岩石样本集中每一样本对应的F个主成分。
需要说明的是,基于{ V(x)1,V(x)2,…,V(x)f,…,V(x)F}提取主成分能够强调自变量谱线波长对因变量煤岩识别结果的解释作用,还可以减少噪声影响,有利于煤岩识别分类。
步骤E4、将煤样本集和岩石样本集中每一样本对应的F个主成分作为预设分类模型的输入,将煤岩W分类结果作为预设分类模型的输出,训练得到W分类模型,W>2。
步骤E5、基于所述W分类模型进行煤岩识别。
基于偏最小二乘法的进行煤岩多分类时,无论在煤组样本和岩组样本之间,还是在煤组样本、岩组样本各组内,识别结果相较于基于PCA进行煤岩识别有显著改善,
作为一种示例,所述步骤E5包括:
步骤E51、获取目标工作面上采样点对应的N个LIBS光谱数据,分别输入F个主成分提取架构中,生成采样点对应的F个主成分变量。
步骤E52、将采样点对应的F个主成分变量输入所述W分类模型,生成采样点的煤岩识别结果。
作为一种示例,所述步骤E5还包括:
步骤E53、获取目标工作面上连续V个采样点的煤岩识别结果,根据连续V个采样点的煤岩类型的变化动态调整采样点采样间隔,采样间隔与含矸量的大小成反比。
基于步骤E53可以实现采样点智能分布,对不同区域实现动态识别分辨率,提高采样点有效利用率,在相同采样点数量情况下可以更精确地刻画煤岩分界面。
以煤岩界面随机分布的模拟采煤工作面实物模型为例,模型长1.7米,宽1.2米,实物模型的煤岩分界面附近用不同煤质的煤模拟煤岩渐变区。图5示出了PCA煤岩识别模型固定识别分辨率的煤岩识别结果,由于PCA煤岩识别模型无法有效识别煤质变化,所以无法判定识别敏感区域,故在识别过程中无法动态调整采样点间隔,以固定识别分辨率完成整个识别过程,采样点间隔0.1米,采样点的识别结果作为采样点所在方格的识别结果。一共204个采样点均匀分布在待识别区域,模拟采煤工作面的煤岩分布情况将由这204个方格刻画。
图6示出了PLS煤岩识别模型动态识别分辨率的煤岩识别结果,由于PLS煤岩识别模型可以有效识别煤质变化,所以在判定识别敏感区域后,可在识别过程中动态调整采样点间隔,以动态识别分辨率完成整个识别过程。以从左到右逐行扫描的方式在模拟采煤工作面模型上进行采样点识别。识别过程中实时根据煤质的变化调整水平方向的采样间隔,当检测到煤质含矸量较大时,缩短采样间隔距离,反之增大采样间隔。最终模拟采煤工作面的煤岩分布情况由184个方格刻画,相比于采用固定识别分辨率的204个采样点,减少约10%的采样点数量。从识别结果图可以看出,PLS煤岩识别模型的采样点分布更为智能,对煤岩分界面的刻画更为精确,在实际规划采煤机截割轨迹时,可有效降低采煤机出现“过采”和“漏采”的可能性。
作为一种示例,每一样本对应的谱线波长均属于所述预设波段区间,所述预设波段区间为[196.08nm,507.78nm]。
作为一种示例,所述预设分类模型为W分类神经网络模型。
在对建模样本库的识别验证中,PLS煤岩识别模型的6分类识别准确率可以保持在94.4%以上,最高可达到100%。PLS煤岩识别模型在煤岩6分类识别的识别准确率要优于PCA煤岩识别模型,这与PLS的先进算法和强大的光谱分析能力相吻合。PLS煤岩识别模型可以实现煤岩多分类识别,具有识别采煤工作面的煤质变化的能力,可为判定敏感区域提供理论依据和数据支撑,实现智能动态煤岩识别分辨率。PLS煤岩识别模型可适用于煤质变化范围大和对煤岩分界面刻画精度要求高的采煤工作面。
实施例五基于偏最小二乘法对煤样本集和岩石样本集进行主成分分析,提取多个主成分,既实现了对样本输入数据的降维处理,又涵盖了谱线波长对煤岩识别结果的解释作用,将每一样本对应主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到多分类模型,大大简化了样本输入数据的复杂度,且提高了煤岩分类准确性,进而提高了截割路径规划准确性和可靠性。
PCA、PLS算法虽然都可以将LIBS光谱数据从6074个谱线变量降至3个主成分变量,在保留足够多的光谱信息的同时极大的简化光谱数据结构,但是,PCA、PLS算法的分析都是基于6074×60规模的数据集完成的,且每一个主成分都是由原始光谱的全部变量数据计算而来,其表达式包含的所有谱线数据。进行统计分析和计算主成分的运算过程仍然比较复杂,工程应用时对于数据处理芯片和数据存储空间都有较高的要求。基于此,本发明进一步提出了实施例六。
实施例六、
实施例六提供了一种基于变量投影重要性的LIBS光谱数据处理方法,包括:
步骤F1、获取P1个煤样本集和Q1个岩石样本集,P1≥2,Q1≥1,不同样本集对应的煤岩识别类型不同,不同样本集中的样本对应的含矸量不同,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度。
