基于渐变信号的HHT-PCA-MRVM煤岩辨识算法*

曹庆春， 刘 帅， 王怀震， 蔡冬雷， 孟 超

(1.辽宁工程技术大学 电气与控制工程学院,辽宁 葫芦岛 125105；2.临沂正信工程勘察设计有限公司,山东 临沂 276000)



基于渐变信号的HHT-PCA-MRVM煤岩辨识算法*

曹庆春1， 刘 帅1， 王怀震1， 蔡冬雷1， 孟 超2

(1.辽宁工程技术大学 电气与控制工程学院,辽宁 葫芦岛 125105；2.临沂正信工程勘察设计有限公司,山东 临沂 276000)

针对井下无人、自动作业的新型采煤战略目标，提出了对于截割电机输入电流信号渐变的分析，通过Hilbert变换—主成分分析—多分类相关向量机(HHT-PCA-MRVM)对煤岩进行识别，从而满足复杂的开采需求。在煤矿开采实验平台上进行了良好的实验验证，实验证明：通过对传感器采集传输的电流渐变信号分析，在煤岩突变时其值波动较为明显，能够很好地为MRVM煤岩识别提供分类界限，煤岩识别率为95 %，对于综采自动化有较好的作用。

采煤机； 煤岩识别； 多分类相关向量机； Hilbert变换算法； 主成分分析算法

0 引 言

目前，井下煤岩识别主要根据工作人员经验判断，但作业环境恶劣、危险指数高，提高智能化煤岩识别对井下开采至关重要。

对于煤岩辨识的研究国内外颇为广泛。文献[1]通过采集采煤机摇臂受力信号分析进行煤岩识别，但信号对干扰敏感。文献[2]采用超声回波信号进行分析，但对窗函数的依赖性较大。文献[3]通过支持向量机算法对煤岩图像进行处理识别，但忽略了井下灰尘对图形的干扰。文献[4]通过高斯混合聚类算法进行煤岩识别，然而需要大量的传感器投入进行数据采集，误差较大。文献[5]基于小波域统计建模进行煤岩辨识，但是准确率较低。文献[6]对采煤机系统进行设计，但采用传统记忆切割方法，由于需要提前获取截割路径，然后根据路径进行开采，不利于多变复杂的煤岩。

针对以上问题，提出了基于截割电机输入电流渐变的Hilbert变换—主成分分析—多分类相关向量机(HHT-PCA-MRVM)煤岩辨识算法。

1 输入侧电流渐变信号获取

针对截割电机用转子磁链定向控制[7]。转子磁链方程为

(1)

定子磁链方程为

(2)

根据电流环PI输出计算磁链为

(3)

可见定子电流对输出端调制电压的决定作用，定子电流矢量图如图1所示。

图1 定子电流矢量

由此可知

(4)

(5)

由三角函数可知

(6)

当Δθ=θ-θ′→0，进行泰勒展开得

(7)

(8)

当采煤机切割同一煤质时，由于采用闭环控制相对稳定，此时

(9)

当出现切割煤岩硬度变化较大时，就会出现较大渐变电流信号

(10)

通过传感器采集电机电压电流信号进行分析，将输出侧电流渐变信号εi通过总线传输至上位机部分，进行煤岩识别。

2 基于HHT-PCA-MRVM的煤岩辨识算法

HHT主要由经验模态分解(empirical mode decomposition,EMD)和Hilbert变换构成[8]。设原始信号x(t)，得到IMF向量有如下步骤：

1)求取x(t)极大值点集合x1(t)，以及x(t)极小值点x2(t)如下

(11)

2)求去除均值的剩余信号

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

(12)

若h1(t)不满足IMF函数的条件，则将h1(t)重新作为“原始信号”，重复以上至h1(t)成为IMF1，记c1(t)如下

IMF1=c1(t)=h1(t)

(13)

3)将c1(t)从原信号x(t)中筛分出来，得到信号的剩余项r1(t)=x(t)-c1(t)。

4)将r1(t)作为新的“原始”信号，重复操作步骤(1)～步骤(3)，依次可以得到IMF2～IMFn，记作c1(t)，…，cn(t)。

(14)

当cn(t)或rn(t)满足给定的终止条件时，筛分停止，最终得到rn(t)为原始信号的剩余序列，则原始信号x(t)的表达形式为

(15)

最后一个IMF分量cn(t)或剩余项rn(t)，变得较预期值小时便停止分解。

对IMF数据进行PCA，标准化处理得

X=(xij)m×p

(16)

计算协方差矩阵为

(17)

根据|λE-R|=0求出λ1。

主成份IMFi的贡献率

(18)

累计贡献率

(19)

累计贡献率达90 %的特征值λ1,λ2和λ3等所对应的1，2，…，m(m≤p)，其中，m即为主成分的个数[9]。

输出函数为

(20)

