0.   引言

在煤炭开采过程中，常因煤岩突变导致开采难度增大、采掘机械故障率增高及开采质量下降等问题^[1]。传统人工采煤方式很难准确识别煤岩界面，极易造成煤层欠割和过割现象。随着煤矿智能化建设的加速推进，煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。

目前国内外学者对煤岩识别方法进行了广泛研究。王增才等^[2]根据顶板岩层中自然γ射线穿过剩留煤层后的辐射衰减特性进行煤层厚度检测。王昕等^[3]采用探地雷达法进行煤岩界面探测。张强等^[4]采用红外热像技术，在单光源下对全煤、全岩和煤岩混合3种煤岩试件开展煤岩界面识别研究。以上煤岩识别方法易受煤矿地质条件和采煤工艺限制，难以实际应用。近年来，光谱技术被逐渐用于煤岩识别研究。苗曙光等^[5]通过太赫兹光谱仪获取煤岩样品太赫兹光谱，分析得到不同种类煤岩折射率和吸收系数的差异性，并以此进行煤岩识别。杨恩等^[6]通过搭建煤壁煤岩界面台架，研究了基于近红外反射光谱技术的煤岩界面分布感知技术。目前，实验室条件下已证明利用光谱技术可识别煤岩分界的波谱变化，但实际应用时还需进一步研发高可靠性仪器，并进行井下试验验证。基于图像的识别技术是解决煤岩识别问题的另一个重要研究方向，如孙传猛等^[7]通过煤岩图像特征描述子结合改进YOLOv3算法，有效提升了煤岩界面识别的精度和效率，但由于煤矿地质条件和井下工作环境复杂，高质量煤岩图像通常难以实时采集，实际应用较困难^[8]。

相比于红外热像、图像信号等，煤炭开采过程中的采掘机械振动信号是一种相对稳定且可靠的信息来源^[9]，因此被应用于煤岩识别中。赵丽娟等^[10]利用采煤机滚筒及摇臂振动特性开发了基于模糊控制的煤岩截割状态识别系统。张启志等^[11]提出了基于振动信号倒谱距离分析的采煤机煤岩截割状态识别方法。以往研究中多采用信号处理方法人工提取采煤机不同煤岩截割状态下的振动信号特征，然后再进行煤岩识别，但目前各种信号处理方法都有其自身缺点，且信号处理流程较繁琐。以卷积神经网络为代表的深度学习模型具有强大的特征提取和抗噪能力，可自行对信号有用特征进行提取^[12]。鉴此，本文提出一种基于改进一维卷积神经网络（1-Dimensional Convolutional Neural Network，1DCNN）的煤岩识别模型，采用改进1DCNN模型直接对采煤机截割振动信号进行处理与识别，实现端到端的煤岩截割状态高效精准识别。

1.   煤岩识别模型构建

1.1   卷积神经网络

卷积神经网络常由卷积层、池化层及全连接层等组成。卷积层用于提取特征，某些卷积层只能提取低级特征，较多层的网络能从低级特征中迭代提取更复杂的特征；池化层主要对卷积层学习到的特征进行亚采样处理；全连接层则对提取到的特征进行分类或回归处理。由于卷积神经网络具有权值共享、平移不变和尺度不变的特性，相比于其他深度神经网络结构，其所需考量的参数更少，模型训练速度更快，因而具有一定优势。

1.2   改进1DCNN模型

煤岩截割数据为一维振动数据，本文设计一种改进1DCNN模型，对采煤机的煤岩截割状态进行识别。相比于传统卷积神经网络模型，改进1DCNN模型使用了多个连续卷积层，以提取信号特征；采用全局均值池化（Global Average Pool， GAP）层代替全连接层，以大幅降低模型参数训练量；同时引入带有热启动的余弦退火衰减方法优化学习率，以避免模型训练陷入局部极小值区域，提升训练质量。

改进1DCNN模型包括输入层、隐含层、输出层3个部分，如图1所示。隐含层包括首尾2个卷积层和2个池化层、中间3个连续卷积层及最后与输出层相连的GAP层。卷积1（1×3s1−64ReLu）为第1个卷积层，其中包含卷积核大小为1×3、步长为1、通道数为64的一维卷积层和Relu激活函数层；最大池化1（1×2s2）表示池化区域大小为2、步长为2的最大池化层；输出（2−softmax）为用于二分类的分类层，使用softmax激活函数。随着不同煤岩截割状态一维振动信号的输入，网络自动提取振动信号的深层次特征，最终由输出层完成煤岩截割状态的识别。

