基于模糊分析的支架工作状态识别及应用

工作面刮板输送机煤流状态识别方法吴江伟， 南柄飞（北京天玛智控科技股份有限公司，北京　101300）摘要：煤矿井下工作面刮板输送机场景中存在的刮板输送机姿态多变、煤料形状不规则、设备安装位置受限、高粉尘、异物遮挡等不利因素，导致现有针对带式输送机场景的煤流状态识别方法无法有效在刮板输送机场景下进行工程化应用。

针对上述问题，提出了一种基于时序视觉特征的工作面刮板输送机煤流状态识别方法。

该方法首先利用DeepLabV3+语义分割模型获取工作面煤流视频图像中粗略煤流区域，并在此基础上通过线性拟合方法进行精细煤流区域定位与分割，实现煤流图像提取；然后将煤流图像按视频时序进行排列，构成煤流图像序列；最后采用C3D 动作识别模型针对煤流图像序列进行特征建模，实现煤流状态自动识别。

实验结果表明：该方法能准确获取煤流图像并自动、实时识别煤流状态，煤流状态平均识别准确率达92.73%；针对工程化部署应用，利用TensorRT 对模型进行加速处理，对于分辨率为1 280×720的煤流视频图像，整体处理速度为42.7帧/s ，满足工作面煤流状态智能监测实际需求。

关键词：刮板输送机；煤流状态识别；时序视觉特征；语义分割；动作识别中图分类号：TD634.1 文献标志码：AMethod for recognizing coal flow status of scraper conveyor in working faceWU Jiangwei, NAN Bingfei(CCTEG Beijing Tianma Intelligent Control Technology Co., Ltd., Beijing 101300, China)Abstract : The various poses of scraper conveyors, irregular coal material shapes, limited equipment installation positions, high dust, and foreign object obstruction in the scene of scraper conveyors in underground coal mines have led to the inability of existing coal flow status recognition methods for belt conveyor scenarios to be applied in engineering. In order to solve the above problems, a method for recognizing the coal flow status of a scraper conveyor in a working face based on temporal visual features is proposed. This method first utilizes the DeepLabV3+semantic segmentation model to obtain rough coal flow regions in the coal flow video image of the working face. Then the method uses linear fitting method to locate and segment fine coal flow regions, achieving coal flow image extraction. Then the method arranges the coal flow images in video sequence to form a sequence of coal flow images. Finally, a convolutional 3D (C3D) action recognition model is used to model the features of coal flow image sequences and achieve automatic recognition of coal flow status. The experimental results show that this method can accurately obtain coal flow images and automatically and real-time recognize coal flow status, with an average recognition accuracy of 92.73% for coal flow status. For engineering deployment applications, TensorRT is used to accelerate model processing. For the coal flow video image with a resolution of 1 280×720, the overall processing speed is 42.7 frames/s, which meets the actual demand for intelligent monitoring of coal flow status at the working face.收稿日期：2023-08-28；修回日期：2023-11-19；责任编辑：盛男。

基于模糊分析的支架工作状态识别及应用摘要：在介绍放顶煤工作面支架压力监测系统的基础上，通过对支架压力监测数据进行模糊分析，得到工作面支架的工作状态，并指出支架的工作状态识别可用于顶煤破碎过程的优化及工作面各种设备的3d虚拟显示。

这有利于提高放顶煤的回采率，并使调度人员能清晰了解工作面的工作情况，提高调度指挥能力。

关键词：支架压力模糊分析放顶煤虚拟现实综采放顶煤工作面支架压力监测是现代化矿井顶板管理常采用的监测方法之一。

通过支架压力监测可以掌握：工作面回采过程中来压规律，为工作面支护提供依据；采动影响时围岩变形的基本规律，为确定动压条件下回采巷道支护方法和合理支护参数提供依据；超前采动影响范围和超前支承压力高峰区域，确定工作面巷道的超前加强支护距离及对应支护技术措施。

然而，除上述顶板管理应用外，实测的综放工作面支架压力监测数据蕴含的信息非常丰富，通过适当的信息处理和挖掘，这些信息还可以用作提高煤矿放顶煤开采的效率和工作面可视化监管调度等。

本文通过压力监测数据的模糊分析[1]探讨其在放顶煤及工作面可视化中的应用。

1 工作面压力监测系统的基本组成支架压力监测系统如图1所示。

地面主机通过工业以太网与工作面压力监测系统的主站相联接，主站通过485总线与各支架的压力监测单元连接。

支架测量单元安装在液压支架上，对支架的前柱、后柱、前梁三个压力进行监测。

■图1 工作面压力监测系统组成图2是对其中某个支架立柱实时监测的压力数据曲线，支架立柱循环内阻力与时间的关系反映了其工作特性，工作面压力监测数据的分析己有许多讨论[2]。

本文主要介绍如何对这样的压力数据进行信息模糊分析，以及对分析结果的应用。

一般支架压力监测数据均具有类似图2的周期性特征，因此，后面的分析同样适用于其他的支架压力监测系统。

■图2 支架立柱工作特性2 支架工作状态的模糊分析2.1 支架工作状态分析为了便于分析，将图2所示的压力曲线重新画于图3，图3(a)所示的某支架24小时全压力变化曲线，图中的虚线是支架的卸压保护值。

