基于EEMD-KPCA和KL散度的垮落煤岩识别.pdf

第4 5 卷第2 期 2 0 2 0 年2 月 煤炭学报 J O U R N A L0 FC H I N AC O A LS O C I E T Y V 0 1 ．4 5N o ．2 F e b ．2 0 2 0 移动阅读 李一鸣，白龙，蒋周翔，等．基于E E M D K P c A 和K L 散度的垮落煤岩识别[ J ] ．煤炭学报，2 0 2 0 ，4 5 2 8 2 7 8 3 5 ．d o i 1 0 ．1 3 2 2 5 ／j ．c n k i ．j c c s ．2 0 1 9 ．叭9 8 L IY i m i n g ，B A IL o n g ，J I A N GZ h o u x i a n g ，e ta 1 ．C a v i n gc o a l m c ki d e n t i n c a t i o nb a s e do nE E M D K P C Aa n dK Ld i v e r g e n c e [ J ] ．J o u r n a lo fc h i n ac o a ls o c i e t y ，2 0 2 0 ，4 5 2 8 2 7 8 3 5 ．d o i l o ．1 3 2 2 5 ／j ．c n k i ．j c c s ．2 0 1 9 ．0 1 9 8 基于E E M D K P C A 和K L散度的垮落煤岩识别 李一鸣1 ’2 ，白龙1 ’2 ，蒋周翔1 ’2 ，高宏1 ，黄小龙1 ，刘相权1 ，黄民1 1 ．北京信息科技大学机电工程学院，北京1 0 0 1 9 2 ；2 ．北京信息科技大学现代测控技术教育部重点实验室，北京1 0 0 1 9 2 摘要综放开采中关键工艺放煤自动化的实现，可以使放煤工人远离工作面，远程控制顶煤的放 落，从而保障放煤工人的健康问题。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的 理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题，基于综放开采现场采集的垮落煤 岩冲击液压支架后尾梁的振动信号，提出了一种基于E E M D K P c A 和K L K u l l b a c k L e i b l e r 散度 的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解 E n s e m b l eE m p i r i c a lM o d e D e c o m p o s i t i o n ，E E M D 得到一组固有模态分量 I n t r i n s i cM o d eF u n c t i o n s ，I M F s ，分别计算各个I M F 的能量，峭度和样本熵，构造表征垮落煤岩的特征向量；然后利用核主成分分析 K e m e lP r i n c i p a l C o m p o n e n tA n a l y s i s ，K P C A 对特征向量进行降维，分别以各个I M F 能量、I M F 峭度、I M F 样本熵构成 的向量的K P C A 低维特征来表征垮落煤岩；最后计算“未知样本”不同特征向量与垮落煤岩两类样 本与之对应的特征向量的K L 散度值，通过比较K L 散度值来实现垮落煤岩的实时识别，并比较表 征垮落煤岩不同特征向量的特征提取耗时和识别有效性。然后利用B P 神经网络验证基于E E M D K P c A 的特征向量的有效性。实验结果表明基于E E M D K P C A 和K L 散度的识别方法可以实现 垮落煤岩的实时识别，且大大降低了传统垮落煤岩识别方法对综放开采效率的影响；由E E M D 分 解后的各个I M F 的能量和峭度构成的向量的K P c A 低维特征最有效。 关键词综放开采；垮落煤岩识别；E E M D ；K P C A ；K L 散度 中图分类号T D 8 2 3 ．9 7文献标志码A 文章编号0 2 5 3 9 9 9 3 2 0 2 0 0 2 0 8 2 7 0 9 C a v i n gc o a l - r o c ki d e n t i f i c a t i o nb a s e do nE E M D K P C Aa n dK Ld i V e r g e n c e L IY i m i n 9 1 ”，B A IL o n 9 1 ”，J I A N GZ h o u x i a n 9 1 ”，G A OH o n 9 1 ，H U A N GX i a o l o n 9 1 ，L I UX i a n g q u a n l ，H U A N GM i n l 1 ． b o z 矿慨c 地n 池z 剧e 以 c o fE n ∥n e e 昭，＆彬增蜘彻o ￡如n i e n c e 死幽肋f o g y ‰眈雎蚵，B e 彬昭1 0 0 1 9 2 ，饥f 胍；2 ．