基于粗糙径向基神经网络的刮板输送机负载预测方法研究

郭 刚，汪海涛，高晓成，闫尚彬，黄晓俊

(1.中煤陕西榆林能源化工有限公司，陕西 榆林 719000；2.中煤能源研究院有限责任公司，陕西 西安 710001；3.西安科技大学 通信与信息工程学院，陕西 西安 710054)

煤矿智能化是煤炭工业高质量发展的核心技术支撑，是煤炭工业技术革命和升级发展的必然方向[1-3]。国家能源局、国家矿山安全监察局等部门印发的《煤矿智能化建设指南(2021年版)》中明确指出智能采煤系统的重要性和必要性。综采智能化作为煤矿智能化的关键技术之一，它的实现将会极大促进煤矿智能化的发展，使得煤矿产业能够达到减员、增安、提质、创效的生产运作方式[4-6]。

刮板输送机短期负荷预测是综采工作面采煤机和刮板输送机协同控制的基础[7]。工作面生产过程中，刮板输送机的负荷变化一方面受综采工艺的影响，刮板输送机上的煤流量规律性的周期变化；另一方面受工作面环境、电气故障等许多非负荷因素的影响[8]。近年来，学者和专家在负载预测方面进行了大量的研究，取得了一定的成果。Dolipski M[9]提出一种非均匀负载情况下的刮板输送机动态模型，利用该模型研究了负载不均匀时的电机转差率；Murphy C J[10]分析了输送机动态负载特性，提出了追踪输送机负载变化的方法；Sikora W[11]在研究刮板输送机双电机驱动装置功率时，对刮板输送机的传动装置负荷不均匀性进行了分析；毛君[12]分析了刮板输送机整机随机载煤量及采煤机运行不同位置时，刮板输送机链条张力、链条速度、驱动链轮转矩的变化情况，建立了负载阻力数学模型及整机AME -Sim仿真模型，得到了刮板输送机正常运行时影响整机工作效率的因素；石勇[13]基于采集的采煤机负载数据，通过建立的BP神经网络预测出单位时间内落煤量最大的设置参数，实现了采煤机的智能控制；Durucan S，et al[14]建立了刮板输送机载煤量变化计算模型，通过分析负载与电机电流的映射关系，提出了基于BP神经网络的刮板输送机负载预测模型；谢苗[15]在分析刮板输送机载煤量变化规律的基础上，通过动态预测了刮板输送机负载电流变化。上述研究一定程度上实现了刮板输送机负载的预测，但未考虑非结构化综采工作面环境下，影响刮板输送机负载预测因素的不确定性和耦合特性，以及刮板输送机负载电流受井下电气系统影响而无法真实反映刮板输送机负载变化的情况。此外，刮板输送机电流负载波动较大，该电流输入会增加神经网络的训练误差，损失泛化能力，而且上述神经网络预测模型不能直接反映电流的波动。

针对上述问题，本研究提出基于粗糙径向基神经网络的刮板输送机负载预测方法。该模型首先分析刮板输送机电机电流与负载之间的对应关系，提出去除电流干扰成分的方法；然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题，引入表征负载变化波动的上下输入粗糙神经元，提出一种粗糙径向基神经网络(RRBFNN)模型；最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型。本文的研究对刮板输送机智能化，促进综采工作面智能化发展具有重要意义。

1 刮板输送机负载电流去噪方法

综采工作面运行环境复杂，刮板输送机负载波动大，难以直接准确测量[16]。因此，如何准确的获取刮板输送机的负载对综采工作面采运系统的智能控制至关重要。刮板输送机电机电流与其负载扭矩存在如下关系[17]：

式中，Tc是刮板输送机负载转矩，N·m；np为电机极对数；Irβ、Isα分别为电流在α轴和β轴上的电流分量，A；Ψrα、Ψrβ分别为电机定子磁链在α轴和β轴上的分量；Tf为刮板输输送机的摩擦力矩，N·m。

式(1)表明刮板输送机负载可用其电流反映，然而，电机电气故障会对刮板输送机三相电流造成影响，导致实际采集的电机电流不仅包含真实刮板输送机负载信息，还包含煤矿井下电气系统故障而耦合产生的伪负载信息，因此该电流无法直接的真实反映刮板输送机负载变化[18]。刮板输送机动系统中齿轮的啮合频率是该传动系统的固有特性，其频率不会受到电气系统的影响，且频率的幅值只受到其本身啮合力大小的影响，幅值的变化只受负载大小的影响，所以本文探索性的提出基于刮板输送机电流强化的负载表征方法，原理如图1所示。刮板输送机依靠三相电机提供动力，当负载变化时会引起减速箱中传动齿轮啮合力的变化，而啮合力的变化会使得电流频谱成分中齿轮啮合频率分量的幅值发生变化[19]。由于电流频谱中的齿轮啮合频率不受电流变化的影响，将齿轮啮合特征频率作为负载估计的纽带，避免了电气系统引起电流的波动对刮板输送机负载特征的干扰。

