本站小編為你精心準備了模糊神經網絡信息融合分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

傳統采煤機滾筒調高方式是通過人工判斷采煤機滾筒截割物料成份實現的。由于采煤機實際截割過程中，煤塵較大等原因造成人工判斷方式效率低、準確率低等問題。為了取代人工判斷采煤機滾筒截割物料成份，自動識別煤巖技術逐漸興起。因此研究采煤機煤巖自動識別技術，用于取代人工判斷采煤機滾筒截割煤壁的煤巖界面，對降低人工成本，減小煤礦安全隱患，提高采煤質量，減小煤中的矸石等雜料的比例以及提高采煤機壽命等具有重要意義[1]。目前針對自動識別煤巖技術的主要技術手段有：（1）使用傳感器采集截割煤巖的伽馬射線的輻射特性進行煤巖識別。這種煤巖識別技術僅適用于甲烷含量豐富的煤巖環境中，并且由于識別技術使用時需要在工作面的頂部或者底部煤巖有一定預留量，造成采煤效率下降[2]。（2）使用振動、力或壓力傳感器對采煤機滾筒截割煤巖過程的振動信號、力信號或液壓力信號進行采集并分析，從而判斷煤巖性質[3]。（3）使用紅外成像傳感器對采煤機滾筒截割煤巖時的溫度進行測量，根據滾筒截割不同介質時產生的溫度變化實現煤巖識別[4]。（4）通過測定采煤機滾筒截割掉落的物料撞擊到刮板輸送機中部槽時發出的不同聲音，確定煤巖的性質，但是這種方法使用局限性較大，即滾筒必須已經截割到巖石并且巖石能夠落入中部槽發出聲音，此方法才有效果[5]。（5）當采煤機滾筒截割較硬的巖石時，截割電機消耗的功率較大，而截割較軟的煤層時，截割電機消耗的功率相對較小，因此通過對截割電機消耗的功率進行實時測量從而進行煤巖識別，同樣，這種方法需要滾筒必須已經截割到巖石時才能夠識別煤巖[6]。以上自動識別煤巖技術均使用單一傳感器和單一的識別技術實現煤巖識別。使用單一傳感器的問題在于獲取煤巖特征信息的渠道窄、使用局限性大、片面、不能完全反映煤巖真實情況，并且一旦使用的單一種類傳感器發生故障，則不能繼續進行煤巖識別[7]。鑒于以上問題，本文研究基于信息融合技術的采煤機煤巖識別技術，使用多個傳感器代替傳統單個傳感器建立煤巖識別系統，并使用模糊神經網絡算法作為系統的核心算法，從而提高采煤機煤巖識別的穩定性、抗干擾能力以及準確性等。

1煤巖識別系統及特征參數分析

1.1煤巖識別系統采煤機截割煤巖的工況簡圖如圖1所示。采煤機截割的煤壁中，有時是均質的煤層，有時煤壁是煤層與巖層共存，設定煤層與巖層以一定比例存在。研究的煤巖識別系統識別的煤壁中巖層的煤層與巖層的比例分別為：全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層四種情況。使用多傳感器信息融合技術及模糊神經網絡算法建立的煤巖識別系統主要分為兩大部分，第一部分是數據采集層，通過多傳感器信息融合技術對采煤機截割煤巖時的振動、阻力矩以及電機電流等進行監測，并采集數據提取特征值。第二部分是識別模型，即使用模糊神經網絡算法建立煤巖識別模型。通過多傳感器采集并處理后的特征分為兩大類，第一類用于使用模糊神經網絡算法建立煤巖識別模型進行網絡訓練，使得識別模型具有相應的泛化能力；第二類用于對所建立的煤巖識別模型進行性能測試，測試識別模型泛化能力，識別能力能夠達到識別要求[9]。

1.2特征參數分析本文建立的煤巖識別采用多傳感器信息融合技術，主要對采煤機截割煤巖時的振動、阻力矩以及電機電流等進行監測。由于采煤機在截割不同比例的煤巖時，z軸方向振動量變化基本相同，因此提高識別效率，本文的多傳感器融合系統只對采煤機滾筒截齒的x軸和y軸振動量進行采集處理。圖2是采煤機截割全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層，這四種情況時煤巖的振動監測值。圖3是采煤機截割四種情況煤巖時的阻力矩情況。圖4是采煤機截割四種情況煤巖時的電機電流監測數據[10]。

2ANFIS原理及結構

模糊神經網絡（ANFIS）的結構如圖5所示，主要由前件網絡和后件網絡組成，其模糊系統采用Sugeno型。

2.1前件網絡前件網絡由4個層組成。前件網絡的第1個網絡層是整個模糊神經網絡的輸入層，有n個節點，模糊神經網絡輸入的各個分量xi與輸入層的各個節點相連，將輸入向量傳遞到第2個網絡層。

2.2后件網絡后件網絡由r個同樣具有三個網絡層的并列的子網絡組成。各個子網絡具有一個輸出值。后件網絡子網絡第1層是將輸入量傳遞至第2層的輸入層。第1層的第0個節點輸入值為1，其用于提供模糊規則后件中的常數項。后件網絡子網絡第2層用于計算各個規則的后件，該層節點數為m，一個節點表示一個規則。ANFIS算法主要使用混合算法對前提和結論參數不斷更新。通常將一個初始值賦予給前提參數，結論參數由最小二乘估計算法得到。最終從最后一層反向向第一層由梯度下降算法傳遞系統的誤差，以不斷更新前提參數。本文研究的識別系統所建立的模糊神經網絡模型使用減法聚類算法對進行歸一化處理后的流特征數據樣本空間進行非線性規劃，選用三角函數型的隸屬度函數，模型的參數學習率設定為0.01，誤差上限[15]為10-3。

3實驗分析

本文通過實驗方法對所建立的基于模糊神經網絡信息融合的采煤機煤巖識別系統的性能進行測試分析。實驗用的采煤機型號是雞西煤礦機械有限公司生產的MG300/701⁃WD型采煤機，其采高可達3.2m，截深為0.63m，截割速度為6m/min。對采煤機截割全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層四種情況煤巖時的振動、阻力矩以及電機電流等數據進行監測。通過建立的煤巖識別系統進行識別，識別結果如圖6所示，同時與使用基于單一的振動、阻力矩以及電機電流傳感器的識別系統的識別結果進行對比。測試結果表明，使用基于單一的振動、阻力矩以及電機電流傳感器的識別系統能夠對煤巖具有一定的識別能力，但是由于其使用單一傳感器的局限性，使得識別結果準確度不夠高，而本文研究的基于模糊神經網絡信息融合技術的識別系統能夠對煤層和巖層的分界面進行有效識別，識別的準確度和穩定性相比其他方法更高。

4結語

研究采煤機煤巖自動識別技術，用于取代人工判斷采煤機滾筒截割煤壁的煤巖界面，對于降低人工成本，減小煤礦安全隱患，提高采煤質量，減小煤中的矸石等雜料的比例以及提高采煤機壽命等具有重要意義。本文研究一種基于信息融合技術的采煤機煤巖識別技術，使用多個傳感器代替傳統單個傳感器建立煤巖識別系統，并使用模糊神經網絡算法作為系統的核心算法，替代傳統的煤巖識別技術使用單一傳感器和單一的識別技術。通過實驗驗證了本文提出的識別系統相比傳統技術具有更好的穩定性、抗干擾能力強以及高識別度等優點。

作者：王冷 單位：吉林工程職業學院