商品详情
《矿工作业疲劳状态识别技术与应用》
作者：陈盈
定价：98.00元
出版时间：2026-07
ISBN：978-7-5240-0622-0
内容简介
本书系统阐述了矿工作业疲劳状态识别技术的理论框架与工程应用，围绕疲劳机理分析、多源特征优选及智能识别模型构建展开深入研究。通过融合生理信号（心电、肌电）、行为数据及主观量表信息，提出基于模糊综合评价的疲劳等级划分标准，并创新性地提出GA-PCA-CNN、Bagging-SVM、PSO-SVM及MPA-LSSVM等多种深度学习与机器学习组合模型，实现矿工疲劳状态的精准识别与动态监测。书中结合深井手工搬运作业场景，通过实测数据验证模型有效性，同时提出涵盖健康管理、环境优化及制度保障的疲劳管控策略，形成从理论到实践的完整技术体系。
目录
1 绪论
1.1 煤矿安全形势严峻
1.2 矿工作业疲劳识别技术概述
1.2.1 疲劳与矿工作业疲劳
1.2.2 作业疲劳等级
1.2.3 主观、客观作业疲劳检测
1.2.4 基于信息融合的作业疲劳识别技术
1.2.5 矿工作业疲劳识别技术现状分析
1.3 矿工作业疲劳识别技术的主要内容和方法
2 矿工作业疲劳状态等级识别标准
2.1 矿工作业疲劳状态的界定
2.1.1 矿工作业疲劳状态定义
2.1.2 矿工作业疲劳状态致因分析
2.1.3 矿工作业疲劳状态度量方法
2.2 矿工作业疲劳状态等级的划分
2.2.1 矿工作业疲劳状态等级的确定
2.2.2 矿工作业疲劳状态表现与等级界限
2.3 基于模糊综合评价的矿工作业疲劳状态等级识别标准建立
2.3.1 模糊综合评价模型
2.3.2 基于相似性融合计算的矿工作业疲劳状态等级阈
2.3.3 矿工作业疲劳状态等级识别标准的建立
2.3.4 矿工作业疲劳状态等级识别标准的验证
2.4 矿工作业疲劳状态识别指标概述与分析方法确定
2.4.1 矿工客观疲劳状态识别指标与分析方法
2.4.2 矿工主观疲劳状态识别指标与分析方法
3 矿工作业疲劳状态特征指标分析与优选
3.1 矿工手工搬运作业试验
3.1.1 试验设计
3.1.2 试验流程
3.1.3 试验数据采集与预处理
3.1.4 试验设计验证
3.2 基于生理信号的矿工作业疲劳特征指标分析
3.2.1 心电信号
3.2.2 表面肌电信号
3.3 基于肌肉疲劳的矿工作业疲劳特征指标分析
3.3.1 肌力预测模型
3.3.2 最大耐受时间预测模型
3.3.3 最大耐受时间修正模型
3.4 基于主观量表的矿工主观疲劳特征指标分析
3.4.1 运动强度感知量表
3.4.2 总体嗜睡状态量表
3.4.3 总体疲劳程度评价量表
3.4.4 疲劳症状调查量表
3.5 基于灰色关联分析的矿工作业疲劳状态特征指标优选
3.5.1 灰色关联模型
3.5.2 矿工主观、客观疲劳状态特征指标优选
4 基于GA-PCA-CNN的矿工作业疲劳状态识别方法
4.1 基于GA-PCA-CNN的矿工作业疲劳状态多生理特征指标优选
4.1.1 生理特征预处理与提取
4.1.2 矿工作业疲劳状态指标优选
4.2 基于GA-PCA-CNN的矿工作业疲劳状态识别模型
4.2.1 矿工作业疲劳状态特征融合指标确定
4.2.2 矿工作业疲劳状态精准识别模型构建
4.3 基于GA-PCA-CNN的矿工作业疲劳状态数据集构建
4.3.1 数据集分析
4.3.2 试验数据集的建立与处理
4.4 矿工作业疲劳状态精准识别模型应用与验证
4.4.1 GA-PCA-CNN精准识别模型应用
4.4.2 不同识别模型测试结果对比分析
4.5 矿工作业疲劳状态精准识别方法应用
4.5.1 矿工作业时长预警系统
4.5.2 矿工疲劳状态便携检测系统
5 基于Bagging-SVM的矿工作业疲劳状态识别方法
5.1 基于Bagging-SVM的矿工作业疲劳状态识别方法应用
5.1.1 深井环境对矿工作业疲劳状态的影响
5.1.2 矿工作业疲劳特征提取
5.1.3 巷道环境对矿工作业疲劳特征指标的相关性分析
5.1.4 矿工作业疲劳状态识别模型训练
5.2 矿工作业疲劳状态识别结果分析与验证
6 基于PSO-SVM的矿工作业疲劳状态识别方法
6.1 基于PSO-SVM的矿工作业疲劳状态识别方法应用
6.1.1 矿工作业疲劳状态划分
6.1.2 矿工作业疲劳状态特征提取
6.1.3 识别模型训练
6.1.4 识别模型测试
6.2 模型识别结果分析
7 基于MPA-LSSVM的矿工作业疲劳状态识别方法
7.1 特征信息融合与支持向量机
7.1.1 特征信息融合
7.1.2 支持向量机
7.1.3 海洋捕食者算法
7.1.4 多特征信息融合的作业疲劳状态分类器
7.2 基于主成分分析的矿工作业疲劳特征指标提取与深度融合
7.2.1 主成分分析
7.2.2 基于主成分分析的矿工作业疲劳特征指标降维与选择
7.2.3 基于主成分分析的矿工深度融合作业疲劳特征指标
7.3 MPA-LSSVM识别方法的建立
7.3.1 疲劳特征指标权重
7.3.2 特征加权LSSVM识别模型
7.3.3 基于MPA优化LSSVM模型
7.3.4 基于MPA-LSSVM的矿工作业疲劳状态识别模型
8 矿工作业疲劳状态识别方法应用
8.1 基于MPA-LSSVM的矿工作业疲劳状态识别方法应用
8.1.1 模型参数输入
8.1.2 模型训练
8.1.3 模型测试
8.2 基于LSSVM的矿工作业疲劳状态识别结果分析
8.2.1 单独ECG和融合其他疲劳特征指标
8.2.2 单独sEMG、单独肌力和融合其他疲劳特征指标
8.2.3 融合矿工主、客观疲劳特征指标
8.3 基于MPA-LSSVM的矿工作业疲劳状态识别结果分析
8.3.1 基于GRA-PCA的MPA-LSSVM识别结果
8.3.2 基于不同输入参数的MPA-LSSVM结果
8.3.3 PSO-LSSVM、GWO-LSSVM和MPA-LSSVM识别结果对比
8.4 基于MPA-LSSVM的矿工作业疲劳状态识别方法验证
8.5 矿工作业疲劳状态管控对策
参考文献
附录
- 冶金工业出版社图书旗舰店
- 冶金工业出版社，是国内历史最悠久的专业科技出版社之一。主要承担学术专著、技术著作、技术手册、专业辞书、大中专教材、职工培训教材、科普读物、人文社科、文集、史志、年鉴等图书的出版。
- 扫描二维码，访问我们的微信店铺
