技术领域
[0001] 本
发明涉及一种基于太赫兹多参数谱的煤岩界面识别方法，属于煤岩界面识别、采煤机自主调高和无人化、智能化开采技术领域。
背景技术
[0002] 无人化、智能化工作面开采技术是一种高效的安全开采方式，可以有效的减少人员事故，确保煤矿安全开采，也是煤矿行业的发展方向和趋势。煤炭科技“十三五”明确指出要全面实施创新驱动发展战略，攻克智能矿山中的相关关键技术，将智能化控制技术带入到煤炭主要生产环节中。要达到这一目的，首先要解决煤岩智能识别问题，这也是当前制约智能化采煤装备的重大难题。
[0003] 煤岩界面识别是指采煤机切割
煤层时应尽量沿着煤层和岩层的分界面开采，从而保证最大产出，当切割到岩层时要及时调整采煤机滚筒高度避免造成过切割，使得原煤中混入大量矸石降低煤质和产出率，并导致采煤机滚筒截齿受损。
[0004] 煤
岩石别问题一直是国内外的研究热点，诸多学者也提出了许多具有代表性的研究方法，如
图像分析法、截割数据法、雷达探测法等。上述的方法取得了一定的成效但是也存在一些缺点。如当煤岩硬度特性相当时，很难通过采煤机的截割数据来判断采煤机的截割状态；另一方面，针对不同的矿区、开采环境以及设备，需要选取不同的
传感器，以及调整判别模型。
发明内容
[0005] 为了克服上述
现有技术的不足之处，本发明提供为了解决上述问题，提出了一种基于太赫兹谱的煤岩界面识别方法。由于太赫兹是一个比较特殊的频段，其太赫兹
光子能级和许多
电介质以及材料的振
动能级相当，因此当太赫兹波照射煤岩后其光子
能量会被吸收，其光强将会产生变化从而形成太赫兹
光谱，通过研究太赫兹光谱将能获取检测物质的物理信息(如吸收光谱和折射率谱)，对煤岩性状进行判断，从而指导采煤机滚筒调高。相对于煤岩硬度差异而言，太赫兹光谱数据会随着
频率的变化而变化，可以找出差异性较大的频点。相对于其它的光谱技术，太赫兹光谱可以直接得到
电场的
相位，而不需要利用Kramers-Kronig方程求解相位
角，极大的减少了计算量和复杂度。即使煤岩特性相近时，通过联合使用煤岩太赫兹透射谱、吸收谱、折射率谱并合理的使用
深度学习技术也可以高效的解决煤岩特性相近时的“异物同谱”问题，实现
支持向量机(SVM)所不能达到的识别准确度。本发明是通过如下技术方案实现的：一种基于太赫兹时域光谱的煤岩界面识别方法，其特征在于，所述方法包括：
[0006] 1.一种基于太赫兹多参数谱的煤岩界面识别方法，使用太赫兹时域光谱仪，太赫兹时域光谱仪包括用于产生
光源的飞秒
激光器(3)、产生太赫兹脉冲的发射天线(1)、样本检测仓(4)、收太赫兹脉冲的接收天线(2)以及调整飞秒激光和太赫兹脉冲之间时间差的延时线(5)五个部分；所述的样本检测仓位(4)于发射天线(1)和接收天线(2)之间，发射天线太赫兹光垂直作用到样本检测仓(4)的煤岩样品上；其特征在于步骤如下：
[0007] 步骤1，分别从不同品种的煤岩中挑选并制作煤岩样品，使用太赫兹时域光谱仪采集参考
信号和煤岩样品的太赫兹时域光谱数据，所述的煤岩样品包括：
无烟煤、烟煤、
褐煤、
砂岩和
页岩几类；
[0008] 步骤2，利用快速傅里叶变换将太赫兹时域光谱转换为太赫兹频域光谱；从太赫兹频域光谱中提取各个煤岩样品的透过率光谱、折射率光谱和吸收系数光谱；并对透过率光谱、折射率光谱和吸收系数光谱分别进行平滑和
加窗预处理，经过比较后分别选取透过率光谱、折射率光谱和吸收系数光谱中0.4-1.0THz频段的光谱数据；
[0009] 步骤3，将透过率光谱、折射率光谱和吸收系数光谱的光谱数据标注为煤和岩的光谱数据，利用线性判别式分析技术对光谱数据进行
