基于EEMD与PNN的煤岩界面识别方法

王书满，边志鑫

（1.徐州开放大学，江苏 徐州 221000；2.中国矿业大学，江苏 徐州 221116）

计算机技术研究

基于EEMD与PNN的煤岩界面识别方法

王书满1，边志鑫2

（1.徐州开放大学，江苏 徐州 221000；2.中国矿业大学，江苏 徐州 221116）

针对放顶煤中煤岩界面难以识别的问题，对采煤机滚筒振动信号进行研究，提出一种基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与概率神经网络(Probabilistic Neural Network,PNN)的煤岩界面识别方法.首先，利用EEMD对采集到的摇臂振动信号进行分解，得到一系列IMF分量，然后利用相关系数法对IMF进行筛选，提取有效分量进行能量熵特征提取，最后结合PNN识别器对割煤和割岩信号进行识别.实验研究表明，基于EEMD和PNN的煤岩界面识别方法能有效的识别割煤和割岩两种状态，识别率高达88%，是一种有效的煤岩界面识别方法.

采煤机；煤岩界面识别；EEMD；PNN

煤岩识别是煤矿开采的关键技术，在采煤工作面，工人行走不便，使操作人员难以及时调节滚筒的高度，实现采煤机滚筒的自动调高显得尤为重要.

由于采集到的采煤机振动特征信号包含了采煤机运行的固有振动信息及负载冲击振动信息，而通过振动信号判断负载工况实质上就是根据采煤机振动信息对滚筒负载情况（割煤还是割岩）进行模式识别，根据识别的结果能准确及时地调整采煤机的滚筒高度.因此本文采用基于相关系数法的EEMD自适应分解方法有效提取出截割振动信号能量特征信息，利用PNN对截割状态进行识别，有效区分煤岩界面.

1 煤岩界面识别模型建立

1.1 EEMD理论

集成经验模态分解 (ensemble empirical mode decomposition,EEMD)是在EMD方法的基础上，进行改进研究出来的方法，它能有效地解决EMD在信号分解过程中出现模态混叠问题.EEMD算法运算过程大致如下：

(1)对采集的振动信号中加入幅值为原始信号标准差的0.1～0.4倍的高斯白噪声，然后为了消除基线漂移现象，进行归一化处理；

(2)利用EMD对加噪后信号进行自适应性分解，得到一组IMFs及残余量R；

(3)通过设定的迭代次数，重复上次操作k次，将多次分解得到的IMFs求解平均，得到EEMD分解结果.

在井下恶劣环境下，采集的摇臂振动信号一般包含很多干扰成分，这样使得EEMD分解得到的IMF分量中会出现伪分量.为了剔除伪分量的干扰，采用基于相关系数法的伪分量判定方法，分析各IMF分量与原始信号之间的相关性.当相关系数较大时，说明该IMF与原信号的相关性大，包含了原始信号中较多的特征信息；相关系数偏下时，则说明该IMF与原始信号相关度不高，认定为伪分量，剔除；最后对提取出来的有效IMF进行特征信息提取.各IMF与原信号的相关系数定义为：

其中，x，y分别为信号x，y的均值.

1.2 PNN分类方法

概率神经网络是在径向基神经网络基础上，结合数理统计思想，改进发展起来的一种高精度神经网络，通常由4层组成：输入层(IMF能量熵维数)、模式层(输入样本数和)、累加层以及输出层(识别类型个数).概率神经网络具备模型训练效率高、收敛速度快等优点，在模式识别领域得到了广泛应用. PNN的基本结构如图1所示.

图1 概率神经网络结构简图

2 实验装置与数据采集方式

实验数据在井下工作面进行采集，振动传感器分别安装在左右摇臂上，如图2所示，负责采集采煤机工作时因滚筒旋转、煤岩激振而产生的振动信号，采样频率设置为24KHz，采集到的割煤和割岩状态下的振动信号时域图如图3所示.

图2 传感器布置图

图3 原始振动信号时域图(a)：割煤状态下；(b)：割岩状态下

3 实验与分析

采集两种不同截割状态的振动信号各100段，每段数据包含4800个数据点，如图4分别为割煤和割岩截割状态下振动信号一个样本的EEMD分解结果.

