煤岩识别技术发展综述

贺艳军， 李海雄， 胡淼龙， 薛竞飞

（1. 国能包头能源有限责任公司，内蒙古 包头 014070；2. 榆林市能源局，陕西 榆林 719000；3. 浙江维思无线网络技术公司，浙江 嘉兴 314001；4. 西安科技大学 电气与控制工程学院，陕西 西安 710054）

0 引言

煤岩识别技术是采煤机滚筒自动调高的技术基础，也是综合机械化采煤无人工作面的核心技术之一。目前，国内采煤机滚筒的调节大多依赖人工调节及采煤机记忆截割。人工调节通过人的听觉和视觉判断采煤机滚筒是否截割到岩石，该方法易受环境及人为因素影响。记忆截割根据记忆信息自动调节采煤机滚筒高度，但也需要人为干预。采煤机在截割煤层过程中，若欠截割会造成采煤不全、资源浪费；若过截割，会使煤炭质量下降，损害截齿、产生火花，可能引发瓦斯爆炸。因此，为采煤机自动调高提供依据的煤岩识别技术[1]，是提高采出率、降低煤矸石含量和截割岩石对采煤机损害的重要保证。

现有煤岩识别技术包括图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别等。图像识别技术通过摄像头或激光扫描仪等获取图像信息，利用图像处理算法进行特征提取和分类，最终判断煤层和岩石的界面位置。过程信号监测识别技术基于采煤机滚筒运行中信号变化进行识别，通过监测采煤机滚筒的转速、电流、振动等参数，可判断采煤机滚筒是否截割到岩石。电磁波识别技术利用电磁波在煤岩介质中传播的特性进行界面识别，通过分析发送的电磁波信号和接收的反射信号判断煤岩界面的位置和形态变化。超声波探测识别技术利用超声波在煤岩介质中传播的特性进行界面识别，通过分析发送的超声波信号和接收的反射信号判断煤岩界面的位置和形态。多传感器融合识别技术通过多个传感器，如振动加速度传感器、销轴传感器、转矩传感器、电流传感器等，获取更全面和准确的煤岩界面信息，并将多传感器信息进行融合以获得识别结果。

煤岩识别技术种类多样，但用于实际开采却很少，主要原因：① 煤矿井下环境复杂，如存在高密度粉尘、大功率设备产生的电磁场、光照强度的变化、各种设备产生的强振动和噪声等。② 地质条件复杂多变，如断层、裂隙、褶皱及岩浆侵入都会导致煤层的厚度、硬度发生改变。这些均对煤岩特征的识别带来了挑战。本文对现有煤岩界面识别技术进行分类，通过阐述其识别原理，分析每种技术存在的局限性及应用情况，指出技术发展趋势，为未来研究提供参考。

1 图像识别技术

目前，图像识别技术包括传统图像处理识别技术和基于深度学习的图像处理识别技术。

1.1 传统图像处理技术

传统图像处理技术主要包括图像变换、图像分割、图像特征提取等。

1） 图像变换包括几何变换、尺度变换及空间域与频域间变换。张婷[2]提出了基于变换域与高斯混合模型聚类的煤岩识别方法，采用二维离散余弦变换（2D Discrete Cosine Transform，2D-DCT）对图像进行特征压缩，以保留主要的图像信息；采用二维离散小波变换（2D Discrete Wavelet Transform, 2D-DWT）来提取图像的纹理特征，通过应用高斯混合模型聚类，获取识别结果，识别准确率为90.83%。

