一种基于电流信号的掘进机截割岩壁岩石性质识别方法

1.本发明涉及一种岩石性质识别的方法，具体是一种基于电流信号的掘进机截割岩壁岩石性质识别的方法。


背景技术：

2.煤矿的开采主要是井下开采，为了保证连续的高效生产，需在井下开挖出大量巷道。目前，综掘水平智能化远远落后于综采水平，快速掘进作为煤矿巷道开挖的关键技术，直接影响到高效安全的煤矿生产。掘进机截割岩壁，岩壁的岩石性质变化剧烈，实时的岩石性质反馈可使掘进机司机依据不同岩性实时调整掘进机转速摆速等工况，对掘进机的智能化有重要意义。
3.目前针对煤矿生产，岩石性质识别按手段按方法分主要有：自然γ射线法、人工γ射线法，这些方法的适用范围小；雷达探测法，此方法仅适用于煤岩性质差别较大的情况；图像检测法、红外图像检测法，此类方法易受工作环境的光线、粉尘等因素影响；电参量检测法，此方法不易受外界环境因素干扰但各个传感器电参量信号难获得。在电参量检测法中，对电参量信号进行处理的步骤分为：信号获取，信号降噪，特征提取，岩性识别。信号获取可对掘进机进行适当改造，如加入扭矩传感器、电流传感器、加速度传感器获取相关的电参量信号，其中对掘进机的截割电机加入扭矩传感器时对整个机械改造过大；加速度传感器精度不高，致使后续信号处理的工作难以继续。在岩石性质识别的信号处理中信号降噪手段研究过少，一般直接对信号进行特征提取，大多采用小波包变换和其他变换或优化算法结合进行特征提取，可小波分析的小波基选取就很困难，且仅对特定情况下已知噪声的频率范围且信号和噪声的频带相互分离时非常有效，适用范围窄。识别手段大多采用神经网络，可神经网络存在局部极小化问题、收敛速度慢、预测能力和训练能力矛盾等问题。


