USMC控制的采煤機HHT-PCA-MRVM煤巖辨識算法

付 華 曹慶春

(遼寧工程技術大學電氣與控制工程學院 遼寧 葫蘆島 125105)

?

USMC控制的采煤機HHT-PCA-MRVM煤巖辨識算法

付 華 曹慶春

(遼寧工程技術大學電氣與控制工程學院 遼寧 葫蘆島 125105)

針對井下無人、自動作業的新型采煤戰略目標，提高對煤巖的辨識是至關重要的。在對采煤機截割電機控制的基礎上，基于稀疏矩陣變換器理論，提出對于截割電機輸入電流信號漸變的分析。通過HHT-PCA-MRVM對煤巖進行識別，從而實時對井下采煤機姿態進行調節來滿足復雜的開采需求。該方法在某煤礦的開采實驗平臺上進行了良好的實驗驗證。實驗表明：截割電機在USMC控制下，在煤巖突變時波動較為明顯，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 超稀疏矩陣變換器 煤巖識別 多分類相關向量機 HHT算法 PCA算法

0 引 言

當前井下綜采系統中采煤機姿態控制主要由井下工作者實時根據操作經驗來進行煤巖識別，但其作業環境惡劣、危險指數高，因此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，國內外涉及都較早。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，該方法不利于多變復雜的煤巖。

針對上面的問題，提出了基于USMC控制策略的截割電機輸入電流漸變的HHT-PCA-MRVM煤巖辨識算法。

1 改進型USMC抑制干擾信號策略

采煤機井下控制電壓受到強烈的干擾，這對截割電機的穩定運行是不利的，利用稀疏矩陣變換器可以產生驅動采煤機所需精確的、理想的三相正弦電。圖1所示為包含整流級、逆變級兩個部分的9開關超稀疏矩陣變換器[7-9]。

圖1 USMC等效模型

1.1 整流級信號調制機理

整流級是為了輸出理想直流電壓，設參考輸入電壓為：

(1)

式中uaf、ubf、ucf三相參考輸入電壓；

Usim——輸入相電壓峰值；

ωi——輸入電壓角頻率；

φ1——輸入功率因數角；

θaf、θbf、θcf——a、b、c相輸入電壓電角度。

可選cosφ1=1，使電壓利用率最優。整流級采用電流空間矢量控制策略[10]，如圖2所示。

圖2 超稀疏矩陣變換器空間矢量控制圖

對于任意給定電流矢量Irf均可由所在扇區的矢量來合成。以第IV扇區為例，相電壓uaf幅值絕對值最大，處于恒通狀態，輸入線電壓uba、uca參加輸出合成，定義在此狀態下uba、uca的導通占空比分別為dba、dca。

Irf=dbaIba+dcaIca+d0I0

(2)

式中，dba、dca、d0對應為Iba、Ica、I0的開關占空比；

m1——整流級電流調制比。

在一個PWM周期作用內，整流級輸出直流平均電壓的值為：

Uda=dbauba+dcauca+d0u0

(3)

1.2 逆變級抑制干擾信號機理

在采煤機控制系統中通常采用由三相正弦電壓調制的PWM形式的電壓，且需要網側輸入正弦電在一定范圍內可調，USMC逆變級空間矢量調制如圖3所示。

圖3 USMC逆變級調制圖

類似于整流級調制策略，假設輸出參考電壓Urf處于第II扇區，對于傳統USMC逆變級而言，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——輸出電壓角頻率；m2——逆變級電壓調制比。

為獲取較為精確的漸變電流信號，通過在逆變級[11]均勻、可選擇插入兩個零矢量加以改進，如圖4所示為改進后的USMC調制方式。

圖4 改進型USMC調制方式

當輸入電壓幅值絕對值較低時，采用兩種零矢量調制；當輸入電壓幅值絕對值較高時，采用V7加入調制。

2 輸入側電流漸變信號獲取

基于USMC的采煤機矢量控制調速系統如圖5所示。

圖5 漸變電流信號原理圖

整個系統采用轉子磁鏈定向控制[12]。轉子磁鏈方程為：

(7)

定子磁鏈方程為：

(8)

由圖6可知，根據電流環PI輸出usα、usβ計算磁鏈為：

(9)

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6所示。

圖6 定子電流矢量圖

由此可知：

由三角函數可知：

當Δθ=θ-θ′→0，進行泰勒展開得：

(10)

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：

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：

(11)

將USMC輸出側電流漸變信號εi通過總線傳輸到上位機部分，進行煤巖識別。

3 基于HHT-PCA-MRVM的煤巖辨識算法

HHT作為近年來誕生的自適應時頻分析方法，它主要由EMD和Hilbert變換構成，其中EMD方法比較重要[13]。

設原始信號序列x(t)，得到IMF向量有如下幾步：

(1) 求取x(t)極大值點集合x1(t)，以及x(t)極小值點x2(t)。

(12)

