基于模糊神经网络信息融合的采煤机煤岩识别系统

王冷

（吉林工程职业学院，吉林四平136001）

基于模糊神经网络信息融合的采煤机煤岩识别系统

王冷

（吉林工程职业学院，吉林四平136001）

研究基于信息融合技术的采煤机煤岩识别技术，使用多个传感器代替传统单个传感器建立煤岩识别系统，并以模糊神经网络算法作为系统的核心算法，从而提高采煤机煤岩识别的稳定性、抗干扰能力以及准确性等。使用采煤机滚筒截割煤壁时振动、阻力矩以及电机电流等进行监测，并采集数据提取特征值，通过模糊神经网络算法进行网络训练，最终得到基于神经网络信息融合的采煤机煤岩识别模型，通过实验验证研究的煤岩识别模型的性能，测试结果表明，实验研究的识别模型可以有效对煤岩界面进行识别，相比传统的单一传感器、单一识别技术，具有识别精度高、可靠性好、稳定性强等优点。

采煤机；煤岩识别；模糊神经网络；多传感器；信息融合

0 引言

传统采煤机滚筒调高方式是通过人工判断采煤机滚筒截割物料成份实现的。由于采煤机实际截割过程中，煤尘较大等原因造成人工判断方式效率低、准确率低等问题。为了取代人工判断采煤机滚筒截割物料成份，自动识别煤岩技术逐渐兴起。因此研究采煤机煤岩自动识别技术，用于取代人工判断采煤机滚筒截割煤壁的煤岩界面，对降低人工成本，减小煤矿安全隐患，提高采煤质量，减小煤中的矸石等杂料的比例以及提高采煤机寿命等具有重要意义[1]。

目前针对自动识别煤岩技术的主要技术手段有：

（1）使用传感器采集截割煤岩的伽马射线的辐射特性进行煤岩识别。这种煤岩识别技术仅适用于甲烷含量丰富的煤岩环境中，并且由于识别技术使用时需要在工作面的顶部或者底部煤岩有一定预留量，造成采煤效率下降[2]。

（2）使用振动、力或压力传感器对采煤机滚筒截割煤岩过程的振动信号、力信号或液压力信号进行采集并分析，从而判断煤岩性质[3]。

（3）使用红外成像传感器对采煤机滚筒截割煤岩时的温度进行测量，根据滚筒截割不同介质时产生的温度变化实现煤岩识别[4]。

（4）通过测定采煤机滚筒截割掉落的物料撞击到刮板输送机中部槽时发出的不同声音，确定煤岩的性质，但是这种方法使用局限性较大，即滚筒必须已经截割到岩石并且岩石能够落入中部槽发出声音，此方法才有效果[5]。

（5）当采煤机滚筒截割较硬的岩石时，截割电机消耗的功率较大，而截割较软的煤层时，截割电机消耗的功率相对较小，因此通过对截割电机消耗的功率进行实时测量从而进行煤岩识别，同样，这种方法需要滚筒必须已经截割到岩石时才能够识别煤岩[6]。

以上自动识别煤岩技术均使用单一传感器和单一的识别技术实现煤岩识别。使用单一传感器的问题在于获取煤岩特征信息的渠道窄、使用局限性大、片面、不能完全反映煤岩真实情况，并且一旦使用的单一种类传感器发生故障，则不能继续进行煤岩识别[7]。

鉴于以上问题，本文研究基于信息融合技术的采煤机煤岩识别技术，使用多个传感器代替传统单个传感器建立煤岩识别系统，并使用模糊神经网络算法作为系统的核心算法，从而提高采煤机煤岩识别的稳定性、抗干扰能力以及准确性等。

1 煤岩识别系统及特征参数分析

1.1 煤岩识别系统

采煤机截割煤岩的工况简图如图1所示。采煤机截割的煤壁中，有时是均质的煤层，有时煤壁是煤层与岩层共存，设定煤层与岩层以一定比例存在。研究的煤岩识别系统识别的煤壁中岩层的煤层与岩层的比例分别为：全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层四种情况[8]。

