王書滿，邊志鑫

（1.徐州開放大學(xué)，江蘇 徐州 221000；2.中國礦業(yè)大學(xué)，江蘇 徐州 221116）

計算機(jī)技術(shù)研究

基于EEMD與PNN的煤巖界面識別方法

王書滿1，邊志鑫2

（1.徐州開放大學(xué)，江蘇 徐州 221000；2.中國礦業(yè)大學(xué)，江蘇 徐州 221116）

針對放頂煤中煤巖界面難以識別的問題，對采煤機(jī)滾筒振動信號進(jìn)行研究，提出一種基于集成經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)與概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)的煤巖界面識別方法.首先，利用EEMD對采集到的搖臂振動信號進(jìn)行分解，得到一系列IMF分量，然后利用相關(guān)系數(shù)法對IMF進(jìn)行篩選，提取有效分量進(jìn)行能量熵特征提取，最后結(jié)合PNN識別器對割煤和割巖信號進(jìn)行識別.實驗研究表明，基于EEMD和PNN的煤巖界面識別方法能有效的識別割煤和割巖兩種狀態(tài)，識別率高達(dá)88%，是一種有效的煤巖界面識別方法.

采煤機(jī)；煤巖界面識別；EEMD；PNN

煤巖識別是煤礦開采的關(guān)鍵技術(shù)，在采煤工作面，工人行走不便，使操作人員難以及時調(diào)節(jié)滾筒的高度，實現(xiàn)采煤機(jī)滾筒的自動調(diào)高顯得尤為重要.

由于采集到的采煤機(jī)振動特征信號包含了采煤機(jī)運(yùn)行的固有振動信息及負(fù)載沖擊振動信息，而通過振動信號判斷負(fù)載工況實質(zhì)上就是根據(jù)采煤機(jī)振動信息對滾筒負(fù)載情況（割煤還是割巖）進(jìn)行模式識別，根據(jù)識別的結(jié)果能準(zhǔn)確及時地調(diào)整采煤機(jī)的滾筒高度.因此本文采用基于相關(guān)系數(shù)法的EEMD自適應(yīng)分解方法有效提取出截割振動信號能量特征信息，利用PNN對截割狀態(tài)進(jìn)行識別，有效區(qū)分煤巖界面.

1 煤巖界面識別模型建立

1.1 EEMD理論

集成經(jīng)驗?zāi)B(tài)分解 (ensemble empirical mode decomposition,EEMD)是在EMD方法的基礎(chǔ)上，進(jìn)行改進(jìn)研究出來的方法，它能有效地解決EMD在信號分解過程中出現(xiàn)模態(tài)混疊問題.EEMD算法運(yùn)算過程大致如下：

(1)對采集的振動信號中加入幅值為原始信號標(biāo)準(zhǔn)差的0.1～0.4倍的高斯白噪聲，然后為了消除基線漂移現(xiàn)象，進(jìn)行歸一化處理；

(2)利用EMD對加噪后信號進(jìn)行自適應(yīng)性分解，得到一組IMFs及殘余量R；

(3)通過設(shè)定的迭代次數(shù)，重復(fù)上次操作k次，將多次分解得到的IMFs求解平均，得到EEMD分解結(jié)果.

在井下惡劣環(huán)境下，采集的搖臂振動信號一般包含很多干擾成分，這樣使得EEMD分解得到的IMF分量中會出現(xiàn)偽分量.為了剔除偽分量的干擾，采用基于相關(guān)系數(shù)法的偽分量判定方法，分析各IMF分量與原始信號之間的相關(guān)性.當(dāng)相關(guān)系數(shù)較大時，說明該IMF與原信號的相關(guān)性大，包含了原始信號中較多的特征信息；相關(guān)系數(shù)偏下時，則說明該IMF與原始信號相關(guān)度不高，認(rèn)定為偽分量，剔除；最后對提取出來的有效IMF進(jìn)行特征信息提取.各IMF與原信號的相關(guān)系數(shù)定義為：

其中，x，y分別為信號x，y的均值.

1.2 PNN分類方法

概率神經(jīng)網(wǎng)絡(luò)是在徑向基神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，結(jié)合數(shù)理統(tǒng)計思想，改進(jìn)發(fā)展起來的一種高精度神經(jīng)網(wǎng)絡(luò)，通常由4層組成：輸入層(IMF能量熵維數(shù))、模式層(輸入樣本數(shù)和)、累加層以及輸出層(識別類型個數(shù)).概率神經(jīng)網(wǎng)絡(luò)具備模型訓(xùn)練效率高、收斂速度快等優(yōu)點，在模式識別領(lǐng)域得到了廣泛應(yīng)用. PNN的基本結(jié)構(gòu)如圖1所示.

圖1 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡圖

2 實驗裝置與數(shù)據(jù)采集方式

實驗數(shù)據(jù)在井下工作面進(jìn)行采集，振動傳感器分別安裝在左右搖臂上，如圖2所示，負(fù)責(zé)采集采煤機(jī)工作時因滾筒旋轉(zhuǎn)、煤巖激振而產(chǎn)生的振動信號，采樣頻率設(shè)置為24KHz，采集到的割煤和割巖狀態(tài)下的振動信號時域圖如圖3所示.

圖2 傳感器布置圖

圖3 原始振動信號時域圖(a)：割煤狀態(tài)下；(b)：割巖狀態(tài)下

3 實驗與分析

采集兩種不同截割狀態(tài)的振動信號各100段，每段數(shù)據(jù)包含4800個數(shù)據(jù)點，如圖4分別為割煤和割巖截割狀態(tài)下振動信號一個樣本的EEMD分解結(jié)果.

