不同采煤工序下CO涌出特征提取及測試數據研究

邢 震

(1.中煤科工集團常州研究院有限公司，江蘇省常州市，213015；2.天地(常州)自動化股份有限公司，江蘇省常州市，213015)

煤礦井下特別是煤自燃需要重點監測工作面上隅角的CO氣體并不僅來源于采空區遺煤氧化，還會來自煤層賦存原生以及工作面割煤。正常割煤作業流程對煤體的破壞較大，會涌出較多的CO氣體，而其他階段產生的CO氣體并不多，不同作業工序下產生CO氣體的規律明顯不同。因此為更有效地利用安全監控系統CO數據從而進行煤自燃的監測判定[1-2]，有必要對安全監控系統原始數據進行深度挖掘，提取明顯的特征參數作為識別指標，將監控系統中濃度時間序列與采煤工序有效對應，從而以CO數據對采煤工序進行辨識，進而有助于煤礦工程技術人員更加及時地掌握和判斷綜采工作面的實時綜采作業狀況以及不同階段CO涌出特點作出不同的應急預案，為后續不同工序下的分類預警提供支撐。

1 綜采工作面作業流程劃分

選取某煤礦綜采工作面為研究對象[3-4]，試驗工作面平均煤層厚度2.75 m，煤層傾角7°；工作面沿煤層走向布置，沿煤層傾向推進，采高2.8 m。采用單一走向長壁后退式綜采法，一次采全高，全部垮落法管理頂板。該工作面循環進度為0.6 m，采出率約95%, 每日推進6個正規循環, 即日進度3.6 m。

正常生產期間工作面割煤工序為：前滾筒割頂煤，后滾筒割底煤，往返1次割兩刀煤，支架溜推移2個步距完成2個循環。采用端頭斜切進刀，采煤機割到端頭后，將前滾筒降下來，返回進行斜切進刀。同時液壓支架滯后采煤機跟機移架，直到走完彎曲段進入刮板輸送機的直線段。進入直線段后沿著原推刮板輸送機方向依次將刮板輸送機推直；彎曲段推直后，將采煤機靠近端頭前滾筒升起，向端頭返回割三角煤。三角煤割完后，調換采煤機行走方向，返程正常割煤。利用采煤機螺旋滾筒，配合刮板輸送機將煤經橋式轉載機裝到帶式輸送機進行外運裝煤。

工作面采用“三八”作業制，二班采煤一班準備。具體作業流程如圖1所示，其中8∶00-9∶00為晚/早交接班時間，9∶00-16∶00為割煤時間，其中割煤工序和移架、移刮板輸送機、支護等工序順次進行，16∶00-17∶00為早/中交接班時間，17∶00-00∶00為檢修時間，00∶00-1∶00為中/晚交接班時間，1∶00-8∶00為割煤時間。由于不同采煤工序對煤體破壞程度不同、不同工序之間時間重疊以及不同工序維持的時間長短不一，根據各工序期間CO涌出程度，合理劃分模式識別的分類標準。其中割煤對煤體破壞力度最大，而移架、移刮板輸送機、支護等工序基本是與割煤同步進行，因此劃分為同一類，而交接班以及檢修分別劃分同一類，共劃分為交接班、割煤(含移架、移刮板輸送機、支護等工序)、檢修3類工序。

圖1 試驗工作面正規作業流程

2 上隅角CO濃度時間序列的小波閾值去噪

2.1 實驗數據采集

實驗數據來源于試驗工作面上隅角CO濃度歷史數據。該工作面按照《煤礦安全規程》規定，在工作面上隅角布置CO傳感器，記錄CO濃度時間序列曲線。選取最具代表性的T0處的CO傳感器濃度時間序列進行考察。

通過選取與上述煤礦工作面正規作業流程對應的時間段，調取綜采工作面上隅角煤礦安全監控系統24 h內連續采集所得CO濃度時間密采數據，共計1 356個樣本點。

2.2 實驗數據去噪處理

小波閾值去噪是常用的信號處理方法，具體步驟如下[5-6]。

第一步：分解小波。根據含噪信號的特點，選用合適的小波基，若含噪信號信噪比高，采用光滑連續的小波基；若含噪信號信噪比低，采用線性小波基。確定分解層數j，對含噪信號進行分析，計算分析參數。

