基于多尺度模糊熵和支持向量機的采煤機截割模式識別

梁 斌，劉 澤，牛延博

(1.中國礦業大學 徐海學院，江蘇 徐州 221008；2.中國礦業大學 機電工程學院，江蘇 徐州 221116)

2020年2月，國家發改委、國家能源局等8部委聯合發布了《關于加快煤礦智能化發展的指導意見》，該指導意見明確提出：到2021年，基本實現綜采工作面內少人或無人操作。采煤機作為煤炭綜合機械化開采的關鍵設備，對于煤礦的安全高效生產具有重要意義，其智能化程度是綜采工作面實現“少人化”或者“無人化”的重要因素。而提高采煤機智能化的關鍵因素之一就是實現采煤機截割模式的精準識別[1]。

目前，學者們對于采煤機截割模式識別的方法進行了一定的研究。劉譯文等[2]利用采煤機截割前后煤壁溫度的變化，建立了基于BP神經網絡的采煤機截割模式識別模型；Asfahani等[3]提出利用γ射線進行煤巖界面的識別，從而判斷采煤機滾筒截割模式的方法。但是，由于井下環境惡劣，地質結構復雜，紅外溫度傳感和γ射線識別狀況不佳，于是通過采煤機自身某些狀態參數的變化間接判斷其截割模式：馬正蘭等[4]依 據采煤機的截割載荷間接識別截割阻抗，繼而判斷采煤機截割狀態；陳晨[5]、張天賜[6]、徐志鵬[7]、閆忠良[8]等利用采煤機相關電流數據，結合小波分解提取特征值，分析載荷來判斷采煤機截割模式；許靜[9]、張啟志[10]、蔣干[11]等通過對采煤機的截割聲音信號和搖臂振動信號進行處理分析來獲取采煤機對應截割模式的特征。但是由于滾筒截齒空間分布的復雜性，使得在不同時間尺度下，搖臂振動信號的特性大相徑庭。因此，上述學者所建立的基于單尺度特征信號的采煤機截割模式判別方式存在一定的局限性。

在采煤機截割的過程中，由于地質構造多變及滾筒截齒分布復雜等原因，其截割部的振動信號在不同時間尺度下會表現出千差萬別的振動特性，且包含豐富的截割模式特征信息。因此，有必要獲取截割部振動信號的多尺度特征信息。為此，本文作者提出了一種基于多尺度模糊熵和支持向量機的采煤機截割模式識別新方法。首先，通過提取不同截割模式下搖臂振動信號的多尺度模糊熵，得到表征采煤機截割模式的特征向量；然后挑選特征向量作為樣本供支持向量機學習，從而確定采煤機截割模式。

1 多尺度模糊熵

1.1 模糊熵

模糊熵(Fuzzy Entropy，FE)利用模糊函數的概念，在對兩個時間序列相似程度求解的過程中引入了指數函數的特性，其中包括連續性和非突變性，保證了時間序列自身相似性最大。其定義如下[12]：

1)變換N點時間序列{u(i)：1≤i≤N}，構建m維向量：

u0(i))-(u(j+k)-u0(j))|}

(3)

式中，i、j= 1，2，…，N-m，i≠j。

式中，n，r分別為模糊函數邊界的梯度和寬度。

4)定義函數：

5)重復步驟1)—步驟4)，構造m+1維向量：

6)根據以上推論可定義模糊熵為：

當N不為無窮大時，上式可以表示為：

FuzzyEn(m，n，r，N)=lnφm(n，r)-lnφm+1(n，r)

(8)

1.2 多尺度模糊熵

在不同的截割模式下，采煤機搖臂截割源振動信號的頻段特征和復雜性特征在不同的時間尺度下存在一定的差異性。為了提高結果的準確性，可提取采煤機搖臂振動信號在不同時間尺度下的模糊熵值，即多尺度熵(Multiscale Entropy，ME)，其定義如下[13]：

1)時間序列粗粒化。選取適當的參數，將N點時間序列Xi={x1，x2，…，xn}拆分組合成新的向量[14]：

式中，τ=1，2，…，n為尺度因子。當τ=1時，{y1(1)，y2(1)，…，yn(1)}=Xi即原始時間序列。

2)對所有的時間序列yj(τ)進行模糊熵求解，并將其畫成相應的尺度因子函數。

圖1 時間序列粗粒化的過程

多尺度模糊熵(Multi-scale Fuzzy Entropy，MFE)是同一時間序列在不同尺度因子下的模糊熵值，相比單一模糊熵能夠更好的反映信號的復雜程度。模糊熵值與數據長度N、相似容限r、嵌入維數m和模糊函數梯度n都有關系。對于嵌入維數m，在序列的聯合概率進行動態重構時，m越大包含越多的詳細信息，但m越大需要的數據長度就越長，因此，綜合考慮，m=2；相似容限r過大會造成部分統計信息丟失，而在r過小時，估計出的統計特性不能全面反映原始信號，且導致信號對噪聲較為敏感，一般r取0.1～0.25SD(SD表示為原始數據的標準差)，在本文r=0.15SD；相似容限邊界的梯度取決于模糊函數梯度n，n的增大會帶來梯度的增加，但當n過大時，將出現細節信息丟失的問題。因此，為了獲取盡可能多的細節信息，本文中n=2。數據長度N對計算結果的影響因子較小，對于模糊熵，若取m=2，則一般地時間序列長度100～900，因此，在計算MFE時，N≥100τ。

