王 磊

（山西寧武德盛煤業(yè)有限公司，山西 忻州 036700）

引言

在綜采工作面中，采煤機(jī)作為最重要的采煤設(shè)備，通常使用滾筒進(jìn)行采煤。由于煤礦開采工況惡劣，僅僅依靠簡(jiǎn)單的可視化，采煤機(jī)操作人員無法準(zhǔn)確判斷滾筒是否在切割煤、巖石或帶矸煤[1-2]。這可能會(huì)導(dǎo)致出現(xiàn)煤炭質(zhì)量差、采礦效率低的問題。此外，在煤礦中，許多事故的發(fā)生越來越頻繁。產(chǎn)生這些問題的主要原因是煤礦設(shè)備的自動(dòng)化水平過低。隨著自動(dòng)化技術(shù)的發(fā)展，采煤機(jī)的自動(dòng)控制越來越受到人們的重視，對(duì)采煤機(jī)工作狀態(tài)進(jìn)行準(zhǔn)確監(jiān)測(cè)對(duì)采煤機(jī)的自動(dòng)控制起著重要作用[3]。因此,研究采煤機(jī)切削模式識(shí)別已成為一個(gè)具有挑戰(zhàn)性和重要意義的課題。

雖然許多煤巖識(shí)別方法有所發(fā)展，但它們都有一些共同的缺點(diǎn)。首先，煤巖探測(cè)器結(jié)構(gòu)復(fù)雜，對(duì)煤層地質(zhì)條件的要求過于苛刻，不能滿足在實(shí)際生產(chǎn)中的廣泛應(yīng)用。此外，煤層中包含的煤矸石條件對(duì)識(shí)別率有敏感影響。而且由于實(shí)際生產(chǎn)操作條件惡劣，大多方法與實(shí)際不相符，無法滿足實(shí)際領(lǐng)域的需求，誤差較大[4]。在此背景下，本文參考了傳統(tǒng)設(shè)備的故障診斷和模式識(shí)別方法，重點(diǎn)研究了采煤機(jī)切割模式識(shí)別方法。傳感器廣泛應(yīng)用于模式識(shí)別和診斷系統(tǒng)中，通過提供機(jī)器的信息來解決感知問題。利用振動(dòng)采集狀態(tài)信息已成為一種有效的方法。在這方面，基于振動(dòng)的分析是最常用的方法，也被證明對(duì)各種實(shí)際應(yīng)用有效。對(duì)于采煤機(jī)來說，搖臂是關(guān)鍵部件，搖臂的振動(dòng)能夠綜合反映采煤機(jī)的切削工況，通過對(duì)傳感器信號(hào)進(jìn)行適當(dāng)?shù)臏y(cè)量和處理，可以正確診斷出采煤機(jī)的切削工況[5]。

1 基于改進(jìn)果蠅優(yōu)化算法的最小二乘支持向量機(jī)

SVM是模式識(shí)別中解決分類問題的常用方法，這種方法最早是由Vapnik于1995年所提出的，在最優(yōu)化求解方式和統(tǒng)計(jì)學(xué)的基礎(chǔ)上，LSSVM是由SVM擴(kuò)展而來的，LSSVM將最小二乘法準(zhǔn)則用在了最優(yōu)化函數(shù)求解，而不是僅限于不等式。

其中：J為目標(biāo)函數(shù)，1/2wTw為平面度測(cè)量函數(shù)；C是正則化參數(shù)，它決定了訓(xùn)練誤差與模型平坦度之間的權(quán)衡；εi是松弛變量；w是權(quán)重向量。

果蠅優(yōu)化算法（FOA）是Pan提出的一種新的群體智能算法，是一種最優(yōu)化計(jì)算方法。FOA核心方法是通過讓果蠅自己尋找食物的行為發(fā)現(xiàn)食物。在尋找過程中，果蠅首先通過它的眼眶器官嗅出一種特殊的氣味，接著從它的周圍伙伴那里進(jìn)行信息的數(shù)據(jù)交互，并比較當(dāng)前的位置和方向。果蠅通過味道參來識(shí)別最佳適合度值，并向適合度更好的位置飛去。它們用敏銳的視覺尋找食物，然后朝那個(gè)方向飛得更遠(yuǎn)。圖1展示了一個(gè)果蠅群體的食物尋找迭代過程。

圖1 果蠅算法搜索迭代過程

2 基于該方法的采煤機(jī)截割模式識(shí)別系統(tǒng)

基于該方法的采煤機(jī)截割模式智能識(shí)別實(shí)質(zhì)上是一個(gè)模式識(shí)別系統(tǒng)，主要包括數(shù)據(jù)采集、特征提取和模式識(shí)別與預(yù)測(cè)三個(gè)部分。