第二步：閾值函數構造。重構信號的連續性和精度取決于閾值函數的選擇，不同的含噪信號要采用相對應的閾值函數，其構造影響小波濾波效果，如果選取得當，不僅可以保證在閾值處函數連續，從而使噪聲濾除效果好，還能存留含噪信號的突變狀態，更好地接近原始信號，為后期數據分析提供準確的數據保證。閾值函數主要包含硬閾值函數和軟閾值函數，其中硬閾值是將小波分解系數后的絕對值與閾值進行對比，如果信號不大于閾值則設置為零，反之保持不變。這種重構信號的方式必然導致其重構函數不連續，噪聲過濾后產生振蕩現象，信號也會失真。軟閾值函數是將小波分解系數后的絕對值與閾值進行對比后，把不大于閾值的函數設置為零，而大于閾值的信號設置為絕對值與閾值的差，這樣信號就會趨向于零。軟閾值函數的本質決定了其連續性優于硬閾值函數，由于其導數不連續，小波系數與帶噪小波系數有偏差，并且對閾值大的系數進行定值壓縮，這與噪聲隨小波系數增加而減少是不一致的，所以軟閾值函數盡管在去噪后信號相對平緩，但是信號也有可能出現失真的情況。綜合硬閾值函數和軟閾值函數的優點，煤礦安全監測系統CO異常數據剔除常采用改進的閾值構造函數，可以避免硬閾值函數在重構中出現信號振蕩現象外，還可以避免軟閾值函數失真的現象。改進后的閾值構造函數如下：

(1)

式中：λ1——上閾值；

λ2——下閾值；

wj,k——原始小波系數。

第三步：閾值的選取。小波閾值在濾波中起到關鍵作用[7-9]，適當的閾值不僅能有效去除噪聲信號，而且不至于誤除有效信號，若閾值太大，會使一部分有效信號丟失，進而使得重構信號失真，若閾值太小，則無法有效地去除噪聲信號。由于煤礦井下CO濃度波動性較大、規律性不強，經過分析選擇無偏風險估計準則確定閾值，保證在濾除絕大部分噪聲信號前提下保留最多的有效信號。

第四步：重構小波。重構小波就是通過上述方法，經過閾值函數處理后的小波系數經過逆變換得到的信號，在煤礦安全監控系統中經過重構可得到濾除噪聲后的CO濃度曲線。

在經過小波降噪后的序列，消除了原始序列中大部分噪聲的影響，同時保持了原序列的特征和趨勢，對后續研究工作提供了良好的數據基礎。CO濃度時間序列密采數據降噪前后曲線如圖2所示。

圖2 CO濃度時間序列密采數據降噪前后曲線

3 綜采工作面CO涌出特征提取

影響模式識別最重要的是有效特征參數的提取和分類識別的算法[10]。數據特征的參數眾多，如果樣本數據選取的特征參數不明顯，那么無論是采用哪種分類算法，都無法將數據進行有效分類。因此對模式識別來說最重要的前提是選取明顯表征數據特征的參數。當綜采工作面作業流程發生改變時，CO濃度時間序列信號的能量分布會發生明顯變化，不同綜采工作面作業流程對應不同的CO濃度時間序列頻帶能量的分布特點，所以可以通過不同頻段內信號的能量譜分布規律來辨識綜采工作面作業流程的類別。筆者采用小波包能量分析方法完成掘進作業不同類型工序CO濃度時間序列信號的特征提取。

3.1 能量譜特征提取步驟

采用小波包能量譜對安全監控系統原始信號進行特征向量提取的步驟[11-12]如圖3所示。

根據圖3步驟，通過合理的小波基和小波分解層數的確定方案[13-15]，以Db5為小波基對采集并預去噪處理的安全監控系統上隅角CO濃度時間序列進行3層小波包分解，得到各頻帶系數分布圖，并通過小波包能量譜的方法提取8個頻帶內的能量作為特征向量，作為識別綜采工作面不同工序的特征參數。

圖3 特征向量提取步驟

3.2 綜采工作面CO涌出特征提取

根據上述小波包能量譜特征提取方法，得到綜采工作面在交接班、割煤、檢修期間CO濃度時間序列小波包分解頻帶波形和8個頻帶內的特征能量譜，分別如圖4和圖5所示。

圖4 不同作業工序CO濃度時間序列小波包分解頻帶波形

在綜采工作面不同作業流程CO濃度時間序列信號的能量譜中，某個或某幾個頻段的能量占比規律決定了該工序的特點。

由圖5可以看出，3種工序在第1頻段內能量占比均最高，其中割煤工序在第1頻段內能量占比達94.32%，交接班工序在第1頻段內能量占比最低也達到了64.99%；2～8頻段內3種工序的能量分布呈現不同的規律，其中交接班期間各頻段分布不均勻，6、7頻段能量占比相對較高，4、8頻段能量占比最低；割煤(含移架、移刮板輸送機、支護等工序)工序2～8頻段能量分布相對均勻，集中在0.71%～0.97%之間，特征明顯容易識別；檢修工序2～8頻段能量分布呈現另一種規律，中間4、5頻段能量相對較高，其他頻段能量低且不均衡。

