曹慶春， 劉 帥， 王懷震， 蔡冬雷， 孟 超

(1.遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院,遼寧 葫蘆島 125105；2.臨沂正信工程勘察設(shè)計(jì)有限公司,山東 臨沂 276000)

?

基于漸變信號(hào)的HHT-PCA-MRVM煤巖辨識(shí)算法*

曹慶春1， 劉 帥1， 王懷震1， 蔡冬雷1， 孟 超2

(1.遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院,遼寧 葫蘆島 125105；2.臨沂正信工程勘察設(shè)計(jì)有限公司,山東 臨沂 276000)

針對(duì)井下無人、自動(dòng)作業(yè)的新型采煤戰(zhàn)略目標(biāo)，提出了對(duì)于截割電機(jī)輸入電流信號(hào)漸變的分析，通過Hilbert變換—主成分分析—多分類相關(guān)向量機(jī)(HHT-PCA-MRVM)對(duì)煤巖進(jìn)行識(shí)別，從而滿足復(fù)雜的開采需求。在煤礦開采實(shí)驗(yàn)平臺(tái)上進(jìn)行了良好的實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)證明：通過對(duì)傳感器采集傳輸?shù)碾娏鳚u變信號(hào)分析，在煤巖突變時(shí)其值波動(dòng)較為明顯，能夠很好地為MRVM煤巖識(shí)別提供分類界限，煤巖識(shí)別率為95 %，對(duì)于綜采自動(dòng)化有較好的作用。

采煤機(jī)； 煤巖識(shí)別； 多分類相關(guān)向量機(jī)； Hilbert變換算法； 主成分分析算法

0 引 言

目前，井下煤巖識(shí)別主要根據(jù)工作人員經(jīng)驗(yàn)判斷，但作業(yè)環(huán)境惡劣、危險(xiǎn)指數(shù)高，提高智能化煤巖識(shí)別對(duì)井下開采至關(guān)重要。

對(duì)于煤巖辨識(shí)的研究國(guó)內(nèi)外頗為廣泛。文獻(xiàn)[1]通過采集采煤機(jī)搖臂受力信號(hào)分析進(jìn)行煤巖識(shí)別，但信號(hào)對(duì)干擾敏感。文獻(xiàn)[2]采用超聲回波信號(hào)進(jìn)行分析，但對(duì)窗函數(shù)的依賴性較大。文獻(xiàn)[3]通過支持向量機(jī)算法對(duì)煤巖圖像進(jìn)行處理識(shí)別，但忽略了井下灰塵對(duì)圖形的干擾。文獻(xiàn)[4]通過高斯混合聚類算法進(jìn)行煤巖識(shí)別，然而需要大量的傳感器投入進(jìn)行數(shù)據(jù)采集，誤差較大。文獻(xiàn)[5]基于小波域統(tǒng)計(jì)建模進(jìn)行煤巖辨識(shí)，但是準(zhǔn)確率較低。文獻(xiàn)[6]對(duì)采煤機(jī)系統(tǒng)進(jìn)行設(shè)計(jì)，但采用傳統(tǒng)記憶切割方法，由于需要提前獲取截割路徑，然后根據(jù)路徑進(jìn)行開采，不利于多變復(fù)雜的煤巖。

針對(duì)以上問題，提出了基于截割電機(jī)輸入電流漸變的Hilbert變換—主成分分析—多分類相關(guān)向量機(jī)(HHT-PCA-MRVM)煤巖辨識(shí)算法。

1 輸入側(cè)電流漸變信號(hào)獲取

針對(duì)截割電機(jī)用轉(zhuǎn)子磁鏈定向控制[7]。轉(zhuǎn)子磁鏈方程為

(1)

定子磁鏈方程為

(2)

根據(jù)電流環(huán)PI輸出計(jì)算磁鏈為

(3)

可見定子電流對(duì)輸出端調(diào)制電壓的決定作用，定子電流矢量圖如圖1所示。

圖1 定子電流矢量

由此可知

(4)

(5)

由三角函數(shù)可知

(6)

當(dāng)Δθ=θ-θ′→0，進(jìn)行泰勒展開得

(7)

(8)

當(dāng)采煤機(jī)切割同一煤質(zhì)時(shí)，由于采用閉環(huán)控制相對(duì)穩(wěn)定，此時(shí)

(9)

當(dāng)出現(xiàn)切割煤巖硬度變化較大時(shí)，就會(huì)出現(xiàn)較大漸變電流信號(hào)

(10)

通過傳感器采集電機(jī)電壓電流信號(hào)進(jìn)行分析，將輸出側(cè)電流漸變信號(hào)εi通過總線傳輸至上位機(jī)部分，進(jìn)行煤巖識(shí)別。

2 基于HHT-PCA-MRVM的煤巖辨識(shí)算法

HHT主要由經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)和Hilbert變換構(gòu)成[8]。設(shè)原始信號(hào)x(t)，得到IMF向量有如下步驟：

1)求取x(t)極大值點(diǎn)集合x1(t)，以及x(t)極小值點(diǎn)x2(t)如下

(11)

