李福濤，王忠賓，司 壘，譚 超，梁 斌，2

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

采煤機作為煤礦井下關(guān)鍵設(shè)備之一，其智能化水平直接決定能否實現(xiàn)綜采工作面的“無人化”，而實現(xiàn)“無人化”綜采工作面的關(guān)鍵技術(shù)之一就是采煤機的截割狀態(tài)識別[1]。目前綜采工作面還不能通過識別采煤機的截割狀態(tài)，實現(xiàn)完全“無人化”的采煤機自適應(yīng)調(diào)高。準確識別出采煤機的截割狀態(tài)，既可以提高煤的開采率，又可以保護設(shè)備不受磨損，同時減少井下人員數(shù)量及工人[2]。因此實現(xiàn)采煤機煤巖截割狀態(tài)識別，對實現(xiàn)綜采工作面的“無人化”，采煤機的高效安全生產(chǎn)具有重要意義[3]。

因為井下的特殊環(huán)境，采集到的搖臂振動信號都是非平穩(wěn)的信號，因此信號的特征提取直接影響著煤巖截割狀態(tài)識別的準確率[4，5]。針對此類信號的特征提取，小波變換[6]、集合經(jīng)驗?zāi)B(tài)分解[7]和小波包[8]等方法被廣泛應(yīng)用。因小波包對信號的高頻和低頻同時分解，其分辨率更高[9]。針對小波包能量、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)簡單，對于輸入的向量，不需要再進行其他步驟的處理，簡單易行，因此在模式識別領(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)識別方法。首先對采集的信號進行小波包分解，計算分解后的各頻帶的方差，并將其作為LVQ神經(jīng)網(wǎng)絡(luò)的輸入，實現(xiàn)煤巖截割狀態(tài)識別，通過實驗驗證了此方法的可行性。

1 采煤機搖臂振動信號特征提取

1.1 小波包理論

小波包變換與小波變換不同，小波包變換將信號頻率分解范圍擴大，對原始信號的高頻部進行了分解，解決了小波變換導(dǎo)致的高、低頻率的分辨率不同的問題[12，13]。小波包的分解過程如圖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是由標準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

當采煤機截割不同類型的煤巖時，采煤機搖臂所受的外部激勵也不同，這就導(dǎo)致采煤機搖臂的振動信號不同，經(jīng)小波包分解后，子頻帶存在很大的差異[15]，方差是每個子頻帶信號中小波包系數(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，又可以表示信號的偏離程度。因此方差信號作為特征值效果會更好。本文將采煤機搖臂的振動信號進行了小波包分解，分解層數(shù)為3，經(jīng)實驗分析，確定小波基為“db8”。通過此方法得到小波包分解系數(shù)，按照式(3)計算出其方差，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)，從競爭算法演化而來。它用于訓(xùn)練競爭層，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。其由輸入層、競爭層和線性輸出層構(gòu)成[16，17]。LVQ神經(jīng)網(wǎng)絡(luò)的基本步驟：

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

2)將輸入向量送入到輸入層，并計算競爭層神經(jīng)元與輸入向量的距離：

式中，ωij為輸入層神經(jīng)元j與競爭層神經(jīng)元i之間的權(quán)值；i=1，2，…，S1；S1為競爭層神經(jīng)元個數(shù)。

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

4)記輸入向量對應(yīng)的標簽為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，按如下方法進行權(quán)值更新：

ωij_new=ωij_old-η(x-ωij_old)

(6)

3 實驗平臺搭建與實驗分析

3.1 實驗平臺搭建

為了驗證本文提出的基于振動信號的采煤機截割狀態(tài)識別方法的可行性，在中國礦業(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煤巖截割實驗平臺，并進行了實驗，通過此實驗平臺獲取采煤機搖臂的振動信號，以此來驗證本文所提的基于小波包分解和LVQ神經(jīng)網(wǎng)絡(luò)模式識別方法在煤巖截割模式識別中的可靠性。

本次實驗搭建的采煤機煤巖截割實驗平臺如圖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、截割式樣和固定臺架等組成；數(shù)據(jù)采集系統(tǒng)主要包括振動傳感器和工控計算機。

圖2 煤巖截割實驗平臺

此次實驗采煤機型號為MG150/345-WDK。振動信號采集傳感器型號為AKE390B電壓型加速度計。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、細沙和煤的重量按照1∶1∶1混合而成；試樣Ⅱ配比為水泥、細沙和煤的重量按照1∶1∶2混合而成。

