Improvement of position and posture measurement system for boom-type roadheader based on machine vision
-
摘要: 煤矿井下粉尘浓度高、照度低，图像采集质量和特征提取效果受粉尘浓度影响较大，而相机参数和图像处理参数不能根据粉尘浓度变化自适应调整，易产生点−线特征提取不稳定和图像丢帧等问题。针对上述问题，对掘进机位姿视觉检测系统进行改进，利用矿用防爆工业相机采集不同粉尘浓度下的激光点−线图像，通过透过率建立图像灰度值与粉尘浓度等级的关系模型，通过实验获取不同粉尘浓度等级下的最优相机参数和图像处理参数；提出一种参数自适应调整算法，根据粉尘浓度等级自适应调整参数值，提高图像采集质量和点−线特征提取的稳定性和精度，进而提高掘进机位姿视觉检测系统的精度。实验结果表明：改进后悬臂式掘进机位姿视觉检测系统在X，Y，Z方向的平均测量误差分别为28.26，30.58，22.54 mm，处理100张图像后得到的可用图像从75张提高到90张，说明参数自适应调整算法有效提高了图像特征提取精度和数据可用性，从而保证了悬臂式掘进机位姿视觉检测系统的精度和稳定性。Abstract: In coal mine, the dust concentration is high and the illumination is low. The image acquisition quality and characteristic extraction effect are greatly affected by dust concentration. However, the camera parameters and image processing parameters cannot be adjusted adaptively according to the change of dust concentration. Therefore, it is easy to cause problems such as unstable point-line characteristic extraction and image frame loss. In order to solve the above problems, the position and posture measurement system for boom-type roadheader based on machine vision is improved. The mine-used explosion-proof industrial camera is used to collect the laser point-line images under different dust concentrations. The relationship model between the image gray value and the dust concentration level is established through the transmittance. The optimal camera parameters and image processing parameters under different dust concentration levels are obtained through experiments. A parameter adaptive adjustment algorithm is proposed, and the parameter values are adjusted adaptively according to the dust concentration levels. Therefore, the image collection quality and the stability and precision of the point-line characteristic extraction are improved. Moreover, the precision of position and posture measurement system for roadheader based on machine vision is improved. The experimental result show that the average measurement errors in X, Y and Z directions of the improved vision detection system for boom-type roadheader are 28.26 mm, 30.58 mm and 22.54 mm respectively. The number of usable images is increased from 75 to 90 after processing 100 images. These results show that the parameter adaptive adjustment algorithm can effectively improve the precision of image characteristic extraction and the data availability. The algorithm ensures the precision and stability of position and posture measurement system for boom-type roadheader based on machine vision.
-
0. 引言
为实现矿山企业的节能减排工作，变频调速技术在电动机驱动系统中得到了广泛应用[1-2]。目前，矿井提升机、带式输送机等设备中的电动机驱动系统的变频器大部分采用中点钳位式（Neutral Point Clampe，NPC）三电平逆变器。相较于传统两电平逆变器，NPC三电平逆变器具有开关管电压应力低、输出电压变化率较小、谐波小等优势。但NPC三电平逆变器开关管数量多、运行频率高，短时间内高频率切换开关状态会大大增加开关管故障率[3]。NPC三电平逆变器开关故障分为开路故障和短路故障。当NPC三电平逆变器发生开关管短路故障时，短时间内产生较大过电流，在熔断保护装置的作用下，短路故障被转换为开路故障。开路故障会导致负载电流畸变等问题[4]，如果不能及时进行诊断，则逆变器系统长时间运行在异常状态下，会造成严重安全事故。因此，有必要对NPC三电平逆变器开关管开路故障进行精准诊断 [5]。
