本发明涉及一种煤壁性质识别装置及方法，具体是一种基于改进elm和多源参数的煤壁性质识别装置及方法。
背景技术：
近年来，随着综合机械化采煤“少人化”和“无人化”的提出，采煤机作为井下作业的大功率电气设备，具有高昂的运行和维护成本，同时作为“三机”中直接影响综合采煤效率的设备，实现其自动化和智能化至关重要。因此，识别当前截割煤壁性质，以此作为采煤机调速的依据，对于实现采煤机自动化和智能化截割具有重要意义。
目前，煤壁性质识别主要指煤岩界面识别(即识别出当前截割的煤壁由哪些煤岩层组成)，其识别方法主要包括直接检测：利用γ射线、红外线或者x射线对煤和岩石进行识别、点检测(取样检测)等，间接检测：利用一维连续信号(例如：振动、电流和声音)、二维信号(例如：煤岩图像)、三维信号(例如：视频、工作面纹理)进行分类识别。上述各种识别方式只能识别煤体或岩体均没有涉及煤岩混合物的识别。另外传统神经网络(例如常用的bp神经网络)也被频繁地运用到煤岩性质识别上，但是该神经网络容易陷入局部最优，从而无法保证识别精度，同时其识别速度较慢。
技术实现要素：
针对上述现有技术存在的问题，本发明提供一种基于改进elm和多源参数的煤壁性质识别装置及方法，不仅能对煤体、岩体和煤岩混合物进行识别，而且在保证识别精度的前提下，有效提高识别速度。
为了实现上述目的，本发明采用的技术方案是：一种基于改进elm和多源参数的煤壁性质识别装置，包括防爆壳体、本安型电池、数据处理单元、数据存储单元、信号传输单元、多个无线mesh交换机和传感器组，本安型电池、数据处理单元、数据存储单元和信号传输单元处于防爆壳体，传感器组安装在采煤机上，传感器组由多个带有mesh无线模块的传感器组成，传感器组与多个无线mesh交换机无线通信，多个无线mesh交换机与顺槽隔爆环网交换机连接，顺槽隔爆环网交换机与信号传输单元连接，信号传输单元与数据处理单元、决策及控制系统和顺槽监控主机连接，数据处理单元与数据存储单元和顺槽监控中心的主控计算机连接，本安型电池为数据处理单元供电。
进一步，所述多个带有mesh无线模块的传感器分别为振动加速度传感器、油缸压力传感器和红外温度传感器。
进一步，所述顺槽监控主机用于采集采煤机扭矩和截割电机电流数据。
进一步，所述本安型电池为可充放电锂电池。
进一步，所述数据处理单元为微计算机或工业计算机主板。
一种基于改进elm和多源参数的煤壁性质识别方法，具体步骤为：
a、将传感器组内的各个传感器分别安装到位：其中振动加速度传感器安装在采煤机前摇臂上且沿垂直于前进方向的两轴方向分别安装一个，红外温度传感器安装在采煤机的前、后摇臂上，油缸压力传感器安装在采煤机前摇臂升降油缸的进油管道上；
b、使用顺槽监控中心的主控计算机对采煤机进行人工示教实施采煤机第一刀的切割，且保证切割煤壁、岩石和煤岩混合物三种材质的时间满足采集样本数量的需求(即确保各参数均超过相应传感器的分辨率)；
c、在第一刀切割过程中传感器组实时采集振动值、温度值和油缸压力值，同时顺槽监控主机实时采集采煤机扭矩值和截割电机电流值，共同组成多源参数，将采集的多源参数输送至数据处理单元对多源参数进行数据预处理，并将处理后的数据存储在数据存储单元中作为训练和测试样本数据；
d、将处理后的数据按5:1的比例随机分为训练集和测试集，对改进elm学习机进行训练和测试；
所述改进elm学习机：以elm学习机为基学习器，其集成学习算法boosting中的adaboost算法对多个基学习器进行加权结合，获得改进elm学习机，以获得更精准的识别结果。基学习器建设的elm与bp神经网络类似，包括输入层、隐层和输出层；输入层的节点数根据多源参数预处理后的向量维数确定，具体包括：振动值、温度值、油缸压力值、采煤机扭矩和截割电机电流信号，输出层的节点数为2；
e、使用顺槽监控中心的主控计算机控制采煤机开始自动截割，重复步骤c～d，将自动截割过程中采集到的多源参数输入到训练完成的改进elm学习机中，得出当前煤壁性质的识别结果；
f、将步骤e得出的识别结果反馈给决策及控制系统和顺槽监控中心，决策及控制系统以该识别结果为依据按照已有的控制策略对采煤机的截割状态进行调整。
与现有技术相比，本发明采用多源参数和改进极限学习机算法相结合的方式对煤壁性质进行识别，在保证识别精度的前提下，识别速度快、对传感器的精度要求不高，成本低，适用于各种地质条件，应用范围广；适用于在线实时检测和采煤机迅速反应，对于提高截割效率、增加采煤机寿命具有重要意义。
附图说明
图1是本发明中识别装置的网络连接图；
图2是本发明中基学习器的elm结构图；
图3是本发明中改进elm学习机的示意图；
图4是本发明中小波包分解树型结构示意图；
图5是本发明的识别流程图。
具体实施方式
下面将对本发明做进一步说明。
