段銘鈺，袁瑞甫，楊藝

（1.華中科技大學(xué) 機械科學(xué)與工程學(xué)院，湖北 武漢 430070；2.河南大有能源股份有限公司，河南 三門峽 472300；3.河南理工大學(xué) 能源科學(xué)與工程學(xué)院，河南 焦作 454000；4.河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000）

0 引 言

采煤機智能截割是煤礦綜采工作面智能化開采的關(guān)鍵技術(shù)之一［1］。在采煤機截割過程中，如何根據(jù)頂板與煤體分界面實時確定搖臂高度，如何根據(jù)煤巖情況實時確定牽引速度，這些都是采煤機智能截割的核心問題和技術(shù)瓶頸［2］。

自20世紀60年代以來，科研工作者針對煤巖分界問題展開了深入研究。目前，國內(nèi)外的煤巖識別技術(shù)主要分為直接探測法和間接探測法［3］。其中，直接探測法又分為γ射線探測法［4］、紅外探測法［5-6］、截齒應(yīng)力探測法［7］等；間接探測法又分為圖像檢測法［8］、記憶截割法［9］、聲學(xué)診斷法［3］等。γ射線探測法［10］、紅外探測法、圖像檢測法［11-12］和聲學(xué)診斷法［3］需要增加額外的檢測設(shè)備，并通過檢測到的信號綜合判斷煤巖分界面。

上述各方法在特定環(huán)境下能夠取得較好的識別效果。張寧波等［13］在實驗室中分別測量煤巖γ射線輻射量，完成了煤巖性狀準確分辨；王超等［14］通過灰度共生矩陣（GLCM）提取煤巖圖像特征參數(shù)，進行了煤巖性狀識別；張強等［6］采用主動紅外激勵監(jiān)測煤巖表面溫度變化，實現(xiàn)了煤巖識別。然而，煤礦井下工作環(huán)境惡劣、地質(zhì)條件復(fù)雜多變，檢測設(shè)備必須滿足煤礦井下安全性要求，并能適應(yīng)工作面復(fù)雜環(huán)境。此外，工作面的干擾信號眾多，截割過程中粉塵質(zhì)量濃度大、水霧干擾攝像頭拍攝等使γ射線、紅外回波、光學(xué)圖像、聲音信號受到不同程度影響，從而導(dǎo)致目標(biāo)信號難以準確識別，這也是工作面煤巖分界面難以可靠識別的主要原因。

記憶截割方法是通過人工示教方式確定采煤機截割下一刀煤時的搖臂動作，實質(zhì)上規(guī)避了煤巖分界面識別技術(shù)。該方法對頂板地質(zhì)條件穩(wěn)定的工作面較為有效。

截齒應(yīng)力探測法無需增加探測設(shè)備，通過檢測采煤機截割煤層和巖層時的應(yīng)力不同確定煤巖分界面。2010年，白學(xué)勇［15］研究了采煤機截齒沖擊力力學(xué)特征，分析了安裝不同約束對截齒等效應(yīng)力、速度和加速度的影響；趙學(xué)雷［16］、周游等［17］通過分析采煤機載荷和截齒應(yīng)力特征，提出了煤巖分界面的初步判斷方法。2013年以來，許靜［3］、曹 學(xué) 濤［18］、韓 飛［19］、劉 春 生 等［20］、王 麗等［21］深入分析了采煤機截齒、截距和載荷的工作特性。2018年以后，基于截割特性的煤巖分界面識別技術(shù)逐步成熟［3，10，22］。

基于采煤機截齒應(yīng)力的煤巖分界面識別方法通常綜合采煤機負載特征、震動信號、應(yīng)力信號等多源信息［3，10，16］，能較為準確地預(yù)測頂板位置，指導(dǎo)采煤機搖臂調(diào)整高度。受上述研究成果啟發(fā)，為進一步推進工作面煤巖識別技術(shù)發(fā)展，本文以工作面現(xiàn)有信息源為基礎(chǔ)，綜合采煤機截割電流、牽引電流和搖臂調(diào)高液壓缸阻力等數(shù)據(jù)，基于RBF（radial basis function）神經(jīng)網(wǎng)絡(luò)模型，利用改進的螢火蟲算法對該模型進行優(yōu)化，并使用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型對當(dāng)前截割的煤巖性狀進行識別。

1 神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是采用分布式存儲和并行協(xié)同處理進行信息處理的數(shù)學(xué)模型。通過權(quán)重學(xué)習(xí)，使神經(jīng)網(wǎng)絡(luò)逼近輸入與輸出之間的映射關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)逼近能力強、操作簡單、響應(yīng)快、可靠性好，被廣泛應(yīng)用于模式識別和預(yù)測控制等領(lǐng)域［23-24］。

