基于EEMD與PNN的煤巖界面識別方法

王書滿，邊志鑫

（1.徐州開放大學，江蘇 徐州 221000；2.中國礦業(yè)大學，江蘇 徐州 221116）

計算機技術(shù)研究

基于EEMD與PNN的煤巖界面識別方法

王書滿1，邊志鑫2

（1.徐州開放大學，江蘇 徐州 221000；2.中國礦業(yè)大學，江蘇 徐州 221116）

針對放頂煤中煤巖界面難以識別的問題，對采煤機滾筒振動信號進行研究，提出一種基于集成經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)與概率神經(jīng)網(wǎng)絡(Probabilistic Neural Network,PNN)的煤巖界面識別方法.首先，利用EEMD對采集到的搖臂振動信號進行分解，得到一系列IMF分量，然后利用相關(guān)系數(shù)法對IMF進行篩選，提取有效分量進行能量熵特征提取，最后結(jié)合PNN識別器對割煤和割巖信號進行識別.實驗研究表明，基于EEMD和PNN的煤巖界面識別方法能有效的識別割煤和割巖兩種狀態(tài)，識別率高達88%，是一種有效的煤巖界面識別方法.

采煤機；煤巖界面識別；EEMD；PNN

煤巖識別是煤礦開采的關(guān)鍵技術(shù)，在采煤工作面，工人行走不便，使操作人員難以及時調(diào)節(jié)滾筒的高度，實現(xiàn)采煤機滾筒的自動調(diào)高顯得尤為重要.

由于采集到的采煤機振動特征信號包含了采煤機運行的固有振動信息及負載沖擊振動信息，而通過振動信號判斷負載工況實質(zhì)上就是根據(jù)采煤機振動信息對滾筒負載情況（割煤還是割巖）進行模式識別，根據(jù)識別的結(jié)果能準確及時地調(diào)整采煤機的滾筒高度.因此本文采用基于相關(guān)系數(shù)法的EEMD自適應分解方法有效提取出截割振動信號能量特征信息，利用PNN對截割狀態(tài)進行識別，有效區(qū)分煤巖界面.

1 煤巖界面識別模型建立

1.1 EEMD理論

集成經(jīng)驗模態(tài)分解 (ensemble empirical mode decomposition,EEMD)是在EMD方法的基礎上，進行改進研究出來的方法，它能有效地解決EMD在信號分解過程中出現(xiàn)模態(tài)混疊問題.EEMD算法運算過程大致如下：

(1)對采集的振動信號中加入幅值為原始信號標準差的0.1～0.4倍的高斯白噪聲，然后為了消除基線漂移現(xiàn)象，進行歸一化處理；

(2)利用EMD對加噪后信號進行自適應性分解，得到一組IMFs及殘余量R；

(3)通過設定的迭代次數(shù)，重復上次操作k次，將多次分解得到的IMFs求解平均，得到EEMD分解結(jié)果.

在井下惡劣環(huán)境下，采集的搖臂振動信號一般包含很多干擾成分，這樣使得EEMD分解得到的IMF分量中會出現(xiàn)偽分量.為了剔除偽分量的干擾，采用基于相關(guān)系數(shù)法的偽分量判定方法，分析各IMF分量與原始信號之間的相關(guān)性.當相關(guān)系數(shù)較大時，說明該IMF與原信號的相關(guān)性大，包含了原始信號中較多的特征信息；相關(guān)系數(shù)偏下時，則說明該IMF與原始信號相關(guān)度不高，認定為偽分量，剔除；最后對提取出來的有效IMF進行特征信息提取.各IMF與原信號的相關(guān)系數(shù)定義為：

其中，x，y分別為信號x，y的均值.

1.2 PNN分類方法

概率神經(jīng)網(wǎng)絡是在徑向基神經(jīng)網(wǎng)絡基礎上，結(jié)合數(shù)理統(tǒng)計思想，改進發(fā)展起來的一種高精度神經(jīng)網(wǎng)絡，通常由4層組成：輸入層(IMF能量熵維數(shù))、模式層(輸入樣本數(shù)和)、累加層以及輸出層(識別類型個數(shù)).概率神經(jīng)網(wǎng)絡具備模型訓練效率高、收斂速度快等優(yōu)點，在模式識別領域得到了廣泛應用. PNN的基本結(jié)構(gòu)如圖1所示.

圖1 概率神經(jīng)網(wǎng)絡結(jié)構(gòu)簡圖

2 實驗裝置與數(shù)據(jù)采集方式

實驗數(shù)據(jù)在井下工作面進行采集，振動傳感器分別安裝在左右搖臂上，如圖2所示，負責采集采煤機工作時因滾筒旋轉(zhuǎn)、煤巖激振而產(chǎn)生的振動信號，采樣頻率設置為24KHz，采集到的割煤和割巖狀態(tài)下的振動信號時域圖如圖3所示.

圖2 傳感器布置圖

圖3 原始振動信號時域圖(a)：割煤狀態(tài)下；(b)：割巖狀態(tài)下

3 實驗與分析

采集兩種不同截割狀態(tài)的振動信號各100段，每段數(shù)據(jù)包含4800個數(shù)據(jù)點，如圖4分別為割煤和割巖截割狀態(tài)下振動信號一個樣本的EEMD分解結(jié)果.

