自適應截割功能在掘進機控制系統的應用

劉永建

(山西焦煤集團有限責任公司 杜兒坪煤礦，山西 太原 030022)

0 引言

掘進機是挖掘礦場通道的主要設備，其工作效率與穩定性對礦場的生產與安全有著較大的影響。隨著煤礦開采范圍的擴大，復雜的采掘面地質情況容易使機器工作負荷突然變化。工作負荷在短時間內的大幅度變化會沖擊油缸、截割齒輪與電動機等零部件，使其發生故障的概率變大，截割效果也隨之變差，截割功能的可靠性得不到保證。因此，掘進機需與工作負荷的變化過程相適應，以保證機器能穩定工作。傳統方法是：采樣得到截割電動機的電流，然后將其值反饋送給系統，通過調節升降油缸的伸縮速度與截割臂的擺動速度，即可減小工作負荷突變導致的沖擊效應。該方法可使電機無過負荷運行，減少功率損耗并增加機器的使用壽命。電動機的調速方法有直流調速、雙速電動機調速、變頻調速等，但電動機轉速需通過手動或程序調節，在復雜工況下控制效果較差。為使截割臂擺速與工作負荷相適配，有學者將神經網絡算法應用于掘進機控制系統，使其控制精度和穩定性得以提高。本文將PID控制與神經網絡相結合，提出了應用于掘進機截割功能的控制策略與硬件系統結構。

1 自適應截割控制的目標

如何減少工作負荷變化帶來的負面影響是自適應截割控制需要解決的核心問題。在掘進機截割過程中，對工作負荷有影響的因素主要有以下三個：掘進機結構參數、截割操作參數和截割對象的物理特性。

由多次現場與試驗研究可得：掘進機的工作負荷大小主要取決于巖石的機械物理特性，其中單向抗壓強度與工作負荷的相關性最強，截割具有單向抗壓強度大的對象時，所需單刀切削力也隨之增加。為增加單刀力，可將截割頭轉速降低或增大電機功率輸出，但此時會存在以下問題：①當截割單向抗壓強度不高的對象時，電機達不到滿負載工作狀態，功率因素不高，且由于截割轉動速度降低，導致截割效率也不高；②當截割硬度相當的對象時，過低的轉速會導致較大的振幅，使得截割扭矩隨之增大。為避免此問題的發生，截割頭的轉動速度要與被截割物的單向抗壓強度匹配。

截割操作參數通常指油缸回轉與升降時的擺速，該參數對工作負荷與截割的效果影響較大，當被截割物的單向抗壓強度較低時，為保證安全性和截割效果，應降低截割臂擺速以減少沖擊；反之，當被截割物單向抗壓強度較大時，則要提高擺速，從而提高截割速度和效率。

掘進機的工作負荷隨著截割臂擺動一直處于動態變化中，但掘進機的固有參數為無法調節的恒定值，只能通過改變截割臂的擺速或截割頭的轉速來減小沖擊負荷。為保證截割的穩定性與可靠性，應通過控制策略實現截割頭的轉速、截割臂的擺速與工作負荷自適應，同時這些參數要互相匹配。

2 基于PID與神經網絡算法的自適應截割系統設計

本文所提PID神經網絡自適應控制同時具備了PID控制與神經網絡算法的優勢，首先PID控制包括積分與微分模塊，因此該控制策略具有良好的動態響應；而神經網絡具有收斂快、可反復優化、過沖小、無跟蹤誤差的優點，也避免了復雜數學公式的推導過程，因此所提策略同時也具備對任意函數無限逼近的能力。綜上所述，該控制策略可實現工作負荷與截割頭轉速、截割臂擺速的自動調節。

2.1 基于PID與神經網絡的自適應截割控制策略

該控制策略首先將運行功率Pw、回轉油缸壓力值ph以及升降油缸的壓力值pv設置為定值rw、rh、rv，并對其進行實時檢測。當工作負荷變化時，Pw、ph、pv隨之改變，此時調節截割頭的轉速ω與兩個油缸的伸縮速度vh、vv，可快速消除Pw、ph、pv與給定值rw、rh、rv的誤差，使掘進機迅速恢復到穩態正常運行。圖1為該PID神經網絡控制策略的結構框圖，虛線框內為上述三個控制對象的PID神經網絡控制器，實線框內為掘進機截割設備，它們組成了整個截割功能的控制系統，通過PID神經網絡控制器可實現對被控對象的數值調節與解耦。

