許志鵬，劉振堅，莊德玉，尹玉璽

（1.煤炭科學研究總院，北京 100013；2.中煤科工集團上海有限公司，上海 200030）

0 引言

地下鋁土礦開采環(huán)境與煤礦相似[1]，借鑒煤礦開采經(jīng)驗，在地下鋁土礦中引進綜采成套機械設備，是鋁土礦高效、安全開采的一條新出路[2]。大部分地下鋁土礦的工作面地質(zhì)賦存條件與煤礦相似，礦體與巖層交界崎嶇，直接頂與直接底為巖石，將采礦機應用于地下鋁土礦生產(chǎn)時，采礦機滾筒可能因割頂?shù)装宓膸r類負載，致使?jié)L筒截齒磨損加速，機械損耗增加。在地下開采過程中，工作人員根據(jù)經(jīng)驗判斷截割負載類型，并通過手持遙控裝置或端子調(diào)節(jié)采礦機滾筒高度，但受限于開采現(xiàn)場的惡劣環(huán)境，工作人員的判斷往往會出現(xiàn)一定的誤差和滯后性。在開采智能化趨勢下，采礦機智能化是其中的重要環(huán)節(jié)，而準確、智能地識別截割負載是實現(xiàn)采礦機智能化的關(guān)鍵技術(shù)。

目前，以振動信號為參考的截割負載類型識別方式被廣泛應用[3]，其識別過程主要包括信號特征提取和模式分類2個部分，其中有效的信號特征提取是截割負載類型識別的基礎(chǔ)。采礦機實際運行工況復雜，獲得的振動信號具有時域非線性的隨機非平穩(wěn)特征。目前，傅里葉變換、小波變換等時頻特征提取方法應用場景廣泛。但傳統(tǒng)的傅里葉變換不能反映信號在時域上的突變趨勢，無法適用于非平穩(wěn)信號的分解；小波變換在分析信號的高頻部分時分辨率較低，易丟失信號的有效特征信息。小波包分解廣泛用于處理非平穩(wěn)信號，信號的有效信息保留全面、分辨率高。郭偉超等[4]利用小波包分解得到表征信號特征的能量譜作為特征向量，并利用主成分分析（Principal Component Analysis，PCA）方法降低特征向量維度，以提取出區(qū)分故障類型的有效特征。

在模式分類方面，BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BPNN）具備非線性映射、自學習和自適應等能力，但在BPNN訓練過程中，算法受反向傳播影響，易陷入局部最優(yōu)解，同時，網(wǎng)絡初始化時的權(quán)值、閾值選取會直接影響網(wǎng)絡收斂速度。麻雀搜索算法（Sparrow Search Algorithm，SSA）是于2020年提出的一種群智能優(yōu)化算法，通過模擬麻雀的集體覓食行為，優(yōu)化群體活動以找到全局最優(yōu)解。孫全等[5]引入SSA對BPNN的初始權(quán)值、閾值進行優(yōu)化，提高了神經(jīng)網(wǎng)絡的訓練精度和收斂速度。

因此，本文將小波包分解與SSA?BPNN相結(jié)合，基于振動信號對地下鋁土礦截割負載類型進行識別。利用小波包分解提取采礦機滾筒空載、截割鋁土、截割巖石時的振動信號能量特征，并對特征向量進行降維處理；將特征向量輸入至SSA?BPNN，以實現(xiàn)截割負載的分類。

1 基于小波包分解的信號特征提取

1.1 小波包分解

小波包分解能對小波分解中未分解的高頻信號進一步分解到各個頻段上，并根據(jù)樣本數(shù)據(jù)的特征，自適應選取頻段以匹配信號的頻譜特征，保留了數(shù)據(jù)中完整的有效特征[6]。

1.2 特征向量計算

將振動信號x（t）進行n層小波包分解后，得到2n個子頻帶，則第i（i=0,1,···,2n?1）個子頻帶的能量為

式中fi(m)為x（t）分解后第i個子頻帶中第m（m=0,1,···,N?1，N為采樣點數(shù)）個離散采樣點的幅值。

根據(jù)能量守恒定律，將提取的各子頻帶能量累加求和可得信號總能量E，則各子頻帶能量在信號總能量的占比為

信號總能量與不同截割負載類型下信號最大能量 Emax的比值為

則表征截割負載狀態(tài)的2n+1維特征向量為[7]

1.3 PCA降維

PCA常用于提取高維數(shù)據(jù)的有效信息及特征。當小波包分解層數(shù)過大時，特征向量維度過高，為降低高維數(shù)據(jù)的稀疏性，利用數(shù)據(jù)映射方法將高維度、線性相關(guān)的數(shù)據(jù)轉(zhuǎn)換為低維度、線性無關(guān)的數(shù)據(jù)，通過計算數(shù)據(jù)主成分的累計貢獻率，選取最能代表數(shù)據(jù)有效信息的主成分。

