0.   引言

地下铝土矿开采环境与煤矿相似^[1]，借鉴煤矿开采经验，在地下铝土矿中引进综采成套机械设备，是铝土矿高效、安全开采的一条新出路^[2]。大部分地下铝土矿的工作面地质赋存条件与煤矿相似，矿体与岩层交界崎岖，直接顶与直接底为岩石，将采矿机应用于地下铝土矿生产时，采矿机滚筒可能因割顶底板的岩类负载，致使滚筒截齿磨损加速，机械损耗增加。在地下开采过程中，工作人员根据经验判断截割负载类型，并通过手持遥控装置或端子调节采矿机滚筒高度，但受限于开采现场的恶劣环境，工作人员的判断往往会出现一定的误差和滞后性。在开采智能化趋势下，采矿机智能化是其中的重要环节，而准确、智能地识别截割负载是实现采矿机智能化的关键技术。

目前，以振动信号为参考的截割负载类型识别方式被广泛应用^[3]，其识别过程主要包括信号特征提取和模式分类2个部分，其中有效的信号特征提取是截割负载类型识别的基础。采矿机实际运行工况复杂，获得的振动信号具有时域非线性的随机非平稳特征。目前，傅里叶变换、小波变换等时频特征提取方法应用场景广泛。但传统的傅里叶变换不能反映信号在时域上的突变趋势，无法适用于非平稳信号的分解；小波变换在分析信号的高频部分时分辨率较低，易丢失信号的有效特征信息。小波包分解广泛用于处理非平稳信号，信号的有效信息保留全面、分辨率高。郭伟超等^[4]利用小波包分解得到表征信号特征的能量谱作为特征向量，并利用主成分分析（Principal Component Analysis，PCA）方法降低特征向量维度，以提取出区分故障类型的有效特征。

在模式分类方面，BP神经网络（Back Propagation Neural Network，BPNN）具备非线性映射、自学习和自适应等能力，但在BPNN训练过程中，算法受反向传播影响，易陷入局部最优解，同时，网络初始化时的权值、阈值选取会直接影响网络收敛速度。麻雀搜索算法（Sparrow Search Algorithm，SSA）是于2020年提出的一种群智能优化算法，通过模拟麻雀的集体觅食行为，优化群体活动以找到全局最优解。孙全等^[5]引入SSA对BPNN的初始权值、阈值进行优化，提高了神经网络的训练精度和收敛速度。

因此，本文将小波包分解与SSA−BPNN相结合，基于振动信号对地下铝土矿截割负载类型进行识别。利用小波包分解提取采矿机滚筒空载、截割铝土、截割岩石时的振动信号能量特征，并对特征向量进行降维处理；将特征向量输入至SSA−BPNN，以实现截割负载的分类。

1.   基于小波包分解的信号特征提取

1.1   小波包分解

小波包分解能对小波分解中未分解的高频信号进一步分解到各个频段上，并根据样本数据的特征，自适应选取频段以匹配信号的频谱特征，保留了数据中完整的有效特征^[6]。

1.2   特征向量计算

将振动信号x(t)进行n层小波包分解后，得到2ⁿ个子频带，则第i（$ i=\mathrm{0,1},\cdots ,{2}^{n}-1 $）个子频带的能量为

式中$ {f}_{i}\left(m\right) $为x(t)分解后第i个子频带中第m（$m=0, 1,\cdots ,N-1，N\mathrm{为}\mathrm{采}\mathrm{样}\mathrm{点}\mathrm{数}$）个离散采样点的幅值。

根据能量守恒定律，将提取的各子频带能量累加求和可得信号总能量${E}$，则各子频带能量在信号总能量的占比为

信号总能量与不同截割负载类型下信号最大能量$ {E}_{{{\rm{max}}}} $的比值为

则表征截割负载状态的2ⁿ+1维特征向量为^[7]

1.3   PCA降维

PCA常用于提取高维数据的有效信息及特征。当小波包分解层数过大时，特征向量维度过高，为降低高维数据的稀疏性，利用数据映射方法将高维度、线性相关的数据转换为低维度、线性无关的数据，通过计算数据主成分的累计贡献率，选取最能代表数据有效信息的主成分。

2.   SSA−BPNN

在麻雀群体的觅食过程中，麻雀个体分为发现者和加入者2种：发现者负责寻找食物的区域及方向；加入者根据发现者的位置实时调整自己的位置以寻获食物。麻雀种群中的个体在觅食过程中互相监视，加入者与摄入量较多的个体争夺食物。当群体捕食环境出现危险，预警值达到临界点，种群中出现预警者，麻雀种群会迅速反应并进行反捕食^[8-12]。

在模式分类过程中，为使BPNN更好、更快地收敛，将BPNN的1组权值、阈值作为麻雀个体，通过寻找麻雀个体的最佳适应度值求得权值、阈值的最优解，并赋值给BPNN。

3.   截割负载类型识别流程

基于小波包分解和SSA−BPNN的截割负载类型识别流程如图1所示，具体步骤如下。

图  1  基于小波包分解和SSA−BPNN的截割负载类型识别流程

Figure  1.  Cutting load type identification process based on wavelet packet decomposition and sparrow search algorithm optimized back propagation neural network