降维和特征提取；
[0010] 步骤4，利用
深度神经网络对透过率光谱、折射率光谱和吸收系数光谱进行联合分析建模；
[0011] 步骤5，采集如步骤1中不同品种煤岩并制作样本，获取煤、岩样本的太赫兹时域光谱，经步骤2处理后带入步骤3和步骤4，所建模型中，进行煤岩界面识别。
[0012] 所述的飞秒激光器赫兹时域光谱采集装置为天津大学组建的系统设备，其中心
波长800nm，带宽大于70nm，重复频率80MHz；所述的发射天线的材质为高阻砷化镓，所述的接收天线材质为蓝
宝石上
硅，系统
频率范围：0.1-3.5THz；所述的样本检测仓选用聚乙烯材料。
[0013] 每次采集煤岩样品的太赫兹时域光谱时选取3-5个不同的点位进行采集，每个点位重复采集3-4次光谱。
[0014] 所述步骤1在检测过程中，采用太赫兹时域光谱系统的透射扫描模
块，获取以干燥空气为背景的参考信号时域光谱和煤岩样品的太赫兹时域光谱，所述干燥空气湿度低于5％。
[0015] 所述步骤2经傅里叶变换后的太赫兹
频谱范围为0.1～3.5THz；
[0016] 基于太赫兹频域光谱提取
透射光谱T(ω)、折射率光谱n(ω)和吸收系数光谱α(ω)采用THz光学参数提取模型，计算公式如下：
[0017] T(ω)＝Esam(ω)/Eref(ω)
[0018]
[0019]
[0020]
[0021] 其中，透射系数为T(ω)，Eref(ω)和Esam(ω)分别为参考信号太赫兹频谱和样品太赫兹频谱，样品的厚度为d，c为光速，n(ω)为样品的折射率，α(ω)为样品的吸收系数，ρ(ω)项为测试样品信号与参考信号幅度的比值， 项为测试样品信号与参考信号的
相位差，k(ω)为测试样品复折射率的
虚部，也称为
消光系数。
[0022] 所述步骤2通过加窗技术对透射光谱、折射率光谱和吸收光谱进行优选，提取
信噪比较高的0.4-1THz频段光谱数据，并利用Savitzky-Golay平滑方法处理光谱曲线，消除系统和环境噪声。
[0023] 采用线性判别式分析方法对光谱数据进行降维并提取光谱特征值步骤为：将所有煤样本的吸收光谱、透射光谱、折射光谱合并构建煤的多参数光谱X1并标注，将所有岩样本的的吸收光谱、透射光谱、折射光谱合并构建岩的多参数光谱X2并标注；其中煤的多参数光谱X1和岩的多参数光谱的矩阵结构均为： 其中n表示不同的煤种/岩种，p表示同一种煤/岩的光谱数据维度，x表示所有样本数据，这里用矩阵形式表示；
[0024] 将煤、岩样本的多参数光谱通过线性判别式分析/LDA进行降维和特征提取，相对单光谱数据而言，联合光谱经过线性判别式分析方法后可以得到更高的识别率。
[0025] 步骤3中，线性判别式分析方法的降维流程为：
[0026] 1)从煤岩光谱数据集中计算不同种类煤岩光谱数据的均值向量，其中向量维度设为200维；
[0027] 2)利用公式： 计算类间散度矩阵Sb，其中Nj表示标号为j类的样本的个数，μ为所有样本的均值向量，μj为类别j中所有样本的均值向量；
[0028] 3)利用公式： 计算类内散度矩阵Sw，其中Xj为第j类煤/岩的光谱数据集合，Nj为标号为j类的样本的个数；
[0029] 4)计算类间散度和类内散度所对应的特征值和
特征向量，其中特征值为λ1，λ2，...，λk,特征向量分别为W1,W2,…,Wk；
[0030] 5)对特征值按降序排列，选取前d个特征值所对应的特征向量构成矩阵W；
[0031] 6)利用矩阵W将原煤岩光谱数据X1/X2投影映射到新的空间上，得到新的煤光谱数据集Y1和新的岩光谱数据集Y2，其中煤光谱数据集Y1和岩光谱数据集Y2的维度被降到了80维，大大减少了数据量和计算时间。