许多研究者对三电平逆变器的开路故障诊断进行了大量研究。文献[5]采用基于Park变换的故障诊断方法解决了三电平逆变器故障诊断时所出现的易受噪声影响及计算量大的问题，但准确率不高。文献[6]通过采用小波分析与粒子群对支持向量机进行优化的故障诊断模型，解决了三电平逆变器故障诊断准确率低及计算复杂的问题，但是该方法实用性不强。文献[7]针对矿井提升机逆变器故障特征提取困难的问题，采用统计特征与深度特征融合的方法，提高了故障诊断准确率，但计算过于复杂。文献[8]采用极限学习机方法提取故障特征信号，对逆变器开关管故障进行诊断，但该方法故障特征提取复杂，整体实现难度较高。文献[9]提出了一种优化神经网络，并采用主+辅神经网络对逆变器开关管故障进行诊断，主神经网络用于实现大部分的逆变器故障诊断，对于不能很好实现故障分类部分，通过辅助神经网络进行分类，但该方法复杂度较高。文献[10]提出了一种多故障模式快速诊断方法，采用快速傅里叶变换方法对三电平逆变器故障进行诊断，诊断速度快，但该方法计算复杂度较高，耗费时间较长，不能实现实时诊断。针对上述问题，本文提出了一种基于概率神经网络（Probabilistic Neural Network，PNN）的矿用NPC三电平逆变器开关管故障诊断方法。首先利用示波器采集逆变器三相相电压信号，并对相电压信号进行去噪声、归一化等处理。然后利用Clark与Park变换将三相相电压转换为两相旋转（d−q）坐标变化中的电压，利用经验模态分解（Empirical Mode Decomposition, EMD）将d轴电压分解为多个本征模态分量（Intrinsic Mode Function，IMF），并计算出IMF的均值、均方差和方差，作为故障特征向量。最后将故障特征向量输入到PNN中进行训练与分类，实现矿用NPC三电平逆变器开关管的故障诊断。
1. 相关理论
1.1 EMD
EMD可将待处理信号不同频率尺度下的变化趋势和信号波动情况进行逐步分析，得到可以表征信号本质特性的IMF。大部分信号都包含多种振荡模式，EMD的本质就是从信号中分解筛选出不同的振荡模式[11-12]。从整体角度来看，要保证IMF在每个振动周期内不存在复杂的畸波而只是1种振荡模式，需要满足在数据序列中过零点和极值点的个数相等或只差1个。从局部角度来看，要想能够正确分解得到IMF，需要满足在数据序列的任意一点，上下包络线的均值为零[13]。由于没有掺杂任何非对称波，所以得到的瞬时频率不会产生干扰波动。对信号
$Y\left( t \right)$ (t为时间)进行EMD的步骤如下：（1） 首先用信号的极大值点和极小值点定义上下包络线。将所有局部极大值点用三次样条曲线依次连接，得到上包络线，设定幅值为
${a_1}\left( t \right)$ ，将信号的所有局部极小值点依次用3条曲线连起来，得到下包络线，设定幅值为${a_2}\left( t \right)$ ，上下包络线的平均值为${m_1}\left( t \right)$ ，则有$$ {m_1}\left( t \right) = \left[ {{a_1}\left( t \right) + {a_2}\left( t \right)} \right]/2 $$ (1) （2） 令
${u_1}\left( t \right) = Y\left( t \right) - {m_1}\left( t \right)$ ，理论上，${u_1}\left( t \right)$ 满足IMF从局部角度定义的条件，将${u_1}\left( t \right)$ 作为原始信号继续进行筛分。（3） 重复上面2个步骤，进行k次筛分，得到满足2个条件的信号
${u_{1k}}\left( t \right)$ ，则有${u_{1k}}\left( t \right) = {u_{1\left( {k - 1} \right)}} \left( t \right) - {m_{1k}}\left( t \right)$ ，将${c_1}(t)$ 记作从信号$Y\left( t \right)$ 中分解得到的第1个IMF，即${c_1}(t) = {u_{1k}}\left( t \right)$ 。（4） 分离出第1个IMF后，将
${r_1}\left( t \right) = Y\left( t \right) = {c_1}\left( t \right)$ 作为新的原始信号。重复步骤（1）—步骤（3），得到第2个IMF。继续重复上述步骤，从信号中提取n个IMF，即有${r_1}\left( t \right) = Y\left( t \right) = {c_1}\left( t \right)$ ，${r_2}\left( t \right) = {r_1}\left( t \right) - {c_2}\left( t \right)$ ，…，${r_n}\left( t \right) = {r_{n - 1}}\left( t \right) - {c_n}\left( t \right)$ 。基于EMD的矿用NPC三电平逆变器开关管开路故障特征提取方法如下所述。
（1） 三相负载电压可反映NPC三电平逆变器各故障模式特征，可作为故障检测信号。为了减少计算量，降低算法的复杂度，将三相相电压经Clark与Park变换后转换为两相旋转坐标系下的电压
${U_d}$ 与${U_q}$ 。$$ \left[ \begin{gathered} {U_d} \\ {U_q} \\ \end{gathered} \right] = \sqrt {\dfrac{2}{3}} \left[ {\begin{array}{*{20}{c}} 1&{ - \dfrac{1}{2}}&{ - \dfrac{1}{2}} \\ 0&{\dfrac{{\sqrt 3 }}{2}}&{ - \dfrac{{\sqrt 3 }}{2}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{U_{{\rm{aN}}}}} \\ {{U_{{\rm{bN}}}}} \\ {{U_{{\rm{cN}}}}} \end{array}} \right] $$ (2) 式中
${U_{{\rm{aN}}}}$ ，${U_{{\rm{bN}}}}$ ，${U_{{\rm{cN}}}}$ 分别为a，b，c三相相电压。（2） 通过EMD将
${U_d}$ 分解为多个IMF。为了清楚地显示IMF差异，引入方差贡献率，方差贡献率的差异越大，波形的差异就越大。（3） 对于不同的开路故障，计算各IMF的方差贡献率。计算结果表明，第2、第3、第8个IMF的方差贡献率相差较大，这3个IMF可以代表不同的开路故障。
（4） 计算上述3个分量的均值、均方差和方差，并将其作为故障特征向量。
1.2 PNN
PNN是一种径向基网络，属于前馈型网络。它具有学习过程简单、训练速度快、分类更准确、容错能力好等优点[14]，本质上属于基于贝叶斯最小风险准则的监督网络分类器。PNN一般有4层：输入层、模式层、求和层和输出层[15]。
