郭 剛，汪海濤，高曉成，閆尚彬，黃曉俊

(1.中煤陜西榆林能源化工有限公司，陜西 榆林 719000；2.中煤能源研究院有限責(zé)任公司，陜西 西安 710001；3.西安科技大學(xué) 通信與信息工程學(xué)院，陜西 西安 710054)

煤礦智能化是煤炭工業(yè)高質(zhì)量發(fā)展的核心技術(shù)支撐，是煤炭工業(yè)技術(shù)革命和升級(jí)發(fā)展的必然方向[1-3]。國家能源局、國家礦山安全監(jiān)察局等部門印發(fā)的《煤礦智能化建設(shè)指南(2021年版)》中明確指出智能采煤系統(tǒng)的重要性和必要性。綜采智能化作為煤礦智能化的關(guān)鍵技術(shù)之一，它的實(shí)現(xiàn)將會(huì)極大促進(jìn)煤礦智能化的發(fā)展，使得煤礦產(chǎn)業(yè)能夠達(dá)到減員、增安、提質(zhì)、創(chuàng)效的生產(chǎn)運(yùn)作方式[4-6]。

刮板輸送機(jī)短期負(fù)荷預(yù)測是綜采工作面采煤機(jī)和刮板輸送機(jī)協(xié)同控制的基礎(chǔ)[7]。工作面生產(chǎn)過程中，刮板輸送機(jī)的負(fù)荷變化一方面受綜采工藝的影響，刮板輸送機(jī)上的煤流量規(guī)律性的周期變化；另一方面受工作面環(huán)境、電氣故障等許多非負(fù)荷因素的影響[8]。近年來，學(xué)者和專家在負(fù)載預(yù)測方面進(jìn)行了大量的研究，取得了一定的成果。Dolipski M[9]提出一種非均勻負(fù)載情況下的刮板輸送機(jī)動(dòng)態(tài)模型，利用該模型研究了負(fù)載不均勻時(shí)的電機(jī)轉(zhuǎn)差率；Murphy C J[10]分析了輸送機(jī)動(dòng)態(tài)負(fù)載特性，提出了追蹤輸送機(jī)負(fù)載變化的方法；Sikora W[11]在研究刮板輸送機(jī)雙電機(jī)驅(qū)動(dòng)裝置功率時(shí)，對(duì)刮板輸送機(jī)的傳動(dòng)裝置負(fù)荷不均勻性進(jìn)行了分析；毛君[12]分析了刮板輸送機(jī)整機(jī)隨機(jī)載煤量及采煤機(jī)運(yùn)行不同位置時(shí)，刮板輸送機(jī)鏈條張力、鏈條速度、驅(qū)動(dòng)鏈輪轉(zhuǎn)矩的變化情況，建立了負(fù)載阻力數(shù)學(xué)模型及整機(jī)AME -Sim仿真模型，得到了刮板輸送機(jī)正常運(yùn)行時(shí)影響整機(jī)工作效率的因素；石勇[13]基于采集的采煤機(jī)負(fù)載數(shù)據(jù)，通過建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測出單位時(shí)間內(nèi)落煤量最大的設(shè)置參數(shù)，實(shí)現(xiàn)了采煤機(jī)的智能控制；Durucan S，et al[14]建立了刮板輸送機(jī)載煤量變化計(jì)算模型，通過分析負(fù)載與電機(jī)電流的映射關(guān)系，提出了基于BP神經(jīng)網(wǎng)絡(luò)的刮板輸送機(jī)負(fù)載預(yù)測模型；謝苗[15]在分析刮板輸送機(jī)載煤量變化規(guī)律的基礎(chǔ)上，通過動(dòng)態(tài)預(yù)測了刮板輸送機(jī)負(fù)載電流變化。上述研究一定程度上實(shí)現(xiàn)了刮板輸送機(jī)負(fù)載的預(yù)測，但未考慮非結(jié)構(gòu)化綜采工作面環(huán)境下，影響刮板輸送機(jī)負(fù)載預(yù)測因素的不確定性和耦合特性，以及刮板輸送機(jī)負(fù)載電流受井下電氣系統(tǒng)影響而無法真實(shí)反映刮板輸送機(jī)負(fù)載變化的情況。此外，刮板輸送機(jī)電流負(fù)載波動(dòng)較大，該電流輸入會(huì)增加神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，損失泛化能力，而且上述神經(jīng)網(wǎng)絡(luò)預(yù)測模型不能直接反映電流的波動(dòng)。

