基于粗糙徑向基神經網絡的刮板輸送機負載預測方法研究

郭 剛，汪海濤，高曉成，閆尚彬，黃曉俊

(1.中煤陜西榆林能源化工有限公司，陜西 榆林 719000；2.中煤能源研究院有限責任公司，陜西 西安 710001；3.西安科技大學 通信與信息工程學院，陜西 西安 710054)

煤礦智能化是煤炭工業高質量發展的核心技術支撐，是煤炭工業技術革命和升級發展的必然方向[1-3]。國家能源局、國家礦山安全監察局等部門印發的《煤礦智能化建設指南(2021年版)》中明確指出智能采煤系統的重要性和必要性。綜采智能化作為煤礦智能化的關鍵技術之一，它的實現將會極大促進煤礦智能化的發展，使得煤礦產業能夠達到減員、增安、提質、創效的生產運作方式[4-6]。

刮板輸送機短期負荷預測是綜采工作面采煤機和刮板輸送機協同控制的基礎[7]。工作面生產過程中，刮板輸送機的負荷變化一方面受綜采工藝的影響，刮板輸送機上的煤流量規律性的周期變化；另一方面受工作面環境、電氣故障等許多非負荷因素的影響[8]。近年來，學者和專家在負載預測方面進行了大量的研究，取得了一定的成果。Dolipski M[9]提出一種非均勻負載情況下的刮板輸送機動態模型，利用該模型研究了負載不均勻時的電機轉差率；Murphy C J[10]分析了輸送機動態負載特性，提出了追蹤輸送機負載變化的方法；Sikora W[11]在研究刮板輸送機雙電機驅動裝置功率時，對刮板輸送機的傳動裝置負荷不均勻性進行了分析；毛君[12]分析了刮板輸送機整機隨機載煤量及采煤機運行不同位置時，刮板輸送機鏈條張力、鏈條速度、驅動鏈輪轉矩的變化情況，建立了負載阻力數學模型及整機AME -Sim仿真模型，得到了刮板輸送機正常運行時影響整機工作效率的因素；石勇[13]基于采集的采煤機負載數據，通過建立的BP神經網絡預測出單位時間內落煤量最大的設置參數，實現了采煤機的智能控制；Durucan S，et al[14]建立了刮板輸送機載煤量變化計算模型，通過分析負載與電機電流的映射關系，提出了基于BP神經網絡的刮板輸送機負載預測模型；謝苗[15]在分析刮板輸送機載煤量變化規律的基礎上，通過動態預測了刮板輸送機負載電流變化。上述研究一定程度上實現了刮板輸送機負載的預測，但未考慮非結構化綜采工作面環境下，影響刮板輸送機負載預測因素的不確定性和耦合特性，以及刮板輸送機負載電流受井下電氣系統影響而無法真實反映刮板輸送機負載變化的情況。此外，刮板輸送機電流負載波動較大，該電流輸入會增加神經網絡的訓練誤差，損失泛化能力，而且上述神經網絡預測模型不能直接反映電流的波動。

針對上述問題，本研究提出基于粗糙徑向基神經網絡的刮板輸送機負載預測方法。該模型首先分析刮板輸送機電機電流與負載之間的對應關系，提出去除電流干擾成分的方法；然后針對刮板輸送機負載電流波動大導致的神經網絡預測模型訓練誤差增大、預測精度低的問題，引入表征負載變化波動的上下輸入粗糙神經元，提出一種粗糙徑向基神經網絡(RRBFNN)模型；最后基于粗糙徑向基神經網絡建立刮板輸送機短期負載預測模型。本文的研究對刮板輸送機智能化，促進綜采工作面智能化發展具有重要意義。

1 刮板輸送機負載電流去噪方法

綜采工作面運行環境復雜，刮板輸送機負載波動大，難以直接準確測量[16]。因此，如何準確的獲取刮板輸送機的負載對綜采工作面采運系統的智能控制至關重要。刮板輸送機電機電流與其負載扭矩存在如下關系[17]：

