Shearer drum load identification method based on audio recognition
-
摘要: 针对现有采煤机滚筒载荷识别方法相关算法实施难度大、工程实现方式复杂、应用难度高等问题,通过分析采煤机工作时音频信号的特征,提出一种基于音频识别的采煤机滚筒载荷识别方法。为确保每个分析周期内的音频信号具有同一运行标准下的负载工况,将截割电流与牵引速度作为变量引入到动态能量计算中,采用动态能量归一化算法(DENA)对采煤机原始音频信号进行归一化处理;将归一化后的信号与标准工况库中的信号进行对比分析,通过最大相异系数判断两者之间的差异性,从而确定滚筒载荷特征,实现滚筒载荷识别判断。试验结果表明:DENA可有效抑制音频信号中的噪声能量,提升音频信号中关键特征值的分辨率,采煤机在截割煤、岩时的音频信号特征参数界限明显,未出现交叉混叠现象;在理想情况下,即最大相异系数小于0.189时,总的煤岩界面识别率可达到78.6%。Abstract: In order to solve the problems of the existing shearer drum load identification methods, such as difficult implementation of related algorithms, complex engineering implementation mode and high application difficulty, through analyzing the characteristics of the audio signal during shearer operation, a shearer drum load identification method based on audio recognition is proposed. In order to ensure that the audio signal in each analysis period has the same load condition under the same operation standard, the cutting current and the traction speed are introduced into the dynamic energy calculation as variables, and the dynamic energy normalization algorithm (DENA) is adopted to normalize the original audio signal of the shearer. The normalized signal is compared and analyzed with the signal in the standard operation condition library, and the difference between the two is judged by the maximum dissimilarity coefficient, so as to determine the characteristics of the drum load and realize the identification and judgment of the drum load. The test results show that DENA can effectively suppress the noise energy in the audio signal and improve the resolution of the key characteristic values in the audio signal. The boundary of the characteristic parameters of the audio signal is obvious when the shearer cuts coal and rock, and there is no cross aliasing phenomenon. Under ideal conditions, that is, when the maximum dissimilarity coefficient is less than 0.189, the total coal-rock interface recognition rate can reach 78.6%.
-
0. 引言
