基于深度学习的井下环境异常工况智能识别技术研究

摘要

为了使装备在井下复杂环境中具有自主精准辨识井下对象和作业环境的能力,实现无轨装备及其他各类型装备无人化作业和开采,提出了基于利用深度学习方法开展井下环境异常工况智能识别分类研究.通过分析装备正常运行和作业的主要影响因素,构建了井下环境异常工况数据集,采用旋转变换、平移变换、缩放变换等数据增强技术,有效防止网络训练过拟合;基于InceptionResnetV2模型采用层冻结方法,重新训练全连接模型,通过不同的迁移策略进行实验对比分析.研究结果表明:添加2层全连接层,且每层包括4096个神经元的迁移策略模型性能最佳,鲁棒性好,能够精准识别分类井下环境异常工况.