王東杰 王鵬江 李 悅 郭明澤 鄭偉雄 沈 陽 吳 淼

中國礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院，北京，100083

0 引言

我國煤炭資源儲量大、分布廣，但儲存條件復(fù)雜，煤炭開采主要以井工方式進(jìn)行[1]。2020年3月國家發(fā)改委、國家能源局等八部委聯(lián)合印發(fā)的《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》，要求大力推進(jìn)煤礦智能化建設(shè)，到2025年實(shí)現(xiàn)采掘、運(yùn)輸?shù)雀飨到y(tǒng)的智能化決策和自動化協(xié)同運(yùn)行[2]。懸臂式掘進(jìn)機(jī)是煤礦井下綜掘工作面最重要的設(shè)備，其自動化、智能化水平是實(shí)現(xiàn)無人智能掘進(jìn)、提高掘進(jìn)效率的關(guān)鍵[3-4]。掘進(jìn)機(jī)截割臂與截割頭是掘進(jìn)機(jī)的核心截割部件，掘進(jìn)機(jī)依靠截割臂的擺動與截割頭的轉(zhuǎn)動來實(shí)現(xiàn)巷道煤巖的截割；截割臂在擺動截割過程中，井下巷道斷面所截割煤巖的硬度與密度會不斷變化[5]，截割臂擺速不能根據(jù)煤巖硬度變化進(jìn)行實(shí)時調(diào)節(jié)，為提高掘進(jìn)效率，延長截割部使用壽命，有必要對掘進(jìn)機(jī)截割臂擺速進(jìn)行高效調(diào)控，使截割臂擺速可以根據(jù)煤巖硬度的變化進(jìn)行自適應(yīng)調(diào)節(jié)。

國內(nèi)外學(xué)者針對自適應(yīng)截割展開了研究。高峰等[6]提出了一種截割臂擺速自動控制方法，通過實(shí)時監(jiān)測截割電機(jī)電流，并以額定電流作為判斷依據(jù)，基于PID控制方法對截割臂擺速進(jìn)行自動控制；賀文海等[7]提出了一種基于模糊PID的掘進(jìn)機(jī)恒功率控制系統(tǒng)，以油缸線速度誤差及誤差變化率作為輸入，通過模糊PID控制器對截割臂擺速進(jìn)行調(diào)節(jié)。國外一些研究機(jī)構(gòu)如瑞典SANDVIK、美國TEREX公司等針對掘進(jìn)機(jī)截割臂擺速控制研發(fā)了負(fù)載敏感型液壓閥，可基于油缸壓力對截割臂擺速進(jìn)行自適應(yīng)調(diào)節(jié)[8]。以上對掘進(jìn)機(jī)自適應(yīng)截割的研究均是基于截割電機(jī)電流或油缸壓力單一參數(shù)來判斷截割載荷，單一參數(shù)不能全面、穩(wěn)定地反映當(dāng)前截割載荷的變化，無法準(zhǔn)確給出擺速調(diào)控依據(jù)；此外，現(xiàn)有截割臂擺速控制方法的智能化程度較低，對井下截割效率提升有限。

基于以上分析，筆者提出一種基于多傳感器信息的截割臂擺速自適應(yīng)截割控制策略。基于井下實(shí)測多傳感器信息，采用徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)載荷識別器，得到可表征煤巖硬度的截割載荷信號；以截割載荷信號作為擺速調(diào)控依據(jù)，采用遺傳算法優(yōu)化的模糊PID智能控制器對截割臂擺速進(jìn)行智能調(diào)節(jié)，實(shí)現(xiàn)截割臂依據(jù)煤巖硬度變化自適應(yīng)截割，并對具體調(diào)速方法及控制策略進(jìn)行了仿真分析和井上工業(yè)性實(shí)驗(yàn)驗(yàn)證。

1 多傳感器信息數(shù)據(jù)采集及載荷分析

掘進(jìn)巷道工作環(huán)境特殊，掘進(jìn)機(jī)截割頭的截割載荷不能通過測力裝置直接得出，需通過截割狀態(tài)參數(shù)來間接識別。截割電機(jī)電流、截割臂驅(qū)動油缸壓力、截割臂振動加速度都是與截割狀態(tài)密切相關(guān)的物理參數(shù)，因此首先通過實(shí)驗(yàn)實(shí)現(xiàn)對3個截割狀態(tài)參數(shù)的實(shí)時測取。

