1.一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，包括以下步骤：步骤一：安装煤矸识别装置和光谱识别装置，将煤矸识别装置安装在液压支架尾梁处，该煤矸识别装置包括矿用本安壳体和安装在本安壳体内的音频传感器、振动传感器、信号采集器、微型计算机以及本安型电源，音频传感器、振动传感器分别与信号采集器的信号输入端连接，信号采集器将采集到的信号通过网线传输至微型计算机进行处理和分析，微型计算机与液压支架控制器相连，液压支架控制器将微型计算机输出的煤矸识别结果做出相应的控制动作，液压支架控制器的信号输出端连接信号采集器，本安型电源为微型计算机供电；

光谱识别装置包括安装在液压支架下部及后部刮板机斜上方的集成探头，集成探头内设置有卤素灯光源和准直镜头，集成探头的信号输出端通过分叉光纤分别连接激光指示光源、光谱仪的信号输入端，光谱仪的信号输出端连接微型计算机；

步骤二：煤矸识别装置的识别方法为：

①在液压支架自动放煤前，先通过人工控制放煤的启停动作，时间记为T1，利用音频传感器、振动传感器和信号采集器采集相应的声音信号和振动信号，并将采集的信号传输至微型计算机进行处理和存储；

②微型计算机分别对放煤或放矸产生的声音信号和振动信号进行标记，若是放煤，则记为1，若是放矸，则记为0，同时将标记好的声音信号或振动信号每隔1s记为1个样本，并分别对采样时间为1秒的声音信号和振动信号进行信号分解、特征提取和特征筛选；

③微型计算机将带有标记的筛选后的特征进行存储，作为初始样本集分别对支持向量机和BP神经网络这两个分类器进行训练，当支持向量机和BP神经网络的测试误差大于设定阈值ε时，重新对采集到的样本数据分别对支持向量机和BP神经网络这两个分类器进行训练；当支持向量机和BP神经网络的测试误差小于设定阈值ε时，训练结束，此时，停止人工控制放煤启停动作，液压支架自动放煤开始，时间记为T2；

④液压支架自动放煤开始后，微型计算机分别对相邻两个采样时间内，即T2+1秒和T2+2秒的声音信号和振动信号进行信号分解、特征提取和特征筛选，并分别输入到第③步训练好的支持向量机和BP神经网络分类器，在T2+1秒和T2+2秒的采集样本可以得到4个预测结果；

⑤微型计算机利用D‑S证据理论，将第④步得到的4个预测结果进行决策级融合，从而得到最终的煤矸识别结果；

⑥微型计算机将煤矸识别结果发送至液压支架控制器，当识别结果为矸石时，液压支架控制器发送停止放煤命令，液压支架尾梁伸出，放煤动作停止；

光谱识别装置的识别方法为：

①调节集成探头的倾斜角度，打开卤素灯光源照射后部刮板机上的运动煤矸，使卤素灯光源照射在后部刮板机中间位置；

②放煤开始后，液压支架上方的煤、矸在支架尾梁的摆动下滑落到后部刮板机上，位于刮板机上的集成探头中的准直镜头，在卤素灯光源的辅助下，采集后部刮板机上运动煤或矸的反射信号，并通过Y形光纤中分支端，将采集的反射信号传输给光谱仪，利用微型计算机对光谱仪中的光谱数据进行分析，微型计算机通过光谱数据判断是否为顶板岩石，如果是顶板岩石，微型计算机发出指令通过液压支架控制放煤口关闭，反之，通过与微型计算机内数据库中的光谱数据进行模式匹配，对后部刮板机上经过准直镜头视场的煤或矸进行定性分析，在微型计算机中将煤矸种类赋值为：煤＝0，矸＝1；

③通过煤、矸的不断放出，刮板机上不断进行着煤和夹矸的交替，在微型计算机中进行

0与1数值的累加，当0+1+0+1+0+1……≥x时，其中，x表示该放煤工作面的平均夹矸层数，则意味着放煤结束，微型计算机发出指令通过液压支架控制器控制放煤口的关闭，当不满足0+1+0+1+0+1……≥x时，返回步骤②；