式中，Tc是刮板輸送機負載轉矩，N·m；np為電機極對數；Irβ、Isα分別為電流在α軸和β軸上的電流分量，A；Ψrα、Ψrβ分別為電機定子磁鏈在α軸和β軸上的分量；Tf為刮板輸輸送機的摩擦力矩，N·m。

式(1)表明刮板輸送機負載可用其電流反映，然而，電機電氣故障會對刮板輸送機三相電流造成影響，導致實際采集的電機電流不僅包含真實刮板輸送機負載信息，還包含煤礦井下電氣系統故障而耦合產生的偽負載信息，因此該電流無法直接的真實反映刮板輸送機負載變化[18]。刮板輸送機動系統中齒輪的嚙合頻率是該傳動系統的固有特性，其頻率不會受到電氣系統的影響，且頻率的幅值只受到其本身嚙合力大小的影響，幅值的變化只受負載大小的影響，所以本文探索性的提出基于刮板輸送機電流強化的負載表征方法，原理如圖1所示。刮板輸送機依靠三相電機提供動力，當負載變化時會引起減速箱中傳動齒輪嚙合力的變化，而嚙合力的變化會使得電流頻譜成分中齒輪嚙合頻率分量的幅值發生變化[19]。由于電流頻譜中的齒輪嚙合頻率不受電流變化的影響，將齒輪嚙合特征頻率作為負載估計的紐帶，避免了電氣系統引起電流的波動對刮板輸送機負載特征的干擾。

圖1 基于電流強化的刮板輸送機負載映射方法Fig.1 Load mapping method of scraper conveyor based on current intensification

刮板輸送機減速箱的傳動系統是多級齒輪傳動組成的，這些齒輪分布在不同空間當中，而且嚙合頻率不同。鑒于此，對實際工程中采集到的含有50 Hz工頻干擾的電流數據進行去工頻干擾，即電流強化。本文采用小波包[20]實現對電流信號的多尺度分解，抑制工頻頻段，最終實現工頻的消除。在小波包分解中φ(x)與ψ(x)分別為正交尺度函數、小波函數，那么由小波包多尺度分解進一步可得出：

式中，hk、gk為共軛濾波器，用于多尺度分析。

令μ0=φ(x)，μ1=ψ(x)，則能夠得到：

于是相對于正交尺度函數φ(x)的正交小波包為函數簇為{μn(x)|n∈Z+}。通過對刮板輸送機負載電流進行強化，得到真實的刮板輸送機電流，將其作為描述綜采工作面采運系統中刮板輸送機負載變化的特征參數，用于建立采運系統協同控制模

2 基于粗糙徑向基神經網絡的刮板輸送機負載預測模型

2.1 傳統徑向基神經網絡

徑向基神經網絡RBFNN是一種典型的三層前饋神經網絡，包括輸入層、隱含層和輸出層。輸入層由若干感知單元組成，一般對網絡的輸入信息不進行任何轉換；第二層是隱含層，隱含層實現了從輸入空間到隱含層空間的映射，隱含層采用徑向基函數作為激勵函數，該徑向基函數一般為高斯函數。輸出層一般是線性的，其作用是響應輸入層的激活模式，實現網絡的輸出。

RBF神經網絡中隱節點的激活函數為徑向基函數，最常用的徑向基函數為高斯函數：

式中，x=(x1，x2，…，xn)T為神經網絡的n維輸入向量；ci為第i個隱含層節點的數據中心，i=1，2，…，h；δi是第i個徑向基函數的分布方差。

RBF神經網絡第k個神經元的輸出為：

式中，yk為第k個輸出神經元；m為輸出神經元的個數；ωik為第i個隱含層神經元與第k個輸出神經元之間的連接權值；確定合適的RBF神經網絡的關鍵是確定基函數的中心ci、分布常數σi和連接權值wik。