模式层通过连接权重连接输入层，计算权重与输入层之间的匹配程度，输入特征向量和训练集的每个模式，即相似性。每个模式单元的输出为
$$ {\varPhi _{ij}}(x) = \frac{1}{{{{(2{\text{π}})}^{\tfrac{1}{2}{\sigma ^p}}}}}{{\rm{exp}} \left(- \tfrac{{{{({\boldsymbol{X}} - {{\boldsymbol{x}}_{ij}})}^{\rm{T}}}({\boldsymbol{X}} - {{\boldsymbol{x}}_{ij}})}}{{{\sigma ^2}}}\right)} $$ (3) 式中：
${\varPhi _{ij}}$ 为第i个神经元的第j个数据的输出；X为输入数据，$ {\boldsymbol{X}} = {[{x_1},{x_2} \cdots ,{x_n}]^{\rm{T}}},n = 1,2, \cdots ,L $ ，L为输入数据个数；$ \sigma $ 为平滑因子；p为输入的特征维数；$ {{\boldsymbol{x}}_{ij}} $ 为第$ i $ 个神经元的第j个数据。求和层对属于同一类型模式层的神经元的输出权值取平均值。
$$ {v_T} = \dfrac{{ \displaystyle \sum\limits_{T=1}^M {{\varPhi _{ij}}} }}{M} $$ (4) 式中
${v_T}$ 为第T(T=1,2,…,M，M为输出权值的个数)个训练类型的输出。输出层负责输出求和层中得分最高的类别：
$$ {y_T} = \arg \max \left( {{v_T}} \right) $$ (5) 式中
${y_T}$ 为输出层的输出。在PNN的拓扑结构中，输入层的数量为样本特征的数量，模式层的神经元数量为输入样本向量的数量，求和层的神经元数量为样本类别的数量。假设一个模式识别任务有4类样本，每类样本的样本数量是可变的，每个样本都有一个三维特征维数，得到的PNN网络拓扑结构如图1所示。
2. NPC三电平逆变器故障分析
NPC三电平逆变器电路拓扑如图2所示，逆变器由a，b，c三相桥臂组成。以a相桥臂为例，由4个电源开关(
${{\rm{Q}}_{{\rm{a}}1}}$ —${{\rm{Q}}_{{\rm{a}}4}}$ )、4个续流二极管(${{\rm{D}}_{{\rm{a}}1}}$ —${{\rm{D}}_{{\rm{a}}4}}$ )和2个箝位二极管(${{\rm{D}}_{{\rm{a}}5}}$ —${{\rm{D}}_{{\rm{a}}6}}$ )组成。每个续流二极管与电源开关反向并联，为电流提供一个反向传导回路。钳位二极管用于连接电源开关和直流侧电容器的中点。逆变器输出的三相相电压信号经低通滤波器滤波后为负载供电。每个电源开关的状态由相应的门信号控制。当门信号为1(高电平)时，电源开关接通；当门信号为0(低电平)时，电源开关关闭。由空间矢量脉宽调制(Space Vector Pulse Width Modulation，SVPWM)策略控制功率开关的门信号。2.1 工作原理
以a相桥臂为例，分析NPC三电平逆变器的开关管通断情况、电流流通路径和电压输出，进而对其工作原理进行分析。定义电流从逆变器的直流侧流向交流侧为正方向，选择直流母线上的中点O作为参考电势点。同时为了便于研究，下面统一忽略功率开关管和二极管的导通压降。
a相桥臂的4个功率开关管有P（高电平）、O（零电平）、N（低电平）3种工作状态。
（1） P状态：该工作状态下，开关管
${{\rm{Q}}_{{\rm{a}}1}}$ ，${{\rm{Q}}_{{\rm{a}}2}}$ 导通，${{\rm{Q}}_{{\rm{a}}3}}$ ，${{\rm{Q}}_{{\rm{a}}4}}$ 关断，电流流通路径如图3所示。当电流$ i_{{\rm{a}}}＞0 $ 时，电流的流通路径如图3中的红色实线所示。电流从直流电压源的正极P端流出，经过开关管${{\rm{Q}}_{{\rm{a}}1}}$ ，${{\rm{Q}}_{{\rm{a}}2}}$ 流入到交流侧，此时直流电压源$ {U}_{\mathrm{dc}} $ 为电容$ \mathrm{C}_{1} $ 充电。由于开关管${{\rm{Q}}_{{\rm{a}}1}}$ ，${{\rm{Q}}_{{\rm{a}}2}}$ 的导通压降被忽略，此时M点的电位和P点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{PO}}}=U_{{\rm{dc}}} / 2 $ 。当电流$ i_{{\rm{a}}}＜0 $ 时，电流的流通路径如图3中的红色虚线所示。电流从交流侧负载处流出，经过反向并联的续流二极管$ \mathrm{D}_{\mathrm{a} 2} $ ，$ \mathrm{D}_{\mathrm{a} 1} $ 流向直流电源，并为电容$ \mathrm{C}_{1} $ 充电。由于忽略了二极管$ \mathrm{D}_{\mathrm{a} 2} $ ，$ \mathrm{D}_{\mathrm{a} 1} $ 的导通压降，此时M点的电位和P点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{PO}}}=U_{{\rm{dc}}} / 2 $ 。因此当开关管${{\rm{Q}}_{{\rm{a}}1}}$ ，${{\rm{Q}}_{{\rm{a}}2}}$ 导通，${{\rm{Q}}_{{\rm{a}}3}}$ ，${{\rm{Q}}_{{\rm{a}}4}}$ 关断时，a相桥臂的输出电压为$U_{{\rm{dc}}}/2 $ 。（2） O状态：在该工作状态下，开关管
$ {{\rm{Q}}_{{\rm{a}}2}} $ ，$ {{\rm{Q}}_{{\rm{a}}3}} $ 导通，${{\rm{Q}}_{{\rm{a}}1}} $ ，$ {{\rm{Q}}_{{\rm{a}}4}}$ 关断，电流流通路径如图4所示。当电流$ i_{{\rm{a}}}＞0 $ 时，电流的流通路径如图4中的红色实线所示。电流从电压源正极流出，流经直流母线中点O，经过钳位二极管$ \mathrm{D}_{{\rm{a}} 5} $ 和功率开关管$ {{\rm{Q}}_{{\rm{a}}2}} $ 流向交流侧负载处，此时直流电压源$ {U}_{\mathrm{dc}} $ 为电容$ \mathrm{C}_{1} $ 充电。由于二极管$ \mathrm{D}_{{\rm{a}} 5} $ 和开关管$ {{\rm{Q}}_{{\rm{a}}2}} $ 的导通压降被忽略，此时M点的电位和O点的电位相等，即$ U_{{\rm{MO}}}=0 $ 。当电流$ i_{{\rm{a}}}＜0 $ 时，电流的流通路径如图4中红色虚线所示。电流从交流侧负载处，流经功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $ 和钳位二极管$ \mathrm{D}_{{\rm{a}} 6} $ ，经过直流母线中点O流向直流电压源的负极，此时电容$ \mathrm{C}_{2} $ 被充电。由于忽略了功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $ 和钳位二极管$ \mathrm{D}_{{\rm{a}} 6} $ 的导通压降，M点的电位等于O点的电位，即$ U_{{\rm{MO}}}=0 $ 。因此当开关管$ {{\rm{Q}}_{{\rm{a}}2}} $ ，$ {{\rm{Q}}_{{\rm{a}}3}} $ 导通，${{\rm{Q}}_{{\rm{a}}1}} $ ，$ {{\rm{Q}}_{{\rm{a}}4}}$ 关断时，a相桥臂的输出电压为0。（3） N状态：在该工作状态下，开关管