從圖4和圖5中發(fā)現(xiàn)，割巖振動信號分解后的前4個IMF分量IMF1-IMF4在相同時間段內(nèi)相對于割煤信號表現(xiàn)出了較高的頻率和幅值.這表明這4個IMF分量可能包含了割巖的突變特征和重要信息，因此后面的分析要重點關(guān)注這些IMF分量.最后幾個IMF分量的頻率較低，幅值也很小，可能包含了低頻噪聲信息.根據(jù)給出的IMF分量選擇算法，計算了前11個IMF分量與原始信號之間的相關(guān)系數(shù)，如表1所示.從表中可以看出，當割煤時，前8個IMF分量與原始信號的相關(guān)系數(shù)較大，選擇前8個IMF分量作進一步分析，將剩余的4個IMF分量作為殘余量處理；同樣的方法，割巖時，前8個IMF分量與原始信號的相關(guān)系數(shù)較大，選擇前8個IMF分量作進一步分析，將剩余的4個IMF分量作為殘余量舍棄.

圖4 割煤振動信號EEMD分解結(jié)果

圖5 割巖振動信號EEMD分解結(jié)果

在信號處理過程中，能量是信號的一個重要參數(shù)，能量的變化包含了豐富的信息.當采煤機搖臂截割煤層時，其產(chǎn)生的振動信號與割巖時的振動信號相比，相同的頻段內(nèi)信號的能量有較大的區(qū)別.在某一頻段信號的能量會增加，在另外的頻段可能會減少.因此，根據(jù)各IMF分量所代表的頻段的能量變化就可以檢測截割情況.下面對經(jīng)過相關(guān)系數(shù)法篩選的IMF1-IMF8分量分別計算能量特征參數(shù)，由于篇幅有限，下面給出每種截割類型3個樣本的計算能量均一化后的結(jié)果，如下表2所示，圖6為各IMF能量變化趨勢對比圖，可以看出，割巖狀態(tài)下的振動信號IMF能量熵每一層的能量占比走向不同于割煤狀態(tài)下的振動信號，利用不同類型樣本IMF能量之間的差異性，提取出振動信號的敏感特征集，作為模式分類器的特征向量輸入，從而實現(xiàn)煤巖識別.

然后將經(jīng)過IMF能量熵計算處理后的振動信號樣本進行隨機混合，從混合的樣本中隨機抽取75%的數(shù)據(jù)作為訓練樣本，剩下的25%作為驗證樣本.最后利用訓練后PNN對驗證樣本進行分類，統(tǒng)計實驗的煤巖識別率，驗證實驗對割煤狀態(tài)識別率為92%，對割巖狀態(tài)識別率為88%.

表1 各IMF分量與原始信號的相關(guān)系數(shù)

表2 各IMF分量能量特征對比

圖6 各IMF能量變化趨勢比較

4 結(jié)論

通過采集搖臂截割煤巖的振動信號，對其進行分析研究，實現(xiàn)對煤巖界面的有效識別識別，針對振動信號的非穩(wěn)定性特點，利用EEMD方法對振動信號分解得到各IMF，然后考慮到虛假IMF對分析結(jié)果的影響，利用相關(guān)系數(shù)法對分解得到的多個IMF分量進行篩選，最后對得到的主要IMF進一步分析可提取煤巖界面的特征信息IMF能量熵，作為PNN的輸入，實現(xiàn)煤巖界面的自動識別.實驗結(jié)果表明，以IMF能量組成的特征向量對于識別割煤和割巖兩種截割狀態(tài)較為敏感，識別正確率高達88%，基于EEMD和PNN的分析方法是一種有效的煤巖界面識別方法.

〔1〕張俊梅,范迅,趙雪松.采煤機自動調(diào)高控制系統(tǒng)研究[J].中國礦業(yè)大學學報,2002,31(4):415-418.

〔2〕王保平,王增才,張萬枝.基于EMD與神經(jīng)網(wǎng)絡的煤巖界面識別方法[J].振動、測試與診斷,2012, 32(4):586-590.

〔3〕張寧,任茂文,劉萍.基于主成分分析和BP神經(jīng)網(wǎng)絡的煤巖界面識別[J].工礦自動化,2013,39(4): 55-58.

〔4〕柴保明,趙志強,吳治南,等.基于EEMD的齒輪故障診斷方法研究 [J].煤礦機械,2014,35(11): 294-296.

〔5〕蘇文勝,王奉濤,張志新,等.EMD降噪和譜峭度法在滾動軸承早期故障診斷中的應用[J].振動與沖擊,2010,29(3):18-21.

〔6〕馮東華,賈海龍.基于EMD能譜熵和概率神經(jīng)網(wǎng)絡的采煤機搖臂齒輪故障診斷[J].煤礦機械, 2014,35(7):276-278.

〔7〕孫永軍,王福明.概率神經(jīng)網(wǎng)絡PNN在發(fā)動機故障診斷中的應用[J].機械工程與自動化,2007（4）:99-100.

TP391.4

A

1673-260X（2017）06-0015-03

2017-04-05