[0032] 将不同种类的煤和岩分别进行标注，然后利用经过线性判别式分析后的煤光谱数据集Y1和岩光谱数据集Y2作为输入采用深度神经网络方法进行建模，建模维度为80维，神经元个数为500，输出维度为2维，最大
迭代次数为100，学习率0.001，dropout保留
节点比例设为0.9，损失函数使用AdamOptimizer优化器，定为交叉熵损失最小。
[0033] 当采煤机工作时，采煤机滚筒切割煤层、岩层，会产生块状和粉状的煤岩样，利用粉末采集装置，采集当前采煤机截割的物质粉末，通过传送通道让粉末集聚在样本检测仓内，通过太赫兹光谱采集
探头获取未知粉末的太赫兹时域光谱。
[0034] 有益效果：本发明采用太赫兹时域光谱仪采集参考信号和煤岩的太赫兹时域光谱；利用快速傅里叶变换将煤岩太赫兹时域光谱转换成频域光谱；从太赫兹频域光谱中提取出煤岩的透射光谱、折射率光谱和吸收系数光谱。采用加窗、平滑和LDA等技术对光谱数据进行预处理，随后利用深度神经网络对处理后的煤岩光谱进行分类建模与识别，从而实现基于太赫兹光谱技术的煤岩界面识别。
[0035] 利用太赫兹光谱技术和
模式识别方法区分不同煤岩，提出了基于太赫兹时域光谱的煤岩识别方法，相对于传统的基于煤岩硬度差异的检测方法而言，太赫兹光谱数据会随着频率的变化而变化，通过使用深度学习技术可以高效的解决煤岩特性相近时的“异物同谱”问题，解决当煤炭以及岩石数量/种类增多后，现行方法在识别准确率下降的问题，识别效果好，使用了深度神经网络作为深度学习方法，解决了现有技术识别准确度随着数量增多而下降的问题，即模型鲁棒性扩展性不好的问题，本发明具有更好的鲁棒性和扩展性，提高识别准确度。该方法可以快速、高效、准确的辨别出煤岩介质，将其应用在无人化/智能化开采领域。
附图说明
[0036] 图1是本发明
实施例的基于太赫兹时域光谱的煤岩界面识别方法
流程图；
[0037] 图2是本发明的太赫兹时域光谱采集系统的结构示意图；
[0038] 图3a是本发明的部分太赫兹频谱；
[0039] 图3b是本发明的部分透射光谱；
[0040] 图3c是本发明的部分吸收光谱；
[0041] 图3d是本发明的部分折射率光谱；
[0042] 图4是联合光谱经过LDA特征提取后与单光谱LDA特征提取后对准确率的影响曲线图；
[0043] 图5是本发明的所测试的多种煤岩分类结果与现有的svm方法的对比曲线图。
[0044] 图中：1、发射天线，2、接收天线，3、飞秒激光器，4、样本检测仓，5、延时线，6、分束镜。
具体实施方式
[0045] 如图1和图2的一种基于太赫兹时域光谱的煤岩界面识别方法，其特征在于，所述方法包括：
[0046] 太赫兹时域光谱仪包括用于产生光源的飞秒激光器3、产生太赫兹脉冲的发射天线1、样本检测仓4、收太赫兹脉冲的接收天线2以及调整飞秒激光和太赫兹脉冲之间时间差的延时线5五个部分，并通过分束镜6将光束相互传输；所述的样本检测仓位4于发射天线1和接收天线2之间，发射天线太赫兹光垂直作用到样本检测仓4的煤岩样品上；所述的飞秒激光器赫兹时域光谱采集装置为天津大学组建的系统设备，其中心波长800nm，带宽大于70nm，重复频率80MHz；所述的发射天线的材质为高阻砷化镓，所述的接收天线材质为蓝宝石上硅，系统频率范围：0.1-3.5THz；所述的样本检测仓选用聚乙烯材料；每次采集煤岩样品的太赫兹时域光谱时选取3-5个不同的点位进行采集，每个点位重复采集3-4次光谱。
[0047] 其步骤如下：