圖1 PID神經網絡自適應截割系統控制結構

PID神經網絡控制器包括輸入、PID計算和輸出三個部分。如圖1所示，兩個輸入分別為給定值和檢測值，設定值和實際檢測值在隱含層中經比例、積分和微分運算后得到控制量送到輸出層。由圖1可見，從輸入到PID計算每個參數都是不耦合的，而從PID計算的結果到輸出則互相耦合，從而形成整體控制結構。

2.2 基于PID神經網絡控制策略的硬件系統設計

該控制策略的主要控制對象為電機、回轉油缸與升降油缸，該控制策略的系統硬件結構框圖如圖2所示。控制系統由檢測、驅動和控制三個部分組成。檢測模塊主要包括功率傳感器、油缸壓力傳感器等，上述設備可在線檢測電機功率與油缸的壓力值，將所得信號濾除雜波后經A/D變換并送給控制器。驅動模塊主要包括變頻器(用于控制電機轉速)、液壓系統(調節油缸伸縮速度)等。被控對象利用該控制策略得到調節信號，再通過驅動模塊進行變頻處理并送到液壓系統，使截割電動機與油缸在恒定速度下運動。同時系統在線檢測電機功率與油缸壓力值，實現電機與油缸的滿載運轉，即可及時調節它們的速度以滿足現場的截割要求。

圖2 掘進機的截割功能硬件系統框圖

3 仿真分析

3.1 仿真設計

圖3為該控制策略的仿真結構框圖。首先對系統初始化，PID神經網絡連接初值可根據實際情況給定，在仿真過程中利用反向算法自我訓練在線調節優化，但這種方法容易只取得局部最優解，且學習迭代次數太多。因此，本文采用粒子群優化算法(Particle Swarm Optimization,PSO)選取初值，可減少迭代次數并提升截割系統的響應速度。將選定初值代入到圖中前向算法模塊與反向算法模塊中，對控制目標值與網絡特征參數進行在線計算，從而重新調節網絡連接權值。經仿真算法多次迭代，系統達到穩態后，所得參量即可代入控制對象模塊。

圖3 仿真算法結構框圖

3.2 仿真結果分析

在仿真中，電機額定功率和油缸壓力的初值設定為1，截割功率給定值rw=1 kW，回轉油缸與升降油缸的壓力給定值rh=rv=0.85 kPa；油缸伸縮速度初值vh=vv=0 m/s；實際輸出初值Pw=0 kW,ph=pv=0 kW；設置微粒群個數20，迭代次數40；網絡權值學習速度為0.006與0.003；控制周期為0.001 s。

自適應截割控制系統仿真結果如圖4所示，經過0.1 s左右的迭代優化后系統達到穩態，動態響應較快且可有效解耦，三個控制變量穩態效果都較好。基于所提控制策略的掘進機截割控制系統在穩定狀態下幾乎無誤差，誤差控制仿真結果如圖5所示。

圖4 自適應截割控制系統仿真結果

圖5 自適應截割控制系統穩態誤差控制仿真結果

4 結束語

本文分析了掘進機不同工況下導致工作負荷突變的主要因素，確定了自適應的控制目標，建立了PID神經網絡自適應截割控制系統，搭建了控制系統仿真模型對理論進行驗證，證明所提控制策略動態響應快、穩態性能好，適用于掘進機的自適應截割功能。但由于PID神經網絡算法本身具有隨機性，在實際應用中控制系統應該根據實際工作情況進行多次學習訓練，并引入對整機的振動性能、截割效率、截齒以及主要部件的損耗水平等評價指標對控制效果進行綜合評價。為取得更優的控制精度與更高的現場工作效率，所提策略還需要與其他控制方法進一步結合，從而提高掘進機的截割效果和穩定性。