基于振動(dòng)信號(hào)的采煤機(jī)煤巖截割狀態(tài)識(shí)別

李福濤，王忠賓，司 壘，譚 超，梁 斌，2

(1.中國(guó)礦業(yè)大學(xué) 機(jī)電工程學(xué)院，江蘇 徐州 221116；2.中國(guó)礦業(yè)大學(xué) 徐海學(xué)院，江蘇 徐州 221116)

采煤機(jī)作為煤礦井下關(guān)鍵設(shè)備之一，其智能化水平直接決定能否實(shí)現(xiàn)綜采工作面的“無(wú)人化”，而實(shí)現(xiàn)“無(wú)人化”綜采工作面的關(guān)鍵技術(shù)之一就是采煤機(jī)的截割狀態(tài)識(shí)別[1]。目前綜采工作面還不能通過(guò)識(shí)別采煤機(jī)的截割狀態(tài)，實(shí)現(xiàn)完全“無(wú)人化”的采煤機(jī)自適應(yīng)調(diào)高。準(zhǔn)確識(shí)別出采煤機(jī)的截割狀態(tài)，既可以提高煤的開(kāi)采率，又可以保護(hù)設(shè)備不受磨損，同時(shí)減少井下人員數(shù)量及工人[2]。因此實(shí)現(xiàn)采煤機(jī)煤巖截割狀態(tài)識(shí)別，對(duì)實(shí)現(xiàn)綜采工作面的“無(wú)人化”，采煤機(jī)的高效安全生產(chǎn)具有重要意義[3]。

因?yàn)榫碌奶厥猸h(huán)境，采集到的搖臂振動(dòng)信號(hào)都是非平穩(wěn)的信號(hào)，因此信號(hào)的特征提取直接影響著煤巖截割狀態(tài)識(shí)別的準(zhǔn)確率[4，5]。針對(duì)此類信號(hào)的特征提取，小波變換[6]、集合經(jīng)驗(yàn)?zāi)B(tài)分解[7]和小波包[8]等方法被廣泛應(yīng)用。因小波包對(duì)信號(hào)的高頻和低頻同時(shí)分解，其分辨率更高[9]。針對(duì)小波包能量、小波熵等傳統(tǒng)特征提取方法特征值區(qū)別不明顯的問(wèn)題，提出了小波包頻帶方差的特征提取[10]。學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，對(duì)于輸入的向量，不需要再進(jìn)行其他步驟的處理，簡(jiǎn)單易行，因此在模式識(shí)別領(lǐng)域有著廣泛的應(yīng)用[11]。

本文提出了基于小波包分解和LVQ神經(jīng)網(wǎng)絡(luò)的煤巖截割狀態(tài)識(shí)別方法。首先對(duì)采集的信號(hào)進(jìn)行小波包分解，計(jì)算分解后的各頻帶的方差，并將其作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)煤巖截割狀態(tài)識(shí)別，通過(guò)實(shí)驗(yàn)驗(yàn)證了此方法的可行性。

1 采煤機(jī)搖臂振動(dòng)信號(hào)特征提取

1.1 小波包理論

小波包變換與小波變換不同，小波包變換將信號(hào)頻率分解范圍擴(kuò)大，對(duì)原始信號(hào)的高頻部進(jìn)行了分解，解決了小波變換導(dǎo)致的高、低頻率的分辨率不同的問(wèn)題[12，13]。小波包的分解過(guò)程如圖1所示。

其具體定義為：

μn(x)，n=2l或n=2l+1，l=0，1，…，稱為關(guān)于正交基函數(shù)μ0(x)=φx的小波包，μ1(x)=φx。

式中，μ0(x)定義為尺度函數(shù)φx；μ1(x)是小波基函數(shù)；φx是由標(biāo)準(zhǔn)正交化的多尺度生成元φx導(dǎo)出的函數(shù)[14]。

