基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的采煤機(jī)截割煤巖性狀智能識(shí)別

段銘鈺，袁瑞甫，楊藝

（1.華中科技大學(xué) 機(jī)械科學(xué)與工程學(xué)院，湖北 武漢 430070；2.河南大有能源股份有限公司，河南 三門(mén)峽 472300；3.河南理工大學(xué) 能源科學(xué)與工程學(xué)院，河南 焦作 454000；4.河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，河南 焦作 454000）

0 引 言

采煤機(jī)智能截割是煤礦綜采工作面智能化開(kāi)采的關(guān)鍵技術(shù)之一［1］。在采煤機(jī)截割過(guò)程中，如何根據(jù)頂板與煤體分界面實(shí)時(shí)確定搖臂高度，如何根據(jù)煤巖情況實(shí)時(shí)確定牽引速度，這些都是采煤機(jī)智能截割的核心問(wèn)題和技術(shù)瓶頸［2］。

自20世紀(jì)60年代以來(lái)，科研工作者針對(duì)煤巖分界問(wèn)題展開(kāi)了深入研究。目前，國(guó)內(nèi)外的煤巖識(shí)別技術(shù)主要分為直接探測(cè)法和間接探測(cè)法［3］。其中，直接探測(cè)法又分為γ射線探測(cè)法［4］、紅外探測(cè)法［5-6］、截齒應(yīng)力探測(cè)法［7］等；間接探測(cè)法又分為圖像檢測(cè)法［8］、記憶截割法［9］、聲學(xué)診斷法［3］等。γ射線探測(cè)法［10］、紅外探測(cè)法、圖像檢測(cè)法［11-12］和聲學(xué)診斷法［3］需要增加額外的檢測(cè)設(shè)備，并通過(guò)檢測(cè)到的信號(hào)綜合判斷煤巖分界面。

上述各方法在特定環(huán)境下能夠取得較好的識(shí)別效果。張寧波等［13］在實(shí)驗(yàn)室中分別測(cè)量煤巖γ射線輻射量，完成了煤巖性狀準(zhǔn)確分辨；王超等［14］通過(guò)灰度共生矩陣（GLCM）提取煤巖圖像特征參數(shù)，進(jìn)行了煤巖性狀識(shí)別；張強(qiáng)等［6］采用主動(dòng)紅外激勵(lì)監(jiān)測(cè)煤巖表面溫度變化，實(shí)現(xiàn)了煤巖識(shí)別。然而，煤礦井下工作環(huán)境惡劣、地質(zhì)條件復(fù)雜多變，檢測(cè)設(shè)備必須滿足煤礦井下安全性要求，并能適應(yīng)工作面復(fù)雜環(huán)境。此外，工作面的干擾信號(hào)眾多，截割過(guò)程中粉塵質(zhì)量濃度大、水霧干擾攝像頭拍攝等使γ射線、紅外回波、光學(xué)圖像、聲音信號(hào)受到不同程度影響，從而導(dǎo)致目標(biāo)信號(hào)難以準(zhǔn)確識(shí)別，這也是工作面煤巖分界面難以可靠識(shí)別的主要原因。

記憶截割方法是通過(guò)人工示教方式確定采煤機(jī)截割下一刀煤時(shí)的搖臂動(dòng)作，實(shí)質(zhì)上規(guī)避了煤巖分界面識(shí)別技術(shù)。該方法對(duì)頂板地質(zhì)條件穩(wěn)定的工作面較為有效。

截齒應(yīng)力探測(cè)法無(wú)需增加探測(cè)設(shè)備，通過(guò)檢測(cè)采煤機(jī)截割煤層和巖層時(shí)的應(yīng)力不同確定煤巖分界面。2010年，白學(xué)勇［15］研究了采煤機(jī)截齒沖擊力力學(xué)特征，分析了安裝不同約束對(duì)截齒等效應(yīng)力、速度和加速度的影響；趙學(xué)雷［16］、周游等［17］通過(guò)分析采煤機(jī)載荷和截齒應(yīng)力特征，提出了煤巖分界面的初步判斷方法。2013年以來(lái)，許靜［3］、曹 學(xué) 濤［18］、韓 飛［19］、劉 春 生 等［20］、王 麗等［21］深入分析了采煤機(jī)截齒、截距和載荷的工作特性。2018年以后，基于截割特性的煤巖分界面識(shí)別技術(shù)逐步成熟［3，10，22］。