步骤二②中信号分解、特征提取和特征筛选的步骤如下：

A：采用经验模态分解EMD对原始声音信号和振动信号分别进行分解处理，每个原始信号可以得到若干个本征模态函数IMF，将原始声音信号的IMF个数记为m，原始振动信号的IMF个数记为n；

B：针对每种原始信号，计算各本征模态函数IMF的能量Ei、峭度κi与原始信号相关系数ζi，并对各参数进行归一化处理，分别记为CEi、Cκi、Cζi；

C：计算每个本征模态函数IMF的加权得分ρi＝α×CEi+β×Cκi+γ×Cξi，其中α+β+γ＝1，选择加权分最高的p个本征模态函数IMF进行后续特征提取；

D：针对每种原始引号，计算提取的p个本征模态函数IMF的归一化特征能量CEi和峭度Cκi，并作为支持向量机和BP神经网络的初始样本集；

所述支持向量机的核函数选用径向基核函数；

步骤二中支持向量机和BP神经网络的训练步骤如下：

A：参数设定，支持向量机中核函数参数和误差惩罚因子采用交叉验证法来确定，BP神经网络的输入层节点数为p，输出层节点数为1，隐含层节点数l满足 q为0‑10之间的常数，然后通过试凑法确定最佳节点数；

B：将T1‑T2时间内的样本数量记为M，随机选择其中60％M个样本作为支持向量机和BP神经网络的训练样本集，其余作为测试样本集，并对训练好的支持向量机和BP神经网络模型进行测试；

C：当支持向量机和BP神经网络的测试精度小于设定阈值ε时，训练结束。

2.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，步骤二中微型计算机利用D‑S证据理论对4个预测结果进行决策级融合的步骤如下：A：将T2+1秒内采集的声音信号样本的支持向量机和BP神经网络输出结果分别记为a1和b1，将T2+1秒内采集的振动信号样本的支持向量机和BP神经网络输出结果分别记为c1和d1；同理，将T2+2秒内采集的传感信号样本的输出结果即为a2、b2、c2和d2；

B：分别对同一采样时间内的4个输出结果进行归一化处理：

a11＝a1/(a1+b1+c1+d1)，

b11＝b1/(a1+b1+c1+d1)，

c11＝c1/(a1+b1+c1+d1)，

d11＝d1/(a1+b1+c1+d1)，

a22＝a2/(a2+b2+c2+d2)，

b22＝b2/(a2+b2+c2+d2)，

c22＝c2/(a2+b2+c2+d2)，

d22＝d2/(a2+b2+c2+d2)；

C：在D‑S证据理论中，将T2+1和T2+2时刻的输出结果设为2条证据m1和m2，即：归一化常数K＝a11×a22+b11×b22+c11×c22+d11×d22则基于声音信号的支持向量机输出结果为a11×a22/K，

基于声音信号的BP神经网络输出结果为b11×b22/K，

基于振动信号的支持向量机输出结果为c11×c22/K，

基于振动信号的BP神经网络输出结果为d11×d22/K；

D：如果max{a11×a22/K，b11×b22/K，c11×c22/K，d11×d22/K}>0.5，则最终的识别结果记为放煤；反之，最终的识别结果记为放矸。

3.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，信号采集器设定的音频传感器采样频率为40KHz以上，振动传感器采样频率为

5KHz以上。

4.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，声音传感器为电容式传感器，振动传感器为电压型或电流型高频传感器。

5.根据权利要求1所述的一种基于多传感信息融合的放顶煤过程中煤矸识别方法，其特征在于，分叉光纤采用Y形光纤，光纤合并段与集成探头上几何中心所嵌入的准直镜头连接，分叉光纤支端分别连接激光指示光源和光谱仪，激光指示光源能够对准直镜头所采集的范围进行指示以及对集成探头的安装倾斜角度进行协助调节。