USMC控制的采煤机HHT-PCA-MRVM煤岩辨识算法

付 华 曹庆春

(辽宁工程技术大学电气与控制工程学院 辽宁 葫芦岛 125105)



USMC控制的采煤机HHT-PCA-MRVM煤岩辨识算法

付 华 曹庆春

(辽宁工程技术大学电气与控制工程学院 辽宁 葫芦岛 125105)

针对井下无人、自动作业的新型采煤战略目标，提高对煤岩的辨识是至关重要的。在对采煤机截割电机控制的基础上，基于稀疏矩阵变换器理论，提出对于截割电机输入电流信号渐变的分析。通过HHT-PCA-MRVM对煤岩进行识别，从而实时对井下采煤机姿态进行调节来满足复杂的开采需求。该方法在某煤矿的开采实验平台上进行了良好的实验验证。实验表明：截割电机在USMC控制下，在煤岩突变时波动较为明显，能够很好地为MRVM煤岩识别提供分类界限。煤岩识别率为95%，对于综采自动化有较好的作用。

采煤机 超稀疏矩阵变换器 煤岩识别 多分类相关向量机 HHT算法 PCA算法

0 引 言

当前井下综采系统中采煤机姿态控制主要由井下工作者实时根据操作经验来进行煤岩识别，但其作业环境恶劣、危险指数高，因此提高智能化煤岩识别对井下开采至关重要。

对于煤岩辨识的研究，国内外涉及都较早。文献[1]通过采集采煤机摇臂受力信号分析进行煤岩识别，但信号对干扰敏感。文献[2]采用超声回波信号进行分析，但对窗函数的依赖性较大。文献[3]通过支持向量机算法对煤岩图像进行处理识别，但忽略了井下灰尘对图形的干扰。文献[4]通过高斯混合聚类算法进行煤岩识别，然而需要大量的传感器投入进行数据采集，误差较大。文献[5]基于小波域统计建模进行煤岩辨识，但是准确率较低。文献[6]对采煤机系统进行设计，但采用传统记忆切割方法，由于需要提前获取截割路径，然后根据路径进行开采，该方法不利于多变复杂的煤岩。

针对上面的问题，提出了基于USMC控制策略的截割电机输入电流渐变的HHT-PCA-MRVM煤岩辨识算法。

1 改进型USMC抑制干扰信号策略

采煤机井下控制电压受到强烈的干扰，这对截割电机的稳定运行是不利的，利用稀疏矩阵变换器可以产生驱动采煤机所需精确的、理想的三相正弦电。图1所示为包含整流级、逆变级两个部分的9开关超稀疏矩阵变换器[7-9]。

图1 USMC等效模型

1.1 整流级信号调制机理

整流级是为了输出理想直流电压，设参考输入电压为：

(1)

式中uaf、ubf、ucf三相参考输入电压；

Usim——输入相电压峰值；

ωi——输入电压角频率；

φ1——输入功率因数角；

θaf、θbf、θcf——a、b、c相输入电压电角度。

可选cosφ1=1，使电压利用率最优。整流级采用电流空间矢量控制策略[10]，如图2所示。

图2 超稀疏矩阵变换器空间矢量控制图

对于任意给定电流矢量Irf均可由所在扇区的矢量来合成。以第IV扇区为例，相电压uaf幅值绝对值最大，处于恒通状态，输入线电压uba、uca参加输出合成，定义在此状态下uba、uca的导通占空比分别为dba、dca。

Irf=dbaIba+dcaIca+d0I0

(2)

式中，dba、dca、d0对应为Iba、Ica、I0的开关占空比；

m1——整流级电流调制比。

在一个PWM周期作用内，整流级输出直流平均电压的值为：

Uda=dbauba+dcauca+d0u0

(3)

1.2 逆变级抑制干扰信号机理

在采煤机控制系统中通常采用由三相正弦电压调制的PWM形式的电压，且需要网侧输入正弦电在一定范围内可调，USMC逆变级空间矢量调制如图3所示。

图3 USMC逆变级调制图

类似于整流级调制策略，假设输出参考电压Urf处于第II扇区，对于传统USMC逆变级而言，V2、V3及零矢量的占空比可由如下公式表示：

(4)

dv3=m2sin(ωot)

(5)

dv0=1-dv2-dv3

(6)

式中，ωo——输出电压角频率；m2——逆变级电压调制比。

为获取较为精确的渐变电流信号，通过在逆变级[11]均匀、可选择插入两个零矢量加以改进，如图4所示为改进后的USMC调制方式。

图4 改进型USMC调制方式

当输入电压幅值绝对值较低时，采用两种零矢量调制；当输入电压幅值绝对值较高时，采用V7加入调制。

2 输入侧电流渐变信号获取

基于USMC的采煤机矢量控制调速系统如图5所示。

图5 渐变电流信号原理图

整个系统采用转子磁链定向控制[12]。转子磁链方程为：

(7)

定子磁链方程为：

(8)

由图6可知，根据电流环PI输出usα、usβ计算磁链为：

(9)

