薛紅梅

(西安科技大學高新學院，陜西 西安 710109)

采煤機滾筒自動調(diào)高的關(guān)鍵技術(shù)是煤巖界面識別技術(shù)和滾筒自動調(diào)高技術(shù)?，F(xiàn)有的煤巖界面識別技術(shù)由于井下環(huán)境的復雜都不能很好的滿足煤礦企業(yè)的要求[1]。記憶截割作為一種間接方法已成熟應用于一些大功率采煤機[2]。記憶截割具體過程是：1)人工調(diào)高第一刀截割，并對截割軌跡進行記憶；2)在進行第二刀截割的時候，采煤機則可以自動跟隨上一刀的記憶軌跡曲線開始自動調(diào)高；3)當頂板發(fā)生起伏變化時，就需要按當前頂板的實際情況進行人工調(diào)節(jié)；4)這時候要將上一刀的記憶軌跡曲線進行調(diào)節(jié)，而下一刀的截割則會按照調(diào)節(jié)后的記憶曲線作為記憶依據(jù)開始自動調(diào)整，就這樣，在后刀截割過程中，當需要依據(jù)頂板的實際變化對前一刀記憶的截割軌跡進行修正時，通過人工干預來保證截割曲線符合頂板的變化，從而確保記憶截割的有效性。人工干預調(diào)整算法的功能如圖1所示。

圖1 人工干預調(diào)整算法的功能

目前也有人對采煤機記憶截割人工干預調(diào)整算法進行了研究。傳統(tǒng)的數(shù)據(jù)擬合插值算法(如最小二乘法擬合、三次樣條擬合等)是探究數(shù)據(jù)之間的數(shù)學關(guān)系式進行處理，是對矩陣元素的獨立處理，即對于采煤機某個位置的調(diào)高信息是獨立處理的，這種方式并不能完全挖掘出數(shù)據(jù)內(nèi)部之間的真實關(guān)聯(lián)度，同時還會在與原始數(shù)據(jù)在連接時出現(xiàn)漏洞，如圖4所示。也有人提出用BP神經(jīng)網(wǎng)絡解決，但是只在采煤工作面的一部分采用人工干預方法，所記錄的信息較少，因此設(shè)置樣本數(shù)量較少，小樣本的情況下采用BP神經(jīng)網(wǎng)絡的逐步逼近結(jié)果并不樂觀，如圖4所示。王忠兵、張麗麗等用傳感器信息融合加上遺傳算法動態(tài)來開展煤巖界面分析，形成修正記憶軌跡[3]，同時還使用微粒群的算法對采煤機的截割痕跡進行完善。這種方法可以就每次的截割循環(huán)均開展優(yōu)化，同時采煤機在工作面的所有調(diào)高數(shù)據(jù)都參與，其中涉及到求解Riccati方程等一系列的運算且針對算法的求解速度尚且較慢。因此，采煤機在截割軌跡變化劇烈的區(qū)間里，其跟蹤一般會有些拖后[3-4]。

針對上述問題，本文在記憶跟蹤軌跡的基礎(chǔ)上僅對干預區(qū)域進行軌跡修正。利用RBF神經(jīng)網(wǎng)絡的局部映射能力，對采煤機記憶截割人工干預數(shù)據(jù)進行處理從而實現(xiàn)了人工干預。首先司機監(jiān)測現(xiàn)場，當頂板發(fā)生變化的地方進行人工輔助調(diào)高，然后利用RBF神經(jīng)網(wǎng)絡對干預數(shù)據(jù)進行處理，最后對采煤機滾筒跟蹤軌跡重新記憶。

一、RBF神經(jīng)網(wǎng)絡

擬合平面的基函數(shù)由RBF神經(jīng)網(wǎng)絡的每個隱層神經(jīng)元傳遞函數(shù)構(gòu)成，這將是一個局部的逼近網(wǎng)絡[5]。RBF神經(jīng)網(wǎng)絡最鮮明的特點就是隱節(jié)點的基函數(shù)采用的是距離函數(shù)且運用高斯函數(shù)做為激活函數(shù)。RBF網(wǎng)絡關(guān)于n維空間的一個中心點具有徑向的對稱性，同時神經(jīng)元的輸入距離中心點越遠，其的激活程度也就變得越低，隱節(jié)點的這個特性一般被稱作“局部特性”[6]。因為每個神經(jīng)元均具局部特性，因此最終的RBF神經(jīng)網(wǎng)絡也依次表現(xiàn)出“局部映射”的功能。但是，當輸入樣本變得龐大時，網(wǎng)絡實現(xiàn)較為復雜，求解網(wǎng)絡的權(quán)值時則會容易產(chǎn)生病態(tài)問題[7]。如2圖所示，輸入層節(jié)點只是傳遞輸入信號抵達隱含層，高斯函數(shù)則是隱層節(jié)點的激活函數(shù)，隱層各節(jié)點輸出的線性組合則是由網(wǎng)絡的輸出所致。

圖2 RBF網(wǎng)絡拓撲的結(jié)構(gòu)圖示

RBF神經(jīng)網(wǎng)絡的目標函數(shù)：

(1)