图  1  改进1DCNN模型结构

Figure  1.  Structure of improved 1-dimensional convolutional neural network model

下载: 全尺寸图片 幻灯片

1.2.1   GAP层

一般情况下，卷积神经网络最后通过全连接层与softmax分类器相连实现分类任务，但这样的方式会导致神经元数量和计算量在全连接层暴增，同时极易产生过拟合现象。GAP层可以避免全连接层的处理，直接通过GAP+softmax进行分类，更适用于卷积层最后的处理，同时不会产生额外的参数^[13]，其输出为

式中： $S_{{\rm{GAP}}}^l$ 为第 $l$ 层经GAP层后的输出值； $c$ 为第 $l$ 层的特征值个数； $F_i^l$ 为第 $l$ 层的第 $i$ 个特征值。

采用全连接层处理方式时需要1 385 955个训练参数，而本文所提改进1DCNN模型只需371 458个训练参数，参数量大幅减少，从而提高了模型训练速度，此外还可部分保留输入数据的空间结构信息，提高模型泛化能力。

1.2.2   学习率优化算法

学习率是神经网络最重要的超参数之一，其控制网络优化过程中的步长参数更新，学习率过小会导致模型收敛缓慢，学习率过大会阻碍模型收敛，甚至导致模型发散。常用的学习率衰减方法包括以固定步长衰减和多步长衰减为代表的分段学习率衰减方法，以及以指数衰减和余弦退火衰减为代表的平滑学习率衰减方法。分段学习率衰减方法需根据实验预先定义学习率衰减计划表，具有一定的不确定性。相比于指数衰减方法，余弦退火衰减方法允许更大的初始学习率，收敛更快，并可提高模型泛化能力^[14]。

为使模型在训练初期感知全局参数分布，然后逐渐完善参数空间建模，本文采用线性热启动与余弦退火相结合的学习率衰减策略，线性热启动策略可在模型训练前期维持较小学习率，引导模型感知全局参数分布，解决余弦退火策略在模型训练初期因参数更新剧烈变化而引起的模型训练不稳定及权重参数剧烈波动问题。

整体优化过程中，前期使用极小学习率进行学习率预热，然后以预定的迭代次数将学习率提升至预定的最大值（即余弦退火阶段基础学习率），再采用余弦退火策略进行学习率更新。余弦退火衰减公式为

式中： ${\eta _t}$ 为余弦退火阶段第 $t$ 轮迭代后的学习率与余弦退火阶段基础学习率的比值；T为余弦退火阶段总迭代轮次。

2.   实验数据采集与预处理

2.1   数据采集

本文数据采集于陕西某煤矿采煤工作面，该工作面长330 m，使用MG650/1590−WD型电牵引采煤机。煤层平均厚度为2.58 m，局部夹矸，煤层坚固性系数f₁≤3；顶部为粉砂岩，岩层坚固性系数为f₂(5≤f₂≤7)；底部为泥岩，岩层坚固性系数为f₃(3≤f₃≤6)。采煤现场有大量掉落的片状岩石，割岩现象严重。

实验采用磁吸式无线振动传感器，采样频率为10 kHz，布置于采煤机右摇臂5轴处，井下数据采集现场如图2所示。实验模拟了采煤机滚筒割煤和割岩2种工作条件，采集每种条件下的振动信号。

图  2  井下数据采集现场

Figure  2.  Underground data acquisition site

下载: 全尺寸图片 幻灯片

2.2   数据预处理

割煤状态下共采集到353 404个数据点，割岩状态下共采集到1 048 576个数据点。由于原始样本分类不均衡，为保障样本均衡性，同时充分利用数据，采用自适应下采样方法分别选取每种状态下的353 400个数据点，组成新的数据集^[15]，并以32∶3.34的比例划分训练集和测试集。为了增强数据，使用滑窗法构造样本^[16]，单个样本取为400个数据点，滑窗步长设置为50。滑窗法构造的煤岩信号样本如图3所示。

