综合机械化放顶煤开采是一种高产、高效的厚煤层开采方式,我国厚煤层储量占到我国煤炭储量的44%左右,因此放顶煤技术的研究和推广对我国煤炭工业的发展具有特别重要的意义。如何根据煤炭放落程度控制放煤口放煤时间是当今综合机械化放顶煤开采中遇到的难题。目前顶煤放落程度全部依靠人工目测来判断控制,由于采煤工作面灰尘大,条件恶劣,会带来现场操作工人的安全问题,且工人无法准确的控制放落时间,会造成过放或欠放问题,使煤质下降或者造成回收率下降。因此,煤矸界面识别技术是实现准确控制放落程度的关键技术。本文在国家自然科学基金《放顶煤支架尾梁振动信号分析法检测顶煤放落程度研究》(No.51174126)的资助下,对综采放顶煤煤矸界面的特征提取及自动识别进行了研究。煤矸界面识别问题其实质是一个模式识别问题,就是根据现场信息识别所放的是煤还是矸。因此包括数据采集、特征提取、模式分类三个关键环节,本文围绕这三个环节,开展了如下研究工作：对尾梁的振动进行了理论建模及分析,提出在煤和矸石下落随机冲击尾梁过程中,尾梁的振动行为具有统计规律的观点,为后续的模式特征的提取及识别提供了理论依据。基于传感器的选用原则,根据现场环境情况以及尾梁振动特点合理的选择传感器,构建数据采集系统,确定了放顶煤煤矸界面识别实验数据采集方案。通过分析现场大量的数据,分别对比了传感器的安装在液压支架尾梁的不同部位的效果,寻求传感器最佳安装位置。并通过改造液压支架,以便传感器安装在最佳位置。在生产现场拾取振动和声波信号,为进一步离线分析煤矸界面特征提取提供了全面而丰富的数据。由于尾梁振动信号具有非平稳性特点,传统的傅里叶变换是分析平稳信号的强有力的工具,但对于非平稳信号则失去了意义。本文采用局域波分解的方法对信号进行了分析,并提取了煤矸界面特征。首先采用经验模态分析方法对落煤和落矸两种情况下的尾梁振动信号进行了分解,得到了信号的各个固有模态分量(IMF),然后对各固有模态进一步分析,提出三种用于煤矸界面识别的特征,即基于IMF分量的能量、峭度、波峰因子特征,并利用马氏距离判别法进行了识别。同时将经验模态分解与Hilbert变换相结合,提出了另外三种振动特征,分别是基于Hilbert谱能量、Hilbert边际谱能量、IMF分量的Hilbert边际谱能量的特征。采用时间序列分析的方法对放煤和放矸两种状态下的声波信号进行了分析,提出了基于ARMA模型的煤矸声波信号识别方法。首先对数据进行预处理,然后根据信号的自相关函数和偏自相关函数判断模型类型,对放煤和放矸两种工况下的声波信号ARMA模型进行了估计,得到了模型阶数,以及各阶自回归参数和滑动平均参数,提取了残差,利用残差对模型进行了验证。利用ARMA模型参数进行双谱估计,提出了基于双谱对角曲线能量极大值数目特征和基于模型残差方差的特征提取方法。同时根据EWMA控制图的思想,以模型残差的方差作为特征对信号进行了识别,识别结果表明,采用此法,对落矸信号识别率较高,其整体识别率达到了90%。针对提取的振动和声波信号的特征,分别设计了BP神经网络识别方法,确定了网络的层数,各层的节点数,以及各神经元的激活函数,并对比了分别采用动量BP算法、自适应学习率算法、Quasi-Newton算法、弹性BP算法、Levenberg-Marquardt算法五种改进的训练函数时的结果,设计了最优的BP网络结构。利用样本数据训练网络,得到了神经网络各层的权值和阈值。然后,计算了不同的特征情况下的隐层神经元数目。利用设计好的神经网络,分别以IMF的能量、峭度和波峰因子作为特征,对尾梁振动信号进行了识别。识别结果表明,以各IMF的能量、峭度和波峰因子组成特征向量作为BP神经网络的输入,均可实现煤矸界面的自动识别,且以IMF的能量组成的特征向量对于识别两类振动信号最为敏感,比采用其它两种方式具有更高的识别率。同时,以残差方差为特征,利用神经网络对声波信号进行识别。识别结果表明,采用神经网络的方法比采用马氏距离统计法具有更高的识别率。最后,对振动信号和声波信号进行信息融合,利用神经网络对两种信号同时识别,识别结果表明采用信息融合的方法比单独采用一种信号的识别方法具有更高的识别率。