技术实现要素：

4.本发明的目的之一是克服现有技术的不足，提供了一种基于电流的掘进机截割岩壁岩石性质识别方法。
5.本发明解决其技术问题，采用的技术方案是：构造一种基于电流信号掘进机截割岩壁岩石性质识别方法。
6.基于相似模拟实验理论，采用四种配比，浇筑出四种不同性质的相似模拟岩石试件；采集掘进机截割四种岩性的相似模拟试件时截割电机的电流传感器信号，先对电流进行降噪，再进行特征提取，最后进行不同岩性的识别。
7.四种配比的相似模拟岩石试件，以抗压强度、密度、弹性模量的不同作为不同给岩性的模拟岩石试件的依据。
8.对获得的四种岩性截割电流的降噪手段为粒子群算法优化的变分模态分解算法。具体为：先对电流信号进行变分模态分解，因变分模态分解的分解参数：分解模态数k和惩罚因子α需手动设定，这两个参数的过大或者过小对变分模态分解的结果都有很大影响，因
此选用粒子群算法优化变分模态分解的参数选取。分解的各模态分量uk和各模态分量的中心频率ωk公式为：其中δ(t)是脉冲函数， k是分解得到的模态个数，λ为拉格朗日乘子α为乘法因子。
9.在粒子群算法优化变分模态参数选取过程中，需要一个目标函数来对优化做限定，选用最小包络信息熵作为粒子群算法的目标函数，最小包络信息熵mee公式为， mee＝min{imff
ee
(1),
……
,imff
ee
(k)}，(k)}，其中imf为各个本征模态函数，pi是模态信号归一化后的包络， imff
ee
(k)是k个模态信号的包络信息熵，ai是信号经过vmd分解后模态信号的第i个点的包络幅值，n是信号经vmd分解后模态信号的长度。
10.粒子群算法优化变分模态分解之后，对截割电机电流信号分解出最合适的本征模态分量，对分量进行基于能量密度和相关系数准则的重构，能量密度ek计算公式为其中ek是第k个能量的能量密度，k是imf的长度，xk(d) 是第k个imf分量的振幅。相关系数rk的计算公式为：其中rk表示数学期望，μk是imf分量的平均值，μ是原始信号y的平均值，σk是imf分量的标准差，σ是原始电流信号的标准差。
11.在经过信号重构后采用能量信噪比的对比来对电流信号降噪效果进行评价，信噪比(snr)计算公式为其中p为信号的功率。
12.对重构信号，进行基于多尺度模糊熵(fuzzyen(m,n,r))的信号特征提取当n有限时,fuzzyen(m,n,r,n)＝lnφm(n,r)-lnφ
m 1
(n,r)，其中n和r分别为模糊函数边界的梯度和宽度，n为序列长度，φm为定义函数为相似度函数。
13.对提取的特征信号，采用最小二乘支持向量机对不同的岩性进行识别，其中的核函数选为径向基核函数。径向基核函数的公式为：式中σ为核宽度。
14.有益效果：
15.本发明提供一种基于电流信号的掘进机截割岩壁岩石性质识别方法，采集掘进机在截割四种不同岩性相似模拟岩石试件时截割电机的电流信号，通过以最小包络信息熵为适应度函数的粒子群算法优化变分模态分解的关键参数选取，实现对截割电机电流信号的自适应分解。再通过能量密度和相关系数原则对本征模态分量进行重构，重构后的信号通过计算信噪比作为降噪效果的依据。对重构的信号进行了基于多尺度模糊熵的特征向量提
取，最后利用最小二乘支持向量机对掘进机开挖过程截割不同岩性进行识别，有效解决了神经网络识别的收敛慢，识别率不高等问题，保证了掘进机在截割岩壁时对不同岩性的高识别率。
附图说明
16.图1是不同岩性岩石试件制备流程图
17.图2是本发明的岩性识别方法流程图
18.图3是粒子群算法优化变分模态分解的流程图
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及实施例对本发明做进一步的详细说明。
20.步骤一：参照附图2，本发明提供的是一种基于电流信号的掘进机截割岩壁过程中岩石性质识别的方法，包括：制备四种不同岩性的相似模拟试件块过程参考图1，采集掘进机在四种不同岩性相似模拟试件块上进行开挖实验时截割电机电流传感器数据，获得电流信号。
21.步骤二：对所获得的电流信号先进行降噪处理，降噪的步骤参考附图3：先对信号进行粒子群算法优化的变分模态分解，其中粒子群算法的目标函数为、最小包络信息熵mee公式为，mee＝min{imff
ee
(1),
……
,imff
ee
(k)}，(k)}，其中imf为各个本征模态函数，pi是模态信号归一化后的包络， imff
ee
(k)是k个模态信号的包络信息熵，ai是信号经过vmd分解后模态信号的第i个点的包络幅值，n是信号经vmd分解后模态信号的长度。当粒子所在位置计算出的信息熵为最小时输出变分模态分解的最佳分解参数α和k，分解的各模态分量uk和各模态分量的中心频率ωk公式为：其中δ(t)是脉冲函数，k是分解得到的模态个数，λ为拉格朗日乘子α为乘法因子。变分模态分解以最佳分解参数对截割电机电流信号进行分解。获得分解后的本征模态函数后，基于能量密度和相关系数准则对本征模态函数进行重构，能量密度ek计算公式为其中ek是第k个能量的能量密度，k是imf的长度，xk(d)是第k个imf分量的振幅。相关系数rk的计算公式为：其中rk表示数学期望，μk是imf分量的平均值，μ是原始信号y的平均值，σk是imf分量的标准差，σ是原始电流信号的标准差。具体是计算各个本征模态函数的能量密度和相关系数后相乘取数值最大的前三个分量相加得到重构后的截割电机电流信号。对重构后的电流信号采用计算信噪比(snr)其计算公式为其中p为信号的功
率的方式来衡量降噪的好坏。
22.步骤三：对降噪后的截割电机电流信号，采用多尺度模糊熵fuzzyen(m,n,r)作为截割不同岩性时截割电机电流信号的特征向量,当 n有限时fuzzyen(m,n,r,n)＝lnφm(n,r)-lnφ
m 1
(n,r)，其中n和r分别为模糊函数边界的梯度和宽度，n为序列长度，φm为定义函数为相似度函数。通过查看在不同的尺度下四种岩性的截割电机电流信号的模糊熵是否在不同尺度因子下是否有区分度来判断特征向量选取的好坏。
23.步骤四：四种岩性截割过程中截割电机的电流信号在经过降噪和特征提取后，利用最小二乘支持向量机,其中的核函数选为径向基核函数,径向基核函数的公式为：式中σ为核宽度。对提取的特征向量进行岩性识别，最终达到岩性识别的目的。
24.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
25.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。