2） 图像分割算法包括阈值分割、边界分割和区域分割。其中，灰度阈值法是常用的阈值分割算法，通过计算煤岩图像灰度特征并设定阈值，根据像素点灰度值与阈值的比较结果进行煤岩分类。灰度阈值法适用于采煤工况简单的环境，但最大困难在于合适阈值的选取。高斯混合聚类是基于概率分布的聚类算法，通过调整单高斯模型数量和权值，可更好地适应不同类别的数据分布，提高分类准确性。黄韶杰等[3]采用灰度阈值算法和高斯混合模型（Gaussian Mixture Model, GMM）聚类分析煤岩图像。在灰度阈值算法中，光照变化会造成图像中煤、岩的灰度值发生变化，导致设定阈值无法准确识别煤岩。GMM 无需手动选择阈值，通过数据本身建模和分析更好地适应灰度分布变化。因此，高斯混合聚类方法在光照变化较大的情况下具有更好的鲁棒性和准确性。吴德忠等[4]首先对煤岩图像进行二值化处理，然后采用边界跟踪算法对二值图像进行处理，最后采用最大似然法、K 均值聚类算法、支持向量机、神经网络4 种算法对边界分类并提取，结果表明：神经网络识别准确率最高，达99.919 9%，支持向量机识别准确率为99.913%，K 均值聚类算法识别准确率为98.365%，最大似然法识别准确率为91.562%，Liu Chunsheng 等[5]首先采用Tikhonov 正则化方法重构煤岩红外图像，以降低噪声干扰，然后对重构图像进行灰度变换，最后考虑分数阶微分的频率特性和长记忆特性，构建新的分数阶微分图像边缘检测模式，实现了煤岩断裂边缘特征识别。

3） 图像特征包括颜色特征、形状特征、几何特征及纹理特征等。伍云霞等[6]采用字典学习算法提取图像纹理特征，结果表明字典学习方法有很好的稀疏性，对煤岩有很好的区分性，但冗余信息多，需结合其他算法使用。对此，伍云霞等[7]采用距离度量法对煤岩纹理特征进行区分，将特征向量映射到新的特征空间，增大不同类型特征距离，减小相同类型特征距离，结果表明该方法煤岩图像识别结果较使用欧氏距离方法方法提高了4.17%，达到95%。黄蕾等[8]提出了煤岩纹理特征提取算法，对局部二值模式（Local Binary Pattern，LBP）进行改进，通过逐像素点计算方式生成局部方差图，并利用变差函数计算不同方向的变差函数向量，最后组合变差函数向量作为纹理特征，改进的LBP 算法识别准确率较LBP 算法提高了3.21%，达到86.02%。王超等[9]使用LBP 来判断纹理差异，结合水平、垂直、45°、135°4 个方向的灰度共生矩阵提取能量、熵值、对比度和逆差分矩等特征参数，结果表明通过灰度共生矩阵提取的能量和熵特征参数可有效用于煤岩识别。

1.2 基于深度学习的图像处理技术

深度学习方法提取图像深层及浅层特征，被广泛用于识别煤岩图像。Si Lei 等[10]提出了一种卷积神经网络识别煤岩界面的方法，针对训练样本少造成过拟合的问题，采用dropout、L2 正则化和batch 归一化3 种正则化方法构建煤岩图像数据集，并通过添加噪声、图像缩放和图像旋转等方法增强煤岩图像数据集，实验结果表明所设计的网络具有较好的煤岩图像识别性能。高峰等[11]提出了一种新的煤岩图像分割算法模型（Coal-Rock Pyramid Network，CRPN），通过采集煤岩完整类、裂隙阴影类和暗光类3 类图像进行训练，与U-net，Segnet 图像分割算法进行比较，CRPN 的识别准确率较U-net 算法和Segnet算法分别提高了2.46%和7.64%，达到91.54%。孙传猛等[12]使用深度可分离卷积改进YOLOv3 算法，针对煤岩界面不可数、连续的特点，将预测框在x 和y 方向的总投影长度占煤岩界面曲线投影总长度的比值作为目标检测准确性评价标准，结果表明：改进的YOLOv3 模型在x 方向上的识别准确率较原模型提高了5.85%，为89.89%；在y 方向上的识别准确率较原模型提高了16.99%，为73.30%。

1.3 图像识别技术应用现状

目前，煤岩图像识别技术还处于不断研究和实验阶段。传统图像处理技术依赖于人工设计，每种方法只可针对性地解决某一问题。但实际应用中，不同采煤工作面的煤岩类别和特性不尽相同，这导致传统图像处理技术在煤岩识别过程中的鲁棒能力及泛化能力差。

