阅读说明：本技术 一种基于触觉的煤岩识别方法 (Coal rock identification method based on touch sense ) 是由 刘丹丹 汤春瑞 于 2018-07-31 设计创作，主要内容包括：本发明目的在于提供一种基于触觉的煤岩识别方法,解决实际应用中由于煤层的复杂及操作者的经验差异导致了采煤机机经常处于欠载、偶尔过载的状态下,不能发挥其应用的效能的问题。本发明实现发明目的采用的技术方案是：从采煤机电控系统中采集截割电机工作电流和牵引变频器输出等数据,采用相关函数分析方法分析磁流变触觉、视觉、采集截割电机工作电流和牵引变频器输出等数据与采煤机的运行工况的关系,通过相关函数分析与计算得到相关系数值。从各类数据抽取的反映电能质量扰动的特征信息可分类,综合识别是一种高层次融合,运用D-S证据推理理论处理不确定性问题的能力,对前述步骤提供的时域、频域和关联扰动识别结果进行联合处理,最后,依照各命题的可信度和似真度等指标,通过它的组合规则进一步优化识别结果,做出采煤机截割电机的载荷煤岩的最终识别。(The invention aims to provide a coal rock identification method based on touch, which solves the problem that in practical application, due to the complexity of a coal bed and the experience difference of operators, a coal mining machine is often in an underload and occasional overload state and cannot exert the application efficiency. The invention adopts the technical scheme that the purpose of the invention is realized by: collecting data such as cutting motor working current and traction frequency converter output from a coal mining machine electric control system, analyzing magneto-rheological touch and vision by adopting a correlation function analysis method, collecting the relation between the data such as cutting motor working current and traction frequency converter output and the operation working condition of the coal mining machine, and obtaining a correlation coefficient value through correlation function analysis and calculation. The characteristic information which is extracted from various data and reflects the power quality disturbance can be classified, the comprehensive identification is high-level fusion, the capability of processing the uncertainty problem by using a D-S evidence reasoning theory is utilized, the time domain, the frequency domain and the associated disturbance identification result provided by the steps are jointly processed, and finally, the identification result is further optimized through the combination rule according to the indexes such as the credibility, the plausibility and the like of various propositions, so that the final identification of the load coal rock of the cutting motor of the coal mining machine is made.)

一种基于触觉的煤岩识别方法

技术领域

本发明涉及一种基于触觉的煤岩识别方法，属于煤矿安全技术领域。

技术背景

采煤机的功率由几十千瓦到目前的两千多千瓦。其工作效率的提高日益受到重视。但目前大部分采煤机都运行在保守工况下，其主要原因之一是至今为止还没有一种准确可靠的采煤机恒功率运行方法，这就不得不牺牲其经济性而保守运行，以避免截割电机和牵引变频器等关键单元事故的发生。多年来研究人员多采用截割电机工作电流，牵引电机速度等参量来实现采煤机恒功率控制。这些方法都是根据各自传感器信息与采煤机截割电机功率的对应关系，间接地反映采煤机截割电机功率的变化。但由于采煤机工作情况复杂，不确定因素多，使得以上基于单一传感器信息的采煤机恒功率控制方法均存在精度低、稳定性差、适用范围窄以及难以长期使用等问题。

发明内容

本发明目的在于提供一种基于触觉的煤岩识别方法，解决电动机功率需进行自动控制，减少电动机的过载或欠载问题。本发明实现发明目的采用的技术方案是：

针对采煤机电机负载含有较高频率的波动时，选择合适的多分辨率工具实现触觉再现操控信息及视觉操控信息的滤波，提出将采煤机电机的负荷分为脉动区和非脉动区的阈值选取依据及相应的操控信息融合策略。有效地利用了操作者手部触觉的分辨力及反应速度，有效调整采煤机输出功率，提高采煤机的工作稳定性，降低采煤机电机的负荷在欠载点或超载点附近连续脉动等烧毁电机或损坏截割部齿轮的发生几率。

1. 数据采集和预处理

数据采集和预处理主要完成原始数据的筛选、检错和校核、数据格式转换、归一化处理等初步的数据处理，是直接在采集到的原始数据层上进行融合。从采煤机电控系统中采集截割电机工作电流和牵引变频器输出等数据（例如，历史数据、统计数据和波形文件）未经预处理之前就进行数据的综合和分析，利用小波变换对信号进行去噪声处理，利用来自不同信息源的、反映同一目标的信息具有相似特征，来判断这些特征不完全相同的数据的真伪，去伪存真，弥补有些信息的不真实性、不确切性。

2. 特征提取和局部识别

特征提取和局部识别属于中间层次，除完成数据的状态估计外，更主要是对来自不同数据源的原始信息，利用多分辨率分析工具和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，并对特征信息进行综合分析和处理，建立反映采煤机电机的负荷特征的3 个特征向量，将3 个特征向量分别输入到3 个概率神经网络，实现扰动的局部识别。采用小波多分辨率分解将畸变波形转换到不同的频率区域，提取反映各种扰动特征的信号能量；采用相关函数分析方法分析磁流变触觉、视觉、采集截割电机工作电流和牵引变频器输出等数据与采煤机的运行工况的关系，通过相关函数分析与计算得到相关系数值。