模糊控制技术发展现状及研究热点【模糊控制技术发展现状及研究热点】一、引言模糊控制技术是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性的问题，在工业控制、自动化系统、人工智能等领域得到了广泛的应用。

本文旨在介绍模糊控制技术的发展现状以及当前的研究热点。

二、模糊控制技术的发展现状1. 发展历程模糊控制技术起源于上世纪60年代，由日本学者松井秀树首次提出。

随后，美国学者津田一郎对模糊控制进行了深入研究，并提出了模糊控制的基本理论框架。

自此以后，模糊控制技术得到了快速发展，并在工业控制领域得到了广泛应用。

2. 应用领域模糊控制技术在许多领域都有广泛的应用。

其中，工业控制是模糊控制技术的主要应用领域之一。

通过模糊控制技术，可以实现对复杂工业过程的控制和优化。

此外，模糊控制技术还应用于自动驾驶、机器人控制、电力系统控制等领域。

3. 发展趋势随着信息技术的迅速发展，模糊控制技术也在不断创新和进步。

目前，模糊控制技术正朝着以下几个方向发展：（1）深度学习与模糊控制的结合：将深度学习技术与模糊控制相结合，可以提高模糊控制系统的性能和鲁棒性。

（2）模糊控制理论的拓展：研究者们正在不断完善模糊控制理论，以适应更加复杂和多变的控制问题。

（3）模糊控制技术在新领域的应用：随着科技的发展，模糊控制技术将在更多领域得到应用，如医疗、金融等。

三、模糊控制技术的研究热点1. 模糊控制算法优化目前，研究者们正致力于改进模糊控制算法，以提高控制系统的性能。

其中，遗传算法、粒子群算法等优化算法被广泛应用于模糊控制系统的参数优化和规则提取。

2. 模糊控制系统的建模方法模糊控制系统的建模是模糊控制技术研究的重要内容之一。

目前，常用的建模方法包括基于经验的建模方法、基于数据的建模方法以及基于物理模型的建模方法。

研究者们正在探索更加准确和高效的建模方法。

3. 模糊控制技术在自动驾驶领域的应用随着自动驾驶技术的快速发展，模糊控制技术在自动驾驶领域的应用也备受关注。

复杂工业场景下的视觉认知与智能服务关键技术及应用复杂工业场景下的视觉认知与智能服务是指利用先进的视觉技术和智能算法，对工业场景进行全面、精准的感知和认知，并提供智能化的服务和决策支持。

这一领域涉及到计算机视觉、深度学习、机器学习、物联网等多个技术领域，其应用范围涵盖了制造业、工业自动化、智能制造、安全监控等诸多领域。

本文将从关键技术和应用两个方面，深入探讨复杂工业场景下的视觉认知与智能服务。

一、关键技术1. 计算机视觉技术计算机视觉是复杂工业场景下实现视觉认知的关键技术之一。

基于图像和视频的数据，通过图像处理、特征提取、目标检测和跟踪等技术手段，实现对工业场景中各种对象和物体的识别和理解。

包括但不限于检测设备状态、质量检测、安全监控等方面的应用，为工业生产提供实时、准确的视觉信息。

2. 深度学习技术深度学习是赋予智能系统视觉认知能力的核心技术之一，其通过构建多层次的神经网络结构，能够在大规模数据集上进行训练，从而实现对复杂工业场景中各种复杂问题的自动学习和分类。

在工业场景下，深度学习技术应用于缺陷检测、生产过程优化、设备故障诊断等方面，提高了生产效率和质量。

3. 物联网技术物联网技术将传感器、设备、网络和云计算等技术有效地融合在一起，实现了不同设备之间的信息交互和协同工作。

在复杂工业场景下，物联网技术可以实现设备状态的实时监测、数据的互联共享和智能化决策的支持，从而为工业生产提供了全面、及时的信息基础。

二、关键应用1. 智能制造利用计算机视觉和深度学习技术，对工业生产过程进行全面监测和分析，提高生产效率和质量。

通过实时检测产品质量、监控生产设备状态、识别生产过程中的异常情况，实现制造过程的智能化和自动化。

2. 安全监控利用计算机视觉和物联网技术，实现对工业场景中的安全隐患进行实时监测和预警。

通过对危险区域、安全设施的识别和检测，以及对人员行为的监控，提高了工业场景下的安全性和可靠性。

3. 设备故障诊断借助深度学习和物联网技术，对工业设备的运行状态进行全面感知和分析，实现对设备故障的早期预警和诊断。

支架式教学在小学语文课堂中的应用研究【摘要】支架式教学是一种通过为学生提供支架、引导和指导的教学方法，旨在帮助学生更好地理解和掌握知识。

本文探讨了支架式教学在小学语文课堂中的应用研究。

通过对支架式教学的概念和特点、在小学语文课堂中的应用现状、对小学生语文学习的影响、教学设计以及实践案例的分析，发现支架式教学能够有效提高小学生的语文学习效果。

结论部分总结了支架式教学在小学语文课堂中的应用效果，提出了支架式教学的启示，并展望了未来的研究方向。

通过本文的研究，可以为小学语文教学提供参考和借鉴，促进学生的语文学习水平的提升。

【关键词】支架式教学、小学语文课堂、应用研究、教学设计、影响、实践案例、效果、启示、未来研究、研究背景、研究意义、研究方法、概念和特点、应用现状、支架式教学的教学设计、实践案例、教学效果、研究展望1. 引言1.1 研究背景在小学语文课堂中，学生的语言能力和认知水平尚未完全发育，他们需要更多的引导和支持来掌握语文知识和技能。

