基于多源數(shù)據(jù)融合的采煤機截割載荷預(yù)測方法

于 寧 孫業(yè)新 陳洪月

遼寧工程技術(shù)大學(xué)機械工程學(xué)院，阜新，123000

0 引言

采煤機是煤礦開采最重要的設(shè)備。由于采煤工作面不均勻圍巖、堅硬夾矸等因素的影響，采煤機滾筒在截割過程中易受到強烈的沖擊，導(dǎo)致截割滾筒的截齒異常磨損或搖臂內(nèi)的齒輪斷齒失效等[1-2]，因此，研究采煤機的滾筒載荷識別與預(yù)測方法對采煤機工作狀態(tài)監(jiān)測與預(yù)警具有重要意義。

截割載荷預(yù)測在煤礦裝備智能化領(lǐng)域一直是研究熱點與難題。郝志勇等[3]通過實驗采集銷軸和壓力環(huán)的三向應(yīng)變，采用小波分解降噪并進行載荷譜分形關(guān)聯(lián)維數(shù)計算，研究了滾筒截割載荷分布規(guī)律；李曉豁等[4]基于MATLAB/GUI研發(fā)了滾筒截割載荷模擬系統(tǒng)，依據(jù)滾筒參數(shù)和煤巖信息預(yù)測截割載荷，解決了截割載荷計算困難問題；劉春生等[5]提出了一種改進分數(shù)階Tikhonov正則化載荷識別算法，對截割載荷有較好的識別效果。目前，有不少學(xué)者應(yīng)用神經(jīng)網(wǎng)絡(luò)識別與預(yù)測截割載荷。張強等[6]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合的煤巖識別方法，依據(jù)實驗提取截割過程中的振動、電流等信號特征，預(yù)測了滾筒的截割軌跡。劉春生等[7]建立了基于熵權(quán)的正則化神經(jīng)網(wǎng)絡(luò)載荷譜預(yù)測模型，提出了依據(jù)有限楔入角的載荷譜的預(yù)測方法，實現(xiàn)不同楔入角的截割載荷預(yù)測。蔣干[8]采用IFOA-RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)了單一傳感信號下的煤巖截割狀態(tài)識別，經(jīng)過D-S證據(jù)理論融合，最終得到了煤巖截割載荷識別結(jié)果。毛君等[9]將深度信念網(wǎng)絡(luò)(deep belief network，DBN)應(yīng)用于滾筒載荷預(yù)測，經(jīng)過實驗測試得到了良好的載荷預(yù)測效果，結(jié)果表明DBN預(yù)測模型特征提取能力強，且優(yōu)于BP神經(jīng)網(wǎng)絡(luò)(BPNN)。

綜上所述，在數(shù)據(jù)量龐大且復(fù)雜的條件下，DBN可以實現(xiàn)特征自主學(xué)習(xí)，在預(yù)測精度上優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，而應(yīng)用DBN的載荷預(yù)測研究較少。在上述學(xué)者對截割載荷的研究基礎(chǔ)上，本文提出了一種改進的DBN載荷預(yù)測模型，在DBN的基礎(chǔ)上，結(jié)合貝葉斯正則化(BR)方法和粒子群優(yōu)化(PSO)算法，建立了基于BR-PSO-DBN的滾筒載荷預(yù)測模型。

1 DBN的改進

1.1 DBN

DBN由多層無監(jiān)督受限玻爾茲曼機(restricted Boltzmann machine，RBM)和一層有監(jiān)督的反向傳播網(wǎng)絡(luò)堆疊而成[10]。DBN包含兩個學(xué)習(xí)過程：前向無監(jiān)督堆疊和后向有監(jiān)督微調(diào)。前向無監(jiān)督堆疊過程為：將第一個RBM的輸出作為第二個RBM的輸入，依此類推，采用貪婪學(xué)習(xí)算法進行預(yù)訓(xùn)練，實現(xiàn)從前到后的無監(jiān)督學(xué)習(xí)，初步確定網(wǎng)絡(luò)權(quán)重。后向有監(jiān)督微調(diào)過程為：從DBN網(wǎng)絡(luò)最后一層開始精調(diào)網(wǎng)絡(luò)各層的參數(shù)，根據(jù)標(biāo)簽數(shù)據(jù)進行訓(xùn)練，采用BP算法微調(diào)初始網(wǎng)絡(luò)權(quán)重，得到最優(yōu)的網(wǎng)絡(luò)參數(shù)。

