一种基于多尺度融合的深度学习方法,用于对抗噪音的煤电带识别
Qingjun Song1, Shirong Sun1, Qinghui Song1
1College of Intelligent Equipment, Shandong University of Science and Technology, Taian, 271000, Shandong, China.
Scientific reports
|January 2, 2025
概括
这项研究引入了一种新的多尺度卷积神经网络 (MCNN-BILSTM),用于在杂的采矿环境中准确识别煤炭帮派. 该方法提高了工业应用的稳定性和适应性.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 对于智能采矿和煤炭质量来说,对煤炭链的识别至关重要.
- 现有的方法与尘埃和噪音作斗争,限制了工业用途.
- 在恶劣环境中准确识别仍然是一个挑战.
研究的目的:
- 为杂的工业环境开发一个强大的煤炭连锁识别方法.
- 为了提高煤识别系统的准确性和稳定性.
- 增强集成工作面的智能实现.
主要方法:
- 提出了一个端到端的多级特征融合卷积神经网络 (MCNN-BILSTM).
- 使用多尺度学习和注意力机制分析振动信号.
- 传统的过方法与深度学习相结合.
主要成果:
- 该MCNN-BILSTM方法表现出强大的适应性和稳定性.
- 该方法在复杂的环境中显示出显著的抗噪能力.
- 实验验证是在一个煤冲击液压支平台上进行的.
结论:
- 拟议的MCNN-BILSTM方法适用于复杂的实际工业场所.
- 该技术有效地克服了现有的煤识别系统的局限性.
- 这一进步有助于实现更安全,更有效的煤炭开采操作.
