分享
振动特征信号如何获取
原理：
采煤机截齿在截割过程中与煤、岩产生剧烈振动和摩擦，伴随振动波向外传播。在截割参数一定的情况下可以根据截齿的振动加速度信号的幅值、均值以及信号变化规律来分析判别截割介质属性。 单截齿在截割过程中受到切向阻力、径向阻力和侧向阻力的作用，可合成为截齿滚筒在x、y、z三个方向上的合力。
截齿截割全煤比例试件时，研究人员发现截齿y方向的振动加速度幅值变化最为明显，且最大幅值大于其他2个方向的振动曲线，为了适当减少特征数据的处理维数和处理数量，所以选取y方向的振动加速度作为特征信号进行分析。
为了提高识别系统的准确性，降低由非平稳特征信号导致系统识别精度较低的风险。将振动加速度数据导入MATLAB中对其进行特征数据计算并获得振动频谱图。
红外热像信号如何获取
红外热像图整体信号数据样本多、参数区间较大，冗余无用的温度信号较多。
为了适当减少试验数据的处理量，对截齿齿尖闪温高温区进行如下数据处理：
利用IRBIS 3plus软件，可以实现截齿红外热像图的数据提取及分析，首先将试验获取的截齿红外热像图导入到IRBIS 3plus中进行数据筛选，按照温度数值大小排序并选取样本中前600个温度数据点，并对其进行红外温度-频数分析。 根据BP神经网络建立煤岩识别模型
神经网络是一种模拟人脑神经元工作的智能学习算法，BP神经网络作为多层前馈神经网络包括输入层、隐含层、输出层。BP网络的特点是信号前向传递，误差反向传播。
研究人员选取的构建神经网络的特征信号为：
截割不同煤岩比例过程中截齿y轴方向的振动加速度均值，频数-幅值频谱图中的均方根，截齿红外热像图的最高温度，截齿的温度-频数图像中最高温度所对应的频数，故BP神经网络输入层节点数量设置4个神经元。
输出层为5种状态对应着不同煤岩试件比例，所以输出层设置5个神经元。
输出结果证明，基于BP神经网络识别模型的判别结果和测试样本的实际截割煤岩比例类型相符，这项研究也为实际煤炭开采工程中煤岩界面的识别提供了解决方案。