圖5 不同作業工序CO濃度時間序列小波包分解各頻段能量分布

以小波包能量譜特征提取出的標準樣本中各個頻段能量作為特征參數，將其依次排列做為特征向量。不同工序代表性標準識別樣本見表1。

表1 不同工序代表性標準識別樣本

4 基于RBF神經網絡的CO涌出模式識別

4.1 RBF網絡的結構

RBF神經網絡屬于只含有1個隱含層的前向網絡[16-18]，依次由輸入層、隱含層以及輸出層組成。RBF神經網絡最明顯的特點是隱含層節點的基函數采用距離函數，激活函數則利用徑向基函數。RBF神經網絡的原理是通過徑向基函數對輸入測試向量變換，使得高維空間中可映射輸入的低維測試數據，進而將輸出值采用加權求和，最終將計算結果映射到低維度空間中并輸出。RBF神經網絡的基函數是多維空間的中心點，存在徑向對稱性，并且與中心點越近的輸入向量，其神經元激活水平越高，反之越低，所以隱藏節點具有局部特性[19]。RBF神經網絡的網絡結構如圖6所示。

圖6 RBF神經網絡結構

RBF神經網絡的輸入層由待處理信號的節點構成，X=[x1,x2,…,xn]T，其中n表示待處理信號的節點數目；中間的隱藏層H=[h1,h2,…,hm]T為徑向基函數，其中m表示隱含層節點數目，通常用高斯函數表示：

(2)

tim=[ti1,ti2,…，tiM]

式中：tim——徑向基函數的中心；

σi——徑向基函數的方差。

假設神經網絡輸入的訓練樣本為Xk，神經網絡第j個輸出目標的輸出結果表示為：

(3)

式中：ω0j——權重。

RBF神經網絡主要是對基函數的中心、方差以及權重3個參數進行求解。算法主要分為兩步，第一步為訓練階段，主要是求解隱含層基函數中心以及方差，第二步是學習階段，完成權重的求解。

4.2 驗證

根據試驗工作面正規作業循環，將綜采工作面正規作業流程合理劃分為3類識別類型，在RBF神經網絡中，將交接班模式設置輸出值為01，割煤模式(含移架、移刮板輸送機、支護等工序)設置輸出值為02，檢修模式設置輸出值為03，將此數組當作神經網絡的期望輸出值。對提取的能量譜特征向量進行歸一化處理后輸入至RBF神經網絡，以已知的作業流程模式為輸出量，進行訓練，3類模式的訓練樣本共計86個。神經網絡的輸入層節點數目共8個，隱含層節點數目共24個，設置神經網絡計算誤差的目標值為0.001，經過訓練樣本的輸入輸出學習，計算出基函數的中心、方差以及權重3個主要參數。神經網絡學習完成后重新將訓練樣本輸入進行模式識別，得出分類結果全部正確，說明神經網絡學習效果良好。

提取其他工作日的樣本數據，按照上述能量譜提取的方法進行特征向量提取后，與當日的作業流程進行比對，確定各時間段對應的工作面作業流程，作為測試樣本共10組，對已知模式類型但未參數訓練的10組測試樣本進行模式識別，測試結果見表2。

由表2可以看出，10組測試數據的模式識別結果中有9個識別結果與實際工作面作業工序一致，識別率為90%，由此說明RBF神經網絡能完成綜采工作面作業工序的分類目的，可以應用于現場的模式識別中。

表2 測試樣本神經網絡測試效果

5 結論

(1)通過對安全監控系統上隅角CO濃度時間序列利用小波包三層分解的方法提取8個頻帶的能量譜分布情況作為模式識別的特征向量，能明顯地區分綜采工作面不同作業流程，說明小波包提取出的能量譜作為不同采煤工序的特征參數是可行的。

(2)將提取的能量譜特征向量作為輸入參數進行RBF神經網絡訓練后求得基函數的中心、方差以及權重3個主要參數，對已知模式類型但未參數訓練的10組測試樣本進行模式識別，正確率為90%，說明這種方法能有效地區分綜采工作面不同采煤工序下的CO濃度時間序列，可以應用于現場。