步骤F2、基于P1个煤样本集和Q1个岩石样本集中所有样本的LIBS光谱数据生成每一谱线波长对最终煤岩识别结果影响的权重值VIP。
步骤F3、将所有VIP的值按照从大到小的顺序排序,排在选择前L个VIP的值对应的谱线波长作为候选谱线波长集合{A1 VIP,A2 VIP,…,Al VIP,…,AL VIP},Al VI为第l个候选谱线波长,l的取值范围为1到L,A1 VIP,A2 VIP,…,Al VIP,…,AL VIP对应的VIP值依次减小。
步骤F4、获取每一Al VIP对应的元素,对于任意两个候选谱线波长Al1 VIP和Al2 VIP,若Al1 VIP和Al2 VIP对应的元素相同,且Al1 VIP的VIP值大于Al2 VIP的VIP值,则将Al2 VIP从所述候选谱线波长集合中剔除,生成目标精简谱线波长集合,所述目标精简谱线波长集合中的谱线波长数量远小于N,目标精简谱线波长集合中的谱线波长为对煤岩识别起主导作用的谱线波长,其中,Al1 VIP和Al2 VIP均属于候选谱线波长集合,l1的取值为1到L,l2的取值范围为2到L。
本实施例能够在实施例四和实施例五实施前,对原始光谱进行分析优化,将其简化成只由少量对煤岩识别结果起主导作用的谱线构成的“主导因子精简光谱”,就可以减少计算主成分时数据量和运算量,以降低煤岩识别的软、硬件成本和提高识别速度。
偏最小二乘判别分析(Partial Least Squairs Discriminantion Analysis,PLS-DA)是基于PLS的进一步应用,是一种专门用于分类问题的回归分析方法,当因变量为分类数据时,PLS-DA分析方法除了可以寻找由变量的线性组合得到的主成分以外,还可以分析得到原始数据中每一个变量对最终判别分类的影响的VIP(Variable Importance inProjection,变量投影重要性)值。即在LIBS煤岩识别光谱数据分析中,通过PLS-DA分析可以得到每一个谱线对最终煤岩识别结果影响的权重。PLS-DA分析和VIP值的计算可通过SIMCA-P等数据分析软件实现。作为一种示例,所述步骤F2包括:
步骤F21、将P1个煤样本集和Q1个岩石样本集中所有样本导入SIMCA-P软件,建立数据库,所述数据库包括PQ1条样本信息记录,PQ1为P1个煤样本集和Q1个岩石样本集的样本总数,样本信息记录包括样本基于主成分分析的煤岩识别方法、电子设备和介质字段、样本类型字段、N个谱线波长对应的LIBS光谱强度字段。
步骤F22、对所述数据库中的样本数据进行缩放处理。
具体可采用UV数据缩放的方式对所述数据库中的样本数据进行缩放处理。UV数据缩放的方式为SIMCA-P软件提供的一种缩放方式, UV算法最照顾峰面积小的小峰,如果数据中小峰很多,可以使用UV算法,因此,本实施例选择UV数据缩放的方式。
步骤F23、基于SIMCA-P软件和缩放处理后的样本数据获取每一谱线波长对应的VIP值。
由于谱线波长的VIP值大小表示该谱线对最终煤岩识别起到的作用的大小,所以将VIP值作为筛选主导因子的参考条件,选取VIP值大的谱线而删去对煤岩识别无益的VIP值小的谱线。
为了进一步提高所生成的目标精简谱线波长集合的准确性和可靠性,作为一种示例,所述步骤F2和步骤F3之间还包括:
步骤F30、基于P1个煤样本集和Q1个岩石样本集中所有样本的LIBS光谱数据生成每一谱线波长对应的检验P值,所述检验P值用于表示在第n个谱线波长下煤样本和延时样本的LIBS光谱强度不存在差异的概率值,将检验P值大于等于预设校验P值阈值的谱线波长剔除,然后执行步骤F3。
作为一种示例,所述步骤F30中,采用Wilcoxon秩和检验算法获取每一谱线波长对应的检验P值。具体的Wilcoxon秩和检验算法在此不再赘述。
检验P值与其组内方差和组间变化倍数有关,且检验P值只与该变量本身的变化有关,与整体数据的变化无关。而VIP值既考察变量本身的变化,也考察该变量在整体数据里所占的比重,变化与比重越大,VIP值越大。实际计算时,VIP更看重变量在整体数据里所占的比重,其次才看物质本身的变化。本示例中,VIP<1的谱线波长有4500多条,而VIP排名最高的谱线波长的VIP值却超过了6,说明煤岩原始LIBS光谱数据一方面存在大量对煤岩识别无用的谱线,数据冗余度很高,原始光谱具有极大优化空间,另一方面原始光谱中同时存在对于煤岩识别重要性极大的谱线,谱线VIP值跨度很大,这种VIP值的分布特征非常有利于主导因子的筛选,完全达到预期效果。以VIP值=1,校验P值阈值为0.05为例,有些变量本身数值较高,会导致其VIP大于1,但其校验P值很可能大于0.05(没有显著性差异)。所以除了将VIP>1作为筛选用于煤岩识别的变量的限定条件之外,再辅以条件P<0.05来筛选主导因子。