${{\rm{Q}}_{{\rm{a}}3}} $ ，${{\rm{Q}}_{{\rm{a}}4}} $ 导通，${{\rm{Q}}_{{\rm{a}}1}} $ ，${{\rm{Q}}_{{\rm{a}}2}} $ 关断，电流流通路径如图5所示。当电流$ i_{{\rm{a}}}＞0 $ 时，电流的流通路径如图5中的红色实线所示。电流从直流电压源N端经过反并联续流二极管$\mathrm{D}_{\mathrm{a} 4}$ ，$\mathrm{D}_{\mathrm{a} 3}$ 流入交流侧负载处，电容$ \mathrm{C}_{2} $ 被充电。由于忽略了二极管$\mathrm{D}_{\mathrm{a}_{4}}$ ，$\mathrm{D}_{\mathrm{a} 3}$ 的导通压降，此时M点的电位和N点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{NO}}}=-U_{{\rm{dc}}} / 2 $ 。当电流$ i_{{\rm{a}}}＜0 $ 时，电流的流通路径如图5中的红色虚线所示。电流从交流侧负载处流出，经功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $ ，$ {{\rm{Q}}_{{\rm{a}}4}}$ 流向直流电压源的N端，电容$ \mathrm{C}_{2} $ 被充电。由于开关管$ {{\rm{Q}}_{{\rm{a}}3}} $ ，${{\rm{Q}}_{{\rm{a}}4}} $ 的导通压降被忽略，此时M点的电位等于N点的电位，即$ U_{{\rm{MO}}}=U_{{\rm{NO}}}=-U_{{\rm{dc}}} / 2 $ 。因此当开关管$ {{\rm{Q}}_{{\rm{a}}3}} $ ，${{\rm{Q}}_{{\rm{a}}4}} $ 导通，$ {{\rm{Q}}_{{\rm{a}}1}} $ ，$ {{\rm{Q}}_{{\rm{a}}2}} $ 关断时，a相桥臂的输出电压为$ -U_{{\rm{dc}}} / 2 $ 。2.2 故障分析
NPC三电平逆变器的电源开关由12个绝缘栅双极晶体管(Insulated Gate Bipolar Transistor，IGBT)器件组成。由于故障电源开关的位置和数量是随机的，可能会出现多种类型的开路故障。一般来说，3个或3个以上的电源开关同时发生开路故障的可能性非常小。
本文主要研究单开关或双开关开路故障的故障诊断，故障类型及标签见表1。具体故障分为4类：① 电源开关均工作正常，认为是一种特殊的故障情况，未在表1中标出。② 仅1个电源开关出现开路故障，共12种。③ 2个电源开关同时发生单相桥臂开路故障，共12种。④ 2个电源开关交叉臂同时出现开路故障，共48种。这4类故障中，共有73种故障类型，分别对这73种故障类型进行标注。正常情况下负载端的三相相电压波形如图6所示，在开关管无故障时，输出三相相电压为标准的正弦波形，三相之间电压相位相差
$ {120^\circ } $ ，电压大小呈周期性变换。表 1 故障类型及标签Table 1. Fault types and labels故障类型 标签 故障类型 标签 故障类型 标签 故障类型 标签 ${{\rm{Q}}_{{\rm{a}}1}}$ 1 ${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}3}}$ 19 ${{\rm{Q}}_{{\rm{a}}3}} {{\rm{Q}}_{{\rm{c}}1}}$ 37 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }2} }$ 55 ${{\rm{Q}}_{{\rm{a}}2}}$ 2 ${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{b}}3}}$ 20 ${{\rm{Q}}_{{\rm{a}}3}} {{\rm{Q}}_{{\rm{c}}2}}$ 38 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }3} }$ 56 ${{\rm{Q}}_{{\rm{a}}3}}$ 3 ${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{b}}4}}$ 21 ${{\rm{Q}}_{{\rm{a}}4}} {{\rm{Q}}_{{\rm{b}}1}}$ 39 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }4} }$ 57 ${{\rm{Q}}_{{\rm{a}}4}}$ 4 ${{\rm{Q}}_{{\rm{b}}2}} {{\rm{Q}}_{{\rm{b}}3}}$ 22 ${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{c}}1}}$ 40 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }1} }$ 58 ${{\rm{Q}}_{{\rm{b}}1}}$ 5 ${{\rm{Q}}_{{\rm{b}}2}} {{\rm{Q}}_{{\rm{b}}4}}$ 23 ${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{c}}2}}$ 41 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }2} }$ 59 ${{\rm{Q}}_{{\rm{b}}2}}$ 6 ${ {\rm{Q} }_{ {\rm{b} }4} } { {\rm{Q} }_{ {\rm{c} }2} }$ 24 ${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{b} }1} }$ 