可见定子电流对输出端调制电压的决定作用，定子电流矢量图如图6所示。

图6 定子电流矢量图

由此可知：

由三角函数可知：

当Δθ=θ-θ′→0，进行泰勒展开得：

(10)

当采煤机切割同一煤质时，由于采用闭环控制相对稳定，此时：

当出现切割煤岩硬度变化较大时，就会出现较大渐变电流信号：

(11)

将USMC输出侧电流渐变信号εi通过总线传输到上位机部分，进行煤岩识别。

3 基于HHT-PCA-MRVM的煤岩辨识算法

HHT作为近年来诞生的自适应时频分析方法，它主要由EMD和Hilbert变换构成，其中EMD方法比较重要[13]。

设原始信号序列x(t)，得到IMF向量有如下几步：

(1) 求取x(t)极大值点集合x1(t)，以及x(t)极小值点x2(t)。

(12)

(2) 求去除均值的剩余信号h1(t)=x(t)-m(t)。

若h1(t)不满足IMF函数的条件，则将h1(t)重新作为 “原始信号”，重复以上至h1(t)成为IMF1，记c1(t)：

IMF1=c1(t)=h1(t)

(13)

(3) 将c1(t)从原信号x(t)中筛分出来，得到信号的剩余项：r1(t)=x(t)-c1(t)。

(4) 把r1(t)作为新的“原始”信号，重复操作(1)、(2)和(3)，依次可以得到IMF2至IMFn，记作c1(t)，c2(t)，…，cn(t)。

r1(t)-c2(t)=r2(t) ⋮rn-1(t)-cn(t)=rn(t)

(14)

当cn(t)或rn(t)满足给定的终止条件时，筛分停止，最后得到rn(t)为原始信号的剩余序列，则原始信号x(t)的表达形式为：

(15)

最后一个IMF分量cn(t)或剩余项rn(t)，变得比预期值小时便停止分解[14]。

对IMF数据进行主成份分析，标准化处理得：

X=(xij)m×p

(16)

计算协方差矩阵：

(17)

主成份IMFi的贡献率：

(18)

累计贡献率：

(19)

累计贡献率达90%的特征值λ1、λ2和λ3等所对应的1，2，…，m(m≤p)，其中m即为主成分的个数。

输出函数为：

(20)

概率分布函数为：

(21)

M分类样本集似然函数为：

(22)

先验分布概率为：

(23)

根据p(t|ω)的样本空间函数值将ti归属到所在类别。

根据实验，将煤岩识别类别分为3类。煤岩分层由软煤、硬煤和岩石3种类别模型构成，分别采用3维列向量(0，0，1)T、 (0，1，0)T、(1，0，0)T作为上述3种状态的类别标签。通过多项概率似然函数，实现多分类和输出类别成员概率。

4 试验验证及其分析

基于上述理论，在开滦(集团)有限责任公司钱家营矿业分公司的采煤机样机平台上进行实验，采煤机控制电路参数如表1所示。

表1 控制电路参数

实验环境进行改造其中分为四个区域I、II、III和IV。前三个区域对应煤层硬度不同的相同材质的煤与岩，IV则构造成煤层硬度变化起伏较大的交替式煤岩结构，具体各区含义如表2所示。

表2 煤层划分

首先使采煤机正常启动进入工作模式，然后对USMC输出端电流信号进行采集，如图7所示，(a)为USMC控制下电机输入电压电流，(b)为启动过程状态，(c)所示是截割电机对IV区工作时传输回来的渐变信号。

图7 实验波形

由图可知，采用USMC控制可以很好地使电机输入信号稳定，从而使电机能够有较强的鲁棒性，对于一般的外界干扰能有抗性。但是当对于硬度变化很大时，其渐变电流波动性较为明显。对于采集到的信号进行HHT-PCA分析。如图8所示为IV区交替界面某一段时间(取参考点后6 s内)的渐变电流信号HHT分解的IMF图。

图8 IV区交替煤岩电流信号IMF1-IMF5

对上面所得出的各IMF进行主成分分析，表3列出了PCA处理下的协方差矩阵的特征值及方差贡献率。

表3 特征值及贡献率

由上可知，前两个主成份的累计贡献率已达93.8%，从第3个主成分开始，贡献率变化率逐渐减变小，因此取前2个主成分，将5个指标变为2个指标，就可以很好地反映绝大部分变量信息。

将IMF1与IMF2作为煤岩识别参数带入MRVM。电流渐变在I、II、III都很平缓，所以在各自区域都能较容易辨识，重点对IV区进行分析。

将IV区每隔3 m随机构造材质均匀的不同硬度煤岩，标定30个连续位置所对应的煤岩类型，经过MRVM与之对应相应的预测类型。见表4所列其中所选20个位置，从中可以看出，除了标签16外其他都能与实际对应，在本次取样实验中，算法辨识率为95%，由此可知HHT-PCA-MRVM对渐变信号采集的实时性好，算法具有良好的收敛性与准确率。

通过识别的煤岩类别，可以调节采煤机的牵引速度与调高部件来完成自动开采[18]，这将是下一步研究重点。

表4 基于HHT-PCA-MRVM实验预测

5 结 语

(1) 采用USMC控制策略的采煤机，能够通过渐变电流信号，传输给上位机数据存储，对煤岩界面突变有相应的反映。

(2) HHT-PCA-MRVM算法进行识别分析煤岩类型，能够很好的对渐变信号进行处理，可以有效地识别煤岩类别。

(3) 该方法具有较高的煤岩辨识能力，对于井下无人、自动开采具有一定的帮助，同时如何根据识别的煤岩类型来调节采煤机姿态，使之能够较好地进行井下作业将是下一步研究重点。

[1] 田立勇,毛君,王启铭.基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法[J].煤炭学报,2016,41(3):782-784.