在筛选主导因子构建精简光谱时,除考虑筛选条件外,还应考虑该谱线的实际物理意义,属于同类元素参考谱线范围的相近的谱线只取VIP值最高者,以保证其质量。例如虽然由于碳(C)元素谱线在激光强度较低时激发比较困难导致C元素对应的谱线在本研究的样本库中的PLS-DA分析中VIP值相对排名较后,但考虑到C元素是煤炭包含的典型元素这一实际物理意义,作为一种示例,所述步骤F4还包括:
步骤F41、判断预设谱线波长集中的每一预设谱线波长对应的VIP值是否大于预设的VIP阈值,若大于,则执行步骤F42,其中,所述预设谱线波长为在物理意义或化学意义上能够区分煤和岩石,且难于激发的预设元素对应的谱线波长。
其中,所述预设元素包括C元素和N元素等。作为一种示例,所述预设的VIP阈值等于1。
步骤F42、判断预设谱线波长是否属于所述候选谱线波长集合,若不属于,则将所述预设谱线波长加入所述目标精简谱线波长集合中。
通过步骤F41-步骤F42在扩大精简光谱的波段范围同时还能够更加详细的刻画波段之间的光谱变化,更大程度上保留了样本原始LIBS光谱中对煤岩识别有用的数据信息。
作为一种示例,所述步骤F4之后还包括:
步骤F5、基于样本目标精简谱线波长集合中的目标精简谱线波长对应的LIBS光谱强度,生成的煤岩识别模型输入,训练生成煤岩识别模型。
所述步骤F5具体可以通过实施例四记载的方式训练生成PCA煤岩识别模型或通过实施例五载的方式训练生成PLS煤岩识别模型,无需直接基于每一样本的N个LIBS光谱数据获取对应的主成分提取架构,而是将N个LIBS光谱数据先生成目标精简谱线波长集合,基于样本目标精简谱线波长集合中的目标精简谱线波长对应的LIBS光谱强度,获取对应的主成分提取架构,再基于对应的主成分提取架构以及样本目标精简谱线波长集合中的目标精简谱线波长对应的LIBS光谱强度生成每一样本对应的主成分,作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型或W分类模型,即PCA煤岩识别模型或PLS煤岩识别模型,实施例四、实施例五中的其他相关技术细节在此不再赘述。使用目标精简光谱波长建立的PCA煤岩识别模型或PLS煤岩识别模型在大幅降低运算量的情况下,仍然具有与使用原始光谱波长建立的PCA煤岩识别模型或PLS煤岩识别模型相当的最佳识别准确率,基于VIP值的主导因子精简光谱模型可以对原始光谱进行合理有效的优化。
图7示出了基于VIP选取目标精简谱线波长的效果图,每一样初始包括6074个LIBS数据。其中,VIP值排在第四个的谱线对应的元素是Mg,而VIP值排在第二个的谱线对应的元素也是Mg,因此将排在第四个的谱线剔除,同理,将排在第七、八、九位的谱线剔除也剔除,再基于步骤F41-步骤F42,将C元素对应的谱线加入,从表中可以看出,C元素的VIP值排在了1176位,这是由于碳(C)元素谱线在激光强度较低时激发比较困难导致C元素对应的谱线在本研究的样本库中的PLS-DA分析中VIP值相对排名较后,但C元素是煤炭包含的典型元素,具有实际物理意义,因此将C元素对应的谱线也选入,最终选择7个光谱波长作为目标精简波长。
实施例六通过获取P1个煤样本集和Q1个岩石样本集中每一谱线波长对最终煤岩识别结果影响的权重值VIP,基于VIP生成目标精简谱线波长集合,目标精简谱线波长集合中的谱线波长为对煤岩识别起主导作用的谱线波长,极大简化了LIBS光谱数据结构,且能够进一步降低基于LIBS光谱数据进行煤岩识别的空开销情况,仍能保持煤岩识别准确率。
开发高产高效煤矿综合配套设备是煤炭科技发展的主流。大功率、大截深的电牵引滚筒式采煤机已得到广泛应用。电机是电牵引采煤机的主要动力来源和主要执行机构之一,主要有截割电机和牵引电机。截割电机负责驱动采煤机滚筒进行割煤,牵引电机负责驱动采煤机整机沿工作面牵引方向移动。电机驱动控制的可靠性和有效性关乎到采煤机实际工作的效果,是煤岩智能感知等信息感知***截割路径规划完成效果的保障,通过上述实施例进行采样点煤岩是被,生成规划截割路径以后,可能存在误差,或采煤遇到一些其他情况,因此,如何实现采煤机智能协调控制也尤为关键,基于此,本发明进一步提出了实施例七。
实施例七、
实施例七提供了一种采煤机智能协调控制子***,如图8所示,包括协调控制模块和电机控制模块,其中,所述协调控制模块用于获取规划截割路径,还用于实时获取采煤机运行参数,当所述采煤机的运行参数符合预设需求时,基于所述规划截割路径生成第一截割电机控制指令和第一牵引电机控制指令,将所述第一截割电机控制指令和第一牵引电机控制指令发送给所述电机控制模块。
其中,所述规划截割路径可以基于实施例三、实施例四和实施例五的煤岩识别结果生成,还可通过实施例二所记载的LIBS光谱智能采集子***实现采样点LIBS数据的采集,具体技术细节已在前述实施例中记载,在此不再赘述。作为示例,所述采煤机运行参数具体可包括电流、电压和震动值,可以理解的是,随着含矸量的增加,采集机的电流、电压和震动值也会随之提高。