基于深度学习的图像处理技术依靠数据驱动来提取特征。在大量数据样本的支持下，深度学习可提取更加抽象和深层的煤岩图像特征。这使得深度学习在应对井下复杂环境时具有强大的抗噪能力、鲁棒性，且能够很好地泛化到新的情况下。但基于深度学习算法通常需大量的标注数据来进行训练，以获得良好的性能。然而，在煤矿环境中，获取大规模、高质量的煤岩界面图像数据并进行准确的标注具有一定困难，且不同类别的煤岩界面样本可能存在不平衡的情况，某些类别的样本数量较少。这些都可能导致煤岩识别的性能下降。

2 过程信号监测识别技术

过程信号监测通过采煤机的振动、切割应力、切割温度等来判断切割煤岩的状态。不同过程信号特点见表1。

表1 过程信号监测识别技术特点汇总Table 1 Summary of technical features of process signal monitoring and recognition

2.1 振动信号

振动监测技术通过采集采煤机截齿、摇臂、转轴及机身的振动信号来判断是否截割到煤岩界面。煤岩硬度一般可由坚固性系数（表2）进行区别，截割时会因煤岩硬度不同而产生不同的振动信号。任洁等[13]通过测量切割介质中不同测点的振动信号，构建了采煤机切割状态下的实时检测系统，以特征值作为煤岩分界的临界值，当超过临界值时即报警。Si Lei 等[14]基于采集的采煤机切割状态下的5 种振动加速度信号，提出了改进的自适应果蝇优化算法（Improved Fruit-fly Optimization Algorithm，IFOA）来优化最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）参数，通过对振动信号进行特征提取和优化参数训练，准确地判断采煤机的切割状态。张强等[15]通过分析采煤机截齿x，y，z轴的振动信号和红外热信号，发现随着岩石比例的增加，振动加速度和温度都有所增加。针对振动信号提取易受干扰的问题，张启志等[16]通过分析在不同切割状态下的振动信号与空载振动信号的倒谱均值判断切割状态，结果证明：此方法在煤岩硬度差大于10 MPa 时，识别准确率为75%。另外，一些学者根据钻式采煤机采煤过程的振动特性来识别煤岩界面[17]。

表2 煤岩坚固性系数Table 2 Coal and rock firmness coefficient

2.2 截割力信号

由于煤岩力学性质的差异，截煤机截齿切割煤岩时的动态性能特征可用于识别煤岩界面。田立勇等[18]通过灰色预测理论提高了采煤机在切割煤层时的自适应追踪能力，实验结果证明在切割岩层时比切割煤层时平均受力大19.45%。程诚等[19]提取了采煤机切割煤岩过程时的转矩信号，采用基于小波包奇异值（Wavelet Packet Singular Value，WPSV）和BP神经网络的煤岩识别技术进行煤岩识别，结果证明：改进的BP 神经网络识别准确率更高。田立勇等[20]采用加权融合算法对采煤机摇臂和连接架的4 个销轴传感器信息进行处理，结果证明：加权融合前截齿割岩时应变曲线幅值在707×10-6～798×10-6，截齿割煤时应变曲线幅值在679×10-6～773×10-6，割煤和割岩时的应变曲线幅值区间存在重合，而加权融合后截齿割岩时应变曲线幅值在756×10-6～777×10-6，截齿割煤时应变曲线幅值在717×10-6～743×10-6，根据应变曲线规律，标定合适的期望值来判断采煤机在切割过程中是割煤还是割岩。

2.3 声发射信号

声发射信号监测法通过采集采煤机滚筒切割煤岩过程中产生的声音来判别煤岩界面。Xu Jing 等[21]通过改进集成经验模态分解（Improved Ensemble Empirical Mode Decomposition，IEEMD）对采煤机切割声音信号进行特征提取，较传统EEMD 算法的煤岩识别准确率提高了6.67%，达到92.67%。张强等[22]采用快速傅里叶变换得出采煤机的切割声集中在100～200 kHz，并基于优化的隶属度函数构建了煤岩动态识别系统。Xu Jing 等[23]通过希尔伯特-黄变换（Hilbert-Huang Transform，HHT）将切割煤岩声音分解为若干固有模式函数（Intrinsic Mode Function，IMF），获得1 024 个Hilbert 边缘谱点，使用具有3 个卷积层和2 个子采样层的LeNet-5 卷积神经网络作为切削模式识别器，识别准确率达到了98.55%。Xu Jing 等[24]采用群体智能算法优化了可变平移小波神经网络（Translation Variance Wavelet Neural Network，TVWNN）的关键参数，使用改进的蝙蝠算法（Bat Algorithm, BA）优化TVWNN 作为切削模式识别器，仿真结果表明煤岩识别准确率为95.25%。

