基于漸變信號的HHT-PCA-MRVM煤巖辨識算法*

曹慶春， 劉 帥， 王懷震， 蔡冬雷， 孟 超

(1.遼寧工程技術大學 電氣與控制工程學院,遼寧 葫蘆島 125105；2.臨沂正信工程勘察設計有限公司,山東 臨沂 276000)

?

基于漸變信號的HHT-PCA-MRVM煤巖辨識算法*

曹慶春1， 劉 帥1， 王懷震1， 蔡冬雷1， 孟 超2

(1.遼寧工程技術大學 電氣與控制工程學院,遼寧 葫蘆島 125105；2.臨沂正信工程勘察設計有限公司,山東 臨沂 276000)

針對井下無人、自動作業的新型采煤戰略目標，提出了對于截割電機輸入電流信號漸變的分析，通過Hilbert變換—主成分分析—多分類相關向量機(HHT-PCA-MRVM)對煤巖進行識別，從而滿足復雜的開采需求。在煤礦開采實驗平臺上進行了良好的實驗驗證，實驗證明：通過對傳感器采集傳輸的電流漸變信號分析，在煤巖突變時其值波動較為明顯，能夠很好地為MRVM煤巖識別提供分類界限，煤巖識別率為95 %，對于綜采自動化有較好的作用。

采煤機； 煤巖識別； 多分類相關向量機； Hilbert變換算法； 主成分分析算法

0 引 言

目前，井下煤巖識別主要根據工作人員經驗判斷，但作業環境惡劣、危險指數高，提高智能化煤巖識別對井下開采至關重要。

對于煤巖辨識的研究國內外頗為廣泛。文獻[1]通過采集采煤機搖臂受力信號分析進行煤巖識別，但信號對干擾敏感。文獻[2]采用超聲回波信號進行分析，但對窗函數的依賴性較大。文獻[3]通過支持向量機算法對煤巖圖像進行處理識別，但忽略了井下灰塵對圖形的干擾。文獻[4]通過高斯混合聚類算法進行煤巖識別，然而需要大量的傳感器投入進行數據采集，誤差較大。文獻[5]基于小波域統計建模進行煤巖辨識，但是準確率較低。文獻[6]對采煤機系統進行設計，但采用傳統記憶切割方法，由于需要提前獲取截割路徑，然后根據路徑進行開采，不利于多變復雜的煤巖。

針對以上問題，提出了基于截割電機輸入電流漸變的Hilbert變換—主成分分析—多分類相關向量機(HHT-PCA-MRVM)煤巖辨識算法。

1 輸入側電流漸變信號獲取

針對截割電機用轉子磁鏈定向控制[7]。轉子磁鏈方程為

(1)

定子磁鏈方程為

(2)

根據電流環PI輸出計算磁鏈為

(3)

可見定子電流對輸出端調制電壓的決定作用，定子電流矢量圖如圖1所示。

圖1 定子電流矢量

由此可知

(4)

(5)

由三角函數可知

(6)

當Δθ=θ-θ′→0，進行泰勒展開得

(7)

(8)

當采煤機切割同一煤質時，由于采用閉環控制相對穩定，此時

(9)

當出現切割煤巖硬度變化較大時，就會出現較大漸變電流信號

(10)

通過傳感器采集電機電壓電流信號進行分析，將輸出側電流漸變信號εi通過總線傳輸至上位機部分，進行煤巖識別。

2 基于HHT-PCA-MRVM的煤巖辨識算法

HHT主要由經驗模態分解(empirical mode decomposition,EMD)和Hilbert變換構成[8]。設原始信號x(t)，得到IMF向量有如下步驟：

1)求取x(t)極大值點集合x1(t)，以及x(t)極小值點x2(t)如下

(11)

2)求去除均值的剩余信號

h1(t)=x(t)-m(t)

(12)

若h1(t)不滿足IMF函數的條件，則將h1(t)重新作為“原始信號”，重復以上至h1(t)成為IMF1，記c1(t)如下

IMF1=c1(t)=h1(t)

(13)

3)將c1(t)從原信號x(t)中篩分出來，得到信號的剩余項r1(t)=x(t)-c1(t)。

4)將r1(t)作為新的“原始”信號，重復操作步驟(1)～步驟(3)，依次可以得到IMF2～IMFn，記作c1(t)，…，cn(t)。

(14)

當cn(t)或rn(t)滿足給定的終止條件時，篩分停止，最終得到rn(t)為原始信號的剩余序列，則原始信號x(t)的表達形式為

(15)

最后一個IMF分量cn(t)或剩余項rn(t)，變得較預期值小時便停止分解。

對IMF數據進行PCA，標準化處理得

X=(xij)m×p

(16)

計算協方差矩陣為

(17)

根據|λE-R|=0求出λ1。

主成份IMFi的貢獻率

(18)

累計貢獻率

(19)

累計貢獻率達90 %的特征值λ1,λ2和λ3等所對應的1，2，…，m(m≤p)，其中，m即為主成分的個數[9]。

輸出函數為

(20)

概率分布函數為

(21)

M分類樣本集似然函數為

(22)

先驗分布概率為

(23)

根據p(t|ω)的樣本空間函數值將ti歸屬到所在類別。實驗將煤巖識別類別分為3類。煤巖分層由軟煤、硬煤和巖石3種類別模型構成，分別采用3維列向量(0，0，1)T, (0，1，0)T, (1，0，0)T作為上述3種狀態的類別標簽。通過多項概率似然函數，實現多分類和輸出類別成員概率。

