基于EEMD-KPCA和KL散度的垮落煤岩识别
【摘要】 综放开采中关键工艺放煤自动化的实现，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。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题，基于综放开采现场采集的垮落煤岩冲击液压支架后尾梁的振动信号，提出了一种基于EEMD-KPcA和KL(Kullback-Leibler)散度的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)得到一组固有模态分量(IntrinsicModeFunctions，IMFs)，分别计算各个IMF的能量，峭度和样本熵，构造表征垮落煤岩的特征向量;然后利用核主成分分析(KemelPrincipalComponentAnalysis，KPCA)对特征向量进行降维，分别以各个IMF能量、IMF峭度、IMF样本熵构成的向量的KPCA低维特征来表征垮落煤岩;最后计算“未知样本”不同特征向量与垮落煤岩两类样本与之对应的特征向量的KL散度值，通过比较KL散度值来实现垮落煤岩的实