图1 基于电流强化的刮板输送机负载映射方法Fig.1 Load mapping method of scraper conveyor based on current intensification

刮板输送机减速箱的传动系统是多级齿轮传动组成的，这些齿轮分布在不同空间当中，而且啮合频率不同。鉴于此，对实际工程中采集到的含有50 Hz工频干扰的电流数据进行去工频干扰，即电流强化。本文采用小波包[20]实现对电流信号的多尺度分解，抑制工频频段，最终实现工频的消除。在小波包分解中φ(x)与ψ(x)分别为正交尺度函数、小波函数，那么由小波包多尺度分解进一步可得出：

式中，hk、gk为共轭滤波器，用于多尺度分析。

令μ0=φ(x)，μ1=ψ(x)，则能够得到：

于是相对于正交尺度函数φ(x)的正交小波包为函数簇为{μn(x)|n∈Z+}。通过对刮板输送机负载电流进行强化，得到真实的刮板输送机电流，将其作为描述综采工作面采运系统中刮板输送机负载变化的特征参数，用于建立采运系统协同控制模

2 基于粗糙径向基神经网络的刮板输送机负载预测模型

2.1 传统径向基神经网络

径向基神经网络RBFNN是一种典型的三层前馈神经网络，包括输入层、隐含层和输出层。输入层由若干感知单元组成，一般对网络的输入信息不进行任何转换；第二层是隐含层，隐含层实现了从输入空间到隐含层空间的映射，隐含层采用径向基函数作为激励函数，该径向基函数一般为高斯函数。输出层一般是线性的，其作用是响应输入层的激活模式，实现网络的输出。

RBF神经网络中隐节点的激活函数为径向基函数，最常用的径向基函数为高斯函数：

式中，x=(x1，x2，…，xn)T为神经网络的n维输入向量；ci为第i个隐含层节点的数据中心，i=1，2，…，h；δi是第i个径向基函数的分布方差。

RBF神经网络第k个神经元的输出为：

式中，yk为第k个输出神经元；m为输出神经元的个数；ωik为第i个隐含层神经元与第k个输出神经元之间的连接权值；确定合适的RBF神经网络的关键是确定基函数的中心ci、分布常数σi和连接权值wik。

2.2 改进的粗糙径向基神经网络模型

综采工作面生产过程中，刮板输送机负载不但受煤流规律性变化的影响，还受工作面环境等许多偶发因素的影响。此外，刮板输送机受冲击负载的影响，电流数据波动大。传统的径向基神经网络由于结构简单，逼近的能力强，在负荷预测领域得到了广泛的应用。然而，刮板输送机短期负荷具有非线性和非平稳特性，较大的输入波动增加了径向基神经网络的训练误差，降低了其泛化能力，导致刮板输送机的负载预测效果很差。因此，针对传统径向基神经网络对于短时波动性较大的电流输入无法建立准确预测模型问题，本研究在传统径向基神经网络的基础上引入粗糙神经元，来解决大波动刮板输送机电流情况下的负载预测问题。

传统RBF神经网络预测模型的输入为单值。输入层的每个神经元只能反映某一时间点的刮板输送机负载数据，不能反映实际负载的波动信息。如果利用RBF神经网络对波动信息进行精确逼近，容易产生过训练和过拟合网络，造成预测精度不足。为了在神经网络模型中直接反映刮板输送机负载的波动，提高泛化能力，防止过拟合，加快训练速度，本研究在RBF神经网络中引入粗糙神经元。即在RBF神经网络输入层和隐含层的每个神经元分别连接高、低值两个输入，采用耦合输入值反映负荷波动信息，来构建基于粗糙PBF神经网络的刮板输送机负载预测模型。

2.2.1 粗糙神经元

图2 粗糙神经元结构Fig.2 Rough neuron structure

2.2.2 粗糙径向基神经网络模型构建

本研究提出的RRBFNN结构，如图3所示。

图3 粗糙径向基神经网络结构Fig.3 Rough radial basis function neural network structure

该粗糙径向基神经网络的输入层和隐含层均为粗糙结构，神经网络的输入由原来的单值变为区间双值，它能够很好的反映刮板输送机电流在一段时间内的波动。为方便阐述RRBFNN模型结构，假设粗糙神经网络的输入层有n个粗糙神经元，前馈方程定义如下：

2.2.3 基于RRBFNN的刮板输送机负载预测模型构建

图4 基于RRBFNN综采工作面刮板输送机负载预测模型Fig.4 Load prediction model of scraper conveyor in fully mechanized mining face based on RRBFNN

基于RRBFNN刮板输送机负载预测模型的具体构建过程如下，离线模型训练阶段：

1)采集刮板输送机电机电流监测历史数据，并根据电流强化算法对数据进行预处理，建立训练样本数据集。

2)采用一定长度的滑动窗口对全部训练样本数据进行截取，并将全部子序列组建为训练样本集Xtrain。

3)采用构建好的数据集对RRBFNN进行有监督训练，并用梯度下降的方法对模型的参数进行调整，直至训练完成，获得训练好的RRBFNN负载电流预测模型。其训练过程的损失函数定义为：