1.2 引入BR法

多傳感器采集條件下，數(shù)據(jù)量增大，特征維度增加，RBM堆疊得到的DBN非常復(fù)雜，建立的模型容易發(fā)生過擬合現(xiàn)象。為避免過擬合問題，增強網(wǎng)絡(luò)的泛化能力，本文引入BR法優(yōu)化每層RBM的訓(xùn)練函數(shù)，限制網(wǎng)絡(luò)規(guī)模的同時減小訓(xùn)練誤差。

根據(jù)BR法[11]，將RBM中的性能函數(shù)優(yōu)化為

Fw=αP+βEw

(1)

(2)

P0=P(v,h)∝exp(-E(v,h))=
exp(hTWv+bTv+aTh)

(3)

式中，F(xiàn)w為優(yōu)化的訓(xùn)練函數(shù)；Ew為復(fù)雜度懲罰項；P0為初始的訓(xùn)練函數(shù)；α、β為超參數(shù)；h、v分別表示隱含層和可視層；m、n分別為可視單元與隱藏單元數(shù)量；P為聯(lián)合概率分布；E(v,h)為該組態(tài)下的能量函數(shù)；W為顯層與隱層各單元之間的連接權(quán)值，W=[wij]；a、b分別為顯層與隱層各單元的偏置值。

如果α遠大于β，則減小訓(xùn)練誤差，如果α遠小于β，則減小網(wǎng)絡(luò)規(guī)模。

確定網(wǎng)絡(luò)結(jié)構(gòu)后，確定訓(xùn)練函數(shù)超參數(shù)α、β的取值。依據(jù)HINTON等[12]給出的正則化法超參數(shù)取值的經(jīng)驗(α∈[0.5,1]，β∈[0,0.5])，本文通過實驗隨機多次在取值范圍內(nèi)給α、β賦值，最后取網(wǎng)絡(luò)識別效果最佳的賦值。引入BR法優(yōu)化各層RBM，確定最優(yōu)的網(wǎng)絡(luò)模型規(guī)模以及超參數(shù)α、β，提高網(wǎng)絡(luò)對樣本數(shù)據(jù)的適應(yīng)能力。

1.3 引入PSO算法

為使網(wǎng)絡(luò)獲得最優(yōu)的網(wǎng)絡(luò)權(quán)重，引入PSO算法對傳統(tǒng)的BP算法加以改進，強化網(wǎng)絡(luò)精調(diào)的能力。PSO算法通過隨機粒子種群迭代進行尋優(yōu)，每次迭代通過跟蹤個體最優(yōu)解和全局最優(yōu)解來更新粒子的運行速度和位置。首先初始化粒子群參數(shù)，種群F={F1,F2,…,Fn}，設(shè)第i個粒子在t次迭代的位置為Fi,t=(fi1,t,fi2,t,…，fiD,t)T，速度Vi,t=(vi1,t,vi2,t,…,viD，t)T，個體的最優(yōu)位置pi，t=(pi1，t,pi2，t,…,piD，t)T，全局的最優(yōu)位置pg，t=(pg1，t,pg2，t,…,pgD，t)T，則第i粒子在t+1次迭代時有：

vid，t+1=vid，t+c1r1(pid，t-xid，t)+c2r2(pgd，t-xid，t)

(4)

式中，d=1,2,…，D；i=1,2,…,n；r1、r2為樣本空間(0，1)內(nèi)的隨機數(shù)；c1、c2為加速因子。

PSO算法中如果個體最優(yōu)解多于全局最優(yōu)解，則會陷入局部最優(yōu)解，所以筆者引入慣性權(quán)重來平衡算法的尋優(yōu)能力：

w=wmax-(wmax-wmin)t/tmax

(5)

(6)

式中，w為第t次迭代的權(quán)重；C1、C2為第t次迭代的加速因子；wmax、wmin分別為最大和最小的慣性權(quán)重；tmax為最大迭代次數(shù)；Cmax、Cmin分別為最大和最小的加速因子。

式(5)能夠增強算法局部尋優(yōu)能力，式(6)能夠增強粒子個體的搜索能力和對全局的感知能力。改進PSO算法的步驟如圖1所示。

圖1 改進粒子群算法步驟Fig.1 Steps of improved particle swarm algorithm

1.4 改進決策域更新系數(shù)

PSO算法是群智能算法之一，而收斂停滯一直是群智能算法的難題，因為算法有限的搜索能力，使種群可能收斂到一個停滯解[13]。為克服此問題，本文通過改進決策域更新系數(shù)來增大種群個體的決策域半徑。