从图4和图5中发现，割岩振动信号分解后的前4个IMF分量IMF1-IMF4在相同时间段内相对于割煤信号表现出了较高的频率和幅值.这表明这4个IMF分量可能包含了割岩的突变特征和重要信息，因此后面的分析要重点关注这些IMF分量.最后几个IMF分量的频率较低，幅值也很小，可能包含了低频噪声信息.根据给出的IMF分量选择算法，计算了前11个IMF分量与原始信号之间的相关系数，如表1所示.从表中可以看出，当割煤时，前8个IMF分量与原始信号的相关系数较大，选择前8个IMF分量作进一步分析，将剩余的4个IMF分量作为残余量处理；同样的方法，割岩时，前8个IMF分量与原始信号的相关系数较大，选择前8个IMF分量作进一步分析，将剩余的4个IMF分量作为残余量舍弃.

图4 割煤振动信号EEMD分解结果

图5 割岩振动信号EEMD分解结果

在信号处理过程中，能量是信号的一个重要参数，能量的变化包含了丰富的信息.当采煤机摇臂截割煤层时，其产生的振动信号与割岩时的振动信号相比，相同的频段内信号的能量有较大的区别.在某一频段信号的能量会增加，在另外的频段可能会减少.因此，根据各IMF分量所代表的频段的能量变化就可以检测截割情况.下面对经过相关系数法筛选的IMF1-IMF8分量分别计算能量特征参数，由于篇幅有限，下面给出每种截割类型3个样本的计算能量均一化后的结果，如下表2所示，图6为各IMF能量变化趋势对比图，可以看出，割岩状态下的振动信号IMF能量熵每一层的能量占比走向不同于割煤状态下的振动信号，利用不同类型样本IMF能量之间的差异性，提取出振动信号的敏感特征集，作为模式分类器的特征向量输入，从而实现煤岩识别.

然后将经过IMF能量熵计算处理后的振动信号样本进行随机混合，从混合的样本中随机抽取75%的数据作为训练样本，剩下的25%作为验证样本.最后利用训练后PNN对验证样本进行分类，统计实验的煤岩识别率，验证实验对割煤状态识别率为92%，对割岩状态识别率为88%.

表1 各IMF分量与原始信号的相关系数

表2 各IMF分量能量特征对比

图6 各IMF能量变化趋势比较

4 结论

通过采集摇臂截割煤岩的振动信号，对其进行分析研究，实现对煤岩界面的有效识别识别，针对振动信号的非稳定性特点，利用EEMD方法对振动信号分解得到各IMF，然后考虑到虚假IMF对分析结果的影响，利用相关系数法对分解得到的多个IMF分量进行筛选，最后对得到的主要IMF进一步分析可提取煤岩界面的特征信息IMF能量熵，作为PNN的输入，实现煤岩界面的自动识别.实验结果表明，以IMF能量组成的特征向量对于识别割煤和割岩两种截割状态较为敏感，识别正确率高达88%，基于EEMD和PNN的分析方法是一种有效的煤岩界面识别方法.

〔1〕张俊梅,范迅,赵雪松.采煤机自动调高控制系统研究[J].中国矿业大学学报,2002,31(4):415-418.

〔2〕王保平,王增才,张万枝.基于EMD与神经网络的煤岩界面识别方法[J].振动、测试与诊断,2012, 32(4):586-590.

〔3〕张宁,任茂文,刘萍.基于主成分分析和BP神经网络的煤岩界面识别[J].工矿自动化,2013,39(4): 55-58.

〔4〕柴保明,赵志强,吴治南,等.基于EEMD的齿轮故障诊断方法研究 [J].煤矿机械,2014,35(11): 294-296.

〔5〕苏文胜,王奉涛,张志新,等.EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用[J].振动与冲击,2010,29(3):18-21.

〔6〕冯东华,贾海龙.基于EMD能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断[J].煤矿机械, 2014,35(7):276-278.

〔7〕孙永军,王福明.概率神经网络PNN在发动机故障诊断中的应用[J].机械工程与自动化,2007（4）:99-100.

TP391.4

A

1673-260X（2017）06-0015-03

2017-04-05