CN108627357B - 一种采煤机截割载荷软测量方法 - Google Patents
一种采煤机截割载荷软测量方法 Download PDFInfo
- Publication number
- CN108627357B CN108627357B CN201810241231.XA CN201810241231A CN108627357B CN 108627357 B CN108627357 B CN 108627357B CN 201810241231 A CN201810241231 A CN 201810241231A CN 108627357 B CN108627357 B CN 108627357B
- Authority
- CN
- China
- Prior art keywords
- current
- cutting motor
- data processor
- neural network
- cutting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 293
- 239000003245 coal Substances 0.000 title claims abstract description 94
- 238000005065 mining Methods 0.000 title claims abstract description 73
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 239000011435 rock Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种采煤机截割载荷软测量方法，包括步骤一、电流和转速信号的检测；步骤二、电流和转速信号的采集；步骤三、电流有效值计算；步骤四、电流有效值的小波降噪；步骤五、建立截割载荷ELM神经网络模型；步骤六、采煤机截割载荷的获取。本发明方法步骤简单、设计合理且测量准确度高，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷，实用性强。
Description
技术领域
本发明属于煤矿自动化开采技术领域，尤其是涉及一种采煤机截割载荷软测量方法。
背景技术
滚筒是采煤机的工作机构，滚筒上的载荷对采煤机的受力状态、生产效率、截割能耗以及结构件的工作可靠性都有着重要的影响。目前，对采煤机截割载荷的测量主要有以下几种方法：
(1)目前常规的测量方法是通过对煤矿岩石样本进行实验测试，获得相关对应的煤矿岩石硬度情况，在获取煤矿岩石硬度情况的基础上计算截割阻力系数，得到单个截齿的截割力和扭矩，从而得出采煤机截割载荷。但是，由于煤炭赋存条件的复杂性，造成煤矿岩石物理机械性质的多变性，即使在同一矿区也是如此，而且煤矿岩石层还存在夹矸、断层等，因此，采煤机在工作过程中，必然会出现其截割对象具有不同的性质的情况，所以通过获取煤矿岩石样本实验测试出的截割载荷数值不能保证其精度；
(2)通过在采煤机机身安装检测仪器，直接对截割载荷进行测量。虽然检测便捷且安装方便，但是由于煤矿井下采煤工作面的工况和环境条件较为恶劣，检测采煤机截割载荷所使用的检测仪器必须要具有良好的防爆、防潮、防干扰等性能，且由于采煤井下空间狭小，要求所使用的检测仪器体积较小，这样对于检测仪器的要求非常高，另外检测仪器还存在检修的问题，不适应于井下长时间实时检测；
(3)通过建立采煤机摇臂虚拟样机，分析柔性摇臂壳体的动态特性，以此计算截割载荷，由于其在摇臂伸出端施加的是阶跃和正弦负载，难以真实的反映出采煤机实际工作过程中的受力情况，所以不能保证其检测精度；
(4)根据滚筒参数(齿类型、端盘和叶片参数、基本参数、排列方式和功能按钮)和煤矿岩石参数(截割对象的截割破碎指标和力学性质)得出截割载荷。但是，由于煤矿环境恶劣，煤矿岩石参数的获取存在一定困难。
因而，需设计一种方法步骤简单、设计合理采煤机截割载荷软测量方法，建立采煤机截割载荷软测量模型，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种采煤机截割载荷软测量方法，其方法步骤简单、设计合理且测量准确度高，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷，实用性强。
为解决上述技术问题，本发明采用的技术方案是：一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：
步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；
步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：
所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；
所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；
所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；
步骤三、电流有效值计算：所述数据处理器根据公式
得到第一截割电机的电流有效值Iyc，所述数据处理器根据公式
得到第二截割电机的电流有效值iyc；
步骤四、电流有效值的小波降噪：采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第一截割电机的电流有效值Iyc进行小波降噪，得到去噪后的第一截割电机的电流有效值Iy′c，采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第二截割电机的电流有效值iyc小波降噪，得到去噪后的第二截割电机的电流有效值i′yc；
步骤五、建立截割载荷ELM神经网络模型：
