Science & Technology
1.基于SSA−LSTM的瓦斯浓度预测模型
作者：兰永青, 乔元栋, 程虹铭, 雷利兴, 罗化峰
摘要:为了更好地捕捉瓦斯浓度的时变规律及有效信息，实现对采煤工作面瓦斯浓度的精准预测，采用麻雀搜索算法（SSA）优化长短期记忆 (LSTM) 网络，提出了一种基于SSA−LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理，再进行归一化和小波阈值降噪；对比测试了SSA与灰狼优化 (GWO) 算法、粒子群优化（PSO）算法的性能差异，验证了SSA在寻优精度、收敛速度和适应能力等方面的优势；利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优，以此来提高全局寻优能力，避免预测模型陷入局部最优；将得到的最佳超参数组合代入LSTM网络模型中，输出预测结果。将SSA−LSTM与LSTM、GWO−LSTM、PSO−LSTM瓦斯浓度预测模型进行比较，实验结果表明：基于SSA−LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM，PSO−LSTM，GWO−LSTM分别减少了77.8%，58.9%，69.7%；平均绝对误差（MAE）分别减少了83.9%，37.8%，70%，采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高的预测精度和鲁棒性。
2.基于自适应多尺度注意力机制的CNN−GRU矿用电动机健康状态评估
作者：谭东贵, 袁逸萍, 樊盼盼
摘要: 利用多传感器信息融合技术进行电动机健康状态评估时，矿用电动机监测数据中存在异常值和缺失值，而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重，导致梯度消失或爆炸等问题。针对上述问题，提出了一种基于自适应多尺度注意力机制的CNN−GRU （CNN− GRU− AMSA）模型，用于评估矿用电动机健康状态。首先，对传感器采集的电动机运行数据进行填补、剔除和标准化处理，并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后，根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数（HI），采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理，并结合主成分分析法计算的不同指标对矿用电动机的贡献度，对指标HI进行加权融合得到矿用电动机HI。最后，将矿用电动机HI输入CNN−GRU−AMSA模型中，该模型通过动态调整注意力权重，实现对不同尺度特征的信息融合，从而准确输出电动机健康状态评估结果。实验结果表明，与其他常见的深度学习模型CNN，CNN− GRU，CNN− LSTM，CNN− LSTM− Attention相比，CNN− GRU− AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优，且预测残差的波动范围更小，稳定性更优。
3.基于CED−YOLOv5s模型的煤矸识别方法研究
作者：何凯, 程刚, 王希, 葛庆楠, 张辉, 赵东洋
摘要: 由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象，导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题，提出一种基于CED−YOLOv5s模型的煤矸识别方法。首先，在YOLOv5s主干网络中引入坐标注意力 (CA) 机制，通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码，充分利用通道注意力信息和空间注意力信息，使模型更加关注重要特征，抑制无用信息。其次，在YOLOv5s的检测头部引入EIoU回归损失函数，将目标框与锚框的宽高差异最小化，以增强目标的位置和边界信息，提高模型在密集目标下的定位精度和收敛速度；最后，在YOLOv5s的检测头部引入轻量化解耦头，解耦出单独的特征通道，分别用于分类任务和回归任务，解决了原模型中耦合头部分类任务与回归任务的相互干扰问题，进一步提升了模型的并行运算效率与检测精度。实验结果表明：CED−YOLOv5s模型与其他YOLO系列目标检测模型相比，综合性能最佳，平均检测精度达94.8%，相较于YOLOv5s模型提升了3.1%，检测速度达84.8 帧/s，可充分满足煤矿井下煤矸实时检测需求。
4.基于改进YOLOv5的带式输送机大块煤检测
作者：秦宇龙, 程继明, 任一个, 王晓晴, 赵青, 安翠娟
