基于多源数据融合的掘进机截割岩壁硬度识别方法_张林锋.pdf

振 动 与 冲 击 第 39 卷第 13 期JOURNAL OF VIBRATION AND SHOCKVol. 39 No.13 2020 基金项目 国家自然科学基金U1510112 收稿日期 2018 -12 -19 修改稿收到日期 2019 -04 -11 第一作者 张林锋 男,硕士生,1993 年生 通信作者 田慕琴 女,博士,教授,1962 年生 基于多源数据融合的掘进机截割岩壁硬度识别方法 张林锋1,2, 田慕琴1,2, 宋建成1,2, 贺 颖1,2, 冯君玲1,2, 刘西青3 1. 太原理工大学 矿用智能电器技术国家地方联合工程实验室,太原 030024; 2. 太原理工大学 煤矿电气设备与智能控制山西省重点实验室,太原 030024; 3. 山西煤炭职业技术学院,太原 030024 摘 要针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力 信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。 该方法首先对各类信号进行小波包 分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再 利用 LDA 算法实现数据特征级融合,得到类可分性更好的低维特征。 为解决概率神经网络PNN平滑参数无法确定和 网络结构复杂的问题,提出了基于差分进化算法DE和 QR 分解的 PNN 优化方法,并通过优化 PNN 对低维特征进行硬 度识别。 实验结果表明所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化 PNN 在掘进机三种工况下均有更高的硬度识别准确率。 关键词 掘进机;小波包;奇异值分解;优化 PNN;多源数据;硬度识别 中图分类号 TD63 2. 2 文献标志码 ADOI10. 13465/ j. cnki. jvs. 2020. 13. 002 Hardness recognition of roadheader’s cutting rock wall based on multi-source data fusion ZHANG Linfeng1,2, TIAN Muqin1,2, SONG Jiancheng1,2, HE Ying1,2, FENG Junling1,2, LIU Xiqing3 1. Shanxi Provincial Key Lab of Mining Electrical Equipment and Intelligent Control, Taiyuan University of Technology, Taiyuan 030024, China; 2. Provincial Joint Engineering Lab of Mining Intelligent Electrical Apparatus Technology, Taiyuan University of Technology, Taiyuan 030024, China; 3. Shanxi Vocational and Technical College of Coal, Taiyuan 030024, China Abstract Aiming at the large difficulty problem of hardness recognition of roadheader’s cutting rock wall in coal mine, a for hardness recognition of cut rock wall based on the multi-source data fusion algorithm was proposed by using the roadheader’s cantilever vibration signal, pressure signal of its lift cylinder and rotary cylinder and current signal of its cutting motor. Firstly, the various signals were decomposed with the wavelet packet transation , then single branches were used to reconstruct various signals within different frequency bands and a time-frequency matrix. The SVD was used