2.4 温度信号

煤岩物理特性不同，导致采煤机截齿在切割过程中所产生的温度不同，因此利用红外测温仪对煤岩附近温度进行测量可对煤岩进行识别。董玉芬等[25]研究了煤和岩石的红外辐射温度场随应力改变的变化规律及某些前兆信息特征，为温度探测法提供了基础。张强等[26-27]通过调节牵引速度和滚筒转速，测试7 种不同比例的煤岩在截齿切割下的红外热像特性和闪温特性，得出闪温峰值在切岩时比切煤时要高，且与牵引速度和滚筒转速呈正比的结论。张强等[28]在单光源 9 kLux 的激励强度下，通过红外分析软件得出，在温度场中，煤和岩石具有不同的热传导性和热容量，因此它们会对温度变化做出不同的响应。

用红外成像进行煤岩识别时，采煤机滚筒、截齿都会严重阻碍信号的采集。主动温度激励的煤岩识别技术需长时间的温度激励才能达到识别效果，不便于实际情况下开采，且长时间温度激励在高瓦斯的井下会产生安全隐患。

2.5 电流信号

采煤机截割时会因截割对象的不同（各种质地的煤及各种岩）引起阻力矩发生变化，从而导致电动机的定子电流发生变化。电流信号识别法通过提取电流的幅值、频率、相位差等特征判断截割状态，达到煤岩识别的目的。曹庆春等[29]利用HHT 提取信号的幅度和相位信息，应用主成分分析对信号进行降维处理，并利用多分类相关向量机进行分类，结果证明该方法煤岩识别准确率可达95%。王元军等[30]采用卡尔曼滤波算法（Kalman Filtering，KF）对截割电流特征进行去噪处理，采用随机森林（Random Forest，RF）对处理后的特征进行分类以识别煤岩，结果证明经过KF 处理后准确率由56.67%提高到了96.72%。

2.6 过程信号监测识别技术应用现状

过程信号监测识别技术在实际应用中面临一些挑战和限制，由于振动、截割力、声发射、温度、电流等都是直接与截割相关的信号，我们将其实际应用受限的原因进行分析。

1） 信号复杂性。煤岩界面特征和分布可能因地质条件和采矿历史等因素而变化，导致采煤机截割过程中产生不同变化，信号的特征也会随之发生变化；同时，过程信号监测识别技术与采煤机的工作状态、截齿磨损程度等直接相关。目前的研究只考虑采煤机工作状态、截齿磨碎程度等理想情况，未来需进行算法优化和参数调整。

2） 干扰多样性。井下存在多种干扰信号，如机械振动、噪声和其他设备的干扰等，可能会掩盖振动、截割力、声发射、温度、电流等信号中的特征，导致识别煤岩界面的准确性下降。

3 电磁波识别技术

电磁波识别技术对煤岩介电常数、静电导率、化学元素等有一定要求，电磁波信号特点见表3。

表3 电磁波识别技术特点汇总Table 3 Summary of technical features of electromagnetic wave recognition

3.1 雷达信号

探地雷达（Ground Penetrating Radar，GPR）的主要优势在于它的非侵入性和非破坏性，可提供地下特征的瞬时成像。煤岩界面识别主要依靠煤岩介质的电磁性质差异实现，常见的煤岩电磁参数包括相对介电常数（图1）、电导率（图2）等。李亮等[31]采用LTD-2100 型探地雷达实地探测，分析了雷达波在分层介质模型中的散射规律，结果表明测量数值和理论数值一致，为煤岩识别提供了理论基础。刘万里等[32]提出基于带通滤波的煤岩界面识别技术、煤层介电常数精确校正技术、基于时间同步的探测数据定位技术，实现了两巷特厚煤层的动态测量。苗曙光等[33]提出基于最大类间方差法的图像阈值化分割方法，该方法不仅可去除伪边界，还可测量煤层厚度。

