摘要: 煤矸的在线准确快速识别是放顶煤采煤法是的关键技术，对提升采煤效率有重要的指导意义。从梅尔频率倒谱系数在语音识别中的广泛应用得到启发，以实际生产状态下采集的煤与煤矸滚落到液压支架尾梁振动信号的MFCC特征参数为训练与测试样本，分别计算顶煤垮落和煤矸混放2种情况下液压支架尾梁振动信号的梅尔频率倒谱系数并构成二维特征矩阵。近些年随着深度学习的迅速发展，卷积神经网络(CNN)已经成为检测和识别领域最好的方法，它可以自动地从数据集中学习提取特征。但是卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢，使得深度卷积神经网络很难满足煤矸石在线识别的实时性要求。基于卷积神经网络与LD-CNN轻型神经网络建立FD-CNN煤和煤矸智能识别模型，将液压支架尾梁振动信号的MFCC特征矩阵作卷积神经网络的输入，实现了识别模型的结构优化，大大提高运算速度，减少资源的使用，并且揭示了模型的识别机理与分类依据。实验结果表明：模型复杂度对识别速度影响较大;基于MFCC参数枝得到的煤矸识别模型可以将振动信号作为煤矸识别的可靠依据，同时准确捕捉煤与矸石由于物理性质不同所产生的振动信号高维差异，综合给出识别结果。压缩后的模型在计算量与模型大小减少同时，识别精度提升了8%，推理速度提升了14%。实现节约计算与存储资源的同时提升识别精度，模型性能明显优于常规网络模型。