在现代化煤矿生产中,瓦斯传感器是安全监测监控系统中最重要的传感器,可以对井下瓦斯涌出状况进行实时的检测,其信号的准确性对煤矿安全生产起到了十分关键的作用。然而井下高温、高湿、高粉尘、强干扰的恶劣环境导致的瓦斯传感器误报、漏报事故时有发生。因此,研究如何及时的检出瓦斯浓度异常信号,并辨识其异常类型,从而排除误报和分析误报原因,具有十分重要的研究意义。本文针对恒偏差型、瞬时型、周期性脉冲型3种瓦斯浓度异常信号的检出与特征提取分类这两个问题,提出了煤矿安全监测监控系统瓦斯浓度异常信号辨识算法。所取得的主要研究成果如下:(1)通过瓦斯浓度异常信号辨识特征分析,采用数据挖掘和信号分析理论,提出了安全监测监控系统中瓦斯浓度异常信号辨识方法,建立了安全监测监控系统瓦斯浓度异常信号模型。此模型可以准确的对瓦斯浓度异常信号进行检出,同时进一步对异常信号进行正确特征提取和分类。(2)通过研究,发现了对3种异常信号具有较高区分度的时域参数峭度。对现行的煤矿安全监测监控系统中出现的瓦斯浓度异常信号的分析得到,浓度异常信号可以分为偏差型、瞬时型、周期性脉冲型3种模式。计算3种异常信号的样本期望、方差、均方根值、峰值指标、峰值比、峭度、偏度等统计指标,比较得到峭度参数K区分度最高。峭度参数K可以用于异常信号检出决策和特征提取分类。(3)在瓦斯浓度异常信号的检出方法研究中,针对人工神经网络逼近存在的训练样本较大,以及传统单一阈值的决策方法容易产生误报等问题,提出了基于遗传算法优化支持向量回归机(GA-SVR)结合可调算子解析模糊决策指标的异常信号检出方法。首先,将多个相关传感器信号利用遗传算法优化的支持向量回归机方法进行数据融合对被诊断传感器浓度信号进行逼近;然后,将被诊断传感器实测浓度与逼近值相比得到残差;最后,通过可调算子解析模糊故障决策指标对残差特征进行决策,最终得到诊断结果。通过煤矿现场监控数据的离线实验,较之于人工神经网络,支持向量回归机算法可以很好地解决瓦斯传感器故障这一小样本学习训练的问题,对瓦斯浓度的非线性的变化有很强的逼近能力。遗传算法可以对SVR的参数选取自适应寻优,从而提高支持向量回归的精度,避免人为选择参数的盲目性。基于可调算子解析模糊决策的检出决策指标,可以避免用一个简单的阈值判定异常的不足,综合考虑疑似异常信号的强度和峭度来进行决策,提高了异常信号检出的正确率。(4)在瓦斯浓度异常信号的特征提取与分类方法研究中,搭建了瓦斯监控异常信号辨识实验平台,通过大量实验得到了丰富的异常信号样本。实验对比了小波降噪结合DFT谱分析方法、小波包结合能量特征矢量和Hilbert-Huang变换方法的特征提取性能,验证了二叉树支持向量机分类器的分类性能。结果表明:小波包结合能量特征矢量方法分析结果受样本点选择、发生异常信号的时间点及程度影响巨大,对于恒偏差型异常信号和瞬时型异常信号的区分度并不高,容易造成误判、错分。Hilbert-Huang变换的方法对于短时突变型的异常数据有较好的辨识效果,同时可以求出信号的瞬时频率,对发生异常的时间点有指示作用,但是Hilbert-Huang变换方法无法分解恒偏差型异常信号,此种方法不能对恒偏差型特征进行提取。基于小波降噪结合DFT变换谱的方法可以对异常信号进行很好的特征提取,DFT变换幅值谱分布区分性明显,改变信号采样的起始时间对辨识结果的影响不大。小波降噪结合DFT谱分析的方法对煤矿安全监测监控系统瓦斯浓度异常信号的特征提取是有效的,GA算法和主元分析(PCA)优化的二叉树支持向量分类器分类正确率达到96%以上。本课题针对煤矿监控系统瓦斯传感器误报问题,从恒偏差型、瞬时型、周期性脉冲型3种瓦斯浓度异常信号异常信号辨识角度入手,运用信号处理和人工智能算法重点研究了瓦斯浓度异常信号进行检出方法和对异常信号的特征提取和分类方法,提升了对煤矿监控系统瓦斯传感器误报的快速检测和实时预报能力,辅助现场技术人员完成复杂的故障排除和现场处理,防止误报造成进一步的不必要损失,提高了煤矿安全监测监控系统安全维护水平。