2 基于拉普拉斯分值的多尺度模糊熵篩選

當選擇尺度因子τ=15時會得到大量模式識別所需的特征向量，因此需要從m個特征向量中選取n個與該模式相關性最高的特征向量，即特征向量篩選。這樣不僅可以更好的進行模式識別，而且還能減少運算的時間，避免維數災難和信息冗余。Dash等利用距離熵來對樣本數據進行排序篩選，該方法具有較好的聚類效果，有效地去除了不相關特征向量[15，16]。拉普拉斯分值算法(Laplasian Score，LS)融合了樣本的聚類特性和方差信息，由其挑選出的特征向量達到了更好的區分效果。

1)構建鄰接圖。設樣本數據為Xn×m，n為樣本個數，m為特征維數。任取兩個樣本數據xi、xj，如果xj是xi的臨近點，則鄰接圖只有一條邊即G=1，否則，G=0。鄰接圖G可以判斷數據中各點之間的鄰近關系。

2)計算鄰接權重。當xixj連接時，通過熱核法可以確定該邊的權重：

式中，t為常數。鄰接權重Sij表示兩個點的接近程度，Sij的大小與兩個點的距離關系成正相關；當G=0時，鄰接權重Sij=0。為了使樣本數據點之間的差異更加明顯，利用鄰接權重的方法作為懲罰因子，給距離較近的點賦予一個較大的值，同樣的，給距離較遠的點賦予一個較小的值。

3)特征評價指標。鄰接圖G中的點聚集在一定范圍內可以使樣本數據中的點具有局部特性，可通過以下的目標函數實現：

式中，Var(fr)為特征方差，表示第r個特征向量在所有樣本數據中相關程度的大小；∑ij(fri-frj)2Sij表示樣本數據在第r個特征向量中的分布情況，其中fri和frj分別表示樣本數據i、j在第r個特征向量的分布情況，兩者的值差越小，表示樣本數據的距離越近。

4)標準化特征評價指標[17]。對式(11)的fr進行標準化求解：

則第r個特征的拉普拉斯分值為：

拉普拉斯分值的大小代表了該數據在模式識別中的作用的大小，由其作為最終的n個模式識別向量的篩選依據。

3 采煤機截割模式識別方法與過程

根據實際工況，本文設定的采煤機截割模式主要有空載、截割頂板、截割底板、截割F1硬度煤巖、截割F2硬度煤巖。采集不同截割模式下的數據并提取多尺度模糊熵值，針對不同截割模式設置不同的分類器進行模式識別。多分類支持向量機結構如圖2所示。

圖2 多分類支持向量機結構

4 實驗驗證

本文搭建了采煤機截割實驗系統并進行了地面實驗來驗證前文提到的模式識別方法。實驗現場及設備如圖3所示。

圖3 采煤機搖臂振動信號采集系統

利用上述系統對五種不同的截割模式進行了信號采集，分別記為Signal1(空載)、Signal2(截割頂板)、Signal3(截割底板)、Signal4(截割F1硬度煤層)、Signal5(截割F2硬度煤層)。實驗過程中采煤機以2.5m/min的速度移動，采樣頻率為15kHz，在每種截割模式下提取六十組振動信號。一部分數據作為支持向量機的學習樣本，一部分數據作為測試樣本。對于五種截割模式分別選擇一組振動信號并畫出其時域波形，如圖4所示。

圖4 不同截割模式下的搖臂振動信號波形

實驗中求得的5種截割模式下振動信號的多尺度模糊熵值如圖5所示。可以看出，不同截割模式下振動信號的多尺度熵曲線趨勢明顯不同，利用多尺度熵值無法直接判斷采煤機的截割模式。

圖5 搖臂振動信號的多尺度熵值

為了提取包含豐富信息的特征向量，計算了不同尺度下信號模糊熵的LS分值，選取了分值較小的前5個特征向量作為樣本數據，并將每種截割模式下的樣本數據隨機分為兩部分，一部分包含25組數據，一部分包含35組數據，分別用于訓練和測試。支持向量機中的核函數采用徑向基核函數，懲罰參數c和核函數參數g通過交叉驗證法確定，最終結果如圖6所示。

圖6 支持向量機識別結果

測試數據中五種不同截割模式的識別率情況見表1。由表1可知，采煤機截割模式數據識別總體正確率達98.86%，其中，在截割頂板模式和截割F2硬度煤層模式中分別有一個數據被識別錯誤，其他模式下所有數據都被正確識別分類。造成錯誤識別的具體原因如下：在提取數據時，采煤機正處于兩種截割模式的轉換階段，信號波動不穩或者發生重疊，提取的特征向量偏向錯誤的截割模式，導致識別錯誤。

表1 不同截割模式下的測試結果統計

為了驗證本文所提算法的優越性，采用BP神經網絡(BP-NN)進行對比分析。同時，隨機選擇的5個模糊熵值作為特征向量(記為random selecting feature，RSF)進行測試。最終產生4種不同的截割模式識別算法，分別為SVM+LS、SVM+RSF、BP-NN+LS和BP-NN+RSF，其中BP-NN的相關參數設置如下：輸入層節點數5，輸出層節點數5，隱含層節點數為10。利用前文樣本對SVM和BP-NN進行訓練后，并從數據庫中隨機選擇100個樣本進行驗證，對比結果見表2。可以看出，本文所提算法的采煤機截割模式識別精度最高，達到97.00%。這是因為利用LS篩選的特征值能夠更加準確地表征不同的截割模式狀態，且SVM比BP-NN具有更好的泛化能力。

表2 不同算法的截割模式識別結果

5 結 語

為了提高采煤機的智能化水平，提出了一種基于多尺度模糊熵和支持向量機的采煤機截割模式識別方法。通過拉普拉斯分值算法提取截割振動信號的模糊熵值，并對提取的數據進行精簡與提煉。通過搭建的煤巖截割實驗系統，對本文所提方法的可行性和優越性進行了對比分析，結果表明：本文所提算法具有較高的識別精度，能夠滿足智能化采煤機的發展需求。