許志鵬，劉振堅(jiān)，莊德玉，尹玉璽

（1.煤炭科學(xué)研究總院，北京 100013；2.中煤科工集團(tuán)上海有限公司，上海 200030）

0 引言

地下鋁土礦開采環(huán)境與煤礦相似[1]，借鑒煤礦開采經(jīng)驗(yàn)，在地下鋁土礦中引進(jìn)綜采成套機(jī)械設(shè)備，是鋁土礦高效、安全開采的一條新出路[2]。大部分地下鋁土礦的工作面地質(zhì)賦存條件與煤礦相似，礦體與巖層交界崎嶇，直接頂與直接底為巖石，將采礦機(jī)應(yīng)用于地下鋁土礦生產(chǎn)時(shí)，采礦機(jī)滾筒可能因割頂?shù)装宓膸r類負(fù)載，致使?jié)L筒截齒磨損加速，機(jī)械損耗增加。在地下開采過程中，工作人員根據(jù)經(jīng)驗(yàn)判斷截割負(fù)載類型，并通過手持遙控裝置或端子調(diào)節(jié)采礦機(jī)滾筒高度，但受限于開采現(xiàn)場(chǎng)的惡劣環(huán)境，工作人員的判斷往往會(huì)出現(xiàn)一定的誤差和滯后性。在開采智能化趨勢(shì)下，采礦機(jī)智能化是其中的重要環(huán)節(jié)，而準(zhǔn)確、智能地識(shí)別截割負(fù)載是實(shí)現(xiàn)采礦機(jī)智能化的關(guān)鍵技術(shù)。

目前，以振動(dòng)信號(hào)為參考的截割負(fù)載類型識(shí)別方式被廣泛應(yīng)用[3]，其識(shí)別過程主要包括信號(hào)特征提取和模式分類2個(gè)部分，其中有效的信號(hào)特征提取是截割負(fù)載類型識(shí)別的基礎(chǔ)。采礦機(jī)實(shí)際運(yùn)行工況復(fù)雜，獲得的振動(dòng)信號(hào)具有時(shí)域非線性的隨機(jī)非平穩(wěn)特征。目前，傅里葉變換、小波變換等時(shí)頻特征提取方法應(yīng)用場(chǎng)景廣泛。但傳統(tǒng)的傅里葉變換不能反映信號(hào)在時(shí)域上的突變趨勢(shì)，無(wú)法適用于非平穩(wěn)信號(hào)的分解；小波變換在分析信號(hào)的高頻部分時(shí)分辨率較低，易丟失信號(hào)的有效特征信息。小波包分解廣泛用于處理非平穩(wěn)信號(hào)，信號(hào)的有效信息保留全面、分辨率高。郭偉超等[4]利用小波包分解得到表征信號(hào)特征的能量譜作為特征向量，并利用主成分分析（Principal Component Analysis，PCA）方法降低特征向量維度，以提取出區(qū)分故障類型的有效特征。

在模式分類方面，BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）具備非線性映射、自學(xué)習(xí)和自適應(yīng)等能力，但在BPNN訓(xùn)練過程中，算法受反向傳播影響，易陷入局部最優(yōu)解，同時(shí)，網(wǎng)絡(luò)初始化時(shí)的權(quán)值、閾值選取會(huì)直接影響網(wǎng)絡(luò)收斂速度。麻雀搜索算法（Sparrow Search Algorithm，SSA）是于2020年提出的一種群智能優(yōu)化算法，通過模擬麻雀的集體覓食行為，優(yōu)化群體活動(dòng)以找到全局最優(yōu)解。孫全等[5]引入SSA對(duì)BPNN的初始權(quán)值、閾值進(jìn)行優(yōu)化，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度。

因此，本文將小波包分解與SSA?BPNN相結(jié)合，基于振動(dòng)信號(hào)對(duì)地下鋁土礦截割負(fù)載類型進(jìn)行識(shí)別。利用小波包分解提取采礦機(jī)滾筒空載、截割鋁土、截割巖石時(shí)的振動(dòng)信號(hào)能量特征，并對(duì)特征向量進(jìn)行降維處理；將特征向量輸入至SSA?BPNN，以實(shí)現(xiàn)截割負(fù)載的分類。

1 基于小波包分解的信號(hào)特征提取

1.1 小波包分解

小波包分解能對(duì)小波分解中未分解的高頻信號(hào)進(jìn)一步分解到各個(gè)頻段上，并根據(jù)樣本數(shù)據(jù)的特征，自適應(yīng)選取頻段以匹配信號(hào)的頻譜特征，保留了數(shù)據(jù)中完整的有效特征[6]。

