基于图像型的煤矿早期外因火灾预测及识别方法研究

针对传统煤矿井下火灾预测易受环境影响的不足,文中提出了一种基于图像型的煤矿外因火灾预报方法。文中基于火灾图像特征根据运动检测提取出疑似火灾区域,再根据颜色决策排除掉不具有火焰颜色的物体,最后再利用离散分形布朗增量场进行识别。实验结果表明,该算法对于小样本、非线性的分类问题效果显著,该法能较好地将煤矿井下的火源与干扰源区别开来,有较高的识别率和较强的鲁棒性,可降低误报、漏报。     

煤矿井下图像型早期火灾探测

针对煤矿井下传统火灾探测方法的不足,提出了一种基于图像型的火灾探测方法,阐述了对所获取的红外图像进行预处理、特征提取和火灾识别的过程。根据早期火灾的特点,通过提取图像序列中多个参数的火灾信息,并将量化后的火灾特征值输入支持向量机,对支持向量机进行分类器训练,再利用训练好的分类器对火灾和干扰物进行分类识别。实验结果表明:该方法探测正确率高,误判率低,抗干扰能力强,对于小样本的非线性分类问题效果较好。该研究成果对煤矿外因火灾的预防具有一定实际意义。     

CCM下buck变换器在起动及输入电压突变时的特性

通过建立变换器中电感电流包络和输出电压包络的微分方程，对连续导电模式(CCM)下闭环的PWM buck变换器起动及输入电压突变时的输出电压的动态特性进行了理论分析，得出了过渡过程中输出电压存在振荡和过冲现象的条件，并推导出了振荡频率、过冲电压发生的时刻和过冲电压的最值。最后采用PSPICE仿真和实验验证了理论分析的正确性。     

基于PCA-BO-XGBoost的矿井回采工作面瓦斯涌出量预测

针对矿井回采工作面瓦斯涌出量预测精度欠佳的问题,建立基于极端梯度提升(XGBoost)瓦斯涌出量预测模型。首先,为解决瓦斯涌出量影响因素维数高和信息冗余等问题,在预测模型中引入主成分分析法(PCA)对11种影响因素降维。其次,通过贝叶斯优化算法(BOA)对XGBoost中超参数进行优化以提高预测模型的精度。最后,将训练集数据作为预测模型的输入进行训练,利用训练好的模型对测试集数据进行验证,并与传统的BP神经网络和支持向量机进行对比。结果表明：PCA-BO-XGBoost模型的平均绝对误差为0.070 3,均方根误差为0.095 7,能够满足对瓦斯涌出量预测的精度要求。与其他机器学习算法相比,建立的模型预测精度更高、耗时更短、效率均更高,对煤矿井回采工作面瓦斯涌出量的预测精度和效率提升具有借鉴作用。