综合机械化放顶煤采煤(综放)作为我国厚煤层的主要开采方式,不仅在前方有一个使工作面不断向前推进的采煤工作面,在后方(对于低位放顶煤液压支架而言)还有一个不断放落顶煤的工作面,极大地提高了工作面产煤的效率。其中,综放开采的放顶煤工艺是通过控制液压支架上插板的伸缩打开或关闭放煤口,从而控制顶煤的放落。但是,目前该关键工艺仍采用放煤工手动操控电液换向阀来进行控制,放煤工通过耳听或目测来控制放煤口的开关,极易造成顶煤的“欠放”或“过放”现象,严重影响综放工作面的顶煤采出率。并且综放工作面环境恶劣、煤尘大、照明差、空间狭窄,严重危害放煤工人的健康。放煤工艺自动化的实现,可以使放煤工人远离工作面,远程控制顶煤的放落,从而保障放煤工人的健康问题。垮落煤岩的识别可以为放煤口的开启关闭提供理论依据,从而解决了顶煤的“欠放”或“过放”问题,提高顶煤的采出率和质量。因此,煤炭行业“十三五”规划中确定的煤炭科技基础理论研究任务中便提到“深入研究煤岩界面自动识别基础理论,为煤炭安全清洁高效开发利用提供理论支撑”。本文以综放开采现场顶煤放落过程中垮落煤岩冲击液压支架后尾梁的非平稳振动信号为原始数据,利用分形理论,小波包变换,主元分析与流形学习等方法,对该振动信号进行特征提取与特征降维,获得表征垮落煤岩的有效特征向量,基于有效特征向量设计与训练分类模型—BP神经网络,建立了利用综放开采现场非平稳振动信号的垮落煤岩识别模型,实现了综放工作面垮落煤岩的的自动判断与识别,为综放开采的关键工艺放顶煤自动化的实现提供了理论依据。(1)完整准确地采集了煤矿井下综放开采现场顶煤放落过程中的振动信号。首先,根据顶煤和岩石冲击液压支架后尾梁造成的振动信号有显著差异,提出了基于该振动信号的垮落煤岩识别方法,并与中煤朔州担水沟煤矿进行合作,基于本课题组已有的GBC1000加速度传感器和YHJ(C)矿用便携式测振记录仪,于该煤矿的9201综放工作面开展了顶煤放煤过程中垮落煤岩冲击液压支架后尾梁的振动信号采集试验,完整地采集了顶煤放落过程中顶煤垮落至岩石垮落(包括大块顶煤垮落和大块岩石垮落)不同工况的振动信号,并准确地记录了各个工况的时间节点与持续时间,为综放工作面垮落煤岩的识别提供了丰富有效的原始数据。利用顶煤垮落和岩石垮落两种工况不同时间长度的样本验证该振动信号的非平稳性,两类样本的方差随着样本时间长度变化而发生明显变化,且无规律可循。因此,该振动信号表现出明显的非平稳性,从而确定了利用信号局部特征的时频分析方法提取该振动信号的特征。(2)提出了基于EMD和基于奇异值差分谱的特殊工况振动信号的处理方法。针对顶煤放落过程中的大块顶煤垮落和大块岩石垮落的特殊工况的振动信号,利用经验模态分解(Empirical Mode Decomposition,EMD)将该振动信号分解为若干个本征模态函数(Intrinstic Mode Function,IMF),选择几个合适的IMF对该振动信号进行重构,获得了特征类似于正常工况下振动信号的重构信号;对该振动信号构造Hankel矩阵,利用奇异值分解(Singular value decomposition,SVD)将该矩阵分解成一系列分量信号,然后基于奇异值差分谱选择几个较大分量进行信号重构,同样,获得了特征类似于正常工况下振动信号的重构信号,两种方法处理特殊工况的振动信号均取得了较好的效果,且丰富了实现综放工作面垮落煤岩识别的原始数据。并对顶煤垮落和岩石垮落两种工况(包括特殊工况处理后)的振动信号进行连续等时截割,为之后的特征提取及煤岩识别提供了足够多的垮落煤岩样本。(3)对比提出的基于分形理论,小波包变换,PCA和LTSA的特征提取及特征降维方法,获得了表征垮落煤岩的有效特征向量。针对所采集振动信号的非平稳性,利用分形理论和小波包变换对该振动信号处理分析,得到了该非平稳振动信号的整体特征—分形盒维数,并提取了传统小波包特征(能量,能量熵,能量矩,样本熵)和小波包能量流,对该振动信号进行细节的特征描述,并对比了各个表征垮落煤岩特征的有效性与提取效率。