图  3  滑窗法构造的煤岩信号样本

Figure  3.  Coal and rock signal samples constructed by sliding window method

下载: 全尺寸图片 幻灯片

使用滑窗法共获得12 784个训练样本和1 320个测试样本。不同截割状态的训练样本和测试样本数量分别为6 392，660。预处理后样本数据集信息见表1。

表  1  样本数据集信息

Table  1.  Sample dataset information

截割状态	样本长度	训练样本数	测试样本数	标签
割煤	400	6 392	660	0
割岩	400	6 392	660	1

下载: 导出CSV 

| 显示表格

3.   模型训练与验证

3.1   实验平台与参数

采用Python编程语言在Tensorflow深度学习框架下搭建改进1DCNN模型。引入Adam优化算法，并用余弦退火策略自适应调节学习率，设置预热阶段学习率为0.000 004，退火阶段基础学习率为0.01，Dropout随机失活率为0.5，批处理大小为256，对改进1DCNN模型进行25轮训练。实验平台计算机配置：CPU为英特尔core i5−8300H，GPU为NVIDIA GeForce GTX1050Ti(4 GB)，内存为48 GB。改进1DCNN模型结构见表2，其中(400，1)表示输出信号为400×1矩阵。改进1DCNN模型总参数量为371 458个，其中参加训练参数量为370 818个，未参加训练参数量为640个。

表  2  改进1DCNN模型结构

Table  2.  Structure of improved 1-dimensional convolutional neural network model

网络层	输出形状	参数量/个
Input(Input Layer)	(400，1)	0
Conv1(Conv1D)	(400， 64)	256
BN2 (Batch Normalization)	(400， 64)	256
Map3 (MaxPooling1D)	(200， 64)	0
Conv4 (Conv1D)	(100， 128)	24 704
Conv5 (Conv1D)	(50， 128)	49 280
Conv6 (Conv1D)	(25， 256)	98 560
BN7 (Batch Normalization)	(25， 256)	1024
Map8 (MaxPooling1D)	(12，256)	0
Conv9 (Conv1D)	(6，256)	196 864
GAP10 (GlobalAveragePooling1D)	(256，1)	0
Dropout (Dropout)	(256，1)	0
Output (Dense)	(2，1)	514

下载: 导出CSV 

| 显示表格

3.2   模型训练过程可视化分析

为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力，采用t−分布随机近邻嵌入（t-Distributed Stochastic Neighbor Embedding，t−SNE）流形学习算法对模型的特征学习过程进行可视化分析。t−SNE是一种嵌入算法，将数据点间的相似度转换为条件概率，原始空间中数据点的相似度由高斯联合分布表示，嵌入空间中数据点的相似度由t分布表示，通过原始空间与嵌入空间联合概率分布的KL散度来评判嵌入效果的好坏，常用于高维数据的降维和可视化^[17]。将训练样本原始数据特征及经过改进1DCNN模型中Conv1层、Conv4层、Conv6层、Conv9层和输出层训练好的输出数据特征投影至二维空间，进行可视化分析。训练集在各网络层的特征学习效果如图4所示，图中绿色的“0”和蓝色的“1”分别表示割煤和割岩2种截割状态。

图  4  训练集在各网络层的特征学习效果

Figure  4.  Feature learning effect of training set at each network layer

下载: 全尺寸图片 幻灯片

由图4（a）可看出，原始数据经t−SNE降至2维后分布散乱无章，同一类型特征并不聚类。后续各层输出数据特征可视化效果明显呈现同类特征向同一区域聚集的趋势，且输出层输出的数据已实现聚类。这表明改进1DCNN模型通过逐层特征学习，很好地实现了对煤岩截割状态的识别。

3.3   模型训练与测试结果分析

改进1DCNN模型在训练集与测试集上的准确率曲线如图5所示。在测试集上的混淆矩阵如图6所示，其中标签“0”代表割煤状态，标签“1”代表割岩状态。

图  5  改进1DCNN模型在训练集与测试集上的准确率曲线

Figure  5.  Accuracy curves of improved 1-dimensional convolutional neural network model on training set and test set