研m 6 0 m 加u 旷胁如m 朋螂“阳船眦＆c o n ￡r o f 死出加f o g y ，埘n 如咿o ，尉呦砌n ，＆彬增』咖r ，№砌n 脑M e ＆死c 危加z o g y 踟批阳蚵，B e 蚵昭1 0 0 1 9 2 ，∞打m A b s t r a c t T h er e a l i z a t i o no fa u t o m a t i ct o pc o a le a v i n g k e yt e c h n o l o g ri naf u l l ym e c h a n i z e dc a v i n gm i n i n gf a c e c a n e n a b l et h ec o a lm i n e r st ob ea w a yf r o mt h ew o r k i n gf a c ea n dt or e m o t e l yc o n t r o lt h et o pc o a lc a v i n g ，t h e r e b yp r o t e c t i n g c o a lm i n e r s ．M o r e o V e r ，t h ee f k c t i V ea n dr e a l - t i m ec a V i n gc o a l r o c ki d e n t i f i c a t i o ni nt h ep r o c e s so ft o pc o a lc a V i n gc a n p m V i d eat h e o r e t i c a lb a s i sf o rt h ec o n t r 0 1o ft o pc o a lc a v i n g ．C o n s i d e r i n gt h er e a l - t i m er e c o g n i t i o no fc a v i n gc o a l - r o c k a n dt h ee m c i e n c yo ft h ef u U ym e c h a n i z e dc a v i n gm i n i n g ，an e wc a v i n gc o a l r o c ki d e n t i f i c a t i o nm e t h o db a s e do nE E - M D K P C Aa n dK Ld i V e r g e n c ei sp r o p o s e d ．T h em e t h o di sb a s e do nt h ev i b r a t i o ns i g n a l sc a u s e db yt h ei m p a c to fc a V i n gc o a l - r o c ka n dh y d r a u l i cs u p p o r tt a i lb e a mo nt h es c e n e ．F i r s t l y ，t h ev i b r a t i o ns i g n a l sa r ed e e o m p o s e db yE n s e m b l e 收稿日期2 0 1 9 一0 2 1 8修回日期2 0 1 9 0 5 一1 7责任编辑郭晓炜 基金项目北京市自然科学基金京津冀基础研究合作专项资助项目 儿7 0 0 0 4 ；北京市属高校高水平创新团队建设计划资助项目 I D H r l 2 0 1 8 0 5 1 3 ；北京市教委科研资助项目 K M 2 0 1 8 11 2 3 2 0 0 1 作者简介李一鸣 1 9 9 1 一 ，男，山西长治人，讲师，博士。E m a i l l i y i m i n 铲f s i n a ．c o m 万方数据 煤炭 学报 2 0 2 0 年第4 5 卷 E m p i r i c a lM o d eD e c o m p o s i t i o n E E M D a n dan u m b e ro fI n t r i n s i cM o d eF u n c t i o n s I M F s a r eo b t a i n e d ．T oc o n - s t r u c tt h ee i g e n V e c t o r sc h a r a c t e r i z i n gt h ec a V i n gc o a la n dI D c k ，t h ee n e r g y ，k u r t o s i sa n ds a m p l ee n t m p yo fe a c hI M Fa I e c a l c u l a t e dr e s p e c t i V e l y ．