当所述采煤机的运行参数不符合预设需求时,基于当前采煤机的运行参数生成第二截割电机控制指令和第二牵引电机控制指令,将所述第二截割电机控制指令和第二牵引电机控制指令发送给所述电机控制模块,所述第二截割电机控制指令和第二牵引电机控制指令的优先级高于所述第一截割电机控制指令和第一牵引电机控制指令。
所述电机控制模块用于在未收到所述第二截割电机控制指令和第二牵引电机控制指令的情况下,基于所述第一截割电机控制指令和第一牵引电机控制指令控制采煤机的牵引电机和截割电机运转,按照所述规划截割路径执行采煤操作。在收到所述第二截割电机控制指令和第二牵引电机控制指令的情况下,基于所述第二截割电机控制指令和第二牵引电机控制指令控制采煤机的牵引电机和截割电机运转,基于当前采煤机的运行参数执行采煤操作。可以理解的是,在未收到所述第二截割电机控制指令和第二牵引电机控制指令的情况下,说明采煤机能够基于规划截割路径正常运转,此时,直接按照规划截割路径执行采煤操作即可,当收到所述第二截割电机控制指令和第二牵引电机控制指令时,说明出现了异常,可能是规划截割路径不准确,导致采集机切割到岩石或者即将切割到岩石,或者是采煤机本身出现异常,此时,需要基于当前采煤机的运行参数生成第二截割电机控制指令和第二牵引电机控制指令,使得采煤机基于第二截割电机控制指令和第二牵引电机控制指令执行采煤操作。
所述采煤机智能协调控制子***实现了基于规划截割路径以及采煤机的运行参数的综合煤岩感知信息,对截割电机和牵引电机进行协调控制,可在截齿即将截割岩石和已经截割到岩石的时刻及时减速甚至停止截割和行走,以及恢复正常时重新启动并调速运行。出现其他紧急异常情况时,远程监控人员还可以通过协调控制***进行人工干预。
作为一种示例,所述协调控制模块用于在当前电流小于等于预设的电流阈值、当前电压小于等于预设的电压阈值且当前震动值小于等于预设的震动阈值时,确定当前采煤机的运行参数符合预设需求,基于所述规划截割路径生成第一截割电机控制指令和第一牵引电机控制指令。
作为一种示例,所述协调控制模块用于若出现以下至少一个情况:当前电流大于预设的电流阈值、当前电压大于预设的电压阈值或当前震动值大于预设的震动阈值,则确定当前采煤机的运行参数不符合预设需求,基于当前电流与预设的电流阈值的差值、当前电压与预设的电压阈值的差值或当前震动值与预设的震动阈值之间的差值中的至少一个,生成第二截割电机控制指令和第二牵引电机控制指令。需要说明的是,随着采煤机所采区域含矸量的增大,电流、电压以及震动值都可能随之增大。当采煤机自身发生异常、或者温度等环境因素异常时,也可能出现电流、电压以及震动值增大的情况。
基于所述第一截割电机控制指令和第一牵引电机控制指令控制采煤机的牵引电机和截割电机运转,或者基于所述第二截割电机控制指令和第二牵引电机控制指令控制采煤机的牵引电机和截割电机运转,具体包括,控制牵引电机和/或截割电机的启动和停止。控制牵引电机和/或截割电机的频率,控制牵引电机和/或截割电机的正转和翻转;控制牵引电机和/或截割电机的转速,可以理解的是,具体控制的参数量根据规划截割路径以及采煤机运行参数确定。
作为一种示例,若当前电流、电压和震动值全部恢复至对应的正常范围内,所述协调控制模块基于所述规划截割路径生成第一截割电机控制指令和第一牵引电机控制指令。可以理解的是,当前电流、电压和震动值全部恢复至对应的正常范围内时,说明异常情况消失,或者已经绕过了误差较大的规划截割路径,因此可以继续基于所述规划截割路径行进。
为了适应综采工作面高产、高效和在不同地质条件下快速截割的需要,用于各类煤层厚度的采煤机均在不断增加装机功率和供电电压,作为一种示例,所述电机控制模块为三电平变流器,所述三电平变流器为背靠背NPC型三电平控制***,能够用于煤矿井下生产1140V电压等级的1000kW大功率异步电机驱动控制。
作为一种示例,所述三电平变流器包括核心控制板与接口板,所述核心控制板与所述接口板相连;所述核心控制板包括DSP模块和FPGA模块,所述DSP模块用于实现牵引电机或截割电机控制主程序及用户接口通信,所述FPGA模块用于控制逻辑耦合及脉冲信号控制,并基于DSP模块发送的指令完成AD片选、IO控制和PWM信号输出。
作为一种示例,DSP模块包括***控制单元、工作状态监视单元和通信单元,其中,所述***控制单元用于在DSP外部中断中实现***控制,所述***控制用于实现AD采样、***保护、外部I/O输入输出采样、坐标变换、空间矢量脉宽调制(SVPWM)调制及比例调节和积分调节(PI调节)。所述工作状态监视单元用于监视用户输入控制字,并根据相关控制字完成变频器***状态机的切换。所述通信单元用于接受上位机及人机界面指令,完成对***控制字的设定。
实施例七通过上述技术方案,基于规划截割路径和采煤机的运行参数协调控制采煤机的截割电机和牵引电机执行采煤操作,提高了采煤机协调控制准确度和可靠性。