2.2 改進的粗糙徑向基神經網絡模型

綜采工作面生產過程中，刮板輸送機負載不但受煤流規律性變化的影響，還受工作面環境等許多偶發因素的影響。此外，刮板輸送機受沖擊負載的影響，電流數據波動大。傳統的徑向基神經網絡由于結構簡單，逼近的能力強，在負荷預測領域得到了廣泛的應用。然而，刮板輸送機短期負荷具有非線性和非平穩特性，較大的輸入波動增加了徑向基神經網絡的訓練誤差，降低了其泛化能力，導致刮板輸送機的負載預測效果很差。因此，針對傳統徑向基神經網絡對于短時波動性較大的電流輸入無法建立準確預測模型問題，本研究在傳統徑向基神經網絡的基礎上引入粗糙神經元，來解決大波動刮板輸送機電流情況下的負載預測問題。

傳統RBF神經網絡預測模型的輸入為單值。輸入層的每個神經元只能反映某一時間點的刮板輸送機負載數據，不能反映實際負載的波動信息。如果利用RBF神經網絡對波動信息進行精確逼近，容易產生過訓練和過擬合網絡，造成預測精度不足。為了在神經網絡模型中直接反映刮板輸送機負載的波動，提高泛化能力，防止過擬合，加快訓練速度，本研究在RBF神經網絡中引入粗糙神經元。即在RBF神經網絡輸入層和隱含層的每個神經元分別連接高、低值兩個輸入，采用耦合輸入值反映負荷波動信息，來構建基于粗糙PBF神經網絡的刮板輸送機負載預測模型。

2.2.1 粗糙神經元

圖2 粗糙神經元結構Fig.2 Rough neuron structure

2.2.2 粗糙徑向基神經網絡模型構建

本研究提出的RRBFNN結構，如圖3所示。

圖3 粗糙徑向基神經網絡結構Fig.3 Rough radial basis function neural network structure

該粗糙徑向基神經網絡的輸入層和隱含層均為粗糙結構，神經網絡的輸入由原來的單值變為區間雙值，它能夠很好的反映刮板輸送機電流在一段時間內的波動。為方便闡述RRBFNN模型結構，假設粗糙神經網絡的輸入層有n個粗糙神經元，前饋方程定義如下：

2.2.3 基于RRBFNN的刮板輸送機負載預測模型構建

圖4 基于RRBFNN綜采工作面刮板輸送機負載預測模型Fig.4 Load prediction model of scraper conveyor in fully mechanized mining face based on RRBFNN

基于RRBFNN刮板輸送機負載預測模型的具體構建過程如下，離線模型訓練階段：

1)采集刮板輸送機電機電流監測歷史數據，并根據電流強化算法對數據進行預處理，建立訓練樣本數據集。

2)采用一定長度的滑動窗口對全部訓練樣本數據進行截取，并將全部子序列組建為訓練樣本集Xtrain。

3)采用構建好的數據集對RRBFNN進行有監督訓練，并用梯度下降的方法對模型的參數進行調整，直至訓練完成，獲得訓練好的RRBFNN負載電流預測模型。其訓練過程的損失函數定義為：

當刮板輸送機負載預測準確時，Tc=1，并且m+=0.9，m-=0.1，λ=0.5。

3 基于RRBFNN的刮板輸送機負載預測方法驗證

3.1 數據采集

本研究選取某礦52605綜采工作面刮板輸送機的真實電流數據為數據樣本，以第一到三天19∶00—23∶59的刮板輸送機電流為輸入，第四天19∶00—23∶59刮板輸送機的電流為輸出，通過數據補齊和異常數據剔除建立數據集，見表1，基于該數據集構建刮板輸送機負載RRBFNN預測模型。

表1 52605綜采工作面刮板輸送機電流數據集 (A)

從數據庫中提取10000組刮板輸送機電機的電流數據作為于RRBFNN的刮板輸送機負載預測方法訓練數據和驗證數據。為消除特征之間的量綱影響，對試驗樣本數據進行最小-最大規范化處理，保留原來數據中存在的關系，將各特征值分別映射到[0，1]之間，達到規范化的目的。然后將整個樣本數據集分成70%的訓練集和30%的測試集。