to obtain several feature singular values containing time-frequency ination, and construct feature vectors. Furthermore, the LDA algorithm was used to realize data feature fusion, and low-dimensional features with better class separability were obtained. In order to solve problems of a probabilistic neural network PNN’s smoothing parameters being not able to be determined and complicated network structure, a PNN optimization based on differential evolution DE algorithm and QR decomposition was proposed. The low-dimensional features were used to recognize hardness with the optimized PNN. The test results showed that the feature extraction and pattern recognition one proposed here are effective; compared with other pattern recognition algorithms currently used, the optimized PNN one has a higher hardness recognition accuracy rate under three working conditions of roadheaders. Key words roadheader; wavelet packet; singular value decomposition SVD; optimized PNN; multi-source data; hardness recognition 岩巷掘进机因其具有连续掘进、安全高效的特点已逐渐成为煤矿巷道开采的主要设备[1]。 但是由于掘 进机工作环境复杂恶劣,司机无法准确识别截割状态, 以致无法实时有效的调节截割头摆速和转速,可能导 致掘进机功率超限、截齿损坏。 因此,掘进机的自动化 和智能化成为未来岩巷掘进机的发展方向,而实时可 ChaoXing 靠的硬度识别技术是实现掘进机自动控制的重要一 步。 掘进机不同的截割状态会影响截割头载荷的变 化,进而引起非线性非平稳的悬臂振动信号、回转油缸 和升降油缸压力信号、截割电机电流信号的变化[2]。 因此,从这三类信号出发都可以实现对截割岩壁硬度 的识别,但是由于掘进环境复杂、干扰严重,单一信号 的识别方法局限性大。 多源数据融合技术因其能有效解决采掘环境干扰 大、单一传感器信号识别精度受限等问题在煤岩识别 领域中被广泛应用。 雷静等[3]提出了基于信息融合和 神经网络的煤岩识别方法,达到较高的识别准确率。 张强等[4]提出了一种基于模糊神经网络的多传感器信 息融合煤岩识别方法,利用 ANFIS 的多维模糊神经网 络实现多传感器信息的决策级融合,达到较高的煤岩 识别精度。 刘俊利[5]同样利用 ANFIS 对采集的油缸压 力、悬臂振动、截割电机电流、滚筒轴扭矩、采煤机工作 姿态以及截割参数等多个相关信息进行融合,进而识 别煤岩。 因此,对于掘进机而言,为了全面准确的反映 其截割状态,可以将振动信号、截割电机电流信号、两 类油缸压力信号进行数据融合,综合识别截割岩壁硬 度,提高识别准确率。 现有的时频分析方法如小波分析、Wigner-Ville 分 布、Hibert-Huang 变换等因其对非平稳信号有良好的分 析效果而被广泛应用[6]。 Wigner-Ville 分布拥有很高 的时频分辨率,但由于双线性,存在明显的交叉项干 扰[7];Hibert-Huang 变换具有多分辨率的优势,有更强 的局部特性,但存在模态混叠现象[8];小波分析是一种 可调窗的谱分析技术,但是无法兼具高时间分辨率和 高频率分辨率。 而小波包作为小波的延伸,能够将信 号的低频处和高频处同时分解,从而提高时频分辨率。 因此,可用小波包变换对非平稳信号进行特征提取。 郑红等[9]利用小波包分析处理轴承振动信号,提取各 频带能量构造特征向量,但是并未分析各频带的时域 信息,弱化了小波包的时频分析能力,不能全面表征信 号的特征。 