[2] 李力,魏伟,唐汝琪.基于改进S变换的煤岩界面超声反射信号处理[J].煤炭学报,2015,40(11):2580-2585.

[3] 孙继平,佘杰.基于支持向量机的煤岩图像特征抽取与分类识别[J].煤炭学报,2013,38(2):508-509.

[4] 黄韶杰,刘建功.基于高斯混合聚类的煤岩识别技术研究[J].煤炭学报,2015,40(S2):577-582.

[5] 孙继平,陈洪.基于小波域非对称广义高斯模型的煤岩识别算法[J].煤炭学报,2015,4(S2):569-575.

[6] 李晓豁,李婷,焦丽,等.滚筒采煤机截割载荷的模拟系统开发及其模拟[J].煤炭学报,2016,41(2):503-506.

[7] 齐琛,陈希有.一种可靠换流的双级矩阵变换器载波调制策略[J].电工技术学报,2013,28(6):185-189.

[8] 邓文浪,刘和,郭有贵,等.基于新型空间矢量调制策略的双输出—双级矩阵变换器研[J].电网技术,2014,32(12):3471-3475.

[9] 夏益辉,乔鸣钟,张晓峰,等.矩阵变换器间接空间矢量过调制策略分析与研究[J].电工技术学报,2015,30(21):25-30.

[10] 粟梅,张关关,孙尧,等.减少间接矩阵变换器共模电压的改进空间矢量调制策略[J].中国电机工程学报,2014,34(24):4016-4021.

[11] 史婷娜,安少波,阎彦,等.超稀疏矩阵变换器窄脉冲抑制[J].电工技术学报,2015,30(14):248-251.

[12] 郭磊磊,张兴,杨淑英,等.电动汽车用异步电机转子磁链定向校正算法研究[J].电工技术学报,2015,30(8):12-14.

[13] 孔琳琳.基于Hilbert-Huang的高压输电线路故障诊断研究[D].西安科技大学,2011:7-10.

[14] 罗忠运.基于希尔伯特-黄变换和模糊支持向量机的输电线路故障分类方法研究[D].西南交通大学,2011:7-9.

[15] 梁永亮,李可军,牛林,等.一种优化特征选择-快速相关向量机变压器故障诊断方法[J].电网技术,2013,37(11):3263-3264.

[16] 易辉,梅磊,李丽娟,等.基于多分类相关向量机的水电机组振动故障诊断[J].中国电机工程学报,2014,37(17):2844-2849.

[17] 律方成,金虎,王子建,等.基于主成分分析和多分类相关向量机的GIS局部放电模式识别[J].电工技术学报,2015,30(6):227-229.

[18] 苏秀平,李威,樊启高.采煤机滚筒调高滑模变结构控制策略[J].煤炭学报,2012,37(12):782-784.

HHT-PCA-MRVM COAL AND ROCK IDENTIFICATION ALGORITHM BASED ON USMC-CONTROLLED SHEARER

Fu Hua Cao Qingchun

(FacultyofElectricalandControlEngineering,LiaoningTechnicalUniversity,Huludao125105,Liaoning,China)

Aiming at the new coal mining strategic objective of unmanned underground and automatic operation, it is crucial to improve the identification of coal and rock. On the basis of cutting motor control of shearer, this paper presents the analysis of the gradual change of the cutting motor input current signal based on the control of shearer cutting motor based on the theory of sparse matrix converter. Through the HHT-PCA-MRVM to identify the coal and rock, in order to real-time down-hole shearer to adjust the attitude to meet the complex mining needs. The method is tested on a coal mining experiment platform. Experimental results show: USMC cutting motor under control, fluctuations in coal and rock when the mutation is more obvious, can well provide for the classification boundaries MRVM coal and rock identification, identification of coal was 95% for mechanized mining automation has a good effect. The experiment results show that the cutting motor is more obvious under the control of USMC, and it can provide a good classification boundary for MRVM coal-rock identification. The identification rate of coal and rock is 95%, which is good for fully mechanized mining automation.

Shearer Super sparse matrix converter Coal and rock identification MRVM HHT PCA

2016-07-23。国家自然科学基金项目(51274118)。付华，教授，主研领域：检测与控制，电力系统故障诊断。曹庆春，硕士生。

TP202+.7

A

10.3969/j.issn.1000-386x.2017.07.041