樣本模式對為N；網(wǎng)絡輸出節(jié)點數(shù)為L；t在樣本p的作用之下第k個期望輸出我們用kp來表示；在樣本p的作用下第k個實際輸出我們也ykp來表示。

隱層層的輸出如下：

(2)

(3)

輸出層輸出：

(4)

根據(jù)提供的學習樣本決定隱層高斯函數(shù)的中心向量Ci和隱層到輸出層的連接權(quán)值wki。

表1 采煤機滾筒的具體位置信息

續(xù)表1

二、人工干預數(shù)據(jù)處理算法仿真

(一)坐標系的建立

圖3 采煤機在綜采工作面示意圖

如同3圖，將采煤機在工作面的原始地點作為坐標原點，沿著采煤工作面方向作為X軸，將工作面的運行推動方向作為Y軸，同時將滾筒高度的方向作為Z軸，如此來建立一個坐標系。

比如一輛采煤機在截割運行過程中其姿態(tài)參數(shù)α、β不動，然后只是就滾筒的高度參數(shù)做以調(diào)整。在表1當中，Xi則代表著采煤機在工作面的地方；Yi則代表著第i刀的截割循環(huán)；Z則代表著采煤機的滾筒在相應位置上的具體高度。

(二)matlab仿真

圖4 記憶截割人工干預數(shù)據(jù)擬合

如圖4所示，采煤機的滾筒一般會在人工干預前依照原始的記憶軌跡展開跟蹤，并通過人工干預以及對干預數(shù)據(jù)信息的處理，隨后采煤機的滾筒跟蹤軌跡曲線就會在干預區(qū)域得到修正，通過修正后的跟蹤軌跡如圖5所示。

圖5 人工干預后采煤機滾筒的跟蹤軌跡

注：曲線1——圖為司機進行手動調(diào)高的截割過程曲線；曲線2——圖為第一刀截割曲線的跟蹤記憶截割曲線；曲線3——圖為進行人工干預的全部過程；曲線4——圖為得到人工干預修正以后的記憶截割曲線；曲線5——圖為對第四刀記憶曲線進行的跟蹤曲線。

圖6所示的仿真結(jié)果驗證了以上人工干預算法的有效性。

圖6 采煤機記憶截割過程

三、干預的軟件實現(xiàn)

圖7為人工干預下形成的軟件系統(tǒng)編程流程圖示，這里我們需要先對干預斷點進行監(jiān)測，即我們要清楚在什么地方和什么情形之下是需要展開人工干預的，這時候就需停止自動跟蹤的流程，與此同時還要啟動手動控制，在手動控制的進程下使用鍵盤控制油缸繼電器的開關(guān)，方可對搖臂進行控制。在操作過程中還需要對人工控制過程中采煤機的一些運行、截割參數(shù)進行記憶，使用RBF的算法對所記憶下來的參數(shù)展開相應處理，且覆蓋掉原始對應位置采煤機的運行截割數(shù)據(jù)，隨之即可進行下一輪判斷。

圖7 人工干預軟件實現(xiàn)流程圖

四、實驗驗證

本實驗是在試驗樣機上進行的，該試驗樣機是參照MG500/1130-WD型電牽引采煤機按1：6制作的。實驗過程保持試驗樣機的牽引速度和機身姿態(tài)不變的條件下，進行人工干預修正記憶截割曲線。

圖8 采煤機記憶截割人工干預控制界面

如圖8所示，首先是對前一刀記憶跟蹤曲線的讀取并跟蹤，然后根據(jù)現(xiàn)場監(jiān)控，在截割軌跡改變的地方進行人工干預并對干預數(shù)據(jù)進行處理，最后進行數(shù)據(jù)替換。干預前后采煤機滾筒的跟蹤曲線如圖9所示。

圖9 采煤機進行記憶截割時人工干預前后的滾筒運動軌跡

五、余論

文章以采煤機的滾筒自動調(diào)高過程中人工干預作為研究對象，最終達到了手動輔助調(diào)高的結(jié)果。對原有記憶的修正截割以及對其干預數(shù)據(jù)的處理，使得其最終重新開始記憶滾筒跟蹤軌跡。這種收斂速度相對較快且簡單的算法特色，極大地促進了工作面采煤機自動調(diào)高系統(tǒng)的不斷發(fā)展和逐步完善。

[1]李春華，劉春生.采煤機滾筒自動調(diào)高技術(shù)分析[J].工礦自動化，2005(4)：48-51.

[2]劉春生.滾筒式采煤機記憶截割的數(shù)學原理[J].黑龍江科技學院學報，2010，20(2)：85-90.

[3]張麗麗，譚超，王忠賓，楊雪鋒，米金鵬.基于遺傳算法的采煤機記憶截割路徑優(yōu)化[J].煤炭工程，2011(2)：111-113.

[4]張麗麗，譚超，王忠賓.基于微粒群算法的采煤機記憶截割路徑優(yōu)化[J].煤炭科學技術(shù)，2010，38(4)：69-71.

[5]許東，吳錚.基于MATLAB6.X的系統(tǒng)分析與設(shè)計———神經(jīng)網(wǎng)絡(第二版)[M].西安：西安電子科技大學出版社，2002：24-26.

[6]李國勇.智能預測控制及MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2010：24-27.

[7]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].機械工業(yè)出版社，2003：58-59.