因此,将奇异值分解引入到非平稳信号的 特征提取中,本文先对信号进行小波包分解,单支重构 各频带信号并组建时频矩阵,对该矩阵进行奇异值分 解,所得到的各阶奇异值包含原信号时频信息。 概率神经网络PNN作为一种容错性好、分类能 力强的模式识别算法被广泛使用[10]。 但是其复杂的网 络结构可能导致更大的存储空间,其泛化能力也受到 影响;另外,平滑参数的选取也是 PNN 识别性能的关 键[11]。 本文从以上问题出发,提出了基于差分进化算 法DE和 QR 分解的 PNN 优化方法,从而确定最优的 平滑参数和网络结构。 根据以上分析,本文首先利用基于小波包奇异值 的算法对采集的悬臂振动信号、升降油缸和回转油缸 压力信号、截割电机电流信号进行特征提取,得到若干 个包含时频信息的奇异值。 将各类信号较大奇异值组 成特征向量,利用 LDA 算法对其进行有监督降维,进一 步提高特征的类可分性。 最后将低维特征量送入优化 的 PNN 进行训练和预测,以预测误差低为目标,确定最 优平滑参数和网络结构。 将优化 PNN 算法与其它模式 识别算法进行比较,证明了本文所提算法的优越性。 1 信号特征向量的提取 1. 1 信号特征生成 小波包作为一种处理非平稳信号的优良方法,能 够对信号的高低频分量同时进行分解,所得到的各节 点小波包系数能够表征某个时刻频率段信号能量的大 小,反映了信号的时频信息。 但是若以各节点小波包 系数作为特征量,将会造成维数灾难,降低分类器的识 别准确率,因此本文引入奇异值分解来提取小波包系 数矩阵的特征信息。 另外,奇异值分解所具有的稳定 性使其矩阵对应的奇异值具有良好的抗噪能力[12],在 强噪声掘进环境下的多源信号特征提取中有较强的 优势。 基于小波包奇异值分解的特征生成算法具体步骤 如下 1 分别对掘进机悬臂振动信号、回转油缸和升 降油缸压力信号、截割电机电流信号进行小波包分解, 得到底层各节点频带小波包系数; 2 重构底层各频带信号,得到各频带时间序列, 并以此为矩阵行构造时频矩阵; 3 对该时频矩阵进行奇异值分解,选取较大的 前几阶奇异值作为信号的特征量,该特征量包含信号 的时频信息; 4 将各类信号的特征奇异值组成特征向量,全 方面反映不同工况下截割岩壁的硬度信息。 1. 2 LDA 特征数据降维 尽管通过上述特征提取方法有效的降低了各类信 号特征向量的维数,但是较多的源信号的特征重新组 合成的特征向量维数依然较大,所以本文采用 LDA线 性判别分析算法对振动信号、压力信号和电流信号共 同组成的特征奇异值向量进行降维。 降维后不同类样 本的分布区间和均值各不相同,有利于提高各类信号 的区分度[13],由于 LDA 的降维方向为各硬度等级数据 更易分类的投影方向,因此能有效提高后期通过 PNN 概率神经网络进行硬度识别的准确率。 具体的 LDA 降维算法如下 假设 X xkjm n为各类信号特征奇异值所组成 的矩阵,其中 m 为样本总数,n 为特征向量维数,样本 8振 动 与 冲 击 2020 年第 39 卷 ChaoXing 分为 c 类,其中第 i 类样本个数为 mii 1,2,,c,则 有∑ c i 1 mi m。 1 计算类内散列矩阵 SW SW∑ c i 1 Xi- Ui TX i - Ui1 式中Xi xijmi n表示第 i 类信号特征奇异值矩阵;Ui 为第 i 类信号样本的均值向量 U0 i 的列扩展矩阵,U0 i 可 表示为 U0 i μi1,μi2,,μin2 式中,μij为第 i 类第 j 维特征奇异值,即 μij 1 mi∑ mi k 1 xkj3 SW表示各类样本点相对于该类总体的方差和,表 征了总类内样本点的离散程度。 2 计算类间散列矩阵 SB SB∑ c i 1 miU0 i - U0 TU0 i - U0,U0 1 c ∑ c i 1 Ui4 式中U0为全体样本总体均值向量;SB表示所有特征 样本中各个类中心相对于全体类中心的散列矩阵之 和,表征每类特征样本相对于总体之间的离散程度。 3 计算 S -1 W SB较大的前 λ 个特征值所对应的特 征向量 wii 1,2,,λ,得到投影矩阵 W w1,w2, ,wλ。 由于 W 是利用样本类别得到的投影矩阵,依 据矩阵秩的关系,W 的维度应不大于样本类别数 c。 4 对原特征奇异值矩阵 Xm n进行降维处理,得 到新的特征矩阵 Ym λ Ymλ XmnWnλ5 LDA 作为一种有监督的降维方法,选择分类性最 好的投影方向,得到新特征矩阵的维度将小于类别 数 c。 2 基于优化 PNN 的模式识别 2. 1 PNN 原理 概率神经网络是一种融合密度函数和贝叶斯决策 理论的径向基神经网络,其理论基础是贝叶斯风险准 则,并利用 Parzen 窗方法从已知样本中估计概率密度 函数[14-15]。 