1.1 基函數(shù)選取

圖1為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。利用RBF函數(shù)作為其隱含層神經(jīng)元的激活函數(shù)，對輸入RBF函數(shù)的信息去線性化。隱含層的輸出結(jié)果經(jīng)過加權(quán)求和并由輸出層輸出。由于隱含層和輸出層間的權(quán)值是線性的，這一特點在很大程度上加快了學(xué)習(xí)速度，同時也避免了網(wǎng)絡(luò)過擬合。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of RBF neural network

RBF函數(shù)定義：設(shè)X∈Rn，以X0為中心，X到X0距離為半徑的徑向?qū)ΨQ函數(shù)R（x）=X-X0稱為RBF函數(shù)。

選取RBF神經(jīng)網(wǎng)絡(luò)隱含層的激活函數(shù)時，一般采用高斯核函數(shù)

式中：xp=（xp1，xp2，…，xpn），為輸入樣本；ci為隱含層第i個節(jié)點的基函數(shù)中心；σ0為基函數(shù)的方差，即基函數(shù)的寬度；R（xp-ci）為隱含層第i個節(jié)點的輸出。

RBF神經(jīng)網(wǎng)絡(luò)的輸出為

式中：ωij為連接權(quán)值；i=1，2，…，h，h為隱含層的節(jié)點數(shù)；θj為第j個輸出節(jié)點的閾值；yj為輸出層第j個節(jié)點的實際輸出值。

RBF神經(jīng)網(wǎng)絡(luò)的核心是徑向基函數(shù)的確定［25-26］。通常情況下，徑向基函數(shù)選用式（1）的高斯核函數(shù)，而確定高斯核函數(shù)中心和寬度的參數(shù)直接決定了RBF神經(jīng)網(wǎng)絡(luò)對輸入和輸出信號映射關(guān)系的逼近能力。對于非線性較強、變量耦合較多的系統(tǒng)，高斯核函數(shù)參數(shù)選取不當(dāng)將直接導(dǎo)致逼近失敗。為此，本文提出一種基于改進螢火蟲算法的高斯核函數(shù)確定方法。

1.2 改進螢火蟲算法

人工螢火蟲算法（firefly algorithm，F(xiàn)A）是一種模擬螢火蟲群體行為的群智能優(yōu)化算法［27］，它通過個體之間的相互吸引在搜索域內(nèi)尋優(yōu)，參數(shù)少、結(jié)構(gòu)簡單。在尋優(yōu)過程中，螢火蟲個體自動聚集成多個子群，分別在不同位置進行深度尋優(yōu)，因此常被用于解決具有多峰的非線性優(yōu)化問題［28-29］，并能很好地解決RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)參數(shù)的優(yōu)化選取問題。

在螢火蟲聚集過程中，個體隨著亮度發(fā)生移動，聚集結(jié)果將鎖定在最優(yōu)解的鄰域內(nèi)，因此常出現(xiàn)最優(yōu)解精度較低的問題。此外，在迭代末期，由于螢火蟲亮度變化較小，收斂速度將變慢，甚至難以得到全局最優(yōu)解。

為了解決螢火蟲算法中個體難以脫離局部最優(yōu)、導(dǎo)致算法早熟的問題，本文將螢火蟲算法進行改進，采用2個策略提升螢火蟲算法的全局最優(yōu)求解能力。

（1）采用分布區(qū)域收斂的步長策略代替原算法的固定分布步長策略。改進后的步長分布范圍隨更新次數(shù)的增加而減小，具體實現(xiàn)為

（2）增加基于隨機游走的局部探索策略，使當(dāng)前最優(yōu)的螢火蟲在其附近范圍內(nèi)進行隨機搜索。若該位置的螢火蟲獲得更優(yōu)位置，則將其位置替換為新的位置，否則保持位置不動，從而增加算法對潛在最優(yōu)解的探索能力，具體實現(xiàn)為

改進的螢火蟲算法流程如圖2所示。

圖2 改進的螢火蟲算法流程Fig.2 Flow chart of improved FA

1.3 基于改進螢火蟲算法的RBF神經(jīng)網(wǎng)絡(luò)

確定徑向基函數(shù)是RBF神經(jīng)網(wǎng)絡(luò)的難點，本文利用改進的螢火蟲算法對RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度進行優(yōu)化求解。將神經(jīng)網(wǎng)絡(luò)的期望輸出和實際輸出的均方差作為適應(yīng)度函數(shù)，通過螢火蟲快速聚集，確定徑向基函數(shù)的參數(shù)，使RBF神經(jīng)網(wǎng)絡(luò)達到理論最優(yōu)。

基于改進螢火蟲算法（IFA）的RBF神經(jīng)網(wǎng)絡(luò)（radial basis function neural network，RBFNN）算法流程如圖3所示，具體實現(xiàn)步驟如下。