T h e nt h eK e m e lP r i n c i p a lC o m p o n e n tA n a l y s i s K P C A i se m p l o y e dt or e d u c et h ed i m e n s i o n - a l i t yo ft h ef e a t u r ev e c t o r s ．T h ec a v i n gc o a l r o c ki s c h a r a c t e r i z e db yt h eK P C Al o w d i m e n s i o n a lf e a t u r eo ft h eV e c t o r S c o m p o s e do ft h ee n e I g yo fI M F s ，t h ek u r t o s i so fI M F s ，t h es 舢p l ee n t r o p yo fI M F sr e s p e c t i V e l y ．F i n a U y ，t h eV a l u e so f t h eK Ld i V e r g e n c eb e t w e e nt h ee i g e n V e c t o fo f ’u n k n o w ns a m p l e ’a n dt h ee i g e n v e c t o ro fc a v i n gc o a ls a m p l eo rc a V i n g I D c ks a m p l ea r ec a l c u l a t e d ，t h er e a l - t i m er e c o g n i t i o no fc a v i n gc o a l r o c ki sa c h i e v e db yc o m p a r i n gt h ev a l u e so ft h eK L d i V e r g e n c e ，a n dt h ef e a t u r ee x t r a c t i o nt i m ec o n s u m i n ga n dr e c o g n i t i o ne f 玷c t i v e n e s so fd i f 玷r e n tf e a t u r e sc h a r a c t e r i z i n g c a v i n gc o a l 一r o c ka r ec o m p a r e d ．T h e nB Pn e u r a ln e t w o r ki su s e dt ov e r i f yt h ev a l i d i t yo ft h ee i g e n v e c t o r sb a s e do nE E M D K P C A ．T h er e s u l t ss h o wt h a tt h ei d e n t i f i c a t i o nm e t h o db a s e do nE E M D - K P C Aa n dK Ld i v e r g e n c ec a nr e a l i z et h e r e a l - t i m er e c o g n i t i o no fc a v i n gc o a l r o c k ，a n dg r e a t l yr e d u c et h ei n Ⅱu e n c eo ft h et m d i t i o n a li d e n t i f i c a t i o nm e t h o do n t h ee m c i e n e yo ft h ef u l l ym e c h a n i z e dc a v i n gm i n i n g ．T h eK P C Al o w - d i m e n s i o n a lf e a t u r eo ft h ev e c t o r sc o m p o s e do ft h e e n e r g ya n dk u r t o s i so fI M F sd e c o m p o s e db yE E M Di sm o r ee Ⅱ色c t i v et h a no t h e re i g e n v e c t o r sf o rc h a r a c t e r i z i n gt h ec a v i n gc o a l r o c k ． K e yw o r d s f u Um e c h a n i z e dc a v i n gm i n i n g ；c a v i n gc o a l m c ki d e n t i f i c a t i o n ；E E M D ；K P C A ；K Ld i v e r g e n c e 综放开采中关键工艺放煤自动化的实现不仅可 以提高综放工作面顶煤的采出率，而且保障了放煤工 人的人身安全⋯，而垮落煤岩的识别为实现放煤自 动化提供理论依据∽j 。