基于Elman神經網絡的采煤機智能調高控制算法研究*

許連丙

（1.中國煤炭科工集團太原研究院有限公司，太原 030021；2.山西天地煤機裝備有限公司，太原 030021）

0 引言

煤礦井下綜采工作面采煤機自動調高控制技術是實現井下少人化、智能化的關鍵技術之一，其目的是控制采煤機截割滾筒能夠自適應工作面頂板、底板的起伏變化，提高采煤機質量和工作效率，并延長采煤機機械部件使用壽命，保護操作工生命安全。采煤機自動調高技術的研究較多，如德國、美國等產煤大國主要集中研究煤巖分界方法，主要有自然γ射線探測器法、雷達探測法、截齒效應分析法、被動式紅外探測法等，在理論研究、仿真的基礎上進行實際應用，效果一般，受采煤工藝、地質條件影響較大[1－3]。周元華等[4]基于BRF神經網絡對采煤機運行姿態進行實時預測控制，修正煤巖預測界面，為采煤機截割滾筒自動調高提供可靠依據，仿真結果表明該控制算法預測精度較高、穩定性較強。陳金國等[5]以提高采煤機截割滾筒自動調高的動態性和跟蹤可靠性，建立采煤機液壓行程與截割滾筒調高數學模型，采用模糊自適應PID技術建立液壓油缸和滾筒協同控制設計方案，仿真驗證了采煤機在空載和負載2種運行模式時截割滾筒調高的精確性、響應速度以及跟蹤可靠性。李雪梅等[6－8]建立采煤機電液比例閥與調高油缸耦合模型，采用現代控制理論建立采煤機調高狀態控制方程，基于變速趨近率滑模控制方法設計采煤機截割滾筒自動調高控制器，并完成系統仿真，結果表明，與傳統控制方法相比，所提自動調高控制器控制速度快、斗振小、實時性強。

1 采煤機調高過程分析

雙滾筒采煤機是煤礦井下綜采工作面常用的采掘設備，由電動機、牽引部、搖臂、前后滾筒、調高油缸、破碎機構、滑靴以及其他輔助裝置組成，以電氣系統、液壓系統為驅動力完成采掘任務。采煤機工作時，經電動機驅動使得采煤機沿刮板輸送機往復行走，并驅動前后滾筒旋轉，利用滾筒上的截齒截割煤壁，利用螺旋葉片將煤料轉運至刮板輸送機皮帶。采煤機工作過程中，由于煤巷底板起伏不平，前后滾筒需根據實際工況進行調高，避免截割矸石和巖壁損壞截齒。采煤機調高即根據綜采工作面煤巷頂板與底板的起伏變化調整前后滾筒的高度。由于采煤機運行三維空間，即沿工作面運行方向、沿工作面推進方向以及滾筒調高垂直方向，因此，影響采煤機調高的因素較多，主要有采煤機運行姿態、搖臂與機身夾角、搖臂長度、機聲長度等。采煤機調高方式主要有人工調高和自動調高2種模式[9－10]。人工調高模式即由采煤機操作工手動跟機控制前后滾筒的升降，操作工查看頂板高度變化以及底板起伏變化，同時監聽滾筒電動機聲音實時調節前后滾筒高度。

人工調高的主要弊端：（1）采煤機工作環境粉塵濃度高、噪聲大，影響操作工對采煤機運行姿態的正確判斷和實時控制；（2）操作工需實時查看、監測采煤機運行狀態以及截割部的截割狀態，需對采煤機進行實時跟蹤；（3）采煤機截割過程有突發鉚釘、透水等事故，危及操作工生命安全。

自動調高模式即采煤機電氣控制器根據設定的截割滾筒的目標軌跡自動調節截割滾筒的高度，以使用工作面頂板和底板的起伏變化。操作工跟蹤采煤機一個工作循環，根據采煤機實際運行工況調整截割滾筒高度，同時記錄截割滾筒軌跡數據以及特征位置截割滾筒高度數據，作為自動調高的目標軌跡和目標高度。利用智能控制技術、機器學習、神經網絡學習算法規劃并控制采煤機運行軌跡和截割滾筒軌跡。在實際自動調高過程中，若出現煤層突發變化時，可用人工干預模式進行輔助調高。

2 采煤機自動調高控制

實現采煤機自動調高的關鍵是能夠掌握并預測采煤機的位置信息、姿態信息以及截割狀態信息等，獲取上述數據后經曲線逼近或者擬合，挖掘上述離散數據點的內部聯系，實現對采煤機截割滾筒的自動調高[11－13]。基于Elman神經網絡，對采集的采煤機截割滾筒的常規記憶點、關鍵記憶點以及特殊記憶點數據進行處理，使得控制系統能夠根據采煤機截割滾筒任意位置信息自動調高。采煤機截割滾筒智能調高Elman神經網絡拓撲結構如圖1所示，輸入層為截割滾筒坐標、采煤機姿態信息以及搖臂傾角，輸出層為截割滾筒調高狀態，0為不調，1為上調，－1為下調[14]。在該Elman神經網絡設計中，將采煤機前4次截割循環時滾筒坐標、采煤機三維位姿數據以及搖臂傾角數據作為訓練數據進行Elman網絡訓練，訓練流程如圖2所示。Elman神經網絡的隱含層由輸入層ωij與輸出反饋層ωkj加權和組成，對歷史狀態數據異常敏感，增強了該網絡的動態處理能力，且可逼近任意函數。Elman神經網絡的隱含層輸入、隱含層輸出、輸出層輸入、輸出層輸出、權值調整、承接層數據調整公式如圖2所示。

圖1 采煤機滾筒智能調高Elman神經網絡拓撲結構

圖2 采煤機滾筒智能調高Elman神經網絡數據訓練流程

3 仿真試驗

為驗證設計并實現基于Elman神經網絡的采煤機智能調高控制方案，進行仿真試驗。根據采集的采煤機滾筒數據、位姿數據以及搖臂傾角，繪制采煤機滾筒坐標點和數據擬合點[14－15]，如圖3所示。仿真圖中，橫坐標為采煤機位于綜采工作面的實時位置，縱坐標為采煤機滾筒高度。將所設計的Elman神經網絡控制方案與BP神經網絡、最小二乘算法兩種控制方案進行比較，Elman神經網絡能夠充分挖掘輸入采煤機數據點內在聯系，利用其較強的泛化能力、容錯能力以及非線性逼近能力，實現對采煤機滾筒實際位置的逼近、擬合最優方案。

圖3 采煤機截割滾筒智能調高跟蹤軌跡仿真

4 結束語

本文分析了采煤機截割滾筒調高過程，總結現用人工調高模式和自動調高模式存在的問題和弊端。研究了基于Elman神經網絡控制的采煤機智能調高控制算法，以截割滾筒坐標、采煤機姿態信息以及搖臂傾角為輸入信號，以截割滾筒調高狀態為輸出信號，建立Elman神經網絡算法模型和流程。

基于仿真軟件對研究的Elman智能調高算法進行仿真，并與BP神經網絡控制算法、最小二乘算法進行仿真對比，發現Elman控制算法在實時性、跟隨性以及穩定性方面較優。