支架式教学正是基于这一认识而提出的，通过提供适当的支架和引导帮助学生逐步完成学习任务，促进他们的语言发展和思维能力。

在实际教学中，很多教师对支架式教学的理解还存在模糊和片面的情况，缺乏系统的研究和实践经验。

有必要对支架式教学在小学语文课堂中的应用进行深入研究，探讨其在提高学生语文素养和培养学生学习能力方面的作用。

这也正是本研究的重要背景和动机。

1.2 研究意义支架式教学在小学语文课堂中的应用研究具有重要的研究意义。

通过对支架式教学在小学语文课堂中的应用研究，可以帮助教师深入了解支架式教学的概念和特点，提高其教学水平和能力。

研究支架式教学在小学语文课堂中的应用，有助于探讨如何更好地促进小学生语文学习能力的提升，提高小学生的语文素养和语文成绩。

研究支架式教学在小学语文课堂中的应用还可以为教育改革提供借鉴和参考，为小学语文课程的改进和完善提供理论支持。

研究支架式教学在小学语文课堂中的应用，对于促进小学语文教学的发展具有积极的意义和价值。

基于三角模糊数的大倾角综放面倒架事故树分析田春阳;刘永飞;郑立永;张晓青;赵飞;张国玉【期刊名称】《中国矿业》【年(卷),期】2015(000)004【摘要】针对大倾角综放面倒架事故，结合综放支架失稳机理及影响因素，建立了大倾角综放面倒架事故树模型。

在基本事件概率不清楚的情况下，应用模糊数学理论确定基本事件的模糊概率，并利用中值法求出其重要度，进而提出了基于模糊事故树分析的大倾角综放面倒架事故的定量分析方法。

以某矿2313综放面为例，建立了该综放面倒架事故树模型，计算出基本事件的模糊概率，最小割集。

通过重要度分析，确定了该综放面倒架事故的主要影响因素，并提出了针对性的支架防倒技术措施，保障了煤层平均倾角36°、最大倾角51°大倾角综放面液压支架的稳定性。

【总页数】5页(P108-112)【作者】田春阳;刘永飞;郑立永;张晓青;赵飞;张国玉【作者单位】北京天地华泰采矿工程技术有限公司，北京100013;北京天地华泰采矿工程技术有限公司，北京100013;北京天地华泰采矿工程技术有限公司，北京100013;北京天地华泰采矿工程技术有限公司，北京100013;北京天地华泰采矿工程技术有限公司，北京100013;北京天地华泰采矿工程技术有限公司，北京100013【正文语种】中文【中图分类】TD77【相关文献】1.深部大倾角特厚煤层综放面回采巷道布置位置分析与实践 [J], 白俊杰;王少卓;郭连笃2.大倾角坚硬顶板较薄厚煤层综放面初采常见事故及防范措施 [J], 李方立3.泉店煤矿二1-12050综放面倒架原因分析及防治措施 [J], 曹品伟;尹站稳;陈宇甲4.基于FLUENT的大倾角综放面通风降尘系统 [J], 姚锡文;鹿广利;许开立;王延瞳5.大倾角综放孤岛工作面矿压显现规律分析 [J], 姚尧因版权原因，仅展示原文概要，查看原文内容请购买。