下载: 全尺寸图片 幻灯片

（1） 将多组振动信号划分为空载、铝土、岩石负载类型下的数据样本，对样本进行小波包分解后得到各子频带能量，并对其进行归一化得到特征向量，进而对特征向量进行降维处理，并将其作为BPNN的输入。

（2） 确定BPNN的拓扑结构。根据输入的特征向量维度和模式种类，设定BPNN输入层、隐含层、输出层的神经元个数。

（3） 参数初始化。确定SSA最大迭代次数、种群规模、发现者所占种群比例、预警值及预警者数量。

（4） 计算个体适应度值。用种群中的每个个体代表BPNN中的初始权值和阈值，利用适应度函数寻找较小的适应度值以寻找最优解。

（5） 更新麻雀位置。在迭代过程中，将适应度值较好的个体作为发现者；加入者根据发现者搜索到的食物范围进行移动并与发现者抢夺食物资源；预警者在种群中随机产生，比较麻雀个体当前的适应度值与当前全局最优适应度值，并实时更新发现者、加入者和预警者的位置。

（6） 比较位置更新后的个体适应度值，并与当前最优适应度值相比较，达到最大迭代次数后选择全局最优解^[13]。

（7） 利用最优解初始化BPNN并进行训练。

（8） 使用训练后的SSA−BPNN进行截割负载分类。

4.   试验验证

4.1   工程地质条件

贵州某铝土矿矿体赋存条件良好，矿层厚度变化大，主体矿层厚度为1.3～3.5 m，矿料坚固性系数变化范围大，铝土坚固性系数为2～5，岩石坚固性系数达6～8，地质赋存情况见表1。参照煤矿开采经验，该矿引入综合机械化开采技术，配备MG500/1170−AWD1采矿机。采矿机滚筒空载、截割铝土和岩石时产生的振动信号存在明显差异，因此，基于振动信号判断采矿机截割负载类型。

表  1  工作面地质赋存

Table  1.  Geological occurrence of working face

层位	岩性	岩性描述
基本顶	灰岩	灰色薄−中厚层状细晶灰岩，夹灰−深灰色薄−中厚层状含泥质灰岩和灰黑色薄层含生物碎屑泥灰岩，含线状、脉状灰白色方解石
直接顶	泥岩、泥质灰岩、 白云质灰岩	灰−深灰色薄中厚层状含泥质灰岩，夹杂生物碎屑灰岩，含线状灰白色方解石
伪顶	炭质泥岩、铝土岩	深灰色、黑色炭质泥岩，灰绿色致密铝土岩
矿体	铝土矿	灰白色、浅黄灰色碎屑状、豆状、半土状铝土矿，含少量星点状细粒黄铁矿
直接底	铝土岩、 铝土质泥岩	深灰绿色致密铝土岩、深灰−灰黑色薄−中厚层状含炭质泥，含团块状细−中粒黄铁矿
基本底	泥（页）岩	灰白色中厚层灰岩夹灰绿色薄层绿泥石岩、紫红色夹灰绿色薄层泥岩、浅紫红色片状薄层页岩

下载: 导出CSV 

| 显示表格

4.2   传感器及测点选择

由于生产环境中采矿机摇臂预留螺孔堵塞、生锈，利用转接板将传感器固定于采矿机的方法不便实施，所以在试验过程中选用便于安装拆卸的磁吸式方法安装传感器。采用1A314E型三向压电式加速度传感器，参数见表2（g为重力加速度）。

表  2  传感器参数

Table  2.  2 Sensor parameters

指标	值
轴向灵敏度/（mV·g−1）	100
工作温度/℃	−40～+120
冲击极限/g	2 000
频率范围/Hz	0.5～7 000

下载: 导出CSV 

| 显示表格

将磁吸式加速度传感器安装于摇臂传动系统的一轴、三轴、五轴、七轴处（图2），采样频率设置为10 kHz，对摇臂进行加载试验（图3），采集加载过程中的振动信号。摇臂加载试验过程中，通过调节电流大小改变扭矩，并逐渐增加扭矩完成加载过程，加载试验分为空载、加载50%、加载75%、满载4个阶段，各阶段内载荷恒定，每种工况下采集振动信号60 s。

图  2  测点布置

Figure  2.  Arrangement of measuring points

下载: 全尺寸图片 幻灯片

图  3  加载试验平台

Figure  3.  Loading test platform

下载: 全尺寸图片 幻灯片

选用均方根和峭度2个指标从时域特征上分析摇臂不同工况下的振动信号。均方根反映振动信号的振幅大小；峭度表征振动信号中冲击信号的多少，峭度值越偏离3，代表信号受冲击激励影响越大。各工况下，一轴、三轴、五轴、七轴处振动信号的均方根和峭度分别如图4、图5所示。由图4可知，一轴处振动信号的均方根随着负载的升高上升趋势最明显，表明一轴处传感器对负载的变化最为敏感。由图5可知，一轴处振动信号峭度值偏离3的程度最小，表明一轴处振动信号受冲击振动影响最小。因此在后续工业性试验中选用摇臂一轴作为传感器安装位置。