基于采煤機(jī)截齒應(yīng)力的煤巖分界面識(shí)別方法通常綜合采煤機(jī)負(fù)載特征、震動(dòng)信號(hào)、應(yīng)力信號(hào)等多源信息［3，10，16］，能較為準(zhǔn)確地預(yù)測(cè)頂板位置，指導(dǎo)采煤機(jī)搖臂調(diào)整高度。受上述研究成果啟發(fā)，為進(jìn)一步推進(jìn)工作面煤巖識(shí)別技術(shù)發(fā)展，本文以工作面現(xiàn)有信息源為基礎(chǔ)，綜合采煤機(jī)截割電流、牽引電流和搖臂調(diào)高液壓缸阻力等數(shù)據(jù)，基于RBF（radial basis function）神經(jīng)網(wǎng)絡(luò)模型，利用改進(jìn)的螢火蟲(chóng)算法對(duì)該模型進(jìn)行優(yōu)化，并使用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)當(dāng)前截割的煤巖性狀進(jìn)行識(shí)別。

1 神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是采用分布式存儲(chǔ)和并行協(xié)同處理進(jìn)行信息處理的數(shù)學(xué)模型。通過(guò)權(quán)重學(xué)習(xí)，使神經(jīng)網(wǎng)絡(luò)逼近輸入與輸出之間的映射關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)逼近能力強(qiáng)、操作簡(jiǎn)單、響應(yīng)快、可靠性好，被廣泛應(yīng)用于模式識(shí)別和預(yù)測(cè)控制等領(lǐng)域［23-24］。

1.1 基函數(shù)選取

圖1為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。利用RBF函數(shù)作為其隱含層神經(jīng)元的激活函數(shù)，對(duì)輸入RBF函數(shù)的信息去線性化。隱含層的輸出結(jié)果經(jīng)過(guò)加權(quán)求和并由輸出層輸出。由于隱含層和輸出層間的權(quán)值是線性的，這一特點(diǎn)在很大程度上加快了學(xué)習(xí)速度，同時(shí)也避免了網(wǎng)絡(luò)過(guò)擬合。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of RBF neural network

RBF函數(shù)定義：設(shè)X∈Rn，以X0為中心，X到X0距離為半徑的徑向?qū)ΨQ函數(shù)R（x）=X-X0稱為RBF函數(shù)。

選取RBF神經(jīng)網(wǎng)絡(luò)隱含層的激活函數(shù)時(shí)，一般采用高斯核函數(shù)

式中：xp=（xp1，xp2，…，xpn），為輸入樣本；ci為隱含層第i個(gè)節(jié)點(diǎn)的基函數(shù)中心；σ0為基函數(shù)的方差，即基函數(shù)的寬度；R（xp-ci）為隱含層第i個(gè)節(jié)點(diǎn)的輸出。

RBF神經(jīng)網(wǎng)絡(luò)的輸出為

式中：ωij為連接權(quán)值；i=1，2，…，h，h為隱含層的節(jié)點(diǎn)數(shù)；θj為第j個(gè)輸出節(jié)點(diǎn)的閾值；yj為輸出層第j個(gè)節(jié)點(diǎn)的實(shí)際輸出值。

RBF神經(jīng)網(wǎng)絡(luò)的核心是徑向基函數(shù)的確定［25-26］。通常情況下，徑向基函數(shù)選用式（1）的高斯核函數(shù)，而確定高斯核函數(shù)中心和寬度的參數(shù)直接決定了RBF神經(jīng)網(wǎng)絡(luò)對(duì)輸入和輸出信號(hào)映射關(guān)系的逼近能力。對(duì)于非線性較強(qiáng)、變量耦合較多的系統(tǒng)，高斯核函數(shù)參數(shù)選取不當(dāng)將直接導(dǎo)致逼近失敗。為此，本文提出一種基于改進(jìn)螢火蟲(chóng)算法的高斯核函數(shù)確定方法。

1.2 改進(jìn)螢火蟲(chóng)算法

人工螢火蟲(chóng)算法（firefly algorithm，F(xiàn)A）是一種模擬螢火蟲(chóng)群體行為的群智能優(yōu)化算法［27］，它通過(guò)個(gè)體之間的相互吸引在搜索域內(nèi)尋優(yōu)，參數(shù)少、結(jié)構(gòu)簡(jiǎn)單。在尋優(yōu)過(guò)程中，螢火蟲(chóng)個(gè)體自動(dòng)聚集成多個(gè)子群，分別在不同位置進(jìn)行深度尋優(yōu)，因此常被用于解決具有多峰的非線性優(yōu)化問(wèn)題［28-29］，并能很好地解決RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)參數(shù)的優(yōu)化選取問(wèn)題。