图1 常见煤岩介质相对介电常数Fig. 1 Relative dielectric constant of common coal rock media

图2 常见煤岩介质电导率Fig. 2 Electrical conductivity of common coal rock media

3.2 γ 射线信号

自然γ 射线可从岩石和煤层中辐射出来，而岩层中的γ 射线辐射强度远大于煤层。可将岩层视作放射源，通过检测γ 射线穿透煤层的辐射量，确定残留煤层厚度。王增才等[34]根据自然γ 射线辐射状况，推导了自然γ 射线穿透煤层及液压支架钢板的衰减规律公式，得到自然γ 射线0～255 mm 煤层衰减曲线。Yang Zengfu 等[35]等基于自然γ 射线穿透煤层衰减与煤层厚度之间的关系，建立了相应的数学模型。

3.3 红外光谱信号

在相同测量条件下，煤岩反射光谱的差异主要取决于物质成分。红外光谱可显示煤岩中不同的物质成分，从而识别煤岩。红外光谱（太赫兹光谱、高光谱）识别主要包含样本准备、模型训练和模型测试等环节（图3）。Wu Fangwei 等[36]采用优化的模糊C-均值聚类算法对近红外光谱进行分类，并将分类结果与X 射线衍射分析结果进行比较，验证了算法的有效性。Yang En 等[37]采用主成分分析和高斯径向基核主成分分析提取光谱特征，采用支持向量机对特征分类，结果表明该方法对煤岩粉体和煤岩自然块的识别准确率分别达到94% 和92%。向阳等[38]采用无烟煤与抑爆剂9∶1 混合的混合物模拟煤矿井下粉尘环境，采用光谱角度匹配（Spectral Angle Mapping，SAM）和皮尔逊相关系数方法来识别，结果表明，SAM 方法准确率为100%，远高于皮尔逊相关系数的87.5%。王赛亚等[39]研究了煤与岩石近红外光谱曲线特征和吸收机理，在实验室利用近红外光谱仪分别获取27 种煤与岩石试样在长波近红外波段（1 100～2 500 nm） 的反射光谱曲线，结果表明煤层夹矸和顶板岩层光谱曲线斜率存在区别，可用于煤岩及夹矸层的识别。

图3 红外光谱识别流程Fig. 3 Infrared spectrum recognition process

3.4 太赫兹光谱信号

太赫兹波是波长范围为0.03～3.00 mm，介于微波与红外间的一种电磁波。当电磁波频率达到太赫兹波段时，对回波研究可得到介质物理特性。Wang Xin 等[40]采用太赫兹时域光谱对我国常见的10 种煤岩进行测量，通过主成分分析、支持向量机和太赫兹光谱数据对煤岩样本进行分析，对煤岩的识别率达到100%。Yu Jing 等[41]将无烟煤与石英砂岩按39 种不同比例均匀混合，通过太赫兹系统获得煤岩样品光谱，利用BP 神经网络和支持向量机对光谱进行分类，实验结果表明，BP 神经网络和支持向量机对煤岩识别的准确率分别达92.8%和95.7%。

3.5 高光谱信号

高光谱是将成像技术和光谱技术相结合的多维信息获取技术[42]，通过对煤岩光谱的定量分析，可快速获得煤岩的成分和结构信息，以便进行煤岩识别。Shao Hui 等[43]将声光可调谐滤波器作为光谱仪，采集4 种煤岩样品的光谱，用朴素贝叶斯、逻辑回归和支持向量机3 种多标签分类器进行分类，并利用高斯拟合方法提高分类精度。3 种方法的煤岩识别准确率分别达54.11%，83.36%，100%。张旭辉等[44]采用竞争性自适应重加权算法提取光谱特征信息，用灰度共生矩阵提取图像特征纹理信息，将提取的光谱特征信息与纹理信息进行主成分分析降维融合，结果表明，经过主成分分析融合后，高光谱特征信息的性能要优于单独使用图像特征信息或光谱特征信息的性能。韦任等[45]提出了基于煤岩Al 元素组分的特征提取方法，通过连续统去除法、一阶微分法、二阶微分法和光谱相关角-光谱信息散度模型法，在特定的波段范围内对煤岩进行区分，结果表明，二阶微分法可更准确地区分不同的煤岩样本。

