快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

煤矿突水类型的快速识别在矿井安全生产中意义重大, 煤矿突水激光诱导荧光(LIF)光谱的识别方法, 需要对光谱曲线进行预处理和特征提取, 其过程较复杂, 对此, 提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。 根据煤矿矿井水层的分布特点和最常见煤矿突水类型, 选取三种原始水样以及由原始水样混合的两种混合水为实验材料, 利用LIF技术快速获取五种水样的200组荧光光谱曲线图, 灰度化后输入CNN算法, 其中150组光谱曲线图用于CNN的训练, 剩余50组用于训练好的模型测试。 模型测试中, CNN算法对实验水样光谱曲线图的识别率为100%, 实验结果表明, CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作, 而且还能快速有效的识别矿井突水类型。

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。 鉴于传统水化学方法水源识别耗时较长等诸多不足， 提出了将模糊C均值聚类（FCM）算法和多维标度分析（MDS）用于激光诱导荧光光谱识别煤矿突水水源这一新思路。 由于FCM算法在光谱分析和模式识别等方面都有着成功的应用， 况且激光光谱具有时间响应快、 灵敏度高、 干扰小等优点， 通过实时采集水样的荧光光谱数据， 利用FCM和MDS对光谱数据分析后就可以辨别水样类型。 以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种（每种水样各20个样本）为实验材料， 利用405 nm激光打入被测水体， 一共采集了140组荧光光谱数据， 随后选择合适的波长区间进行分析。 取每种水样各15组共105组光谱数据用作训练集， 其余35组光谱数据用作测试集。 使用MDS建立七种不同水样的模型， 再利用FCM算法进行聚类分析得到七种水样的簇中心， 最后使用得到的簇中心对测试集进行验证。 实验结果表明， 不同水样的光谱图有着较大差异， 选取合适的波长区间下的光谱数据， 在MDS下选择维度为2， 利用FCM算法对水样进行分类， 全部140组样本的准确率是100%。

防治煤矿突水时需迅速精准地判别突水水源, 激光诱导荧光(LIF)光谱技术具有灵敏度高、 快速准确监测特点, 为检测突水水源提供了一种新的方法。 该研究引入该技术以获取突水荧光光谱数据。 采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理, 以消除光谱采集过程中噪声干扰。 采用主成分分析(PCA)方法提取特征信息, 针对SG预处理后的数据, 当主成分个数为3时, 累积贡献率可达到99.76%, 已基本保留原数据的全信息。 选择3层结构BP神经网络建立分类判别模型, 通过不同方式构造训练集和测试集, SG预处理数据构建的分类模型可以达到精准判别, 而对于MSC预处理和原始数据出现很少的误判。 实验结果表明SG预处理结果要优于MSC预处理。 研究结果表明, 将PCA和BP神经网络结合建立分类模型, 能有效判别煤矿突水水源, 且具有较强的自组织、 自学习能力。

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。 针对传统水化学方法水源识别耗时较长的问题, 提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。 激光诱导荧光光谱技术具有分析速度快、 灵敏度高等特点, 在激光器的辅助下, 荧光光谱仪实时采集荧光光谱, 根据水样的荧光光谱即可进行水源类型识别, 在数据库完备的情况下, 只需几秒即可进行煤矿水源判断, 对于煤矿的水害预警以及灾后救援来说意义重大。 实验利用405 nm激光器发射激光, 打入被测水体, 得到五种常见突水水样的共100组荧光光谱, 对各水样的荧光光谱进行光谱预处理。 每种水样使用15组共75组荧光光谱作为预测集, 剩余的25组水样的荧光光谱作为测试集。 利用主成分分析(PCA)分别对五种水样进行建模, 而后依据所建模型进行SIMCA分类。 实验发现不同水样的荧光光谱差异明显, 经过Gaussian-Filter预处理后的荧光光谱, 在主成分数为2, 显著性程度α＝5%的情况下, 利用SIMCA算法进行水样分类, 预测集和测试集的正确率皆为100%。

研究了一种基于光纤Bragg光栅的弹簧管式新型水压传感器.利用ANSYS软件对传感器的灵敏度进行模拟计算，并对传感器性能进行了标定和测试，达到了很好的效果.将传感器安装到煤矿井下进行水压远程在线监测，与压力表测量数据进行对比，进一步验证了传感器用于煤矿水压监测的可行性.