1.1 截割狀態(tài)參數(shù)分析

1.1.1截割電機(jī)電流

掘進(jìn)機(jī)截割時，截割頭在截割電機(jī)帶動下高速旋轉(zhuǎn)破碎煤壁，截割頭受到煤巖反作用的截割阻力，截割頭截割阻力、截割頭轉(zhuǎn)速、截割電機(jī)輸出轉(zhuǎn)矩和截割電機(jī)有功功率的關(guān)系為

(1)

式中，F(xiàn)為截割頭截割阻力；T為截割頭輸出轉(zhuǎn)矩；D為截割頭直徑；P為截割電機(jī)有功功率；n為截割電機(jī)轉(zhuǎn)速；I為截割電機(jī)電流；U為截割電機(jī)輸入電壓，通常為1140 V；φ為截割電機(jī)電壓與電流之間的相位差。

聯(lián)立式(1)三式并化簡得

(2)

由式(2)可得，在其他條件一定時，截割阻力變大時，截割電機(jī)電流會隨之增大。

1.1.2驅(qū)動油缸壓力

掘進(jìn)機(jī)截割過程中，截割頭高速旋轉(zhuǎn)時，截割臂需在驅(qū)動油缸作用下橫向或者縱向擺動，截割出完整斷面，當(dāng)截割載荷變大時，驅(qū)動油缸提供的橫向擺動力和縱向擺動力會隨之增大，因此可根據(jù)油缸油路壓力信號評估截割載荷大小。

1.1.3截割臂振動加速度

巷道環(huán)境復(fù)雜、惡劣，經(jīng)常會出現(xiàn)沖擊性載荷，掘進(jìn)過程中掘進(jìn)機(jī)普遍會產(chǎn)生振動，載荷越大振動越強(qiáng)，且越靠近截割頭振動變化越劇烈，因此截割臂處振動的劇烈程度可反映載荷大小。

1.2 實(shí)驗(yàn)方案

井下實(shí)驗(yàn)地點(diǎn)為冀中能源公司的邢東礦，實(shí)驗(yàn)機(jī)型為石家莊煤礦機(jī)械有限公司生產(chǎn)的EBZ135型掘進(jìn)機(jī)，測試巷道斷面為斜矩形，掘進(jìn)長度約200 m；根據(jù)掘進(jìn)機(jī)的結(jié)構(gòu)特點(diǎn)及工作特性，選用符合煤礦安全標(biāo)準(zhǔn)的BYD-60型礦用壓力變送器，串聯(lián)兩個回轉(zhuǎn)油缸的有桿腔及無桿腔來測取輸出的兩路油壓信號p；選用礦用本質(zhì)安全型GBC1000加速度傳感器檢測截割臂振動加速度信號a，傳感器布置在振動最強(qiáng)的截割臂前端；截割電機(jī)電流由掘進(jìn)機(jī)的機(jī)載狀態(tài)檢測器給出。實(shí)驗(yàn)采樣頻率為1 Hz，實(shí)驗(yàn)使用本研究團(tuán)隊(duì)自主研發(fā)的煤礦井下采掘設(shè)備機(jī)載大容量數(shù)據(jù)記錄儀來儲存、發(fā)送采集到的多傳感器實(shí)測數(shù)據(jù)[9]。

1.3 實(shí)驗(yàn)數(shù)據(jù)處理

經(jīng)過井下幾十個完整工作周期的截割狀態(tài)監(jiān)測，所采集的多傳感器信息可全面充分表征各個工況下的截割載荷；但在截割狀態(tài)信號采集過程中，由于井下非常復(fù)雜的工況環(huán)境，會出現(xiàn)數(shù)據(jù)的極端異常值，這些異常值的存在會影響神經(jīng)網(wǎng)絡(luò)載荷識別模型的訓(xùn)練，導(dǎo)致截割載荷識別精度降低。本文采用3σ準(zhǔn)則對數(shù)據(jù)進(jìn)行處理：

xi-μ>3σ

式中，xi為所采集數(shù)據(jù)組中的個體值；μ為所采集信號數(shù)據(jù)的平均值；σ為數(shù)據(jù)的標(biāo)準(zhǔn)偏差。