步骤501、确定ELM神经网络模型的输入层节点数和输出层节点数：采用所述数据处理器建立ELM神经网络模型，所述ELM神经网络模型为单隐层神经网络模型，所述ELM神经网络模型输入层的节点数为3个，将去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速作为所述ELM神经网络模型的输入；所述ELM神经网络模型输出层的节点数为1个，将采煤机截割载荷作为所述ELM神经网络模型的输出，所述ELM神经网络模型隐含层的节点数为n，n为1～50的自然数；
步骤502、训练各个不同隐含层节点数的ELM神经网络模型：
所述数据处理器对采煤机不同工作状态时对应的多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速进行获取，并以多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速分别对应的多个采煤机截割载荷作为所述ELM神经网络模型的输出，构建训练样本；
第i组训练样本包括第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速和第i个采煤机截割载荷Wi；其中，所述训练样本的组数为M个，1≤i≤M，M为正整数；
采用所述数据处理器设置激活函数为Sigmiod函数，对n取值为1～50的自然数时所对应的不同隐含层节点数的ELM神经网络模型进行训练；
步骤503、确定第一个训练好的神经网络模型：采用所述数据处理器根据公式
得到各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj；其中，
表示j个隐含层节点数时所对应的ELM神经网络模型的各个输出值，1≤j≤n，j为正整数；
采用所述数据处理器将各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj按照从小到大的顺序进行排序，得到均方根误差最小值μmin，则确定均方根误差最小值μmin所对应的ELM神经网络模型为第一个训练好的神经网络模型；
步骤504、重复步骤501至步骤503，采用所述数据处理器设置激活函数为Sine函数，得到第二个训练好的神经网络模型；
步骤505、重复步骤501至步骤503，采用所述数据处理器设置激活函数为多项式函数，得到第三个训练好的神经网络模型；
步骤六、采煤机截割载荷的获取：所述数据处理器对步骤四中得到去噪后的第一截割电机的电流有效值I′yc、去噪后的第二截割电机的电流有效值i′yc和步骤二得到的电机转速RSc带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
并采用所述数据处理器根据公式
得到采煤机截割载荷的预测值Wzc。
上述的一种采煤机截割载荷软测量方法，其特征在于：步骤一中所述第一电流检测模块包括第一电流传感器、第二电流传感器和第三电流传感器，所述第一电流传感器、所述第二电流传感器和所述第三电流传感器均与所述数据处理器相接；所述第一截割电机的三相电流信号检测的具体过程为：所述第一电流传感器对所述第一截割电机的A相电流信号进行实时检测，并将检测到的所述第一截割电机的A相电流信号传输至所述数据处理器，所述第二电流传感器对所述第一截割电机的B相电流信号进行实时检测，并将检测到的所述第一截割电机的B相电流信号传输至所述数据处理器，所述第三电流传感器对所述第一截割电机的C相电流信号进行实时检测，并将检测到的第一截割电机的C相电流信号传输至所述数据处理器；
步骤一中所述第二电流检测模块包括第四电流传感器、第五电流传感器和第六电流传感器，所述第四电流传感器、所述第六电流传感器和所述第五电流传感器均与所述数据处理器相接；所述第二截割电机的三相电流信号检测的具体过程为：所述第四电流传感器对所述第二截割电机的A相电流信号进行实时检测，并将检测到的所述第二截割电机的A相电流信号传输至所述数据处理器，所述第五电流传感器对所述第二截割电机的B相电流信号进行实时检测，并将检测到的所述第二截割电机的B相电流信号传输至所述数据处理器，所述第六电流传感器对所述第二截割电机的C相电流信号进行实时检测，并将检测到的所述第二截割电机的C相电流信号传输至所述数据处理器。
上述的一种采煤机截割载荷软测量方法，其特征在于：步骤六中采煤机截割载荷的获取之前，获取校正系数，具体过程如下：
步骤A、采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
然后，采用所述数据处理器根据公式
得到第i组训练样本的截割载荷预测值Wzi；
步骤B、采用所述数据处理器根据公式
得到第i组训练样本的预测系数ki；采用所述数据处理器根据公式
得到截割载荷预测值的校正系数Ks。
上述的一种采煤机截割载荷软测量方法，其特征在于：步骤六中得到采煤机截割载荷的预测值Wzc之后，采用所述数据处理器根据公式W′zc＝Wzc/Ks，得到采煤机截割载荷校正值W′zc。
上述的一种采煤机截割载荷软测量方法，其特征在于：步骤502中所述训练样本的组数M的取值范围为40～200的自然数。
本发明与现有技术相比具有以下优点：
1、方法步骤简单、设计合理且实现简便，投入成本低。
2、本发明所采用的截割载荷软测量模型的输入层变量选择截割电机电流和电机转速作为辅助变量，截割电机电流和电机转速变量信号相对比较容易检测，实用性强。
3、本发明首先对截割电机的三相电流信号进行有效值计算，然后对截割电机的电流有效值进行小波分解与重构，是为了对截割电机的电流有效值进行降噪处理，剔除奇异值，以提高电流有效值获取的准确性，为后面的截割载荷模型建立做准备。
4、本发明通过选择不同的激活函数，建立三个ELM神经网络模型对截割载荷进行预测，然后将三个ELM神经网络模型的输出求平均值，作为预测结果，利用有限学习机理论建立了截割载荷软测量模型，很大程度提高了软测量模型准确性。
5、本发明通过对三个ELM神经网络模型输出的平均值进行校正，进一步提高截割载荷模型的准确性，以提高模型的适应能力和精度。
综上所述，本发明方法步骤简单、设计合理且测量准确度高，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示的一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：