需要说明的是,本发明格式示例之间相同或相关联的技术特征可以相互结合使用,在此不再一一赘述。此外,本发明的方法实施三、实施例四、实施例五、实施例六中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本发明实施例还提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行本发明实施三、实施例四、实施例五、实施例六所述的方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机指令用于执行本发明实施三、实施例四、实施例五、实施例六所述的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于主成分分析的煤岩识别方法,其特征在于,包括:
步骤C1、获取煤样本集和岩石样本集,每一样本包括N个LIBS光谱数据,LIBS光谱数据包括谱线波长和对应的LIBS光谱强度;
步骤C2、基于煤样本集和岩石样本集中所有样本确定主成分数量D,以及D个主成分提取架构{z(x)1,z(x)2,…,z(x)d,…,z(x)D},其中,z(x)d为第d个主成分提取架构,d的取值范围为1到D,N>>D,z(x)2,…,z(x)d,…,z(x)D之间具有正交特性,z(x)1,z(x)2,…,z(x)d,…,z(x)D对应的对样本整体数据的解释度之和大于预设的解释度阈值;
步骤C3、基于{z(x)1,z(x)2,…,z(x)d,…,z(x)D}提取煤样本集和岩石样本集中每一样本对应的D个主成分;
步骤C4、将煤样本集和岩石样本集中每一样本对应的D个主成分作为预设分类模型的输入,将煤岩二分类结果作为预设分类模型的输出,训练得到二分类模型;
步骤C5、基于所述二分类模型进行煤岩识别;
步骤C2包括:
步骤C21、构建初始主成分提取架构:z(x)=l1x1+l2x2+…lnxn…+LNxN,其中,ln为第n个谱线波长对应的系数,xn为第n个谱线波长对应的LIBS光谱强度变量;
步骤C22、将煤样本集和岩石样本集中所有样本输入z(x)=l1x1+l2x2+…lnxn…+LNxN,调整l1、l2、…ln…、LN,生成D组l1d、l2 d、…ln d…、LN d,同时满足:条件一、每一组l1d、l2 d、…ln d…、LN d满足;
条件二、每一组l1d、l2 d、…ln d…、LN d满足所有样本的z(x)d的方差与煤样本集和岩石样本集中所有样本的原始方差的差值小于预设的方差阈值;
条件三、D组l1d、l2 d、…ln d…、LN d满足z(x)1,z(x)2,…,z(x)d,…,z(x)D对应的对样本整体数据的解释度之和大于预设的解释度阈值;
步骤C23、基于D组l1d、l2 d、…ln d…、LN d生成{z(x)1,z(x)2,…,z(x)d,…,z(x)D}。
2.根据权利要求1所述的方法,其特征在于,
所述步骤C5包括:
步骤C51、获取目标工作面上采样点对应的N个LIBS光谱数据,分别输入D个主成分提取架构中,生成采样点对应的D个主成分变量;
步骤C52、将采样点对应的D个主成分变量输入所述二分类模型,生成采样点的煤岩识别结果。
3.根据权利要求1所述的方法,其特征在于,
所述煤样本集为{X1,X2,…,Xr,…,XR},所述岩石样本集为{Y1,Y2,…,Ys,…YS},其中,Xr为第r个类型为煤的样本,r的取值范围为1到R,R为煤样本总量;Ys为第s个类型为岩石的样本,s的取值范围为1到S,S为岩石样本总量;Xr=[(A1Xr,B1Xr) , (A2Xr,B2Xr),…,(AnXr,BnXr),…, (ANXr,BNXr)],Ys=[(A1Ys,B1Ys) , (A2Ys,B2Ys),…,(AnYs,BnYs),…,(ANYs,BNYs)] ;(AnXr,BnXr)为Xr的第n个LIBS光谱数据,AnXr为Xr所对应的第n个谱线波长,BnXr为Xr在AnXr上对应的LIBS光谱强度;(AnYs,BnYs)为Ys的第n个LIBS光谱数据,AnYs为Ys所对应的第n个谱线波长,BnYs为Ys在AnYs上对应的LIBS光谱强度,n的取值范围为1到N,N为每一样本对应的LIBS光谱数据总数。
4.根据权利要求3所述的方法,其特征在于,
N的取值为6074。
5.根据权利要求3所述的方法,其特征在于,
D的取值为3,预设的解释度阈值为96%。
6.根据权利要求5所述的方法,其特征在于,
所述预设分类模型为二分类神经网络模型。
7.根据权利要求6所述的方法,其特征在于,
所述神经网络模型包括D个输入、2个输出以及2个隐藏层,其中第一隐藏层包括20个神经元、第二隐藏层包括10个神经元。
