针对人为判断采矿机截割负载类型的方式具有一定误差和滞后性的问题，提出了一种基于小波包分解和麻雀搜索算法优化BP神经网络(SSA-BPNN)的采矿机截割负载分类方法。该方法包括信号特征提取和模式分类2个部分：在信号特征提取部分，对采集的采矿机摇臂振动信号进行小波包分解，得到各子频带能量及信号总能量，经归一化处理后得到表征不同负载类型的特征向量，并利用主成分分析法对特征向量进行降维处理；在模式分类部分，通过SSA优化BPNN的初始权值和阈值，将特征向量作为SSA-BPNN的输入，从而实现负载分类识别。以MG500/1170-AWD1采矿机为对象，将磁吸式加速度传感器吸附于采矿机摇臂一轴靠近支架侧的壳体处，采集采矿机滚筒空载、截割铝土和岩石3种工况下的振动信号进行试验。试验结果表明：不同截割负载下振动信号在各子频带能量上表现出一定的差异性，表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量；与BPNN相比，SSA-BPNN收敛速度更快、识别准确率更高，负载分类识别准确率达95.3%。

中国煤炭科工集团有限公司科技创新创业资金项目(21-TD-MS005)；

0 引言
1 基于小波包分解的信号特征提取
1.1 小波包分解
1.2 特征向量计算
1.3 PCA降维
2 SSA-BPNN
3 截割负载类型识别流程
4 试验验证
4.1 工程地质条件
4.2 传感器及测点选择
4.3 工业性试验方案
4.4 特征向量提取及数据降维
4.5 BPNN及SSA的参数初始化
4.6 结果分析
5 结论

许志鹏,刘振坚,庄德玉,尹玉玺.基于振动信号的采矿机截割负载分类[J].工矿自动化,2022,48(12):137-143.DOI:10.13272/j.issn.1671-251x.2022070078.