基于多源數據融合的采煤機截割載荷預測方法

于 寧 孫業(yè)新 陳洪月

遼寧工程技術大學機械工程學院，阜新，123000

0 引言

采煤機是煤礦開采最重要的設備。由于采煤工作面不均勻圍巖、堅硬夾矸等因素的影響，采煤機滾筒在截割過程中易受到強烈的沖擊，導致截割滾筒的截齒異常磨損或搖臂內的齒輪斷齒失效等[1-2]，因此，研究采煤機的滾筒載荷識別與預測方法對采煤機工作狀態(tài)監(jiān)測與預警具有重要意義。

截割載荷預測在煤礦裝備智能化領域一直是研究熱點與難題。郝志勇等[3]通過實驗采集銷軸和壓力環(huán)的三向應變，采用小波分解降噪并進行載荷譜分形關聯維數計算，研究了滾筒截割載荷分布規(guī)律；李曉豁等[4]基于MATLAB/GUI研發(fā)了滾筒截割載荷模擬系統(tǒng)，依據滾筒參數和煤巖信息預測截割載荷，解決了截割載荷計算困難問題；劉春生等[5]提出了一種改進分數階Tikhonov正則化載荷識別算法，對截割載荷有較好的識別效果。目前，有不少學者應用神經網絡識別與預測截割載荷。張強等[6]提出一種基于模糊神經網絡的多傳感器信息融合的煤巖識別方法，依據實驗提取截割過程中的振動、電流等信號特征，預測了滾筒的截割軌跡。劉春生等[7]建立了基于熵權的正則化神經網絡載荷譜預測模型，提出了依據有限楔入角的載荷譜的預測方法，實現不同楔入角的截割載荷預測。蔣干[8]采用IFOA-RBF神經網絡實現了單一傳感信號下的煤巖截割狀態(tài)識別，經過D-S證據理論融合，最終得到了煤巖截割載荷識別結果。毛君等[9]將深度信念網絡(deep belief network，DBN)應用于滾筒載荷預測，經過實驗測試得到了良好的載荷預測效果，結果表明DBN預測模型特征提取能力強，且優(yōu)于BP神經網絡(BPNN)。

綜上所述，在數據量龐大且復雜的條件下，DBN可以實現特征自主學習，在預測精度上優(yōu)于傳統(tǒng)的神經網絡，而應用DBN的載荷預測研究較少。在上述學者對截割載荷的研究基礎上，本文提出了一種改進的DBN載荷預測模型，在DBN的基礎上，結合貝葉斯正則化(BR)方法和粒子群優(yōu)化(PSO)算法，建立了基于BR-PSO-DBN的滾筒載荷預測模型。

1 DBN的改進

1.1 DBN

DBN由多層無監(jiān)督受限玻爾茲曼機(restricted Boltzmann machine，RBM)和一層有監(jiān)督的反向傳播網絡堆疊而成[10]。DBN包含兩個學習過程：前向無監(jiān)督堆疊和后向有監(jiān)督微調。前向無監(jiān)督堆疊過程為：將第一個RBM的輸出作為第二個RBM的輸入，依此類推，采用貪婪學習算法進行預訓練，實現從前到后的無監(jiān)督學習，初步確定網絡權重。后向有監(jiān)督微調過程為：從DBN網絡最后一層開始精調網絡各層的參數，根據標簽數據進行訓練，采用BP算法微調初始網絡權重，得到最優(yōu)的網絡參數。

1.2 引入BR法

多傳感器采集條件下，數據量增大，特征維度增加，RBM堆疊得到的DBN非常復雜，建立的模型容易發(fā)生過擬合現象。為避免過擬合問題，增強網絡的泛化能力，本文引入BR法優(yōu)化每層RBM的訓練函數，限制網絡規(guī)模的同時減小訓練誤差。

根據BR法[11]，將RBM中的性能函數優(yōu)化為

Fw=αP+βEw

(1)

(2)

P0=P(v,h)∝exp(-E(v,h))=
exp(hTWv+bTv+aTh)

(3)

式中，Fw為優(yōu)化的訓練函數；Ew為復雜度懲罰項；P0為初始的訓練函數；α、β為超參數；h、v分別表示隱含層和可視層；m、n分別為可視單元與隱藏單元數量；P為聯合概率分布；E(v,h)為該組態(tài)下的能量函數；W為顯層與隱層各單元之間的連接權值，W=[wij]；a、b分別為顯層與隱層各單元的偏置值。

