邢 震
(1.中煤科工集团常州研究院有限公司,江苏省常州市,213015;2.天地(常州)自动化股份有限公司,江苏省常州市,213015)
煤矿井下特别是煤自燃需要重点监测工作面上隅角的CO气体并不仅来源于采空区遗煤氧化,还会来自煤层赋存原生以及工作面割煤。正常割煤作业流程对煤体的破坏较大,会涌出较多的CO气体,而其他阶段产生的CO气体并不多,不同作业工序下产生CO气体的规律明显不同。因此为更有效地利用安全监控系统CO数据从而进行煤自燃的监测判定[1-2],有必要对安全监控系统原始数据进行深度挖掘,提取明显的特征参数作为识别指标,将监控系统中浓度时间序列与采煤工序有效对应,从而以CO数据对采煤工序进行辨识,进而有助于煤矿工程技术人员更加及时地掌握和判断综采工作面的实时综采作业状况以及不同阶段CO涌出特点作出不同的应急预案,为后续不同工序下的分类预警提供支撑。
选取某煤矿综采工作面为研究对象[3-4],试验工作面平均煤层厚度2.75 m,煤层倾角7°;工作面沿煤层走向布置,沿煤层倾向推进,采高2.8 m。采用单一走向长壁后退式综采法,一次采全高,全部垮落法管理顶板。该工作面循环进度为0.6 m,采出率约95%, 每日推进6个正规循环, 即日进度3.6 m。
正常生产期间工作面割煤工序为:前滚筒割顶煤,后滚筒割底煤,往返1次割两刀煤,支架溜推移2个步距完成2个循环。采用端头斜切进刀,采煤机割到端头后,将前滚筒降下来,返回进行斜切进刀。同时液压支架滞后采煤机跟机移架,直到走完弯曲段进入刮板输送机的直线段。进入直线段后沿着原推刮板输送机方向依次将刮板输送机推直;弯曲段推直后,将采煤机靠近端头前滚筒升起,向端头返回割三角煤。三角煤割完后,调换采煤机行走方向,返程正常割煤。利用采煤机螺旋滚筒,配合刮板输送机将煤经桥式转载机装到带式输送机进行外运装煤。
工作面采用“三八”作业制,二班采煤一班准备。具体作业流程如图1所示,其中8∶00-9∶00为晚/早交接班时间,9∶00-16∶00为割煤时间,其中割煤工序和移架、移刮板输送机、支护等工序顺次进行,16∶00-17∶00为早/中交接班时间,17∶00-00∶00为检修时间,00∶00-1∶00为中/晚交接班时间,1∶00-8∶00为割煤时间。由于不同采煤工序对煤体破坏程度不同、不同工序之间时间重叠以及不同工序维持的时间长短不一,根据各工序期间CO涌出程度,合理划分模式识别的分类标准。其中割煤对煤体破坏力度最大,而移架、移刮板输送机、支护等工序基本是与割煤同步进行,因此划分为同一类,而交接班以及检修分别划分同一类,共划分为交接班、割煤(含移架、移刮板输送机、支护等工序)、检修3类工序。
图1 试验工作面正规作业流程
实验数据来源于试验工作面上隅角CO浓度历史数据。该工作面按照《煤矿安全规程》规定,在工作面上隅角布置CO传感器,记录CO浓度时间序列曲线。选取最具代表性的T0处的CO传感器浓度时间序列进行考察。
通过选取与上述煤矿工作面正规作业流程对应的时间段,调取综采工作面上隅角煤矿安全监控系统24 h内连续采集所得CO浓度时间密采数据,共计1 356个样本点。
小波阈值去噪是常用的信号处理方法,具体步骤如下[5-6]。
第一步:分解小波。根据含噪信号的特点,选用合适的小波基,若含噪信号信噪比高,采用光滑连续的小波基;若含噪信号信噪比低,采用线性小波基。确定分解层数j,对含噪信号进行分析,计算分析参数。