这样，从各类数据抽取的反映电能质量扰动的特征信息可分为三类：

① 触觉操控，视觉输出数据；

② 采集截割电机工作电流、牵引变频器输出等数据利用小波包变换提取不同频带内的能量值；

③ 3 种关联特征（采煤机电机的负荷脉动与牵引速度的相关系数，采煤机电机的负荷脉动与触觉操控信息的相关系数，采煤机电机的负荷脉动与视觉操控的相关系数）。针对以上 3 类扰动特征，采用 3 个并列的三层概率神经网络，构成特征融合级神经网络。神经网络的输入与 3 个特征向量对应，输出与采煤机电机的负荷种类对应，即脉动区，非脉动区。

3.综合识别

每个识别网络的能力是不同的，因此每个网络存在一个可靠性系数即证据的折扣。综合识别是一种高层次融合，运用D-S 证据推理理论处理不确定性问题的能力，对前述步骤提供的时域、频域和关联扰动识别结果进行联合处理，对m个传感器得到的m个证据对命题进行基本可信度分配计算，然后用Dempster组合规则得到新的基本可信度分配，当传感器信息不断更新时，这种对基本可信度组合不断进行，最后，依照各命题的可信度和似真度等指标，通过它的组合规则进一步优化识别结果，做出采煤机截割电机的载荷最终识别。

下面结合附图和实例对本发明做进一步详细的说明。

附图说明

图1一种基于触觉的煤岩识别方法框图；

图2具有单隐层的BP神经网络。

具体实施方式

本发明提供的一种基于触觉的煤岩识别方法框图如图1所示，包括如下步骤：

步骤1、数据采集和预处理

数据采集和预处理主要完成原始数据的筛选、检错和校核、数据格式转换、归一化处理等初步的数据处理，是直接在采集到的原始数据层上进行融合。从采煤机电控系统中采集截割电机工作电流和牵引变频器输出等数据（例如，历史数据、统计数据和波形文件）未经预处理之前就进行数据的综合和分析，利用小波变换对信号进行去噪声处理，利用来自不同信息源的、反映同一目标的信息具有相似特征，来判断这些特征不完全相同的数据的真伪，去伪存真，弥补有些信息的不真实性、不确切性。

步骤2、特征提取和局部识别

特征提取和局部识别属于中间层次，除完成数据的状态估计外，更主要是对来自不同数据源的原始信息，利用多分辨率分析工具和相关函数分析相结合的方法提取扰动数据的时域、频域和关联特征，并对特征信息进行综合分析和处理，建立反映采煤机电机的负荷特征的3 个特征向量，将3 个特征向量分别输入到3 个概率神经网络，实现扰动的局部识别。采用小波多分辨率分解将畸变波形转换到不同的频率区域，提取反映各种扰动特征的信号能量；采用相关函数分析方法分析磁流变触觉、视觉、采集截割电机工作电流和牵引变频器输出等数据与采煤机的运行工况的关系，通过相关函数分析与计算得到相关系数值。

这样，从各类数据抽取的反映电能质量扰动的特征信息可分为三类：

① 触觉操控，视觉输出数据；

② 采集截割电机工作电流、牵引变频器输出等数据利用小波包变换提取不同频带内的能量值；

③ 3 种关联特征（采煤机电机的负荷脉动与牵引速度的相关系数，采煤机电机的负荷脉动与触觉操控信息的相关系数，采煤机电机的负荷脉动与视觉觉操控的相关系数）。针对以上 3 类扰动特征，采用 3 个并列的三层概率神经网络，构成特征融合级神经网络。神经网络的输入与 3 个特征向量对应，输出与采煤机电机的负荷种类对应，即脉动区，非脉动区。神经网络的结构图如图2所示。设定训练误差为0. 01，最大训练步数为5000，训练函数选取占用储存空间较小、适用于模式分类的traingdx函数。

步骤3、综合识别

每个识别网络的能力是不同的，因此每个网络存在一个可靠性系数即证据的折扣。综合识别是一种高层次融合，运用D-S 证据推理理论处理不确定性问题的能力，对前述步骤提供的时域、频域和关联扰动识别结果进行联合处理，对m个传感器得到的m个证据对命题进行基本可信度分配计算，然后用Dempster组合规则得到新的基本可信度分配，当传感器信息不断更新时，这种对基本可信度组合不断进行，最后，依照各命题的可信度和似真度等指标，通过它的组合规则进一步优化识别结果，做出采煤机截割电机的载荷煤岩的最终识别。

此外，在具体应用的工作面实施的时候，可以通过采煤机司机示教的方式建立训练样本，以便取得更好的识别率。具体为：采煤机司机在跟随采煤机截割行进过程中，依据磁流变触觉手柄在截割煤及岩的时候不同的触觉反应，依据截割经验判断该截割部位的煤岩状况，并将结果作为识别系统的训练样本记录。