步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；
步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：
所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；
所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；
所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；
步骤三、电流有效值计算：所述数据处理器根据公式
得到第一截割电机的电流有效值Iyc，所述数据处理器根据公式
得到第二截割电机的电流有效值iyc；
步骤四、电流有效值的小波降噪：采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第一截割电机的电流有效值Iyc进行小波降噪，得到去噪后的第一截割电机的电流有效值I′yc，采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第二截割电机的电流有效值iyc小波降噪，得到去噪后的第二截割电机的电流有效值i′yc；
步骤五、建立截割载荷ELM神经网络模型：
步骤501、确定ELM神经网络模型的输入层节点数和输出层节点数：采用所述数据处理器建立ELM神经网络模型，所述ELM神经网络模型为单隐层神经网络模型，所述ELM神经网络模型输入层的节点数为3个，将去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速作为所述ELM神经网络模型的输入；所述ELM神经网络模型输出层的节点数为1个，将采煤机截割载荷作为所述ELM神经网络模型的输出，所述ELM神经网络模型隐含层的节点数为n，n为1～50的自然数；
步骤502、训练各个不同隐含层节点数的ELM神经网络模型：
所述数据处理器对采煤机不同工作状态时对应的多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速进行获取，并以多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速分别对应的多个采煤机截割载荷作为所述ELM神经网络模型的输出，构建训练样本；
第i组训练样本包括第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速和第i个采煤机截割载荷Wi；其中，所述训练样本的组数为M个，1≤i≤M，M为正整数；
采用所述数据处理器设置激活函数为Sigmiod函数，对n取值为1～50的自然数时所对应的不同隐含层节点数的ELM神经网络模型进行训练；
本实施例中，n取值为1～50的自然数，是因为随着神经网络模型隐含层的节点数增加，预测误差减少，如果神经网络模型隐含层的节点数过大，预测误差反而增大，因此，对神经网络模型隐含层节点数进行适当取值，既能满足误差小，且所需的训练时间短。
步骤503、确定第一个训练好的神经网络模型：采用所述数据处理器根据公式
得到各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj；其中，
表示j个隐含层节点数时所对应的ELM神经网络模型的各个输出值，1≤j≤n，j为正整数；
采用所述数据处理器将各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj按照从小到大的顺序进行排序，得到均方根误差最小值μmin，则确定均方根误差最小值μmin所对应的ELM神经网络模型为第一个训练好的神经网络模型；
步骤504、重复步骤501至步骤503，采用所述数据处理器设置激活函数为Sine函数，得到第二个训练好的神经网络模型；
步骤505、重复步骤501至步骤503，采用所述数据处理器设置激活函数为多项式函数，得到第三个训练好的神经网络模型；
步骤六、采煤机截割载荷的获取：所述数据处理器对步骤四中得到去噪后的第一截割电机的电流有效值I′yc、去噪后的第二截割电机的电流有效值i′yc和步骤二得到的电机转速RSc带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
并采用所述数据处理器根据公式
得到采煤机截割载荷的预测值Wzc。
本实施例中，步骤一中所述第一电流检测模块包括第一电流传感器、第二电流传感器和第三电流传感器，所述第一电流传感器、所述第二电流传感器和所述第三电流传感器均与所述数据处理器相接；所述第一截割电机的三相电流信号检测的具体过程为：所述第一电流传感器对所述第一截割电机的A相电流信号进行实时检测，并将检测到的所述第一截割电机的A相电流信号传输至所述数据处理器，所述第二电流传感器对所述第一截割电机的B相电流信号进行实时检测，并将检测到的所述第一截割电机的B相电流信号传输至所述数据处理器，所述第三电流传感器对所述第一截割电机的C相电流信号进行实时检测，并将检测到的第一截割电机的C相电流信号传输至所述数据处理器；
步骤一中所述第二电流检测模块包括第四电流传感器、第五电流传感器和第六电流传感器，所述第四电流传感器、所述第六电流传感器和所述第五电流传感器均与所述数据处理器相接；所述第二截割电机的三相电流信号检测的具体过程为：所述第四电流传感器对所述第二截割电机的A相电流信号进行实时检测，并将检测到的所述第二截割电机的A相电流信号传输至所述数据处理器，所述第五电流传感器对所述第二截割电机的B相电流信号进行实时检测，并将检测到的所述第二截割电机的B相电流信号传输至所述数据处理器，所述第六电流传感器对所述第二截割电机的C相电流信号进行实时检测，并将检测到的所述第二截割电机的C相电流信号传输至所述数据处理器。
本实施例中，步骤六中采煤机截割载荷的获取之前，获取校正系数，具体过程如下：
步骤A、采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