通过对比不同煤岩界面识别 方法，得出基于垮落煤岩冲击液压支架后尾梁的振动 信号的识别方法适用于综放工作面垮落煤岩的识 别旧J 。由于该振动信号为非平稳随机信号，传统的 特征时域特征或频域特征不能完整准确地表达 垮落煤岩。近年来，学者以该振动信号的时频特征来 表征垮落煤岩，应用于垮落煤岩识别的主要的时频处 理方法有小波包变换H 。6J ，H i l b e n 变换r 刊与E M D [ 8 。9 j 等，均取得有效的特征向量来表征垮落煤岩，得到识 别率较高的垮落煤岩分类模型。然而，以上的垮落煤 岩识别方法均未考虑煤岩识别的实时性与综放开采 的效率。综放开采的工艺流程为采煤机采煤一前刮 板输送机运煤一移动液压支架一推前刮板输送机一 拉后刮板输送机一放顶煤一下一循环。因此，综放开 采是一个连续的循环过程。然而传统的垮落煤岩分 类模型建立在对该模型的不断训练，分类模型的训练 耗时较长，影响综放开采的效率。本文提出通过有效 方法直接对比原始数据与未知样本的特征，实现垮落 煤岩分类模型的实时建立，该方法可以避免对综放开 采效率的影响，只需考虑垮落煤岩识别的有效性与实 时性。 笔者提出了一种基于E E M D 和K P C A 的垮落煤 岩特征提取方法，通过对振动信号进行E E M D 分解， 得到一组I M F s ；然后以I M F 能量和I M F 样本熵构造 表征垮落煤岩的特征向量，并利用K P c A 分别对这些 特征向量的维数进行约简，得到了表征垮落煤岩的实 时有效特征向量。提出了一种基于E E M D K P C A 和 K L 散度的垮落煤岩识别方法，基于E E M D 和K P c A 提取的有效特征向量，利用K L 散度对比“未知样本” 与垮落煤岩两类样本，从而实现垮落煤岩模型的快速 建立和垮落煤岩的实时有效识别。 1 基于E E M D K P C A 的特征提取 1 ．1 E E M D 基本原理 针对经验模态分解 E M D 存在模态混叠的缺 点，E E M D 方法利用白噪声频谱均匀性和零均值的特 点，通过多次把白噪声加人原信号，对含噪信号进行 E M D ，对得到的I M F 叠加求平均，以此来平滑奇异点 的影响n 0 。1 1 ] 。具体的分解步骤如下 1 在原信号z ￡ 中加入均值为0 ，标准差为常 数的白噪声n ￡ ，得到含噪信号戈7 ￡ 戈’ ￡ z ￡ n ￡ 1 2 对含噪信号戈7 ￡ 进行E M D 分解，得到一组 I M F s 记为c i ￡ 和一个余项r ￡ 戈m ∑c 。 ￡ r ￡ 2 式中，c 。 ￡ 为含噪信号E M D 分解后的第i 个I M F ；乃 为I M F 的个数。 3 重复第 1 ， 2 步m 次，将m 次对应的I M F 叠加并取平均，作为原信号E E M D 后最终的I M F ，记 为c i ￡ ，其中扣1 ，2 ，⋯，n 。 1 m c 。 ￡ ∑c 乳t 3 ’’，。l 式中，c ；“ ￡ 为原信号戈 ￡ 第，次加入白噪声经 E M D 得至0 的I M F s 。 万方数据 第2 期李一鸣等基于E E M D K P C A 和K L 散度的垮落煤岩识别 为获得表征原信号的特征向量，对E E M D 得到 的I M F s 进一步分析，分别计算各个I M F 的能量、峭 度和样本熵，并对这3 个特征向量的有效性进行比 较。具体的计算方法如下 第￡个I M F 的能量E 为 ．2 o E Jc 。 ￡ Id ￡ ∑M 壳 1 2 4 式中，z 。 七 为第i 个I M F 序列第矗个离散点幅值；o 为I M F 序列总的采样点数。 然后以归一化的各个I M F 能量构造特征向量P n P [ E 。，E 2 ，⋯，E 。] ／∑E 。 5 第i 个I M F 的峭度K 为 K ；坐型 丛 6 伊 式中，肛；和矿i 分别为第i 个I M F 的均值和标准差。 然后以归一化的各个I M F 峭度构造特征向量Q n Q [ K ，砭，⋯，K ] ／∑K 7 样本熵2 。1 3 1 用来度量各个I M F 序列的复杂度， 第i 个I M F 的样本熵表示为．S ；，样本熵的具体计算 方法见文献[ 1 2 ] 。 然后以归一化的各个I M F 熵构造特征向量R R [ s 。