对比发现对于顶煤垮落和岩石垮落两类样本,分形盒维数虽然有差异,但差别不显著易造成误判;小波包频带能量和小波包频带能量矩在多个频带有明显差别,为表征垮落煤岩的有效特征;小波包频带样本熵仅在频带1有差别,作为表征垮落煤岩的特征易造成误判;小波包频带能量熵在16个频带均相似,不是表征垮落煤岩的有效特征;小波包能量流具有明显的区别,为表征垮落煤岩的有效特征。因此,提出了基于分形盒维数和传统小波包特征(能量,能量熵,能量矩,样本熵)的垮落煤岩特征提取方法,提出了基于小波包能量流的垮落煤岩特征提取方法。并针对垮落煤岩实时识别的问题,创新性地对比了小波包特征提取与分形盒维数特征提取的耗时,发现两个特征的提取耗时均小于0.3s,基本满足实时性的要求。针对上述特征向量维数过大的问题,提出了基于主元分析(principal component analysis,PCA)的特征降维方法,提出了基于局部切空间排列(local tangent space alignment,LTSA)的特征降维方法,并对比了各个低维特征向量的有效性和两种降维方法的效率。对比发现由分形盒维数和传统小波包特征(能量,能量熵,能量矩,样本熵)组成的向量的PCA低维特征向量分别为有效特征,无效特征,有效特征,有效但不显著特征;小波包能量流转换形成的向量的PCA低维特征向量为有效特征。由分形盒维数和传统小波包特征(能量,能量熵,能量矩,样本熵)组成的向量的LTSA低维嵌入分别为别为无效特征,有效特征,无效特征,有效特征;小波包能量流转换形成的向量的LTSA低维嵌入为有效特征。因此,获得的表征垮落煤岩的有效特征向量有:基于分形盒维数和小波包能量的向量及其PCA低维特征,基于分形盒维数和小波包能量矩的向量及其PCA低维特征,基于小波包能量流的向量及其PCA低维特征,基于分形盒维数和小波包能量熵的向量的LTSA低维嵌入,基于分形盒维数和小波包样本熵的向量的LTSA低维嵌入,基于小波包能量流的向量的LTSA低维嵌入。不仅为垮落煤岩的识别提供了依据,同时为实现垮落煤岩识别的分类模型提供了充足的有效输入。并创新性地对比了两种降维方法的效率,发现上述特征向量的LTSA平均耗时为44.199s,是PCA耗时的7.9倍,效率较低。(4)提出了基于小波包能量矩和分形盒维数的PCA低维特征及BP神经网络和基于小波包能量流及BP神经网络的垮落煤岩识别模型。分别把上述特征向量输入BP神经网络,设计与训练BP神经网络,对比不同特征输入BP神经网络的识别准确率,并创新性地对比BP神经网络的训练效率。对比发现BP神经网络识别准确率高的输入有:小波包能量矩和分形盒维数的PCA低维特征(识别率达到100%,其特征提取与神经网络训练耗时为8.753s),小波包能量流的PCA低维特征(识别率100%,特征提取与神经网络训练耗时为8.916s),小波包能量流(识别率97.5%,特征提取与神经网络训练耗时为5.797s),小波包能量和分形盒维数的PCA低维特征(识别率95%,特征提取与神经网络训练耗时为8.479s),小波包样本熵和分形盒维数的LTSA低维嵌入(识别率95%,特征提取与神经网络训练耗时为74.863s)和小波包能量熵和分形盒维数的LTSA低维嵌入(识别率92.5%,特征提取与神经网络训练耗时为73.863s)。进一步得到了表征垮落煤岩的最有效特征—小波包能量矩和分形盒维数的PCA低维特征以及小波包能量流。针对BP神经网络易陷入局部最优的缺陷,利用蚁群算法(ant colony optimization,ACO)优化BP神经网络并对比优化前后BP神经网络的训练效率。发现只有基于小波包样本熵和分形盒维数的LTSA低维嵌入以及小波包能量熵和分形盒维数的LTSA低维嵌入的神经网络训练耗时缩短,训练效率得到了提升。因此,得到了基于小波包能量矩和分形盒维数的PCA低维特征和BP神经网络的垮落煤岩识别模型,得到了基于小波包能量流和BP神经网络的垮落煤岩识别模型,准确有效地判断和识别了垮落煤岩,为进一步的放煤自动化提供了有效的理论支撑。