当刮板输送机负载预测准确时，Tc=1，并且m+=0.9，m-=0.1，λ=0.5。

3 基于RRBFNN的刮板输送机负载预测方法验证

3.1 数据采集

本研究选取某矿52605综采工作面刮板输送机的真实电流数据为数据样本，以第一到三天19∶00—23∶59的刮板输送机电流为输入，第四天19∶00—23∶59刮板输送机的电流为输出，通过数据补齐和异常数据剔除建立数据集，见表1，基于该数据集构建刮板输送机负载RRBFNN预测模型。

表1 52605综采工作面刮板输送机电流数据集 (A)

从数据库中提取10000组刮板输送机电机的电流数据作为于RRBFNN的刮板输送机负载预测方法训练数据和验证数据。为消除特征之间的量纲影响，对试验样本数据进行最小-最大规范化处理，保留原来数据中存在的关系，将各特征值分别映射到[0，1]之间，达到规范化的目的。然后将整个样本数据集分成70%的训练集和30%的测试集。

3.2 刮板输送机负载电流信号去噪处理

为消除包含电气特性电流对真实负载的影响，对电流数据进行强化处理。小波包分解层数意味着对信号频率划分的精细程度，而不同的分解层数，对工频消除的结果也不一样。为了对比出效果最佳的分解层数，本文使用db6小波基对信号继续进行5层与6层分解并消除工频，然后对三种不同分解层数进行对比。原始信号频谱与消除工频信号的频谱如图5所示。

图5 原始信号频谱与消除工频信号的频谱Fig.5 Spectrum diagram of original current signal and suppressed power frequency signal

可以看出在分解5层的频谱中，其低频处的特征不明显，很多特征频率丢失，效果明显很差。在分解6层的频谱中，低频处的特征有所增强，但依旧存在遗漏的情况。在分解7层的频谱中，信号特征比较明显，低频频率特征增强了很多。对比三种情况，三种不同分解层数消除工频的信号频谱包含的特征频率数目情况可知，分解7层时效果最佳。

3.3 结果分析

采用本文提出的基于RRBFNN的刮板输送机负载预测方法训练得到刮板输送机负载预测模型，确定刮板输送机负载电流预测模型中，RRBF神经网络的主要参数如下：输入序列长度I=10，输出长度O=1，隐层神经元数为50，学习速率η=0.3，动量因子α=0.1。预测刮板输送机的负载电流，并将本研究提出的方法与传统的径向基神经网RBF算法和长短期记忆神经网络LSTM算法的负载电流预测结果对比，刮板输送机机头和机尾电机负载电流预测结果如图6所示。

图6 刮板输送机机尾电机负载预测曲线Fig.6 Load prediction curve of head and tail motor of scraper conveyor

将两种算法预测结果决定系数汇总成表2。由表2可知，RRBFNN算法相较于传统RBFNN算法，平均绝对误差、平均绝对百分误差和均方根误差分别降低了26.22%，25.39%和14.72%。表明RRBFNN算法的预测误差比传统RBFNN算法的预测误差小很多。

表2 不同算法预测结果比较Table 2 Comparison of prediction results of different algorithms

两种算法所对应的刮板输送机负载电流的预测值和真实值R-Squared值及其关系分别如图7、图8所示，其中R-Squared值越高，预测结果越准确。结果表明，通过采用本文提出的粗糙径向基神经网络算法对刮板输送机负载电流的预测R-Squared值为0.94925，传统径向基神经网络算法对刮板输送机负载电流的预测R-Squared值为0.78519。本研究提出的RRBFNN预测模型比传统RBF神经网络预测精度提高了0.164，总体来看所提出的RRBFNN预测模型比传统RBF神经网络更有效，更适用于综采工作面刮板输送机负载的预测。

图7 RRBFNN预测结果决定系数Fig.7 RRBFNN prediction result determination coefficient

图8 传统RBFNN预测结果决定系数Fig.8 Determinant coefficient of traditional RBFNN prediction results

4 结 论

1)RRBFNN模型是一种改进的RBFNN，将传统RBF神经网络的神经元改进为粗糙神经元，输入由单值变为区间值，有效的刻画了负载电流的波动特性。

2)RRBFNN模型更适合提取刮板输送机短期负载中的非线性信息，较传统的RBFNN模型有更好的预测性能，能有效实现刮板输送机的负载预测。

3)本文提出的RRBFNN刮板输送机短期负载预测模型，对刮板输送机机头、机尾电机电流预测的绝对误差的平均值分别10.24 A和13.88 A，比传统RBF模型的平均绝对误差、平均绝对百分误差和均方根误差分别降低26.22%，25.39%和14.72%。