梁 斌，劉 澤，牛延博

(1.中國礦業(yè)大學(xué) 徐海學(xué)院，江蘇 徐州 221008；2.中國礦業(yè)大學(xué) 機(jī)電工程學(xué)院，江蘇 徐州 221116)

2020年2月，國家發(fā)改委、國家能源局等8部委聯(lián)合發(fā)布了《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》，該指導(dǎo)意見明確提出：到2021年，基本實現(xiàn)綜采工作面內(nèi)少人或無人操作。采煤機(jī)作為煤炭綜合機(jī)械化開采的關(guān)鍵設(shè)備，對于煤礦的安全高效生產(chǎn)具有重要意義，其智能化程度是綜采工作面實現(xiàn)“少人化”或者“無人化”的重要因素。而提高采煤機(jī)智能化的關(guān)鍵因素之一就是實現(xiàn)采煤機(jī)截割模式的精準(zhǔn)識別[1]。

目前，學(xué)者們對于采煤機(jī)截割模式識別的方法進(jìn)行了一定的研究。劉譯文等[2]利用采煤機(jī)截割前后煤壁溫度的變化，建立了基于BP神經(jīng)網(wǎng)絡(luò)的采煤機(jī)截割模式識別模型；Asfahani等[3]提出利用γ射線進(jìn)行煤巖界面的識別，從而判斷采煤機(jī)滾筒截割模式的方法。但是，由于井下環(huán)境惡劣，地質(zhì)結(jié)構(gòu)復(fù)雜，紅外溫度傳感和γ射線識別狀況不佳，于是通過采煤機(jī)自身某些狀態(tài)參數(shù)的變化間接判斷其截割模式：馬正蘭等[4]依 據(jù)采煤機(jī)的截割載荷間接識別截割阻抗，繼而判斷采煤機(jī)截割狀態(tài)；陳晨[5]、張?zhí)熨n[6]、徐志鵬[7]、閆忠良[8]等利用采煤機(jī)相關(guān)電流數(shù)據(jù)，結(jié)合小波分解提取特征值，分析載荷來判斷采煤機(jī)截割模式；許靜[9]、張啟志[10]、蔣干[11]等通過對采煤機(jī)的截割聲音信號和搖臂振動信號進(jìn)行處理分析來獲取采煤機(jī)對應(yīng)截割模式的特征。但是由于滾筒截齒空間分布的復(fù)雜性，使得在不同時間尺度下，搖臂振動信號的特性大相徑庭。因此，上述學(xué)者所建立的基于單尺度特征信號的采煤機(jī)截割模式判別方式存在一定的局限性。

在采煤機(jī)截割的過程中，由于地質(zhì)構(gòu)造多變及滾筒截齒分布復(fù)雜等原因，其截割部的振動信號在不同時間尺度下會表現(xiàn)出千差萬別的振動特性，且包含豐富的截割模式特征信息。因此，有必要獲取截割部振動信號的多尺度特征信息。為此，本文作者提出了一種基于多尺度模糊熵和支持向量機(jī)的采煤機(jī)截割模式識別新方法。首先，通過提取不同截割模式下?lián)u臂振動信號的多尺度模糊熵，得到表征采煤機(jī)截割模式的特征向量；然后挑選特征向量作為樣本供支持向量機(jī)學(xué)習(xí)，從而確定采煤機(jī)截割模式。

1 多尺度模糊熵

1.1 模糊熵

模糊熵(Fuzzy Entropy，F(xiàn)E)利用模糊函數(shù)的概念，在對兩個時間序列相似程度求解的過程中引入了指數(shù)函數(shù)的特性，其中包括連續(xù)性和非突變性，保證了時間序列自身相似性最大。其定義如下[12]：

1)變換N點時間序列{u(i)：1≤i≤N}，構(gòu)建m維向量：

u0(i))-(u(j+k)-u0(j))|}

(3)

式中，i、j= 1，2，…，N-m，i≠j。

式中，n，r分別為模糊函數(shù)邊界的梯度和寬度。

4)定義函數(shù)：

5)重復(fù)步驟1)—步驟4)，構(gòu)造m+1維向量：

6)根據(jù)以上推論可定義模糊熵為：

當(dāng)N不為無窮大時，上式可以表示為：

FuzzyEn(m，n，r，N)=lnφm(n，r)-lnφm+1(n，r)

(8)

1.2 多尺度模糊熵

在不同的截割模式下，采煤機(jī)搖臂截割源振動信號的頻段特征和復(fù)雜性特征在不同的時間尺度下存在一定的差異性。為了提高結(jié)果的準(zhǔn)確性，可提取采煤機(jī)搖臂振動信號在不同時間尺度下的模糊熵值，即多尺度熵(Multiscale Entropy，ME)，其定義如下[13]：