2 SSA?BPNN

在麻雀群體的覓食過程中，麻雀個體分為發(fā)現(xiàn)者和加入者2種：發(fā)現(xiàn)者負責尋找食物的區(qū)域及方向；加入者根據(jù)發(fā)現(xiàn)者的位置實時調(diào)整自己的位置以尋獲食物。麻雀種群中的個體在覓食過程中互相監(jiān)視，加入者與攝入量較多的個體爭奪食物。當群體捕食環(huán)境出現(xiàn)危險，預警值達到臨界點，種群中出現(xiàn)預警者，麻雀種群會迅速反應并進行反捕食[8-12]。

在模式分類過程中，為使BPNN更好、更快地收斂，將BPNN的1組權(quán)值、閾值作為麻雀個體，通過尋找麻雀個體的最佳適應度值求得權(quán)值、閾值的最優(yōu)解，并賦值給BPNN。

3 截割負載類型識別流程

基于小波包分解和SSA?BPNN的截割負載類型識別流程如圖1所示，具體步驟如下。

圖1 基于小波包分解和SSA?BPNN的截割負載類型識別流程Fig.1 Cutting load typeidentification processbased on wavelet packet decomposition and sparrow search algorithm optimized back propagation neural network

（1）將多組振動信號劃分為空載、鋁土、巖石負載類型下的數(shù)據(jù)樣本，對樣本進行小波包分解后得到各子頻帶能量，并對其進行歸一化得到特征向量，進而對特征向量進行降維處理，并將其作為BPNN的輸入。

（2）確定BPNN的拓撲結(jié)構(gòu)。根據(jù)輸入的特征向量維度和模式種類，設定BPNN輸入層、隱含層、輸出層的神經(jīng)元個數(shù)。

（3）參數(shù)初始化。確定SSA最大迭代次數(shù)、種群規(guī)模、發(fā)現(xiàn)者所占種群比例、預警值及預警者數(shù)量。

（4）計算個體適應度值。用種群中的每個個體代表BPNN中的初始權(quán)值和閾值，利用適應度函數(shù)尋找較小的適應度值以尋找最優(yōu)解。

（5）更新麻雀位置。在迭代過程中，將適應度值較好的個體作為發(fā)現(xiàn)者；加入者根據(jù)發(fā)現(xiàn)者搜索到的食物范圍進行移動并與發(fā)現(xiàn)者搶奪食物資源；預警者在種群中隨機產(chǎn)生，比較麻雀個體當前的適應度值與當前全局最優(yōu)適應度值，并實時更新發(fā)現(xiàn)者、加入者和預警者的位置。

（6）比較位置更新后的個體適應度值，并與當前最優(yōu)適應度值相比較，達到最大迭代次數(shù)后選擇全局最優(yōu)解[13]。

（7）利用最優(yōu)解初始化BPNN并進行訓練。

（8）使用訓練后的SSA?BPNN進行截割負載分類。

4 試驗驗證

4.1 工程地質(zhì)條件

貴州某鋁土礦礦體賦存條件良好，礦層厚度變化大，主體礦層厚度為1.3～3.5 m，礦料堅固性系數(shù)變化范圍大，鋁土堅固性系數(shù)為2～5，巖石堅固性系數(shù)達6～8，地質(zhì)賦存情況見表1。參照煤礦開采經(jīng)驗，該礦引入綜合機械化開采技術(shù)，配備MG500/1170?AWD1采礦機。采礦機滾筒空載、截割鋁土和巖石時產(chǎn)生的振動信號存在明顯差異，因此，基于振動信號判斷采礦機截割負載類型。

表1 工作面地質(zhì)賦存Table 1 Geological occurrence of working face

4.2 傳感器及測點選擇

由于生產(chǎn)環(huán)境中采礦機搖臂預留螺孔堵塞、生銹，利用轉(zhuǎn)接板將傳感器固定于采礦機的方法不便實施，所以在試驗過程中選用便于安裝拆卸的磁吸式方法安裝傳感器。采用1A314E型三向壓電式加速度傳感器，參數(shù)見表2（g為重力加速度）。

表2 傳感器參數(shù)Table2 2 Sensor parameters

將磁吸式加速度傳感器安裝于搖臂傳動系統(tǒng)的一軸、三軸、五軸、七軸處（圖2），采樣頻率設置為10 kHz，對搖臂進行加載試驗（圖3），采集加載過程中的振動信號。搖臂加載試驗過程中，通過調(diào)節(jié)電流大小改變扭矩，并逐漸增加扭矩完成加載過程，加載試驗分為空載、加載50%、加載75%、滿載4個階段，各階段內(nèi)載荷恒定，每種工況下采集振動信號60 s。

圖2 測點布置Fig.2 Arrangement of measuring points

圖3 加載試驗平臺Fig.3 Loading test platform

選用均方根和峭度2個指標從時域特征上分析搖臂不同工況下的振動信號。均方根反映振動信號的振幅大?。磺投缺碚髡駝有盘栔袥_擊信號的多少，峭度值越偏離3，代表信號受沖擊激勵影響越大。各工況下，一軸、三軸、五軸、七軸處振動信號的均方根和峭度分別如圖4、圖5所示。由圖4可知，一軸處振動信號的均方根隨著負載的升高上升趨勢最明顯，表明一軸處傳感器對負載的變化最為敏感。由圖5可知，一軸處振動信號峭度值偏離3的程度最小，表明一軸處振動信號受沖擊振動影響最小。因此在后續(xù)工業(yè)性試驗中選用搖臂一軸作為傳感器安裝位置。