將所采集到的3個傳感器信號數(shù)據(jù)分別應(yīng)用于此準(zhǔn)則，將滿足上式的數(shù)據(jù)剔除，同時剔除時序相同的同一組其他數(shù)據(jù)。井下實(shí)測獲得的部分樣本數(shù)據(jù)如表1所示。

表1 井下實(shí)測部分樣本數(shù)據(jù)

1.4 截割載荷分析

通過提取不同截割工況下的多傳感器信息數(shù)據(jù)組{I，p，a}，并結(jié)合課題組前期研究所得截割頭載荷計(jì)算方法[10]，得到不同截割工況下對應(yīng)多傳感器數(shù)據(jù)組及截割載荷范圍，如表2所示。

表2 不同截割工況下對應(yīng)多傳感器數(shù)據(jù)組及截割載荷范圍

基于不同截割工況下對應(yīng)的多傳感器數(shù)據(jù)組及截割載荷范圍，同時在井下大量完整截割周期實(shí)測多傳感器數(shù)據(jù)支撐下，可利用神經(jīng)網(wǎng)絡(luò)多信息融合技術(shù)，精準(zhǔn)識別截割載荷信號，為不同煤巖硬度工況下截割臂的擺速調(diào)控提供準(zhǔn)確依據(jù)。

2 截割臂自適應(yīng)截割控制策略

2.1 截割臂擺動工作原理

懸臂式掘進(jìn)機(jī)屬于部分?jǐn)嗝婢蜻M(jìn)機(jī)，由回轉(zhuǎn)臺、截割頭、液壓缸、機(jī)身等組成，井下截割斷面成形過程中，截割頭高速旋轉(zhuǎn)，同時截割臂沿著一定截割路徑進(jìn)行擺動使煤巖破落，橫向截割時，在回轉(zhuǎn)油缸作用下水平擺動，縱向截割時，在升降油缸作用下垂直擺動，反復(fù)水平、垂直擺動多次，最后截出完整斷面[11]。截割臂結(jié)構(gòu)及擺動示意圖見圖1。

(a)截割臂橫向擺動示意圖

(b)截割臂垂直擺動示意圖圖1 截割臂結(jié)構(gòu)及擺動示意圖Fig.1 Structure and swing diagram of cutting arm

2.2 截割臂自適應(yīng)截割控制策略

掘進(jìn)機(jī)截割過程中，截割電機(jī)電流I、截割臂驅(qū)動油缸壓力p、截割臂振動加速度a雖然都是可有效反映截割載荷大小的物理參數(shù)，但它們與截割載荷之間無法建立精確的數(shù)學(xué)計(jì)算模型[12]。RBF神經(jīng)網(wǎng)絡(luò)作為一種性能強(qiáng)大的前饋型神經(jīng)網(wǎng)絡(luò)，適合解算內(nèi)部機(jī)制十分復(fù)雜的問題[13]，因此本研究以上述3個截割狀態(tài)參數(shù)作為狀態(tài)監(jiān)測變量，采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)造載荷識別器識別截割載荷信號，得到擺速調(diào)控依據(jù)。

針對復(fù)雜且時變的截割臂擺速控制系統(tǒng)，構(gòu)造經(jīng)遺傳算法優(yōu)化的模糊PID智能控制器，該控制器在傳統(tǒng)PID控制的基礎(chǔ)上，采用模糊控制在線調(diào)整PID控制參數(shù)，并利用遺傳算法自動尋找最優(yōu)初始控制參數(shù)，使控制系統(tǒng)性能在截割過程中始終得到保證。

綜上，截割臂自適應(yīng)控制策略分為兩個模塊：截割載荷信號識別模塊和擺速控制模塊。RBF神經(jīng)網(wǎng)絡(luò)載荷識別器通過井下實(shí)測多傳感器數(shù)據(jù)進(jìn)行離線訓(xùn)練，截割過程中，將實(shí)時采集的截割電機(jī)電流I、截割臂驅(qū)動油缸壓力p、截割臂振動加速度a輸入到已訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)載荷識別器，輸出為表征煤巖硬度的截割載荷信號F；擺速控制模塊以截割載荷信號F為驅(qū)動控制變量，轉(zhuǎn)換為期望擺速，并利用遺傳算法優(yōu)化的模糊PID智能控制器對截割臂擺速完成調(diào)控，最終實(shí)現(xiàn)擺速自適應(yīng)調(diào)節(jié)。自適應(yīng)截割控制策略如圖2所示。

