煤矿安全监测监控系统瓦斯浓度异常信号辨识方法研究

声明

摘要

插图或附表清单

1 绪论

1．1 研究背景

1．1．1 选题背景

1．1．2 研究意义

1．2 国内外研究现状

1．3 目前研究存在的问题

1．4 论文的主要研究内容及技术路线

1．4．1 主要研究内容

1．4．2 本文主要章节及技术路线

1．5 课题来源

1．6 本章小结

2 瓦斯监控系统异常信号及其特征

2．1 煤矿瓦斯监控系统

2．1．1 煤矿安全监控系统框架与结构

2．1．2 KG9701矿用瓦斯传感器

2．2 异常信号的时域特征

2．2．1 瓦斯传感器的故障模式

2．2．2 瓦斯监控系统异常信号的时域直观特征指标

2．2．3 瓦斯监控系统异常信号的时域间接特征指标

2．2．4 煤矿瓦斯监控系统异常信号的特征分析

2．3 本章小结

3 安全监测监控系统瓦斯浓度异常信号辨识理论研究

3．1 线性回归分析法在异常信号辨识方面的应用

3．2 异常信号的检出方法研究

3．2．1 人工神经网络数据融合算法研究

3．2．2 支持向量回归机数据融合算法研究

3．2．3 异常信号的解析模糊决策检出方法

3．3 异常信号时频特征提取方法研究

3．3．1 小波分析

3．3．2 Hilbert-Huang变换

3．3．3 能量化特征矢量

3．3．4 傅里叶变换谱

3．4 异常信号分类方法研究

3．4．1 最小二乘支持向量机分类器

3．4．2 二叉树最小二乘支持向量机多分类器

3．5 两个进行异常信号特征辨识时应考虑的问题

3．5．1 信号特征的时间匹配

3．5．2 传感器信号延迟的问题

3．6 瓦斯监测监控系统瓦斯浓度异常信号辨识模型

3．7 本章小结

4 瓦斯监测监控系统瓦斯浓度异常信号检出仿真实验研究

4．1 常见瓦斯传感器布局

4．2 基于GRNN神经元网络的异常信号融合残差的检出方法

4．2．1 基于GRNN网络的逼近器

4．2．2 GRNN网络的异常信号检出模型

4．2．3 GRNN网络的异常检出仿真实验结果

4．3 基于参数优化的SVR的瓦斯传感器信号预测模型的实现

4．3．1 支持向量回归机(support vector regression，SVR)

4．3．2 基于遗传算法(Genetic Algorithm，GA)的参数寻优

4．3．3 基于自适应步长萤火虫算法(ASGSO)的参数寻优

4．3．4 基于参数优化的SVR的预测模型的仿真实验

4．3．5 基于GA-SVR的瓦斯浓度预测模型的异常信号检出实验结果

4．3．6 瓦斯监控系统故障评估新指标

4．4 本章小结

5 瓦斯浓度异常信号特征提取与分类实验研究

5．1 瓦斯监控异常信号提取与分类实验系统构建

5．1．1 实验目的

5．1．2 实验平台的架构

5．1．3 实验对象介绍

5．1．4 实验步骤及流程

5．2 基于小波降噪结合DFT变换谱的异常信号辨识方法

5．2．1．小波滤波算法

5．2．2 离散傅里叶变换

5．2．3 实验步骤及流程

5．2．4 实验结果分析

5．3 基于小波分析能量特征矢量的实验结果特征提取

5．3．1 能量化特征矢量异常信号特征提取方法

5．3．2 特征提取结果

5．4 基于hilbert-huang变换的特征提取方法

5．4．1 异常信号的EMD分解

5．4．2 基于SVR的端点延拓

5．4．3 基于Hilbert-Huang变换的信号特征提取

5．5 基于二叉树SVC的特征分类

5．5．1 异常信号特征提取方法的评价指标

5．5．2 基于二叉树SVC的特征分类

5．6 本章小结

6 结论与展望

6．1 结论

6．2 创新点

6．3 展望

参考文献

致谢

作者简介及读博期间主要科研成果