随着煤矿智能化建设的加速推进，煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题，提出了一种基于改进一维卷积神经网络（1DCNN）的煤岩识别模型。以1DCNN为基础，使用多个连续卷积层提取一维振动信号特征，通过全局均值池化（GAP）层代替全连接层，以减少模型训练参数，节省计算资源，同时采用带有线性热启动的余弦退火衰减方法优化学习率，以避免模型训练陷入局部极小值区域，提升训练质量。为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力，采用t-分布随机近邻嵌入（t-SNE）流形学习算法对模型的特征学习过程进行可视化分析，结果表明，改进1DCNN模型通过逐层特征学习，很好地实现了对煤岩截割状态的识别。以陕西某矿MG650/1590-WD型采煤机截割煤岩时的实测振动数据为样本进行模型训练，结果表明，改进1DCNN模型在训练集上的准确率为99.91%，在测试集上的准确率为99.32%，可直接用于采煤机截割煤岩时的原始振动信号分类，并能够有效识别煤岩截割状态。与传统机器学习、集成学习及未改进的1DCNN模型相比，改进1DCNN模型具有明显优势，平均识别准确率达99.56%，同时大大节约了计算成本，提高了模型识别速度。

中国煤炭科工集团有限公司科技创新创业资金项目（2021-TD-MS005）；

尹玉玺,周常飞,许志鹏,史春祥,胡文渊.基于改进1DCNN的煤岩识别模型研究[J].工矿自动化,2023,49(01):116-122.DOI:10.13272/j.issn.1671-251x.2022080051.