1.2 特征向量計(jì)算

將振動(dòng)信號(hào)x（t）進(jìn)行n層小波包分解后，得到2n個(gè)子頻帶，則第i（i=0,1,···,2n?1）個(gè)子頻帶的能量為

式中fi(m)為x（t）分解后第i個(gè)子頻帶中第m（m=0,1,···,N?1，N為采樣點(diǎn)數(shù)）個(gè)離散采樣點(diǎn)的幅值。

根據(jù)能量守恒定律，將提取的各子頻帶能量累加求和可得信號(hào)總能量E，則各子頻帶能量在信號(hào)總能量的占比為

信號(hào)總能量與不同截割負(fù)載類型下信號(hào)最大能量 Emax的比值為

則表征截割負(fù)載狀態(tài)的2n+1維特征向量為[7]

1.3 PCA降維

PCA常用于提取高維數(shù)據(jù)的有效信息及特征。當(dāng)小波包分解層數(shù)過大時(shí)，特征向量維度過高，為降低高維數(shù)據(jù)的稀疏性，利用數(shù)據(jù)映射方法將高維度、線性相關(guān)的數(shù)據(jù)轉(zhuǎn)換為低維度、線性無(wú)關(guān)的數(shù)據(jù)，通過計(jì)算數(shù)據(jù)主成分的累計(jì)貢獻(xiàn)率，選取最能代表數(shù)據(jù)有效信息的主成分。

2 SSA?BPNN

在麻雀群體的覓食過程中，麻雀?jìng)€(gè)體分為發(fā)現(xiàn)者和加入者2種：發(fā)現(xiàn)者負(fù)責(zé)尋找食物的區(qū)域及方向；加入者根據(jù)發(fā)現(xiàn)者的位置實(shí)時(shí)調(diào)整自己的位置以尋獲食物。麻雀種群中的個(gè)體在覓食過程中互相監(jiān)視，加入者與攝入量較多的個(gè)體爭(zhēng)奪食物。當(dāng)群體捕食環(huán)境出現(xiàn)危險(xiǎn)，預(yù)警值達(dá)到臨界點(diǎn)，種群中出現(xiàn)預(yù)警者，麻雀種群會(huì)迅速反應(yīng)并進(jìn)行反捕食[8-12]。

在模式分類過程中，為使BPNN更好、更快地收斂，將BPNN的1組權(quán)值、閾值作為麻雀?jìng)€(gè)體，通過尋找麻雀?jìng)€(gè)體的最佳適應(yīng)度值求得權(quán)值、閾值的最優(yōu)解，并賦值給BPNN。

3 截割負(fù)載類型識(shí)別流程

基于小波包分解和SSA?BPNN的截割負(fù)載類型識(shí)別流程如圖1所示，具體步驟如下。

圖1 基于小波包分解和SSA?BPNN的截割負(fù)載類型識(shí)別流程Fig.1 Cutting load typeidentification processbased on wavelet packet decomposition and sparrow search algorithm optimized back propagation neural network

（1）將多組振動(dòng)信號(hào)劃分為空載、鋁土、巖石負(fù)載類型下的數(shù)據(jù)樣本，對(duì)樣本進(jìn)行小波包分解后得到各子頻帶能量，并對(duì)其進(jìn)行歸一化得到特征向量，進(jìn)而對(duì)特征向量進(jìn)行降維處理，并將其作為BPNN的輸入。

（2）確定BPNN的拓?fù)浣Y(jié)構(gòu)。根據(jù)輸入的特征向量維度和模式種類，設(shè)定BPNN輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)。

（3）參數(shù)初始化。確定SSA最大迭代次數(shù)、種群規(guī)模、發(fā)現(xiàn)者所占種群比例、預(yù)警值及預(yù)警者數(shù)量。

（4）計(jì)算個(gè)體適應(yīng)度值。用種群中的每個(gè)個(gè)體代表BPNN中的初始權(quán)值和閾值，利用適應(yīng)度函數(shù)尋找較小的適應(yīng)度值以尋找最優(yōu)解。

（5）更新麻雀位置。在迭代過程中，將適應(yīng)度值較好的個(gè)體作為發(fā)現(xiàn)者；加入者根據(jù)發(fā)現(xiàn)者搜索到的食物范圍進(jìn)行移動(dòng)并與發(fā)現(xiàn)者搶奪食物資源；預(yù)警者在種群中隨機(jī)產(chǎn)生，比較麻雀?jìng)€(gè)體當(dāng)前的適應(yīng)度值與當(dāng)前全局最優(yōu)適應(yīng)度值，并實(shí)時(shí)更新發(fā)現(xiàn)者、加入者和預(yù)警者的位置。

（6）比較位置更新后的個(gè)體適應(yīng)度值，并與當(dāng)前最優(yōu)適應(yīng)度值相比較，達(dá)到最大迭代次數(shù)后選擇全局最優(yōu)解[13]。