“加快新一代信息技术与煤炭产业深度融合,推进煤炭产业高端化、智能化、绿色化转型升级,实现煤炭开采利用方式的变革,提升煤矿智能化和安全水平,促进煤炭行业高质量发展”是加速推进煤矿智能化建设、早日实现智慧矿山的总体指导思想[1-2]。当前矿山网络中软硬件设备种类繁多、制式复杂,不仅包含光纤、铜缆、串行总线、工业以太网等有线网络,还包括蜂窝、WiFi、蓝牙、ZigBee等无线网络,资源共享率低,升级改造困难,且很多井下垂直新业务需求因上下行传输带宽受限、服务总时延过长而无法得到满足。
近年来,5G技术[3-5]与工业互联网、矿山网络等的深度融合为解决上述问题提供了思路,在矿山旧设备升级改造、垂直新业务部署等方面均有成功应用案例。而多接入边缘计算( Multi-access Edge Computing,MEC)[6]作为5G核心技术之一,在其中发挥了重要作用,引起学术界和产业界的广泛关注。实际上,MEC早于5G技术诞生,其核心思想是在靠近业务终端的网络边缘位置实现计算、存储、决策、反馈等原来需要远端核心网或云端实现的功能,可极大地降低业务双向时延,且能大大分流并节省承载网及核心网的带宽流量。MEC是5G最重要的原生关键特征之一,成为5G赋能矿山行业的重要抓手,是最终实现少人/无人智慧矿山愿景不可或缺的重要支撑技术。在未来阶段(Beyond−5G,6G),MEC与移动通信技术的发展既各自独立进化,又互相影响制约。本文以MEC技术为主线,分析其在智慧矿山中应用的必要性,对智慧矿山中计算节点分布情况进行建模,并基于建模结果提出针对智慧矿山的MEC部署模型。
1. MEC技术背景
MEC最早起源于分布式计算和处理技术,雾计算、内容分发网络( Content Delivery Network,CDN)等已包含了边缘计算思想,即将复杂任务直接分配给物理上距离最终用户很近位置的计算节点,而不是由远端云计算中心来分发、计算和处理。2014年,欧洲电信标准化协会(European Telecommunications Standards Institute,ETSI)规范定义了移动通信领域的边缘计算概念−移动边缘计算,特指移动通信领域的分布式云计算。2017年,ETSI把WiFi、有线等多种接入方式纳入进来,由原来只面向移动通信的单一模式扩充到多接入复合模式。现在由第三代合作伙伴计划( 3rd Generation Partnership Project,3GPP)和ETSI共同对MEC规范进行定义和维护,3GPP主要定义MEC在5G系统内部的实现及其与5G核心网的交互,ETSI则负责定义MEC的架构、业务流程等。具有MEC功能的网络节点对外提供计算、存储和网络资源服务,MEC功能可抽象为基于底层虚拟化设备的若干功能实体的集合,各功能实体可根据实际情况布置在不同网络节点和硬件设备上。矿山行业的特性决定了矿山网络通常采用独立性和私密性极强且与外界完全隔离的行业专网,MEC可部署在专网中距离最终用户非常近的网络节点中。
2. MEC在智慧矿山应用的必要性
智慧矿山业务种类繁多。针对视频监控类业务(如4K/8K实时监控),如果能在井下靠近高清摄像头或传感器位置部署MEC节点,由5G核心网下沉网元−用户面功能(User Plane Function,UPF)先对用户数据进行分流和卸载,然后在MEC节点处配合模式识别、机器学习算法,则可对需继续上传至核心网和云端的高清视频进行去雾、去噪、压缩处理,从而极大地节省承载网上行带宽资源,同时可对危险操作(如井下矿工不带安全帽等)提供第一时间的反馈。针对井下应急救援、矿车自动驾驶、自动导引运输车辆(Automated Guided Vehicle,AGV)及各类井下机器人[7]等时延敏感类业务,引入MEC能够显著降低业务时延,减轻承载网压力,极大提升终端用户业务体验。针对连接类业务,在井下布置引入人工智能( Artificial Intelligence,AI)算法的MEC节点,可结合本地数据挖掘算法,第一时间对井下各种传感器获取的大量数据进行分析、反馈,有选择地把有价值信息进行卸载和上传,极大地减轻网络传输压力。MEC支持蓝牙、ZigBee、LoRa、Mesh、可见光通信( Light Fidelity,LiFi)、WiFi系列( WiFi6[8]及早期WiFi协议)、蜂窝移动系列(2G/3G/4G/5G)、RS485串行总线及CAN总线、工业以太网、漏泄电缆、透地通信等协议。目前来看,MEC是基于现有井下多种协议和设备提供融合管控的唯一选择,也是为用户提供端到端、无差别高质量服务的最佳解决方案。
3. 基于业务需求的矿山网络计算树
3.1 计算树定义及演进