第二步:阈值函数构造。重构信号的连续性和精度取决于阈值函数的选择,不同的含噪信号要采用相对应的阈值函数,其构造影响小波滤波效果,如果选取得当,不仅可以保证在阈值处函数连续,从而使噪声滤除效果好,还能存留含噪信号的突变状态,更好地接近原始信号,为后期数据分析提供准确的数据保证。阈值函数主要包含硬阈值函数和软阈值函数,其中硬阈值是将小波分解系数后的绝对值与阈值进行对比,如果信号不大于阈值则设置为零,反之保持不变。这种重构信号的方式必然导致其重构函数不连续,噪声过滤后产生振荡现象,信号也会失真。软阈值函数是将小波分解系数后的绝对值与阈值进行对比后,把不大于阈值的函数设置为零,而大于阈值的信号设置为绝对值与阈值的差,这样信号就会趋向于零。软阈值函数的本质决定了其连续性优于硬阈值函数,由于其导数不连续,小波系数与带噪小波系数有偏差,并且对阈值大的系数进行定值压缩,这与噪声随小波系数增加而减少是不一致的,所以软阈值函数尽管在去噪后信号相对平缓,但是信号也有可能出现失真的情况。综合硬阈值函数和软阈值函数的优点,煤矿安全监测系统CO异常数据剔除常采用改进的阈值构造函数,可以避免硬阈值函数在重构中出现信号振荡现象外,还可以避免软阈值函数失真的现象。改进后的阈值构造函数如下:
(1)
式中:λ1——上阈值;
λ2——下阈值;
wj,k——原始小波系数。
第三步:阈值的选取。小波阈值在滤波中起到关键作用[7-9],适当的阈值不仅能有效去除噪声信号,而且不至于误除有效信号,若阈值太大,会使一部分有效信号丢失,进而使得重构信号失真,若阈值太小,则无法有效地去除噪声信号。由于煤矿井下CO浓度波动性较大、规律性不强,经过分析选择无偏风险估计准则确定阈值,保证在滤除绝大部分噪声信号前提下保留最多的有效信号。
第四步:重构小波。重构小波就是通过上述方法,经过阈值函数处理后的小波系数经过逆变换得到的信号,在煤矿安全监控系统中经过重构可得到滤除噪声后的CO浓度曲线。
在经过小波降噪后的序列,消除了原始序列中大部分噪声的影响,同时保持了原序列的特征和趋势,对后续研究工作提供了良好的数据基础。CO浓度时间序列密采数据降噪前后曲线如图2所示。
图2 CO浓度时间序列密采数据降噪前后曲线
影响模式识别最重要的是有效特征参数的提取和分类识别的算法[10]。数据特征的参数众多,如果样本数据选取的特征参数不明显,那么无论是采用哪种分类算法,都无法将数据进行有效分类。因此对模式识别来说最重要的前提是选取明显表征数据特征的参数。当综采工作面作业流程发生改变时,CO浓度时间序列信号的能量分布会发生明显变化,不同综采工作面作业流程对应不同的CO浓度时间序列频带能量的分布特点,所以可以通过不同频段内信号的能量谱分布规律来辨识综采工作面作业流程的类别。笔者采用小波包能量分析方法完成掘进作业不同类型工序CO浓度时间序列信号的特征提取。
采用小波包能量谱对安全监控系统原始信号进行特征向量提取的步骤[11-12]如图3所示。
根据图3步骤,通过合理的小波基和小波分解层数的确定方案[13-15],以Db5为小波基对采集并预去噪处理的安全监控系统上隅角CO浓度时间序列进行3层小波包分解,得到各频带系数分布图,并通过小波包能量谱的方法提取8个频带内的能量作为特征向量,作为识别综采工作面不同工序的特征参数。
图3 特征向量提取步骤
根据上述小波包能量谱特征提取方法,得到综采工作面在交接班、割煤、检修期间CO浓度时间序列小波包分解频带波形和8个频带内的特征能量谱,分别如图4和图5所示。
图4 不同作业工序CO浓度时间序列小波包分解频带波形
在综采工作面不同作业流程CO浓度时间序列信号的能量谱中,某个或某几个频段的能量占比规律决定了该工序的特点。
由图5可以看出,3种工序在第1频段内能量占比均最高,其中割煤工序在第1频段内能量占比达94.32%,交接班工序在第1频段内能量占比最低也达到了64.99%;2~8频段内3种工序的能量分布呈现不同的规律,其中交接班期间各频段分布不均匀,6、7频段能量占比相对较高,4、8频段能量占比最低;割煤(含移架、移刮板输送机、支护等工序)工序2~8频段能量分布相对均匀,集中在0.71%~0.97%之间,特征明显容易识别;检修工序2~8频段能量分布呈现另一种规律,中间4、5频段能量相对较高,其他频段能量低且不均衡。