下载: 全尺寸图片 幻灯片

图  6  改进1DCNN模型在测试集上的混淆矩阵

Figure  6.  The confusion matrix of improved 1-dimensional convolutional neural network model on test set

下载: 全尺寸图片 幻灯片

由图5和图6可看出，改进1DCNN模型在训练集和测试集上均取得很好的结果，在训练集上的准确率为99.91%，在测试集上的准确率为99.32%。这表明改进1DCNN模型可直接用于采煤机截割原始振动信号分类，并能够有效地识别出煤岩截割状态。但同时模型也出现了少量样本预测错误的情况：一方面可能是因为煤岩截割是一个渐变的过程，且样本长度较短，导致较难识别的情况，可以通过增加网络深度并提取数据深层次特征加以解决，但经过多次模型训练实验，始终存在少量错误情况；另一方面也可能是由于原始信号受到井下环境干扰及随机性落煤落岩激励，信号噪声较大，以至难以识别。

3.4   模型对比实验

为验证改进1DCNN模型的优势，在相同训练集和测试集上，与K−近邻（K-Nearest Neighbor，KNN）、随机森林（Random Forest，RF）、支持向量机（Support Vector Machines，SVM）、集成学习XGBoost及未改进的一维卷积神经网络（Raw 1-Dimensional Convolutional Neural Network， R1DCNN）5种模型进行性能对比验证。KNN中近邻数设置为9；RF中森林数目初始参数设置为 [120，200，300， 500，800，1 200]，树最大深度初始参数设置为[5，8，15，25，30]，使用GridSearchCV网格搜索进行超参调优。由于煤岩截割振动数据线性不可分，SVM算法的kernel参数采用径向基核函数，并采用交叉验证进行超参调优。此外，随机在测试集中选取400个样本作为新的测试样本，每种模型均重复5次实验，以消除随机误差影响，实验结果见表3。

表  3  模型对比实验结果

Table  3.  Model comparison experiment results %

模型	准确率
	实验1	实验2	实验3	实验4	实验5	平均值
KNN	93.66	94.50	94.00	93.67	94.50	94.07
RF	76.50	75.50	76.16	75.66	75.83	75.93
SVM	92.83	94.00	94.50	93.00	94.83	93.83
XGBoost	92.66	93.00	93.83	89.50	94.50	92.70
R1DCNN	98.82	99.19	99.03	98.85	98.94	98.97
改进1DCNN	99.32	99.69	99.70	99.55	99.54	99.56

下载: 导出CSV 

| 显示表格

由表3可看出，KNN，SVM，XGBoost，R1DCNN及改进1DCNN模型的煤岩截割状态识别准确率均达90%以上，而RF模型表现不佳。相对于传统机器学习和集成学习模型，深度学习模型的识别精度和稳定性均具有明显优势；与R1DCNN模型相比，改进1DCNN模型在处理一维输入数据时特征提取能力更强，平均准确率提高了0.59%，此外也大大节约了计算成本，提高了模型识别速度。实验结果表明，改进1DCNN模型可有效提高煤岩识别精度和速度。

4.   结论

（1） 改进1DCNN模型无需预先对输入信号进行频谱分析，可直接从一维煤岩截割振动信号中提取深层次特征，实现对采煤机煤岩截割状态的稳定识别。

（2） 改进1DCNN模型使用多个连续卷积层提取一维振动信号特征，通过GAP层代替全连接层，大幅减少了参数数量，从而提高了模型训练速度；采用线性热启动与余弦退火相结合的学习率衰减策略，解决了余弦退火策略在模型训练初期因参数更新剧烈变化而引起的模型训练不稳定及权重参数剧烈波动问题。

（3） 采用t−SNE流形学习算法对模型的特征学习过程进行可视化分析，结果表明，改进1DCNN模型通过逐层特征学习，很好地实现了对煤岩截割状态的识别。改进1DCNN模型在训练集上的准确率为99.91%，在测试集上的准确率为99.32%，可直接用于采煤机截割原始振动信号分类，并能够有效识别煤岩截割状态。与传统机器学习、集成学习及未改进的1DCNN模型相比，改进1DCNN模型具有明显优势，可在减少计算成本的同时提高识别率，平均识别准确率达99.56%。