42 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }3} }$ 60 ${{\rm{Q}}_{{\rm{b}}3}}$ 7 ${{\rm{Q}}_{{\rm{b}}3}} {{\rm{Q}}_{{\rm{c}}4}}$ 25 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}2}}$ 43 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }4} }$ 61 ${{\rm{Q}}_{{\rm{b}}4}}$ 8 ${{\rm{Q}}_{{\rm{c}}1}} {{\rm{Q}}_{{\rm{c}}3}}$ 26 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}3}}$ 44 ${ {\rm{Q} }_{ {\rm{b} }1} } { {\rm{Q} }_{ {\rm{c} }4} }$ 62 ${{\rm{Q}}_{{\rm{c}}1}}$ 9 ${{\rm{Q}}_{{\rm{c}}1}} {{\rm{Q}}_{{\rm{c}}4}}$ 27 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}4}}$ 45 ${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }1} }$ 63 ${{\rm{Q}}_{{\rm{c}}2}}$ 10 ${{\rm{Q}}_{{\rm{c}}2}} {{\rm{Q}}_{{\rm{c}}3}}$ 28 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{c}}1}}$ 46 ${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }2} }$ 64 ${{\rm{Q}}_{{\rm{c}}3}}$ 11 ${{\rm{Q}}_{{\rm{c}}2}} {{\rm{Q}}_{{\rm{c}}4}}$ 29 ${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }2} }$ 47 ${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }3} }$ 65 ${{\rm{Q}}_{{\rm{c}}4}}$ 12 ${{\rm{Q}}_{{\rm{b}}3}} {{\rm{Q}}_{{\rm{c}}2}}$ 30 ${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }3} }$ 48 ${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }4} }$ 66 ${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}4}}$ 13 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}1}}$ 31 ${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }4} }$ 49 ${ {\rm{Q} }_{ {\rm{b} }3} } { {\rm{Q} }_{ {\rm{c} }1} }$ 67 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{a}}3}}$ 14 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}2}}$ 32 ${ {\rm{Q} }_{ {\rm{b} }1} } { {\rm{Q} }_{ {\rm{c} }3} }$ 50 ${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }1} }$ 68 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{a}}4}}$ 15 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}3}}$ 33 ${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }1} }$ 51 ${ {\rm{Q} }_{ {\rm{a} }1} } { {\rm{Q} }_{ {\rm{c} }3} }$ 69 ${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}1}}$ 16 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}4}}$ 34 ${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }2} }$ 52 ${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{c} }3} }$ 70 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{a}}3}}$ 17 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{c}}1}}$ 35 ${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }3} }$ 53 ${ {\rm{Q} }_{ {\rm{b} }3} } { {\rm{Q} }_{ {\rm{c} }3} }$ 71 ${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{a}}4}}$ 18 ${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{c}}2}}$ 36 ${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }4} }$ 54 ${ {\rm{Q} }_{ {\rm{a} }1} } { {\rm{Q} }_{ {\rm{c} }4} }$ 72 如果电源开关发生故障，逆变器输出的相电压信号会发生改变。不同类型的故障会产生不同相位的电压信号（图7）。三相电压信号包含了反映故障特征的重要信息。采用PNN算法自动提取不同故障类型下三相电压信号的故障特征信息进行故障识别，进而对逆变器进行故障诊断。