，s ，⋯，s 。] ／∑s i 8 式 5 ， 7 和 8 中的n 为I M F 序列的个数。 1 ．2K P C A 基本原理 核主成分分析‘1 4 。1 5 1 K P C A 的基本原理首先通 过非线性映射把原始数据空间映射到高维特征空间 中，然后在高维特征空间进行主成分分析，从而得到 原始数据的低维特征。 设原始数据集为x { 菇。，戈，⋯，钆，⋯，‰} ，其中 钆∈掣，M 为原始数据集样本个数。现引入非线性映 射少，使原始数据空间x 中的样本点钆映射到高维 ， 特征空间y 中的样本点① 钆 ，并假设∑① 钆 0 ，则高维特征空间l ，中的协方差矩阵为 l ， ∑哦① 筏 1 1 式中，Q 。为与中 筏 对应的系数。 式 1 0 两边左乘中 z 。 得到 入 垂 戈 矿 巾 戈 ≯ 1 2 将式 9 ， 1 1 代人式 1 2 ，并令‰ ① 气 ① x ， ，i √ l ，2 ，⋯，M ，得 M 入如 砰n 1 3 化简得 M 入口 ‰ 1 4 通过对式 1 4 的求解，即可获得要求的特征值 和特征向量。对于测试样本① x 在l ，‘上的投影 f 既 z y ‘垂 菇 ∑口 垂 戈； 垂 戈 I2 - 1 5 其中，∥ [ a ，n ，⋯，n ，⋯，n ，] 7 为第| | } 个特征向 量，则矾 菇 为对应于垂 戈 的第1 | } 个非线性主成 分。 2 基于K L 散度的特征对比 2 ．1 K L 散度 K L 散度6 。1 『列 K u l l b a c k L e i b l e rd i v e r g e n c e 用来 度量两个概率分布的相似程度，其定义为 ％ 川g _ 磊p l g 糟 1 6 其中，p 和g 为概率空间n 下的两个概率分布。 D K L pI Iq 值越小，表示两个分布越接近，反之越相 异。 2 ．2 基于K L 散度的特征对比 分别计算顶煤垮落样本和岩石垮落样本的特征 向量并归一化，记为概率空间n 下的概率分布p 。和 p ，以同样特征提取方法获得“未知样本”的概率分布 q ，分别计算D 。。 p ．I lg 和D 。。 p l lq ，比较2 个K L 散度值的大小，从而确定“未知样本”的类别，实现垮 落煤岩的识别。并比较垮落煤岩样本和“未知样本” 不同特征向量的K L 散度值差异，从而确定较有效的 表征垮落煤岩的特征向量。 ． f c 2 亩萎① 吩 ① 骛 ’ 9 3 垮落煤岩识别 因此，对特征空间y 中的数据集 样本点集 进 行主成分分析就是求解方程 入l ， C 移 1 0 中的特征值入和特征向量I ，。由于特征向量∥∈y ， 因此，特征向量∥可由特征空间l ，中的样本点集 ① ‰ 庇 l ，2 ，⋯，M 线性表示为 3 ．1 整体思路及振动信号的采集 针对传统垮落煤岩识别方法影响综放开采效率 的技术问题，提出了一种基于E E M D K P c A 和K L 散 度的垮落煤岩识别方法，该识别方法的具体流程如图 l 所示。该识别方法不仅综合考虑垮落煤岩识别的 有效性与实时性，利用E E M D 和K P C A 快速有效地 万方数据 8 3 0 煤炭 学报 2 0 2 0 年第4 5 卷 提取表征垮落煤岩的特征向量，而且利用K L 散度直 接对比原始数据与未知样本的特征，从而可以避免对 综放开采效率的影响。 特征提取 l 综放现场振动UI M F s 能量，峭l l 信号的采集ll 度，样本熵l l “未知样本”lI M F s 能量，峭l l 振动信号H 度，样本熵l p g 毯 艘 晏 需 蜒 判断类别 煤或岩 图1本文垮落煤岩识别方法流程 F i g ．1 F 1 0 wo fc o l l a p s i n gc o a l r o c ki d e n t i f i c a t i o l lI n e t h o d p r o p o s e di nt h i sp a p e r 利用Y H J C 矿用测振记录仪和G B c l 0 0 0 加速 度传感器。1 卜坩J ，于中煤朔州担水沟煤矿9 2 0 1 综放工 作面开展了现场试验，完整地采集了放煤过程中垮落 煤岩冲击液压支架后尾梁的振动信号，采样频率为 1 0k H z ，顶煤垮落和岩石垮落两工况下样本的信号长 度设为ls 。Y H J c 矿用测振记录仪布置于液压支 架两立柱之问，G B c l 0 0 0 加速度传感器通过磁力吸 座吸附于液压支架后尾梁背部，如图2 所示。 顶煤垮落样本和岩石垮落样本的时域波形图如 图3 所示。由图3 可得，顶煤垮落时振动信号的振幅 范围为一5 0 ～5 0m ／s 2 ，岩石垮落时振动信号的振幅 图2 测试仪器布置 F i g ．2 T e s ti n s t r u m e n t s1 a y o u t l 一加速度传感器测点；2 一测振记录仪布置位置 - ．．“一⋯～k 。