引入指數(shù)分布系數(shù)對決策域更新系數(shù)β0進行改進：

β′=β0Ri

(7)

式中,Ri為指數(shù)分布系數(shù)。

與原更新系數(shù)相比，指數(shù)分布系數(shù)擴大了算法的搜索范圍，加快了起始計算速度，增強了局部尋優(yōu)能力。

對引入指數(shù)分布系數(shù)的決策域更新系數(shù)做線性處理，以保證改進后的算法在后期的搜索精度：

β′(t)=β′min+(β′max-β′min)t/tmax

(8)

種群迭代至后期時，算法的調(diào)整步長減小，以實現(xiàn)最優(yōu)解的搜索精度。

綜合考慮算法的收斂速度和尋優(yōu)精度，采用遞減移動步長S，使算法整個過程始終保持較高的搜索強度，遞減的公式為

S=S0δtεδ∈(0,1)

(9)

式中，S0為初始步長；δ為遞減系數(shù)；ε為待優(yōu)化問題的問題域。

改進后的動態(tài)決策域半徑更新公式為

(10)

式中,rs為螢火蟲感知域；rdi為螢火蟲i的動態(tài)決策域；ni為鄰域的閾值；Ni(t)為螢火蟲i在第t次的鄰居集合。

位置更新公式為

(11)

2 建立BR-PSO-DBN預(yù)測模型

本文以某型采煤機左截割部為實驗對象，滾筒截割三向載荷和滾筒扭矩為預(yù)測目標(biāo)，輸入?yún)?shù)選取惰輪軸、連接架銷軸載荷和搖臂殼體應(yīng)變量，采煤機截割部結(jié)構(gòu)見圖2。

圖2 采煤機截割部結(jié)構(gòu)圖Fig.2 Structure diagram of cutting part of coalmining machine

(1)惰輪軸載荷。惰輪軸距離滾筒側(cè)最近，載荷傳遞損耗小，以惰輪軸載荷為特征參數(shù)，能夠提高截割載荷預(yù)測精度。實驗中采用與惰輪軸外形相似且具有同等力學(xué)特性的傳感器[14]，實時監(jiān)測截割過程中惰輪軸的Y向和Z向受力情況。

(2)連接架銷軸載荷。連接架銷軸連接搖臂與連接架，滾筒截割載荷通過搖臂作用在連接架銷軸，因此連接架銷軸載荷可以作為預(yù)測截割載荷的特征參數(shù)。4個連接銷軸Y向和Z向受力狀況由具有相同強度的銷軸傳感器測得[15]。

(3)搖臂殼體應(yīng)變。搖臂作為截割部的重要組成部分，支撐整個滾筒，承受較大的滾筒截割載荷，所以在搖臂殼體兩側(cè)進行應(yīng)力應(yīng)變測量。利用模態(tài)分析方法[16]研究搖臂變形規(guī)律，在搖臂采空面過渡位置和惰輪軸周圍的受力較大區(qū)域內(nèi)布置12個應(yīng)變傳感器，并在應(yīng)變傳感器正上方安裝金屬防護板，以適應(yīng)截割煤巖時的復(fù)雜工況。傳感器布置如圖3所示，其中3、5、8號傳感器測量Z向應(yīng)變，余下傳感器測量Y向應(yīng)變。

圖3 搖臂殼體應(yīng)變值采集示意圖Fig.3 Schematic illustration of the collection of strainvalues of the rocker shell

將截割部滾筒所受三向截割載荷和扭矩作為輸出參數(shù)，實測數(shù)據(jù)通過截齒傳感器采集[17]。

綜上所述，采煤機滾筒載荷預(yù)測模型的輸入層包括22個神經(jīng)元，輸出層包括4個神經(jīng)元。構(gòu)建的BR-PSO-DBN模型如圖4所示，其中，C表示隱含層， W表示對應(yīng)計算過程。

圖4 BR-PSO-DBN預(yù)測模型Fig.4 BR-PSO-DBN forecasting model

BR-PSO-DBN預(yù)測模型包含2個BR-RBM隱含層，各隱含層內(nèi)神經(jīng)元個數(shù)由BR法優(yōu)化確定；預(yù)測模型采用BP-PSO算法進行微調(diào)。