圖3 基于改進螢火蟲算法的RBF神經(jīng)網(wǎng)絡(luò)算法流程Fig.3 Flow chart of RFB neural network based on improved firefly algorithm

步驟1初始化IFA算法參數(shù)和RBF神經(jīng)網(wǎng)絡(luò)參數(shù)。

步驟2根據(jù)IFA算法位置更新機制更新個體位置，將個體當(dāng)前所處位置作為RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度，輸入訓(xùn)練樣本進行網(wǎng)絡(luò)訓(xùn)練。

步驟3將RBF神經(jīng)網(wǎng)絡(luò)的期望輸出與實際輸出的均方誤差作為適應(yīng)度函數(shù)。

步驟4選擇最優(yōu)的適應(yīng)度函數(shù)結(jié)果及其對應(yīng)的個體位置，更新最優(yōu)位置，并更新最優(yōu)適應(yīng)度值。

步驟5重復(fù)步驟2～4，直至滿足設(shè)定精度或達到最大迭代次數(shù)，輸出最優(yōu)結(jié)果。

2 結(jié)果與分析

2.1 改進螢火蟲算法性能測試

為驗證改進螢火蟲算法的有效性，對改進策略進行性能測試，并選用常用的5個標(biāo)準測試函數(shù)以確保測試的合理性，測試函數(shù)如表1所示。同時選取3種典型算法：粒子群算法（particle swarm optimization，PSO）［30］；果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）［31］；蝙蝠算法（bat algorithm，BA）［32］。采用3種經(jīng)典的優(yōu)化求解算法作為對比算法，在精度和運行時間方面進行對比測試。測試環(huán)境：CPU為AMD Ryzen 53500u 2.10 GHz；內(nèi)存16 GB；512 GB三星固態(tài)硬盤；測試軟件為MATLAB2017b。

表1 測試函數(shù)Tab.1 Test functions

為確保測試的公平性，統(tǒng)一根據(jù)文獻［33］設(shè)置IFA和FA算法的初始參數(shù)：吸收系數(shù)γ=1，初始步長α=0.5，初始吸引度β0=1。所有算法的種群規(guī)模為20，最大迭代次數(shù)為200次，分別對每種算法進行50次測試，記錄所得的最優(yōu)值和算法運行時間，并對運行時間求平均值。不同算法迭代曲線如圖4所示，仿真測試數(shù)據(jù)如表2～3所示。

表2 不同算法最優(yōu)值對比Tab.2 Comparisons of optimal values of different algorithms

圖4 不同算法迭代曲線Fig.4 Iterative curves of different algorithms

由表2可以看出，IFA在收斂精度上較其他算法更加優(yōu)異，說明本文所提出的IFA算法相對于其他算法在解決最優(yōu)化問題上具有更強的優(yōu)勢。這是由于本文所提出的算法在迭代初期具有較大的搜索范圍，避免了算法早熟，而在后期擁有較小的步長，使算法具備更優(yōu)秀的局部搜索能力。同時，本文算法通過添加局部精細搜索，進一步增加了算法跳出局部最優(yōu)的能力。由表3可知，本文算法在時間消耗上基本近似于標(biāo)準螢火蟲算法，平均耗時位居第三，說明本文提出的IFA算法在耗時上具有一定的競爭力。

表3 不同算法平均耗時對比Tab.3 Comparisons of average time consumptions

綜上，IFA算法在運算精度和運算速度方面均取得了較好的結(jié)果，說明用本文提出的算法解決最優(yōu)化問題具有一定的應(yīng)用潛力。

2.2 基于改進RBF神經(jīng)網(wǎng)絡(luò)的煤巖性狀識別

2.2.1 煤巖性狀識別模型化分析

在采煤機截割煤巖過程中，其截割電流、截割轉(zhuǎn)速、牽引速度和搖臂調(diào)高液壓缸阻力都會受到煤巖性狀的影響［34］。

將截割電流、截割轉(zhuǎn)速等因素看作煤巖性狀識別的特征空間，設(shè)為X，X={x1，x2，…，xn}，n ∈R為特征空間的維度。分類結(jié)果可構(gòu)成分類空間，設(shè)為Y，Y={y1，y2，…，ym}，m∈R為分類空間的維度。建立從特征空間X到分類空間Y的映射關(guān)系，即

將截割電流、牽引電流和搖臂調(diào)高液壓缸阻力作為采煤機截割系統(tǒng)的標(biāo)準輸出量，便于實時獲取和分析。因此，本文選用的特征空間維度為3，采用x1，x2，x3分別表示截割電流、牽引電流和搖臂調(diào)高液壓缸阻力。

