10 / 2025-11-14 16:50:21

钻进过程振动特征演化及煤岩快速识别方法研究

振动信号；特征演化；岩性识别；煤岩互层；卷积神经网络

钻进过程岩性识别是煤炭智能化开采的关键科学问题之一。为实现钻进过程煤岩界面快速感知，开展了钻进振动特征演化规律研究，构建了基于振动多特征的岩性识别模型。设计并搭建了基于振动多特征的岩性识别实验系统，建立了声发射与声音信号采集系统，将采集信号划分为低频（100 Hz~20 kHz）、中频（20 kHz~50 kHz）和高频（50 kHz~400 kHz）三个频段，采用一阶FIR高通滤波器和六阶巴特沃斯带通滤波器进行预处理，结合改进小波阈值函数降噪以提升信噪比；提取了均值、峰值、均方根等时域特征，以及峰值频率、质心频率和梅尔倒谱系数（MFCC）等频域特征，利用卷积神经网络构建了岩性识别模型。阐明了钻进振动信号特征演化规律：岩性硬度影响钻进效率，高硬度岩石钻进速度慢、钻头反弹位移大；低转速下时域特征波动小，高转速下波动剧烈；有量纲特征随钻进深度增加而增大，无量纲特征波动小；低频和中频质心频率在各岩性间差异显著，适合岩性区分；低频段MFCC-1和MFCC-2随岩石强度增加而升高，中频段MFCC-3可有效识别煤。通过煤岩互层钻进实验验证了模型准确性，单一岩层训练模型在验证集准确率达97%，测试集5种岩性平均识别率约为90%，其中煤和粉砂岩识别率分别为92%和90%，花岗岩和石灰岩分别为88%和86%；在煤岩互层钻进中，结合时域、频域及MFCC特征，卷积神经网络对煤层的识别准确率约为90%，表明该方法具有良好的适配性，可实现钻进过程煤岩岩性的有效识别。