8.一种电子设备,其特征在于,包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行前述权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行前述权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409157.9A CN116595409B (zh) | 2023-04-17 | 2023-04-17 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409157.9A CN116595409B (zh) | 2023-04-17 | 2023-04-17 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595409A CN116595409A (zh) | 2023-08-15 |
CN116595409B true CN116595409B (zh) | 2024-01-09 |
Family
ID=87599817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310409157.9A Active CN116595409B (zh) | 2023-04-17 | 2023-04-17 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595409B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2532790A1 (en) * | 2003-07-18 | 2005-01-27 | Bio-Rad Laboratories, Inc. | System and method for multi-analyte detection |
WO2008103865A2 (en) * | 2007-02-23 | 2008-08-28 | Thermo Niton Analyzers Llc | Fast and precise time-resolved spectroscopy with linear sensor array |
CN103076310A (zh) * | 2012-12-28 | 2013-05-01 | 深圳大学 | 用于物质成份分析的光谱探测***及其探测方法 |
CN103488874A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法 |
IL236114A (en) * | 2014-12-07 | 2016-04-21 | Yoav Grauer | Improved object recognition in the reimbursement-based imaging unit |
WO2016090439A1 (pt) * | 2014-12-09 | 2016-06-16 | Universidade Estadual De Campinas - Unicamp | Método de detecção de vivacidade de impressões digitais usando redes convolucionais |
CN106780266A (zh) * | 2017-02-06 | 2017-05-31 | 重庆大学 | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 |
CN107764773A (zh) * | 2017-10-13 | 2018-03-06 | 吉林大学 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
CN109872061A (zh) * | 2019-01-30 | 2019-06-11 | 深圳供电局有限公司 | 一种电网基建改进、提升决策方法 |
KR20190084479A (ko) * | 2018-01-08 | 2019-07-17 | 주식회사 엘지화학 | 전지 음극 표면의 금속 성분 분석 방법 |
CN111461243A (zh) * | 2020-04-08 | 2020-07-28 | 中国医学科学院肿瘤医院 | 分类方法、装置、电子设备及计算机可读存储介质 |
CN114219531A (zh) * | 2021-12-15 | 2022-03-22 | 北京工业大学 | 一种基于m-wu概念漂移检测的废旧手机动态定价方法 |
CN114782763A (zh) * | 2022-05-19 | 2022-07-22 | 哈尔滨工业大学 | 多视角高分遥感图像稀疏主成分对齐方法 |