[0048] 步骤1，分别从不同品种的煤岩中挑选并制作煤岩样品，制作煤岩样品，所采用的煤岩样品来自全国各地的矿区，将大块的煤块和岩块经过自然干燥、
破碎、通过80目筛后，放入样品检测仓4；或者直接利用矿区的
煤粉和岩粉经过干燥后，通过80目筛后放入样品检测仓；使用太赫兹时域光谱仪采集参考信号和煤岩样品的太赫兹时域光谱数据，所述的煤岩样品包括：
无烟煤、烟煤、褐煤、砂岩和页岩几类；检测过程中，采用太赫兹时域光谱系统的透射扫描模块，获取以干燥空气为背景的参考信号时域光谱和煤岩样品的太赫兹时域光谱，所述干燥空气湿度低于5％；
[0049] 步骤2，利用快速傅里叶变换将太赫兹时域光谱转换为太赫兹频域光谱；从太赫兹频域光谱中提取各个煤岩样品的透过率光谱、折射率光谱和吸收系数光谱；并对透过率光谱、折射率光谱和吸收系数光谱分别进行平滑和加窗预处理，经过比较后分别选取透过率光谱、折射率光谱和吸收系数光谱中0.4-1.0THz频段的光谱数据；通过加窗技术对透射光谱、折射率光谱和吸收光谱进行优选，提取信噪比较高的0.4-1THz频段光谱数据，并利用Savitzky-Golay平滑方法处理光谱曲线，消除系统和环境噪声；
[0050] 所述步骤2经傅里叶变换后的太赫兹频谱范围为0.1～3.5THz；
[0051] 基于太赫兹频域光谱提取透射光谱T(ω)、折射率光谱n(ω)和吸收系数光谱α(ω)采用THz光学参数提取模型，计算公式如下：
[0052] T(ω)＝Esam(ω)/Eref(ω)
[0053]
[0054]
[0055]
[0056] 其中，透射系数为T(ω)，Eref(ω)和Esam(ω)分别为参考信号太赫兹频谱和样品太赫兹频谱，样品的厚度为d，c为光速，n(ω)为样品的折射率，α(ω)为样品的吸收系数，ρ(ω)项为测试样品信号与参考信号幅度的比值， 项为测试样品信号与参考信号的相位差，k(ω)为测试样品复折射率的虚部，也称为消光系数；
[0057] 步骤3，将透过率光谱、折射率光谱和吸收系数光谱的光谱数据标注为煤和岩的光谱数据，利用线性判别式分析技术对光谱数据进行降维和特征提取；
[0058] 采用线性判别式分析方法对光谱数据进行降维并提取光谱特征值步骤为：将所有煤样本的吸收光谱、透射光谱、折射光谱合并构建煤的多参数光谱X1并标注，将所有岩样本的的吸收光谱、透射光谱、折射光谱合并构建岩的多参数光谱X2并标注；其中煤的多参数光谱X1和岩的多参数光谱的矩阵结构均为： 其中n表示不同的煤种/岩种，p表示同一种煤/岩的光谱数据维度，x表示所有样本数据，这里用矩阵形式表示；
[0059] 将煤、岩样本的多参数光谱通过线性判别式分析/LDA进行降维和特征提取，相对单光谱数据而言，联合光谱经过线性判别式分析方法后可以得到更高的识别率；
[0060] 线性判别式分析方法的降维流程为：
[0061] 1)从煤岩光谱数据集中计算不同种类煤岩光谱数据的均值向量，其中向量维度设为200维；
[0062] 2)利用公式： 计算类间散度矩阵Sb，其中Nj表示标号为j类的样本的个数，μ为所有样本的均值向量，μj为类别j中所有样本的均值向量；
[0063] 3)利用公式： 计算类内散度矩阵Sw，其中Xj为第j类煤/岩的光谱数据集合，Nj为标号为j类的样本的个数；
[0064] 4)计算类间散度和类内散度所对应的特征值和特征向量，其中特征值为λ1，λ2，...，λk,特征向量分别为W1,W2,…,Wk；
[0065] 5)对特征值按降序排列，选取前d个特征值所对应的特征向量构成矩阵W；
[0066] 6)利用矩阵W将原煤岩光谱数据X1/X2投影映射到新的空间上，得到新的煤光谱数据集Y1和新的岩光谱数据集Y2，其中煤光谱数据集Y1和岩光谱数据集Y2的维度被降到了80维，大大减少了数据量和计算时间；