在螢火蟲(chóng)聚集過(guò)程中，個(gè)體隨著亮度發(fā)生移動(dòng)，聚集結(jié)果將鎖定在最優(yōu)解的鄰域內(nèi)，因此常出現(xiàn)最優(yōu)解精度較低的問(wèn)題。此外，在迭代末期，由于螢火蟲(chóng)亮度變化較小，收斂速度將變慢，甚至難以得到全局最優(yōu)解。

為了解決螢火蟲(chóng)算法中個(gè)體難以脫離局部最優(yōu)、導(dǎo)致算法早熟的問(wèn)題，本文將螢火蟲(chóng)算法進(jìn)行改進(jìn)，采用2個(gè)策略提升螢火蟲(chóng)算法的全局最優(yōu)求解能力。

（1）采用分布區(qū)域收斂的步長(zhǎng)策略代替原算法的固定分布步長(zhǎng)策略。改進(jìn)后的步長(zhǎng)分布范圍隨更新次數(shù)的增加而減小，具體實(shí)現(xiàn)為

（2）增加基于隨機(jī)游走的局部探索策略，使當(dāng)前最優(yōu)的螢火蟲(chóng)在其附近范圍內(nèi)進(jìn)行隨機(jī)搜索。若該位置的螢火蟲(chóng)獲得更優(yōu)位置，則將其位置替換為新的位置，否則保持位置不動(dòng)，從而增加算法對(duì)潛在最優(yōu)解的探索能力，具體實(shí)現(xiàn)為

改進(jìn)的螢火蟲(chóng)算法流程如圖2所示。

圖2 改進(jìn)的螢火蟲(chóng)算法流程Fig.2 Flow chart of improved FA

1.3 基于改進(jìn)螢火蟲(chóng)算法的RBF神經(jīng)網(wǎng)絡(luò)

確定徑向基函數(shù)是RBF神經(jīng)網(wǎng)絡(luò)的難點(diǎn)，本文利用改進(jìn)的螢火蟲(chóng)算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度進(jìn)行優(yōu)化求解。將神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出的均方差作為適應(yīng)度函數(shù)，通過(guò)螢火蟲(chóng)快速聚集，確定徑向基函數(shù)的參數(shù)，使RBF神經(jīng)網(wǎng)絡(luò)達(dá)到理論最優(yōu)。

基于改進(jìn)螢火蟲(chóng)算法（IFA）的RBF神經(jīng)網(wǎng)絡(luò)（radial basis function neural network，RBFNN）算法流程如圖3所示，具體實(shí)現(xiàn)步驟如下。

圖3 基于改進(jìn)螢火蟲(chóng)算法的RBF神經(jīng)網(wǎng)絡(luò)算法流程Fig.3 Flow chart of RFB neural network based on improved firefly algorithm

步驟1初始化IFA算法參數(shù)和RBF神經(jīng)網(wǎng)絡(luò)參數(shù)。

步驟2根據(jù)IFA算法位置更新機(jī)制更新個(gè)體位置，將個(gè)體當(dāng)前所處位置作為RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度，輸入訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

步驟3將RBF神經(jīng)網(wǎng)絡(luò)的期望輸出與實(shí)際輸出的均方誤差作為適應(yīng)度函數(shù)。

步驟4選擇最優(yōu)的適應(yīng)度函數(shù)結(jié)果及其對(duì)應(yīng)的個(gè)體位置，更新最優(yōu)位置，并更新最優(yōu)適應(yīng)度值。

步驟5重復(fù)步驟2～4，直至滿足設(shè)定精度或達(dá)到最大迭代次數(shù)，輸出最優(yōu)結(jié)果。

2 結(jié)果與分析

2.1 改進(jìn)螢火蟲(chóng)算法性能測(cè)試

為驗(yàn)證改進(jìn)螢火蟲(chóng)算法的有效性，對(duì)改進(jìn)策略進(jìn)行性能測(cè)試，并選用常用的5個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)以確保測(cè)試的合理性，測(cè)試函數(shù)如表1所示。同時(shí)選取3種典型算法：粒子群算法（particle swarm optimization，PSO）［30］；果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）［31］；蝙蝠算法（bat algorithm，BA）［32］。采用3種經(jīng)典的優(yōu)化求解算法作為對(duì)比算法，在精度和運(yùn)行時(shí)間方面進(jìn)行對(duì)比測(cè)試。測(cè)試環(huán)境：CPU為AMD Ryzen 53500u 2.10 GHz；內(nèi)存16 GB；512 GB三星固態(tài)硬盤(pán)；測(cè)試軟件為MATLAB2017b。