1.2 特征提取

當(dāng)采煤機(jī)截割不同類型的煤巖時(shí)，采煤機(jī)搖臂所受的外部激勵(lì)也不同，這就導(dǎo)致采煤機(jī)搖臂的振動(dòng)信號(hào)不同，經(jīng)小波包分解后，子頻帶存在很大的差異[15]，方差是每個(gè)子頻帶信號(hào)中小波包系數(shù)和此頻帶中小波包系數(shù)的均值之差的平方和的平均。它既包含了各頻帶的能量特征，又可以表示信號(hào)的偏離程度。因此方差信號(hào)作為特征值效果會(huì)更好。本文將采煤機(jī)搖臂的振動(dòng)信號(hào)進(jìn)行了小波包分解，分解層數(shù)為3，經(jīng)實(shí)驗(yàn)分析，確定小波基為“db8”。通過(guò)此方法得到小波包分解系數(shù)，按照式(3)計(jì)算出其方差，并以此作為特征向量。

2 學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)

LVQ神經(jīng)網(wǎng)絡(luò)是一種輸入前向神經(jīng)網(wǎng)絡(luò)，從競(jìng)爭(zhēng)算法演化而來(lái)。它用于訓(xùn)練競(jìng)爭(zhēng)層，而且是有監(jiān)督學(xué)習(xí)方法。構(gòu)造單一是LVQ神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)。其由輸入層、競(jìng)爭(zhēng)層和線性輸出層構(gòu)成[16，17]。LVQ神經(jīng)網(wǎng)絡(luò)的基本步驟：

1)初始化輸入層與競(jìng)爭(zhēng)層之間的權(quán)值ωij及學(xué)習(xí)率η(η>0)。

2)將輸入向量送入到輸入層，并計(jì)算競(jìng)爭(zhēng)層神經(jīng)元與輸入向量的距離：

式中，ωij為輸入層神經(jīng)元j與競(jìng)爭(zhēng)層神經(jīng)元i之間的權(quán)值；i=1，2，…，S1；S1為競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)。

3)選擇與輸入向量距離最小的競(jìng)爭(zhēng)層神經(jīng)元，若di最小，則記與之連接的線性輸出層神經(jīng)元的類標(biāo)簽為Ci。

4)記輸入向量對(duì)應(yīng)的標(biāo)簽為Cx，若Ci=Cx，則用如下方法調(diào)整權(quán)值：

ωij_new=ωij_old+η(x-ωij_old)

(5)

否則，按如下方法進(jìn)行權(quán)值更新：

ωij_new=ωij_old-η(x-ωij_old)

(6)

3 實(shí)驗(yàn)平臺(tái)搭建與實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)平臺(tái)搭建

為了驗(yàn)證本文提出的基于振動(dòng)信號(hào)的采煤機(jī)截割狀態(tài)識(shí)別方法的可行性，在中國(guó)礦業(yè)大學(xué)的礦山智能采掘裝備省部共建協(xié)同創(chuàng)新中心搭建了采煤機(jī)煤巖截割實(shí)驗(yàn)平臺(tái)，并進(jìn)行了實(shí)驗(yàn)，通過(guò)此實(shí)驗(yàn)平臺(tái)獲取采煤機(jī)搖臂的振動(dòng)信號(hào)，以此來(lái)驗(yàn)證本文所提的基于小波包分解和LVQ神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法在煤巖截割模式識(shí)別中的可靠性。

本次實(shí)驗(yàn)搭建的采煤機(jī)煤巖截割實(shí)驗(yàn)平臺(tái)如圖2所示，主要包括煤巖截割系統(tǒng)和數(shù)據(jù)采集系統(tǒng)。煤巖截割系統(tǒng)由采煤機(jī)、截割式樣和固定臺(tái)架等組成；數(shù)據(jù)采集系統(tǒng)主要包括振動(dòng)傳感器和工控計(jì)算機(jī)。

圖2 煤巖截割實(shí)驗(yàn)平臺(tái)