为了更好地贴近矿用逆变器的工作环境，给故障数据添加噪声处理，然后再作为实际故障数据进行故障诊断。加噪前后的故障波形如图8所示，通过加噪后，故障数据更复杂。
![]()
图 8 加噪前后的$ {{\rm{Q}}_{{\rm{a}}3}} $ $ {{\rm{Q}}_{{\rm{c}}1}} $ 故障波形Figure 8.$ {{\rm{Q}}_{{\rm{a}}3}} $ $ {{\rm{Q}}_{{\rm{c}}1}} $ faults waveforms before and after noise adding3. 故障诊断方法
3.1 数据处理
为了提高PNN网络的可识别度，采样时采用分时采样，即从不同时间节点采取1个周期的数据，作为故障样本，如图9所示，即桔色框中截取的数据为数组1，绿色框中截取的数据为数组2，黄色框中截取的数据为数组3，蓝色框中截取的数据为数组4，对数组中的数据进行归一化操作。虽然是从不同时间点截取的数据，但都是同一种故障，因此都放在同一个故障类型中。这样就增大了数据集的多样化，更有利于故障特征的提取识别。
3.2 故障诊断
将故障数据导入PNN网络模型中，经过训练测试得到故障诊断结果。基于PNN的矿用NPC三电平逆变器开路故障诊断流程如图10所示。
![]()
图 10 基于PNN的矿用三电平逆变器开路故障诊断流程Figure 10. Diagnosis flow of open-circuit fault of mine NPC type three-level inverter（1） 数据采集：根据故障类型，利用示波器采集a，b，c三相相电压信号，并对其进行去噪与归一化处理。
（2） 将三相相电压经过Clark与Park变换得到
${U_d}$ 与${U_q}$ 。（3） 利用EMD提取故障特征向量。EMD将
${U_d}$ 分解为多个IMF，并计算出第2、第3、第8个IMF的均值、均方差和方差，作为故障特征向量。（4） 构建PNN网络：将故障数据按照4∶1的比例分为训练集和测试集，然后将数据代入建立好的故障诊断网络模型进行训练。
（5） 训练网络：通过对训练集数据的训练，得到PNN模型的参数。
（6） 网络效果测试：使用测试集进行回代，得到测试结果，并对测试结果是否满足故障诊断要求进行分析，如果满足故障诊断要求，则保存并输出测试结果，得到分类结果；如果不满足故障诊断要求，则进行网络参数调试，调试好后再度进行测试，直到满足故障诊断要求。
4. 实验结果分析
为了测试基于PNN的矿用NPC三电平逆变器开关管开路故障诊断方法的预测能力，利用自制数据集对其进行测试。将数据集分为测试集和训练集，训练数据集占比为0.8，约27 456个样本。测试结果如图11所示，三角形（表示预测结果）与星形（实际结果）重合表示预测成功，通过统计预测失误所占比例计算准确率，其中训练集准确率在99%以上，测试集准确率在97%以上。
为了方便分析误差，将随机选择未经过训练的200个样本进行测试，结果如图12所示。
当识别成功时，会在0位置上产生一个标记，否则会在其他位置产生一个标记。经过10次测试，其每轮样本失误数分别为6，5，2，4，5，3，5，6，4，5，进行平均计算，其平均准确率为97.75%。验证了本文所提方法的有效性。
为更一步验证基于PNN的矿用NPC三电平逆变器开关管故障诊断方法的可靠性，将其与基于卷积神经网络（Convolutional Neural Network，CNN）和支持向量机（Support Vector Machine，SVM）的方法进行对比，不同方法的测试准确率及PNN网络诊断模型对加噪前后故障的诊断结果如图13所示。可看出当模型达到稳定时，基于CNN与SVM的方法的准确率为90%左右，低于基于PNN诊断方法的诊断结果。加噪后，虽然故障数据变得更加复杂，但经过经验模态分解，基于PNN诊断方法的诊断效果良好，证明了本文方法的可靠性。
5. 结语
以矿用NPC三电平逆变器开关管为研究对象，首先提取逆变器开关管开路故障信号，分析并整合得到原始故障数据样本，然后对数据样本进行经验模态分解，最后采用PNN算法进行训练、分类，实现NPC三电平逆变器开关管的故障诊断。实验结果表明，基于PNN的矿用NPC三电平逆变器开关管开路故障诊断方法具有良好的诊断效果，平均故障诊断准确率为97.75%，高于基于CNN和SVM方法的故障准确率。但该方法需要搜集大量故障数据，工作量大，未来可与数据增强或机器学习方法相融合，利用较少数据集达到更好的诊断效果。
-
![]()
图 1 悬臂式掘进机位姿视觉检测系统
Figure 1. Position and posture measurement system for boom-type roadheader based on machine vision
![]()
图 2 改进后悬臂式掘进机位姿视觉检测系统流程
Figure 2. Flow of the improved position and posture measurement system for boom-type roadheader based on machine vision
![]()
图 3 悬臂式掘进机位姿视觉检测系统实验平台
Figure 3. Experimental platform for position and posture measurement system for boom-type roadheader based on machine vision
![]()
图 4 不同粉尘浓度等级下的激光束图像
Figure 4. Laser beam images under different dust concentration levels
![]()
图 5 掘进机位姿测量误差
Figure 5. The measurement error of the position and posture of the roadheader
表 1 图像灰度值与粉尘浓度等级的关系
Table 1 The relationship between image gray value and dust concentration level
灰度值 透过率/% 粉尘浓度等级 160~200 0~20 超高浓度 120~160 20~40 高浓度 70~120 40~70 中浓度 40~70 70~100 低浓度 
下载: 导出CSV
表 2 中浓度粉尘环境下参数选取实验结果
Table 2 Experimental results of parameter selection in medium-concentration dust environment
曝光时间/μs Smin Vmin 测量值/mm 可用
