本发明专利技术公开了基于多源数据融合分析的煤‑岩‑矸分选方法及系统，属于煤‑岩‑矸分选领域，对岩块和煤块进行相同荷载加载试验，监测煤块和岩块的应变，监测加载过程中释放的热量，测试不同种类的煤炭、岩石、矸石，分析光谱吸收峰特征，将不同应变、释放的热量、不同的吸收峰特征与对应的煤炭、岩块、矸石种类进行关联分析，分别建立应变多分类模型、热量多分类模型和光谱多分类模型，分别利用上述模型对煤炭、岩石、矸石的混合物进行分选识别，并基于动态加权融合三个分选结果，确定最终分选结果。联合煤岩矸的表观特征、物理性质、组成成分差异，进行深层次决策融合，解决单一分选方法导致的不确定性问题，确保了分选结果的准确性和可靠性。
【技术实现步骤摘要】
本专利技术属于煤-岩-矸分选领域，具体涉及基于多源数据融合分析的煤-岩-矸分选方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、在煤炭开采中，高效、精确的煤-岩-矸识别是提升经济效益、降低设备损耗的重要前提，在实际煤矿开采过程中，常出现煤-岩-矸混合的复杂情况。煤、岩石和矸石混杂在一起会降低煤炭质量，这是由于岩石和矸石不具有可燃性，如果不分离岩石和矸石，煤炭燃烧时会产生更多的灰渣，降低热值，影响燃烧效率，且岩石和矸石的存在会大大增加运输成本，因此如何进行准确、高效的煤-岩-矸分选是煤炭开采加工过程中一个至关重要的步骤。
3、现今的煤岩矸的分选方法及存在的问题主要有：①人工拣选，根据颜色、形状、重量等对煤岩矸进行分选，依赖人工经验定性判识，分选效率低且分选不充分；②利用煤炭和矸石在密度上的差异性进行重介质煤矸分选，但重介质煤矸分选法工艺流程繁琐。煤的种类繁多，难以保证煤与岩石、矸石的密度均有明显差异，煤岩矸分选准确率和效率低下；③利用煤炭和矸石对γ射线和x射线的反射及吸收程度的差异性也可以进行煤岩矸识别，但γ射线和x射线会释放强辐射，对人体伤害极大，容易发生危险；④获取煤、岩石和矸石的图像等机器视觉数据，利用机器学习对图像灰度、纹理、形状等特征进行识别，从而实现煤岩矸识别，但图像识别具有致命的缺陷，即识别前必须有完整清晰的煤岩图像，当煤矸在传送带上时，会存在大量的粉尘且光线较暗，这大大增加了识别难度。
技术实现思路</p>1、为克服上述现有技术的不足，本专利技术提供了基于多源数据融合分析的煤-岩-矸分选方法及系统，联合利用不同煤岩在表观特征、物理性质、组成成分的差异性，进行深层次决策融合从而实现煤岩矸高精度的分选，提高煤岩矸分选技术水平，促进煤炭行业的发展。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、第一方面，本专利技术提供了基于多源数据融合分析的煤-岩-矸分选方法，包括：
4、收集不同种类的煤炭、岩石、矸石，并加工成相同尺寸的岩块和煤块；
5、对所述岩块和煤块进行相同荷载加载试验，监测煤块和岩块的应变，将不同的应变与对应的煤炭、岩块、矸石种类进行关联分析，建立应变多分类模型；
6、监测所述煤块和岩块在荷载加载过程中释放的热量，将相同尺寸、相同荷载加载条件下释放的热量与对应的煤炭、岩块、矸石种类进行关联分析，建立热量多分类模型；
7、测试并识别不同种类的煤炭、岩石、矸石的光谱吸收峰，将不同的吸收峰特征与对应的煤炭、岩块、矸石种类进行关联分析，建立光谱多分类模型；
8、分别利用应变多分类模型、热量多分类模型和光谱多分类模型对煤炭、岩石、矸石的混合物进行分选识别，融合应变多分类模型、热量多分类模型和光谱多分类模型的分选结果，确定最终分选结果。
9、进一步的技术方案，所述应变多分类模型采用神经网络进行训练，输入参数为试块的总应变和不同时刻对应的应变值，输出参数为对应的煤炭、岩石或矸石种类的概率。
10、进一步的技术方案，所述热量多分类模型采用神经网络进行训练，输入参数为相同尺寸、相同荷载加载条件下的试块的热量释放总量、热量释放速率和平均温度，输出参数为对应的煤炭、岩石或矸石种类的概率。
11、进一步的技术方案，所述光谱多分类模型采用神经网络进行训练，输入参数为不同试块的吸收峰特征，输出参数为对应的煤炭、岩石或矸石种类的概率。
12、进一步的技术方案，所述融合应变多分类模型、热量多分类模型和光谱多分类模型的分选结果，确定最终分选结果具体为：将三个分选结果进行加权平均，选择加权平均后概率最大的类别作为最终分选结果，并对分选后的煤炭和岩石进行分别传送运输。
13、进一步的技术方案，所述加权为融合模型预测不确定性的动态加权，所述不确定性通过熵值来量化，根据熵值分配权重；所述熵值的计算公式为：
14、
15、其中，为模型预测的类别概率分布，c为类别数量，为模型预测该样本属于类别i的概率。
16、进一步的技术方案，根据权重进行加权平均，选择加权平均后概率最大的类别作为最终分选结果，权重的计算公式如下：
17、
18、其中，为第m个模型对当前样本的熵值，m是分类模型总数量，k表示第k个分类模型，是第m个模型的权重，为第k个模型对当前样本的熵值；
19、设模型m的预测概率为，则加权后的最终输出概率为。
20、第二方面，本专利技术提供了基于多源数据融合分析的煤-岩-矸分选系统，包括：
21、样本收集处理模块，其被配置为：收集不同种类的煤炭、岩石、矸石，并加工成相同尺寸的岩块和煤块；
22、应变多分类模型构建模块，其被配置为：对所述岩块和煤块进行相同荷载加载试验，监测煤块和岩块的应变，将不同的应变与对应的煤炭、岩块、矸石种类进行关联分析，建立应变多分类模型；
23、热量多分类模型构建模块，其被配置为：监测所述煤块和岩块在荷载加载过程中释放的热量，将相同尺寸、相同荷载加载条件下释放的热量与对应的煤炭、岩块、矸石种类进行关联分析，建立热量多分类模型；