針對(duì)上述問題，本研究提出基于粗糙徑向基神經(jīng)網(wǎng)絡(luò)的刮板輸送機(jī)負(fù)載預(yù)測方法。該模型首先分析刮板輸送機(jī)電機(jī)電流與負(fù)載之間的對(duì)應(yīng)關(guān)系，提出去除電流干擾成分的方法；然后針對(duì)刮板輸送機(jī)負(fù)載電流波動(dòng)大導(dǎo)致的神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練誤差增大、預(yù)測精度低的問題，引入表征負(fù)載變化波動(dòng)的上下輸入粗糙神經(jīng)元，提出一種粗糙徑向基神經(jīng)網(wǎng)絡(luò)(RRBFNN)模型；最后基于粗糙徑向基神經(jīng)網(wǎng)絡(luò)建立刮板輸送機(jī)短期負(fù)載預(yù)測模型。本文的研究對(duì)刮板輸送機(jī)智能化，促進(jìn)綜采工作面智能化發(fā)展具有重要意義。

1 刮板輸送機(jī)負(fù)載電流去噪方法

綜采工作面運(yùn)行環(huán)境復(fù)雜，刮板輸送機(jī)負(fù)載波動(dòng)大，難以直接準(zhǔn)確測量[16]。因此，如何準(zhǔn)確的獲取刮板輸送機(jī)的負(fù)載對(duì)綜采工作面采運(yùn)系統(tǒng)的智能控制至關(guān)重要。刮板輸送機(jī)電機(jī)電流與其負(fù)載扭矩存在如下關(guān)系[17]：

式中，Tc是刮板輸送機(jī)負(fù)載轉(zhuǎn)矩，N·m；np為電機(jī)極對(duì)數(shù)；Irβ、Isα分別為電流在α軸和β軸上的電流分量，A；Ψrα、Ψrβ分別為電機(jī)定子磁鏈在α軸和β軸上的分量；Tf為刮板輸輸送機(jī)的摩擦力矩，N·m。

式(1)表明刮板輸送機(jī)負(fù)載可用其電流反映，然而，電機(jī)電氣故障會(huì)對(duì)刮板輸送機(jī)三相電流造成影響，導(dǎo)致實(shí)際采集的電機(jī)電流不僅包含真實(shí)刮板輸送機(jī)負(fù)載信息，還包含煤礦井下電氣系統(tǒng)故障而耦合產(chǎn)生的偽負(fù)載信息，因此該電流無法直接的真實(shí)反映刮板輸送機(jī)負(fù)載變化[18]。刮板輸送機(jī)動(dòng)系統(tǒng)中齒輪的嚙合頻率是該傳動(dòng)系統(tǒng)的固有特性，其頻率不會(huì)受到電氣系統(tǒng)的影響，且頻率的幅值只受到其本身嚙合力大小的影響，幅值的變化只受負(fù)載大小的影響，所以本文探索性的提出基于刮板輸送機(jī)電流強(qiáng)化的負(fù)載表征方法，原理如圖1所示。刮板輸送機(jī)依靠三相電機(jī)提供動(dòng)力，當(dāng)負(fù)載變化時(shí)會(huì)引起減速箱中傳動(dòng)齒輪嚙合力的變化，而嚙合力的變化會(huì)使得電流頻譜成分中齒輪嚙合頻率分量的幅值發(fā)生變化[19]。由于電流頻譜中的齒輪嚙合頻率不受電流變化的影響，將齒輪嚙合特征頻率作為負(fù)載估計(jì)的紐帶，避免了電氣系統(tǒng)引起電流的波動(dòng)對(duì)刮板輸送機(jī)負(fù)載特征的干擾。