2)求去除均值的剩余信號(hào)

h1(t)=x(t)-m(t)

(12)

若h1(t)不滿足IMF函數(shù)的條件，則將h1(t)重新作為“原始信號(hào)”，重復(fù)以上至h1(t)成為IMF1，記c1(t)如下

IMF1=c1(t)=h1(t)

(13)

3)將c1(t)從原信號(hào)x(t)中篩分出來，得到信號(hào)的剩余項(xiàng)r1(t)=x(t)-c1(t)。

4)將r1(t)作為新的“原始”信號(hào)，重復(fù)操作步驟(1)～步驟(3)，依次可以得到IMF2～I(xiàn)MFn，記作c1(t)，…，cn(t)。

(14)

當(dāng)cn(t)或rn(t)滿足給定的終止條件時(shí)，篩分停止，最終得到rn(t)為原始信號(hào)的剩余序列，則原始信號(hào)x(t)的表達(dá)形式為

(15)

最后一個(gè)IMF分量cn(t)或剩余項(xiàng)rn(t)，變得較預(yù)期值小時(shí)便停止分解。

對(duì)IMF數(shù)據(jù)進(jìn)行PCA，標(biāo)準(zhǔn)化處理得

X=(xij)m×p

(16)

計(jì)算協(xié)方差矩陣為

(17)

根據(jù)|λE-R|=0求出λ1。

主成份IMFi的貢獻(xiàn)率

(18)

累計(jì)貢獻(xiàn)率

(19)

累計(jì)貢獻(xiàn)率達(dá)90 %的特征值λ1,λ2和λ3等所對(duì)應(yīng)的1，2，…，m(m≤p)，其中，m即為主成分的個(gè)數(shù)[9]。

輸出函數(shù)為

(20)

概率分布函數(shù)為

(21)

M分類樣本集似然函數(shù)為

(22)

先驗(yàn)分布概率為

(23)

根據(jù)p(t|ω)的樣本空間函數(shù)值將ti歸屬到所在類別。實(shí)驗(yàn)將煤巖識(shí)別類別分為3類。煤巖分層由軟煤、硬煤和巖石3種類別模型構(gòu)成，分別采用3維列向量(0，0，1)T, (0，1，0)T, (1，0，0)T作為上述3種狀態(tài)的類別標(biāo)簽。通過多項(xiàng)概率似然函數(shù)，實(shí)現(xiàn)多分類和輸出類別成員概率。

3 實(shí)驗(yàn)驗(yàn)證及其分析

基于上述理論，在開灤(集團(tuán))有限責(zé)任公司錢家營(yíng)礦業(yè)分公司的采煤機(jī)樣機(jī)平臺(tái)進(jìn)行實(shí)驗(yàn)。將實(shí)驗(yàn)環(huán)境進(jìn)行改造分為四個(gè)區(qū)域Ⅰ,Ⅱ,Ⅲ和Ⅳ。前三個(gè)區(qū)域?qū)?yīng)煤層硬度不同的相同材質(zhì)的煤與巖，Ⅳ則構(gòu)造成煤層硬度變化起伏較大的交替式煤巖結(jié)構(gòu)，具體各區(qū)含義如表1。

表1 煤層劃分

首先，使采煤機(jī)正常啟動(dòng)進(jìn)入工作模式，然后，對(duì)輸出端電流信號(hào)進(jìn)行采集，如圖2(a)為啟動(dòng)過程狀態(tài)，圖2(b)所示為截割電機(jī)對(duì)Ⅳ區(qū)工作時(shí)傳輸回來的漸變信號(hào)。

圖2 實(shí)驗(yàn)波形

由圖2可知，電機(jī)輸入信號(hào)穩(wěn)定，對(duì)于一般的外界干擾能有抗性，當(dāng)對(duì)于硬度變化很大時(shí)，其漸變電流波動(dòng)性較為明顯。對(duì)采集到的信號(hào)，進(jìn)行HHT-PCA。如圖3所示為Ⅳ區(qū)交替界面某一段時(shí)間(取參考點(diǎn)后6 s內(nèi))的漸變電流信號(hào)HHT分解的IMF圖。

圖3 IV區(qū)交替煤巖電流信號(hào)IMF1～I(xiàn)MF5

對(duì)所得出的各IMF進(jìn)行PCA，表2列出了PCA處理下的協(xié)方差矩陣的特征值及方差貢獻(xiàn)率?？芍?前2個(gè)主成份的累計(jì)貢獻(xiàn)率已達(dá)93.8 %，從第3個(gè)主成份開始，貢獻(xiàn)率變化率逐漸減變小。因此，取前2個(gè)主成份，將5個(gè)指標(biāo)變?yōu)?個(gè)指標(biāo)，可以很好地反映絕大部分變量信息。

將IMF1與IMF2作為煤巖識(shí)別參數(shù)帶入MRVM。電流漸變?cè)冖瘢?，Ⅲ都很平緩，所?在各自區(qū)域都能較容易辨識(shí)，重點(diǎn)對(duì)Ⅳ區(qū)進(jìn)行分析。