摘要: 过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤，然而大块煤和普通煤块在外形和颜色上的差异较小，且煤块间存在遮挡和堆叠的情况，现有煤块检测方法对大块煤与普通煤块的区分不够精确，容易出现漏检或误检。针对上述问题，提出了一种改进YOLOv5模型，用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块，扩大感受野，提升多尺度特征学习能力，从而更好地区分大块煤与普通煤块；在颈部网络中加入联合注意力模块，更好地融合上下文信息，提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测，根据大块煤的数量信息实时联动PLC示警。实验结果表明：相比于原始YOLOv5模型，改进YOLOv5模型在召回率和平均精度上分别提高了3.4%，2.0%；PLC可根据改进YOLOv5模型检测出的大块煤数量操作相应的指示灯和蜂鸣器进行示警；将改进YOLOv5模型应用于煤矿井下实际输煤视频中，对大块煤的检测精确率达97.0%，有效避免了漏检和误检现象。
5.基于改进的SSA−BP神经网络的矿井突水水源识别模型研究
作者：刘伟韬, 李蓓蓓, 杜衍辉, 韩梦珂, 赵吉园
摘要：机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用，但突水水样数据具有随机性且寻优算法易陷入局部最优，提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题，提出了一种改进的麻雀搜索算法（SSA）优化BP神经网络模型，用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象，通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析，初步判断矿井水来源于奥灰含水层和三灰含水层，并确定Na++K+浓度、Ca2+浓度、Mg2+浓度、HCO−3HCO3−浓度、SO2−4SO42−浓度、Cl−浓度、矿化度、总硬度、pH值作为突水水源识别指标；建立基于改进SSA−BP神经网络的矿井突水水源识别模型：首先进行SSA参数设置，引入Sine混沌映射使麻雀种群均匀分布，然后通过计算适应度值进行麻雀种群的更新，引入随机游走策略扰动当前最优个体，如果满足终止条件，则获得最优BP神经网络权重和阈值，最后基于构建的BP神经网络，输出识别结果。研究结果表明：① 改进的SSA−BP模型在训练集上的识别准确率达95.6%，在测试集上的识别准确率达100%。② 改进的SSA−BP神经网络模型与BP神经网络模型、SSA−BP神经网络模型对比结果：BP神经网络模型误判率为5/18，SSA−BP神经网络模型的误判率为2/18，改进的SSA−BP神经网络模型误判率为0，迭代10次后趋于稳定，且与设定的目标误差相差最小，初始适应度值最优，识别结果可信度高。③ 将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中，矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层，模型识别结果与水化学特征分析的结论相互印证，实现了精准区分。
6.煤矿井下非均匀照度图像去噪研究
作者：张旭辉, 麻兵, 杨文娟, 董征, 李语阳
摘要：煤矿综采工作面空间小、照明环境复杂多变，采煤过程中伴随着大量的粉尘、大雾，导致采集的图像出现曝光、细节特征减弱等问题，难以对井下照明区域光照强度过大的图像进行有效的特征提取。针对上述问题，提出了一种煤矿井下非均匀照度图像去噪算法。首先，将视频截取为图像，判断图像是否需要进行光照抑制，将需要进行光照抑制的RGB图像拆分通道，并计算每个通道的光照调节因子，实现图像的整体光照调节；然后，将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取，即将输入的图像转换为HSV空间图像，使用单尺度Retinex（SSR）算法对V通道图像中的光照分量进行单独处理，将V分量中的入射分量去除，保留反射分量，并对反射分量使用直方图均衡算法实现光照均衡化处理；最后，使用基于引导滤波的暗通道先验算法对经过光照处理后的图像进行去雾处理，并使用伽马校正函数重新调节亮度不均的图像。主观评价结果表明：提出的煤矿井下非均匀照度图像去噪算法有效抑制了因光照导致整体亮度较高的问题，且由于大雾、粉尘等因素导致图像模糊的部分更加清晰，图像的细节特征更加突出。采用信息熵、均值 、标准差 、空间频率4种评价指标对提出的算法效果进行客观评价，结果表明，提出的算法在信息熵、均值 、标准差 、空间频率上较多尺度Retinex（MSR）算法分别平均提升了21.87%，−56.06%，153.43%，294.45%，较基于颜色保持的多尺度视网膜增强（MSRCP）算法分别平均提升了1.18%，−39.56%，33.29%，−4.71%，较带色彩恢复的多尺度视网膜增强（MSRCR）算法分别平均提升了38.06%，−55.27%，462.10%，300.96%，说明提出的算法能更有效地增加图像信息量、抑制光照强度、提升边缘信息及图像清晰度。