模糊控制实际应用研究模糊控制是一种基于模糊逻辑的控制方法，它可以在模糊的环境中进行决策和控制，其核心思想就是用人类的经验和语言来描述系统。

在实际应用中，模糊控制被广泛应用于各种领域，比如工业控制、智能交通、机器人控制、医疗、金融等。

本文将从几个方面介绍模糊控制在实际应用中的研究进展和应用案例。

一、工业控制在工业生产中，模糊控制被广泛应用于生产流程控制、机器人控制、自适应控制等方面。

其中，以炼油、化工、冶金等高危行业为代表的控制系统，风险高、控制难度大，传统控制方法难以适应。

而模糊控制正是满足了这种场景下的特殊需要。

例如，对于温度、压力等参数的控制，传统控制方法需要传感器读取实时数据，根据PID算法进行计算和调整，但是这样的调节方法需要不断地“试错”，耗费时间和人力。

相比之下，模糊控制的优势就体现出来了。

它不需要提前确定具体的输入量、输出量以及参数，只需要用文字传达控制要求，系统便可以自动地“学习”调节方法，从而提供最优的控制方案。

二、智能交通随着城市化进程的加速，城市交通越来越拥堵，安全问题也愈发凸显。

智能交通系统就是为了解决城市交通压力和安全问题而出现的。

模糊控制在智能交通系统中也起到了重要的作用。

首先，模糊控制可以对交通信号灯进行控制，提高交通流量，并降低交通拥堵。

其次，模糊控制可以结合路况、气象等不同因素，对车辆行驶速度进行控制，提高整个道路网络的通行效率，从而减轻交通拥堵的程度。

最后，模糊控制还可以根据路段交通的实时情况，对城市路网进行动态优化，从而使整个交通系统更加智能化、高效化。

三、机器人控制机器人技术是当代科技领域的一个热点，而机器人控制是机器人技术中的一个重要分支。

机器人控制的核心是对机器人进行快速、准确的控制，以达到预期的效果。

模糊控制在机器人控制中的应用也非常广泛。

比如在工业机器人的控制中，可以通过模糊控制对机器人的运动和运行参数进行灵活控制，从而实现自适应控制。

同时，模糊控制也可以应用于机器人的智能决策中，使其能够自主化地进行决策和行动。

学科教研研究／探索YANJIU TANSUO荩江苏省天一中学陆磊江苏省无锡市天一实验学校狄婷婷传统的足球教学模式中师生之间、学生之间缺少沟通交流，学生多为被动接受足球知识和技能。

因此，为实现《义务教育体育与健康课程标准（2022年版）》（以下简称为新课标）中发展学生体育核心素养，全面提高学生综合能力的素质教育目标，就必须要打破足球传统教学模式的桎梏，推陈出新。

从建构主义理论视角下审视足球课程教学，实质上是学生在教师的指导下获取足球知识与技能的自我建构过程。

支架式教学模式正是基于建构主义理论发展而成的一种较为成熟的教学模式，现已广泛运用到学科教学改革中。

在当前倡导的素质教育背景下，研究支架式教学模式在足球教学中的应用，无论是对足球课程还是其他体育项目的课程教学都具有积极的理论与实践意义。

一、支架式教学的概念与过程特征支架式教学（Scaffolding Instruction）既是一种教学思想，来源于苏联心理学家维果斯基的“最近发展区”理论，同时也是一种教学模式，在建构主义理论体系中与随机进入教学模式、抛锚式教学模式并列为“三驾马车”[1]。

其名称借鉴于建筑学中的“脚手架”之义，引入教育学中拓展为教师在学生学习需要帮助时给予支持，提供学习线索或提示，让学生通过这些“支架”，逐步解决学习中遇到的困难。

当学生学习水平达到一定高度时，教师就发挥学生的自立、自治、自洽、自主和自发性，支持学生独立进行更高水平的认知活动[2]。

支架式教学的过程特征涵盖以下几方面：一是持续性诊断，教师提前识别学生当前的学习状态以及分析掌握学生在学习过程中的能力变化；二是实时性交互，师生之间、学生之间通过频繁互动，使学生向自主学习的方向前进；三是逐步撤除“支架”，减弱支持直至学生独立完成学习任务。