概率神经网络也是一种结构简单的前馈性 神经网络,其结构如图 1 所示。 由图 1 可知,概率神经网络由输入层、模式层、求 和层和输出层组成。 输入层神经元的个数与上节降维 得到的特征量维数相同,用于接收来自训练样本的特 征值,并将其送入模式层,模式层是神经元数与训练样 本特征数相同的径向基层,计算每个训练样本特征与 中心距离,从而得到样本与集中类的匹配关系,每个模 图 1 概率神经网络结构图 Fig. 1 Probabilistic neural network structure diagram 式层神经元的输出为 φikx 1 2π λ/2σλexp - x - xik Tx - x ik 2σ2 []6 式中λ 是特征样本维数,σ 是神经网络的平滑参数,xik i 1,2,,c;k 1,2,,mi表示第 i 类第 k 个训练 样本特征向量。 将模式层各类神经元输出值送入求和层,以计算 其平均值,从而得到样本特征向量 x 属于第 i 类的极大 似然度。 因此,求和层的神经元数与样本特征的类别 数相同,其各神经元的输出可用下式计算 gix 1 mi∑ mi k 1 φikx7 式中,mi为第 i 类特征样本数。 将求和层各输出值送 入输出层,以比较求和层各神经元输出值 gix的大 小,并将特征样本 x 归于最大 gix值所对应的类别, 因此,求和层实际上是神经元个数为 1 的竞争层。 概 率神经网络输出可由下式表示 yx arg max 1≤i≤c{gix} 8 式中c 表示训练特征样本类别数;yx表示样本 x 通 过概率神经网络所分的类别。 由概率神经网络模式分类原理可知概率神经网络 具有网络学习过程简单、对噪声容忍度高、容错性好的 优点。 掘进机实际工作环境恶劣,所采集的三种信号 中包含大量噪声,通过上节所述方法提取的信号特征 量能够在噪声或各种扰动下较好的反映原始信号的特 征,概率神经网络所具有的优点能够在复杂环境下依 据所提取的特征量进一步实现对截割岩壁硬度较为准 确的识别。 2. 2 优化 PNN 算法设计 由于 PNN 模式层神经元数与训练样本数相同,因 此大量的训练样本将造成神经网络的拓扑结构过于复 杂[16],这会导致计算量大增,而且,复杂的网络结构将 对训练样本过于敏感,并且可能对实际样本数据表现 出较差的泛化能力,以致降低岩壁硬度识别准确率。 另外,平滑参数在概率神经网络识别中起着至关重要 的作用,寻找最优的平滑参数将有利于识别准确率的 9第 13 期张林锋等 基于多源数据融合的掘进机截割岩壁硬度识别方法 ChaoXing 提高。 为了解决上述提到的概率神经网络存在的问题, 本文采用 QR 分解和差分进化算法DE以最优硬度识 别准确率为目标寻求最优平滑参数,并确定该平滑参 数下最优的网络结构。 因此,接下来将分别详述选择 平滑参数和确定网络结构的过程。 2. 2. 1 基于 DE 算法的 PNN 平滑参数的选择 PNN 的平滑参数既要大到使得神经元产生响应的 输入范围能够覆盖足够大的区域,同时也不能太大,以 致各个神经元都具有重叠的输入向量响应区域。 由于 在识别准确率和平滑参数间没有已知的定量关系,所 以本文选用具有高效的全局优化算法差分进化算法 选择最优的平滑参数[17-18]。 DE 优化算法主要由种群初始化、变异、交叉和选 择组成。 具体步骤如下 步骤 1 种群初始化阶段首先,在解空间中随机 均匀产生 m 个个体,每个个体是一个 n 维的向量 Xi0 xi,10,xi,20,,xi,n09 式中,i 1,2,,m,群体种群规模一般介于 5n 10n, 由于优化的参数只有平滑参数一个,故 n 1。 步骤 2 变异阶段在第 g 次迭代中,从种群中随 机选择3 个个体 Xp1g, Xp2g, Xp3g,且 p1≠p2≠ p3≠i,生成子代 Si Xp1g FXp2g - Xp3g10 其中变异算子 F 采用自适应变异算法 F F02λ11 λ e1- gm gm1-g 12 式中g 为迭代次数;gm为预设最大迭代次数;F0为最 小变异算子。 在算法开始时,F 较大,以使初期保持个 体多样性,避免早熟,随着进化代数不断增大,F 不断 减小,到后期变异率接近 F0,避免最优解遭到破坏,增 加搜索到全局最优解的概率。 步骤 3 交叉阶段经过交叉后的第 i 个个体第 j 维取值如下 vij hijg,rand0,1 ≤ cri xijg,else { 13 式中,cri为交叉概率,且 cri∈[0,1] 参数 cri采用如下方式进行自适应调整 cri crl cru- crl fi- fmin fmax- fmin, fi f crl,fi≤ f 14 式中fi是第 g 代第 i 个个体的适应度;fmin与 fmax分别是 当第 g 代种群中最差和最优个体的适应度,f 是第 g 代 种群的平均适应度;crl和 cru分别是交叉概率的最大最 小值。 