表2 特征值與貢獻(xiàn)率

將Ⅳ區(qū)每隔3 m隨機(jī)構(gòu)造材質(zhì)均勻的不同硬度煤巖，標(biāo)定30個(gè)連續(xù)位置所對(duì)應(yīng)的煤巖類型，經(jīng)過MRVM與之對(duì)應(yīng)的預(yù)測(cè)類型。表3所列其中所選20個(gè)位置，從中可以看出:除了標(biāo)簽16外其他都能與實(shí)際對(duì)應(yīng)，本次取樣實(shí)驗(yàn)中，算法辨識(shí)率為95 %。

表3 基于HHT-PCA-MRVM實(shí)驗(yàn)預(yù)測(cè)

4 結(jié) 論

1)通過傳感器對(duì)采煤機(jī)電信號(hào)采集，分析計(jì)算出漸變電流信號(hào)，傳輸給上位機(jī)數(shù)據(jù)存儲(chǔ)，對(duì)煤巖界面突變有相應(yīng)的反映。

2)HHT-PCA-MRVM算法進(jìn)行識(shí)別分析煤巖類型，能夠很好地對(duì)漸變信號(hào)進(jìn)行處理，可以有效地識(shí)別煤巖類別。

[1] 田立勇，毛 君，王啟銘.基于采煤機(jī)搖臂惰輪軸受力分析的綜合煤巖識(shí)別方法[J].煤炭學(xué)報(bào)，2016，41(3):782-784.

[2] 李 力，魏 偉，唐汝琪.基于改進(jìn)S變換的煤巖界面超聲反射信號(hào)處理[J].煤炭學(xué)報(bào)，2015，40(11):2580-2585.

[3] 孫繼平，佘 杰.基于支持向量機(jī)的煤巖圖像特征抽取與分類識(shí)別[J].煤炭學(xué)報(bào)，2013，38(2):508-509.

[4] 黃韶杰，劉建功.基于高斯混合聚類的煤巖識(shí)別技術(shù)研究[J].煤炭學(xué)報(bào)，2015，40(S2):577-582.

[5] 孫繼平，陳 洪.基于小波域非對(duì)稱廣義高斯模型的煤巖識(shí)別算法[J].煤炭學(xué)報(bào)，2015，4(S2):569-575.

[6] 李曉豁，李 婷，焦 麗，等.滾筒采煤機(jī)截割載荷的模擬系統(tǒng)開發(fā)及其模擬[J].煤炭學(xué)報(bào)，2016，41(2):503-506.

[7] 李 瀛，胡立坤，梁冰紅采用MRAS速度觀測(cè)器的異步電機(jī)無電壓傳感器DTC研究[J].傳感器與微系統(tǒng)，2015，34(6):61-63.

[8] 劉玉龍，李曉林.HHT在動(dòng)態(tài)稱重傳感器處理非線性信號(hào)中的應(yīng)用[J].傳感器與微系統(tǒng)，2015，34(7):158-160.

[9] 劉相彪，李 勇，陳振茂，等.脈沖遠(yuǎn)場(chǎng)渦流檢測(cè)PCA-ICA聯(lián)合消噪技術(shù)[J].傳感器與微系統(tǒng)，2015，34(1):69-72.

[10] 金 鑫，胡 平.無線傳感器網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)模型[J].傳感器與微系統(tǒng)，2016，35(5):46-48.

[11] 易 輝，梅 磊，李麗娟，等.基于多分類相關(guān)向量機(jī)的水電機(jī)組振動(dòng)故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào)，2014，37(17):2844-2849.

[12] 律方成，金 虎，王子建，等.基于主成分分析和多分類相關(guān)向量機(jī)的GIS局部放電模式識(shí)別[J].電工技術(shù)學(xué)報(bào)，2015，30(6):227-229.

HHT-PCA-MRVM coal and rock identification algorithm based on gradient signal*

CAO Qing-chun1， LIU Shuai1， WANG Huai-zhen1， CAI Dong-lei1， MENG Chao2

(1.Faculty of Electrical&Control Engineering,Liaoning Technical University,Huludao 125105,China;2.Linyi IS Engineering Survey and Design Co Ltd,Linyi 276000,China)

Aiming at new coal strategic target of undermine unmanned, automatic operation,put forward gradient analysis on cutting motor input current signal, identify coal and rock through HHT-PCA-MRVM to meet the demand of complex extraction.Coal mining test is carried out on experimental platform.Experimental results show that through analysis on current gradient signal of sensor collection and transmission,its value of fluctuation is relatively obvious,while mutations occur in coal and rock, it is able to provide MRVM classification for coal and rock identification, recognition rate is 95 %,it has good effect on fully mechanized automation.

shearer; coal and rock identification; MRVM ;HHT algorithm; PCA algorithm

10.13873/J.1000—9787(2017)08—0138—03

2016—08—11

國(guó)家自然科學(xué)基金資助項(xiàng)目(51274118)

TP 202

A

1000—9787(2017)08—0138—03

曹慶春(1992-)，男，碩士研究生，主要研究方向?yàn)闄z測(cè)與控制、電力系統(tǒng)故障診斷、電力電子與電力傳動(dòng)等。