图1 采煤机截割煤岩的工况简图

使用多传感器信息融合技术及模糊神经网络算法建立的煤岩识别系统主要分为两大部分，第一部分是数据采集层，通过多传感器信息融合技术对采煤机截割煤岩时的振动、阻力矩以及电机电流等进行监测，并采集数据提取特征值。第二部分是识别模型，即使用模糊神经网络算法建立煤岩识别模型。通过多传感器采集并处理后的特征分为两大类，第一类用于使用模糊神经网络算法建立煤岩识别模型进行网络训练，使得识别模型具有相应的泛化能力；第二类用于对所建立的煤岩识别模型进行性能测试，测试识别模型泛化能力，识别能力能够达到识别要求[9]。

1.2 特征参数分析

本文建立的煤岩识别采用多传感器信息融合技术，主要对采煤机截割煤岩时的振动、阻力矩以及电机电流等进行监测。由于采煤机在截割不同比例的煤岩时，z轴方向振动量变化基本相同，因此提高识别效率，本文的多传感器融合系统只对采煤机滚筒截齿的x轴和y轴振动量进行采集处理。图2是采煤机截割全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层，这四种情况时煤岩的振动监测值。图3是采煤机截割四种情况煤岩时的阻力矩情况。图4是采煤机截割四种情况煤岩时的电机电流监测数据[10]。

图2 截割不同煤岩时x,y轴的振动监测量

图3 截割不同煤岩时阻力矩振动监测量

图4 采煤机截割四种情况煤岩时的电机电流监测数据

2 ANFIS原理及结构

模糊神经网络（ANFIS）的结构如图5所示，主要由前件网络和后件网络组成，其模糊系统采用Sugeno型[11]。

图5 模糊神经网络结构

2.1 前件网络

前件网络由4个层组成。前件网络的第1个网络层是整个模糊神经网络的输入层，有n个节点，模糊神经网络输入的各个分量xi与输入层的各个节点相连，将输入向量传递到第2个网络层。

第2个网络层是模糊化层，其主要用于计算第1个网络层的输出量隶属于各个节点的语言变量的隶属度函数，具有个节点数[12]。

式中：n是第1个网络层输出的维数；mi是xi的模糊分割数。

设定第2层网络输入的隶属函数是高斯型，则有：

式中：cij表示隶属函数的中心值；σij表示隶属函数的宽度。

第3个网络层是模糊规则层，用于匹配模糊规则的前件，然后对逐条规则的适用度进行计算。该层具有m个节点，各节点表示一个模糊规则。

亦可表示为：

式中：i1∈{1,2,…,m1},i2∈{1,2,…,m2},…,in∈{1,2,…,mn}， j=1,2,…,m，m=

第4个网络层用于进行归一化计算，节点数为m，与第3个网络层具有相同的节点数[13]。

2.2 后件网络

后件网络由r个同样具有三个网络层的并列的子网络组成。各个子网络具有一个输出值。

后件网络子网络第1层是将输入量传递至第2层的输入层。第1层的第0个节点输入值为1，其用于提供模糊规则后件中的常数项。

后件网络子网络第2层用于计算各个规则的后件，该层节点数为m，一个节点表示一个规则[14]。

后件网络子网络第3层是模糊神经网络结构第5层，即系统的输出层，用于对系统的输出进行计算：

ANFIS算法主要使用混合算法对前提和结论参数不断更新。通常将一个初始值赋予给前提参数，结论参数由最小二乘估计算法得到。最终从最后一层反向向第一层由梯度下降算法传递系统的误差，以不断更新前提参数。

本文研究的识别系统所建立的模糊神经网络模型使用减法聚类算法对进行归一化处理后的流特征数据样本空间进行非线性规划，选用三角函数型的隶属度函数，模型的参数学习率设定为0.01，误差上限[15]为10-3。

3 实验分析

本文通过实验方法对所建立的基于模糊神经网络信息融合的采煤机煤岩识别系统的性能进行测试分析。实验用的采煤机型号是鸡西煤矿机械有限公司生产的MG300/701-WD型采煤机，其采高可达3.2 m，截深为0.63 m，截割速度为6 m/min。对采煤机截割全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层四种情况煤岩时的振动、阻力矩以及电机电流等数据进行监测。通过建立的煤岩识别系统进行识别，识别结果如图6所示，同时与使用基于单一的振动、阻力矩以及电机电流传感器的识别系统的识别结果进行对比[16]。