3 訓(xùn)練BR-PSO-DBN預(yù)測模型

在截割載荷預(yù)測之前，對BR-PSO-DBN預(yù)測模型進行訓(xùn)練。

(1)數(shù)據(jù)處理。從實驗數(shù)據(jù)中提取輸入樣本并構(gòu)建樣本空間，劃分訓(xùn)練樣本和測試樣本。樣本空間根據(jù)3種不同工況分為3個部分，分別在各區(qū)域內(nèi)中截取10 000個樣本數(shù)據(jù)。歸一化處理樣本數(shù)據(jù)，加快程序的運行，公式為

x*=(x-xmin)/(xmax-xmin)

(12)

式中，xmin為樣本數(shù)據(jù)最小值；xmax為樣本數(shù)據(jù)最大值。

(2)數(shù)據(jù)融合。輸入層xi通過2層RBM和1層反饋層進行數(shù)據(jù)融合，RBM作為一種生成式隨機神經(jīng)網(wǎng)絡(luò)，其聯(lián)合狀態(tài)的能量函數(shù)為

(13)

式中，I、J分別為顯性神經(jīng)元和隱性神經(jīng)元的個數(shù)。

RBM中隱層C1或C2中的神經(jīng)元hj被激活的概率為

(14)

判斷神經(jīng)元hj是否被激活的公式為

(15)

式中，u服從0～1均勻分布，即u～U(0,1)。

RBM為雙向連接，則重構(gòu)時隱層神經(jīng)元激活顯層神經(jīng)元的概率為

(16)

對反饋層采用BP算法，輸出神經(jīng)元表達式為

(17)

其權(quán)重表達式為

wji(t+1)=wji(t)+ηδpjopj

(18)

式中，η為微調(diào)學(xué)習(xí)速率；δpj為網(wǎng)絡(luò)預(yù)測誤差；opj為神經(jīng)元的輸出信號。

(3)無監(jiān)督學(xué)習(xí)。通過貝葉斯法優(yōu)化每層RBM的規(guī)模，固定隱元個數(shù)，確定超參數(shù)α、β和初始權(quán)值。預(yù)訓(xùn)練階段學(xué)習(xí)速率采用常用值0.1，每個RBM迭代200次。

(4)有監(jiān)督學(xué)習(xí)。輸入標(biāo)簽數(shù)據(jù)通過PSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)微調(diào),確定最優(yōu)權(quán)值，微調(diào)學(xué)習(xí)速率η同樣設(shè)置為0.1，最后保存訓(xùn)練好的網(wǎng)絡(luò)模型參數(shù)。具體流程見圖5。

圖5 BR-PSO-DBN具體流程圖Fig.5 BR-PSO-DBN specific flow chart

4 截割載荷測試實驗

實驗數(shù)據(jù)來源于中煤張家口煤礦機械裝備實驗室，模擬井下實際工況進行采煤機截割載荷實驗測試，實驗系統(tǒng)的組成如圖6所示。

圖6 實驗系統(tǒng)Fig.6 Experimental system

實驗系統(tǒng)通過在螺旋滾筒下方安裝無線發(fā)射模塊采集截齒傳感器數(shù)據(jù)，在搖臂采空側(cè)安裝無線發(fā)射模塊對惰輪軸傳感器、搖臂應(yīng)變等數(shù)據(jù)進行采集和無線傳輸，最后匯總顯示到PC端。

根據(jù)截煤經(jīng)驗，采煤機搖臂割頂煤時比采煤機搖臂割底煤時更易發(fā)生應(yīng)變集中而造成搖臂損傷，并且隨搖臂擺角增大而顯著，因此實驗中，左截割部在搖臂最大擺角35°條件下，分別測試采煤機空載、斜切進刀和正常截割三種工況下不同速度時的受力。在采煤機空載階段牽引速度設(shè)為2 m/min，檢查采煤機行走過程中各傳感數(shù)據(jù)傳輸情況；當(dāng)采煤機行至26號架后以3 m/min行駛，進入斜切進刀截割過程；當(dāng)采煤機行至16號架時，進入到正常截割階段，采煤機以3 m/min繼續(xù)截割至煤壁最左側(cè)停止，實驗經(jīng)28 min結(jié)束，樣本數(shù)據(jù)采集完畢。測試時三機狀態(tài)如圖7所示，測試過程嚴格按照采煤機在煤礦井下的截割工藝運作。

圖7 實驗測試三機狀態(tài)Fig.7 Status of 3 experimental machines

數(shù)據(jù)處理后，由樣本數(shù)據(jù)中提取的100個測試實驗數(shù)據(jù)點所構(gòu)成的連接架銷軸輸入樣本曲線(8組)、惰輪軸輸入樣本曲線(2組)、搖臂應(yīng)變輸入樣本曲線(12組)分別如圖8～圖10所示。