從圖4和圖5中發(fā)現(xiàn)，割巖振動信號分解后的前4個IMF分量IMF1-IMF4在相同時間段內(nèi)相對于割煤信號表現(xiàn)出了較高的頻率和幅值.這表明這4個IMF分量可能包含了割巖的突變特征和重要信息，因此后面的分析要重點關(guān)注這些IMF分量.最后幾個IMF分量的頻率較低，幅值也很小，可能包含了低頻噪聲信息.根據(jù)給出的IMF分量選擇算法，計算了前11個IMF分量與原始信號之間的相關(guān)系數(shù)，如表1所示.從表中可以看出，當(dāng)割煤時，前8個IMF分量與原始信號的相關(guān)系數(shù)較大，選擇前8個IMF分量作進(jìn)一步分析，將剩余的4個IMF分量作為殘余量處理；同樣的方法，割巖時，前8個IMF分量與原始信號的相關(guān)系數(shù)較大，選擇前8個IMF分量作進(jìn)一步分析，將剩余的4個IMF分量作為殘余量舍棄.

圖4 割煤振動信號EEMD分解結(jié)果

圖5 割巖振動信號EEMD分解結(jié)果

在信號處理過程中，能量是信號的一個重要參數(shù)，能量的變化包含了豐富的信息.當(dāng)采煤機(jī)搖臂截割煤層時，其產(chǎn)生的振動信號與割巖時的振動信號相比，相同的頻段內(nèi)信號的能量有較大的區(qū)別.在某一頻段信號的能量會增加，在另外的頻段可能會減少.因此，根據(jù)各IMF分量所代表的頻段的能量變化就可以檢測截割情況.下面對經(jīng)過相關(guān)系數(shù)法篩選的IMF1-IMF8分量分別計算能量特征參數(shù)，由于篇幅有限，下面給出每種截割類型3個樣本的計算能量均一化后的結(jié)果，如下表2所示，圖6為各IMF能量變化趨勢對比圖，可以看出，割巖狀態(tài)下的振動信號IMF能量熵每一層的能量占比走向不同于割煤狀態(tài)下的振動信號，利用不同類型樣本IMF能量之間的差異性，提取出振動信號的敏感特征集，作為模式分類器的特征向量輸入，從而實現(xiàn)煤巖識別.

然后將經(jīng)過IMF能量熵計算處理后的振動信號樣本進(jìn)行隨機(jī)混合，從混合的樣本中隨機(jī)抽取75%的數(shù)據(jù)作為訓(xùn)練樣本，剩下的25%作為驗證樣本.最后利用訓(xùn)練后PNN對驗證樣本進(jìn)行分類，統(tǒng)計實驗的煤巖識別率，驗證實驗對割煤狀態(tài)識別率為92%，對割巖狀態(tài)識別率為88%.

表1 各IMF分量與原始信號的相關(guān)系數(shù)

表2 各IMF分量能量特征對比

圖6 各IMF能量變化趨勢比較

4 結(jié)論

通過采集搖臂截割煤巖的振動信號，對其進(jìn)行分析研究，實現(xiàn)對煤巖界面的有效識別識別，針對振動信號的非穩(wěn)定性特點，利用EEMD方法對振動信號分解得到各IMF，然后考慮到虛假IMF對分析結(jié)果的影響，利用相關(guān)系數(shù)法對分解得到的多個IMF分量進(jìn)行篩選，最后對得到的主要IMF進(jìn)一步分析可提取煤巖界面的特征信息IMF能量熵，作為PNN的輸入，實現(xiàn)煤巖界面的自動識別.實驗結(jié)果表明，以IMF能量組成的特征向量對于識別割煤和割巖兩種截割狀態(tài)較為敏感，識別正確率高達(dá)88%，基于EEMD和PNN的分析方法是一種有效的煤巖界面識別方法.

〔1〕張俊梅,范迅,趙雪松.采煤機(jī)自動調(diào)高控制系統(tǒng)研究[J].中國礦業(yè)大學(xué)學(xué)報,2002,31(4):415-418.

〔2〕王保平,王增才,張萬枝.基于EMD與神經(jīng)網(wǎng)絡(luò)的煤巖界面識別方法[J].振動、測試與診斷,2012, 32(4):586-590.

〔3〕張寧,任茂文,劉萍.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的煤巖界面識別[J].工礦自動化,2013,39(4): 55-58.

〔4〕柴保明,趙志強(qiáng),吳治南,等.基于EEMD的齒輪故障診斷方法研究 [J].煤礦機(jī)械,2014,35(11): 294-296.

〔5〕蘇文勝,王奉濤,張志新,等.EMD降噪和譜峭度法在滾動軸承早期故障診斷中的應(yīng)用[J].振動與沖擊,2010,29(3):18-21.

〔6〕馮東華,賈海龍.基于EMD能譜熵和概率神經(jīng)網(wǎng)絡(luò)的采煤機(jī)搖臂齒輪故障診斷[J].煤礦機(jī)械, 2014,35(7):276-278.

〔7〕孫永軍,王福明.概率神經(jīng)網(wǎng)絡(luò)PNN在發(fā)動機(jī)故障診斷中的應(yīng)用[J].機(jī)械工程與自動化,2007（4）:99-100.

TP391.4

A

1673-260X（2017）06-0015-03

2017-04-05