多傳感器信息融合的放煤過程參數化研究

宋慶軍 肖興明 姜海燕 馬 馳

(中國礦業大學機電學院1，江蘇 徐州 221008；山東科技大學2，山東 泰安 271019)

多傳感器信息融合的放煤過程參數化研究

宋慶軍1,2肖興明1姜海燕2馬 馳1

(中國礦業大學機電學院1，江蘇 徐州 221008；山東科技大學2，山東 泰安 271019)

為了解決綜采放頂煤過程的煤矸識別問題，避免過放和欠放情況的發生，將多傳感器信息融合技術應用于參數化模型的建立。計算分析了各階IMF分量的總能量、EMD能量熵和峭度，進而發現它們與煤矸含量的關系，確定了合理的特征參數。建立了基于規則的知識庫形式的產生式數據融合算法，完成了煤矸的分類識別。將方法應用到放頂煤煤矸界面識別的試驗中，取得了良好的識別效果，驗證了所提出方法的有效性。

放頂煤工作面 參數化 多傳感器 信息融合 煤矸識別 特征提取

Feature extraction

0 引言

綜采放頂煤工作面開采放煤過程是一個復雜的、多干擾的非線性系統。在放煤過程中，可以分為落煤、煤矸石混放、放矸[1]三個階段。在我國，很多放頂煤綜采工作面現場，常常是井下操作工通過視覺和聽覺來判斷煤與矸石的混合比例程度，從而決定是否關閉放頂煤窗。由于采煤工作面灰塵大、環境惡劣、勞動強度大、安全隱患多，僅僅依靠單純的人工目測和耳聽很難準確地判斷頂煤放落的程度，不可避免地導致放煤過程的過放和欠放。基于以上原因，本文進行了綜放工作面放煤過程的多傳感器信息融合及參數化研究，利用傳感器、計算機、現代信號處理與分析等多種技術解決了放煤的參數化控制。

通過多傳感器信息融合技術所獲得的新信息是任何單一傳感器所無法獲得的[2]。多傳感器信息融合原理主要包括：多個不同類型的傳感器收集被控目標的信息；提取傳感器輸出信息的特征矢量；對特征矢量進行模式識別處理及分類；利用融合算法獲得被控對象的一致性解釋或描述[3]。

1 放煤過程的信息融合結構模型

1.1 信息融合的結構模型建立

圖1為系統信息融合結構模型。

圖1 信息融合的結構模型

圖1中：Vi為振動傳感器，采集下落的煤矸對支架尾梁產生的振動信號；Sw為聲波傳感器，采集煤矸與支架尾梁產生的撞擊聲信號。傳感器獲得的數據通過研華PCI1716信息采集卡，將其傳送到計算機。

當放煤窗打開時，破碎的頂煤從放煤窗口下落到后部刮板輸送機。在放煤過程，井下操作工利用耳朵和眼睛等感官判斷放煤、矸石和煤矸混合這三個階段。本文借鑒人在識別這一過程中通過各種感官獲得各類信源信息，經融合后，實現判斷與決策的特性[4]，采用振動傳感器、聲波傳感器完成放煤過程的信息采集，利用多傳感器信息融合技術來識別放煤過程。

1.2 信息提取及參數化

設ζ為煤矸混放比例關系值，定義ζ為：

(1)

式中：ng為放煤時的含矸量；nc為放煤時的含煤量。

ζ為從0到1變化的參數值，反映了在放煤過程煤與矸石的比例關系。當全部為煤炭時，ζ=0，記為ζc，當全部為矸石時，ζ=1，記為ζg。在煤矸混放階段，需要辨識煤矸混放比例的臨界點ζs，即當超過ζs時，關閉放煤窗口。

一般來講，在放煤過程中，為了能盡可能多放煤，往往見矸1/3時就停止放煤[5]，即ζs=0.33。然而在實際放煤過程中，還沒有一種傳感器來檢測ζ，因而我們引入了振動和聲波兩個傳感器，通過多傳感的數據信息融合來間接反映參數ζ。

2 多傳感器信息融合參數化算法

2.1 特征的提取

特征提取就是尋找能有效地反映信號的指標，以進一步對信號進行識別和分類。采集的數據中含有直流分量和趨勢項，需經零值化處理和消除趨勢項信號的預處理才能更好了解數據統計特性。

經驗模態分解(empirical model decomposition，EMD)是一種非線性、非平穩的信號分析處理方法[6-7]，信號經EMD分解后包含了信號的重要特征，數據量小，因而較適合于信號的識別。對預處理后信號進行經驗模態分解，得到各階內稟模態函數(intrinsic mode functions，IMF)，提取IMF的能量E、峭度β和能量熵EE。

由于EMD分量分別包含了不同的頻率成分，則E={E1,E2, …,En}，形成了液壓支架振動信號能量在頻率域的一種劃分，相應的EMD能量熵定義為[8]:

(2)