圖3 截割試樣

此次實驗對采煤機截割試樣Ⅰ、截割試樣Ⅱ和采煤機空載3種采煤機煤巖截割狀態(tài)進行了實驗，通過AKE390B電壓型加速度計采集到這三種煤巖截割狀態(tài)下的采煤機搖臂振動信號。在此次實驗過程中，振動信號的采集頻率為4000Hz，對3種煤巖截割狀態(tài)分別采集了60組數(shù)據(jù)，每一組信號都包含2000個數(shù)據(jù)點，共得到180組數(shù)據(jù)。

3.2 實驗分析

隨機選擇的3種煤巖截割狀態(tài)信號的時域波形如圖4所示。分析可知，由三類信號的原始波形很難直接判斷煤巖截割狀態(tài)，因此必須進一步分析信號，提取特征向量。

圖4 不同煤巖截割狀態(tài)下的時域振動信號

根據(jù)第1.1節(jié)提出的方法，對振動信號進行3層小波包分解，從圖5可以看出采煤機空載時的振動信號被分解到8個頻段上。采用第1.2節(jié)敘述的方法，將采煤機搖臂振動信號進行小波包分解，計算出最后一層子頻帶的方差，3種不同振動信號的子頻帶方差見表1，通過分析表1可知：最后一層子頻帶的方差，其變化趨勢明顯不同，根據(jù)這一特征可以實現(xiàn)煤巖截割模式的識別。

圖5 采煤機空載振動信號的第3層小波包分解

定義采煤機空載、截割試樣I、截割試樣II的分類標簽依次是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)和測試數(shù)據(jù)。特征向量的部分數(shù)據(jù)見表1。

表1 特征向量部分數(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)，隨機選取140組數(shù)據(jù)作為訓(xùn)練集，剩余的40組作為測試集進行模式識別，從而訓(xùn)練LVQ神經(jīng)網(wǎng)絡(luò)，分別對采煤機截割試樣I、截割試樣II和采煤機空載3種截割模式進行識別。如圖6所示為某一次隨機選擇40組數(shù)據(jù)的測試結(jié)果，3種采煤機煤巖截割模式識別的結(jié)果達到100%。分類效果十分理想，因此可以將其應(yīng)用在采煤機煤巖截割模式識別。

圖6 LVQ神經(jīng)網(wǎng)絡(luò)分類結(jié)果

為了說明LVQ神經(jīng)網(wǎng)絡(luò)在采煤機截割狀態(tài)識別中的穩(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)果進行對比分析。每種模式識別方法的振動信號的預(yù)處理方式完全相同，全部以子頻帶的方差作為特征向量，隨機選取10次，每次隨機選取40組3種截割模式的數(shù)據(jù)，進行分類識別，并計算出每種模式識別方法下3種截割狀態(tài)識別的準確率的平均值，三種模式識別方法的識別結(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

圖8 SVM分類結(jié)果統(tǒng)計

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

從圖7可以看出采用BP神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)進行分類，對于截割試樣Ⅰ和截割試樣Ⅱ識別效果很好，經(jīng)計算10次結(jié)果識別準確率均值分別達到97.00%、93.44%。但是采煤機空載狀態(tài)時識別的準確率主要集中在65%～90%之間，10次結(jié)果的均值為83.967%，識別結(jié)果不是很理想。

從圖8可以看出采用支持向量機(SVM)對測試數(shù)據(jù)進行分類，對采煤機空載和截割試樣I兩種狀態(tài)的識別準確率很高，均在95%以上，且很穩(wěn)定。但是對于截割試樣II時的識別效果很不理想，識別準確率主要在40%～80%，經(jīng)計算，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，從中可以看出對于采煤機空載狀態(tài)和截割試樣I時的識別效果很好，其識別準確率接近100%。雖然截割試樣II時的識別的準確率變化很大，但大都集中在90%以上，且經(jīng)計算，10次結(jié)果的均值為95.32%，對于三種截割狀態(tài)識別的準確率均達到了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)在采煤機截割狀態(tài)識別中具有良好的發(fā)展前景。

4 結(jié) 論

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

2)根據(jù)采集的采煤機搖臂振動信號子頻帶方差特征提取結(jié)果，驗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信號不同，能夠作為煤巖截割模式識別的特征值。

3)對采集的3種典型截割模式下的采煤機搖臂振動信號進行小波包分解，并提取搖臂振動信號的子頻帶方差作為特征向量輸入LVQ神經(jīng)網(wǎng)絡(luò)進行模式識別，識別的效果較好，對實現(xiàn)綜采工作面采煤機搖臂調(diào)節(jié)具有重要意義。