3 實驗驗證及其分析

基于上述理論，在開灤(集團)有限責任公司錢家營礦業分公司的采煤機樣機平臺進行實驗。將實驗環境進行改造分為四個區域Ⅰ,Ⅱ,Ⅲ和Ⅳ。前三個區域對應煤層硬度不同的相同材質的煤與巖，Ⅳ則構造成煤層硬度變化起伏較大的交替式煤巖結構，具體各區含義如表1。

表1 煤層劃分

首先，使采煤機正常啟動進入工作模式，然后，對輸出端電流信號進行采集，如圖2(a)為啟動過程狀態，圖2(b)所示為截割電機對Ⅳ區工作時傳輸回來的漸變信號。

圖2 實驗波形

由圖2可知，電機輸入信號穩定，對于一般的外界干擾能有抗性，當對于硬度變化很大時，其漸變電流波動性較為明顯。對采集到的信號，進行HHT-PCA。如圖3所示為Ⅳ區交替界面某一段時間(取參考點后6 s內)的漸變電流信號HHT分解的IMF圖。

圖3 IV區交替煤巖電流信號IMF1～IMF5

對所得出的各IMF進行PCA，表2列出了PCA處理下的協方差矩陣的特征值及方差貢獻率。可知:前2個主成份的累計貢獻率已達93.8 %，從第3個主成份開始，貢獻率變化率逐漸減變小。因此，取前2個主成份，將5個指標變為2個指標，可以很好地反映絕大部分變量信息。

將IMF1與IMF2作為煤巖識別參數帶入MRVM。電流漸變在Ⅰ，Ⅱ，Ⅲ都很平緩，所以,在各自區域都能較容易辨識，重點對Ⅳ區進行分析。

表2 特征值與貢獻率

將Ⅳ區每隔3 m隨機構造材質均勻的不同硬度煤巖，標定30個連續位置所對應的煤巖類型，經過MRVM與之對應的預測類型。表3所列其中所選20個位置，從中可以看出:除了標簽16外其他都能與實際對應，本次取樣實驗中，算法辨識率為95 %。

表3 基于HHT-PCA-MRVM實驗預測

4 結 論

1)通過傳感器對采煤機電信號采集，分析計算出漸變電流信號，傳輸給上位機數據存儲，對煤巖界面突變有相應的反映。

2)HHT-PCA-MRVM算法進行識別分析煤巖類型，能夠很好地對漸變信號進行處理，可以有效地識別煤巖類別。

[1] 田立勇，毛 君，王啟銘.基于采煤機搖臂惰輪軸受力分析的綜合煤巖識別方法[J].煤炭學報，2016，41(3):782-784.

[2] 李 力，魏 偉，唐汝琪.基于改進S變換的煤巖界面超聲反射信號處理[J].煤炭學報，2015，40(11):2580-2585.

[3] 孫繼平，佘 杰.基于支持向量機的煤巖圖像特征抽取與分類識別[J].煤炭學報，2013，38(2):508-509.

[4] 黃韶杰，劉建功.基于高斯混合聚類的煤巖識別技術研究[J].煤炭學報，2015，40(S2):577-582.

[5] 孫繼平，陳 洪.基于小波域非對稱廣義高斯模型的煤巖識別算法[J].煤炭學報，2015，4(S2):569-575.

[6] 李曉豁，李 婷，焦 麗，等.滾筒采煤機截割載荷的模擬系統開發及其模擬[J].煤炭學報，2016，41(2):503-506.

[7] 李 瀛，胡立坤，梁冰紅采用MRAS速度觀測器的異步電機無電壓傳感器DTC研究[J].傳感器與微系統，2015，34(6):61-63.

[8] 劉玉龍，李曉林.HHT在動態稱重傳感器處理非線性信號中的應用[J].傳感器與微系統，2015，34(7):158-160.

[9] 劉相彪，李 勇，陳振茂，等.脈沖遠場渦流檢測PCA-ICA聯合消噪技術[J].傳感器與微系統，2015，34(1):69-72.

[10] 金 鑫，胡 平.無線傳感器網絡入侵檢測系統模型[J].傳感器與微系統，2016，35(5):46-48.

[11] 易 輝，梅 磊，李麗娟，等.基于多分類相關向量機的水電機組振動故障診斷[J].中國電機工程學報，2014，37(17):2844-2849.

[12] 律方成，金 虎，王子建，等.基于主成分分析和多分類相關向量機的GIS局部放電模式識別[J].電工技術學報，2015，30(6):227-229.

HHT-PCA-MRVM coal and rock identification algorithm based on gradient signal*

CAO Qing-chun1， LIU Shuai1， WANG Huai-zhen1， CAI Dong-lei1， MENG Chao2

(1.Faculty of Electrical&Control Engineering,Liaoning Technical University,Huludao 125105,China;2.Linyi IS Engineering Survey and Design Co Ltd,Linyi 276000,China)

Aiming at new coal strategic target of undermine unmanned, automatic operation,put forward gradient analysis on cutting motor input current signal, identify coal and rock through HHT-PCA-MRVM to meet the demand of complex extraction.Coal mining test is carried out on experimental platform.Experimental results show that through analysis on current gradient signal of sensor collection and transmission,its value of fluctuation is relatively obvious,while mutations occur in coal and rock, it is able to provide MRVM classification for coal and rock identification, recognition rate is 95 %,it has good effect on fully mechanized automation.

shearer; coal and rock identification; MRVM ;HHT algorithm; PCA algorithm

10.13873/J.1000—9787(2017)08—0138—03

2016—08—11

國家自然科學基金資助項目(51274118)

TP 202

A

1000—9787(2017)08—0138—03

曹慶春(1992-)，男，碩士研究生，主要研究方向為檢測與控制、電力系統故障診斷、電力電子與電力傳動等。