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