采煤机自动截割识别系统的应用研究

2021-10-15王磊

机械管理开发 2021年9期

王磊

（山西宁武德盛煤业有限公司，山西忻州 036700）

引言

在综采工作面中，采煤机作为最重要的采煤设备，通常使用滚筒进行采煤。由于煤矿开采工况恶劣，仅仅依靠简单的可视化，采煤机操作人员无法准确判断滚筒是否在切割煤、岩石或带矸煤[1-2]。这可能会导致出现煤炭质量差、采矿效率低的问题。此外，在煤矿中，许多事故的发生越来越频繁。产生这些问题的主要原因是煤矿设备的自动化水平过低。随着自动化技术的发展，采煤机的自动控制越来越受到人们的重视，对采煤机工作状态进行准确监测对采煤机的自动控制起着重要作用[3]。因此,研究采煤机切削模式识别已成为一个具有挑战性和重要意义的课题。

虽然许多煤岩识别方法有所发展，但它们都有一些共同的缺点。首先，煤岩探测器结构复杂，对煤层地质条件的要求过于苛刻，不能满足在实际生产中的广泛应用。此外，煤层中包含的煤矸石条件对识别率有敏感影响。而且由于实际生产操作条件恶劣，大多方法与实际不相符，无法满足实际领域的需求，误差较大[4]。在此背景下，本文参考了传统设备的故障诊断和模式识别方法，重点研究了采煤机切割模式识别方法。传感器广泛应用于模式识别和诊断系统中，通过提供机器的信息来解决感知问题。利用振动采集状态信息已成为一种有效的方法。在这方面，基于振动的分析是最常用的方法，也被证明对各种实际应用有效。对于采煤机来说，摇臂是关键部件，摇臂的振动能够综合反映采煤机的切削工况，通过对传感器信号进行适当的测量和处理，可以正确诊断出采煤机的切削工况[5]。

1 基于改进果蝇优化算法的最小二乘支持向量机

SVM是模式识别中解决分类问题的常用方法，这种方法最早是由Vapnik于1995年所提出的，在最优化求解方式和统计学的基础上，LSSVM是由SVM扩展而来的，LSSVM将最小二乘法准则用在了最优化函数求解，而不是仅限于不等式。

其中：J为目标函数，1/2wTw为平面度测量函数；C是正则化参数，它决定了训练误差与模型平坦度之间的权衡；εi是松弛变量；w是权重向量。

果蝇优化算法（FOA）是Pan提出的一种新的群体智能算法，是一种最优化计算方法。FOA核心方法是通过让果蝇自己寻找食物的行为发现食物。在寻找过程中，果蝇首先通过它的眼眶器官嗅出一种特殊的气味，接着从它的周围伙伴那里进行信息的数据交互，并比较当前的位置和方向。果蝇通过味道参来识别最佳适合度值，并向适合度更好的位置飞去。它们用敏锐的视觉寻找食物，然后朝那个方向飞得更远。图1展示了一个果蝇群体的食物寻找迭代过程。

图1 果蝇算法搜索迭代过程

2 基于该方法的采煤机截割模式识别系统

基于该方法的采煤机截割模式智能识别实质上是一个模式识别系统，主要包括数据采集、特征提取和模式识别与预测三个部分。

2.1 数据采集

采煤机的切削模式诊断从数据采集开始，采集机械工作信息。振动信号采集是传感器实现的最常用的方法。本研究通过安装在自行设计的采煤机截煤实验系统中的4个传感器获取数据，如图2所示。

2-1采煤机截煤实验台

图2 自行设计采煤机截煤实验系统

在图2中，S1、S2、S3、S4表示位于摇臂上的四个加速度计。数据采集由多功能高速采集器完成，采集数据通过USB传输到电脑中。采样频率设置为12.0 kHz，采样时间为0.50 s。不同模式下传感器S1的振动信号如图3所示。

图3 传感器S1在不同切割模式下的振动信号

2.2 特征提取

在任何模式识别和故障诊断系统中，信号特征提取都是关键的初始步骤。提取精度对最终的识别结果有很大的影响，为了获得理想的机械模式诊断特征，目前有很多对信号的处理方法能够解决这一问题，其中小波变换和傅里叶变换应用更广泛。当故障发生时，可能会出现新的频率分量，并可能发生频谱收敛的变化。但是，对于弱信号，特征被强背景噪声淹没，传统的特征提取方法很难提取出有效的特征。采用集合经验模态分解（EEMD），这种方式在初始信号分解前参入高斯白噪声，从而解决频率混叠问题。该方法非常适用于非平稳和非线性信号。

2.3 模式识别和预测

在采煤机切削模式识别系统中，LSSVM作为模式识别和预测方法，被广泛应用于诊断采煤机的工作模式。采用果蝇优化算法在LSSVM中确定出最优训练参数。

3 工业应用

为了验证所提出的采煤机控制方法的应用可行性，开发了基于该方法的采煤机控制系统，并在某采煤工作面进行了工业试验。系统的基本结构如图4所示。从图中可以看出，加速度计安装在采煤机摇臂壳体内部，以保证其可靠性。振动信号通过无线开关采集并传输到防爆计算机中。计算机可以处理信号，并执行提出的方法来识别采煤机切割模式。同时，利用三维虚拟现实系统，实现了采煤机工作状态的可视化显示。

图4 采煤工作面工业试验系统

该方法的目的是准确识别采煤机的切割模式，为采煤机的自动控制提供依据。因此，前切割电机的切割电流（见图5）为采煤机从25~45 m工作时的曲线图。在该监测周期内，前切电流在32.689 4~37.776 9 A范围内变化，平均值为34.807 4 A。最大电流仅比平均值大8.53%左右。结果表明，根据该方法提供的识别结果，采煤机能够在煤层中平稳、安全的工作，在实际应用中证明该系统是稳定可靠的。