CN115375941A (zh) * | 2022-08-22 | 2022-11-22 | 海南大学 | 基于gat和3d-cnn的多特征融合高光谱图像分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0700450D0 (en) * | 2007-01-10 | 2007-02-21 | Radiation Watch Ltd | The RWL threat engine |
US20190285611A1 (en) * | 2015-07-30 | 2019-09-19 | The Research Foundation For The State University Of New York | Gender and race identification from body fluid traces using spectroscopic analysis |
US20210256538A1 (en) * | 2020-02-14 | 2021-08-19 | Actimize Ltd. | Computer Methods and Systems for Dimensionality Reduction in Conjunction with Spectral Clustering of Financial or Other Data |
JP2023020671A (ja) * | 2021-07-30 | 2023-02-09 | 株式会社キーエンス | レーザ誘起ブレークダウン分光装置 |
-
2023
- 2023-04-17 CN CN202310409157.9A patent/CN116595409B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2532790A1 (en) * | 2003-07-18 | 2005-01-27 | Bio-Rad Laboratories, Inc. | System and method for multi-analyte detection |
WO2008103865A2 (en) * | 2007-02-23 | 2008-08-28 | Thermo Niton Analyzers Llc | Fast and precise time-resolved spectroscopy with linear sensor array |
CN103076310A (zh) * | 2012-12-28 | 2013-05-01 | 深圳大学 | 用于物质成份分析的光谱探测***及其探测方法 |
CN103488874A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法 |
IL236114A (en) * | 2014-12-07 | 2016-04-21 | Yoav Grauer | Improved object recognition in the reimbursement-based imaging unit |
WO2016090439A1 (pt) * | 2014-12-09 | 2016-06-16 | Universidade Estadual De Campinas - Unicamp | Método de detecção de vivacidade de impressões digitais usando redes convolucionais |
CN106780266A (zh) * | 2017-02-06 | 2017-05-31 | 重庆大学 | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 |
CN107764773A (zh) * | 2017-10-13 | 2018-03-06 | 吉林大学 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
KR20190084479A (ko) * | 2018-01-08 | 2019-07-17 | 주식회사 엘지화학 | 전지 음극 표면의 금속 성분 분석 방법 |
CN109872061A (zh) * | 2019-01-30 | 2019-06-11 | 深圳供电局有限公司 | 一种电网基建改进、提升决策方法 |
CN111461243A (zh) * | 2020-04-08 | 2020-07-28 | 中国医学科学院肿瘤医院 | 分类方法、装置、电子设备及计算机可读存储介质 |