24、光谱多分类模型构建模块，其被配置为：测试并识别不同种类的煤炭、岩石、矸石的光谱吸收峰，将不同的吸收峰特征与对应的煤炭、岩块、矸石种类进行关联分析，建立光谱多分类模型；
25、融合分选模块，其被配置为：分别利用应变多分类模型、热量多分类模型和光谱多分类模型对煤炭、岩石、矸石的混合物进行分选识别，融合应变多分类模型、热量多分类模型和光谱多分类模型的分选结果，确定最终分选结果。
26、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于多源数据融合分析的煤-岩-矸分选方法中的步骤。
27、第四方面，本专利技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的基于多源数据融合分析的煤-岩-矸分选方法中的步骤。
28、以上一个或多个技术方案存在以下有益效果：
29、本专利技术联合煤岩矸的表观特征、物理性质、组成成分差异，在表现特征方面，考虑到分选环境中粉尘的影响，选用非接触式应变来代替图像进行分选；在物理性质方面，煤炭和岩石在热力学性质、分子结构、机械性质上存在差异，在压缩时释放的热量不同，选择释放的温度这一物理性质来表征；在组成成分方面，组成成分是反应物体最本质区别的关键，煤炭、岩石、矸石其物质组成成分不同，通过光谱对组成成分进行定量分析；并对多种分选方法进行深层次决策融合，可以显著提升煤、岩石和矸石的分选精度，解决单一分选方法导致的不确定性问题，确保了分选结果的准确性和可靠性。将应变、热量、光谱这三种依据进行结合分选，从表观特征、物理性质、组成成分本文档来自技高网
...
【技术保护点】
1.基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，包括：
2.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述应变多分类模型采用神经网络进行训练，输入参数为试块的总应变和不同时刻对应的应变值，输出参数为对应的煤炭、岩石或矸石种类的概率。
3.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述热量多分类模型采用神经网络进行训练，输入参数为相同尺寸、相同荷载加载条件下的试块的热量释放总量、热量释放速率和平均温度，输出参数为对应的煤炭、岩石或矸石种类的概率。
4.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述光谱多分类模型采用神经网络进行训练，输入参数为不同试块的吸收峰特征，输出参数为对应的煤炭、岩石或矸石种类的概率。
5.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述融合应变多分类模型、热量多分类模型和光谱多分类模型的分选结果，确定最终分选结果具体为：将三个分选结果进行加权平均，选择加权平均后概率最大的类别作为最终分选结果，并对分选后的煤炭和岩石进行分别传送运输。
6.如权利要求5所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述加权为融合模型预测不确定性的动态加权，所述不确定性通过熵值来量化，根据熵值分配权重；所述熵值的计算公式为：
7.如权利要求6所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，根据权重进行加权平均，选择加权平均后概率最大的类别作为最终分选结果，权重的计算公式如下：
8.基于多源数据融合分析的煤-岩-矸分选系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于多源数据融合分析的煤-岩-矸分选方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于多源数据融合分析的煤-岩-矸分选方法中的步骤。
...
【技术特征摘要】
1.基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，包括：
2.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述应变多分类模型采用神经网络进行训练，输入参数为试块的总应变和不同时刻对应的应变值，输出参数为对应的煤炭、岩石或矸石种类的概率。
3.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述热量多分类模型采用神经网络进行训练，输入参数为相同尺寸、相同荷载加载条件下的试块的热量释放总量、热量释放速率和平均温度，输出参数为对应的煤炭、岩石或矸石种类的概率。
4.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述光谱多分类模型采用神经网络进行训练，输入参数为不同试块的吸收峰特征，输出参数为对应的煤炭、岩石或矸石种类的概率。
5.如权利要求1所述的基于多源数据融合分析的煤-岩-矸分选方法，其特征在于，所述融合应变多分类模型、热量多分类模型和光谱多分类模型的分选结果，确定最终分选结果具体为：将三个分选结果进行加权...
【专利技术属性】
技术研发人员：许振浩，娄彦飞，韩涛，余腾飞，林鹏，杜慎柯，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。