（7）利用最優(yōu)解初始化BPNN并進(jìn)行訓(xùn)練。

（8）使用訓(xùn)練后的SSA?BPNN進(jìn)行截割負(fù)載分類。

4 試驗(yàn)驗(yàn)證

4.1 工程地質(zhì)條件

貴州某鋁土礦礦體賦存條件良好，礦層厚度變化大，主體礦層厚度為1.3～3.5 m，礦料堅(jiān)固性系數(shù)變化范圍大，鋁土堅(jiān)固性系數(shù)為2～5，巖石堅(jiān)固性系數(shù)達(dá)6～8，地質(zhì)賦存情況見表1。參照煤礦開采經(jīng)驗(yàn)，該礦引入綜合機(jī)械化開采技術(shù)，配備MG500/1170?AWD1采礦機(jī)。采礦機(jī)滾筒空載、截割鋁土和巖石時(shí)產(chǎn)生的振動(dòng)信號(hào)存在明顯差異，因此，基于振動(dòng)信號(hào)判斷采礦機(jī)截割負(fù)載類型。

表1 工作面地質(zhì)賦存Table 1 Geological occurrence of working face

4.2 傳感器及測(cè)點(diǎn)選擇

由于生產(chǎn)環(huán)境中采礦機(jī)搖臂預(yù)留螺孔堵塞、生銹，利用轉(zhuǎn)接板將傳感器固定于采礦機(jī)的方法不便實(shí)施，所以在試驗(yàn)過程中選用便于安裝拆卸的磁吸式方法安裝傳感器。采用1A314E型三向壓電式加速度傳感器，參數(shù)見表2（g為重力加速度）。

表2 傳感器參數(shù)Table2 2 Sensor parameters

將磁吸式加速度傳感器安裝于搖臂傳動(dòng)系統(tǒng)的一軸、三軸、五軸、七軸處（圖2），采樣頻率設(shè)置為10 kHz，對(duì)搖臂進(jìn)行加載試驗(yàn)（圖3），采集加載過程中的振動(dòng)信號(hào)。搖臂加載試驗(yàn)過程中，通過調(diào)節(jié)電流大小改變扭矩，并逐漸增加扭矩完成加載過程，加載試驗(yàn)分為空載、加載50%、加載75%、滿載4個(gè)階段，各階段內(nèi)載荷恒定，每種工況下采集振動(dòng)信號(hào)60 s。

圖2 測(cè)點(diǎn)布置Fig.2 Arrangement of measuring points

圖3 加載試驗(yàn)平臺(tái)Fig.3 Loading test platform

選用均方根和峭度2個(gè)指標(biāo)從時(shí)域特征上分析搖臂不同工況下的振動(dòng)信號(hào)。均方根反映振動(dòng)信號(hào)的振幅大?。磺投缺碚髡駝?dòng)信號(hào)中沖擊信號(hào)的多少，峭度值越偏離3，代表信號(hào)受沖擊激勵(lì)影響越大。各工況下，一軸、三軸、五軸、七軸處振動(dòng)信號(hào)的均方根和峭度分別如圖4、圖5所示。由圖4可知，一軸處振動(dòng)信號(hào)的均方根隨著負(fù)載的升高上升趨勢(shì)最明顯，表明一軸處傳感器對(duì)負(fù)載的變化最為敏感。由圖5可知，一軸處振動(dòng)信號(hào)峭度值偏離3的程度最小，表明一軸處振動(dòng)信號(hào)受沖擊振動(dòng)影響最小。因此在后續(xù)工業(yè)性試驗(yàn)中選用搖臂一軸作為傳感器安裝位置。

圖4 不同工況下各軸振動(dòng)信號(hào)的均方根Fig.4 Root mean square of vibration signal of each shaft under different working conditions

圖5 不同工況下各軸振動(dòng)信號(hào)的峭度Fig.5 Kurtosisof vibration signal of each shaft under different working conditions

4.3 工業(yè)性試驗(yàn)方案

在工業(yè)性試驗(yàn)過程中，為保證傳感器的可靠性，將傳感器吸附于搖臂一軸靠近支架側(cè)的殼體處，如圖6所示。采集空載、截割鋁土、截割巖石3種工況對(duì)應(yīng)的振動(dòng)信號(hào)[14-15]。在信號(hào)采集過程中，由專人跟隨采礦機(jī)，實(shí)時(shí)觀測(cè)滾筒位置，通過防爆手機(jī)、傳感器與電控箱中的標(biāo)準(zhǔn)時(shí)間，將采礦機(jī)滾筒位置等基本信息與振動(dòng)信號(hào)進(jìn)行同步關(guān)聯(lián)記錄與保存。