如果α遠大于β，則減小訓練誤差，如果α遠小于β，則減小網絡規(guī)模。

確定網絡結構后，確定訓練函數超參數α、β的取值。依據HINTON等[12]給出的正則化法超參數取值的經驗(α∈[0.5,1]，β∈[0,0.5])，本文通過實驗隨機多次在取值范圍內給α、β賦值，最后取網絡識別效果最佳的賦值。引入BR法優(yōu)化各層RBM，確定最優(yōu)的網絡模型規(guī)模以及超參數α、β，提高網絡對樣本數據的適應能力。

1.3 引入PSO算法

為使網絡獲得最優(yōu)的網絡權重，引入PSO算法對傳統(tǒng)的BP算法加以改進，強化網絡精調的能力。PSO算法通過隨機粒子種群迭代進行尋優(yōu)，每次迭代通過跟蹤個體最優(yōu)解和全局最優(yōu)解來更新粒子的運行速度和位置。首先初始化粒子群參數，種群F={F1,F2,…,Fn}，設第i個粒子在t次迭代的位置為Fi,t=(fi1,t,fi2,t,…，fiD,t)T，速度Vi,t=(vi1,t,vi2,t,…,viD，t)T，個體的最優(yōu)位置pi，t=(pi1，t,pi2，t,…,piD，t)T，全局的最優(yōu)位置pg，t=(pg1，t,pg2，t,…,pgD，t)T，則第i粒子在t+1次迭代時有：

vid，t+1=vid，t+c1r1(pid，t-xid，t)+c2r2(pgd，t-xid，t)

(4)

式中，d=1,2,…，D；i=1,2,…,n；r1、r2為樣本空間(0，1)內的隨機數；c1、c2為加速因子。

PSO算法中如果個體最優(yōu)解多于全局最優(yōu)解，則會陷入局部最優(yōu)解，所以筆者引入慣性權重來平衡算法的尋優(yōu)能力：

w=wmax-(wmax-wmin)t/tmax

(5)

(6)

式中，w為第t次迭代的權重；C1、C2為第t次迭代的加速因子；wmax、wmin分別為最大和最小的慣性權重；tmax為最大迭代次數；Cmax、Cmin分別為最大和最小的加速因子。

式(5)能夠增強算法局部尋優(yōu)能力，式(6)能夠增強粒子個體的搜索能力和對全局的感知能力。改進PSO算法的步驟如圖1所示。

圖1 改進粒子群算法步驟Fig.1 Steps of improved particle swarm algorithm

1.4 改進決策域更新系數

PSO算法是群智能算法之一，而收斂停滯一直是群智能算法的難題，因為算法有限的搜索能力，使種群可能收斂到一個停滯解[13]。為克服此問題，本文通過改進決策域更新系數來增大種群個體的決策域半徑。

引入指數分布系數對決策域更新系數β0進行改進：

β′=β0Ri

(7)

式中,Ri為指數分布系數。

與原更新系數相比，指數分布系數擴大了算法的搜索范圍，加快了起始計算速度，增強了局部尋優(yōu)能力。

對引入指數分布系數的決策域更新系數做線性處理，以保證改進后的算法在后期的搜索精度：

β′(t)=β′min+(β′max-β′min)t/tmax

(8)

種群迭代至后期時，算法的調整步長減小，以實現最優(yōu)解的搜索精度。

綜合考慮算法的收斂速度和尋優(yōu)精度，采用遞減移動步長S，使算法整個過程始終保持較高的搜索強度，遞減的公式為

S=S0δtεδ∈(0,1)

(9)

式中，S0為初始步長；δ為遞減系數；ε為待優(yōu)化問題的問題域。

改進后的動態(tài)決策域半徑更新公式為

(10)

式中,rs為螢火蟲感知域；rdi為螢火蟲i的動態(tài)決策域；ni為鄰域的閾值；Ni(t)為螢火蟲i在第t次的鄰居集合。

位置更新公式為

(11)

2 建立BR-PSO-DBN預測模型

本文以某型采煤機左截割部為實驗對象，滾筒截割三向載荷和滾筒扭矩為預測目標，輸入參數選取惰輪軸、連接架銷軸載荷和搖臂殼體應變量，采煤機截割部結構見圖2。

圖2 采煤機截割部結構圖Fig.2 Structure diagram of cutting part of coalmining machine

(1)惰輪軸載荷。惰輪軸距離滾筒側最近，載荷傳遞損耗小，以惰輪軸載荷為特征參數，能夠提高截割載荷預測精度。實驗中采用與惰輪軸外形相似且具有同等力學特性的傳感器[14]，實時監(jiān)測截割過程中惰輪軸的Y向和Z向受力情況。

