掘進機截割臂自適應截割控制策略研究

王東杰 王鵬江 李 悅 郭明澤 鄭偉雄 沈 陽 吳 淼

中國礦業大學(北京) 機電與信息工程學院，北京，100083

0 引言

我國煤炭資源儲量大、分布廣，但儲存條件復雜，煤炭開采主要以井工方式進行[1]。2020年3月國家發改委、國家能源局等八部委聯合印發的《關于加快煤礦智能化發展的指導意見》，要求大力推進煤礦智能化建設，到2025年實現采掘、運輸等各系統的智能化決策和自動化協同運行[2]。懸臂式掘進機是煤礦井下綜掘工作面最重要的設備，其自動化、智能化水平是實現無人智能掘進、提高掘進效率的關鍵[3-4]。掘進機截割臂與截割頭是掘進機的核心截割部件，掘進機依靠截割臂的擺動與截割頭的轉動來實現巷道煤巖的截割；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煤巖硬度變化進行實時調節，為提高掘進效率，延長截割部使用壽命，有必要對掘進機截割臂擺速進行高效調控，使截割臂擺速可以根據煤巖硬度的變化進行自適應調節。

國內外學者針對自適應截割展開了研究。高峰等[6]提出了一種截割臂擺速自動控制方法，通過實時監測截割電機電流，并以額定電流作為判斷依據，基于PID控制方法對截割臂擺速進行自動控制；賀文海等[7]提出了一種基于模糊PID的掘進機恒功率控制系統，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行調節。國外一些研究機構如瑞典SANDVIK、美國TEREX公司等針對掘進機截割臂擺速控制研發了負載敏感型液壓閥，可基于油缸壓力對截割臂擺速進行自適應調節[8]。以上對掘進機自適應截割的研究均是基于截割電機電流或油缸壓力單一參數來判斷截割載荷，單一參數不能全面、穩定地反映當前截割載荷的變化，無法準確給出擺速調控依據；此外，現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截割控制策略。基于井下實測多傳感器信息，采用徑向基函數(radial basis function, RBF)神經網絡設計載荷識別器，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控依據，采用遺傳算法優化的模糊PID智能控制器對截割臂擺速進行智能調節，實現截割臂依據煤巖硬度變化自適應截割，并對具體調速方法及控制策略進行了仿真分析和井上工業性實驗驗證。

1 多傳感器信息數據采集及載荷分析

掘進巷道工作環境特殊，掘進機截割頭的截割載荷不能通過測力裝置直接得出，需通過截割狀態參數來間接識別。截割電機電流、截割臂驅動油缸壓力、截割臂振動加速度都是與截割狀態密切相關的物理參數，因此首先通過實驗實現對3個截割狀態參數的實時測取。

1.1 截割狀態參數分析

1.1.1截割電機電流

掘進機截割時，截割頭在截割電機帶動下高速旋轉破碎煤壁，截割頭受到煤巖反作用的截割阻力，截割頭截割阻力、截割頭轉速、截割電機輸出轉矩和截割電機有功功率的關系為

(1)

式中，F為截割頭截割阻力；T為截割頭輸出轉矩；D為截割頭直徑；P為截割電機有功功率；n為截割電機轉速；I為截割電機電流；U為截割電機輸入電壓，通常為1140 V；φ為截割電機電壓與電流之間的相位差。

聯立式(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，截割電機電流會隨之增大。

1.1.2驅動油缸壓力

掘進機截割過程中，截割頭高速旋轉時，截割臂需在驅動油缸作用下橫向或者縱向擺動，截割出完整斷面，當截割載荷變大時，驅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

巷道環境復雜、惡劣，經常會出現沖擊性載荷，掘進過程中掘進機普遍會產生振動，載荷越大振動越強，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 實驗方案