图像/张X Y Z 40 000 25 25 — — — — 35 — — — — 45 −124.3 9964.1 112.3 65 35 25 −123.3 9959.2 116.3 72 35 −125.2 9962.5 115.1 76 45 −128.1 9969.3 113.3 91 45 25 −125.4 9965.3 110.7 78 35 −126.8 9968.1 112.1 88 45 — — — — 60 000 25 25 — — — — 35 — — — — 45 −125.4 9964.3 110.7 78 35 25 −122.3 9965.6 110.3 80 35 −126.2 9967.8 112.1 84 45 −124.1 9966.6 114.3 88 45 25 −126.4 9967.5 115.7 90 35 −126.1 9969.2 113.1 94 45 — — — — 80 000 25 25 — — — — 35 — — — — 45 — — — — 35 25 — — — — 35 −126.2 9965.5 112.1 75 45 −127.9 9961.2 115.3 79 45 25 — — — — 35 −127.8 9963.1 111.1 84 45 −129.1 9970.3 114.3 80
下载: 导出CSV
表 3 不同粉尘浓度等级下的最优相机和图像处理参数
Table 3 Optimal camera and image processing parameters under different dust concentration levels
粉尘浓度等级 曝光时间/μs Smin Vmin 高浓度 60 000 45 35，45 中浓度 60 000 35，45 35 低浓度 40 000 35 45
下载: 导出CSV
表 4 掘进机位姿检测实验结果
Table 4 The experimental results of the position and posture detection of the roadheader
项目 编号 X/mm Y/mm Z/mm 位姿真实值 1 −100 10 000 −90 2 −200 15 000 −90 3 −300 20 000 −90 4 −350 25 000 −90 5 −420 30 000 −90 位姿测量值
（非自适应调整）1 −135.2 9 963.8 −120.6 2 −169.4 15 039.5 −60.9 3 −339.8 20 039.2 −118.8 4 −312.4 24 958.5 −60.4 5 −458.5 30 042.2 −59.2 位姿测量值
（自适应调整）1 −128.1 9 969.3 −113.3 2 −173.6 15 031.2 −67.5 3 −329.5 20 029.7 −112.1 4 −321.9 24 970.5 −68.9 5 −449.2 30 031.8 −66.3
下载: 导出CSV
表 5 参数自适应与非自适应调整算法误差对比
Table 5 Error comparison between parameter adaptive adjustment algorithm and non-adaptive adjustment algorithm
参数调整
算法最大误差/mm 平均误差/mm 可用
图像/张X 方向 Y 方向 Z 方向 X 方向 Y 方向 Z 方向 非自适应 39.8 42.2 30.8 36.34 39.74 29.78 75 自适应 29.5 31.8 23.7 28.26 30.58 22.54 90
下载: 导出CSV
-
[1] 王国法,刘峰,孟祥军,等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术,2019,47(8):1-36. WANG Guofa,LIU Feng,MENG Xiangjun,et al. Research and practice on intelligent coal mine construction (primary stage)[J]. Coal Science and Technology,2019,47(8):1-36.
[2] 葛世荣. 煤矿机器人现状及发展方向[J]. 中国煤炭,2019,45(7):18-27. DOI: 10.3969/j.issn.1006-530X.2019.07.004 GE Shirong. Present situation and development direction of coal mine robots[J]. China Coal,2019,45(7):18-27. DOI: 10.3969/j.issn.1006-530X.2019.07.004
[3] 王国法,王虹,任怀伟,等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报,2018,43(2):295-305. WANG Guofa,WANG Hong,REN Huaiwei,et al. 2025 scenarios and development path of intelligent coal mine[J]. Journal of China Coal Society,2018,43(2):295-305.
[4] 杨健健,张强,王超,等. 煤矿掘进机的机器人化研究现状与发展[J]. 煤炭学报,2020,45(8):2995-3005. YANG Jianjian,ZHANG Qiang,WANG Chao,et al. Status and development of robotization research on roadheader for coal mines[J]. Journal of China Coal Society,2020,45(8):2995-3005.
[5] 张超,张旭辉,杜昱阳,等. 基于双目视觉的悬臂式掘进机位姿测量技术研究[J]. 煤炭科学技术,2021,49(11):225-235. ZHANG Chao,ZHANG Xuhui,DU Yuyang,et al. Pose measurement technology of cantilever roadheader based on binocular vision[J]. Coal Science and Technology,2021,49(11):225-235.
[6] 薛光辉,张云飞,候称心,等. 基于激光靶向扫描的掘进机位姿测量方法[J]. 煤炭科学技术,2020,48(11):19-25. XUE Guanghui,ZHANG Yunfei,HOU Chenxin,et al. Measurement of roadheader position and posture based on orientation laser scanning[J]. Coal Science and Technology,2020,48(11):19-25.