3.6 电磁波识别技术应用现状

目前，使用雷达信号识别煤岩界面是实际使用最多的技术。浩特智能科技有限公司开发了矿井综采工作面煤岩界面识别系统，该系统使用了P 波定向能聚焦相阵控地质雷达天线，通过雷达信号识别煤岩，探测深度达1.5 m，煤岩层位识别误差小于7%。中煤集团能源研究院重点项目《面向煤炭智能化开采的煤岩界面识别雷达系统研发与应用示范》构建了煤岩界面识别雷达系统，提出了适用于采煤工作面的三维空间高精度定位和煤岩识别算法，完成了雷达系统煤岩识别软件开发。

在中国的煤矿开采中，使用γ 射线进行煤岩识别的应用相对较少。因为γ 射线设备的成本较高，操作和维护需要专业的技术和严格的辐射安全措施。由于γ 射线需要放射源，若工作面顶板所含放射性元素含量低或不含放射性元素，将不适用自然γ 射线法。所以在我国只有1/5 的煤矿采用自然γ 射线法来识别煤岩。

高光谱成像需使用特殊的传感器和设备，这些设备的成本较高，对于一些煤矿企业来说可能不太实际。此外，煤矿工作环境复杂，光照条件和煤岩表面的反射特性可能会对高光谱成像效果产生一定的影响。

太赫兹光谱技术仍处于发展阶段，设备和技术的成本较高，且数据处理和分析的复杂性限制了其在实际应用中的推广。随着太赫兹光谱技术和高光谱成像技术的进一步发展和成本的降低，它们有望在煤矿行业中得到更广泛的应用。

4 超声波探测识别技术

4.1 超声波信号

根据多相介质间声阻抗的差异，超声波可在不同介质的界面上产生声波的传输和反射，换能器可接收到煤岩界面的反射回波信号，通过计算煤岩界面的声阻抗之比可探测煤岩界面。Liu Guanhua 等[46]研究了煤中超声的速度和衰减系数，发现时域和频域的声发射特性受到煤质量和超声基频的影响，为超声波探测提供理论基础。Wei Wei 等[47]首先利用改进的经验变分模态分解对煤岩界面接收回波进行预处理；然后，采用非对称高斯模型拟合部分失真回波包络；最后，利用峰值聚焦成像技术对处理后的包络进行成像。李力等[48]使用超声波透射法获得了不同频率下煤岩超声波衰减系数，并建立超声波相控阵以提高回波信号信噪比。

4.2 超声波探测识别技术应用现状

目前，超声波探测识别技术因煤结构不同，探测的厚度也不同，对于衰减大、声波低的煤识别厚度非常浅，基本上无法探测煤层厚度。另外，通过换能器发射和接收信号，难免会产生信号叠加，导致煤层厚度读取不准确。故与其他技术相结合来应对复杂的地质情况。神东煤炭集团公司采用定向钻孔勘探工作面的顶底板煤岩分界线技术，该技术采用地震信号和超声波信号确定煤岩分界线的位置，实测精度达到了0.3 m。

5 多传感器融合识别技术

5.1 多传感器融合

煤矿井下环境复杂，单传感器易受到井下复杂环境干扰；多传感器融合识别技术通过收集井下不同的数据，如采煤机电流、振动、声音、扭矩等，并充分利用多种信息源，根据特定的标准把冗余或互补的信息融合起来获得煤岩界面。在信息融合中，不同的数据源特征和融合目标可根据需求选择不同的融合算法。此外，信息融合可在不同的层次进行，包括数据层融合、特征层融合和决策层融合（图4）。在数据层融合中，可将不同信号源的原始数据进行整合和组合，形成更全面和综合的数据集。例如，将振动信号、截割力信号、声发射信号、温度信号和电流信号进行数据平均、加权或插值等处理，得到综合的数据特征。在特征层融合中，可提取和组合不同信号源的特征，形成更具信息量和表达能力的特征表示。例如，对振动信号、截割力信号、声发射信号、温度信号和电流信号进行特征提取，然后通过特征拼接、特征加权或特征变换等方法得到综合的特征表示。在决策层融合中，可将来自不同信号源或特征的决策结果进行整合和汇总，形成最终的综合决策。例如，对振动信号、截割力信号、声发射信号、温度信号和电流信号的识别结果进行投票法、加权法或模型集成等处理，得到最终的煤岩界面识别结果。