(2) 求去除均值的剩余信號h1(t)=x(t)-m(t)。

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)：

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) 把r1(t)作為新的“原始”信號，重復操作(1)、(2)和(3)，依次可以得到IMF2至IMFn，記作c1(t)，c2(t)，…，cn(t)。

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

(14)

當cn(t)或rn(t)滿足給定的終止條件時，篩分停止，最后得到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)，變得比預期值小時便停止分解[14]。

對IMF數據進行主成份分析，標準化處理得：

X=(xij)m×p

(16)

計算協方差矩陣：

(17)

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。

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。

根據實驗，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。

4 試驗驗證及其分析

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上進行實驗，采煤機控制電路參數如表1所示。

表1 控制電路參數

實驗環境進行改造其中分為四個區域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2所示。

表2 煤層劃分

首先使采煤機正常啟動進入工作模式，然后對USMC輸出端電流信號進行采集，如圖7所示，(a)為USMC控制下電機輸入電壓電流，(b)為啟動過程狀態，(c)所示是截割電機對IV區工作時傳輸回來的漸變信號。

圖7 實驗波形

由圖可知，采用USMC控制可以很好地使電機輸入信號穩定，從而使電機能夠有較強的魯棒性，對于一般的外界干擾能有抗性。但是當對于硬度變化很大時，其漸變電流波動性較為明顯。對于采集到的信號進行HHT-PCA分析。如圖8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8 IV區交替煤巖電流信號IMF1-IMF5

對上面所得出的各IMF進行主成分分析，表3列出了PCA處理下的協方差矩陣的特征值及方差貢獻率。

表3 特征值及貢獻率

由上可知，前兩個主成份的累計貢獻率已達93.8%，從第3個主成分開始，貢獻率變化率逐漸減變小，因此取前2個主成分，將5個指標變為2個指標，就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。

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與之對應相應的預測類型。見表4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，在本次取樣實驗中，算法辨識率為95%，由此可知HHT-PCA-MRVM對漸變信號采集的實時性好，算法具有良好的收斂性與準確率。

通過識別的煤巖類別，可以調節采煤機的牽引速度與調高部件來完成自動開采[18]，這將是下一步研究重點。

表4 基于HHT-PCA-MRVM實驗預測

5 結 語

(1) 采用USMC控制策略的采煤機，能夠通過漸變電流信號，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，能夠很好的對漸變信號進行處理，可以有效地識別煤巖類別。

(3) 該方法具有較高的煤巖辨識能力，對于井下無人、自動開采具有一定的幫助，同時如何根據識別的煤巖類型來調節采煤機姿態，使之能夠較好地進行井下作業將是下一步研究重點。

[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] 齊琛,陳希有.一種可靠換流的雙級矩陣變換器載波調制策略[J].電工技術學報,2013,28(6):185-189.

[8] 鄧文浪,劉和,郭有貴,等.基于新型空間矢量調制策略的雙輸出—雙級矩陣變換器研[J].電網技術,2014,32(12):3471-3475.

[9] 夏益輝,喬鳴鐘,張曉峰,等.矩陣變換器間接空間矢量過調制策略分析與研究[J].電工技術學報,2015,30(21):25-30.

[10] 粟梅,張關關,孫堯,等.減少間接矩陣變換器共模電壓的改進空間矢量調制策略[J].中國電機工程學報,2014,34(24):4016-4021.

[11] 史婷娜,安少波,閻彥,等.超稀疏矩陣變換器窄脈沖抑制[J].電工技術學報,2015,30(14):248-251.

[12] 郭磊磊,張興,楊淑英,等.電動汽車用異步電機轉子磁鏈定向校正算法研究[J].電工技術學報,2015,30(8):12-14.

[13] 孔琳琳.基于Hilbert-Huang的高壓輸電線路故障診斷研究[D].西安科技大學,2011:7-10.

[14] 羅忠運.基于希爾伯特-黃變換和模糊支持向量機的輸電線路故障分類方法研究[D].西南交通大學,2011:7-9.

[15] 梁永亮,李可軍,牛林,等.一種優化特征選擇-快速相關向量機變壓器故障診斷方法[J].電網技術,2013,37(11):3263-3264.

[16] 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.

[17] 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.

[18] 蘇秀平,李威,樊啟高.采煤機滾筒調高滑模變結構控制策略[J].煤炭學報,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。國家自然科學基金項目(51274118)。付華，教授，主研領域：檢測與控制，電力系統故障診斷。曹慶春，碩士生。

TP202+.7

A

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