基于振动信号的采煤机煤岩截割状态识别

2022-02-11李福涛王忠宾

煤炭工程 2022年1期

李福涛，王忠宾，司垒，谭超，梁斌，2

(1.中国矿业大学机电工程学院，江苏徐州 221116；2.中国矿业大学徐海学院，江苏徐州 221116)

采煤机作为煤矿井下关键设备之一，其智能化水平直接决定能否实现综采工作面的“无人化”，而实现“无人化”综采工作面的关键技术之一就是采煤机的截割状态识别[1]。目前综采工作面还不能通过识别采煤机的截割状态，实现完全“无人化”的采煤机自适应调高。准确识别出采煤机的截割状态，既可以提高煤的开采率，又可以保护设备不受磨损，同时减少井下人员数量及工人[2]。因此实现采煤机煤岩截割状态识别，对实现综采工作面的“无人化”，采煤机的高效安全生产具有重要意义[3]。

因为井下的特殊环境，采集到的摇臂振动信号都是非平稳的信号，因此信号的特征提取直接影响着煤岩截割状态识别的准确率[4，5]。针对此类信号的特征提取，小波变换[6]、集合经验模态分解[7]和小波包[8]等方法被广泛应用。因小波包对信号的高频和低频同时分解，其分辨率更高[9]。针对小波包能量、小波熵等传统特征提取方法特征值区别不明显的问题，提出了小波包频带方差的特征提取[10]。学习向量量化(Learning Vector Quantization，LVQ)神经网络的网络结构简单，对于输入的向量，不需要再进行其他步骤的处理，简单易行，因此在模式识别领域有着广泛的应用[11]。

本文提出了基于小波包分解和LVQ神经网络的煤岩截割状态识别方法。首先对采集的信号进行小波包分解，计算分解后的各频带的方差，并将其作为LVQ神经网络的输入，实现煤岩截割状态识别，通过实验验证了此方法的可行性。

1 采煤机摇臂振动信号特征提取

1.1 小波包理论

小波包变换与小波变换不同，小波包变换将信号频率分解范围扩大，对原始信号的高频部进行了分解，解决了小波变换导致的高、低频率的分辨率不同的问题[12，13]。小波包的分解过程如图1所示。

其具体定义为：

μn(x)，n=2l或n=2l+1，l=0，1，…，称为关于正交基函数μ0(x)=φx的小波包，μ1(x)=φx。

式中，μ0(x)定义为尺度函数φx；μ1(x)是小波基函数；φx是由标准正交化的多尺度生成元φx导出的函数[14]。

1.2 特征提取

当采煤机截割不同类型的煤岩时，采煤机摇臂所受的外部激励也不同，这就导致采煤机摇臂的振动信号不同，经小波包分解后，子频带存在很大的差异[15]，方差是每个子频带信号中小波包系数和此频带中小波包系数的均值之差的平方和的平均。它既包含了各频带的能量特征，又可以表示信号的偏离程度。因此方差信号作为特征值效果会更好。本文将采煤机摇臂的振动信号进行了小波包分解，分解层数为3，经实验分析，确定小波基为“db8”。通过此方法得到小波包分解系数，按照式(3)计算出其方差，并以此作为特征向量。

2 学习向量量化(LVQ)神经网络

LVQ神经网络是一种输入前向神经网络，从竞争算法演化而来。它用于训练竞争层，而且是有监督学习方法。构造单一是LVQ神经网络的主要优点。其由输入层、竞争层和线性输出层构成[16，17]。LVQ神经网络的基本步骤：

1)初始化输入层与竞争层之间的权值ωij及学习率η(η>0)。

2)将输入向量送入到输入层，并计算竞争层神经元与输入向量的距离：

式中，ωij为输入层神经元j与竞争层神经元i之间的权值；i=1，2，…，S1；S1为竞争层神经元个数。

3)选择与输入向量距离最小的竞争层神经元，若di最小，则记与之连接的线性输出层神经元的类标签为Ci。

4)记输入向量对应的标签为Cx，若Ci=Cx，则用如下方法调整权值：

ωij_new=ωij_old+η(x-ωij_old)

(5)

否则，按如下方法进行权值更新：

ωij_new=ωij_old-η(x-ωij_old)

(6)

3 实验平台搭建与实验分析

3.1 实验平台搭建

为了验证本文提出的基于振动信号的采煤机截割状态识别方法的可行性，在中国矿业大学的矿山智能采掘装备省部共建协同创新中心搭建了采煤机煤岩截割实验平台，并进行了实验，通过此实验平台获取采煤机摇臂的振动信号，以此来验证本文所提的基于小波包分解和LVQ神经网络模式识别方法在煤岩截割模式识别中的可靠性。