基于以上特征，需要教师首先掌握学生的“最近发展区”，然后根据教学实际情况、条件、环境来搭建最适宜的“支架”。

二、支架式教学与体育课程教学的契合建构主义理论视域下体育课程的一切活动就是学生在教师的指导下，实现体育知识技能以及综合素养的自我构建与完善过程。

收稿日期:2004-06-30基金项目:高等学校骨干教师资助长江教授匹配项目(GG -560-10247-1198);四川省应用基础研究资助项目作者简介:淡丹辉(1972-),男,陕西丹凤人,博士后.E 2mail :dandanhui @Mamdani 型模糊推理系统在桥梁状态评估中的应用淡丹辉,孙利民(同济大学土木工程防灾国家重点实验室,上海　200092)摘要:以在线传感器监测信息为基础建立桥梁工作状态空间的表征,结合专家经验建立状态空间的评价体系,并用Mamdani 型模糊推理技术建立基于语言量的桥梁工作状态的在线监测机制,从而为桥梁结构健康监测及智能桥梁结构的实现提供一个可行的技术手段.以某刚构桥模型实验为背景,通过整个加载历程中目标点处的同步位移信息来识别整个模型的状态.结果表明,该方法提供了一种建立基于语言描述的结构在线健康监测系统方法.关键词:桥梁结构;状态空间;模糊推理系统;在线识别中图分类号:TU 312;U 447 文献标识码:A 文章编号:0253-374X (2004)09-1131-05Bridge Linguistic Monitoring Methods Based on MamdaniFuzzy Inference SystemsDA N Dan 2hui ,S U N L i 2m i n(State K ey Laboratory for Disaster Reduction in Civil Engineering ,Tongji University ,Shanghai 200092,China )Abstract :To make a token for the bridge working state 2space based on the online sensor measuring in 2formation ,to build a state space evaluation system combined with expert experience ,a recognition technology based on Mamdani fuzzy inference system is developed ,aiming to offer the bridge health monitoring and the realization of the intelligent civil/bridge structure (ICS/IBS )a feasible technology means.Making background of a frame bridge model test ,the recognition of the state space by the syn 2chrony measuring data during the whole loading process is done.The recognition result shows that the technology developed in this paper takes a good prospect on building a structure online health monitor 2ing system based on language description.Key words :bridge structure ;state 2space ;fuzzy inference system ;online recognition 土木/桥梁结构状态评估是结构健康监测及诊断研究方向的核心,也是智能土木/桥梁结构健康自诊断功能实现的关键技术之一.在传统的结构评估中,人们或凭有限的检测信息,或根据检测人员的视觉检查,结合专家的经验总结,在事后给出结构总体使用状态的清晰语言描述.这种做法的优点是能给出便于第32卷第9期2004年9月同济大学学报(自然科学版)JOURNAL OF TON G J I UN IVERSITY (NATURAL SCIENCE )Vol.32No.9　Sep.2004人类理解的语言结论,而不仅仅是给出生硬的、缺乏意义的检测数据结果.其缺点是:主观性强,易被表象所蒙蔽,实时性差,不能保证桥梁安全.如果完全以监测信息为依据,不拘泥于局部结构,关心桥梁总体性能实时变化,不受人们主观影响,实时地推演出结构的当前状态,并以人类的自然语言方式形成结论,则可以建立一种新的对传统的结构可靠性评估加以扬弃的健康监测思路.在实际应用中,这种思路的困难在于如何能将监测数据推演成结构状态的语言性结论或描述.以模糊计算、神经网络作为现代软计算方法论为上述难题提供了解决思路[1].笔者首先从传感器监测信息中抽取部分信息来表征桥梁的工作状态并使其张成空间工作状态,然后结合专家经验对状态空间加以划分,用Mamdani 型模糊推理技术建立桥梁工作状态的在线识别模型,并以某刚构桥模型实验为背景,通过整个加载历程中目标点处的同步位移信息来识别整个结构的非线性状态,以期建立一套基于语言的状态空间在线识别技术.1　原理1.1　桥梁结构工作状态空间定义及表征桥梁结构进入服役期后,其所处的物理、力学环境便开始连续地作用在它的上面,结构产生的各种反应也是连续的.假设在某一时刻对结构及其所处环境来一次“摄影”,便可获得该瞬间桥梁的物理环境瞬时值(用P t 表示)、力学环境瞬时值(用F t 表示)以及桥梁本身的工作状态,包括结构反应S t (效应或响应)和结构抗力R t 瞬时值[2].称集合(P t ,F t ,S t ,R t )表征了t 时刻结构的一个工作状态,记为<t =(P t ,F t ,S t ,R t ).显然,由监测系统在t 时刻所侦测的一组测量值是该工作状态的某子集的近似,记为Ψt =(P ～t ,F ～t ,S ～t ,R ～t ).<t ,Ψt 在时域内是连续变化的,它们组成的集合就张成了结构的工作状态空间,记作Ω,则Ω=<t ,Ψt |0≤t <∞(1) 将工作状态空间Ω与若干语言变量建立联系,并按一定的规则将Ω划分为若干子空间,每一子空间拥有若干描述性语言术语(即将语言术语赋值予语言变量).判断当前实测的结构状态Ψt 落入哪一个子空间,就用依附于该子空间的语言术语对当前结构的状态进行描述,这就是基于语言的结构工作状态监测的原理,如图1所示.图1　基于语言的结构工作状态监测的原理图Fig.1　Principle of linguistic b ased structure w ork state monitoring1.2　桥梁结构工作状态空间的划分一般地,可将服役中的桥梁按特定的荷载-效应关系及设计时所预计的荷载情况划分为3个工作阶段,即弹性阶段、超载阶段和非线性阶段,这3个阶段可大致将桥梁工作空间Ω划分为3个子空间[2].以此划分为依据建立图1所示的结构工作状态到语言描述的映射关系,从而实现对结构工作状态的识别.然而在实际使用中,用3个阶段的划分来涵盖具体的桥梁结构的复杂、丰富的状态行为显然是不够的,因为所期待建立的健康状态监测系统决不会只停留在识别到这3个阶段的状态.