图4 多传感器融合模型Fig. 4 Multi-sensor fusion model

目前，多传感器识别方面所采用的融合算法主要是模糊神经网络和D-S 证据理论。模糊系统和神经网络存在一定差异: 神经网络不善于处理模糊信息，但具有分布式并行信息处理及自学习的能力；模糊系统不具备分布式并行信息处理的能力，处理信息速度慢、精度低，但相较于神经网络，模糊系统善于处理模糊信息。模糊神经网络是神经网络与模糊系统的结合，在处理大规模的模糊应用问题方面效果优良。张强等[49]采集采煤机切割不同煤岩比例时的振动信号、电流信号、声信号，使用最小模糊熵原理对其隶属度函数规则进行模糊化处理，建立基于自适应模糊神经系统的煤岩识别模型，实验证明该模型可实时动态识别煤岩界面。

D-S 证据理论不需要知道先验概率，能够很好地表示“不确定”性，也广泛应用于煤岩识别领域。Si Lei 等[50]以声信号、Y轴和Z轴振动信号为分析对象，提出了一种基于改进径向基函数神经网络和D-S 证据理论的采煤机煤岩切削状态融合识别方法，融合模型的识别精度可达98%，显著高于单一类型信号特征的识别精度。Liu Yanbing 等[51]利用多种传感器采集采煤机的响应信号，基于小波包分解和模糊神经网络的识别系统，实现了煤岩界面识别方法的多信号特征提取和数据融合，提高了识别率。王海舰等[52]在考虑采煤机新齿、轻微磨损、一般磨损及严重磨损 4 种状态下，对不同煤岩比例的煤岩进行分析，用粒子群算法和最小模糊熵得到最优隶属度函数，构建D-S 证据理论实现煤岩识别，实验结果表明采煤机的不同截齿状态对特征样本值的差异性非常明显。

5.2 多传感器融合识别技术应用现状

采煤机截割过程中的多传感器煤岩识别技术还在测试阶段，目前应用相对较少，存在以下原因：

1） 多传感器融合识别技术涉及多个传感器的部署、数据采集、数据处理和融合等方面。这需要投入大量的资源和成本，包括传感器设备、数据存储和处理设备、算法开发和维护等。

2） 实际应用中，煤矿环境可能存在复杂的地质条件、噪声干扰、温度变化等因素，这可能对传感器的性能和数据质量产生影响。这些环境因素可能会导致传感器数据的不准确性或干扰，从而影响多传感器融合识别的准确性和可靠性。

6 煤岩识别技术发展方向

1） 从煤岩识别算法的性能来看，现有算法的识别精度已经足够，但识别速度尚有不足；同时，特定条件下没有考虑复杂环境干扰，目前距离井下实际开采的需求还有一定差距。未来研究中，在满足特征提取有效性的前提下，大幅度提高算法的实时性，并针对粉尘、水雾、光照的因素开展算法抗干扰方面的研究。

2） 从井下复杂环境下煤岩识别技术的硬件实现方面来看，需加强各种复杂信号干扰下的矿用传感器研究，以确保能够满足智能化矿山检测层传感器防潮、防湿、防粉尘等要求；同时，采用更先进的双目视觉相机、深度相机等智能设备，与各种矿用传感器结合使用，以达到提高识别精度和效率的目的。

3） 从多种煤岩识别技术交叉融合使用的角度看，目前尚未有完全满足煤岩普适性要求的技术。因此，针对煤岩硬度相差大的情况，建议采用过程信号监测识别及多传感器相融合的识别技术；针对硬度接近情况，可考虑将图像识别及电磁波识别技术相融合，通过图像识别技术判别煤岩界面，通过雷达探测识别及超声探测识别技术探测煤层厚度。

7 结语

从图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别的技术原理及应用现状方面介绍了各种煤岩识别技术。提出了各种煤岩识别技术需进一步解决的问题，包括煤岩图像数据的采集和标注、复杂信号干扰、识别的准确性及多传感器数据匹配问题。对未来煤岩识别技术的发展方向提出建议，旨在提高算法的实时性和抗干扰能力，加强矿用传感器的研究及多种煤岩识别技术的交叉融合使用。