当种群中个体的适应度高于平均水平时,就增大 其交叉概率,以使种群向适应度低最优解为最小值 的方向发展。 步骤 4 选择阶段在当前种群和其子代中,选择 适应度较低的个体组成新的种群,以作为下一次迭代 的初始种群。 本文采用测试样本在概率神经网络中产生的均方 误差作为 DE 算法的适应度函数,即 Fσ 1 N∑ N k 1 ∑ c i 1 gkixk,σ - tki15 式中gkixk,σ表示第 k 个测试样本在某个平滑参数 σ 下神经网络求和层第 i 个神经元的输出;tki表示相应 神经元的给定输出。 Fσ越小,表示训练的神经网络 对测试样本识别准确率越高。 2. 2. 2 基于 QR 分解的网络结构的确定 大量的训练样本导致复杂的神经网络结构,其模 式层可能包括冗余的神经元,因此本文利用 QR 分解来 选择独立性较大的模式层神经元,从而精简网络结构, 降低网络复杂度。 具体选择步骤如下 由式6、7可知,第 i 类 h 个特征样本 xih作为神 经网络输入时,相应的求和层第 i 个神经元的输出为 gixih 1 mi 1 2πλ/2σλ∑ mi k 1 exp- xih- xikTxih- xik 2σ2 [] ∑ mi k 1 ϕikxih16 其中 ϕikxih 1 mi 1 2π λ/2σλexp - xih- xik Tx ih - xik 2σ2 [] 17 将式17拓展成如下矩阵形式 Φi ϕi1xi1ϕi2xi1ϕimixi1 ϕi1xi2ϕi2xi2ϕimixi2 ︙︙︙ ϕi1ximiϕi2ximiϕimiximi 18 其中,每行表示某个特征样本在模式层中各个神 经元的输出值,每列表示模式层中某个神经元相应于 不同特征样本的输出值。 对式18进行 QR 分解[19],即 Φi QiRi19 式中Qi是 mi阶的正交矩阵;Ri是上三角矩阵 Ri r11r12r1mi 0r22r2mi ︙︙︙ 00rmimi 20 Ri中对角元 raaa 1,2,,mi绝对值的大小表 01振 动 与 冲 击 2020 年第 39 卷 ChaoXing 征了接近于模式层第 i 类第 a 个神经元中心点的训练 特征样本的数量,因此, raa越大,相应的模式层神经 元越具有代表性越重要[20]。 根据 raa值,在模式层每 类神经元中选取最具代表性的神经元重新组建神经网 络,从而达到精简网络结构的目的。 通过以上对平滑参数选择和网络结构确定的论 述,进而给出详细的 PNN 优化流程如图 2 所示。 图 2 PNN 优化流程图 Fig. 2 PNN optimization flow chart 3 掘进机截割岩壁硬度识别 为了验证本文所提岩壁硬度识别方法的有效性和 准确性,利用“智能化超重型岩巷掘进机研制”地面试 验所采集的数据进行分析。 掘进机在三种工况水平 截割、垂直截割和纵向钻进下分别截割硬度等级 f 6、7 和 8 的岩壁,利用三个单轴式振动传感器采集掘进 机悬臂三个方向x、y 和 z的振动信号,采样频率为 10 kHz,利用电流传感器采集截割电机定子电流信号,采 样频率为1 000 Hz,利用压力传感器分别采集掘进机回 转油缸和升降油缸压力信号,采样频率为1 000 Hz。 各 信号样本时间长度均为 1 s。 由于对信号进行小波包分解时小波基函数和分解 层数对信号特征提取有很大影响,因此经过试验确定 了各类信号对应的小波基函数和分解层数,如表 1 所示。 表 1 各类信号小波基函数及分解层数 Tab. 1 Wavelet basis function and decomposition layer of various signals 振动信号电流信号压力信号 小波基函数sym5db12db14 分解层数 733 依据 1. 1 节论述的特征生成方法,对 x、y、z 方向的 振动信号、截割电机定子电流信号和两类油缸压力信 号分别进行小波包分解,对分解得到的各频段序列进 行单支重构,得到 m 个不同频率段的子序列,子序列的 时间长度与原信号一致记为 n。 将各频段子序列组 建时频矩阵 Xm n,其中各方向振动信号所对应的时频 矩阵大小为 128 10 000,电流信号和油缸压力信号所 对应的的时频矩阵大小均为 8 1 000。 时频矩阵包含 了原始信号的时频信息,通过奇异值分解,得到 m 个奇 异值,各阶奇异值按由大到小的顺序排列,较大的奇异 值反映了原始信号的重要特征,而较小的奇异值代表 了原始信号的次要特征、噪声以及各种干扰因素。 因 此,作为源信号不同表达形式的奇异值不能都选为特 征量,而应略去代表同源信号中干扰因素和噪声的不 能进行信息融合的奇异值。 