CN114219531A (zh) * | 2021-12-15 | 2022-03-22 | 北京工业大学 | 一种基于m-wu概念漂移检测的废旧手机动态定价方法 |
CN114782763A (zh) * | 2022-05-19 | 2022-07-22 | 哈尔滨工业大学 | 多视角高分遥感图像稀疏主成分对齐方法 |
CN115375941A (zh) * | 2022-08-22 | 2022-11-22 | 海南大学 | 基于gat和3d-cnn的多特征融合高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
Band Selection Using Improved Sparse Subspace Clustering for Hyperspectral Imagery Classification;Weiwei Sun;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;全文 * |
基于空谱一体化的农田高光谱图像分类;苗荣慧;黄锋华;杨华;邓雪峰;陈晓倩;;江苏农业学报(第04期);全文 * |
激光纳米粒子粒径、浓度、成分三合一在线监测仪原理介绍;朱晓阳;邹伟栋;;分析仪器(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116595409A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116383704B (zh) | 一种基于libs单谱线的煤岩识别方法 | |
CN116561620B (zh) | 基于变量投影重要性的libs光谱数据处理方法、设备和介质 | |
CN111504980B (zh) | 一种金属增材制造过程的libs在线监测装置及方法 | |
CN109396576B (zh) | 基于深度学习的电火花加工稳定性与能耗状态优化决策***及决策方法 | |
CN110135468A (zh) | 一种煤矸石的识别方法 | |
CN105378219B (zh) | 从岩屑特性化井孔深度层段 | |
CN110795510A (zh) | 基于高维数据关联挖掘的航天器***健康状态评估方法 | |
CN113685188B (zh) | 一种基于岩渣物理特征的tbm掘进优化方法 | |
CN113946950A (zh) | 一种快速圈定金矿找矿靶区的方法 | |
Wei et al. | Tool wear state recognition based on feature selection method with whitening variational mode decomposition | |
CN116595409B (zh) | 一种基于主成分分析的煤岩识别方法、电子设备和介质 | |
CN116401584A (zh) | 一种基于偏最小二乘法的煤岩识别方法、电子设备和介质 | |
CN116498316A (zh) | 一种基于libs技术的智能采煤*** | |
CN116804365A (zh) | 一种采煤机智能协调控制子*** | |
CN116539527A (zh) | 一种libs光谱智能采集子*** | |
CN113869412A (zh) | 一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法 | |
CN110751048B (zh) | 基于图像特征自动选择谱线的激光探针分类方法及装置 | |
CN116307123B (zh) | 一种基于知识图谱驱动的矿产资源预测方法、存储介质 | |
CN117541847A (zh) | 一种掘进环境的侦测方法及*** | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
Yan et al. | Transformer fault diagnosis research based on LIF technology and IAO optimization of LightGBM | |
CN109284768B (zh) | 一种空间抓捕过程不确定性重构和预测方法 | |
Wang et al. | Application of Semi-Supervised Learning Model to Coal Sample Classification | |
CN118228117B (zh) | 基于tbm掘进特征和振动特征参数的围岩等级感知方法 | |
CN117348551A (zh) | 一种基于数字孪生技术的内齿圈质量控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |