煤炭在我国一次能源开采和消费结构中占主体地位,综合机械化放顶煤采煤法因其开采强度大、适应性强已成为我国厚煤层开采的首选方法。目前,放煤工序中顶煤冒落程度基本靠人工目测来判断控制,会不可避免地导致过放和欠放。长期以来,怎样通过放顶煤过程中的放煤量来确定尾梁放煤口的最优打开或关闭点是综放开采实现自动化、智能化的重点问题。在综放开采过程中,煤或矸石下落冲击液压支架尾梁,表现出与准静态载荷不一样的动力学响应。研究煤矸响应机理及其差异性,掌握其振动响应特性规律,并以此为基础实现煤矸判别,为基于尾梁振动的煤矸识别提供了新工艺思路。本文研究由国家自然科学基金项目“基于尾梁振动信号的放顶煤煤矸识别技术研究”支持。首先,进行煤、矸岩石冲击金属板的基础理论研究,建立了弹性体单颗粒岩石冲击金属刚性板的动力学模型。通过赫兹接触理论,建立起考虑重力的质量-弹簧-阻尼的非线性接触振子模型,并采用变步长四、五阶龙格-库塔(Runge-Kutta)法求解,得到了碰撞过程中的接触力和动力学响应包括煤、矸岩石的位移、速度、加速度的数值解。以此为基础,研究了弹性接触力、阻尼接触力在非线性和线性工况下的响应差异性,并分析了不同的接触刚度和接触阻尼对振动响应的影响。采用显式动力分析软件ls-dyna模拟了煤、矸岩石直冲刚体金属板的振动响应工况,研究煤、矸在此工况下的振动响应特性,并将仿真结果与理论结果进行对比,其吻合程度较高,验证了仿真方法的正确性与可靠性。其次,模拟了单颗粒岩石冲击弹性金属板的瞬态响应仿真,并研究了不同的冲击参数对振动响应的影响规律,包括:煤矸同质量不同冲击能量、不同接触面积和同冲击能量不同质量三种工况。结果表明,煤矸在不同工况下的动力学响应、接触力和能量交互均存在较大差异,冲击参数的不同也会引起接触刚度和接触阻尼的变化造成响应的差异性。在此基础上建立了振动工作台仿真模型,岩石材料基于Johnson-Holmquist本构模型,工作台金属板基于分段线性塑性材料模型,研究了岩石冲击振动工作台的全过程响应特性,并讨论岩石在不同质量、冲能、形状下的全过程振动响应规律,包括煤、矸与工作台振动板的动力学响应、能量传递及耗散响应,板面采集单元的应力响应及煤矸在高应变率下的损伤破碎差异。同时,进行了多颗粒煤矸冲击工作台的全过程仿真,研究不同煤矸混合比例下岩石跌落的破碎量差异性及对金属板响应特性的影响。搭建了岩石颗粒冲击振动试验采集分析系统,通过试验监测采集煤矸颗粒冲击工作台产生的加速度振动信号包括煤、矸信号样本各1000组,之后对信号进行预处理得到相同的信号长度,并提取信号的传统时域特征,选取其中敏感度较大的方差、峰-峰值和峭度指标作为特征样本。采用希尔伯特-黄变换(HHT)进行振动信号的时频特征提取,通过经验模态分解(EMD)对信号进行分解得到固有模态分量(IMF),然后进行Hibert变换得到Hilbert时频谱及Hilbert边际谱。结果显示煤矸信号在时频谱中的能量特征中也表现出了较大的差异性,并选取IMF中的前6项和边际谱的能量特征值作为特征样本。使用机器学习算法实现煤矸振动信号的识别,共使用两种数据样本作为数据库:一种为长度为5000的原始加速度信号样本,另一种为信号处理提取的10种时频域特征组成的特征样本。采用随机森林(Random Forest)、极端梯度提升(XGBoost)、支持向量机(SVM)等算法进行煤矸信号识别,并通过stacking集成学习算法融合三种模型,通过logistic回归生成元分类器模型,进一步进行集成学习得到最终的煤矸识别模型,并以决策树(DT)、长短期循环神经网络(LSTM)、因子分解机(FM)作为参照组,研究发现随机森林、XGBoost、SVM以及Stacking的识别率相对于其他识别算法较高,且Stacking集成的识别准确率最高,仅测试集就可达98.12%,使用原始样本的识别效果虽然高于特征样本,但是会极大地增加时间消耗,而通过特征样本的煤矸识别可牺牲少量的准确率使识别效率显著提升,从整体上提高识别性能。本文通过理论分析、数值模拟、试验采集、信号处理以及机器学习识别等手段,研究了颗粒煤矸冲击时的动力学响应规律以及采用煤矸振动信号识别的可行性。作为放顶煤自动开采的基础研究,对我国煤矿开采向智能化深入发展起到了重要地推进作用。