此外，根據(jù)煤層地質(zhì)條件，設(shè)置輸出空間維度為5，煤巖性狀分類標(biāo)號如表4所示。

表4 煤巖性狀分類標(biāo)號Tab.4 Definitions of coal and rock properties

隨著采煤機截割工作的推進，若煤巖硬度增加，則截割電流、牽引電流、搖臂調(diào)高液壓缸阻力增加，反之則減少，故根據(jù)以上3個變量反映煤巖硬度的變化情況。而截割電流、牽引電流、搖臂調(diào)高液壓缸阻力和煤巖硬度的對應(yīng)關(guān)系為典型的黑箱問題，可以通過輸入輸出特點了解該系統(tǒng)規(guī)律，而不涉及系統(tǒng)內(nèi)部的結(jié)構(gòu)和相互關(guān)系。

因此，本文通過建立截割電流、牽引電流、搖臂調(diào)高液壓缸阻力和煤巖性狀的關(guān)系，采用改進的RBF神經(jīng)網(wǎng)絡(luò)模型對采煤機當(dāng)前截割煤巖的性狀進行估計。

2.2.2 RBF神經(jīng)網(wǎng)絡(luò)的螢火蟲優(yōu)化模型

由于煤巖性狀估計模型采用截割電流、牽引電流、搖臂調(diào)高液壓缸阻力3個信息源作為輸入，故輸入層節(jié)點數(shù)為3。輸出層由實際的煤巖性狀分級確定，試驗中設(shè)置5種煤巖性狀分級，故輸出層節(jié)點為5，隱含層節(jié)點數(shù)由MATLAB中newrb函數(shù)自動生成。煤巖性狀識別的RBF神經(jīng)網(wǎng)絡(luò)模型如圖5所示。

圖5 煤巖性狀識別的RBF神經(jīng)網(wǎng)絡(luò)模型Fig.5 RBF neural network model for recognition of coal and rock properties

根據(jù)建立的RBF神經(jīng)網(wǎng)絡(luò)模型，隱含層選用如式（1）所示的徑向基函數(shù)，其中需要優(yōu)化的參數(shù)空間設(shè)為σ=｛σ1，σ2，σ3｝，利用螢火蟲算法對其進行迭代，得出合適的σ值。

螢火蟲算法的適應(yīng)度函數(shù)為RBF神經(jīng)網(wǎng)絡(luò)的輸出y與樣本y～的均方差，定義為

改進螢火蟲算法的目的是求σ對應(yīng)度函數(shù)g（σ）的最優(yōu)值，其中g(shù)（σ）為優(yōu)化問題的目標(biāo)函數(shù)，求解過程見1.2節(jié)。

3 試驗驗證與結(jié)果分析

本文以河南大有能源股份有限公司耿村煤礦綜采12150工作面實測數(shù)據(jù)為基礎(chǔ)，開展驗證試驗。綜采12150工作面開切巷長250 m，煤層平均厚8.7 m，采用放頂煤開采，煤層屬中硬煤層，1.5＜f＜3.0，硬度分布不均勻，夾矸較多，113～137號架間存在不均勻斷層，適合作為本文所述煤巖性狀識別試驗對象。

該工作面配置MG400/930WD型電牽引采煤機，可在截割過程中實時監(jiān)測并采集截割電流、牽引電流及搖臂調(diào)高液壓缸阻力等數(shù)據(jù)，如圖6所示。

圖6 數(shù)據(jù)監(jiān)測與采集Fig.6 Data monitoring and collecting

根據(jù)實際情況定義5種不同的煤巖性狀分類，標(biāo)號為y1～y5，并將其與煤巖性狀對應(yīng)構(gòu)成數(shù)據(jù)對，如表4所示。由于條件限制，共采集數(shù)據(jù)對500個，進行100次仿真，每次抽取450個數(shù)據(jù)對對作為訓(xùn)練樣本，50個作為測試樣本，進行煤巖性狀識別，其中第10次和第87次仿真結(jié)果如圖7所示。100次仿真中，正確識別點4 697個，錯誤識別點303個，總體識別準確率為93.94%。

圖7 煤巖性狀識別仿真結(jié)果Fig.7 Simulation results of coal and rock properties recognition

4 結(jié) 語

在智能化采煤工作面中，采煤機準確識別當(dāng)前所截割的煤巖性狀是實現(xiàn)其智能控制的前提和關(guān)鍵。本文根據(jù)采煤機截割電流、牽引電流和搖臂調(diào)高液壓缸阻力的變化，采用改進的螢火蟲算法對RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度進行優(yōu)化，利用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型對采煤機當(dāng)前截割的煤巖性狀進行識別，并對煤巖性狀識別模型進行仿真。仿真結(jié)果顯示，采用該模型對煤巖性狀進行識別的準確率為93.94%，識別準確率較高，具有較好的工程應(yīng)用潛力。