(2)連接架銷軸載荷。連接架銷軸連接搖臂與連接架，滾筒截割載荷通過搖臂作用在連接架銷軸，因此連接架銷軸載荷可以作為預測截割載荷的特征參數。4個連接銷軸Y向和Z向受力狀況由具有相同強度的銷軸傳感器測得[15]。

(3)搖臂殼體應變。搖臂作為截割部的重要組成部分，支撐整個滾筒，承受較大的滾筒截割載荷，所以在搖臂殼體兩側進行應力應變測量。利用模態(tài)分析方法[16]研究搖臂變形規(guī)律，在搖臂采空面過渡位置和惰輪軸周圍的受力較大區(qū)域內布置12個應變傳感器，并在應變傳感器正上方安裝金屬防護板，以適應截割煤巖時的復雜工況。傳感器布置如圖3所示，其中3、5、8號傳感器測量Z向應變，余下傳感器測量Y向應變。

圖3 搖臂殼體應變值采集示意圖Fig.3 Schematic illustration of the collection of strainvalues of the rocker shell

將截割部滾筒所受三向截割載荷和扭矩作為輸出參數，實測數據通過截齒傳感器采集[17]。

綜上所述，采煤機滾筒載荷預測模型的輸入層包括22個神經元，輸出層包括4個神經元。構建的BR-PSO-DBN模型如圖4所示，其中，C表示隱含層， W表示對應計算過程。

圖4 BR-PSO-DBN預測模型Fig.4 BR-PSO-DBN forecasting model

BR-PSO-DBN預測模型包含2個BR-RBM隱含層，各隱含層內神經元個數由BR法優(yōu)化確定；預測模型采用BP-PSO算法進行微調。

3 訓練BR-PSO-DBN預測模型

在截割載荷預測之前，對BR-PSO-DBN預測模型進行訓練。

(1)數據處理。從實驗數據中提取輸入樣本并構建樣本空間，劃分訓練樣本和測試樣本。樣本空間根據3種不同工況分為3個部分，分別在各區(qū)域內中截取10 000個樣本數據。歸一化處理樣本數據，加快程序的運行，公式為

x*=(x-xmin)/(xmax-xmin)

(12)

式中，xmin為樣本數據最小值；xmax為樣本數據最大值。

(2)數據融合。輸入層xi通過2層RBM和1層反饋層進行數據融合，RBM作為一種生成式隨機神經網絡，其聯合狀態(tài)的能量函數為

(13)

式中，I、J分別為顯性神經元和隱性神經元的個數。

RBM中隱層C1或C2中的神經元hj被激活的概率為

(14)

判斷神經元hj是否被激活的公式為

(15)

式中，u服從0～1均勻分布，即u～U(0,1)。

RBM為雙向連接，則重構時隱層神經元激活顯層神經元的概率為

(16)

對反饋層采用BP算法，輸出神經元表達式為

(17)

其權重表達式為

wji(t+1)=wji(t)+ηδpjopj

(18)

式中，η為微調學習速率；δpj為網絡預測誤差；opj為神經元的輸出信號。

(3)無監(jiān)督學習。通過貝葉斯法優(yōu)化每層RBM的規(guī)模，固定隱元個數，確定超參數α、β和初始權值。預訓練階段學習速率采用常用值0.1，每個RBM迭代200次。

(4)有監(jiān)督學習。輸入標簽數據通過PSO算法優(yōu)化的BP神經網絡微調,確定最優(yōu)權值，微調學習速率η同樣設置為0.1，最后保存訓練好的網絡模型參數。具體流程見圖5。

圖5 BR-PSO-DBN具體流程圖Fig.5 BR-PSO-DBN specific flow chart

4 截割載荷測試實驗

實驗數據來源于中煤張家口煤礦機械裝備實驗室，模擬井下實際工況進行采煤機截割載荷實驗測試，實驗系統(tǒng)的組成如圖6所示。

圖6 實驗系統(tǒng)Fig.6 Experimental system

實驗系統(tǒng)通過在螺旋滾筒下方安裝無線發(fā)射模塊采集截齒傳感器數據，在搖臂采空側安裝無線發(fā)射模塊對惰輪軸傳感器、搖臂應變等數據進行采集和無線傳輸，最后匯總顯示到PC端。