3 RBF神經(jīng)網(wǎng)絡(luò)載荷識別器設(shè)計(jì)

3.1 RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前向神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層、輸出層三層結(jié)構(gòu)[14]，根據(jù)上述建立的控制策略，神經(jīng)網(wǎng)絡(luò)控制器的輸入層設(shè)定的3個神經(jīng)元分別對應(yīng)截割電機(jī)電流、截割臂振動加速度、液壓油缸壓力3個截割狀態(tài)參數(shù)；輸出層設(shè)定1個神經(jīng)元，對應(yīng)輸出為歸一化后表征截割載荷信號(F)大小的量綱一數(shù)值。具有3-m-1結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示。

圖2 自適應(yīng)截割控制策略框圖Fig.2 Control strategy block diagram

圖3 RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.3 Topology of RBF neural network

3.2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

RBF神經(jīng)網(wǎng)絡(luò)的隱含層徑向基函數(shù)是對中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)，選用高斯函數(shù)作為隱含層神經(jīng)元的傳遞函數(shù)，假設(shè)隱含層神經(jīng)元有m個，此時第i個隱含層神經(jīng)元的輸出為

(3)

式中，ci、σi分別為隱含層第i個神經(jīng)元基函數(shù)的中心和寬度；x為截割狀態(tài)參數(shù)的三維輸入向量；‖x-ci‖為x-ci的歐幾里得距離。

隱含層到輸出層是線性映射的，故神經(jīng)網(wǎng)絡(luò)的總輸出為隱含層神經(jīng)單元輸出的線性加權(quán)和：

(4)

式中，wi為第i個隱含層神經(jīng)元到輸出層的連接權(quán)值。

RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程實(shí)際是不斷調(diào)整基函數(shù)的中心ci、寬度σi以及隱含層與輸出層連接權(quán)值wi，從而使神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與實(shí)際值誤差最小的過程，其訓(xùn)練逼近的目標(biāo)誤差函數(shù)為

(5)

式中，N為訓(xùn)練樣本數(shù)。

為使目標(biāo)誤差函數(shù)最小化，采用梯度下降法對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行自監(jiān)督訓(xùn)練，基函數(shù)中心調(diào)整公式為

(6)

式中，k為迭代次數(shù)；η為學(xué)習(xí)速率。

基函數(shù)寬度調(diào)整公式為

(7)

輸出連接權(quán)值調(diào)整公式為

(8)

根據(jù)式(3)～式(8)訓(xùn)練算法對設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為避免多種傳感器數(shù)值量綱問題，訓(xùn)練前將所有數(shù)據(jù)歸一化處理。為確定隱含層神經(jīng)元數(shù)，選取2000組歸一化后數(shù)據(jù)對包含不同神經(jīng)元數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定最大迭代次數(shù)為100、設(shè)定目標(biāo)誤差為1×10-3，不同神經(jīng)元數(shù)的訓(xùn)練結(jié)果誤差如圖4所示。

圖4 不同隱含層神經(jīng)元數(shù)對應(yīng)的訓(xùn)練誤差Fig.4 Training error of different hidden layer neurons

由圖4可知，在相同條件下，當(dāng)隱含層神經(jīng)元數(shù)為5時，神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差最小，且可達(dá)到目標(biāo)誤差。因此設(shè)定RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)為5，目標(biāo)誤差為1×10-3，繼續(xù)選取500組井下實(shí)測數(shù)據(jù)對建立好的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定迭代次數(shù)為100，并另取100組實(shí)測數(shù)據(jù)對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試。訓(xùn)練與測試結(jié)果如圖5所示。

由圖5a可得，經(jīng)過約15次迭代后訓(xùn)練結(jié)果與測試結(jié)果都達(dá)到誤差要求；迭代完成后多傳感器信息數(shù)據(jù)測試集的期望值與預(yù)測值結(jié)果對比如圖5b所示，隨著多傳感器輸入數(shù)據(jù)的不斷變化，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測值結(jié)果與期望值基本一致，測試集相對誤差如圖5c所示，平均誤差小于1×10-3，可以滿足掘進(jìn)機(jī)截割載荷信號識別要求。