图5 不同作业工序CO浓度时间序列小波包分解各频段能量分布
以小波包能量谱特征提取出的标准样本中各个频段能量作为特征参数,将其依次排列做为特征向量。不同工序代表性标准识别样本见表1。
表1 不同工序代表性标准识别样本
RBF神经网络属于只含有1个隐含层的前向网络[16-18],依次由输入层、隐含层以及输出层组成。RBF神经网络最明显的特点是隐含层节点的基函数采用距离函数,激活函数则利用径向基函数。RBF神经网络的原理是通过径向基函数对输入测试向量变换,使得高维空间中可映射输入的低维测试数据,进而将输出值采用加权求和,最终将计算结果映射到低维度空间中并输出。RBF神经网络的基函数是多维空间的中心点,存在径向对称性,并且与中心点越近的输入向量,其神经元激活水平越高,反之越低,所以隐藏节点具有局部特性[19]。RBF神经网络的网络结构如图6所示。
图6 RBF神经网络结构
RBF神经网络的输入层由待处理信号的节点构成,X=[x1,x2,…,xn]T,其中n表示待处理信号的节点数目;中间的隐藏层H=[h1,h2,…,hm]T为径向基函数,其中m表示隐含层节点数目,通常用高斯函数表示:
(2)
tim=[ti1,ti2,…,tiM]
式中:tim——径向基函数的中心;
σi——径向基函数的方差。
假设神经网络输入的训练样本为Xk,神经网络第j个输出目标的输出结果表示为:
(3)
式中:ω0j——权重。
RBF神经网络主要是对基函数的中心、方差以及权重3个参数进行求解。算法主要分为两步,第一步为训练阶段,主要是求解隐含层基函数中心以及方差,第二步是学习阶段,完成权重的求解。
根据试验工作面正规作业循环,将综采工作面正规作业流程合理划分为3类识别类型,在RBF神经网络中,将交接班模式设置输出值为01,割煤模式(含移架、移刮板输送机、支护等工序)设置输出值为02,检修模式设置输出值为03,将此数组当作神经网络的期望输出值。对提取的能量谱特征向量进行归一化处理后输入至RBF神经网络,以已知的作业流程模式为输出量,进行训练,3类模式的训练样本共计86个。神经网络的输入层节点数目共8个,隐含层节点数目共24个,设置神经网络计算误差的目标值为0.001,经过训练样本的输入输出学习,计算出基函数的中心、方差以及权重3个主要参数。神经网络学习完成后重新将训练样本输入进行模式识别,得出分类结果全部正确,说明神经网络学习效果良好。
提取其他工作日的样本数据,按照上述能量谱提取的方法进行特征向量提取后,与当日的作业流程进行比对,确定各时间段对应的工作面作业流程,作为测试样本共10组,对已知模式类型但未参数训练的10组测试样本进行模式识别,测试结果见表2。
由表2可以看出,10组测试数据的模式识别结果中有9个识别结果与实际工作面作业工序一致,识别率为90%,由此说明RBF神经网络能完成综采工作面作业工序的分类目的,可以应用于现场的模式识别中。
表2 测试样本神经网络测试效果
(1)通过对安全监控系统上隅角CO浓度时间序列利用小波包三层分解的方法提取8个频带的能量谱分布情况作为模式识别的特征向量,能明显地区分综采工作面不同作业流程,说明小波包提取出的能量谱作为不同采煤工序的特征参数是可行的。
(2)将提取的能量谱特征向量作为输入参数进行RBF神经网络训练后求得基函数的中心、方差以及权重3个主要参数,对已知模式类型但未参数训练的10组测试样本进行模式识别,正确率为90%,说明这种方法能有效地区分综采工作面不同采煤工序下的CO浓度时间序列,可以应用于现场。