[7] 贾文浩,陶云飞,张敏骏,等. 基于iGPS的煤巷狭长空间中掘进机绝对定位精度研究[J]. 仪器仪表学报,2016,37(8):1920-1926. DOI: 10.3969/j.issn.0254-3087.2016.08.025 JIA Wenhao,TAO Yunfei,ZHANG Minjun,et al. Research on absolute positioning accuracy of roadheader based on indoor global positioning system in narrow and long coal tunnel[J]. Chinese Journal of Scientific Instrument,2016,37(8):1920-1926. DOI: 10.3969/j.issn.0254-3087.2016.08.025
[8] 刘超,符世琛,成龙,等. 基于TSOA定位原理混合算法的掘进机位姿检测方法[J]. 煤炭学报,2019,44(4):1255-1264. LIU Chao,FU Shichen,CHENG Long,et al. Pose detection method based on hybrid algorithm of TSOA positioning principle for roadheader[J]. Journal of China Coal Society,2019,44(4):1255-1264.
[9] 毛清华,张旭辉,马宏伟,等. 多传感器信息的悬臂式掘进机空间位姿监测系统研究[J]. 煤炭科学技术,2018,46(12):41-47. MAO Qinghua,ZHANG Xuhui,MA Hongwei,et al. Study on spatial position and posture monitoring system of boom-type roadheader based on multi sensor information[J]. Coal Science and Technology,2018,46(12):41-47.
[10] 杜雨馨,刘停,童敏明,等. 基于机器视觉的悬臂式掘进机机身位姿检测系统[J]. 煤炭学报,2016,41(11):2897-2906. DU Yuxin,LIU Ting,TONG Minming,et al. Pose measurement system of boom-type roadheader based on machine vision[J]. Journal of China Coal Society,2016,41(11):2897-2906.
[11] 马宏伟,王世斌,毛清华,等. 煤矿巷道智能掘进关键共性技术[J]. 煤炭学报,2021,46(1):310-320. MA Hongwei,WANG Shibin,MAO Qinghua,et al. Key common technology of intelligent heading in coal mine roadway[J]. Journal of China Coal Society,2021,46(1):310-320.
[12] 杨文娟,张旭辉,马宏伟,等. 悬臂式掘进机机身及截割头位姿视觉测量系统研究[J]. 煤炭科学技术,2019,47(6):50-57. YANG Wenjuan,ZHANG Xuhui,MA Hongwei,et al. Research on position and posture measurement system of body and cutting head for boom-type roadheader based on machine vision[J]. Coal Science and Technology,2019,47(6):50-57.
[13] 张旭辉,赵建勋,杨文娟,等. 悬臂式掘进机视觉导航与定向掘进控制技术[J]. 煤炭学报,2021,46(7):2186-2196. ZHANG Xuhui,ZHAO Jianxun,YANG Wenjuan,et al. Vision-based navigation and directional heading control technologies of boom-type roadheader[J]. Journal of China Coal Society,2021,46(7):2186-2196.
[14] 刘伟华. 基于机器视觉的煤尘在线检测系统关键技术研究[D]. 济南: 山东大学, 2011. LIU Weihua. Research on key technologies in on-line system for coal dust partical detection based on machine vision[D]. Jinan: Shandong University, 2011.
[15] 纪大波,方晓,曹廷校,等. 基于图像处理测量露天爆破粉尘量[J]. 工程爆破,2017,23(4):34-38. DOI: 10.3969/j.issn.1006-7051.2017.04.007 JI Dabo,FANG Xiao,CAO Tingxiao,et al. Measuring dust amount of open-pit blasting based on image processing[J]. Engineering Blasting,2017,23(4):34-38. DOI: 10.3969/j.issn.1006-7051.2017.04.007
[16] 闵武国. CCD成像电子学系统自动曝光和自动增益研究[D]. 大连: 大连海事大学, 2010. MIN Wuguo. The study of auto-exposure and auto-gain on CCD imaging electronics system[D]. Dalian: Dalian Maritime University, 2010.
[17] 刘志博,朱志鹏,何超,等. 微纳级示踪粒子图像灰度与粒径量化关系研究[J]. 光学学报,2020,40(8):80-86. LIU Zhibo,ZHU Zhipeng,HE Chao,et al. Research on quantitative relationship between image gray value and particle diameter of micro-nano-scale tracer particle[J]. Acta Optica Sinica,2020,40(8):80-86.
-
期刊类型引用(5)
1. 王伟. EBZ260型掘进机的智能化改造及应用分析. 矿业装备. 2024(05): 183-185 . 
百度学术
2. 姚荣，张永强，张杰文. 煤矿综掘机自动截割控制系统的应用研究. 能源科技. 2024(04): 28-31+52 . 百度学术
3. 绳军锋. 基于FNN-PID的掘进机截割头升降控制算法研究. 中国新技术新产品. 2023(03): 9-11 . 百度学术
4. 王豪. 变频调速技术在悬臂式掘进机上的应用分析. 西部探矿工程. 2023(10): 126-128 . 百度学术
5. 杜雨馨，张贺，王树臣，张建化. 综掘系统视觉处理技术研究现状及发展趋势. 工矿自动化. 2023(11): 22-38+75 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 1068
- HTML全文浏览量: 93
- PDF下载量: 35
- 被引次数: 5