然后，采用所述数据处理器根据公式
得到第i组训练样本的截割载荷预测值Wzi；
步骤B、采用所述数据处理器根据公式
得到第i组训练样本的预测系数ki；采用所述数据处理器根据公式得到截割载荷预测值的校正系数Ks。
本实施例中，步骤六中得到采煤机截割载荷的预测值Wzc之后，采用所述数据处理器根据公式W′zc＝Wzc/Ks，得到采煤机截割载荷校正值W′zc。
本实施例中，步骤502中所述训练样本的组数M的取值范围为40～200的自然数。
本实施例中，设置M的取值范围为40～200的自然数，是因为M不小于40，训练样本太少，预测不准确；M不大于200，是因为训练样本的增加能提交预测的准确度，训练时间较长。
本实施例中，由采煤机截割原理可知，采煤机截割载荷的波动主要由截割部参数以及煤层特性决定，在采煤机截割过程中截割载荷不断波动，截割载荷的波动频率也发生变化，且由截割部参数引起的截割载荷波动主要集中在低频成份，而由煤层特性引起的截割载荷波动通常高于100Hz，一般为几百赫兹，为截割载荷的高频分量。因此，步骤四中电流有效值的小波降噪，是为了当采煤机截割时，可以将电流信号的噪声信号去掉，提高信噪比，以使获取的电流信号精度高。
本实施例中，步骤四中电流有效值的小波降噪，小波降噪即选择小波分解与重构去噪的方法，是因为电流有效值利用小波分解后的含噪部分主要集中在高频小波部分中，并且，包含有用信号的小波系数幅值较大，数目小，而噪声对应的小波系数幅值小，但数目较多，由此对小波分解的高频系数进行门限阀值量化处理，即对较小的小波置为0，较大的保留或削弱；然后进行小波重构，达到消除噪声的目的。
本实施例中，目前神经网络建模是采用单一神经网络模型进行预测，这种方法不考虑数据之间的联系与差异，存在建模时偏差较大的缺点。同时，随着训练数据的不断增加，神经网络模型的结构也越来越复杂，神经网络模型的训练时间也越来越长。因此，本发明的对截割载荷进行ELM神经网络模型，是采用三个ELM神经网络模型对截割载荷进行建模，然后将ELM神经网络模型的输出结果进行平均处理，其具有较高的计算速度，适合在线学习。
本实施例中，选择ELM神经网络模型，是因为极限学习机(Extreme LearningMachine)ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法，ELM与传统学习算法相比，具有学习速度快、泛化性能好的特点。
本实施例中，采煤机截割载荷进行软测量，是因为薄煤层电牵引采煤机工作过程中，由于煤层的复杂性，截割载荷不断变化，这些不均匀的截割载荷不仅会引起采煤机的振动，直接影响采煤机工作的稳定性和使用寿命，造成采煤机超载停机，而且给截割载荷的检测带来了困难。由于截割载荷的不确定性、驱动电机的非线性以及多电机驱动的强耦合性，导致传统的载荷测量方法难以满足要求。因此，针对薄煤层电牵引采煤机截割载荷的不确定性以及测量过程中存在非线性、强耦合性的问题，提出采煤机截割载荷软测量方法，准确测量采煤机截割载荷，对采煤机进行安全、高效的控制。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：
步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；
步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：
所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；
所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；
所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；
步骤三、电流有效值计算：所述数据处理器根据公式
得到第一截割电机的电流有效值Iyc，所述数据处理器根据公式
得到第二截割电机的电流有效值iyc；
步骤四、电流有效值的小波降噪：采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第一截割电机的电流有效值Iyc进行小波降噪，得到去噪后的第一截割电机的电流有效值I′yc，采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第二截割电机的电流有效值iyc小波降噪，得到去噪后的第二截割电机的电流有效值i′yc；
步骤五、建立截割载荷ELM神经网络模型：
步骤501、确定ELM神经网络模型的输入层节点数和输出层节点数：采用所述数据处理器建立ELM神经网络模型，所述ELM神经网络模型为单隐层神经网络模型，所述ELM神经网络模型输入层的节点数为3个，将去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速作为所述ELM神经网络模型的输入；所述ELM神经网络模型输出层的节点数为1个，将采煤机截割载荷作为所述ELM神经网络模型的输出，所述ELM神经网络模型隐含层的节点数为n，n为1～50的自然数；
步骤502、训练各个不同隐含层节点数的ELM神经网络模型：
所述数据处理器对采煤机不同工作状态时对应的多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速进行获取，并以多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速分别对应的多个采煤机截割载荷作为所述ELM神经网络模型的输出，构建训练样本；
第i组训练样本包括第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速和第i个采煤机截割载荷Wi；其中，所述训练样本的组数为M个，1≤i≤M，M为正整数；
采用所述数据处理器设置激活函数为Sigmiod函数，对n取值为1～50的自然数时所对应的不同隐含层节点数的ELM神经网络模型进行训练；
步骤503、确定第一个训练好的神经网络模型：采用所述数据处理器根据公式