1)時間序列粗?；?。選取適當(dāng)?shù)膮?shù)，將N點時間序列Xi={x1，x2，…，xn}拆分組合成新的向量[14]：

式中，τ=1，2，…，n為尺度因子。當(dāng)τ=1時，{y1(1)，y2(1)，…，yn(1)}=Xi即原始時間序列。

2)對所有的時間序列yj(τ)進(jìn)行模糊熵求解，并將其畫成相應(yīng)的尺度因子函數(shù)。

圖1 時間序列粗粒化的過程

多尺度模糊熵(Multi-scale Fuzzy Entropy，MFE)是同一時間序列在不同尺度因子下的模糊熵值，相比單一模糊熵能夠更好的反映信號的復(fù)雜程度。模糊熵值與數(shù)據(jù)長度N、相似容限r(nóng)、嵌入維數(shù)m和模糊函數(shù)梯度n都有關(guān)系。對于嵌入維數(shù)m，在序列的聯(lián)合概率進(jìn)行動態(tài)重構(gòu)時，m越大包含越多的詳細(xì)信息，但m越大需要的數(shù)據(jù)長度就越長，因此，綜合考慮，m=2；相似容限r(nóng)過大會造成部分統(tǒng)計信息丟失，而在r過小時，估計出的統(tǒng)計特性不能全面反映原始信號，且導(dǎo)致信號對噪聲較為敏感，一般r取0.1～0.25SD(SD表示為原始數(shù)據(jù)的標(biāo)準(zhǔn)差)，在本文r=0.15SD；相似容限邊界的梯度取決于模糊函數(shù)梯度n，n的增大會帶來梯度的增加，但當(dāng)n過大時，將出現(xiàn)細(xì)節(jié)信息丟失的問題。因此，為了獲取盡可能多的細(xì)節(jié)信息，本文中n=2。數(shù)據(jù)長度N對計算結(jié)果的影響因子較小，對于模糊熵，若取m=2，則一般地時間序列長度100～900，因此，在計算MFE時，N≥100τ。

2 基于拉普拉斯分值的多尺度模糊熵篩選

當(dāng)選擇尺度因子τ=15時會得到大量模式識別所需的特征向量，因此需要從m個特征向量中選取n個與該模式相關(guān)性最高的特征向量，即特征向量篩選。這樣不僅可以更好的進(jìn)行模式識別，而且還能減少運(yùn)算的時間，避免維數(shù)災(zāi)難和信息冗余。Dash等利用距離熵來對樣本數(shù)據(jù)進(jìn)行排序篩選，該方法具有較好的聚類效果，有效地去除了不相關(guān)特征向量[15，16]。拉普拉斯分值算法(Laplasian Score，LS)融合了樣本的聚類特性和方差信息，由其挑選出的特征向量達(dá)到了更好的區(qū)分效果。

1)構(gòu)建鄰接圖。設(shè)樣本數(shù)據(jù)為Xn×m，n為樣本個數(shù)，m為特征維數(shù)。任取兩個樣本數(shù)據(jù)xi、xj，如果xj是xi的臨近點，則鄰接圖只有一條邊即G=1，否則，G=0。鄰接圖G可以判斷數(shù)據(jù)中各點之間的鄰近關(guān)系。

2)計算鄰接權(quán)重。當(dāng)xixj連接時，通過熱核法可以確定該邊的權(quán)重：

式中，t為常數(shù)。鄰接權(quán)重Sij表示兩個點的接近程度，Sij的大小與兩個點的距離關(guān)系成正相關(guān)；當(dāng)G=0時，鄰接權(quán)重Sij=0。為了使樣本數(shù)據(jù)點之間的差異更加明顯，利用鄰接權(quán)重的方法作為懲罰因子，給距離較近的點賦予一個較大的值，同樣的，給距離較遠(yuǎn)的點賦予一個較小的值。

3)特征評價指標(biāo)。鄰接圖G中的點聚集在一定范圍內(nèi)可以使樣本數(shù)據(jù)中的點具有局部特性，可通過以下的目標(biāo)函數(shù)實現(xiàn)：

式中，Var(fr)為特征方差，表示第r個特征向量在所有樣本數(shù)據(jù)中相關(guān)程度的大??；∑ij(fri-frj)2Sij表示樣本數(shù)據(jù)在第r個特征向量中的分布情況，其中fri和frj分別表示樣本數(shù)據(jù)i、j在第r個特征向量的分布情況，兩者的值差越小，表示樣本數(shù)據(jù)的距離越近。

4)標(biāo)準(zhǔn)化特征評價指標(biāo)[17]。對式(11)的fr進(jìn)行標(biāo)準(zhǔn)化求解：

則第r個特征的拉普拉斯分值為：

拉普拉斯分值的大小代表了該數(shù)據(jù)在模式識別中的作用的大小，由其作為最終的n個模式識別向量的篩選依據(jù)。

3 采煤機(jī)截割模式識別方法與過程

根據(jù)實際工況，本文設(shè)定的采煤機(jī)截割模式主要有空載、截割頂板、截割底板、截割F1硬度煤巖、截割F2硬度煤巖。采集不同截割模式下的數(shù)據(jù)并提取多尺度模糊熵值，針對不同截割模式設(shè)置不同的分類器進(jìn)行模式識別。多分類支持向量機(jī)結(jié)構(gòu)如圖2所示。