故选取各方向振动信号的前 4 阶奇异值、电流信 号的前 4 阶奇异值和两类油缸压力信号的前 2 阶奇异 值共同组成新的特征向量。 以便获得源信号重要特征 信息的同时减小噪声和各种干扰因素的影响,为后文 数据特征融合奠定基础。 以水平截割工况为例,绘制截割岩壁硬度分别为 f 6、7 和 8 时各信号特征量如图 3 所示。 从图 3 可看出,截割不同硬度岩壁时各方向振动 信号特征奇异值差异明显,并且硬度越大,所对应的各 阶特征奇异值均较大。 但是这种规律在电流信号和油 缸压力信号的特征值上表现的并不明显,特别的,截割 岩壁硬度为 f 7 和 f 8 时,所提取各阶特征奇异值的 差异微弱。 因此,各类信号的特征量所组成的 20 维特 征向量中并不是每个特征量对于硬度的识别都有同等 重要的作用。 为了进一步去除冗余信息、提炼出有利 于提高不同截割硬度下数据区分度的特征量,本文利 用有监督的 LDA 算法式1 3分别对每种工况 下的 300 组每种硬度 100 组特征向量进行降维,由 于硬度有 3 种,所以降维得到的特征向量维数最大 为 2。 将掘进机水平截割、垂直截割和纵向钻进工况下 各类信号提取的特征向量降维到 2 维,并绘制散点图, 如图 4 所示。 11第 13 期张林锋等 基于多源数据融合的掘进机截割岩壁硬度识别方法 ChaoXing a x 方向振动特征 b y 方向振动特征 c z 方向振动特征 d 电流特征 e 升降油缸压力特征 f 回转油缸压力特征 图 3 各类信号特征奇异值 Fig. 3 Characteristic singular values of various signals a 水平截割特征散点图 b 垂直截割特征散点图 c 纵向钻进特征散点图 图 4 三种工况下特征散点图 Fig. 4 Characteristic scatter diagram under three working conditions 由图 4 可知,在三种不同工况下,不同截割硬度等 级的特征量聚类效果显著,并有明显的分界线。 因此, 利用 LDA 降维后新生成的特征向量在降低维数的同时 依然保持了原信号的分类信息,效果较好。 每种工况下各取 300 组每种硬度 100 组特征数 据作为训练样本,以经过 LDA 降维生成的二维特征样 本作为概率神经网络的输入。 各取 150 组每种硬度 50 组特征数据作为测试样本,由于已训练的神经网络 是以降维后二维特征作为输入,所以同样需要对提取 的测试样本特征进行 LDA 降维。 利用训练样本特征降 维算法中得到的投影矩阵 W,根据式3可以计算得到 降维后的测试样本特征。 根据第 2 节中对概率神经网络的分析,网络模式 层神经元数和训练样本相同,即 300 个,导致网络复杂 化。 因此为了精简网络结构,提高网络泛化能力和识 别速度,依据图 2 中概率神经网络优化流程对硬度识 别网络进行优化,以选择最优的平滑参数和网络结构。 基于 MATLAB 运行优化 PNN 程序,得到图 5 图 7。 图 5a、6a、7a为各工况差分进化算法DE测试 集均方误差随迭代次数变化的曲线图,依此可以确定 各工况网络最优的平滑参数,而图 5b、6b、7b展 示的是各工况网络在相应的最优平滑参数下测试集均 方误差随每类模式层神经元数变化图,均方误差越小 表示准确度越高,因此应选择均方误差较小时的模式 层神经元组合,从而确定最优的网络结构。 但是从图 6 b可知,垂直截割工况下当模式层每类神经元数为 100 时,测试集均方误差最小,但是该网络并未精简,计 算量依然较大,为了平衡计算速度与准确度,可以选取 模式层每类神经元数为 2 时的网络结构,此时的均方 误差与最小均方误差相差不大,但可大大精简网络 结构。 根据图 5 图 7 及以上分析,对各工况优化概率神 经网络PNN信息进行汇总,如表 2。 从表可知,各工 况网络 DE 收敛次数均不超过 12,充分体现了 DE 算法 收敛快速性的特点。 精简后的模式层神经元数相比原 网络模式层神经元数为 300大大降低。 21振 动 与 冲 击 2020 年第 39 卷 ChaoXing a DE 迭代曲线图 b 均方误差随模式层每类 神经元数的变化图 图 5 水平截割工况 Fig. 5 Horizontal cutting condition a DE 迭代曲线图 b 均方误差随模式层每类 神经元数的变化图 图 6 垂直截割工况 Fig. 6 Vertical cutting condition a DE 迭代曲线图 b 均方误差随模式层每类 神经元数的变化图 图 7 纵向钻进工况 Fig. 7 Longitudinal drilling condition 表 2 各工况优化 PNN 信息 Tab. 2 Optimized PNN ination for each working condition DE 迭代次数最优 spread模式层神经元数 水平截割70. 