圖6 傳感器安裝位置Fig.6 Sensor installation position

4.4 特征向量提取及數(shù)據(jù)降維

采集采礦機(jī)滾筒空載、截割鋁土和巖石3種不同工況下的振動(dòng)信號(hào)各40 s，采樣頻率為10 kHz，此時(shí)，每種工況下振動(dòng)信號(hào)數(shù)據(jù)點(diǎn)為400 000個(gè)，單個(gè)樣本長(zhǎng)度取400個(gè)數(shù)據(jù)點(diǎn)，則每種工況下振動(dòng)信號(hào)數(shù)據(jù)點(diǎn)可劃分為1 000個(gè)樣本。

（1）特征向量提取。選取bior3.3小波基函數(shù)，對(duì)各樣本進(jìn)行3層小波包分解，得到8個(gè)子頻帶能量及信號(hào)總能量，并利用離差標(biāo)準(zhǔn)化將數(shù)據(jù)映射至[0，1]，實(shí)現(xiàn)數(shù)據(jù)歸一化，如圖7所示?？煽闯霾煌?fù)載下信號(hào)在各子頻帶上的能量表現(xiàn)出一定的差異性，表明經(jīng)小波包分解后得到的能量特征可以作為區(qū)分不同負(fù)載類型的特征向量。

圖7 各子頻帶能量Fig.7 Energy of each sub-band

小波包能量特征向量見表3。

表3 小波包能量特征向量Table 3 3 Wavelet packet energy feature vectors

（2）數(shù)據(jù)降維。利用PCA方法對(duì)數(shù)據(jù)進(jìn)行降維，各主成分貢獻(xiàn)率如圖8所示?？煽闯龅谝弧⒌诙?、第三主成分已獲得累計(jì)貢獻(xiàn)率98.7%，因此可將9維特征向量降至3維。

圖8 主成分貢獻(xiàn)率Fig.8 Contribution rate of principal component

4.5 BPNN及SSA的參數(shù)初始化

（1）BPNN參數(shù)設(shè)置。由于降維后的特征向量為3維，設(shè)定輸入層神經(jīng)元個(gè)數(shù)u=3。[1 0 0]、[0 1 0]、[0 0 1]分別代表空載、鋁土、巖石3種負(fù)載，設(shè)定輸出層神經(jīng)元個(gè)數(shù)v=3。根據(jù)經(jīng)驗(yàn)公式可得隱含層神經(jīng)元個(gè)數(shù)：

式中a為常量，取值范圍為（0，10）。

通過試算法可知，取l=11時(shí)，神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性最高，因此BPNN的拓?fù)浣Y(jié)構(gòu)為3?11?3。

（2）SSA參數(shù)初始化。通過試算法，取最大迭代次數(shù)為30、種群規(guī)模為20，設(shè)置發(fā)現(xiàn)者所占種群比例為0.2，預(yù)警值為0.8，預(yù)警者數(shù)量為2。

4.6 結(jié)果分析

將特征向量作為BPNN和SSA?BPNN的輸入分別進(jìn)行訓(xùn)練，以均方誤差為指標(biāo)評(píng)估2種訓(xùn)練方案的性能，如圖9所示?？煽闯鯞PNN在124次迭代時(shí)達(dá)到收斂，SSA?BPNN在91次迭代時(shí)收斂；與BPNN相比，SSA?BPNN收斂速度更快、均方誤差更小。

取總樣本的10%作為測(cè)試集分別代入訓(xùn)練好的BPNN和SSA?BPNN 2種神經(jīng)網(wǎng)絡(luò)中進(jìn)行負(fù)載分類，結(jié)果如圖10所示（空載時(shí)的樣本編號(hào)為1?100，設(shè)為標(biāo)簽0；截割負(fù)載為鋁土?xí)r的樣本編號(hào)為101?200，設(shè)為標(biāo)簽1；截割負(fù)載為巖石時(shí)的樣本編號(hào)為201?300，設(shè)為標(biāo)簽2）?？煽闯鯞PNN的識(shí)別準(zhǔn)確率為91.7%，SSA?BPNN的識(shí)別準(zhǔn)確率為95.3%，經(jīng)SSA優(yōu)化后的BPNN的識(shí)別準(zhǔn)確率較BPNN有所提升。

圖10 負(fù)載分類結(jié)果Fig.10 Load classification results

5 結(jié)論

（1）基于小波包分解提取采礦機(jī)搖臂振動(dòng)信號(hào)的能量特征，不同負(fù)載下振動(dòng)信號(hào)的小波包能量特征在各頻率尺度下存在差異。

（2）利用SSA優(yōu)化BPNN的初始權(quán)值和閾值，加快了神經(jīng)網(wǎng)絡(luò)的收斂速度。

（3）經(jīng)小波包分解后得到的能量特征作為特征向量輸入SSA?BPNN，實(shí)現(xiàn)了空載、鋁土與巖石負(fù)載的分類，提高了負(fù)載類型識(shí)別準(zhǔn)確率，達(dá)95.3%。