井下實驗地點為冀中能源公司的邢東礦，實驗機型為石家莊煤礦機械有限公司生產的EBZ135型掘進機，測試巷道斷面為斜矩形，掘進長度約200 m；根據掘進機的結構特點及工作特性，選用符合煤礦安全標準的BYD-60型礦用壓力變送器，串聯兩個回轉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的截割臂前端；截割電機電流由掘進機的機載狀態檢測器給出。實驗采樣頻率為1 Hz，實驗使用本研究團隊自主研發的煤礦井下采掘設備機載大容量數據記錄儀來儲存、發送采集到的多傳感器實測數據[9]。

1.3 實驗數據處理

經過井下幾十個完整工作周期的截割狀態監測，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；但在截割狀態信號采集過程中，由于井下非常復雜的工況環境，會出現數據的極端異常值，這些異常值的存在會影響神經網絡載荷識別模型的訓練，導致截割載荷識別精度降低。本文采用3σ準則對數據進行處理：

xi-μ>3σ

式中，xi為所采集數據組中的個體值；μ為所采集信號數據的平均值；σ為數據的標準偏差。

將所采集到的3個傳感器信號數據分別應用于此準則，將滿足上式的數據剔除，同時剔除時序相同的同一組其他數據。井下實測獲得的部分樣本數據如表1所示。

表1 井下實測部分樣本數據

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據組{I，p，a}，并結合課題組前期研究所得截割頭載荷計算方法[10]，得到不同截割工況下對應多傳感器數據組及截割載荷范圍，如表2所示。

表2 不同截割工況下對應多傳感器數據組及截割載荷范圍

基于不同截割工況下對應的多傳感器數據組及截割載荷范圍，同時在井下大量完整截割周期實測多傳感器數據支撐下，可利用神經網絡多信息融合技術，精準識別截割載荷信號，為不同煤巖硬度工況下截割臂的擺速調控提供準確依據。

2 截割臂自適應截割控制策略

2.1 截割臂擺動工作原理

懸臂式掘進機屬于部分斷面掘進機，由回轉臺、截割頭、液壓缸、機身等組成，井下截割斷面成形過程中，截割頭高速旋轉，同時截割臂沿著一定截割路徑進行擺動使煤巖破落，橫向截割時，在回轉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，反復水平、垂直擺動多次，最后截出完整斷面[11]。截割臂結構及擺動示意圖見圖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 截割臂結構及擺動示意圖Fig.1 Structure and swing diagram of cutting arm

2.2 截割臂自適應截割控制策略

掘進機截割過程中，截割電機電流I、截割臂驅動油缸壓力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，但它們與截割載荷之間無法建立精確的數學計算模型[12]。RBF神經網絡作為一種性能強大的前饋型神經網絡，適合解算內部機制十分復雜的問題[13]，因此本研究以上述3個截割狀態參數作為狀態監測變量，采用RBF神經網絡構造載荷識別器識別截割載荷信號，得到擺速調控依據。

針對復雜且時變的截割臂擺速控制系統，構造經遺傳算法優化的模糊PID智能控制器，該控制器在傳統PID控制的基礎上，采用模糊控制在線調整PID控制參數，并利用遺傳算法自動尋找最優初始控制參數，使控制系統性能在截割過程中始終得到保證。

綜上，截割臂自適應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神經網絡載荷識別器通過井下實測多傳感器數據進行離線訓練，截割過程中，將實時采集的截割電機電流I、截割臂驅動油缸壓力p、截割臂振動加速度a輸入到已訓練好的RBF神經網絡載荷識別器，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為驅動控制變量，轉換為期望擺速，并利用遺傳算法優化的模糊PID智能控制器對截割臂擺速完成調控，最終實現擺速自適應調節。自適應截割控制策略如圖2所示。