圖2 多分類支持向量機(jī)結(jié)構(gòu)

4 實驗驗證

本文搭建了采煤機(jī)截割實驗系統(tǒng)并進(jìn)行了地面實驗來驗證前文提到的模式識別方法。實驗現(xiàn)場及設(shè)備如圖3所示。

圖3 采煤機(jī)搖臂振動信號采集系統(tǒng)

利用上述系統(tǒng)對五種不同的截割模式進(jìn)行了信號采集，分別記為Signal1(空載)、Signal2(截割頂板)、Signal3(截割底板)、Signal4(截割F1硬度煤層)、Signal5(截割F2硬度煤層)。實驗過程中采煤機(jī)以2.5m/min的速度移動，采樣頻率為15kHz，在每種截割模式下提取六十組振動信號。一部分?jǐn)?shù)據(jù)作為支持向量機(jī)的學(xué)習(xí)樣本，一部分?jǐn)?shù)據(jù)作為測試樣本。對于五種截割模式分別選擇一組振動信號并畫出其時域波形，如圖4所示。

圖4 不同截割模式下的搖臂振動信號波形

實驗中求得的5種截割模式下振動信號的多尺度模糊熵值如圖5所示?？梢钥闯?，不同截割模式下振動信號的多尺度熵曲線趨勢明顯不同，利用多尺度熵值無法直接判斷采煤機(jī)的截割模式。

圖5 搖臂振動信號的多尺度熵值

為了提取包含豐富信息的特征向量，計算了不同尺度下信號模糊熵的LS分值，選取了分值較小的前5個特征向量作為樣本數(shù)據(jù)，并將每種截割模式下的樣本數(shù)據(jù)隨機(jī)分為兩部分，一部分包含25組數(shù)據(jù)，一部分包含35組數(shù)據(jù)，分別用于訓(xùn)練和測試。支持向量機(jī)中的核函數(shù)采用徑向基核函數(shù)，懲罰參數(shù)c和核函數(shù)參數(shù)g通過交叉驗證法確定，最終結(jié)果如圖6所示。

圖6 支持向量機(jī)識別結(jié)果

測試數(shù)據(jù)中五種不同截割模式的識別率情況見表1。由表1可知，采煤機(jī)截割模式數(shù)據(jù)識別總體正確率達(dá)98.86%，其中，在截割頂板模式和截割F2硬度煤層模式中分別有一個數(shù)據(jù)被識別錯誤，其他模式下所有數(shù)據(jù)都被正確識別分類。造成錯誤識別的具體原因如下：在提取數(shù)據(jù)時，采煤機(jī)正處于兩種截割模式的轉(zhuǎn)換階段，信號波動不穩(wěn)或者發(fā)生重疊，提取的特征向量偏向錯誤的截割模式，導(dǎo)致識別錯誤。

表1 不同截割模式下的測試結(jié)果統(tǒng)計

為了驗證本文所提算法的優(yōu)越性，采用BP神經(jīng)網(wǎng)絡(luò)(BP-NN)進(jìn)行對比分析。同時，隨機(jī)選擇的5個模糊熵值作為特征向量(記為random selecting feature，RSF)進(jìn)行測試。最終產(chǎn)生4種不同的截割模式識別算法，分別為SVM+LS、SVM+RSF、BP-NN+LS和BP-NN+RSF，其中BP-NN的相關(guān)參數(shù)設(shè)置如下：輸入層節(jié)點數(shù)5，輸出層節(jié)點數(shù)5，隱含層節(jié)點數(shù)為10。利用前文樣本對SVM和BP-NN進(jìn)行訓(xùn)練后，并從數(shù)據(jù)庫中隨機(jī)選擇100個樣本進(jìn)行驗證，對比結(jié)果見表2?？梢钥闯觯疚乃崴惴ǖ牟擅簷C(jī)截割模式識別精度最高，達(dá)到97.00%。這是因為利用LS篩選的特征值能夠更加準(zhǔn)確地表征不同的截割模式狀態(tài)，且SVM比BP-NN具有更好的泛化能力。

表2 不同算法的截割模式識別結(jié)果

5 結(jié) 語

為了提高采煤機(jī)的智能化水平，提出了一種基于多尺度模糊熵和支持向量機(jī)的采煤機(jī)截割模式識別方法。通過拉普拉斯分值算法提取截割振動信號的模糊熵值，并對提取的數(shù)據(jù)進(jìn)行精簡與提煉。通過搭建的煤巖截割實驗系統(tǒng)，對本文所提方法的可行性和優(yōu)越性進(jìn)行了對比分析，結(jié)果表明：本文所提算法具有較高的識別精度，能夠滿足智能化采煤機(jī)的發(fā)展需求。