729 83 垂直截割120. 837 46 纵向钻进120. 792 615 利用各工况已训练的优化 PNN 网络对相应的 150 组测试样本每种硬度各 50 组进行硬度识别,绘制优 化 PNN 预测效果图,如图 8。 图中硬度等级 1、2、3 分 别表示普氏硬度系数 f 6、7、8 的岩壁,从图中可知,各 工况的预测识别准确率分别为 92. 7、95. 3 和 92. 7,预测效果良好。 a 水平截割工况 b 垂直截割工况 c 纵向钻进工况 图 8 各工况预测效果图 Fig. 8 Predictive diagram of each working condition 为了进一步体现本文所提优化 PNN 算法在掘进机 截割硬度识别中的优越性,利用目前常用的模式识别 算法对同样的特征数据进行训练和预测。 各算法预测 效果如表 3,其中 DE_RBF 表示 DE 优化的 RBF 神经网 络,以选取最优的平滑参数;BP 神经网络的隐含层神 经元数依据式19确定[21];DE_LibSVM 表示 DE 优化 的多分类支持向量机,以选取最优的惩罚因子 c 和核函 数参数 g。 s 0. 43mn 0. 12n2 2. 54m 0. 77n 0. 35 0. 5119 式中s 为 BP 神经网络隐含层神经元数;m 为输入特征 维度;n 为输出层神经元数。 由于 m 2,n 1,计算得 到隐含层神经元数 s 3. 19≈3。 由表 3 可知,三种工况下,四种硬度识别算法的准 确率都较高,证明了本文所提特征提取方法的有效性。 表 3 各模式识别算法预测准确率对比 Tab. 3 Comparison of prediction accuracy of each pattern recognition algorithm 优化 PNNDE_RBFBPDE_LibSVM 水平截割92. 792. 791. 390. 7 垂直截割95. 39292. 793. 3 纵向钻进92. 786. 790. 789. 3 基于小波包奇异值分解的特征生成算法在强噪声背景 下依然能有效的提取各类信号的时频信息,而 LDA 算 法在降维的同时也增强了各硬度信号特征的类可分 性,更有利于提高模式识别的准确性。 另外,通过对四 种模式识别算法的对比分析,发现优化的 PNN 算法在 三种工况下均有更高的硬度识别准确率,从而证实了 本文所提出的掘进机截割硬度识别方法具有较高的实 用性。 31第 13 期张林锋等 基于多源数据融合的掘进机截割岩壁硬度识别方法 ChaoXing 4 结 论 1 针对掘进机振动信号、电流信号和油缸压力 信号非平稳、噪声大的特点,提出了基于小波包奇异值 分解的特征提取方法,各阶特征奇异值包含了各类信 号的时频信息。 使用 LDA 算法对特征奇异值进行有监 督降维,得到了类可分性更好的低维特征,实现了信号 较为准确的特征提取,有利于提高硬度识别的准确性。 2 提出了一种基于差分进化算法和 QR 分解的 概率神经网络优化方法,解决了 PNN 网络过于复杂、平 滑参数难以确定的问题。 以测试集预测准确率高和网 络精简为目标,确定了掘进机水平截割、垂直截割和纵 向钻进工况下硬度识别网络的最优平滑参数和网络 结构。 3 对采集的掘进机振动信号、电流信号和压力 信号进行特征提取和硬度识别,并与其它模式识别算 法进行比较,证明使用本文所提的优化 PNN 算法具有 更高的识别准确率,水平截割、垂直截割和纵向钻进工 况下识别准确率分别达到 92. 7、95. 3和 92. 7。 参 考 文 献 [ 1] 赵新利,李兰伟. 浅谈 EBZ 系列悬臂式掘进机的发展与应 用[J]. 科技与企业, 2013, 24116 285-288. ZHAO Xinli, LI Lanwei. Talking about the development and applicationofEBZseriescantileverroadheader [ J ]. Technology and Enterprise, 2013, 24116 285-288. [ 2] 王伟,田慕琴,宋建成,等. 基于小波包神经网络的岩巷掘 进机动载荷识别方法[J]. 煤矿机械, 2015, 36 3 238-241. WANG Wei, TIAN Muqin, SONG Jiancheng, et al. Dynamic load identification of rock roadheader based on wavelet packet and neural network[J]. Coal Mine Machinery, 2015, 363 23