_ ． ▲一山L 。i ．I L ⋯．▲。- f ．” T r 一7 ⋯’’l | - 呷1 。’’。 一1 广- r 可I r T l r 一1 ’下T 一。 时间，s 图3 不同工况下的时域波形 F i g ．3 T i m ed o n l a i nw a v eo fd i f f e r e n tw o r k i n gc o n 1 i t i o n s 为一1 0 0 ～1 0 0n ∥s 2 ，两种工况下振动信号的波形有差 异；但是，顶煤垮落时的特殊工况 大块顶煤垮落 的 振动信号和岩石垮落时的振动信号振幅相同，振动信 号的波形差异也较小，难以显著区分，且顶煤垮落和 岩石垮落工况下，振动信号的方差会随着振动信号的 长度发生变化且无规律可循。19 。，即两种工况下的振 动信号均具有非平稳性。因此，传统的时域特征和频 域特征不能完整准确地表征该振动信号。 3 ．2 振动信号的E E M D 特征 对顶煤垮落和岩石垮落两类样本进行E E M D 分 破碎的顶煤 特殊工况大块项煤垮落 己垮落的顶煤和顶板 解 循环添加白噪声的次数m 1 0 ，白噪声标准差与 样本标准差的比值为o ．3 ，得到1 2 组I M F 分量，如 图4 所示，由图4 可知，岩石垮落样本的第1 个I M F 序列的幅值范围是顶煤垮落样本的2 倍，岩石垮落样 本的第2 ～4 个I M F 序列的幅值范围达到顶煤垮落 样本的1 0 倍，岩石垮落样本的前5 个I M F 序列的波 形在某一处有明显的冲击振动，之后迅速衰减，而顶 煤垮落样本的前5 个I M F 序列的波形在多处有幅值 的变化，两类样本的E E M D 分解结果有明显的区分 性，尤其在前5 个I M F 分量，幅值范围和波形均有显 著差异。然后，利用式 4 ， 5 计算1 0 0 组顶煤垮落 样本和1 0 0 组岩石垮落样本的特征向量P 归一化的 I M F 能量 ；利用式 6 ， 7 计算1 0 0 组顶煤垮落样 本和1 0 0 组岩石垮落样本的特征向量Q 归一化的 I M F 峭度 ；利用文献[ 1 2 ] 的计算步骤和式 8 计算 1 0 0 组顶煤垮落样本和1 0 0 组岩石垮落样本的特征 向量R 归一化的I M F 样本熵 。 3 ．3 基于K P C A 的特征降维 分别以9 0 组顶煤垮落样本和9 0 组岩石垮落样 本的特征向量P ，特征向量Q ，特征向量R 构成高维 数据集，利用K P c A 核函数选用高斯核函数 对3 个 高维数据集进行降维，降维结果如图5 所示。 由图5 a 可以看出，由特征向量P 构成的高维 O ∞∞ O ∞∞ O ∞ 万方数据 第2 期李一鸣等基于E E M D K P C A 和K L 散度的垮落煤岩识别 8 3 l 数据集经K P C A 降维后，特征向量的维数为3 ，顶煤 垮落和岩石垮落两类样本在三维空间的分布不同， 但是部分顶煤垮落样本和岩石垮落样本重叠，难以 区分，即以归一化的I M F 能量来表征垮落煤岩识别 效果较差；由特征向量Q 构成的高维数据集经K P c A 降维后，特征向量的维数为5 ，无法用空间坐标 系来表示，以部分样本 顶煤垮落样本和岩石垮落 样本各取5 个 来观察两类样本的差异性，由图 5 b 可以看出以特征向量Q 的K P c A 低维特征来 。呱．薹E j 三三三歪圈- M F 4 ．。三匕 竺 譬竺 型 。m ，麓E 三三三三E 盈M s ．。．E 竺 型 峨运E 三三三三歪盈M 6 - o 三匕 二 坐 型 一M F ，冀巨三至三三正习 M n 吨匕 竺二 型 2 笠9 表征两类样本效果较好，该特征向量的有效性需进 一步验证；由特征向量R 构成的高维数据集经K P - c A 降维后，特征向量的维数为4 ，也无法用空间坐 标系来表示，以部分样本 顶煤垮落样本和岩石垮 落样本各取5 个 来观察两类样本的差异性，由图 5 c 可以看出两类样本在该低维特征向量的第2 个变量和第3 个变量具有明显区别，以该低维特征 向量来表征垮落煤岩效果也较好，该特征向量的有 效性也需进一步验证。 - M R 一iE 三三玉三习 峨一篓E 三三玉三j №一i E 三三三三三 O ．5 l M R O O ．5 。姗。。’；E 三三三至三三习 - M F e o 亡二二 二 二 竺 二 _ 一O ．5 0 ．1 l M F 0 一O ．1 - M 卜一麓E 三三三至三三习M R 一麓区巫亚亚亚匾巫圈 - №一塞匹里互三巫圈_ 麓E 至卫互盈 1 M F l o 一。0 0 匕 二 2 兰∑二型M ”圳全Z 型∑兰∑2 型 一O ．0 5 L L _ L _ J L _ L L _ L _ L 二JO ．0 2 L J _ _ L _ J L 工r _ J L J 二J 二J _ 篡E 三三三三三三刁- M h 一淼巨至三玉乙∑∑习 I M F ．．