根據截煤經驗，采煤機搖臂割頂煤時比采煤機搖臂割底煤時更易發(fā)生應變集中而造成搖臂損傷，并且隨搖臂擺角增大而顯著，因此實驗中，左截割部在搖臂最大擺角35°條件下，分別測試采煤機空載、斜切進刀和正常截割三種工況下不同速度時的受力。在采煤機空載階段牽引速度設為2 m/min，檢查采煤機行走過程中各傳感數據傳輸情況；當采煤機行至26號架后以3 m/min行駛，進入斜切進刀截割過程；當采煤機行至16號架時，進入到正常截割階段，采煤機以3 m/min繼續(xù)截割至煤壁最左側停止，實驗經28 min結束，樣本數據采集完畢。測試時三機狀態(tài)如圖7所示，測試過程嚴格按照采煤機在煤礦井下的截割工藝運作。

圖7 實驗測試三機狀態(tài)Fig.7 Status of 3 experimental machines

數據處理后，由樣本數據中提取的100個測試實驗數據點所構成的連接架銷軸輸入樣本曲線(8組)、惰輪軸輸入樣本曲線(2組)、搖臂應變輸入樣本曲線(12組)分別如圖8～圖10所示。

圖9 惰輪軸Y向和Z向輸入樣本Fig.9 Y and Z input samples of idler wheels

圖10 搖臂應變輸入樣本Fig.10 Rocker strain input sample

5 數據對比分析

首先將測試樣本輸入到BR-PSO-DBN預測模型中，然后經過數據融合處理，最后輸出對應數據點的滾筒三向載荷和滾筒扭矩特征數據。將截齒傳感器實際測得的截割載荷數據與采煤機滾筒截割載荷預測模型得到的預測載荷數據進行對比分析，通過載荷預測的精度來驗證BR-PSO-DBN模型的準確性。觀察圖11中滾筒載荷預測值與實測值曲線可知：預測曲線與實測曲線的變化規(guī)律較為相似，曲線中峰值點的位置是一一對應的，說明預測結果能夠準確地反映滾筒實際載荷變化特征。

圖11 實測曲線與預測曲線對比 Fig.11 Comparison of measured and predicted curves

對實驗數據與預測數據作進一步處理，得到預測與實測數據如表1所示，將截割載荷的BR-PSO-DBN預測值和實驗值從平均值、最大值、最小值和標準偏差4個方面進行比較：在X向和Y向上的滾筒截割載荷以及滾筒扭矩的預測值略小于實際測試值，在Z向的截割載荷預測值略大于實際測量值。4個載荷測試結果的相關系數分別為0.8370、0.8926、0.8765和0.9455，均在0.83以上，其中滾筒扭矩預測值與實際測試值的近似程度最高，達到了95%，說明BR-PSO-DBN預測模型可以準確地預測滾筒的截割扭矩，在X、Y和Z向上的截割載荷誤差相對較大，但預測值與實驗值之間的相似度超過83%，證實了該預測值具有較高精度，BR-PSO-DBN模型預測截割載荷的方法具有可行性。

表1 預測與實測數據誤差對比分析

6 結論

(1)本文采用BR-PSO-DBN模型從多傳感器數據中抽取狀態(tài)特征信息融合，實現截割載荷的預測與辨識，解決了單一傳感器監(jiān)測效能低和截割載荷預測精度低的問題。

(2)以深度信念網絡為框架，在無監(jiān)督學習和有監(jiān)督學習階段分別引入貝葉斯正則化和改進的粒子群算法對傳統(tǒng)深度信念網絡結構進行優(yōu)化，建立了BR-PSO-DBN截割載荷預測模型。

(3)通過實驗系統(tǒng)測試得到惰輪軸載荷數據、連接架銷軸載荷數據、搖臂應變數據，歸一化處理后創(chuàng)建訓練樣本和測試樣本，并導入訓練樣本，獲得最優(yōu)的網絡參數，完成了BR-PSO-DBN模型的訓練。

(4)輸入以22個變量的100組數據組成的測試樣本，輸出滾筒截割載荷和扭矩的預測數據，將預測曲線與現場實驗系統(tǒng)實測曲線進行比對，兩組曲線變化趨勢基本相同，對應峰值基本一致。

(5)數據處理后，將兩種結果的相關系數進行對比。BR-PSO-DBN預測模型對截割載荷預測精度達到了83%以上，其中滾筒扭矩預測精度最高，達到了95%，進一步驗證了截割載荷預測具有很高精度，預測方法能夠應用到實際生產中對采煤機滾筒載荷進行識別，提高采煤機截割煤巖安全狀態(tài)感知力。