得到各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj；其中，
表示j个隐含层节点数时所对应的ELM神经网络模型的各个输出值，1≤j≤n，j为正整数；
采用所述数据处理器将各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj按照从小到大的顺序进行排序，得到均方根误差最小值μmin，则确定均方根误差最小值μmin所对应的ELM神经网络模型为第一个训练好的神经网络模型；
步骤504、重复步骤501至步骤503，采用所述数据处理器设置激活函数为Sine函数，得到第二个训练好的神经网络模型；
步骤505、重复步骤501至步骤503，采用所述数据处理器设置激活函数为多项式函数，得到第三个训练好的神经网络模型；
步骤六、采煤机截割载荷的获取：所述数据处理器对步骤四中得到去噪后的第一截割电机的电流有效值I′yc、去噪后的第二截割电机的电流有效值i′yc和步骤二得到的电机转速RSc带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
所述数据处理器将I′yc、i′yc和RSc带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
并采用所述数据处理器根据公式
得到采煤机截割载荷的预测值Wzc；
步骤六中采煤机截割载荷的获取之前，获取校正系数，具体过程如下：
步骤A、采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值
所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值
采用所述数据处理器将所述训练样本中第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速带入步骤505中第三个训练好的神经网络模型，得到第三个训练好的神经网络模型的输出值
然后，采用所述数据处理器根据公式
得到第i组训练样本的截割载荷预测值Wzi；
步骤B、采用所述数据处理器根据公式
得到第i组训练样本的预测系数ki；采用所述数据处理器根据公式
得到截割载荷预测值的校正系数Ks。
2.按照权利要求1所述的一种采煤机截割载荷软测量方法，其特征在于：步骤一中所述第一电流检测模块包括第一电流传感器、第二电流传感器和第三电流传感器，所述第一电流传感器、所述第二电流传感器和所述第三电流传感器均与所述数据处理器相接；所述第一截割电机的三相电流信号检测的具体过程为：所述第一电流传感器对所述第一截割电机的A相电流信号进行实时检测，并将检测到的所述第一截割电机的A相电流信号传输至所述数据处理器，所述第二电流传感器对所述第一截割电机的B相电流信号进行实时检测，并将检测到的所述第一截割电机的B相电流信号传输至所述数据处理器，所述第三电流传感器对所述第一截割电机的C相电流信号进行实时检测，并将检测到的第一截割电机的C相电流信号传输至所述数据处理器；
步骤一中所述第二电流检测模块包括第四电流传感器、第五电流传感器和第六电流传感器，所述第四电流传感器、所述第六电流传感器和所述第五电流传感器均与所述数据处理器相接；所述第二截割电机的三相电流信号检测的具体过程为：所述第四电流传感器对所述第二截割电机的A相电流信号进行实时检测，并将检测到的所述第二截割电机的A相电流信号传输至所述数据处理器，所述第五电流传感器对所述第二截割电机的B相电流信号进行实时检测，并将检测到的所述第二截割电机的B相电流信号传输至所述数据处理器，所述第六电流传感器对所述第二截割电机的C相电流信号进行实时检测，并将检测到的所述第二截割电机的C相电流信号传输至所述数据处理器。
3.按照权利要求1所述的一种采煤机截割载荷软测量方法，其特征在于：步骤六中得到采煤机截割载荷的预测值Wzc之后，采用所述数据处理器根据公式W′zc＝Wzc/Ks，得到采煤机截割载荷校正值W′zc。
4.按照权利要求1或2所述的一种采煤机截割载荷软测量方法，其特征在于：步骤502中所述训练样本的组数M的取值范围为40～200的自然数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810241231.XA CN108627357B (zh) | 2018-03-22 | 2018-03-22 | 一种采煤机截割载荷软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810241231.XA CN108627357B (zh) | 2018-03-22 | 2018-03-22 | 一种采煤机截割载荷软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108627357A CN108627357A (zh) | 2018-10-09 |
| CN108627357B true CN108627357B (zh) | 2020-05-26 |
Family
ID=63696224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810241231.XA Active CN108627357B (zh) | 2018-03-22 | 2018-03-22 | 一种采煤机截割载荷软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108627357B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541282A (zh) * | 2019-09-23 | 2021-03-23 | 辽宁工程技术大学 | 一种采煤机螺旋滚筒截割含夹矸煤岩瞬态载荷提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2349827A1 (de) * | 1972-10-10 | 1974-04-18 | Coal Industry Patents Ltd | Messvorrichtung, insbesondere zur verwendung am schneidkopf einer gewinnungsmaschine fuer den bergbau |