本次实验搭建的采煤机煤岩截割实验平台如图2所示，主要包括煤岩截割系统和数据采集系统。煤岩截割系统由采煤机、截割式样和固定台架等组成；数据采集系统主要包括振动传感器和工控计算机。

图2 煤岩截割实验平台

此次实验采煤机型号为MG150/345-WDK。振动信号采集传感器型号为AKE390B电压型加速度计。将传感器安装在面朝截割试样的摇臂的右侧上。

此次截割试样是将水泥、煤和沙子按照不同的比例混合得到，主要有两种不同的截割材料，如图3所示，其中，试样Ⅰ材料配比为：水泥、细沙和煤的重量按照1∶1∶1混合而成；试样Ⅱ配比为水泥、细沙和煤的重量按照1∶1∶2混合而成。

图3 截割试样

此次实验对采煤机截割试样Ⅰ、截割试样Ⅱ和采煤机空载3种采煤机煤岩截割状态进行了实验，通过AKE390B电压型加速度计采集到这三种煤岩截割状态下的采煤机摇臂振动信号。在此次实验过程中，振动信号的采集频率为4000Hz，对3种煤岩截割状态分别采集了60组数据，每一组信号都包含2000个数据点，共得到180组数据。

3.2 实验分析

随机选择的3种煤岩截割状态信号的时域波形如图4所示。分析可知，由三类信号的原始波形很难直接判断煤岩截割状态，因此必须进一步分析信号，提取特征向量。

图4 不同煤岩截割状态下的时域振动信号

根据第1.1节提出的方法，对振动信号进行3层小波包分解，从图5可以看出采煤机空载时的振动信号被分解到8个频段上。采用第1.2节叙述的方法，将采煤机摇臂振动信号进行小波包分解，计算出最后一层子频带的方差，3种不同振动信号的子频带方差见表1，通过分析表1可知：最后一层子频带的方差，其变化趋势明显不同，根据这一特征可以实现煤岩截割模式的识别。

图5 采煤机空载振动信号的第3层小波包分解

定义采煤机空载、截割试样I、截割试样II的分类标签依次是1、2和3。将所有采集到的数据均按此方法处理，即可得到所需要的训练数据和测试数据。特征向量的部分数据见表1。

表1 特征向量部分数据

将采集到的180组煤岩截割状态数据作为特征向量输入到LVQ神经网络，随机选取140组数据作为训练集，剩余的40组作为测试集进行模式识别，从而训练LVQ神经网络，分别对采煤机截割试样I、截割试样II和采煤机空载3种截割模式进行识别。如图6所示为某一次随机选择40组数据的测试结果，3种采煤机煤岩截割模式识别的结果达到100%。分类效果十分理想，因此可以将其应用在采煤机煤岩截割模式识别。

图6 LVQ神经网络分类结果

为了说明LVQ神经网络在采煤机截割状态识别中的稳定性及发展前景，将采用本方法得到的结果与采用BP神经网络和SVM两种方法得到的结果进行对比分析。每种模式识别方法的振动信号的预处理方式完全相同，全部以子频带的方差作为特征向量，随机选取10次，每次随机选取40组3种截割模式的数据，进行分类识别，并计算出每种模式识别方法下3种截割状态识别的准确率的平均值，三种模式识别方法的识别结果如图7—图9所示。

图7 BP神经网络分类结果统计

图8 SVM分类结果统计

图9 LVQ神经网络分类结果统计

从图7可以看出采用BP神经网络对测试数据进行分类，对于截割试样Ⅰ和截割试样Ⅱ识别效果很好，经计算10次结果识别准确率均值分别达到97.00%、93.44%。但是采煤机空载状态时识别的准确率主要集中在65%～90%之间，10次结果的均值为83.967%，识别结果不是很理想。

从图8可以看出采用支持向量机(SVM)对测试数据进行分类，对采煤机空载和截割试样I两种状态的识别准确率很高，均在95%以上，且很稳定。但是对于截割试样II时的识别效果很不理想，识别准确率主要在40%～80%，经计算，10次结果的均值为53.67%。

利用LVQ神经网络的10次分类结果如图9所示，从中可以看出对于采煤机空载状态和截割试样I时的识别效果很好，其识别准确率接近100%。虽然截割试样II时的识别的准确率变化很大，但大都集中在90%以上，且经计算，10次结果的均值为95.32%，对于三种截割状态识别的准确率均达到了95%以上，分类效果良好且十分稳定，因此LVQ神经网络在采煤机截割状态识别中具有良好的发展前景。