圖1 基于電流強(qiáng)化的刮板輸送機(jī)負(fù)載映射方法Fig.1 Load mapping method of scraper conveyor based on current intensification

刮板輸送機(jī)減速箱的傳動(dòng)系統(tǒng)是多級(jí)齒輪傳動(dòng)組成的，這些齒輪分布在不同空間當(dāng)中，而且嚙合頻率不同。鑒于此，對(duì)實(shí)際工程中采集到的含有50 Hz工頻干擾的電流數(shù)據(jù)進(jìn)行去工頻干擾，即電流強(qiáng)化。本文采用小波包[20]實(shí)現(xiàn)對(duì)電流信號(hào)的多尺度分解，抑制工頻頻段，最終實(shí)現(xiàn)工頻的消除。在小波包分解中φ(x)與ψ(x)分別為正交尺度函數(shù)、小波函數(shù)，那么由小波包多尺度分解進(jìn)一步可得出：

式中，hk、gk為共軛濾波器，用于多尺度分析。

令μ0=φ(x)，μ1=ψ(x)，則能夠得到：

于是相對(duì)于正交尺度函數(shù)φ(x)的正交小波包為函數(shù)簇為{μn(x)|n∈Z+}。通過對(duì)刮板輸送機(jī)負(fù)載電流進(jìn)行強(qiáng)化，得到真實(shí)的刮板輸送機(jī)電流，將其作為描述綜采工作面采運(yùn)系統(tǒng)中刮板輸送機(jī)負(fù)載變化的特征參數(shù)，用于建立采運(yùn)系統(tǒng)協(xié)同控制模

2 基于粗糙徑向基神經(jīng)網(wǎng)絡(luò)的刮板輸送機(jī)負(fù)載預(yù)測模型

2.1 傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)RBFNN是一種典型的三層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。輸入層由若干感知單元組成，一般對(duì)網(wǎng)絡(luò)的輸入信息不進(jìn)行任何轉(zhuǎn)換；第二層是隱含層，隱含層實(shí)現(xiàn)了從輸入空間到隱含層空間的映射，隱含層采用徑向基函數(shù)作為激勵(lì)函數(shù)，該徑向基函數(shù)一般為高斯函數(shù)。輸出層一般是線性的，其作用是響應(yīng)輸入層的激活模式，實(shí)現(xiàn)網(wǎng)絡(luò)的輸出。

RBF神經(jīng)網(wǎng)絡(luò)中隱節(jié)點(diǎn)的激活函數(shù)為徑向基函數(shù)，最常用的徑向基函數(shù)為高斯函數(shù)：

式中，x=(x1，x2，…，xn)T為神經(jīng)網(wǎng)絡(luò)的n維輸入向量；ci為第i個(gè)隱含層節(jié)點(diǎn)的數(shù)據(jù)中心，i=1，2，…，h；δi是第i個(gè)徑向基函數(shù)的分布方差。

RBF神經(jīng)網(wǎng)絡(luò)第k個(gè)神經(jīng)元的輸出為：

式中，yk為第k個(gè)輸出神經(jīng)元；m為輸出神經(jīng)元的個(gè)數(shù)；ωik為第i個(gè)隱含層神經(jīng)元與第k個(gè)輸出神經(jīng)元之間的連接權(quán)值；確定合適的RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是確定基函數(shù)的中心ci、分布常數(shù)σi和連接權(quán)值wik。