一个有意义的状态空间划分应在考虑荷载-效应关系及设计荷载等因素以外,还应进一步考虑结构的体系构成对结构工作状态复杂性的影响.可行的做法就是在结构中选择若干个主要的关键截面的关键效应,与前述3个考察因素进行组合,将状态空间划分为更加细的子空间,从而使监测更细更有意义.为了说明上述划分方法,文中以某3跨箱形连续刚构整桥的模型实验为例,结合实验前对结构4个关键截面(中跨跨中,边跨跨中,零号节段左右边截面)可能的开裂顺序的分析及静载实验过程中的结构的行为记录,将模型结构从竖向开始加载到加载至破坏的全过程划分为6个阶段,也即将整个工作状态空间划分为6个子空间,具体的划分见表1.2311 同济大学学报(自然科学版)第32卷　表1　模型加载全历程状态空间的划分T ab.1　Division of state space of model loading process子空间序号集中加载值/kN 实验几何线型演变情况实验开裂演变情况实验裂缝演变情况Ω1　0～310无明显变化无截面开裂Ω2310～350无明显变化1号截面开裂Ω3350～410无明显变化3号截面开裂1号截面裂缝未发展Ω4410～520边跨跨中稍有下沉2号截面开裂1号截面裂缝稍有发展,3号截面裂缝发展Ω5520～640中跨跨中稍有下沉4号截面开裂1,2,3号截面裂缝发展Ω6640～780两跨均有明显下沉未有新部位开裂所有部位裂缝极度发展,混凝土脱落,至压溃 注:①3跨对称且对称加载,故只取4个关键截面;②1号截面为边跨跨中截面,2号为支墩靠近边跨一侧截面,3号为支墩靠近中跨一侧截面,4号截面为跨中截面. 进行上述的划分以后,可用实验加载过程中的位移传感器的记录形成工作状态的特征值,用算法实现工作状态到各状态子空间的映射关系.2　桥梁结构工作状态的模糊推理识别由以上的分析可以看出,笔者提出的基于语言的桥梁结构工作状态识别的实质是按主观选定的标准对桥梁的工作状态空间进行模糊划分,然后用语言对每一个模糊子空间加以描述的过程.在模糊集合论基础上发展起来的模糊推理技术是实现这一过程的有力工具[3].2.1　Mamdani 型模糊推理系统原理模糊推理系统是建立在模糊集合论、模糊if -then 规则和模糊推理等基础上的先进计算框架.它的基本结构由3个重要部件组成:规则库,包含一系列模糊规则;数据库(也称为词典),它定义模糊规则中用到的隶属函数;推理机制,它按照规则和所给定的事实执行推理过程求得合理的输出或结论.Mam 2dani 型模糊推理系统是通过事先掌握的一组推理规则实现从输入到输出的推理计算,它便于建立有人为干预的输入数据空间的辨识系统[4,5].一个具有单一前件的广义假言推理可以被表述为前提1(事实):x 是A ′前提2(规则):如果x 是A ,则y 是B 后件(结论):y 是B ′Mamdani 型模糊推理实现上述推理过程实际上只是给出模糊集合B ′的隶属函数,即μB ′(y )=∨x (μA ′(x )∧μA (x ))∧μB (y )2.2　桥梁结构工作状态的模糊推理识别方法总论为了说明上述方法在实际中的用法,以前述某3箱形连续刚构整桥的模型实验为背景建立模糊推理系统.选用实验中沿全桥布置的15个位移传感器(电测百分表)的记录值作为工作状态的测量值,为了方便建立推理规则和避免因输入数据维数过大而导致规则组合的指数式“爆炸”,文中定义了一个数量式监测指标d 来代替相同采样时刻的工作状态,以指标d 作为推理系统的输入,这样一来,输入被缩减为1维,大大降低了推理规则的数量.监测指标d 被定义为现时工作状态Ψt =(f 1,f 2,…,f 15)与某基准状态Ψ0=(f 01,f 02,…,f 015)的欧氏距离,即d t =d (Ψt -Ψ0)=∑Ψt ,Ψ0∈ΩΨt -Ψ0212(2)其中,f 1,f 2,…,f 15为t 时刻15个位移传感器的同步采样值,f 01,f 02,f 015…,选取为零活载状态位移传感器的读数.定义好指标d 后,需要为它指定一个语言变量大小,取值为{小,中,大},依照表1以便将指标d 的值模糊映射到该语言变量的各个术语上.按照表1给出的空间划分,定义3个语言变量来监测桥梁的非线性状态空间,即负荷能力、视觉表现和安全状况.负荷能力用于描述模型桥的现时负荷与设计荷载的比较情况,对应于欠载、适载和过载3个语言术语;视觉表现是模型外观的总体评价,根据实验加载中的观察记录给出它的语言术语:完好、一般、糟糕;安全状况是在前2个语言变量的基础上给出模型一个总的评价,其语言术语可这样给出:安全、危险、极端危险.3个语言变量均分别被映射在3个[06]区间内虚拟的空间划分标尺量r 1,r 2,r 3上,它们均与表1给出的6个级别的划分大致对应,如表2所示.具体的映射关系由各语言变量的对应术语的隶属度函数来定义,各隶属度函数的参数按事先掌握的试验数据或专家经验予以调节,这也正是专家经验对监测过程的切入点.文中是以表1和表2为依据来精确定义模糊隶属度函数的. 建立了推理系统的前件和后件后,整个推理过程可按下面程序进行:(1)为前件和后件的每一个语言术语选择合适的参数化隶属度函数.3311　第9期淡丹辉,等:Mamdani 型模糊推理系统在桥梁状态评估中的应用表2　语言变量与状态空间划分的大致对应关系T ab.2　Maps betw een linguistic variablesand divisions of state space子空间序号标尺量r负荷能力视觉表现安全状况Ω1[01)欠载完好安全Ω2[12)适载一般安全Ω3[23)适载一般一般Ω4[34)适载糟糕一般Ω5[45)过载糟糕一般Ω6[56)过载糟糕危险 (2)或依据已有实验数据,或搜集专家经验,以确定各隶属度函数的参数.(3)使用回归和优化技术精调各隶属度函数的参数.(4)根据实验现象和专家经验,设计if -then 规则,建立Mamdani 型模糊推理系统.(5)用评价结论已知的状态监测量(实验数据)检验推理系统,若检验通过,进行(6);若不通过,返回(2)重新调整隶属度函数的参数,直至已知状态全部符合结论为止.(6)置系统于在线监测环境中,实时监测桥梁结构.2.3　模糊推理识别系统设计以前述模型实验为背景,按上述步骤建立图2所示的Mamdani 型模糊推理系统.图2　Mamd ani 型模糊推理系统示意Fig.2　Mamd ani fuzzy inference system 前件监测指标d 的隶属度函数选为高斯型:f (x ;σ,c )=e-(x -c )2/2σ2(3)式中:c ,σ为参数.在实验过程中每一次采样都同步地记录下了包括荷载在内的模型表现与挠度测量值,即,{F |(f 1,f 2,…,f 15)},且这些记录都可以对应到表1中的某一行,因而每一个监测指标d 都与表1中的一行相对应,将监测指标d 按从小到大的顺序排列并按表1中的对应关系将其组成6个子集合:{d}1,{d}2,{d}3,{d}4,{d}5,{d}6,手工方法控制各隶属度函数在各个子集合{d}i 内取值时的值,即可初步确定出各隶属度函数的参数.需要指出的是,各参数需要多次试验才能取得比较合适的值,好在用Matlab 的fuzzy GU I 工具,可以很方便地调整各参数的值.后件r 1,r 2,r 3的各个隶属度函数均选为广义钟形:f (x ;a ,b ,c )=1+x -c a2b -1(4)式中:a ,b ,c 为参数,按表2给出的初步对应关系,人为地控制各标尺量r i 在[0,6]区间的不同子区间内的各语言术语的隶属度值,同样也可以初步确定出各隶属度函数的参数.