模糊神经网络信息融合的分析.docVIP

模糊神经网络信息融合的分析 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。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]。 2ANFIS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。 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。 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。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