式中：pi為第i個IMF分量的能量占整個信號能量的百分比，即pi=Ei/E。分布越均勻，HE值越大，反之就越小。

EMD能量熵能對給定信號進行相關性的描述。當下落的是煤炭時，能量熵基本維持在一個水平;當煤矸混放時，能量熵產生較大的變化。

河南趙家寨煤礦12202放頂煤工作面在ζ=ζc條件下Sw信號前8個IMF分量的能量分布和峭度分布如圖2所示。

圖2 ζ=ζc IMF分量分布

圖2中，IMF分量的總能量E為0.539 2，能量熵EE為1.801 9。

在ζ=ζg條件下,Sw信號前8個IMF分量的能量分布和峭度分布如圖3所示。

圖3 ζ=ζg IMF分量分布

圖3中，IMF分量的總能量E為1.775 8，能量熵EE為1.763 4。

當ζ取ζs時，能量熵突然由1.801 9(ζ=ζc)減小到1.519 8。隨著矸石含量的增加，能量熵又開始增加。這是因為頂煤均勻下落對液壓支架的沖擊作用比較均勻，能量熵偏大。當混有矸石時，沖擊力有了突變，信號在時間軸分布不均勻，因此能量熵偏小。當矸石的含量越來越大時，對支架的沖擊力又比較均勻，因此，能量熵又逐漸增加。可見，能量熵的變化是非遞增或遞減，故只能判斷是頂煤下放還是煤矸混放，不能識別煤矸的比例。而總能量E是從0.539 2逐漸增加1.775 8，因此，能完成煤矸混放參數ζ的特征參數識別。峭度是歸一化的4階中心矩，對幅值變化最為敏感，有利于探測信號中的突變或奇異特征。計算上述信號的前8個IMF分量的峭度總和β分別為：當ζ=ζc時，β=50.308 1；當ζ=ζs時，β=66.057 7；當ζ=ζg時，β=76.177 1。可見，隨著含矸量的增加，β也逐漸增加，其可以做為識別ζ的特征參數。故選擇信號的IMF總能量E和總峭度β做為特征參數。

2.2 多傳感器的信息融合算法

利用放煤過程中，煤和矸石對支架尾梁的振動信號及聲波信號進行多信息融合特征提取，聯合屬性判決，找出需要關閉放頂煤窗口的合理含矸率及堵煤、卡煤故障。系統的多傳感器數據融合算法采用基于規則的知識庫形式的產生式系統[9]。放頂煤過程參數化模型如圖4所示。

圖4 放頂煤過程參數化模型

輸入參數除了Vi和Sw外，還有一個放煤窗或放煤插板打開(或關閉)的過程量O，O為1表示放煤過程，O為0表示停止放煤過程。

n為放煤窗數。在放煤中，除了根據放煤橢圓理論，按照一定的步距來放煤外，為了提高放煤效率，放煤窗口數一般要多于一個。該值是與O相關的參數，可以通過式(2)獲得。

(3)

I為后部輸送機的運行電流。放煤過程中，由于瞬間涌煤或卡煤等，造成后部輸送機運輸載荷不平穩，因此利用該參數來調節放煤窗口數。

Sy為是否停止放煤的狀態參數，1表示停止放煤，0表示持續放煤。Cy為是否破碎頂煤的狀態參數，1表示需要破碎頂煤，0表示不需要破碎頂煤。

另外還有一個堵煤故障診斷量B，由于煤炭受壓破碎不均勻，大塊煤矸容易產生堵煤，稱為堵煤故障。B為1表示發生堵煤故障，B為0表示放煤正常。

多傳感器數據融合算法采用產生式系統，其知識表示是基于規則的表示形式[9]，它的一般表示形式為：

If(前提1)o(前提2)……Then(結論)。

規則的前提可以是單一參數或多個參數，規則的結論是系統的輸出信號，規則中“o”表示各前提間的邏輯關系。

狀態參數Cy為參數B和O的共同條件下的結果，其邏輯推理表述為：

IfB=1andO=1then

Cy=1

else

Cy=0

endif

狀態參數Sy是O、ζ及I條件下的邏輯推理結果。影響Sy的核心參數為ζ。當ζ達到要關閉放煤窗的ζs時，表示矸石已經到達了較大的上限，需要關閉放煤窗口。后部輸送機電流參數I大于某一特定值時，表示該輸送機超載運行，現場生產中一般取額定電流Ir的1.1倍。當較長時間超過Ir時，后部運輸機的電控系統報警，并停止運行。Sy用邏輯推理描述為：

IfO= 1and(I≥1.1*Irorζ≥ζs)then

Sy=1;

else

Sy=0;

endif

較大的n值可以提高放煤效率，卻容易造成瞬間涌煤，壓死后部輸送機；過低則放煤生產效率降低，不能發揮自動化的優勢。在電液控制放煤系統中，放煤窗口數一般為2～4個。它的大小與電流I有關，其邏輯推理描述為：

