Chaos-PSO算法在掘進機系統中的應用

歐陽佳鵬 李文

摘要：懸臂式掘進機掘進系統為復雜的液壓時滯系統且負載突變，其控制器PID參數采用傳統的算法易早熟收斂而導致控制系統動靜態性能不佳等問題。針對上述問題采取混合算法的思想，提出了一種Chaos-PSO混合優化算法，并應用在掘進液壓控制系統PID參數的優化上。結合控制系統的傳遞函數，采用Matlab進行仿真分析，結果表明Chaos-PSO混合優化算法與經驗整定法及模糊控制法比較，其算法實現簡單，上升時間快20%以上，無超調，穩定精度高2%以上，與單純的Chaos優化算法、PSO算法、灰狼算法比較，其參數優化效率更高，自適應性更好。

關鍵詞：懸臂式掘進機;Chaos優化;PSO優化;Matlab仿真

中圖分類號：TP3-05? ? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）27-0008-02

Abstract： The driving system of the cantilever road-header is a complicated hydraulic time-delay system with sudden change of load. The PID parameters of the controller are adjusted by the traditional experience method and fuzzy control method. It is difficult， tedious and easy to oscillation and overshoot. Aiming at the above problems， a Chaos-PSO hybrid optimization algorithm is proposed， and it is applied to the optimization of PID parameters in the driving hydraulic control system. Combined with the transfer function of the control system， Matlab is used to carry out the simulation analysis. The results show that the Chaos-PSO hybrid optimization algorithm is easier to realize and its rising time is 20% faster than the experience setting method and the mode and control method， compared with Chaos optimization algorithm， PSO Algorithm and Gray Wolf Algorithm， its parameter optimization efficiency is higher and its adaptability is better.

Key words： boom-type road-header; Chaos optimization; PSO optimization;Matlab simulation

煤炭是我國一次性能源消耗量占比近五成的能源[1]。懸臂式掘進機是煤礦開采中的關鍵設備之一[2]，其對安全開采具有重要作用。

當前，其液壓控制系統多采用經驗或模糊PID控制方法，此類控制方法雖提高了掘進效率，但由于掘進系統的非線性、遲滯性及負載的突變性、難預測性，掘進系統的穩定性和自適應性無法滿足更高的要求。為此，宋立業[3]、趙亞琪[4]、李文[5]等提出了神經網絡、混沌算法、粒子群算法優化PID參數的智能調速控制方法，應用在掘進機控制系統中，提高了系統自適應能力，都取得了一定的改進效果。

隨著智能優化算法的不斷發展，本文在傳統的PSO算法的基礎上結合Chaos算法，采取混合算法的策略應用在掘進機液壓控制系統PID參數整定優化上，具有較好的實際意義。

1 液壓掘進系統閉環控制

掘進機截割部由升降液壓缸、水平回轉臺及截割頭三大部分構成[5]。其掘進液壓系統是通過液壓閥組來控制截割臂升降及水平運動，通過截割頭的擺動實現巷道掘進工作。

為保持截割頭恒速工作，系統通過采取閉環反饋控制[6]液壓缸的線速度，包括控制器、閥組、閥控液壓缸、速度傳感器等。

2 混合優化控制

2.1 基本Chaos算法優化原理

混沌現象具有敏感性、遍歷性和隨機性等特點，其Logistic混沌映射方程如（1）式。

利用它能隨機在一定的范圍內遍歷且不重復交叉的特性，通過載波后來進行PID參數全局優化。

2.2 基本PSO算法優化原理

自從1995年PSO算法提出以來，得到了廣泛的應用。其粒子的速度和位置方程為：

式中w為慣性權重，c1 和c2 為學習因子，rand（）取[0，1]范圍隨機數，k為迭代次數。通過算法采用速度–位置搜索模型選取最佳解[9]。

2.3 基于佳點集的Chaos-PSO算法

針對Chaos優化算法、PSO優化算法“早熟”收斂的不足。采取一種混沌優化慣性權重、學習因子非線性取值、粒子佳點[5]并行搜索PSO算法應用在其掘進控制系統PID參數的優化上。其控制系統如圖1所示。

參數w、c1、c2按（4）式選?。?/p>

Xmax、Xmin為取值上下限，rand（）為[0，1]隨機數，以此方法是全局搜索與局部搜索平衡，既兼顧精度又可提高收斂速度。該算法流程圖如圖2所示。

3 仿真分析

根據文獻[6]的運動學分析，可得垂直或水平擺動液壓系統的傳遞函數為：

參考文獻5，以三階系統數學模型為其開環傳遞函數[5]：

系統采用Chaos-PSO優化方法，通過5次仿真優化得到PID參數的全局最優值如表1所示。

表2中三種算法取相同的維數與微粒數，每種算法仿真優化5次，在平均上升時間，調節時間及超調量三種性能指標上混合算法均較優。

仿真結果表明該算法其算法實現簡單，上升時間快20%以上，無超調，穩定精度高2%以上，與單純的Chaos優化算法、PSO算法、灰狼算法比較，其參數優化效率更高，自適應性更好。

4 結論

本文針對懸臂式掘進機的掘進系統，傳統控制存在的問題，結合Chaos和PSO算法的優點，采取混合改進，應用在掘進機系統的自適應控制中。仿真表明該混合算法改善了控制系統的穩態和動態性能，提高了工作效率，具有一定的通用性。

參考文獻：

[1] 謝和平，吳立新，鄭德志.2025年中國能源消費及煤炭需求預測[J].煤炭學報，2019，44（7）：1949-1960.

[2] 王國法，任懷偉，龐義輝，等.煤礦智能化（初級階段）技術體系研究與工程進展[J].煤炭科學技術，2020，48（7）：1-27.

[3] 賀文海，焦可輝.基于模糊PID的掘進機恒功率控制系統設計[J].煤炭工程，2019，51（9）：178-181.

[4] 宋立業，萬應才.基于RBF神經網絡的隧道掘進機推進自適應PID控制[J].中國機械工程，2017，28（14）：1676-1682.

[5] 李文，楊振南，伍鐵斌.改進混沌算法在掘進機電控系統中的應用研究[J].煤礦機械，2020，41（6）：23-25.

[6] 毛清華，陳磊，閆昱州，等.煤礦懸臂式掘進機截割頭位置精確控制方法[J].煤炭學報，2017，42（S2）：562-567.

【通聯編輯：梁書】