3 RBF神經網絡載荷識別器設計

3.1 RBF神經網絡構建

RBF神經網絡是一種三層前向神經網絡，包括輸入層、隱含層、輸出層三層結構[14]，根據上述建立的控制策略，神經網絡控制器的輸入層設定的3個神經元分別對應截割電機電流、截割臂振動加速度、液壓油缸壓力3個截割狀態參數；輸出層設定1個神經元，對應輸出為歸一化后表征截割載荷信號(F)大小的量綱一數值。具有3-m-1結構的RBF神經網絡拓撲結構如圖3所示。

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

圖3 RBF神經網絡拓撲結構Fig.3 Topology of RBF neural network

3.2 RBF神經網絡訓練

RBF神經網絡的隱含層徑向基函數是對中心點徑向對稱且衰減的非負非線性函數，選用高斯函數作為隱含層神經元的傳遞函數，假設隱含層神經元有m個，此時第i個隱含層神經元的輸出為

(3)

式中，ci、σi分別為隱含層第i個神經元基函數的中心和寬度；x為截割狀態參數的三維輸入向量；‖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，故神經網絡的總輸出為隱含層神經單元輸出的線性加權和：

(4)

式中，wi為第i個隱含層神經元到輸出層的連接權值。

RBF神經網絡的訓練過程實際是不斷調整基函數的中心ci、寬度σi以及隱含層與輸出層連接權值wi，從而使神經網絡輸出結果與實際值誤差最小的過程，其訓練逼近的目標誤差函數為

(5)

式中，N為訓練樣本數。

為使目標誤差函數最小化，采用梯度下降法對RBF神經網絡進行自監督訓練，基函數中心調整公式為

(6)

式中，k為迭代次數；η為學習速率。

基函數寬度調整公式為

(7)

輸出連接權值調整公式為

(8)

根據式(3)～式(8)訓練算法對設計的RBF神經網絡進行訓練，為避免多種傳感器數值量綱問題，訓練前將所有數據歸一化處理。為確定隱含層神經元數，選取2000組歸一化后數據對包含不同神經元數的神經網絡進行訓練，設定最大迭代次數為100、設定目標誤差為1×10-3，不同神經元數的訓練結果誤差如圖4所示。

圖4 不同隱含層神經元數對應的訓練誤差Fig.4 Training error of different hidden layer neurons

由圖4可知，在相同條件下，當隱含層神經元數為5時，神經網絡訓練誤差最小，且可達到目標誤差。因此設定RBF神經網絡隱含層神經元數為5，目標誤差為1×10-3，繼續選取500組井下實測數據對建立好的RBF神經網絡進行訓練，設定迭代次數為100，并另取100組實測數據對訓練好的神經網絡進行測試。訓練與測試結果如圖5所示。

由圖5a可得，經過約15次迭代后訓練結果與測試結果都達到誤差要求；迭代完成后多傳感器信息數據測試集的期望值與預測值結果對比如圖5b所示，隨著多傳感器輸入數據的不斷變化，訓練好的神經網絡預測值結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，可以滿足掘進機截割載荷信號識別要求。

(a)迭代過程

(b)測試集期望值與預測值對比

(c)測試集期望值與預測值的誤差圖5 訓練與測試結果Fig.5 Training and test results

4 模糊PID控制器設計及遺傳算法優化

傳統PID控制不具備在線調整能力，采用模糊控制器對PID控制參數在線調整(簡稱FPID控制器)，以適應時變的截割臂擺速調整系統。此外，由于模糊PID控制器初始控制參數常采用試湊法、臨界比例法等手動計算方法得到，智能化程度低，控制效果差，因此針對模糊PID控制器，設計遺傳算法(genetic algorithm，GA)自動尋找其最優初始控制參數，使截割臂擺速得到精準快速調控。基于遺傳算法優化的模糊PID控制器簡稱GA-FPID控制器，GA-FPID控制器結構如圖6所示。

圖6 GA-FPID控制器結構Fig.6 Structure of GA-FPID controller

4.1 模糊控制器設計

模糊控制器的設計原則是使掘進機可根據煤巖狀態高效自適應截割，針對截割臂擺速控制系統并依據模糊邏輯理論設計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機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KP、KI、KD為輸出。輸入與輸出模糊子集設定為：{NB，NM，NS，Z，PS，PM，PB}={負大，負中，負小，零，正小，正中，正大}，輸入項e的模糊控制器隸屬函數圖形如圖7所示,其他項隸屬函數圖形與之相同[15]。

圖7 輸入項e的隸屬函數示意圖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。因輸入輸出項模糊子集均采用7個隸屬函數，故共設定49條模糊規則，總結制定模糊規則如表3所示。

4.2 遺傳算法設計

遺傳算法主要包括編碼規則、適應度函數、遺傳算子、運行參數4個主要要素，針對掘進機截割臂擺速控制系統，采用遺傳算法原理對PID初始控制參數及模糊控制器比例因子的尋優過程如下[16]：

(1)分別確定PID控制參數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，并設定種群規模50、進化代數50、交叉概率0.9、變異概率0.1、求解精度0.01等遺傳算法相關運行參數。

表3 模糊規則表

(2)創建KP、KI、KD與KP、KI、KD初始種群，并采用二進制編碼規則對其進行編碼與解碼。

(3)適應度函數作為種群的評價指標，是影響優化效果的關鍵因素，在權衡控制系統穩定性、準確性及快速性等方面控制因素，本文確定適應度函數為

(9)

式中，Es為系統穩態誤差;Mp為超調量;Tr為上升時間。

(4)依據適應度函數計算截割臂擺速控制系統每代種群個體適應度值，最后根據適應度值對個體進行選擇、單點交叉、雙點交叉、變異等遺傳操作，從而產生新一代種群。

(5)重復步驟(4)，直至滿足設定目標，輸出最優值。

根據上述過程在MATLAB軟件中分別編寫遺傳算法尋找PID最優控制參數程序和遺傳算法尋找模糊控制器最優量化比例因子程序，運行得到截割臂控制系統PID控制參數KP、KI、KD的最優值為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最優值為1.04、9.46、0.088，迭代過程如圖9所示。

圖8 PID控制參數尋優過程Fig.8 PID control parameters optimization process

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

5 截割臂自適應截割控制系統仿真分析

5.1 仿真控制系統建模

根據上文提出的截割臂自適應截割控制策略，基于Simulink建模仿真方法，建立掘進機截割臂自適應截割仿真控制系統。仿真控制系統由RBF載荷識別控制器、載荷與擺速轉換環節、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換環節等部分組成，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導入Simulink模塊，對截割臂控制系統分別建立數學模型及傳遞函數。

載荷與擺速轉換環節中，當神經網絡載荷識別器識別到{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進給；當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，神經網絡輸出載荷信號越大，期望擺速越小；根據以上分析建立載荷與擺速轉換環節傳遞函數：

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動裝置，它對控制器輸出的信號進行放大、轉化，并輸出電流信號，從而對電液比例閥進行控制，其數學模型為

(11)

式中，Ka為比例放大器增益。

電液比例方向閥數學模型可簡化為二階振蕩環節，其傳遞函數為

(12)

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

液壓缸系統傳遞函數為

(13)

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

液壓缸行程與截割臂擺角位移轉換環節可近似為比例環節，其傳遞函數為

(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截割仿真控制系統，如圖10所示。

圖10 自適應仿真控制系統框圖Fig.10 Block diagram of adaptive simulation control system

5.2 仿真分析

以石家莊煤礦機械公司生產的EBZ135型掘進機為例，根據截割臂各部件技術參數及相關文獻[18-19]開展仿真研究，仿真控制系統各環節參數如表4所示。

表4 仿真系統參數

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截割控制系統進行仿真分析，并與傳統PID控制效果進行仿真對比，割煤工況下截割臂擺速仿真結果如圖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果如圖12所示。由仿真結果可得，當識別到截割載荷信號處于割煤工況時，截割臂調整到最大擺速掘進；當處于煤巖夾雜及硬巖工況時，掘進機根據截割載荷信號對截割臂進行自適應調速，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信號變化下相比PID控制響應速度更快、控制精度更高。仿真結果表明:當煤巖硬度發生變化時，掘進機控制系統可依據截割載荷信號變化對擺速進行精準快速調控，實現截割臂依據截割載荷信號的自適應截割。