圖9 惰輪軸Y向和Z向輸入樣本Fig.9 Y and Z input samples of idler wheels

圖10 搖臂應(yīng)變輸入樣本Fig.10 Rocker strain input sample

5 數(shù)據(jù)對比分析

首先將測試樣本輸入到BR-PSO-DBN預(yù)測模型中，然后經(jīng)過數(shù)據(jù)融合處理，最后輸出對應(yīng)數(shù)據(jù)點的滾筒三向載荷和滾筒扭矩特征數(shù)據(jù)。將截齒傳感器實際測得的截割載荷數(shù)據(jù)與采煤機滾筒截割載荷預(yù)測模型得到的預(yù)測載荷數(shù)據(jù)進行對比分析，通過載荷預(yù)測的精度來驗證BR-PSO-DBN模型的準(zhǔn)確性。觀察圖11中滾筒載荷預(yù)測值與實測值曲線可知：預(yù)測曲線與實測曲線的變化規(guī)律較為相似，曲線中峰值點的位置是一一對應(yīng)的，說明預(yù)測結(jié)果能夠準(zhǔn)確地反映滾筒實際載荷變化特征。

圖11 實測曲線與預(yù)測曲線對比 Fig.11 Comparison of measured and predicted curves

對實驗數(shù)據(jù)與預(yù)測數(shù)據(jù)作進一步處理，得到預(yù)測與實測數(shù)據(jù)如表1所示，將截割載荷的BR-PSO-DBN預(yù)測值和實驗值從平均值、最大值、最小值和標(biāo)準(zhǔn)偏差4個方面進行比較：在X向和Y向上的滾筒截割載荷以及滾筒扭矩的預(yù)測值略小于實際測試值，在Z向的截割載荷預(yù)測值略大于實際測量值。4個載荷測試結(jié)果的相關(guān)系數(shù)分別為0.8370、0.8926、0.8765和0.9455，均在0.83以上，其中滾筒扭矩預(yù)測值與實際測試值的近似程度最高，達到了95%，說明BR-PSO-DBN預(yù)測模型可以準(zhǔn)確地預(yù)測滾筒的截割扭矩，在X、Y和Z向上的截割載荷誤差相對較大，但預(yù)測值與實驗值之間的相似度超過83%，證實了該預(yù)測值具有較高精度，BR-PSO-DBN模型預(yù)測截割載荷的方法具有可行性。

表1 預(yù)測與實測數(shù)據(jù)誤差對比分析

6 結(jié)論

(1)本文采用BR-PSO-DBN模型從多傳感器數(shù)據(jù)中抽取狀態(tài)特征信息融合，實現(xiàn)截割載荷的預(yù)測與辨識，解決了單一傳感器監(jiān)測效能低和截割載荷預(yù)測精度低的問題。

(2)以深度信念網(wǎng)絡(luò)為框架，在無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)階段分別引入貝葉斯正則化和改進的粒子群算法對傳統(tǒng)深度信念網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，建立了BR-PSO-DBN截割載荷預(yù)測模型。

(3)通過實驗系統(tǒng)測試得到惰輪軸載荷數(shù)據(jù)、連接架銷軸載荷數(shù)據(jù)、搖臂應(yīng)變數(shù)據(jù)，歸一化處理后創(chuàng)建訓(xùn)練樣本和測試樣本，并導(dǎo)入訓(xùn)練樣本，獲得最優(yōu)的網(wǎng)絡(luò)參數(shù)，完成了BR-PSO-DBN模型的訓(xùn)練。

(4)輸入以22個變量的100組數(shù)據(jù)組成的測試樣本，輸出滾筒截割載荷和扭矩的預(yù)測數(shù)據(jù)，將預(yù)測曲線與現(xiàn)場實驗系統(tǒng)實測曲線進行比對，兩組曲線變化趨勢基本相同，對應(yīng)峰值基本一致。

(5)數(shù)據(jù)處理后，將兩種結(jié)果的相關(guān)系數(shù)進行對比。BR-PSO-DBN預(yù)測模型對截割載荷預(yù)測精度達到了83%以上，其中滾筒扭矩預(yù)測精度最高，達到了95%，進一步驗證了截割載荷預(yù)測具有很高精度，預(yù)測方法能夠應(yīng)用到實際生產(chǎn)中對采煤機滾筒載荷進行識別，提高采煤機截割煤巖安全狀態(tài)感知力。