| RU2327869C1 (ru) * | 2006-12-21 | 2008-06-27 | Государственное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный горный институт имени Г.В. Плеханова (технический университет)" | Рабочий орган горных машин |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101424219A (zh) * | 2007-11-01 | 2009-05-06 | 中国人民解放军军事交通学院 | 火花塞局部混合气浓度软测量方法 |
| CN103177155B (zh) * | 2013-02-28 | 2016-04-20 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
| CN104153816A (zh) * | 2014-09-04 | 2014-11-19 | 中国矿业大学(北京) | 一种基于黑匣子的采煤机状态监测方法 |
| CN104792563B (zh) * | 2015-04-29 | 2017-09-26 | 辽宁工程技术大学 | 滚筒采煤机综采成套装备力学特性的测试系统 |
-
2018
- 2018-03-22 CN CN201810241231.XA patent/CN108627357B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2349827A1 (de) * | 1972-10-10 | 1974-04-18 | Coal Industry Patents Ltd | Messvorrichtung, insbesondere zur verwendung am schneidkopf einer gewinnungsmaschine fuer den bergbau |
| RU2327869C1 (ru) * | 2006-12-21 | 2008-06-27 | Государственное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный горный институт имени Г.В. Плеханова (технический университет)" | Рабочий орган горных машин |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108627357A (zh) | 2018-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105004523B (zh) | 基于加权相似性测度的滚动轴承状态监测方法 | |
| CN104819766B (zh) | 基于谐噪比的包络解调频带确定方法 | |
| CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
| CN102778346B (zh) | 断路器刚分刚合点的在线判断方法及其装置 | |
| CN105403402B (zh) | 风力发电机组传动链系统扭振状态的监测方法 | |
| CN107101827B (zh) | 一种低速重载齿轮裂纹故障在线检测方法 | |
| CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及系统 | |
| CN110095179B (zh) | 一种电机振动检测与诊断方法 | |
| CN108361207B (zh) | 一种用于离心泵振动监测与故障预警的装置及方法 | |
| CN110057581B (zh) | 基于区间型信度规则推理的旋转机械故障诊断方法 | |
| CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
| CN103308707A (zh) | 一种自适应转速测量方法 | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN103827683A (zh) | 确定用于机电系统诊断的平稳信号的方法 | |
| CN108592812B (zh) | 风机叶片光纤载荷应变特征提取及裂纹监测方法 | |
| CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
| CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
| CN110954827A (zh) | 故障诊断方法、装置、电子设备及系统 | |
| CN102721462A (zh) | 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法 | |
| CN108627357B (zh) | 一种采煤机截割载荷软测量方法 | |
| CN109883692B (zh) | 基于内置编码器信息的广义差分滤波方法 | |
| CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
| CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
| CN113358342B (zh) | 一种风力发电机组螺栓监测系统及方法 | |
| CN113567117B (zh) | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |