邢 震

(1.中煤科工集團常州研究院有限公司，江蘇省常州市，213015；2.天地(常州)自動化股份有限公司，江蘇省常州市，213015)

煤礦井下特別是煤自燃需要重點監(jiān)測工作面上隅角的CO氣體并不僅來源于采空區(qū)遺煤氧化，還會來自煤層賦存原生以及工作面割煤。正常割煤作業(yè)流程對煤體的破壞較大，會涌出較多的CO氣體，而其他階段產(chǎn)生的CO氣體并不多，不同作業(yè)工序下產(chǎn)生CO氣體的規(guī)律明顯不同。因此為更有效地利用安全監(jiān)控系統(tǒng)CO數(shù)據(jù)從而進行煤自燃的監(jiān)測判定[1-2]，有必要對安全監(jiān)控系統(tǒng)原始數(shù)據(jù)進行深度挖掘，提取明顯的特征參數(shù)作為識別指標，將監(jiān)控系統(tǒng)中濃度時間序列與采煤工序有效對應(yīng)，從而以CO數(shù)據(jù)對采煤工序進行辨識，進而有助于煤礦工程技術(shù)人員更加及時地掌握和判斷綜采工作面的實時綜采作業(yè)狀況以及不同階段CO涌出特點作出不同的應(yīng)急預(yù)案，為后續(xù)不同工序下的分類預(yù)警提供支撐。

1 綜采工作面作業(yè)流程劃分

選取某煤礦綜采工作面為研究對象[3-4]，試驗工作面平均煤層厚度2.75 m，煤層傾角7°；工作面沿煤層走向布置，沿煤層傾向推進，采高2.8 m。采用單一走向長壁后退式綜采法，一次采全高，全部垮落法管理頂板。該工作面循環(huán)進度為0.6 m，采出率約95%, 每日推進6個正規(guī)循環(huán), 即日進度3.6 m。

正常生產(chǎn)期間工作面割煤工序為：前滾筒割頂煤，后滾筒割底煤，往返1次割兩刀煤，支架溜推移2個步距完成2個循環(huán)。采用端頭斜切進刀，采煤機割到端頭后，將前滾筒降下來，返回進行斜切進刀。同時液壓支架滯后采煤機跟機移架，直到走完彎曲段進入刮板輸送機的直線段。進入直線段后沿著原推刮板輸送機方向依次將刮板輸送機推直；彎曲段推直后，將采煤機靠近端頭前滾筒升起，向端頭返回割三角煤。三角煤割完后，調(diào)換采煤機行走方向，返程正常割煤。利用采煤機螺旋滾筒，配合刮板輸送機將煤經(jīng)橋式轉(zhuǎn)載機裝到帶式輸送機進行外運裝煤。

工作面采用“三八”作業(yè)制，二班采煤一班準備。具體作業(yè)流程如圖1所示，其中8∶00-9∶00為晚/早交接班時間，9∶00-16∶00為割煤時間，其中割煤工序和移架、移刮板輸送機、支護等工序順次進行，16∶00-17∶00為早/中交接班時間，17∶00-00∶00為檢修時間，00∶00-1∶00為中/晚交接班時間，1∶00-8∶00為割煤時間。由于不同采煤工序?qū)γ后w破壞程度不同、不同工序之間時間重疊以及不同工序維持的時間長短不一，根據(jù)各工序期間CO涌出程度，合理劃分模式識別的分類標準。其中割煤對煤體破壞力度最大，而移架、移刮板輸送機、支護等工序基本是與割煤同步進行，因此劃分為同一類，而交接班以及檢修分別劃分同一類，共劃分為交接班、割煤(含移架、移刮板輸送機、支護等工序)、檢修3類工序。

圖1 試驗工作面正規(guī)作業(yè)流程

2 上隅角CO濃度時間序列的小波閾值去噪

2.1 實驗數(shù)據(jù)采集

實驗數(shù)據(jù)來源于試驗工作面上隅角CO濃度歷史數(shù)據(jù)。該工作面按照《煤礦安全規(guī)程》規(guī)定，在工作面上隅角布置CO傳感器，記錄CO濃度時間序列曲線。選取最具代表性的T0處的CO傳感器濃度時間序列進行考察。

通過選取與上述煤礦工作面正規(guī)作業(yè)流程對應(yīng)的時間段，調(diào)取綜采工作面上隅角煤礦安全監(jiān)控系統(tǒng)24 h內(nèi)連續(xù)采集所得CO濃度時間密采數(shù)據(jù)，共計1 356個樣本點。

2.2 實驗數(shù)據(jù)去噪處理

小波閾值去噪是常用的信號處理方法，具體步驟如下[5-6]。

第一步：分解小波。根據(jù)含噪信號的特點，選用合適的小波基，若含噪信號信噪比高，采用光滑連續(xù)的小波基；若含噪信號信噪比低，采用線性小波基。確定分解層數(shù)j，對含噪信號進行分析，計算分析參數(shù)。

第二步：閾值函數(shù)構(gòu)造。重構(gòu)信號的連續(xù)性和精度取決于閾值函數(shù)的選擇，不同的含噪信號要采用相對應(yīng)的閾值函數(shù)，其構(gòu)造影響小波濾波效果，如果選取得當，不僅可以保證在閾值處函數(shù)連續(xù)，從而使噪聲濾除效果好，還能存留含噪信號的突變狀態(tài)，更好地接近原始信號，為后期數(shù)據(jù)分析提供準確的數(shù)據(jù)保證。閾值函數(shù)主要包含硬閾值函數(shù)和軟閾值函數(shù)，其中硬閾值是將小波分解系數(shù)后的絕對值與閾值進行對比，如果信號不大于閾值則設(shè)置為零，反之保持不變。這種重構(gòu)信號的方式必然導致其重構(gòu)函數(shù)不連續(xù)，噪聲過濾后產(chǎn)生振蕩現(xiàn)象，信號也會失真。軟閾值函數(shù)是將小波分解系數(shù)后的絕對值與閾值進行對比后，把不大于閾值的函數(shù)設(shè)置為零，而大于閾值的信號設(shè)置為絕對值與閾值的差，這樣信號就會趨向于零。軟閾值函數(shù)的本質(zhì)決定了其連續(xù)性優(yōu)于硬閾值函數(shù)，由于其導數(shù)不連續(xù)，小波系數(shù)與帶噪小波系數(shù)有偏差，并且對閾值大的系數(shù)進行定值壓縮，這與噪聲隨小波系數(shù)增加而減少是不一致的，所以軟閾值函數(shù)盡管在去噪后信號相對平緩，但是信號也有可能出現(xiàn)失真的情況。綜合硬閾值函數(shù)和軟閾值函數(shù)的優(yōu)點，煤礦安全監(jiān)測系統(tǒng)CO異常數(shù)據(jù)剔除常采用改進的閾值構(gòu)造函數(shù)，可以避免硬閾值函數(shù)在重構(gòu)中出現(xiàn)信號振蕩現(xiàn)象外，還可以避免軟閾值函數(shù)失真的現(xiàn)象。改進后的閾值構(gòu)造函數(shù)如下：

(1)

式中：λ1——上閾值；

λ2——下閾值；

wj,k——原始小波系數(shù)。

第三步：閾值的選取。小波閾值在濾波中起到關(guān)鍵作用[7-9]，適當?shù)拈撝挡粌H能有效去除噪聲信號，而且不至于誤除有效信號，若閾值太大，會使一部分有效信號丟失，進而使得重構(gòu)信號失真，若閾值太小，則無法有效地去除噪聲信號。由于煤礦井下CO濃度波動性較大、規(guī)律性不強，經(jīng)過分析選擇無偏風險估計準則確定閾值，保證在濾除絕大部分噪聲信號前提下保留最多的有效信號。

第四步：重構(gòu)小波。重構(gòu)小波就是通過上述方法，經(jīng)過閾值函數(shù)處理后的小波系數(shù)經(jīng)過逆變換得到的信號，在煤礦安全監(jiān)控系統(tǒng)中經(jīng)過重構(gòu)可得到濾除噪聲后的CO濃度曲線。

在經(jīng)過小波降噪后的序列，消除了原始序列中大部分噪聲的影響，同時保持了原序列的特征和趨勢，對后續(xù)研究工作提供了良好的數(shù)據(jù)基礎(chǔ)。CO濃度時間序列密采數(shù)據(jù)降噪前后曲線如圖2所示。

圖2 CO濃度時間序列密采數(shù)據(jù)降噪前后曲線

3 綜采工作面CO涌出特征提取

影響模式識別最重要的是有效特征參數(shù)的提取和分類識別的算法[10]。數(shù)據(jù)特征的參數(shù)眾多，如果樣本數(shù)據(jù)選取的特征參數(shù)不明顯，那么無論是采用哪種分類算法，都無法將數(shù)據(jù)進行有效分類。因此對模式識別來說最重要的前提是選取明顯表征數(shù)據(jù)特征的參數(shù)。當綜采工作面作業(yè)流程發(fā)生改變時，CO濃度時間序列信號的能量分布會發(fā)生明顯變化，不同綜采工作面作業(yè)流程對應(yīng)不同的CO濃度時間序列頻帶能量的分布特點，所以可以通過不同頻段內(nèi)信號的能量譜分布規(guī)律來辨識綜采工作面作業(yè)流程的類別。筆者采用小波包能量分析方法完成掘進作業(yè)不同類型工序CO濃度時間序列信號的特征提取。

3.1 能量譜特征提取步驟

采用小波包能量譜對安全監(jiān)控系統(tǒng)原始信號進行特征向量提取的步驟[11-12]如圖3所示。

根據(jù)圖3步驟，通過合理的小波基和小波分解層數(shù)的確定方案[13-15]，以Db5為小波基對采集并預(yù)去噪處理的安全監(jiān)控系統(tǒng)上隅角CO濃度時間序列進行3層小波包分解，得到各頻帶系數(shù)分布圖，并通過小波包能量譜的方法提取8個頻帶內(nèi)的能量作為特征向量，作為識別綜采工作面不同工序的特征參數(shù)。

圖3 特征向量提取步驟

3.2 綜采工作面CO涌出特征提取

根據(jù)上述小波包能量譜特征提取方法，得到綜采工作面在交接班、割煤、檢修期間CO濃度時間序列小波包分解頻帶波形和8個頻帶內(nèi)的特征能量譜，分別如圖4和圖5所示。

圖4 不同作業(yè)工序CO濃度時間序列小波包分解頻帶波形

在綜采工作面不同作業(yè)流程CO濃度時間序列信號的能量譜中，某個或某幾個頻段的能量占比規(guī)律決定了該工序的特點。

由圖5可以看出，3種工序在第1頻段內(nèi)能量占比均最高，其中割煤工序在第1頻段內(nèi)能量占比達94.32%，交接班工序在第1頻段內(nèi)能量占比最低也達到了64.99%；2～8頻段內(nèi)3種工序的能量分布呈現(xiàn)不同的規(guī)律，其中交接班期間各頻段分布不均勻，6、7頻段能量占比相對較高，4、8頻段能量占比最低；割煤(含移架、移刮板輸送機、支護等工序)工序2～8頻段能量分布相對均勻，集中在0.71%～0.97%之間，特征明顯容易識別；檢修工序2～8頻段能量分布呈現(xiàn)另一種規(guī)律，中間4、5頻段能量相對較高，其他頻段能量低且不均衡。

圖5 不同作業(yè)工序CO濃度時間序列小波包分解各頻段能量分布

以小波包能量譜特征提取出的標準樣本中各個頻段能量作為特征參數(shù)，將其依次排列做為特征向量。不同工序代表性標準識別樣本見表1。

表1 不同工序代表性標準識別樣本

4 基于RBF神經(jīng)網(wǎng)絡(luò)的CO涌出模式識別

4.1 RBF網(wǎng)絡(luò)的結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)屬于只含有1個隱含層的前向網(wǎng)絡(luò)[16-18]，依次由輸入層、隱含層以及輸出層組成。RBF神經(jīng)網(wǎng)絡(luò)最明顯的特點是隱含層節(jié)點的基函數(shù)采用距離函數(shù)，激活函數(shù)則利用徑向基函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)的原理是通過徑向基函數(shù)對輸入測試向量變換，使得高維空間中可映射輸入的低維測試數(shù)據(jù)，進而將輸出值采用加權(quán)求和，最終將計算結(jié)果映射到低維度空間中并輸出。RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)是多維空間的中心點，存在徑向?qū)ΨQ性，并且與中心點越近的輸入向量，其神經(jīng)元激活水平越高，反之越低，所以隱藏節(jié)點具有局部特性[19]。RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的輸入層由待處理信號的節(jié)點構(gòu)成，X=[x1,x2,…,xn]T，其中n表示待處理信號的節(jié)點數(shù)目；中間的隱藏層H=[h1,h2,…,hm]T為徑向基函數(shù)，其中m表示隱含層節(jié)點數(shù)目，通常用高斯函數(shù)表示：

(2)

tim=[ti1,ti2,…，tiM]

式中：tim——徑向基函數(shù)的中心；

σi——徑向基函數(shù)的方差。

假設(shè)神經(jīng)網(wǎng)絡(luò)輸入的訓練樣本為Xk，神經(jīng)網(wǎng)絡(luò)第j個輸出目標的輸出結(jié)果表示為：

(3)

式中：ω0j——權(quán)重。

RBF神經(jīng)網(wǎng)絡(luò)主要是對基函數(shù)的中心、方差以及權(quán)重3個參數(shù)進行求解。算法主要分為兩步，第一步為訓練階段，主要是求解隱含層基函數(shù)中心以及方差，第二步是學習階段，完成權(quán)重的求解。

4.2 驗證

根據(jù)試驗工作面正規(guī)作業(yè)循環(huán)，將綜采工作面正規(guī)作業(yè)流程合理劃分為3類識別類型，在RBF神經(jīng)網(wǎng)絡(luò)中，將交接班模式設(shè)置輸出值為01，割煤模式(含移架、移刮板輸送機、支護等工序)設(shè)置輸出值為02，檢修模式設(shè)置輸出值為03，將此數(shù)組當作神經(jīng)網(wǎng)絡(luò)的期望輸出值。對提取的能量譜特征向量進行歸一化處理后輸入至RBF神經(jīng)網(wǎng)絡(luò)，以已知的作業(yè)流程模式為輸出量，進行訓練，3類模式的訓練樣本共計86個。神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)目共8個，隱含層節(jié)點數(shù)目共24個，設(shè)置神經(jīng)網(wǎng)絡(luò)計算誤差的目標值為0.001，經(jīng)過訓練樣本的輸入輸出學習，計算出基函數(shù)的中心、方差以及權(quán)重3個主要參數(shù)。神經(jīng)網(wǎng)絡(luò)學習完成后重新將訓練樣本輸入進行模式識別，得出分類結(jié)果全部正確，說明神經(jīng)網(wǎng)絡(luò)學習效果良好。

提取其他工作日的樣本數(shù)據(jù)，按照上述能量譜提取的方法進行特征向量提取后，與當日的作業(yè)流程進行比對，確定各時間段對應(yīng)的工作面作業(yè)流程，作為測試樣本共10組，對已知模式類型但未參數(shù)訓練的10組測試樣本進行模式識別，測試結(jié)果見表2。

由表2可以看出，10組測試數(shù)據(jù)的模式識別結(jié)果中有9個識別結(jié)果與實際工作面作業(yè)工序一致，識別率為90%，由此說明RBF神經(jīng)網(wǎng)絡(luò)能完成綜采工作面作業(yè)工序的分類目的，可以應(yīng)用于現(xiàn)場的模式識別中。

表2 測試樣本神經(jīng)網(wǎng)絡(luò)測試效果

5 結(jié)論

(1)通過對安全監(jiān)控系統(tǒng)上隅角CO濃度時間序列利用小波包三層分解的方法提取8個頻帶的能量譜分布情況作為模式識別的特征向量，能明顯地區(qū)分綜采工作面不同作業(yè)流程，說明小波包提取出的能量譜作為不同采煤工序的特征參數(shù)是可行的。

(2)將提取的能量譜特征向量作為輸入?yún)?shù)進行RBF神經(jīng)網(wǎng)絡(luò)訓練后求得基函數(shù)的中心、方差以及權(quán)重3個主要參數(shù)，對已知模式類型但未參數(shù)訓練的10組測試樣本進行模式識別，正確率為90%，說明這種方法能有效地區(qū)分綜采工作面不同采煤工序下的CO濃度時間序列，可以應(yīng)用于現(xiàn)場。