2.1 數(shù)據(jù)采集

采煤機(jī)的切削模式診斷從數(shù)據(jù)采集開始，采集機(jī)械工作信息。振動(dòng)信號(hào)采集是傳感器實(shí)現(xiàn)的最常用的方法。本研究通過安裝在自行設(shè)計(jì)的采煤機(jī)截煤實(shí)驗(yàn)系統(tǒng)中的4個(gè)傳感器獲取數(shù)據(jù)，如圖2所示。

2-1采煤機(jī)截煤實(shí)驗(yàn)臺(tái)

圖2 自行設(shè)計(jì)采煤機(jī)截煤實(shí)驗(yàn)系統(tǒng)

在圖2中，S1、S2、S3、S4表示位于搖臂上的四個(gè)加速度計(jì)。數(shù)據(jù)采集由多功能高速采集器完成，采集數(shù)據(jù)通過USB傳輸?shù)诫娔X中。采樣頻率設(shè)置為12.0 kHz，采樣時(shí)間為0.50 s。不同模式下傳感器S1的振動(dòng)信號(hào)如圖3所示。

圖3 傳感器S1在不同切割模式下的振動(dòng)信號(hào)

2.2 特征提取

在任何模式識(shí)別和故障診斷系統(tǒng)中，信號(hào)特征提取都是關(guān)鍵的初始步驟。提取精度對(duì)最終的識(shí)別結(jié)果有很大的影響，為了獲得理想的機(jī)械模式診斷特征，目前有很多對(duì)信號(hào)的處理方法能夠解決這一問題，其中小波變換和傅里葉變換應(yīng)用更廣泛。當(dāng)故障發(fā)生時(shí)，可能會(huì)出現(xiàn)新的頻率分量，并可能發(fā)生頻譜收斂的變化。但是，對(duì)于弱信號(hào)，特征被強(qiáng)背景噪聲淹沒，傳統(tǒng)的特征提取方法很難提取出有效的特征。采用集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD），這種方式在初始信號(hào)分解前參入高斯白噪聲，從而解決頻率混疊問題。該方法非常適用于非平穩(wěn)和非線性信號(hào)。

2.3 模式識(shí)別和預(yù)測(cè)

在采煤機(jī)切削模式識(shí)別系統(tǒng)中，LSSVM作為模式識(shí)別和預(yù)測(cè)方法，被廣泛應(yīng)用于診斷采煤機(jī)的工作模式。采用果蠅優(yōu)化算法在LSSVM中確定出最優(yōu)訓(xùn)練參數(shù)。

3 工業(yè)應(yīng)用

為了驗(yàn)證所提出的采煤機(jī)控制方法的應(yīng)用可行性，開發(fā)了基于該方法的采煤機(jī)控制系統(tǒng)，并在某采煤工作面進(jìn)行了工業(yè)試驗(yàn)。系統(tǒng)的基本結(jié)構(gòu)如圖4所示。從圖中可以看出，加速度計(jì)安裝在采煤機(jī)搖臂殼體內(nèi)部，以保證其可靠性。振動(dòng)信號(hào)通過無線開關(guān)采集并傳輸?shù)椒辣?jì)算機(jī)中。計(jì)算機(jī)可以處理信號(hào)，并執(zhí)行提出的方法來識(shí)別采煤機(jī)切割模式。同時(shí)，利用三維虛擬現(xiàn)實(shí)系統(tǒng)，實(shí)現(xiàn)了采煤機(jī)工作狀態(tài)的可視化顯示。

圖4 采煤工作面工業(yè)試驗(yàn)系統(tǒng)

該方法的目的是準(zhǔn)確識(shí)別采煤機(jī)的切割模式，為采煤機(jī)的自動(dòng)控制提供依據(jù)。因此，前切割電機(jī)的切割電流（見圖5）為采煤機(jī)從25~45 m工作時(shí)的曲線圖。在該監(jiān)測(cè)周期內(nèi)，前切電流在32.689 4~37.776 9 A范圍內(nèi)變化，平均值為34.807 4 A。最大電流僅比平均值大8.53%左右。結(jié)果表明，根據(jù)該方法提供的識(shí)別結(jié)果，采煤機(jī)能夠在煤層中平穩(wěn)、安全的工作，在實(shí)際應(yīng)用中證明該系統(tǒng)是穩(wěn)定可靠的。

圖5 前切割電機(jī)的切割電流波形圖

4 結(jié)論

基于改進(jìn)果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的采煤機(jī)截割模式的識(shí)別方法，利用IFOA自動(dòng)選擇合適的LSSVM模型參數(shù)，以提高預(yù)測(cè)和分類精度。將核特征與能量特征相結(jié)合，合理構(gòu)造訓(xùn)練特征。工業(yè)應(yīng)用結(jié)果表明，基于該方法的系統(tǒng)可為采煤機(jī)的自動(dòng)控制提供穩(wěn)定可靠的參考。