Ifn>=2andI>=1.1*Irthen

n=n-1;

elseifI<=0.35*Ir

thenn=n+1;

endif

endif

當出現堵煤、卡煤故障時，因為信號分布比較均勻，所以總峭度β突然降低，故可用來識別堵煤故障信號B。設堵煤故障時總峭度為β0，則參數B的邏輯表達式為：

IfO=1andβ<=β0then

B=1;

else

B=0;

endif

3 結果分析

信息融合技術涉及信息處理、模式識別和推理決策三個過程[10]，本系統的信息融合原理如圖5所示。

圖5 信息融合的原理框圖

數據來自于河南趙家寨煤12202放頂煤工作面，采樣頻率為5 120 Hz，采樣點數為2 048個。數據包含

4類信號，即煤矸比例1∶0、煤矸比例5∶1、煤矸比例3∶1、煤矸比例0∶1，且標記為1、2、3、4類。如果標示為1，則期望ζ為[1,0,0,0,0]；如果標示為2，則期望ζ為[0,1,0,0,0]。依次類推，如果出現堵煤、卡煤故障，則ζ為[0,0,0,0,1]。

分別取50個樣本(40個訓練樣本，10個測試樣本)，共200個樣本，每個樣本含有5個特征量，構成200×5的數據庫，用于識別分析。為了防止結果的偶然性，測試樣本和訓練樣本均從總體樣本中隨機抽取。由于篇幅原因，只列舉放煤過程(O=1)、初始放煤窗n=2的一小部分測試樣本的識別結果，如表1所示。

表1 測試樣本的識別結果

利用上述特征提取算法及產生式多傳感器數據融合算法得到，1類信號識別率為100%；二類信號識別率為96%；3類信號識別率為94%；4類信號識別率為100%；平均識別率為97.5%。如果單用振動或聲波信號。4類信號的平均識別率為87.4%或89.76%。可見，多傳感器信息融合技術能提高識別率。

4 結束語

通過對4類信號的EMD分解，將非線性、非平穩的煤矸信號分解為有限個IMF分量。計算各IMF分量的能量、峭度和能量熵，發現隨著含矸量的增加，總能量和總峭度均有遞增的規律，可為作煤矸識別的特征參數。能量熵是非遞增或遞減的，不能為作煤矸識別的特征參數。

試驗結果表明，該多傳感信息融合的參數化模型能實現放頂煤過程的自動化控制及堵煤、卡煤故障診斷，平均識別率為97.5%，比單一傳感器的識別率高，具有精度高的優點。

[1] 王保平.放頂煤過程中煤矸界面自動識別研究[D].濟南:山東大學,2012.

[2] 劉勇,張民,劉西秀.Elman神經網絡多傳感器融合技術的研究與應用[J].自動化儀表,2012,33(1):66-7.

[3] 繆燕子.多傳感器信息融合理論及在礦井瓦斯突出預警系統中的應用研究[D].徐州:中國礦業大學,2009.

[4] 王鳳朝,黃樹采,韓朝超.多傳感器信息融合及其新技術研究[J].航空計算技術,2009,39(1):102-106.

[5] 黃炳香,劉長友,程慶迎.低位綜放開采頂煤放出率與含矸率的關系[J].煤炭學報,2007,32(8):789-793.

[6] 劉偉.綜放工作面煤矸界面識別理論與方法研究[D].徐州:中國礦業大學,2011.

[7] 張艷麗,張守祥.基于Hilbert-Huang變換的煤矸聲波信號分析[J].煤炭學報，2010,35(1):165-168.

[8] 劉亞瓊,王鐵,張瑞亮,等.基于EEMD能量熵的齒輪接觸疲勞試驗點蝕分析[J].機械強度，2014,36(3):363-367.

[9] 談理,龔德利.參數化控制系統的研制[J].自動化儀表，2005,26(5):20-22.

[10]談理,劉謹,梅麗婷.參數化控制系統中推理機的研制[J].機械科學與技術，2006,25(4):430-433.

Study on the Parameterization of Top Coal Caving by Applying Multi-sensor Information Fusion

To solve the issue of gangue identification in fully-mechanized top coal caving process, and avoid the over caving and under caving, the multi-sensor information confusion technology has been used in establishing the parameterization model. The total energy of each IMF component,the EMD energy entropy and kurtosis are calculated and analyzed, thus the relationship among them and content of gangue is found out, and reasonable characteristic parameters are determined. The generative data fusion algorithm is established based on knowledge base in the form of rules, to accomplish the classification and identification of gangue. Applied in the test of top coal caving gangue interface identification, excellent effect is obtained, the effectiveness of the method proposed is verified.

Top-coal caving working surface Parameterization Multi-sensor Information fusion Coal gangue recognition

泰安市科技計劃基金資助項目(編號：201430774)。

宋慶軍(1976-),男，現為中國礦業大學機械電子工程專業在讀博士研究生，講師；主要從事機械電子、智能控制等方面的教學與研究工作。

TP391

A

10.16086/j.cnki.issn1000-0380.201505006

修改稿收到日期：2014-12-28。