如图所示，一种基于改进elm和多源参数的煤壁性质识别装置，包括防爆壳体、本安型电池、数据处理单元、数据存储单元、信号传输单元、多个无线mesh交换机和传感器组，本安型电池、数据处理单元、数据存储单元和信号传输单元处于防爆壳体，传感器组安装在采煤机上，传感器组由多个带有mesh无线模块的传感器组成，传感器组与多个无线mesh交换机无线通信，多个无线mesh交换机与顺槽隔爆环网交换机连接，顺槽隔爆环网交换机与信号传输单元连接，信号传输单元与数据处理单元、决策及控制系统和顺槽监控主机连接，数据处理单元与数据存储单元和顺槽监控中心的主控计算机连接，本安型电池为数据处理单元供电。
进一步，所述多个带有mesh无线模块的传感器分别为振动加速度传感器、油缸压力传感器和红外温度传感器。
进一步，所述顺槽监控主机用于采集采煤机扭矩和截割电机电流数据。
进一步，所述本安型电池为可充放电锂电池。这种电池安全洁净，续航能力强，使用独立的电源供电计划，提高了该装置的独立性和互换性。
进一步，所述数据处理单元为微计算机或工业计算机主板。
一种基于改进elm和多源参数的煤壁性质识别方法，具体步骤为：
a、将传感器组内的各个传感器分别安装到位：其中振动加速度传感器安装在采煤机前摇臂上(采煤机前进方向最前端的摇臂)且沿垂直于前进方向的两轴方向分别安装一个，红外温度传感器安装在采煤机的前、后摇臂上，油缸压力传感器安装在采煤机前摇臂升降油缸的进油管道上；并确保传感器无线指示灯均显示绿色，表示传感器组的无线模块处于正常运行状态；
b、使用顺槽监控中心的主控计算机对采煤机进行人工示教实施采煤机第一刀的切割，且保证切割煤壁、岩石和煤岩混合物三种材质的时间满足采集样本数量的需求(即确保各参数均超过相应传感器的分辨率)；
c、在第一刀切割过程中传感器组实时采集振动值、温度值和油缸压力值，同时顺槽监控主机实时采集采煤机扭矩值和截割电机电流值，共同组成多源参数，将采集的多源参数输送至数据处理单元，采用对多源参数进行数据预处理，数据预处理采用小波包分解的方法提取多源参数的特征信号，并将处理后的数据归一化之后存储在数据存储单元中作为训练和测试样本数据；具体预处理过程为：
步骤1.1，对多源参数实施k层小波包分解，分解树形结构如图4所示，提取第k层频率由低到高，一共2k个频率成分特征，用(i，j)表示k层小波包分解树的第i层，第j个结点；
步骤1.2，对小波包分解系数进行重构，获取各频带的信号，原始总信号表示为：
式中s表示顶点(0，0)的原始信号；
各个频带信号的总能量计算式为：
式中j＝0，1，...,2k-1，m＝1，2，...，n；xij表示分解后第i层，第j个结点的小波包分解系数，sij表示重构xij后的信号(能量)；
步骤1.3，利用各频带信号能量构造特征向量，其形式为：
步骤1.4，对特征向量作归一化处理，令
d、将处理后的数据按5:1的比例随机分为训练集和测试集，对改进elm学习机进行训练和测试；
所述改进elm学习机：以elm学习机为基学习器(如图2所示)，其集成学习算法boosting中的adaboost算法对多个基学习器进行加权结合，获得改进elm学习机，以获得更精准的识别结果；基学习器建设的elm与bp神经网络类似，包括输入层、隐层和输出层；输入层的节点数根据多源参数预处理后的向量维数确定，具体包括：振动值、温度值、油缸压力值、采煤机扭矩和截割电机电流信号，输出层的节点数为2，具体过程为：
假设训练集的样本数为n，预处理后的数据表示为(xi，ti)，其中xi＝[xi1,xi2,...,xin]t∈rn，ti＝[ti1,ti2,...,tim]t∈rm；elm学习机的隐层包含l个隐层节点，此时elm学习机的表达式为：
式中g(x)为隐层激活函数，wi＝[wi1,wi2,...,win]t为输入权重，βi为输出权重，bi表示第i个隐层单元的偏置，wi·xj表示两元素的内积；
则隐层节点的输出矩阵h的计算式为：
即：hβ＝b(7)
其中，β表示输出权重，b为期望输出；
选取sigmoidal函数
β＝h+b(8)
其中，h+为矩阵h的moore-penrose广义逆矩阵；
如图3所示，作为基学习器的elm用adaboost集成算法进行组合，具体过程如下，d表示训练集，其概率分布为dt：
a、初始化训练集的样本权重，为1/n，并对基学习器进行训练得到elm1，其分类结果为h1(x)，依次类推elmt的分类结果为h2(x)；
b、计算elm1的指数损失函数，根据最小化指数损失函数的准则对elm1进行权值更新，指数损失函数的表达式为：
其中，f(x)为真实函数，αt为elmt的权重，εt＝p(ht(x)≠f(x))表示elmt的错误率；由此得到权值更新公式：
c、对样本分布进行调整，使基于此样本训练的elm2能解决elm1的部分问题，获得更新样本1，样本分布更新公式为：
d、重复步骤b和步骤c，经过m次循环后得到m个训练完成的基学习器和m-1个更新样本；
e、对识别结果进行加权线性组合得到综合识别结果：
e、使用顺槽监控中心的主控计算机控制采煤机开始自动截割，重复步骤c～d，将自动截割过程中采集到的多源参数输入到训练完成的改进elm学习机中，得出当前煤壁性质的识别结果；
f、将步骤e得出的识别结果反馈给决策及控制系统和顺槽监控中心，决策及控制系统以该识别结果为依据按照已有的控制策略对采煤机的截割状态进行调整。