为实现矿山从机械化、自动化、智能化直至少人/无人开采的愿景,需要不断增强网络的计算能力、存储能力、实时反馈处理能力。为了更深入地揭示MEC技术在矿山网络的应用规律与发展路线,参考MEC中关于计算能力的表述,将矿山网络中具有特定分析、判断、计算、存储能力的网络节点定义为计算节点,由全部计算节点及节点间连接线路构成的逻辑结构称为基于业务需求的矿山网络计算树。计算树中各节点根据业务需求可部署于地面,也可部署在井下。参考移动通信技术在矿山网络中的应用程度,并结合智慧矿山发展规律,将矿山网络计算树演进大致划分为3个阶段,如图1所示,其中环形图标代表计算节点,圆形图标代表无计算能力的纯业务节点。
3个阶段划分大体上可参照5G及其相关技术是否在井下大规模应用为判断标志。当前矿山网络以3G、4G、早期WiFi系列技术为主,用户面和数据面控制全部位于地面核心网,所有井下信令和数据都要上传到位于地面的计算树根节点(计算节点)进行分析处理,井下各叶子节点(纯业务节点)没有计算能力且不做任何计算相关操作。此时处于计算树发展的第1阶段,也可称之为Pre−5G阶段。
第2阶段标志特征是井下部署了具备边缘计算能力的节点(如5G系列的MEC服务器)作为计算树第2层分支节点。该模式可将叶子节点上传数据先由下沉到井下的核心网元(如5G UPF)进行分流,部分能够在本地处理的数据直接由第2层计算节点来反馈处理,仍需上传的数据再卸载上传给根节点。该阶段的标志性技术主要包括核心网元UPF下沉、网络切片[9-10]、WiFi6、全光纤环网、IP无线接入网(IP Radio Access Network,IP−RAN)、虚拟现实/增强现实( Virtual Reality/Augmented Reality, VR/AR)等,与5G(SA)阶段紧密对应,也可称之为5G阶段。
第3阶段相对前2个阶段最大的不同是井下叶子节点具备了相当的实时处理和计算能力,可更迅速地处理信息和数据。另外,叶子节点之间及分支节点之间可进行实时任务交换和负载分担(图1中虚线),如设备到设备(Device to Device,D2D)直连、协同作业。核心网部分具有分流功能的网元将继续下沉到叶子节点位置,云−边−端各部分能力得以最大程度的释放。该阶段标志性技术主要包括太赫兹通信、非正交多址接入(Non Othogonal Multiple Access,NOMA)、智慧计算与传输、分布式核心网、基于章鱼仿生的计算协作处理、混合现实/扩展现实(Mixed Reality/Extended Reality,MR/XR)、数字孪生[11]等,可称之为Beyond−5G(6G)阶段。
3.2 各阶段业务特性
根据矿山网络计算树演进各阶段特征分析,对各阶段业务特性进行对比,结果见表1。
表 1 3个阶段业务特性对比Table 1. Comparison of system characteristics in three stages特性 第1阶段 第2阶段 第3阶段 负载均衡性 差 中 好 业务移动性 差 中 好 数据安全性 中 好 好 可扩展性 差 好 好 一体化特性 差 差 中 (1) 负载均衡性。第1阶段:计算和处理任务全部集中在计算树根节点,叶子节点只负责对获取数据进行转发,是一种集中式计算模式,根节点处容易产生瓶颈效应,负载均衡性很差。第2阶段:由于计算树第2层分支节点具备了一定的计算能力,在很大程度上分担了原来只属于根节点的计算任务,减轻了主干线路的传输负载,提升了整体负载均衡性。第3阶段:随着叶子节点计算能力及各节点之间协作能力的增强,计算任务按需分配到各层级不同闲置节点,充分发挥全部节点最大潜能。根节点通常只保留基本控制功能,真正实现了去中心化的分布式、下沉式计算模式。
(2) 业务移动性。矿山网络一般是由单一电信运营商( 如中国电信、中国联通、中国移动)和设备提供商( 如华为、中兴)为煤矿量身定制的园区专网,可实现数据内部隔离,不涉及跨运营商的业务切换问题。本文中业务移动性是指终端设备跨井下不同无线基站、WiFi−AP、MEC/UPF服务器的业务连续性。第2阶段引入WiFi6技术,5G微基站的覆盖率得以提高,且第3阶段引入太赫兹通信、NOMA、超大规模阵列天线等技术,井下终端的业务连续性及切换性能逐步增强。
(3) 数据安全性。所有阶段专网内的数据都不出专网。从第2阶段开始,大量的数据流量在分支节点处直接分流和处理,缩短了数据传播路径,数据存储位置下沉至更深层次节点,最大程度地减少数据遭受泄露和外部攻击的可能。另外,随着终端计算能力的增强,一些叶子节点具备一定的自愈能力,可在紧急情况下自动备份和恢复数据。因此,业务数据安全性是逐阶段提高的。