圖4 不同工況下各軸振動信號的均方根Fig.4 Root mean square of vibration signal of each shaft under different working conditions

圖5 不同工況下各軸振動信號的峭度Fig.5 Kurtosisof vibration signal of each shaft under different working conditions

4.3 工業(yè)性試驗方案

在工業(yè)性試驗過程中，為保證傳感器的可靠性，將傳感器吸附于搖臂一軸靠近支架側(cè)的殼體處，如圖6所示。采集空載、截割鋁土、截割巖石3種工況對應的振動信號[14-15]。在信號采集過程中，由專人跟隨采礦機，實時觀測滾筒位置，通過防爆手機、傳感器與電控箱中的標準時間，將采礦機滾筒位置等基本信息與振動信號進行同步關(guān)聯(lián)記錄與保存。

圖6 傳感器安裝位置Fig.6 Sensor installation position

4.4 特征向量提取及數(shù)據(jù)降維

采集采礦機滾筒空載、截割鋁土和巖石3種不同工況下的振動信號各40 s，采樣頻率為10 kHz，此時，每種工況下振動信號數(shù)據(jù)點為400 000個，單個樣本長度取400個數(shù)據(jù)點，則每種工況下振動信號數(shù)據(jù)點可劃分為1 000個樣本。

（1）特征向量提取。選取bior3.3小波基函數(shù)，對各樣本進行3層小波包分解，得到8個子頻帶能量及信號總能量，并利用離差標準化將數(shù)據(jù)映射至[0，1]，實現(xiàn)數(shù)據(jù)歸一化，如圖7所示?？煽闯霾煌撦d下信號在各子頻帶上的能量表現(xiàn)出一定的差異性，表明經(jīng)小波包分解后得到的能量特征可以作為區(qū)分不同負載類型的特征向量。

圖7 各子頻帶能量Fig.7 Energy of each sub-band

小波包能量特征向量見表3。

表3 小波包能量特征向量Table 3 3 Wavelet packet energy feature vectors

（2）數(shù)據(jù)降維。利用PCA方法對數(shù)據(jù)進行降維，各主成分貢獻率如圖8所示。可看出第一、第二、第三主成分已獲得累計貢獻率98.7%，因此可將9維特征向量降至3維。

圖8 主成分貢獻率Fig.8 Contribution rate of principal component

4.5 BPNN及SSA的參數(shù)初始化

（1）BPNN參數(shù)設置。由于降維后的特征向量為3維，設定輸入層神經(jīng)元個數(shù)u=3。[1 0 0]、[0 1 0]、[0 0 1]分別代表空載、鋁土、巖石3種負載，設定輸出層神經(jīng)元個數(shù)v=3。根據(jù)經(jīng)驗公式可得隱含層神經(jīng)元個數(shù)：

式中a為常量，取值范圍為（0，10）。

通過試算法可知，取l=11時，神經(jīng)網(wǎng)絡準確性最高，因此BPNN的拓撲結(jié)構(gòu)為3?11?3。

（2）SSA參數(shù)初始化。通過試算法，取最大迭代次數(shù)為30、種群規(guī)模為20，設置發(fā)現(xiàn)者所占種群比例為0.2，預警值為0.8，預警者數(shù)量為2。

4.6 結(jié)果分析

將特征向量作為BPNN和SSA?BPNN的輸入分別進行訓練，以均方誤差為指標評估2種訓練方案的性能，如圖9所示?？煽闯鯞PNN在124次迭代時達到收斂，SSA?BPNN在91次迭代時收斂；與BPNN相比，SSA?BPNN收斂速度更快、均方誤差更小。

取總樣本的10%作為測試集分別代入訓練好的BPNN和SSA?BPNN 2種神經(jīng)網(wǎng)絡中進行負載分類，結(jié)果如圖10所示（空載時的樣本編號為1?100，設為標簽0；截割負載為鋁土時的樣本編號為101?200，設為標簽1；截割負載為巖石時的樣本編號為201?300，設為標簽2）?？煽闯鯞PNN的識別準確率為91.7%，SSA?BPNN的識別準確率為95.3%，經(jīng)SSA優(yōu)化后的BPNN的識別準確率較BPNN有所提升。

圖10 負載分類結(jié)果Fig.10 Load classification results

5 結(jié)論

（1）基于小波包分解提取采礦機搖臂振動信號的能量特征，不同負載下振動信號的小波包能量特征在各頻率尺度下存在差異。

（2）利用SSA優(yōu)化BPNN的初始權(quán)值和閾值，加快了神經(jīng)網(wǎng)絡的收斂速度。

（3）經(jīng)小波包分解后得到的能量特征作為特征向量輸入SSA?BPNN，實現(xiàn)了空載、鋁土與巖石負載的分類，提高了負載類型識別準確率，達95.3%。