概率分布函数为

(21)

M分类样本集似然函数为

(22)

先验分布概率为

(23)

根据p(t|ω)的样本空间函数值将ti归属到所在类别。实验将煤岩识别类别分为3类。煤岩分层由软煤、硬煤和岩石3种类别模型构成，分别采用3维列向量(0，0，1)T, (0，1，0)T, (1，0，0)T作为上述3种状态的类别标签。通过多项概率似然函数，实现多分类和输出类别成员概率。

3 实验验证及其分析

基于上述理论，在开滦(集团)有限责任公司钱家营矿业分公司的采煤机样机平台进行实验。将实验环境进行改造分为四个区域Ⅰ,Ⅱ,Ⅲ和Ⅳ。前三个区域对应煤层硬度不同的相同材质的煤与岩，Ⅳ则构造成煤层硬度变化起伏较大的交替式煤岩结构，具体各区含义如表1。

表1 煤层划分

首先，使采煤机正常启动进入工作模式，然后，对输出端电流信号进行采集，如图2(a)为启动过程状态，图2(b)所示为截割电机对Ⅳ区工作时传输回来的渐变信号。

图2 实验波形

由图2可知，电机输入信号稳定，对于一般的外界干扰能有抗性，当对于硬度变化很大时，其渐变电流波动性较为明显。对采集到的信号，进行HHT-PCA。如图3所示为Ⅳ区交替界面某一段时间(取参考点后6 s内)的渐变电流信号HHT分解的IMF图。

图3 IV区交替煤岩电流信号IMF1～IMF5

对所得出的各IMF进行PCA，表2列出了PCA处理下的协方差矩阵的特征值及方差贡献率。可知:前2个主成份的累计贡献率已达93.8 %，从第3个主成份开始，贡献率变化率逐渐减变小。因此，取前2个主成份，将5个指标变为2个指标，可以很好地反映绝大部分变量信息。

将IMF1与IMF2作为煤岩识别参数带入MRVM。电流渐变在Ⅰ，Ⅱ，Ⅲ都很平缓，所以,在各自区域都能较容易辨识，重点对Ⅳ区进行分析。

表2 特征值与贡献率

将Ⅳ区每隔3 m随机构造材质均匀的不同硬度煤岩，标定30个连续位置所对应的煤岩类型，经过MRVM与之对应的预测类型。表3所列其中所选20个位置，从中可以看出:除了标签16外其他都能与实际对应，本次取样实验中，算法辨识率为95 %。

表3 基于HHT-PCA-MRVM实验预测

4 结 论

1)通过传感器对采煤机电信号采集，分析计算出渐变电流信号，传输给上位机数据存储，对煤岩界面突变有相应的反映。

2)HHT-PCA-MRVM算法进行识别分析煤岩类型，能够很好地对渐变信号进行处理，可以有效地识别煤岩类别。

[1] 田立勇，毛 君，王启铭.基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法[J].煤炭学报，2016，41(3):782-784.

[2] 李 力，魏 伟，唐汝琪.基于改进S变换的煤岩界面超声反射信号处理[J].煤炭学报，2015，40(11):2580-2585.

[3] 孙继平，佘 杰.基于支持向量机的煤岩图像特征抽取与分类识别[J].煤炭学报，2013，38(2):508-509.

[4] 黄韶杰，刘建功.基于高斯混合聚类的煤岩识别技术研究[J].煤炭学报，2015，40(S2):577-582.

[5] 孙继平，陈 洪.基于小波域非对称广义高斯模型的煤岩识别算法[J].煤炭学报，2015，4(S2):569-575.

[6] 李晓豁，李 婷，焦 丽，等.滚筒采煤机截割载荷的模拟系统开发及其模拟[J].煤炭学报，2016，41(2):503-506.

[7] 李 瀛，胡立坤，梁冰红采用MRAS速度观测器的异步电机无电压传感器DTC研究[J].传感器与微系统，2015，34(6):61-63.

[8] 刘玉龙，李晓林.HHT在动态称重传感器处理非线性信号中的应用[J].传感器与微系统，2015，34(7):158-160.

[9] 刘相彪，李 勇，陈振茂，等.脉冲远场涡流检测PCA-ICA联合消噪技术[J].传感器与微系统，2015，34(1):69-72.

[10] 金 鑫，胡 平.无线传感器网络入侵检测系统模型[J].传感器与微系统，2016，35(5):46-48.

[11] 易 辉，梅 磊，李丽娟，等.基于多分类相关向量机的水电机组振动故障诊断[J].中国电机工程学报，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类相关向量机的GIS局部放电模式识别[J].电工技术学报，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

国家自然科学基金资助项目(51274118)

TP 202

A

1000—9787(2017)08—0138—03

曹庆春(1992-)，男，硕士研究生，主要研究方向为检测与控制、电力系统故障诊断、电力电子与电力传动等。