此次實(shí)驗(yàn)采煤機(jī)型號(hào)為MG150/345-WDK。振動(dòng)信號(hào)采集傳感器型號(hào)為AKE390B電壓型加速度計(jì)。將傳感器安裝在面朝截割試樣的搖臂的右側(cè)上。

此次截割試樣是將水泥、煤和沙子按照不同的比例混合得到，主要有兩種不同的截割材料，如圖3所示，其中，試樣Ⅰ材料配比為：水泥、細(xì)沙和煤的重量按照1∶1∶1混合而成；試樣Ⅱ配比為水泥、細(xì)沙和煤的重量按照1∶1∶2混合而成。

圖3 截割試樣

此次實(shí)驗(yàn)對(duì)采煤機(jī)截割試樣Ⅰ、截割試樣Ⅱ和采煤機(jī)空載3種采煤機(jī)煤巖截割狀態(tài)進(jìn)行了實(shí)驗(yàn)，通過(guò)AKE390B電壓型加速度計(jì)采集到這三種煤巖截割狀態(tài)下的采煤機(jī)搖臂振動(dòng)信號(hào)。在此次實(shí)驗(yàn)過(guò)程中，振動(dòng)信號(hào)的采集頻率為4000Hz，對(duì)3種煤巖截割狀態(tài)分別采集了60組數(shù)據(jù)，每一組信號(hào)都包含2000個(gè)數(shù)據(jù)點(diǎn)，共得到180組數(shù)據(jù)。

3.2 實(shí)驗(yàn)分析

隨機(jī)選擇的3種煤巖截割狀態(tài)信號(hào)的時(shí)域波形如圖4所示。分析可知，由三類信號(hào)的原始波形很難直接判斷煤巖截割狀態(tài)，因此必須進(jìn)一步分析信號(hào)，提取特征向量。

圖4 不同煤巖截割狀態(tài)下的時(shí)域振動(dòng)信號(hào)

根據(jù)第1.1節(jié)提出的方法，對(duì)振動(dòng)信號(hào)進(jìn)行3層小波包分解，從圖5可以看出采煤機(jī)空載時(shí)的振動(dòng)信號(hào)被分解到8個(gè)頻段上。采用第1.2節(jié)敘述的方法，將采煤機(jī)搖臂振動(dòng)信號(hào)進(jìn)行小波包分解，計(jì)算出最后一層子頻帶的方差，3種不同振動(dòng)信號(hào)的子頻帶方差見(jiàn)表1，通過(guò)分析表1可知：最后一層子頻帶的方差，其變化趨勢(shì)明顯不同，根據(jù)這一特征可以實(shí)現(xiàn)煤巖截割模式的識(shí)別。

圖5 采煤機(jī)空載振動(dòng)信號(hào)的第3層小波包分解

定義采煤機(jī)空載、截割試樣I、截割試樣II的分類標(biāo)簽依次是1、2和3。將所有采集到的數(shù)據(jù)均按此方法處理，即可得到所需要的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。特征向量的部分?jǐn)?shù)據(jù)見(jiàn)表1。

表1 特征向量部分?jǐn)?shù)據(jù)

將采集到的180組煤巖截割狀態(tài)數(shù)據(jù)作為特征向量輸入到LVQ神經(jīng)網(wǎng)絡(luò)，隨機(jī)選取140組數(shù)據(jù)作為訓(xùn)練集，剩余的40組作為測(cè)試集進(jìn)行模式識(shí)別，從而訓(xùn)練LVQ神經(jīng)網(wǎng)絡(luò)，分別對(duì)采煤機(jī)截割試樣I、截割試樣II和采煤機(jī)空載3種截割模式進(jìn)行識(shí)別。如圖6所示為某一次隨機(jī)選擇40組數(shù)據(jù)的測(cè)試結(jié)果，3種采煤機(jī)煤巖截割模式識(shí)別的結(jié)果達(dá)到100%。分類效果十分理想，因此可以將其應(yīng)用在采煤機(jī)煤巖截割模式識(shí)別。