(4) 可扩展性。在第1阶段,控制面与数据面没有彻底分离,在物理上都集中在地面根节点位置。在第2阶段,核心网数据面部分功能下沉至分支节点,为第3阶段引入时间敏感型网络(Time Sensitive Network, TSN)、确定性网络(Deterministic Networking,DetNet)等基于更多时分技术的确定性服务预留了接口。在第3阶段,进一步在MEC中融入AI技术,从而提供更多的确定性服务和更高服务质量( Quality of Service,QoS)。另外,从第2阶段开始引入网络切片功能,能够实现差异化的定制网络,通过不同网域协同及感知,保障确定性需求业务的端到端性能;第2,3阶段能够在第2层分支节点甚至叶子节点处(第3阶段)提供面向垂直化差异性业务需求的深度可编程接口,为网络端到端确定性业务可控和升级提供了极大的扩展空间。
(5) 一体化特性。随着AI功能的引入和节点计算、存储能力的不断提升,计算树各层级负载更加均衡、反馈更加迅速、协作不断加强、分工更加合理,各阶段一体化特性逐渐增强。考虑到当前井下各种软硬件设备、协议并存,系统升级过程中还要兼顾成本回收等多重要素,虽然第2,3阶段分支节点和叶子节点计算能力都有不同程度的提升,但距离井下嵌入式平台统一化、各种软硬件设备接口完全标准化的目标还任重道远。
4. 基于计算树的智慧矿山网络MEC部署模型
矿山高安全、高带宽、低时延、数据不出园区等特殊行业属性,决定了矿山网络多采用同外界完全隔离的行业专网。矿山专网具有独立的核心网、承载网和接入网。核心网通常位于地面,承载和接入部分目前多采用3G/4G/5G、窄带物联网( Narrow Band Internet of Things, NB−IoT)、RS485、CAN、工业以太网等技术。在5G专网中,除认证管理功能(Authentication Management Function,AMF)、会话管理功能( Session Management Function, SMF)等核心网主要网元会保留在地面,部分网元( UPF)会通过N4接口下沉到井下作为锚点配合MEC发挥作用[12-14]。就目前技术发展状况来看,构建高可靠的“井下一张网”是大势所趋,5G和光纤结合是未来至少10 a内智慧矿山发展的基石[15]。结合计算树演进技术特征,本文提出一种智慧矿山网络MEC部署模型,如图2所示。节点图标左侧框内数字代表该节点对应计算树中节点级别:0代表0级节点,即根节点;1代表1级分支节点,距离根节点逻辑距离为1跳;2代表2级分支节点,距离根节点逻辑距离为2跳。需要注意的是,这里的数字只代表该节点在计算树中相对根节点的层级,具有相同数字标号的节点可部署于地面,也可部署于井下。
2级分支节点可对应地面/井下具备相当计算、存储能力的终端设备,如无人矿卡[16]、井下机器人、AGV、综采设备、高清摄像头等。节点MEC功能应能够根据具体情况灵活开关,如在节点本身电量不太充足且需完成更紧急任务的情况下,MEC功能可即时关闭。不同2级分支节点之间可通过无线蓝牙、ZigBee、射频识别(Radio Frequency Identification,RFID)等D2D方式进行直连协作计算,实现负载均衡。可根据井下实际环境状况,设置1个兼具UPF分流功能的特殊2级分支节点。该节点配置相对较高、独立供电,可通过有线方式连接到井下基站,能够完成较复杂的计算处理操作。以上操作的目的是将MEC功能最大可能地扩展到距离业务终端更近的设备上,最大限度地减小业务双向传输时延,加快反应速度。
1级分支节点一般由配置更高、性能更加稳定的独立MEC服务器担任,支持有线固定连接、独立供电,能够提供与节点计算能力、存储能力、网络通信能力相匹配的边缘计算能力。其作用是接收由2级分支节点卸载转发过来的复杂计算和数据处理任务。如果需继续上传,则1级分支节点会将数据经承载网上传至地面计算树根节点(0级节点),由其完成最终的复杂任务计算或指令反馈。
具有超强计算和存储能力的0级节点、除下沉UPF网元外其他核心网网元全都部署于地面,是整个矿山网络控制中心,功能包括分配具体业务对应的MEC归属节点、协调三级节点的任务卸载和资源管理策略、整合网络切片及子切片的订阅使用、对端到端业务连续性进行编排和管理等。
从图2可看出,智慧矿山井下骨干传输设备由多个IP−RAN节点交换机和柔性抗灾光缆连接构成电信级万兆IP−RAN工业环网,配以具备物理通道隔离的网络切片技术,完成对井下不同有线(工业以太网、RS485、CAN总线等)、无线(3G/4G/5G、NB−IoT等)通信协议的传输和接入覆盖,实现集井下通信、物资管理、安全监测、集中控制、智能生产于一身的“井下一张网”。无线接入设备中的移动基站特指遵循3GPP协议族的固定接入设备(如多模4G/5G/NB−IOT 基站),WiFi6−AP特指遵循IEEE802.11.ax协议族的固定接入设备,1级分支节点和2级分支节点均可通过有线/无线方式接入传输网。在实际部署过程中,节点功能可根据地面/井下实际情况按需取舍、灵活调配,模型适用于智慧矿山建设的各个阶段。这种深度为2的三级扁平化结构既实现了算力的最大化下沉,又能根据任务实况动态卸载和上传指令和数据,可在兼顾计算树各部分负载均衡的同时,根据各级节点计算、存储能力和业务需求动态决定实施何种卸载策略,完成卸载算法动态匹配、任务协同。具有UPF功能的不同计算节点之间可通过3GPP定义的N9接口实现协作,高级别节点向低级别节点分配和卸载任务(如1级分支节点到0级节点)通过N4接口完成。