(a)迭代過程

(b)測試集期望值與預(yù)測值對比

(c)測試集期望值與預(yù)測值的誤差圖5 訓(xùn)練與測試結(jié)果Fig.5 Training and test results

4 模糊PID控制器設(shè)計(jì)及遺傳算法優(yōu)化

傳統(tǒng)PID控制不具備在線調(diào)整能力，采用模糊控制器對PID控制參數(shù)在線調(diào)整(簡稱FPID控制器)，以適應(yīng)時變的截割臂擺速調(diào)整系統(tǒng)。此外，由于模糊PID控制器初始控制參數(shù)常采用試湊法、臨界比例法等手動計(jì)算方法得到，智能化程度低，控制效果差，因此針對模糊PID控制器，設(shè)計(jì)遺傳算法(genetic algorithm，GA)自動尋找其最優(yōu)初始控制參數(shù)，使截割臂擺速得到精準(zhǔn)快速調(diào)控?；谶z傳算法優(yōu)化的模糊PID控制器簡稱GA-FPID控制器，GA-FPID控制器結(jié)構(gòu)如圖6所示。

圖6 GA-FPID控制器結(jié)構(gòu)Fig.6 Structure of GA-FPID controller

4.1 模糊控制器設(shè)計(jì)

模糊控制器的設(shè)計(jì)原則是使掘進(jìn)機(jī)可根據(jù)煤巖狀態(tài)高效自適應(yīng)截割，針對截割臂擺速控制系統(tǒng)并依據(jù)模糊邏輯理論設(shè)計(jì)了一種二維模糊控制器。二維模糊控制器以RBF載荷識別器輸出信號與掘進(jìn)機(jī)擺速反饋信號的偏差e及偏差變化率ec作為輸入，以PID控制參數(shù)KP、KI、KD為輸出。輸入與輸出模糊子集設(shè)定為：{NB，NM，NS，Z，PS，PM，PB}={負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}，輸入項(xiàng)e的模糊控制器隸屬函數(shù)圖形如圖7所示,其他項(xiàng)隸屬函數(shù)圖形與之相同[15]。

圖7 輸入項(xiàng)e的隸屬函數(shù)示意圖Fig.7 Membership function diagram of input item e

模糊推理選擇Mamdani法，模糊判決選擇重心法。因輸入輸出項(xiàng)模糊子集均采用7個隸屬函數(shù)，故共設(shè)定49條模糊規(guī)則，總結(jié)制定模糊規(guī)則如表3所示。

4.2 遺傳算法設(shè)計(jì)

遺傳算法主要包括編碼規(guī)則、適應(yīng)度函數(shù)、遺傳算子、運(yùn)行參數(shù)4個主要要素，針對掘進(jìn)機(jī)截割臂擺速控制系統(tǒng)，采用遺傳算法原理對PID初始控制參數(shù)及模糊控制器比例因子的尋優(yōu)過程如下[16]：

(1)分別確定PID控制參數(shù)KP、KI、KD取值范圍與模糊控制器量化比例因子KP、KI、KD取值范圍，并設(shè)定種群規(guī)模50、進(jìn)化代數(shù)50、交叉概率0.9、變異概率0.1、求解精度0.01等遺傳算法相關(guān)運(yùn)行參數(shù)。

表3 模糊規(guī)則表

(2)創(chuàng)建KP、KI、KD與KP、KI、KD初始種群，并采用二進(jìn)制編碼規(guī)則對其進(jìn)行編碼與解碼。

(3)適應(yīng)度函數(shù)作為種群的評價指標(biāo)，是影響優(yōu)化效果的關(guān)鍵因素，在權(quán)衡控制系統(tǒng)穩(wěn)定性、準(zhǔn)確性及快速性等方面控制因素，本文確定適應(yīng)度函數(shù)為

(9)

式中，Es為系統(tǒng)穩(wěn)態(tài)誤差;Mp為超調(diào)量;Tr為上升時間。

(4)依據(jù)適應(yīng)度函數(shù)計(jì)算截割臂擺速控制系統(tǒng)每代種群個體適應(yīng)度值，最后根據(jù)適應(yīng)度值對個體進(jìn)行選擇、單點(diǎn)交叉、雙點(diǎn)交叉、變異等遺傳操作，從而產(chǎn)生新一代種群。

