梁 斌，刘 泽，牛延博

(1.中国矿业大学 徐海学院，江苏 徐州 221008；2.中国矿业大学 机电工程学院，江苏 徐州 221116)

2020年2月，国家发改委、国家能源局等8部委联合发布了《关于加快煤矿智能化发展的指导意见》，该指导意见明确提出：到2021年，基本实现综采工作面内少人或无人操作。采煤机作为煤炭综合机械化开采的关键设备，对于煤矿的安全高效生产具有重要意义，其智能化程度是综采工作面实现“少人化”或者“无人化”的重要因素。而提高采煤机智能化的关键因素之一就是实现采煤机截割模式的精准识别[1]。

目前，学者们对于采煤机截割模式识别的方法进行了一定的研究。刘译文等[2]利用采煤机截割前后煤壁温度的变化，建立了基于BP神经网络的采煤机截割模式识别模型；Asfahani等[3]提出利用γ射线进行煤岩界面的识别，从而判断采煤机滚筒截割模式的方法。但是，由于井下环境恶劣，地质结构复杂，红外温度传感和γ射线识别状况不佳，于是通过采煤机自身某些状态参数的变化间接判断其截割模式：马正兰等[4]依 据采煤机的截割载荷间接识别截割阻抗，继而判断采煤机截割状态；陈晨[5]、张天赐[6]、徐志鹏[7]、闫忠良[8]等利用采煤机相关电流数据，结合小波分解提取特征值，分析载荷来判断采煤机截割模式；许静[9]、张启志[10]、蒋干[11]等通过对采煤机的截割声音信号和摇臂振动信号进行处理分析来获取采煤机对应截割模式的特征。但是由于滚筒截齿空间分布的复杂性，使得在不同时间尺度下，摇臂振动信号的特性大相径庭。……