5. 结论
(1) 作为赋能智慧矿山的锚点,MEC是一种与移动通信技术并行的计算技术。通过分析和探讨MEC技术起源、发展及其在智慧矿山中应用的必要性,认为MEC是当前矿山设备升级改造、异构多类型设备接入、垂直差异化需求满足等问题的最佳解决方案。
(2) 对矿山网络计算能力进行建模,得到了基于矿山业务需求驱动的矿山网络计算树模型及其3个发展阶段:Pre−5G、5G、Beyond−5G(6G),梳理了各阶段主要特征和标志性技术,对比分析了各阶段业务特性,指出矿山网络的负载均衡性、业务移动性、数据安全性、可扩展性、一体化特性等在第1阶段中最差,除一体化特性外,其他业务特性在第2阶段均有所提升,大部分业务特性在第3阶段都能实现最优解决方案,但距离实现硬件设备真正通用、接口完全标准化的目标还有差距。
(3) 针对矿山网络特点,提出了一种基于计算树的智慧矿山网络MEC部署模型,设计了各计算节点功能及工作流程,为MEC技术落地实施及现有矿山网络升级改造提供了参考依据。
-
表 1 最大相异系数与煤岩识别率的关系
Table 1 Relationship between maximum dissimilarity coefficient and coal rock recognition rate
最大相异系数 识别率/% 0~0.015 83.30 0.015~0.189 77.80 0.189~0.434 33.30 0.434~1 16.70 -
[1] 邱锦波. 滚筒采煤机自动化与智能化控制技术发展及应用[J]. 煤炭科学技术,2013,41(11):10-13. QIU Jinbo. Development and application of shearer automation and intelligent control technology[J]. Coal Science and Technology,2013,41(11):10-13.
[2] 杨健健. 采煤机工作状态参数与煤岩硬度影响关系研究[D]. 北京: 中国矿业大学(北京), 2013. YANG Jianjian. Research on the affect relationship between shearer working condition parametersand coal-rock hardness[D]. Beijing: China University of Mining and Technology(Beijing), 2013.
[3] 郝志勇, 周正啟, 袁智, 等. 基于实验测试的采煤机截割载荷的分形分布规律研究[J]. 应用力学学报,2019,36(2):417-423. HAO Zhiyong, ZHOU Zhengqi, YUAN Zhi, et al. Study on fractal distribution law of cutting load of shearer based on experimental tests[J]. Chinese Journal of Applied Mechanics,2019,36(2):417-423.
[4] 郝志勇, 张佩, 毛君, 等. 采煤机摇臂销轴力学特性检测试验[J]. 机械设计与研究,2017,33(2):119-121. HAO Zhiyong, ZHANG Pei, MAO Jun, et al. Experimental research on the mchannical behavior of ranging arm shell for shearer[J]. Machine Design & Research,2017,33(2):119-121.
[5] 郭会珍. 滚筒式采煤机截割部动力学特性研究[D]. 徐州: 中国矿业大学, 2014. GUO Huizhen. Research on dynamic characteristics of drum shearer cutting unit[D]. Xuzhou: China University of Mining and Technology, 2014.