(5)重復(fù)步驟(4)，直至滿足設(shè)定目標(biāo)，輸出最優(yōu)值。

根據(jù)上述過程在MATLAB軟件中分別編寫遺傳算法尋找PID最優(yōu)控制參數(shù)程序和遺傳算法尋找模糊控制器最優(yōu)量化比例因子程序，運(yùn)行得到截割臂控制系統(tǒng)PID控制參數(shù)KP、KI、KD的最優(yōu)值為1.94、181.46、0.07，迭代過程如圖8所示，模糊控制器量化比例因子KP、KI、KD最優(yōu)值為1.04、9.46、0.088，迭代過程如圖9所示。

圖8 PID控制參數(shù)尋優(yōu)過程Fig.8 PID control parameters optimization process

圖9 量化比例因子尋優(yōu)過程Fig.9 Quantitative scaling factor optimization process

5 截割臂自適應(yīng)截割控制系統(tǒng)仿真分析

5.1 仿真控制系統(tǒng)建模

根據(jù)上文提出的截割臂自適應(yīng)截割控制策略，基于Simulink建模仿真方法，建立掘進(jìn)機(jī)截割臂自適應(yīng)截割仿真控制系統(tǒng)。仿真控制系統(tǒng)由RBF載荷識別控制器、載荷與擺速轉(zhuǎn)換環(huán)節(jié)、GA-FPID控制器、比例放大器、電液比例閥，液壓缸、液壓缸行程與擺角位移轉(zhuǎn)換環(huán)節(jié)等部分組成，其中RBF載荷識別控制器直接封裝為Simulink模塊，GA-FPID控制器通過編寫程序?qū)隨imulink模塊，對截割臂控制系統(tǒng)分別建立數(shù)學(xué)模型及傳遞函數(shù)。

載荷與擺速轉(zhuǎn)換環(huán)節(jié)中，當(dāng)神經(jīng)網(wǎng)絡(luò)載荷識別器識別到{I，p，a}信號在割煤工況范圍時，截割載荷輸出F恒為0，截割臂始終以最大速度ωmax截割；當(dāng)輸入信號在硬巖工況范圍時，截割載荷輸出F恒為1，截割臂擺速降為0，截割頭破碎硬巖后再繼續(xù)進(jìn)給；當(dāng)輸入信號在煤巖夾雜工況范圍時，截割載荷信號F輸出為0～1，神經(jīng)網(wǎng)絡(luò)輸出載荷信號越大，期望擺速越??；根據(jù)以上分析建立載荷與擺速轉(zhuǎn)換環(huán)節(jié)傳遞函數(shù)：

ω′=ωmax(1-F)

(10)

式中，ω′為截割臂期望擺速；ωmax為截割臂最大擺速。

比例放大器是電液比例閥的驅(qū)動裝置，它對控制器輸出的信號進(jìn)行放大、轉(zhuǎn)化，并輸出電流信號，從而對電液比例閥進(jìn)行控制，其數(shù)學(xué)模型為

(11)

式中，Ka為比例放大器增益。

電液比例方向閥數(shù)學(xué)模型可簡化為二階振蕩環(huán)節(jié)，其傳遞函數(shù)為

(12)

式中，Kq為電液比例閥流量增益；ωv為換向閥系統(tǒng)固有頻率；δv為換向閥系統(tǒng)阻尼比；QV為閥輸出流量。

液壓缸系統(tǒng)傳遞函數(shù)為

(13)

式中，A為無桿腔有效作用面積；ωh為液壓缸系統(tǒng)固有頻率；δh為液壓缸系統(tǒng)阻尼比；L為液壓缸活塞桿行程。

液壓缸行程與截割臂擺角位移轉(zhuǎn)換環(huán)節(jié)可近似為比例環(huán)節(jié)，其傳遞函數(shù)為

(14)

式中，Kb為活塞桿行程與懸臂擺角增益；B為懸臂擺角位移[17]。

根據(jù)式(8)～式(12)，以及RBF載荷識別器模塊、GA-FPID控制器模塊，在Simulink中建立截割臂自適應(yīng)截割仿真控制系統(tǒng)，如圖10所示。

圖10 自適應(yīng)仿真控制系統(tǒng)框圖Fig.10 Block diagram of adaptive simulation control system

5.2 仿真分析

以石家莊煤礦機(jī)械公司生產(chǎn)的EBZ135型掘進(jìn)機(jī)為例，根據(jù)截割臂各部件技術(shù)參數(shù)及相關(guān)文獻(xiàn)[18-19]開展仿真研究，仿真控制系統(tǒng)各環(huán)節(jié)參數(shù)如表4所示。