圖6 LVQ神經(jīng)網(wǎng)絡(luò)分類結(jié)果

為了說(shuō)明LVQ神經(jīng)網(wǎng)絡(luò)在采煤機(jī)截割狀態(tài)識(shí)別中的穩(wěn)定性及發(fā)展前景，將采用本方法得到的結(jié)果與采用BP神經(jīng)網(wǎng)絡(luò)和SVM兩種方法得到的結(jié)果進(jìn)行對(duì)比分析。每種模式識(shí)別方法的振動(dòng)信號(hào)的預(yù)處理方式完全相同，全部以子頻帶的方差作為特征向量，隨機(jī)選取10次，每次隨機(jī)選取40組3種截割模式的數(shù)據(jù)，進(jìn)行分類識(shí)別，并計(jì)算出每種模式識(shí)別方法下3種截割狀態(tài)識(shí)別的準(zhǔn)確率的平均值，三種模式識(shí)別方法的識(shí)別結(jié)果如圖7—圖9所示。

圖7 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果統(tǒng)計(jì)

圖8 SVM分類結(jié)果統(tǒng)計(jì)

圖9 LVQ神經(jīng)網(wǎng)絡(luò)分類結(jié)果統(tǒng)計(jì)

從圖7可以看出采用BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，對(duì)于截割試樣Ⅰ和截割試樣Ⅱ識(shí)別效果很好，經(jīng)計(jì)算10次結(jié)果識(shí)別準(zhǔn)確率均值分別達(dá)到97.00%、93.44%。但是采煤機(jī)空載狀態(tài)時(shí)識(shí)別的準(zhǔn)確率主要集中在65%～90%之間，10次結(jié)果的均值為83.967%，識(shí)別結(jié)果不是很理想。

從圖8可以看出采用支持向量機(jī)(SVM)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，對(duì)采煤機(jī)空載和截割試樣I兩種狀態(tài)的識(shí)別準(zhǔn)確率很高，均在95%以上，且很穩(wěn)定。但是對(duì)于截割試樣II時(shí)的識(shí)別效果很不理想，識(shí)別準(zhǔn)確率主要在40%～80%，經(jīng)計(jì)算，10次結(jié)果的均值為53.67%。

利用LVQ神經(jīng)網(wǎng)絡(luò)的10次分類結(jié)果如圖9所示，從中可以看出對(duì)于采煤機(jī)空載狀態(tài)和截割試樣I時(shí)的識(shí)別效果很好，其識(shí)別準(zhǔn)確率接近100%。雖然截割試樣II時(shí)的識(shí)別的準(zhǔn)確率變化很大，但大都集中在90%以上，且經(jīng)計(jì)算，10次結(jié)果的均值為95.32%，對(duì)于三種截割狀態(tài)識(shí)別的準(zhǔn)確率均達(dá)到了95%以上，分類效果良好且十分穩(wěn)定，因此LVQ神經(jīng)網(wǎng)絡(luò)在采煤機(jī)截割狀態(tài)識(shí)別中具有良好的發(fā)展前景。

4 結(jié) 論

1)針對(duì)采煤機(jī)煤巖截割過(guò)程中搖臂的振動(dòng)信號(hào)的非平穩(wěn)性，提出了基于小波包的信號(hào)分解和基于子頻帶方差特征提取方法。

2)根據(jù)采集的采煤機(jī)搖臂振動(dòng)信號(hào)子頻帶方差特征提取結(jié)果，驗(yàn)證了基于子頻帶的方差能夠很好的反應(yīng)出3種煤巖截割模式振動(dòng)信號(hào)不同，能夠作為煤巖截割模式識(shí)別的特征值。

3)對(duì)采集的3種典型截割模式下的采煤機(jī)搖臂振動(dòng)信號(hào)進(jìn)行小波包分解，并提取搖臂振動(dòng)信號(hào)的子頻帶方差作為特征向量輸入LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，識(shí)別的效果較好，對(duì)實(shí)現(xiàn)綜采工作面采煤機(jī)搖臂調(diào)節(jié)具有重要意義。