表1 測(cè)試函數(shù)Tab.1 Test functions

為確保測(cè)試的公平性，統(tǒng)一根據(jù)文獻(xiàn)［33］設(shè)置IFA和FA算法的初始參數(shù)：吸收系數(shù)γ=1，初始步長(zhǎng)α=0.5，初始吸引度β0=1。所有算法的種群規(guī)模為20，最大迭代次數(shù)為200次，分別對(duì)每種算法進(jìn)行50次測(cè)試，記錄所得的最優(yōu)值和算法運(yùn)行時(shí)間，并對(duì)運(yùn)行時(shí)間求平均值。不同算法迭代曲線如圖4所示，仿真測(cè)試數(shù)據(jù)如表2～3所示。

表2 不同算法最優(yōu)值對(duì)比Tab.2 Comparisons of optimal values of different algorithms

圖4 不同算法迭代曲線Fig.4 Iterative curves of different algorithms

由表2可以看出，IFA在收斂精度上較其他算法更加優(yōu)異，說(shuō)明本文所提出的IFA算法相對(duì)于其他算法在解決最優(yōu)化問(wèn)題上具有更強(qiáng)的優(yōu)勢(shì)。這是由于本文所提出的算法在迭代初期具有較大的搜索范圍，避免了算法早熟，而在后期擁有較小的步長(zhǎng)，使算法具備更優(yōu)秀的局部搜索能力。同時(shí)，本文算法通過(guò)添加局部精細(xì)搜索，進(jìn)一步增加了算法跳出局部最優(yōu)的能力。由表3可知，本文算法在時(shí)間消耗上基本近似于標(biāo)準(zhǔn)螢火蟲(chóng)算法，平均耗時(shí)位居第三，說(shuō)明本文提出的IFA算法在耗時(shí)上具有一定的競(jìng)爭(zhēng)力。

表3 不同算法平均耗時(shí)對(duì)比Tab.3 Comparisons of average time consumptions

綜上，IFA算法在運(yùn)算精度和運(yùn)算速度方面均取得了較好的結(jié)果，說(shuō)明用本文提出的算法解決最優(yōu)化問(wèn)題具有一定的應(yīng)用潛力。

2.2 基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的煤巖性狀識(shí)別

2.2.1 煤巖性狀識(shí)別模型化分析

在采煤機(jī)截割煤巖過(guò)程中，其截割電流、截割轉(zhuǎn)速、牽引速度和搖臂調(diào)高液壓缸阻力都會(huì)受到煤巖性狀的影響［34］。

將截割電流、截割轉(zhuǎn)速等因素看作煤巖性狀識(shí)別的特征空間，設(shè)為X，X={x1，x2，…，xn}，n ∈R為特征空間的維度。分類結(jié)果可構(gòu)成分類空間，設(shè)為Y，Y={y1，y2，…，ym}，m∈R為分類空間的維度。建立從特征空間X到分類空間Y的映射關(guān)系，即

將截割電流、牽引電流和搖臂調(diào)高液壓缸阻力作為采煤機(jī)截割系統(tǒng)的標(biāo)準(zhǔn)輸出量，便于實(shí)時(shí)獲取和分析。因此，本文選用的特征空間維度為3，采用x1，x2，x3分別表示截割電流、牽引電流和搖臂調(diào)高液壓缸阻力。

此外，根據(jù)煤層地質(zhì)條件，設(shè)置輸出空間維度為5，煤巖性狀分類標(biāo)號(hào)如表4所示。

表4 煤巖性狀分類標(biāo)號(hào)Tab.4 Definitions of coal and rock properties

隨著采煤機(jī)截割工作的推進(jìn)，若煤巖硬度增加，則截割電流、牽引電流、搖臂調(diào)高液壓缸阻力增加，反之則減少，故根據(jù)以上3個(gè)變量反映煤巖硬度的變化情況。而截割電流、牽引電流、搖臂調(diào)高液壓缸阻力和煤巖硬度的對(duì)應(yīng)關(guān)系為典型的黑箱問(wèn)題，可以通過(guò)輸入輸出特點(diǎn)了解該系統(tǒng)規(guī)律，而不涉及系統(tǒng)內(nèi)部的結(jié)構(gòu)和相互關(guān)系。

因此，本文通過(guò)建立截割電流、牽引電流、搖臂調(diào)高液壓缸阻力和煤巖性狀的關(guān)系，采用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)采煤機(jī)當(dāng)前截割煤巖的性狀進(jìn)行估計(jì)。