2.2 改進(jìn)的粗糙徑向基神經(jīng)網(wǎng)絡(luò)模型

綜采工作面生產(chǎn)過程中，刮板輸送機(jī)負(fù)載不但受煤流規(guī)律性變化的影響，還受工作面環(huán)境等許多偶發(fā)因素的影響。此外，刮板輸送機(jī)受沖擊負(fù)載的影響，電流數(shù)據(jù)波動(dòng)大。傳統(tǒng)的徑向基神經(jīng)網(wǎng)絡(luò)由于結(jié)構(gòu)簡單，逼近的能力強(qiáng)，在負(fù)荷預(yù)測領(lǐng)域得到了廣泛的應(yīng)用。然而，刮板輸送機(jī)短期負(fù)荷具有非線性和非平穩(wěn)特性，較大的輸入波動(dòng)增加了徑向基神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，降低了其泛化能力，導(dǎo)致刮板輸送機(jī)的負(fù)載預(yù)測效果很差。因此，針對(duì)傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)對(duì)于短時(shí)波動(dòng)性較大的電流輸入無法建立準(zhǔn)確預(yù)測模型問題，本研究在傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入粗糙神經(jīng)元，來解決大波動(dòng)刮板輸送機(jī)電流情況下的負(fù)載預(yù)測問題。

傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入為單值。輸入層的每個(gè)神經(jīng)元只能反映某一時(shí)間點(diǎn)的刮板輸送機(jī)負(fù)載數(shù)據(jù)，不能反映實(shí)際負(fù)載的波動(dòng)信息。如果利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)波動(dòng)信息進(jìn)行精確逼近，容易產(chǎn)生過訓(xùn)練和過擬合網(wǎng)絡(luò)，造成預(yù)測精度不足。為了在神經(jīng)網(wǎng)絡(luò)模型中直接反映刮板輸送機(jī)負(fù)載的波動(dòng)，提高泛化能力，防止過擬合，加快訓(xùn)練速度，本研究在RBF神經(jīng)網(wǎng)絡(luò)中引入粗糙神經(jīng)元。即在RBF神經(jīng)網(wǎng)絡(luò)輸入層和隱含層的每個(gè)神經(jīng)元分別連接高、低值兩個(gè)輸入，采用耦合輸入值反映負(fù)荷波動(dòng)信息，來構(gòu)建基于粗糙PBF神經(jīng)網(wǎng)絡(luò)的刮板輸送機(jī)負(fù)載預(yù)測模型。

2.2.1 粗糙神經(jīng)元

圖2 粗糙神經(jīng)元結(jié)構(gòu)Fig.2 Rough neuron structure

2.2.2 粗糙徑向基神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本研究提出的RRBFNN結(jié)構(gòu)，如圖3所示。

圖3 粗糙徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Rough radial basis function neural network structure

該粗糙徑向基神經(jīng)網(wǎng)絡(luò)的輸入層和隱含層均為粗糙結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的輸入由原來的單值變?yōu)閰^(qū)間雙值，它能夠很好的反映刮板輸送機(jī)電流在一段時(shí)間內(nèi)的波動(dòng)。為方便闡述RRBFNN模型結(jié)構(gòu)，假設(shè)粗糙神經(jīng)網(wǎng)絡(luò)的輸入層有n個(gè)粗糙神經(jīng)元，前饋方程定義如下：

2.2.3 基于RRBFNN的刮板輸送機(jī)負(fù)載預(yù)測模型構(gòu)建

圖4 基于RRBFNN綜采工作面刮板輸送機(jī)負(fù)載預(yù)測模型Fig.4 Load prediction model of scraper conveyor in fully mechanized mining face based on RRBFNN

基于RRBFNN刮板輸送機(jī)負(fù)載預(yù)測模型的具體構(gòu)建過程如下，離線模型訓(xùn)練階段：

1)采集刮板輸送機(jī)電機(jī)電流監(jiān)測歷史數(shù)據(jù)，并根據(jù)電流強(qiáng)化算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，建立訓(xùn)練樣本數(shù)據(jù)集。