o 卜、／1l MF l Io } ／，八／＼．／一 一O ．0 5 L _ - _ J _ - - - _ J - - _ L - - _ 上- _ _ 上_ _ L _ _ _ L - _ _ - ．- - _ J - ．一 一一O ．0 lL - _ - J _ _ _ J _ - - _ 上- - L - 二 ￡ _ L J 』 【- - - - J 帆舞E 三三三三翊M ％麓E 三三三三j 采样点数，l ／1 0 3采样点数∥1 0 3 a 顶煤垮落 b 岩石垮落 图4 两类样本的E E M D 分解结果 F 嘻4 E E M Dr e s u l t so ft w ok i n d so fs a m p l e s 3 ．4 基于K L 散度的垮落煤岩识别本”和1 0 组顶煤垮落样本及1 0 组岩石垮落样本 共 基于上述特征向量提取方法，分别比较1 个“未2 0 组样本 的K L 散度值，以上述归一化的特征向量 知落煤样本”和1 0 组顶煤垮落样本及1 0 组岩石垮落作为概率空间的概率分布，“未知样本”和2 0 组样本 样本 共2 0 绢样本 的K L 散度值．1 个“未知落岩样的K L 散度值的结果对比如图6 所示．其中．横牮标 O O O l l FMI 5 o弓。o 1 吣o n R M M M I I I 万方数据 8 3 2 煤炭学报 2 0 2 0 年第4 5 卷 0 6 0 ．4 0 ．2 趔 O 蒯一O ．2 求一0 ．4 O ．6 一O8 趔 日删 求 a 特征向量P 。』御m ．1 山m I r l “_ 一 驯蚕 234 向量的基 分量 b 特征向量Q 向量的基 分量 c 特征向量曰 图5 特征向量构成的高维数据集的K P c A 降维效果 F i g ．5 D i m e n s i o nr e d u c t i o ne Ⅱ色c to ft h eh i g h d i m e n s i o n a l d a t a s e t sc o m p o s e do ff e a t u r ev e c t o rb a s e do nK P C A 为上述的2 0 组样本，l ～1 0 组为顶煤垮落样本，1 1 ～ 2 0 组为岩石垮落样本。 由图6 a 可知，以归一化的特征向量P 的K P C A 低维特征为概率分布，“未知落煤样本”和9 个顶 煤垮落样本的K L 散度值小于“未知落煤样本”和岩 石垮落样本的K L 散度值，即“未知落煤样本”与顶煤 垮落样本的分布接近，说明该方法可以准确识别“未 知落煤样本”的属性一顶煤垮落，然而，从图6 a 也 可以看到“未知落煤样本”和第8 个顶煤垮落样本的 K L 散度值较大，接近于“未知落煤样本”和岩石垮落 样本的K L 散度值，此时，会误判“未知落煤样本”的 属性；同理，“未知落岩样本”和顶煤垮落样本的K L 散度值远大于“未知落岩样本”和岩石垮落样本的 K L 散度值 除了“未知落岩样本”和第3 个岩石垮落 样本 ，即“未知落岩样本”与岩石垮落样本的分布接 近，说明该方法也可以准确识别“未知落岩样本”的 属性一岩石垮落，同样，“未知落岩样本”和第3 个岩 石垮落样本的K L 散度值也极易误判“未知落岩样 1 4 1 ．2 1 ．0 嚣o s 争s 0 - 4 0 ．2 顶煤垮落岩石垮落 口口 口口口 口 口 ． 】 廿 “未知落煤样本” 口“未知落岩样本” 口口 口口 口I 口 口 一 O2468 l O1 21 41 61 82 0 样本 a 归一化的特征向量P 的K P c A 低维特征 1 ．O 0 ．8 蚓O ．6 蜊 箍 一0 4 蟹 0 ．2 顶煤垮落 岩石垮落 口 口 口 口 口 0 口 q “未知落煤样本” 。“未知落岩样本” 口口 口 口 口 q 样本 b 归一化的特征向量Q 的K P c A 低维特征 顶煤垮落岩石垮落 “未知落煤样本” 。口“未知落岩样本” 口 口 口 口 口 口 口 口 口 口 口 口口 02468l O1 21 41 61 82 0 样本 c 归一化的特征向量R 的K P C A 低维特征 图6 不同特征向量作为两种工况概率分布的K L 散度值对比 F i g ．6C o m p a r i s o no fK Ld i v e r g e n c ev a l u e sw i t hd i f f e r e n t e i g e n v e c t o r sa sp r o b a b i l i t yd i s t r i b u t i o no ft w ok i n d s o fw o r k j n gc o n d i t i o n s 本”的属性。 由图6 b 可知，以归一化的特征向量Q 的K P c A 低维