给出简单的if -then 规则如下: Rule 1:if d is “小”,then ,r 1is “欠载”and r 2is “完好”and r 3is “安全”;Rule 2:if d is “中”,then ,r 1is “适载”and r 2is“一般”and r 3is “一般”;Rule 3:if d is “大”,then ,r 1is “超载”and r 2is“糟糕”and r 3is “危险”.3　计算结果及讨论将实验加载历程中的位移及同时刻模型结构调整的其他数据记录分为2组,1组用于为推理系统提供先验知识,也即用于前件、后件隶属度函数的参数优化调整;另1组用于检验整个推理系统[5].经过参数调整,最终可获得各语言变量的隶属度函数,在推理系统if -then 规则下,形成了最终的监测指标到各语言变量的对应标尺量r i 的映射曲线如图3所示. 由图3可以看出,通过Mamdani 型模糊推理系统,完全可以建立起基于在线传感器监测信息的结构状态监测指标到结构状态评定结论之间的任意非线性映射关系,其中有关结构行为的先验知识以及专家对结构行为的经验性预测均可由指标d 到r i 非线性映射关系得以反映.只要推理系统掌握了结构足够多的结构行为知识和专家经验,由图3获得4311 同济大学学报(自然科学版)第32卷　的映射关系就足以形成对结构现时工作状态的带有准确程度(即隶属度)的“语言”评价.图3　监测指标到各语言变量标尺量r i 的映射曲线Fig.3　Mapping curves betw een monitoring indexand scale of linguistic variable 表3为针对另一组测量记录的推理计算结果.其中,①,②,③为推理计算结果与相应的据实验记录给出的语言描述的比较,√表示结论一致,×则表示结论不一致.第5,8,11列给出各语言变量的经推理后的取值,也即对应于当前结构测量记录基础上的结构工作状态的语言术语描述,其中括号内给出该语言术语的模糊隶属度.可见,文中建立的模糊推理系统对结构工作状态的判别有着较高的精度(对“负荷能力”和“安全状况”,不一致率为13.3%,对“视觉表现”不一致率只有6.7%).表3　模糊推理系统对实验验证记录的推理计算结果T ab.3　Inference result of test records序号d 负荷能力r 1①r 1语言术语视觉表现r 2②r 2语言术语安全状况r 3③r 3语言术语10.13589√0.9752欠载(0.86)√0.4882完好(0.95)√0.9530安全(0.96)20.08486√0.7073欠载(0.81)√0.4385完好(0.81)√0.7786安全(0.94)30.15009×0.9284欠载(0.72)× 1.0104一般(0.57)√ 1.0414安全(0.83)40.19021√ 1.2418适载(0.52)√ 2.1111一般(0.55)√ 1.4044安全(0.71)50.20546√ 1.7281适载(0.53)√ 2.3503一般(0.81)√ 1.5754安全(0.55)60.24484√ 2.1525适载(0.69)√ 2.8853一般(0.97)× 1.9723安全(0.51)70.29194√ 2.4723适载(0.97)√ 3.1963一般(0.96)√ 2.2388一般(0.89)80.33000√ 2.5995适载(0.90)√ 3.2765一般(0.51)√ 2.3347一般(0.94)90.41674√ 3.1772适载(0.73)√ 4.2804糟糕(0.56)√ 2.4167一般(0.68)100.49448× 3.8153过载(0.61)√ 4.3014糟糕(0.63)× 3.5753一般(0.54)110.60357√ 4.2786过载(0.74)√ 4.9160糟糕(0.77)√ 4.5769危险(0.69)120.72004√ 4.7697过载(0.96)√ 5.2674糟糕(0.89)√ 5.0855危险(0.77)130.81429√ 4.8632过载(0.99)√ 5.3128糟糕(0.97)√ 5.2491危险(0.91)140.95324√4.9024过载(0.99)√5.3350糟糕(0.99)√5.6838危险(0.99)4　结论在大型结构健康监测系统中,利用测量信息给出有关健康状态的数值描述固然很重要,但生硬的数值描述并不能传达给人们明确清晰的结构安全结论,有的情形下仅仅依赖数值描述甚至无助于人们对结构健康状况的判断,而基于语言描述的监测结论可能更有助于人们对结构现时状态的把握.笔者的探索表明:(1)基于语言描述的实时监测系统在技术上是完全可以实现的和富有意义的.(2)笔者建立的Mamdani 型模糊推理系统是实现基于语言描述的实时监测系统的一个合适的工具,它兼顾数值计算和专家经验,经良好设计后可以有效地预测结构任意复杂的行为.由于大多数情形下模糊if -then 规则的建立是一件并不容易的事,因此如何建立更一般情形的推理系统还是一个值得进一步探索的问题.参考文献:[1]　DAN Dan 2hui ,XU Wei 2guo ,SUN Li 2min.Realization of the healthself 2sensed m onitoring on the ICSIBS based on ANN methods [A ].China 2Japan W orkshop on Vibration C ontrol and Health Monitoring of Structures and Third Chinese Symposium on Structural Vibration C on 2trol[C].Shanghai :T ongji Uiversity Press ,2002.53.[2]　淡丹辉,何广汉.基于静力的智能桥梁结构智能计算方案的研究[J ].桥梁建设,2003,(2):8-12. DAN Dan 2hui ,HE Guang 2han.Research on the intelligent calcu 2lation scheme for ICS/IBS based on statics[J ].China Railway Sci 2ence ,2003,(2):8-12.[3]　Zadeh L A.Fuzzy sets [J ].Information and Control ,1965,8:338-353.[4]　Mamdani E H ,Assilian S.An experiment in linguistic synthesiswith a fuzzy logic controller [J ].International Journal of Man -Machine Studies ,1975,7(1):1-13.[5]　张智星,孙春在,水谷英二.神经-模糊和软计算[M ].张平安,高春华译.西安:西安交通大学出版社,2000. Jang J S R ,Sun C T ,Mizutani E.Neuro 2fuzzy and soft computing[M ].Xi ′an :Xi ′an Jiaotong University Press ,2000.(编辑:王东静)5311　第9期淡丹辉,等:Mamdani 型模糊推理系统在桥梁状态评估中的应用。