2)采用一定長度的滑動(dòng)窗口對(duì)全部訓(xùn)練樣本數(shù)據(jù)進(jìn)行截取，并將全部子序列組建為訓(xùn)練樣本集Xtrain。

3)采用構(gòu)建好的數(shù)據(jù)集對(duì)RRBFNN進(jìn)行有監(jiān)督訓(xùn)練，并用梯度下降的方法對(duì)模型的參數(shù)進(jìn)行調(diào)整，直至訓(xùn)練完成，獲得訓(xùn)練好的RRBFNN負(fù)載電流預(yù)測模型。其訓(xùn)練過程的損失函數(shù)定義為：

當(dāng)刮板輸送機(jī)負(fù)載預(yù)測準(zhǔn)確時(shí)，Tc=1，并且m+=0.9，m-=0.1，λ=0.5。

3 基于RRBFNN的刮板輸送機(jī)負(fù)載預(yù)測方法驗(yàn)證

3.1 數(shù)據(jù)采集

本研究選取某礦52605綜采工作面刮板輸送機(jī)的真實(shí)電流數(shù)據(jù)為數(shù)據(jù)樣本，以第一到三天19∶00—23∶59的刮板輸送機(jī)電流為輸入，第四天19∶00—23∶59刮板輸送機(jī)的電流為輸出，通過數(shù)據(jù)補(bǔ)齊和異常數(shù)據(jù)剔除建立數(shù)據(jù)集，見表1，基于該數(shù)據(jù)集構(gòu)建刮板輸送機(jī)負(fù)載RRBFNN預(yù)測模型。

表1 52605綜采工作面刮板輸送機(jī)電流數(shù)據(jù)集 (A)

從數(shù)據(jù)庫中提取10000組刮板輸送機(jī)電機(jī)的電流數(shù)據(jù)作為于RRBFNN的刮板輸送機(jī)負(fù)載預(yù)測方法訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)。為消除特征之間的量綱影響，對(duì)試驗(yàn)樣本數(shù)據(jù)進(jìn)行最小-最大規(guī)范化處理，保留原來數(shù)據(jù)中存在的關(guān)系，將各特征值分別映射到[0，1]之間，達(dá)到規(guī)范化的目的。然后將整個(gè)樣本數(shù)據(jù)集分成70%的訓(xùn)練集和30%的測試集。

3.2 刮板輸送機(jī)負(fù)載電流信號(hào)去噪處理

為消除包含電氣特性電流對(duì)真實(shí)負(fù)載的影響，對(duì)電流數(shù)據(jù)進(jìn)行強(qiáng)化處理。小波包分解層數(shù)意味著對(duì)信號(hào)頻率劃分的精細(xì)程度，而不同的分解層數(shù)，對(duì)工頻消除的結(jié)果也不一樣。為了對(duì)比出效果最佳的分解層數(shù)，本文使用db6小波基對(duì)信號(hào)繼續(xù)進(jìn)行5層與6層分解并消除工頻，然后對(duì)三種不同分解層數(shù)進(jìn)行對(duì)比。原始信號(hào)頻譜與消除工頻信號(hào)的頻譜如圖5所示。

圖5 原始信號(hào)頻譜與消除工頻信號(hào)的頻譜Fig.5 Spectrum diagram of original current signal and suppressed power frequency signal

可以看出在分解5層的頻譜中，其低頻處的特征不明顯，很多特征頻率丟失，效果明顯很差。在分解6層的頻譜中，低頻處的特征有所增強(qiáng)，但依舊存在遺漏的情況。在分解7層的頻譜中，信號(hào)特征比較明顯，低頻頻率特征增強(qiáng)了很多。對(duì)比三種情況，三種不同分解層數(shù)消除工頻的信號(hào)頻譜包含的特征頻率數(shù)目情況可知，分解7層時(shí)效果最佳。