[6] 蒋干. 基于多传感信息融合的采煤机煤岩截割状态识别技术研究[D]. 徐州: 中国矿业大学, 2019. JIANG Gan. Research on recognition technology of shearer coal-rock cutting status based on multi-sensor information fusion[D]. Xuzhou: China University of Mining and Technology, 2019.
[7] 刘译文. 基于红外热成像的采煤机截割模式识别方法研究[D]. 徐州: 中国矿业大学, 2018. LIU Yiwen. Research on shearer cutting pattern recognition method based on infrared thermal imaging[D]. Xuzhou: China University of Mining and Technology, 2018.
[8] 田立勇. 基于多源数据融合的采煤机截割载荷识别与预测研究[D]. 阜新: 辽宁工程技术大学, 2020. TIAN Liyong. Research on identification and prediction of shearer cutting load based on multi-source data fusion[D]. Fuxin: Liaoning Technical University, 2020.
[9] 张启志, 邱锦波, 庄德玉. 基于倒谱距离的采煤机煤岩截割振动信号识别[J]. 工矿自动化,2017,43(1):9-12. ZHANG Qizhi, QIU Jinbo, ZHUANG Deyu. Vibration signal identification of coal-rock cutting of shearer based on cepstral distance[J]. Industry and Mine Automation,2017,43(1):9-12.
[10] 张宇, 刘雨东, 计钊. 向量相似度测度方法[J]. 声学技术,2009,28(4):532-536. DOI: 10.3969/j.issn1000-3630.2009.04.021 ZHANG Yu, LIU Yudong, JI Zhao. Vector similarity measurement method[J]. Technical Acoustics,2009,28(4):532-536. DOI: 10.3969/j.issn1000-3630.2009.04.021
[11] 吴婕萍, 李国辉. 煤岩界面自动识别技术发展现状及其趋势[J]. 工矿自动化,2015,41(12):44-49. WU Jieping, LI Guohui. Development status and tendency of automatic identification technologies of coal-rock interface[J]. Industry and Mine Automation,2015,41(12):44-49.
[12] 陈浜. 基于视觉计算的煤岩识别方法研究[D]. 北京: 中国矿业大学(北京), 2018. CHEN Bang. Methodological studies of coal-rock recognition through visual computing[D]. Beijing: China University of Mining and Technology(Beijing), 2018.
[13] 王昕, 苗曙光, 丁恩杰. 煤岩介质在太赫兹频段的介电特性研究[J]. 中国矿业大学学报,2016,45(4):739-746. WANG Xin, MIAO Shuguang, DING Enjie. Study of dielectric property of coal and rock medium in terahertz domain[J]. Journal of China University of Mining & Technology,2016,45(4):739-746.
[14] 刘泽. 采煤机摇臂振动信号分析及其截割模式识别方法研究[D]. 徐州: 中国矿业大学, 2017. LIU Ze. Research on vibration signal of shearer rocker arm and its cutting pattern recognition method[D]. Xuzhou: China University of Mining and Technology, 2017.
[15] 张启志. 采煤机截割振动信号采集系统的研究[D]. 北京: 煤炭科学研究总院, 2017. ZHANG Qizhi. Research on cutting vibration signal acquisition system of shearer[D]. Beijing: China Coal Research Institute, 2017.
-
期刊类型引用(5)
1. 杨豚,郭永存,王爽,马鑫. 煤矿井下无人驾驶轨道电机车障碍物识别. 浙江大学学报(工学版). 2024(01): 29-39 . 百度学术
2. 于海龙. 基于NSGA—Ⅱ的矿车复合制动多目标优化控制分析. 工矿自动化. 2024(S1): 156-160 . 本站查看
3. 陈忠训,黄松,左泉,王明全,刘永强. 矿车装车智能视觉检测与装载优化控制系统开发. 现代制造技术与装备. 2024(06): 122-124 . 百度学术
4. 陈小霞,李锁弟,朱良恺,张东伟,王祁峰. 基于机器视觉的煤炭运输列车车厢状态智能检测方法. 自动化应用. 2024(15): 62-66+69 . 百度学术
5. 王雷,贾思学. 煤矿环形车场智能化无人值守技术研究. 中国新技术新产品. 2023(18): 5-8 . 百度学术
其他类型引用(1)