图6 不同识别技术煤岩识别结果对比

测试结果表明，使用基于单一的振动、阻力矩以及电机电流传感器的识别系统能够对煤岩具有一定的识别能力，但是由于其使用单一传感器的局限性，使得识别结果准确度不够高，而本文研究的基于模糊神经网络信息融合技术的识别系统能够对煤层和岩层的分界面进行有效识别，识别的准确度和稳定性相比其他方法更高。

4 结语

研究采煤机煤岩自动识别技术，用于取代人工判断采煤机滚筒截割煤壁的煤岩界面，对于降低人工成本，减小煤矿安全隐患，提高采煤质量，减小煤中的矸石等杂料的比例以及提高采煤机寿命等具有重要意义。本文研究一种基于信息融合技术的采煤机煤岩识别技术，使用多个传感器代替传统单个传感器建立煤岩识别系统，并使用模糊神经网络算法作为系统的核心算法，替代传统的煤岩识别技术使用单一传感器和单一的识别技术。通过实验验证了本文提出的识别系统相比传统技术具有更好的稳定性、抗干扰能力强以及高识别度等优点。

[1]刘俊利.基于ANFIS的多信息融合煤岩识别方法研究[J].中国煤炭，2014（12）：56-59.

[2]杜亚玲.无人工作面智能采煤机电控系统研究[J].能源与节能，2015（3）：132-133.

[3]王水生.基于振动特性分析的采煤机煤岩识别控制系统[J].工矿自动化，2015（5）：83-87.

[4]苗艳才，杨栋，赵其龙.智能采煤机煤岩识别分析与设计[J].煤矿机械，2014（7）：81-83.

[5]马洪礼，司凯文，吕东跃.无人工作面智能化采煤机监控系统的研发[J].煤炭科学技术，2014（9）：67-71.

[6]张寅锋.滚筒式采煤机运动轨迹跟踪及控制策略研究[D].杭州：浙江大学，2014.

[7]李美颐.薄煤层采煤机液压调高系统的可靠性研究[D].阜新：辽宁工程技术大学，2013.

[8]赵英杰.基于多传感器信息融合技术的煤岩识别方法的研究[D].西安：西安工程大学，2013.

[9]田慧卿.图像识别技术在煤岩识别应用中的研究[D].西安：西安工程大学，2013.

[10]邱锦波.滚筒采煤机自动化与智能化控制技术发展及应用[J].煤炭科学技术，2013（11）：10-13.

[11]刘俊利，赵豪杰，李长有.基于采煤机滚筒截割振动特性的煤岩识别方法[J].煤炭科学技术，2013（10）：93-95.

[12]王育龙.基于电流信号的煤岩识别方法研究[D].西安：西安科技大学，2013.

[13]孙继平.安全高效矿井监控关键技术研究[J].工矿自动化，2012（12）：1-5.

[14]何家健，陈卓，吴孟侗，等.基于主成分分析的煤岩界面识别方法[J].工矿自动化，2011（7）：76-78.

[15]赵栓峰.多小波包频带能量的煤岩界面识别方法[J].西安科技大学学报，2009（5）：584-588.

[16]刘阔，刘杰，尹力，等.基于多传感器数据融合记忆截割的研究[J].煤矿机械，2008（5）：50-51.

Coal petrography identification system for coal mining machine based on ANFIS and information fusion

WANG Leng
（Jilin Engineering Vocational College，Siping 136001，China）

The coal petrography identification technology for the coal mining machine based on information fusion technology is studied.The multiple sensors instead of the traditional single sensor is used to establish the coal petrography identification system，and the fuzzy neural network algorithm is taken as the core algorithm to improve the stability，anti-interference ability and accuracy of the coal petrography identification for the coal mining machine.The vibration，resistance torque and motor current are monitored when the roller of the coal mining machine is cutting the coal wall，and the characteristic value is extracted by data collection.The characteristic value is conducted network training by fuzzy neural network algorithm，and the coal petrography identification model for coal mining machine based on neural network and information fusion is obtained.The performance of the coal petrography identification model is verified by experiments，and the results show this identification model can identify the coal petrography interface effectively，has higher identification precision，better reliability and stronger stability than that of the traditional single sensor and single identification technology.

coal mining machine；coal petrography identification；ANFIS；multi-sensor；information fusion

TN711-34；TP273

A

1004-373X（2015）23-0106-04

10.16652/j.issn.1004-373x.2015.23.028

王冷（1981—），男，吉林四平人，讲师，硕士。研究方向为计算机应用。

2015-08-05