3.3 結(jié)果分析

采用本文提出的基于RRBFNN的刮板輸送機(jī)負(fù)載預(yù)測方法訓(xùn)練得到刮板輸送機(jī)負(fù)載預(yù)測模型，確定刮板輸送機(jī)負(fù)載電流預(yù)測模型中，RRBF神經(jīng)網(wǎng)絡(luò)的主要參數(shù)如下：輸入序列長度I=10，輸出長度O=1，隱層神經(jīng)元數(shù)為50，學(xué)習(xí)速率η=0.3，動(dòng)量因子α=0.1。預(yù)測刮板輸送機(jī)的負(fù)載電流，并將本研究提出的方法與傳統(tǒng)的徑向基神經(jīng)網(wǎng)RBF算法和長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM算法的負(fù)載電流預(yù)測結(jié)果對(duì)比，刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)負(fù)載電流預(yù)測結(jié)果如圖6所示。

圖6 刮板輸送機(jī)機(jī)尾電機(jī)負(fù)載預(yù)測曲線Fig.6 Load prediction curve of head and tail motor of scraper conveyor

將兩種算法預(yù)測結(jié)果決定系數(shù)匯總成表2。由表2可知，RRBFNN算法相較于傳統(tǒng)RBFNN算法，平均絕對(duì)誤差、平均絕對(duì)百分誤差和均方根誤差分別降低了26.22%，25.39%和14.72%。表明RRBFNN算法的預(yù)測誤差比傳統(tǒng)RBFNN算法的預(yù)測誤差小很多。

表2 不同算法預(yù)測結(jié)果比較Table 2 Comparison of prediction results of different algorithms

兩種算法所對(duì)應(yīng)的刮板輸送機(jī)負(fù)載電流的預(yù)測值和真實(shí)值R-Squared值及其關(guān)系分別如圖7、圖8所示，其中R-Squared值越高，預(yù)測結(jié)果越準(zhǔn)確。結(jié)果表明，通過采用本文提出的粗糙徑向基神經(jīng)網(wǎng)絡(luò)算法對(duì)刮板輸送機(jī)負(fù)載電流的預(yù)測R-Squared值為0.94925，傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)算法對(duì)刮板輸送機(jī)負(fù)載電流的預(yù)測R-Squared值為0.78519。本研究提出的RRBFNN預(yù)測模型比傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測精度提高了0.164，總體來看所提出的RRBFNN預(yù)測模型比傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)更有效，更適用于綜采工作面刮板輸送機(jī)負(fù)載的預(yù)測。

圖7 RRBFNN預(yù)測結(jié)果決定系數(shù)Fig.7 RRBFNN prediction result determination coefficient

圖8 傳統(tǒng)RBFNN預(yù)測結(jié)果決定系數(shù)Fig.8 Determinant coefficient of traditional RBFNN prediction results

4 結(jié) 論

1)RRBFNN模型是一種改進(jìn)的RBFNN，將傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元改進(jìn)為粗糙神經(jīng)元，輸入由單值變?yōu)閰^(qū)間值，有效的刻畫了負(fù)載電流的波動(dòng)特性。

2)RRBFNN模型更適合提取刮板輸送機(jī)短期負(fù)載中的非線性信息，較傳統(tǒng)的RBFNN模型有更好的預(yù)測性能，能有效實(shí)現(xiàn)刮板輸送機(jī)的負(fù)載預(yù)測。

3)本文提出的RRBFNN刮板輸送機(jī)短期負(fù)載預(yù)測模型，對(duì)刮板輸送機(jī)機(jī)頭、機(jī)尾電機(jī)電流預(yù)測的絕對(duì)誤差的平均值分別10.24 A和13.88 A，比傳統(tǒng)RBF模型的平均絕對(duì)誤差、平均絕對(duì)百分誤差和均方根誤差分別降低26.22%，25.39%和14.72%。