圖11 割煤工況下擺速控制仿真結果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果

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

6 驗證性實驗

6.1 實驗方案

為驗證本文提出的掘進機截割臂自適應截割控制策略的有效性，基于課題組搭建的掘進機遠程智能控制實驗平臺(圖13)進行了掘進機截割臂自適應截割控制實驗。實驗地點為石家莊煤礦機械有限公司的模擬巷道，實驗機型為EBZ135型掘進機。

圖13 截割臂自適應截割實驗平臺Fig.13 Cutting arm adaptive cutting experimental platform

實驗步驟如下：

(1)采用貝加萊Automation Studio軟件對機載自適應截割控制系統包含的RBF神經網絡載荷識別器、遺傳算法優化的模糊PID控制器及各狀態參數進行配置、編程、監測、診斷。

(2)將課題組前期實測的井下多傳感器信息數據組作為截割載荷信號模擬量輸入到上位機中，模擬掘進機井下掘進過程中實際截割工況。

(3)經神經網絡載荷識別器輸出截割載荷信號到下位機中，PCC下位機根據截割載荷信號控制電液系統自動調節截割臂擺速。

(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，通過機載狀態傳感器監測截割電機電流與電壓得到截割電機功率變化過程。實驗原理如圖14所示。

圖14 實驗原理圖Fig.14 Experimental principle

實驗選用本質安全型GUC360礦用傾角傳感器測取截割臂垂直擺角變化，選用穩定性好、抗干擾能力強的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，根據截割臂回轉臺結構，在回轉臺內側一定弧長范圍內安裝兩個齒條，其中一個齒條不動，另一個跟隨回轉臺轉動，將雙路測速傳感器對準齒條，作用距離0～2 mm，每經過一個齒條寬度4 mm，對應的截割臂擺動為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 實驗結果

每間隔10 s輸入不同截割工況下的多傳感器數據組{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，實驗過程與結果如圖15所示。

圖15 模擬截割實驗過程與結果Fig.15 Process and results of simulated cutting experiment

由實驗結果可得，當輸入多傳感器數據組信號{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，截割臂根據截割載荷信號大小自適應截割；當輸入{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；實驗過程中截割電機功率穩定在額定功率135 kW上下。截割載荷信號識別誤差與擺速調節誤差曲線如圖16所示。

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

由誤差曲線可得，實驗中RBF神經網絡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；截割臂擺速調節最大誤差小于0.3°/s，平均誤差小于1×10-2，滿足井下使用要求。實驗證明本文提出的基于多傳感器信息的GA-FPID自適應截割控制系統可以實現對截割臂擺速的自適應調控。

7 結論

(1)提出了一種基于多傳感器信息的掘進機截割臂自適應截割控制策略。基于井下實測數據設計了一種RBF神經網絡載荷識別控制器，載荷信號識別訓練與測試精度可達1×10-3。針對復雜且時變的截割臂擺速控制系統，設計了一種基于遺傳算法優化的模糊PID智能控制器，在Simulink中建立了截割臂擺速自適應控制仿真系統，仿真結果表明，基于多種傳感器信息的GA-FPID控制系統可實現截割臂擺速的快速自適應調控。

(2)在石家莊煤礦機械有限公司模擬巷道中使用EBZ135型掘進機進行了模擬自適應截割實驗，實驗結果驗證了該控制策略的有效性，實現掘進機截割臂依據截割狀態參數的變化進行高效自適應調速，滿足井下掘進機智能截割的需求。

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