3.2 刮板輸送機負載電流信號去噪處理

為消除包含電氣特性電流對真實負載的影響，對電流數據進行強化處理。小波包分解層數意味著對信號頻率劃分的精細程度，而不同的分解層數，對工頻消除的結果也不一樣。為了對比出效果最佳的分解層數，本文使用db6小波基對信號繼續進行5層與6層分解并消除工頻，然后對三種不同分解層數進行對比。原始信號頻譜與消除工頻信號的頻譜如圖5所示。

圖5 原始信號頻譜與消除工頻信號的頻譜Fig.5 Spectrum diagram of original current signal and suppressed power frequency signal

可以看出在分解5層的頻譜中，其低頻處的特征不明顯，很多特征頻率丟失，效果明顯很差。在分解6層的頻譜中，低頻處的特征有所增強，但依舊存在遺漏的情況。在分解7層的頻譜中，信號特征比較明顯，低頻頻率特征增強了很多。對比三種情況，三種不同分解層數消除工頻的信號頻譜包含的特征頻率數目情況可知，分解7層時效果最佳。

3.3 結果分析

采用本文提出的基于RRBFNN的刮板輸送機負載預測方法訓練得到刮板輸送機負載預測模型，確定刮板輸送機負載電流預測模型中，RRBF神經網絡的主要參數如下：輸入序列長度I=10，輸出長度O=1，隱層神經元數為50，學習速率η=0.3，動量因子α=0.1。預測刮板輸送機的負載電流，并將本研究提出的方法與傳統的徑向基神經網RBF算法和長短期記憶神經網絡LSTM算法的負載電流預測結果對比，刮板輸送機機頭和機尾電機負載電流預測結果如圖6所示。

圖6 刮板輸送機機尾電機負載預測曲線Fig.6 Load prediction curve of head and tail motor of scraper conveyor

將兩種算法預測結果決定系數匯總成表2。由表2可知，RRBFNN算法相較于傳統RBFNN算法，平均絕對誤差、平均絕對百分誤差和均方根誤差分別降低了26.22%，25.39%和14.72%。表明RRBFNN算法的預測誤差比傳統RBFNN算法的預測誤差小很多。

表2 不同算法預測結果比較Table 2 Comparison of prediction results of different algorithms

兩種算法所對應的刮板輸送機負載電流的預測值和真實值R-Squared值及其關系分別如圖7、圖8所示，其中R-Squared值越高，預測結果越準確。結果表明，通過采用本文提出的粗糙徑向基神經網絡算法對刮板輸送機負載電流的預測R-Squared值為0.94925，傳統徑向基神經網絡算法對刮板輸送機負載電流的預測R-Squared值為0.78519。本研究提出的RRBFNN預測模型比傳統RBF神經網絡預測精度提高了0.164，總體來看所提出的RRBFNN預測模型比傳統RBF神經網絡更有效，更適用于綜采工作面刮板輸送機負載的預測。

圖7 RRBFNN預測結果決定系數Fig.7 RRBFNN prediction result determination coefficient

圖8 傳統RBFNN預測結果決定系數Fig.8 Determinant coefficient of traditional RBFNN prediction results

4 結 論

1)RRBFNN模型是一種改進的RBFNN，將傳統RBF神經網絡的神經元改進為粗糙神經元，輸入由單值變為區間值，有效的刻畫了負載電流的波動特性。

2)RRBFNN模型更適合提取刮板輸送機短期負載中的非線性信息，較傳統的RBFNN模型有更好的預測性能，能有效實現刮板輸送機的負載預測。

3)本文提出的RRBFNN刮板輸送機短期負載預測模型，對刮板輸送機機頭、機尾電機電流預測的絕對誤差的平均值分別10.24 A和13.88 A，比傳統RBF模型的平均絕對誤差、平均絕對百分誤差和均方根誤差分別降低26.22%，25.39%和14.72%。