2.2.2 RBF神經(jīng)網(wǎng)絡(luò)的螢火蟲(chóng)優(yōu)化模型

由于煤巖性狀估計(jì)模型采用截割電流、牽引電流、搖臂調(diào)高液壓缸阻力3個(gè)信息源作為輸入，故輸入層節(jié)點(diǎn)數(shù)為3。輸出層由實(shí)際的煤巖性狀分級(jí)確定，試驗(yàn)中設(shè)置5種煤巖性狀分級(jí)，故輸出層節(jié)點(diǎn)為5，隱含層節(jié)點(diǎn)數(shù)由MATLAB中newrb函數(shù)自動(dòng)生成。煤巖性狀識(shí)別的RBF神經(jīng)網(wǎng)絡(luò)模型如圖5所示。

圖5 煤巖性狀識(shí)別的RBF神經(jīng)網(wǎng)絡(luò)模型Fig.5 RBF neural network model for recognition of coal and rock properties

根據(jù)建立的RBF神經(jīng)網(wǎng)絡(luò)模型，隱含層選用如式（1）所示的徑向基函數(shù)，其中需要優(yōu)化的參數(shù)空間設(shè)為σ=｛σ1，σ2，σ3｝，利用螢火蟲(chóng)算法對(duì)其進(jìn)行迭代，得出合適的σ值。

螢火蟲(chóng)算法的適應(yīng)度函數(shù)為RBF神經(jīng)網(wǎng)絡(luò)的輸出y與樣本y～的均方差，定義為

改進(jìn)螢火蟲(chóng)算法的目的是求σ對(duì)應(yīng)度函數(shù)g（σ）的最優(yōu)值，其中g(shù)（σ）為優(yōu)化問(wèn)題的目標(biāo)函數(shù)，求解過(guò)程見(jiàn)1.2節(jié)。

3 試驗(yàn)驗(yàn)證與結(jié)果分析

本文以河南大有能源股份有限公司耿村煤礦綜采12150工作面實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，開(kāi)展驗(yàn)證試驗(yàn)。綜采12150工作面開(kāi)切巷長(zhǎng)250 m，煤層平均厚8.7 m，采用放頂煤開(kāi)采，煤層屬中硬煤層，1.5＜f＜3.0，硬度分布不均勻，夾矸較多，113～137號(hào)架間存在不均勻斷層，適合作為本文所述煤巖性狀識(shí)別試驗(yàn)對(duì)象。

該工作面配置MG400/930WD型電牽引采煤機(jī)，可在截割過(guò)程中實(shí)時(shí)監(jiān)測(cè)并采集截割電流、牽引電流及搖臂調(diào)高液壓缸阻力等數(shù)據(jù)，如圖6所示。

圖6 數(shù)據(jù)監(jiān)測(cè)與采集Fig.6 Data monitoring and collecting

根據(jù)實(shí)際情況定義5種不同的煤巖性狀分類，標(biāo)號(hào)為y1～y5，并將其與煤巖性狀對(duì)應(yīng)構(gòu)成數(shù)據(jù)對(duì)，如表4所示。由于條件限制，共采集數(shù)據(jù)對(duì)500個(gè)，進(jìn)行100次仿真，每次抽取450個(gè)數(shù)據(jù)對(duì)對(duì)作為訓(xùn)練樣本，50個(gè)作為測(cè)試樣本，進(jìn)行煤巖性狀識(shí)別，其中第10次和第87次仿真結(jié)果如圖7所示。100次仿真中，正確識(shí)別點(diǎn)4 697個(gè)，錯(cuò)誤識(shí)別點(diǎn)303個(gè)，總體識(shí)別準(zhǔn)確率為93.94%。

圖7 煤巖性狀識(shí)別仿真結(jié)果Fig.7 Simulation results of coal and rock properties recognition

4 結(jié) 語(yǔ)

在智能化采煤工作面中，采煤機(jī)準(zhǔn)確識(shí)別當(dāng)前所截割的煤巖性狀是實(shí)現(xiàn)其智能控制的前提和關(guān)鍵。本文根據(jù)采煤機(jī)截割電流、牽引電流和搖臂調(diào)高液壓缸阻力的變化，采用改進(jìn)的螢火蟲(chóng)算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度進(jìn)行優(yōu)化，利用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)采煤機(jī)當(dāng)前截割的煤巖性狀進(jìn)行識(shí)別，并對(duì)煤巖性狀識(shí)別模型進(jìn)行仿真。仿真結(jié)果顯示，采用該模型對(duì)煤巖性狀進(jìn)行識(shí)別的準(zhǔn)確率為93.94%，識(shí)別準(zhǔn)確率較高，具有較好的工程應(yīng)用潛力。