表4 仿真系統(tǒng)參數(shù)

選取不同工況下截割載荷信號{I，p，a}輸入到截割臂自適應(yīng)截割控制系統(tǒng)進(jìn)行仿真分析，并與傳統(tǒng)PID控制效果進(jìn)行仿真對比，割煤工況下截割臂擺速仿真結(jié)果如圖11所示，煤巖夾雜工況下不同截割載荷信號的截割臂擺速控制仿真結(jié)果如圖12所示。由仿真結(jié)果可得，當(dāng)識別到截割載荷信號處于割煤工況時，截割臂調(diào)整到最大擺速掘進(jìn)；當(dāng)處于煤巖夾雜及硬巖工況時，掘進(jìn)機(jī)根據(jù)截割載荷信號對截割臂進(jìn)行自適應(yīng)調(diào)速，截割載荷信號較小時，截割臂擺速增大，截割載荷信號較大時，截割臂擺速降低。由截割臂擺速仿真效果可得，GA-FPID控制器在不同的截割狀態(tài)信號變化下相比PID控制響應(yīng)速度更快、控制精度更高。仿真結(jié)果表明:當(dāng)煤巖硬度發(fā)生變化時，掘進(jìn)機(jī)控制系統(tǒng)可依據(jù)截割載荷信號變化對擺速進(jìn)行精準(zhǔn)快速調(diào)控，實(shí)現(xiàn)截割臂依據(jù)截割載荷信號的自適應(yīng)截割。

圖11 割煤工況下擺速控制仿真結(jié)果Fig.11 Simulation results of swing speed controlunder coal cutting condition

(a)截割載荷信號較小時擺速控制結(jié)果

(b)截割載荷信號較大時擺速控制結(jié)果圖12 煤巖夾雜工況擺速控制仿真結(jié)果Fig.12 Simulation results of pendulum speed control

6 驗(yàn)證性實(shí)驗(yàn)

6.1 實(shí)驗(yàn)方案

為驗(yàn)證本文提出的掘進(jìn)機(jī)截割臂自適應(yīng)截割控制策略的有效性，基于課題組搭建的掘進(jìn)機(jī)遠(yuǎn)程智能控制實(shí)驗(yàn)平臺(圖13)進(jìn)行了掘進(jìn)機(jī)截割臂自適應(yīng)截割控制實(shí)驗(yàn)。實(shí)驗(yàn)地點(diǎn)為石家莊煤礦機(jī)械有限公司的模擬巷道，實(shí)驗(yàn)機(jī)型為EBZ135型掘進(jìn)機(jī)。

圖13 截割臂自適應(yīng)截割實(shí)驗(yàn)平臺Fig.13 Cutting arm adaptive cutting experimental platform

實(shí)驗(yàn)步驟如下：

(1)采用貝加萊Automation Studio軟件對機(jī)載自適應(yīng)截割控制系統(tǒng)包含的RBF神經(jīng)網(wǎng)絡(luò)載荷識別器、遺傳算法優(yōu)化的模糊PID控制器及各狀態(tài)參數(shù)進(jìn)行配置、編程、監(jiān)測、診斷。

(2)將課題組前期實(shí)測的井下多傳感器信息數(shù)據(jù)組作為截割載荷信號模擬量輸入到上位機(jī)中，模擬掘進(jìn)機(jī)井下掘進(jìn)過程中實(shí)際截割工況。

(3)經(jīng)神經(jīng)網(wǎng)絡(luò)載荷識別器輸出截割載荷信號到下位機(jī)中，PCC下位機(jī)根據(jù)截割載荷信號控制電液系統(tǒng)自動調(diào)節(jié)截割臂擺速。

(4)通過擺角傳感器測取擺角變化來得到截割臂擺速變化過程，通過機(jī)載狀態(tài)傳感器監(jiān)測截割電機(jī)電流與電壓得到截割電機(jī)功率變化過程。實(shí)驗(yàn)原理如圖14所示。