图  4  不同工况下各轴振动信号的均方根

Figure  4.  Root mean square of vibration signal of each shaft under different working conditions

下载: 全尺寸图片 幻灯片

图  5  不同工况下各轴振动信号的峭度

Figure  5.  Kurtosis of vibration signal of each shaft under different working conditions

下载: 全尺寸图片 幻灯片

4.3   工业性试验方案

在工业性试验过程中，为保证传感器的可靠性，将传感器吸附于摇臂一轴靠近支架侧的壳体处，如图6所示。采集空载、截割铝土、截割岩石3种工况对应的振动信号^[14-15]。在信号采集过程中，由专人跟随采矿机，实时观测滚筒位置，通过防爆手机、传感器与电控箱中的标准时间，将采矿机滚筒位置等基本信息与振动信号进行同步关联记录与保存。

图  6  传感器安装位置

Figure  6.  Sensor installation position

下载: 全尺寸图片 幻灯片

4.4   特征向量提取及数据降维

采集采矿机滚筒空载、截割铝土和岩石3种不同工况下的振动信号各40 s，采样频率为10 kHz，此时，每种工况下振动信号数据点为400 000个，单个样本长度取400个数据点，则每种工况下振动信号数据点可划分为1 000个样本。

（1） 特征向量提取。选取bior3.3小波基函数，对各样本进行3层小波包分解，得到8个子频带能量及信号总能量，并利用离差标准化将数据映射至[0，1]，实现数据归一化，如图7所示。可看出不同负载下信号在各子频带上的能量表现出一定的差异性，表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量。

图  7  各子频带能量

Figure  7.  Energy of each sub-band

下载: 全尺寸图片 幻灯片

小波包能量特征向量见表3。

表  3  小波包能量特征向量

Table  3.  3 Wavelet packet energy feature vectors

序号	特征向量
1	[0.275 2　0.340 7　0.101 8　0.440 6　0.119 3　0.081 8　 0.018 4　0.018 3　0.890 3]
2	[0.316 7　0.339 3　0.107 6　0.049 4　0.095 0　0.061 8　 0.012 7　0.017 5　0.886 2]
3	[0.282 6　0.332 4　0.092 2　0.045 7　0.109 6　0.094 4　 0.021 5　0.021 6　0.877 9]
	
3 000	[0.444 5　0.252 0　0.084 2　0.707 0　0.072 6　0.043 7　 0.016 2　0.016 1　0.440 1]

下载: 导出CSV 

| 显示表格

（2） 数据降维。利用PCA方法对数据进行降维，各主成分贡献率如图8所示。可看出第一、第二、第三主成分已获得累计贡献率98.7%，因此可将9维特征向量降至3维。

图  8  主成分贡献率

Figure  8.  Contribution rate of principal component

下载: 全尺寸图片 幻灯片

4.5   BPNN及SSA的参数初始化

（1） BPNN参数设置。由于降维后的特征向量为3维，设定输入层神经元个数u=3。[1 0 0]、[0 1 0]、[0 0 1]分别代表空载、铝土、岩石3种负载，设定输出层神经元个数v=3。根据经验公式可得隐含层神经元个数：

式中a为常量，取值范围为（0，10）。

通过试算法可知，取l=11时，神经网络准确性最高，因此BPNN的拓扑结构为3−11−3。

（2） SSA参数初始化。通过试算法，取最大迭代次数为30、种群规模为20，设置发现者所占种群比例为0.2，预警值为0.8，预警者数量为2。

4.6   结果分析

将特征向量作为BPNN和SSA−BPNN的输入分别进行训练，以均方误差为指标评估2种训练方案的性能，如图9所示。可看出BPNN在124次迭代时达到收敛，SSA−BPNN在91次迭代时收敛；与BPNN相比，SSA−BPNN收敛速度更快、均方误差更小。

图  9  均方误差曲线

Figure  9.  Mean square error curve

下载: 全尺寸图片 幻灯片

取总样本的10%作为测试集分别代入训练好的BPNN和SSA−BPNN 2种神经网络中进行负载分类，结果如图10所示（空载时的样本编号为1—100，设为标签0；截割负载为铝土时的样本编号为101—200，设为标签1；截割负载为岩石时的样本编号为201—300，设为标签2）。可看出BPNN的识别准确率为91.7%，SSA−BPNN的识别准确率为95.3%，经SSA优化后的BPNN的识别准确率较BPNN有所提升。

图  10  负载分类结果

Figure  10.  Load classification results

下载: 全尺寸图片 幻灯片

5.   结论

（1） 基于小波包分解提取采矿机摇臂振动信号的能量特征，不同负载下振动信号的小波包能量特征在各频率尺度下存在差异。

（2） 利用SSA优化BPNN的初始权值和阈值，加快了神经网络的收敛速度。

（3） 经小波包分解后得到的能量特征作为特征向量输入SSA−BPNN，实现了空载、铝土与岩石负载的分类，提高了负载类型识别准确率，达95.3%。