液压支架支护状况获取与模糊综合评价方法杜毅博【期刊名称】《煤炭学报》【年(卷),期】2017(042)0z1【摘要】工作面采高大幅提升、深部开采围岩活动加剧都要求准确获取和描述液压支架的支护状态,从而为煤矿顺利开采及综采工作面人员与设备安全提供重要数据支持.当前支架支护状态监测数据较为单一,数据获取与评价理论亟待完善.开展液压支架支护状态快速获取与模糊综合评价方法研究,研究确定支架支护状态评价关键参数;分析支架结构,确定传感系统布置方式,给出各工况下特征参数的获取及计算方法;建立支架模糊综合评价模型,计算各关键参数隶属度函数,基于变权理论确定权重系数得出支架支护状态的最终综合评价结果.该方法及数据获取系统在唐口煤矿6305工作面进行工业性试验,对液压支架保持良好支护状态起到重要作用.同时,支架支护状态实时检测与综合评价方法研究也为后续液压支架状态健康管理及自适应调控奠定技术基础.【总页数】7页(P260-266)【作者】杜毅博【作者单位】天地科技股份有限公司开采设计事业部, 北京100013;山东科技大学机械电子工程学院, 山东青岛266590;煤炭科学研究总院开采研究分院, 北京100013【正文语种】中文【中图分类】TD355.4【相关文献】1.寺河矿井液压支架初撑支护强度与额定支护强度关系之探讨 [J], 刘涛2.循环超前支护液压支架在回采面顺槽超前支护中的应用 [J], 崔治国3.基于熵权法的液压支架寿命模糊综合评价方法 [J], 郭永凤;张佳兴4.坦克动力传动系统技术状况模糊综合评价方法 [J], 乔新勇;刘君;靳莹;张小明5.超前支护液压支架非等强支护技术及自动控制装置研究 [J], 陈有力;张子明;王海彬因版权原因，仅展示原文概要，查看原文内容请购买。