[0067] 将不同种类的煤和岩分别进行标注，然后利用经过线性判别式分析后的煤光谱数据集Y1和岩光谱数据集Y2作为输入采用深度神经网络方法进行建模，建模维度为80维，神经元个数为500，输出维度为2维，最大迭代次数为100，学习率0.001，dropout保留节点比例设为0.9，损失函数使用AdamOptimizer优化器，定为交叉熵损失最小；
[0068] 图4是联合光谱经过LDA特征提取后与单光谱LDA特征提取后对准确率的影响，其中LDA(11)为联合光谱，其余为单光谱。图中横坐标为样本数量，共200个样本，包括了15种煤和5种岩石，每个种类10个样本，显然相对单光谱数据而言，联合光谱经过LDA后可以得到更高的识别率；
[0069] 步骤4，利用深度神经网络对透过率光谱、折射率光谱和吸收系数光谱进行联合分析建模；
[0070] 步骤5，采集如步骤1中不同品种煤岩并制作样本，获取煤、岩样本的太赫兹时域光谱，经步骤2处理后带入步骤3和步骤4所建模型中，进行煤岩界面识别。
[0071] 如图3a、图3b、图3c和图3d中的光谱数据，煤和岩的原始光谱数据并无法被直接区分，但是通过加窗选取数据以及平滑处理并经过LDA数据降维和特征提取后，煤岩样本的特征值有了显著的区别，经过深度神经网络对联合光谱进行建模，可以准确的实现对多种煤岩的识别。这也表明，通过本方法可以高效的解决煤岩特性相近时的“异物同谱”问题，提高识别准确度。
[0072] 当采煤机工作时，将上述采煤机滚筒切割煤层、岩层，会产生块状和粉状的煤岩样，利用粉末采集装置，采集当前采煤机截割的物质粉末，通过传送通道让粉末集聚在样本检测仓内，通过太赫兹光谱采集探头获取未知粉末的太赫兹时域光谱。
[0073] 将太赫兹时域光谱仪放在采煤机滚筒附近，当采煤机开始工作时，随着滚筒的旋转，煤层/岩层被滚筒截齿切割，形成煤/岩粉或煤/岩块，煤/岩粉采集器安装在滚筒下方采煤机
机身上，通过定时吸入的方式收集采煤机滚筒截割煤层/岩层时产生的煤粉和岩粉，煤粉通过管路通道送入样本检测仓4实现样品的充填。样本检测仓4可通过定时旋转的方式倒出原有的粉末，然后复位装入新的煤岩粉末。所述的样本检测仓4位于太赫兹发射光路上，使太赫兹光垂直作用到样品上。
[0074] 在步骤5中，将LDA处理后的光谱数据作为输入，送入建立好的深度神经网络模型中，模型输出结果；当结果为真时，说明当前的粉末是煤粉，也即采煤机当前在切割煤层；当输出结果为假时，说明当前的粉末是岩粉，也即采煤机当前在切割岩层，结合采煤机
摇臂倾角可判断当前实在切割顶板还是
底板，当切割顶板时需要立刻向下调整滚筒高度，当切割底板时，需要立刻向上调整滚筒高度。
[0075] 图5为所测试的多种煤岩分类结果与现有的svm方法的对比。其中case1为本方法，case2为SVM的方法。横坐标为样本数量，共80个样本，包括了15种煤和5种岩石，每个种类4个样本，利用本方法和SVM方法对多种不同的煤岩样本的分类结果的对比，其中煤岩样本来自于山东兖矿集团兴隆庄矿、联想集团郭庄煤矿、淮北矿务集团岱河矿、神华集团黑岱沟矿、邢台矿务集团东庞矿等地，其种类包括了细砂岩、页岩和中砂岩以及无烟煤、贫煤、1/3/焦煤、气煤、不粘煤、长焰煤和褐煤等煤样多份；将采集的样本按照步骤5进行测试试验，结果表明，当煤种和岩种数量较小时，本方法和SVM的方法都可以保持较高的识别率，但是当煤岩种类增大时，SVM的识别率下降，而本方法依然可以准确的识别出多种煤岩，从而精准的判断采煤机的截割状态，为采煤机自动调高提供依据。