圖14 實(shí)驗(yàn)原理圖Fig.14 Experimental principle

實(shí)驗(yàn)選用本質(zhì)安全型GUC360礦用傾角傳感器測取截割臂垂直擺角變化，選用穩(wěn)定性好、抗干擾能力強(qiáng)的W18LD型雙路測速傳感器測取截割臂的水平擺角變化。測取截割臂的水平擺角時，根據(jù)截割臂回轉(zhuǎn)臺結(jié)構(gòu)，在回轉(zhuǎn)臺內(nèi)側(cè)一定弧長范圍內(nèi)安裝兩個齒條，其中一個齒條不動，另一個跟隨回轉(zhuǎn)臺轉(zhuǎn)動，將雙路測速傳感器對準(zhǔn)齒條，作用距離0～2 mm，每經(jīng)過一個齒條寬度4 mm，對應(yīng)的截割臂擺動為1°，隨著截割臂擺動，雙路測速傳感器就可直接輸出水平擺角變化信號。

6.2 實(shí)驗(yàn)結(jié)果

每間隔10 s輸入不同截割工況下的多傳感器數(shù)據(jù)組{I，p，a}，利用貝加萊Automation Studio軟件記錄截割載荷信號變化、截割臂擺速變化及截割功率變化過程，實(shí)驗(yàn)過程與結(jié)果如圖15所示。

圖15 模擬截割實(shí)驗(yàn)過程與結(jié)果Fig.15 Process and results of simulated cutting experiment

由實(shí)驗(yàn)結(jié)果可得，當(dāng)輸入多傳感器數(shù)據(jù)組信號{I，p，a}為割煤工況時，截割載荷信號輸出為0，截割臂以最大擺速截割；當(dāng)輸入{I，p，a}信號為煤巖夾雜工況時，截割載荷信號在0～1之間，截割臂根據(jù)截割載荷信號大小自適應(yīng)截割；當(dāng)輸入{I，p，a}信號為硬巖工況時，截割載荷信號輸出為1，截割臂擺速降為0；實(shí)驗(yàn)過程中截割電機(jī)功率穩(wěn)定在額定功率135 kW上下。截割載荷信號識別誤差與擺速調(diào)節(jié)誤差曲線如圖16所示。

圖16 截割載荷信號識別誤差與擺速調(diào)節(jié)誤差曲線Fig.16 Curve of cutting load signal identification errorand swing speed adjustment error

由誤差曲線可得，實(shí)驗(yàn)中RBF神經(jīng)網(wǎng)絡(luò)識別截割載荷信號最大絕對誤差小于0.05，平均誤差小于1×10-3，與前期測試誤差相符；截割臂擺速調(diào)節(jié)最大誤差小于0.3°/s，平均誤差小于1×10-2，滿足井下使用要求。實(shí)驗(yàn)證明本文提出的基于多傳感器信息的GA-FPID自適應(yīng)截割控制系統(tǒng)可以實(shí)現(xiàn)對截割臂擺速的自適應(yīng)調(diào)控。

7 結(jié)論

(1)提出了一種基于多傳感器信息的掘進(jìn)機(jī)截割臂自適應(yīng)截割控制策略。基于井下實(shí)測數(shù)據(jù)設(shè)計(jì)了一種RBF神經(jīng)網(wǎng)絡(luò)載荷識別控制器，載荷信號識別訓(xùn)練與測試精度可達(dá)1×10-3。針對復(fù)雜且時變的截割臂擺速控制系統(tǒng)，設(shè)計(jì)了一種基于遺傳算法優(yōu)化的模糊PID智能控制器，在Simulink中建立了截割臂擺速自適應(yīng)控制仿真系統(tǒng)，仿真結(jié)果表明，基于多種傳感器信息的GA-FPID控制系統(tǒng)可實(shí)現(xiàn)截割臂擺速的快速自適應(yīng)調(diào)控。

(2)在石家莊煤礦機(jī)械有限公司模擬巷道中使用EBZ135型掘進(jìn)機(jī)進(jìn)行了模擬自適應(yīng)截割實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了該控制策略的有效性，實(shí)現(xiàn)掘進(jìn)機(jī)截割臂依據(jù)截割狀態(tài)參數(shù)的變化進(jìn)行高效自適應(yīng)調(diào)速，滿足井下掘進(jìn)機(jī)智能截割的需求。

(3)本文提出的基于多傳感器信息掘進(jìn)機(jī)截割臂自適應(yīng)截割控制策略有助于推進(jìn)煤礦井下掘進(jìn)設(shè)備的智能化和機(jī)器人化，為少人化掘進(jìn)工作面的建立奠定了基礎(chǔ)，有助于延長井下掘進(jìn)設(shè)備使用壽命、提高巷道掘進(jìn)效率。