基于奇异值分解的掘进机振动信号特征量提取

张林锋, 田慕琴, 宋建成, 贺颖, 冯君玲, 杨祥

张林锋,田慕琴,宋建成,等.基于奇异值分解的掘进机振动信号特征量提取[J].工矿自动化,2019,45(1):28-34.. DOI: 10.13272/j.issn.1671-251x.2018070035
引用本文: 张林锋,田慕琴,宋建成,等.基于奇异值分解的掘进机振动信号特征量提取[J].工矿自动化,2019,45(1):28-34.. DOI: 10.13272/j.issn.1671-251x.2018070035
ZHANG Linfeng, TIAN Muqin, SONG Jiancheng, HE Ying, FENG Junling, YANG Xiang. Feature extraction of vibration signal of roadheader based on singular value decompositio[J]. Journal of Mine Automation, 2019, 45(1): 28-34. DOI: 10.13272/j.issn.1671-251x.2018070035
Citation: ZHANG Linfeng, TIAN Muqin, SONG Jiancheng, HE Ying, FENG Junling, YANG Xiang. Feature extraction of vibration signal of roadheader based on singular value decompositio[J]. Journal of Mine Automation, 2019, 45(1): 28-34. DOI: 10.13272/j.issn.1671-251x.2018070035

基于奇异值分解的掘进机振动信号特征量提取

基金项目: 

国家863计划资源环境技术领域重大项目(2012AA06A405)

国家自然科学基金项目(U1510112)

详细信息
  • 中图分类号: TD421.5

Feature extraction of vibration signal of roadheader based on singular value decompositio

  • 摘要: 针对掘进机动载荷识别难度大的问题,提出了基于奇异值分解的掘进机振动信号特征量提取方法。对采集的振动信号进行小波包分解,重构底层各频带节点系数,进而构造时频矩阵;对该矩阵进行奇异值分解,并基于Fisher判据,利用基于散度矩阵的类可分性准则,选择对不同截割岩壁硬度较为敏感的奇异值作为振动信号的特征量,并利用散度矩阵准则值来解决无法定量衡量各阶奇异值对截割硬度敏感程度的问题。与小波包频带能量法提取的特征向量进行比较,结果表明,对于掘进机水平截割、垂直截割和纵向钻进3种工况下的振动信号,基于奇异值分解法提取的特征向量都具有更好的类可分性。
    Abstract: In view of difficulty of dynamic load identification of roadheader, feature extraction method of vibration signal of roadheader based on singular value decomposition was proposed. Collected vibration signals is decomposed by wavelet packet, and node coefficients at different frequency bands of each bottom layer are reconstructed to construct the time-frequency matrix. Then singular value decomposition of the matrix is performed, and based on Fisher criterion, class separability criterion based on divergence matrix is used to select singular value which is sensitive to hardness of different cut rock walls, and the value serves as feature quantities of the vibration signal. The criterion value of divergence matrix is used to solve the problem that it is impossible to measure quantitatively sensitivity of singular values to cutting hardness. Analysis results show that for vibration signals of roadheader under three cutting conditions of horizontal cutting, vertical cutting and longitudinal drilling, compared with feature vectors extracted by wavelet packet frequency band energy method, the feature vectors extracted by the singular value decomposition method have better class separability.
  • 锚杆钻车是矿井巷道作业主力装备之一,在矿井巷道掘进和锚固支护方面发挥着重要作用。我国钻机整体技术水平比较落后,存在定位精度低、定位速度慢等问题,严重制约巷道施工效率。研究锚杆钻车钻臂的自动精准定位问题,对实现矿用生产装备智能化、提高巷道施工效率有重要意义。

    锚杆钻车钻臂为冗余多自由度结构,可保障作业的灵活性,但自由度的增加导致逆运动学求解复杂,降低了求解效率和精度。目前常用代数法和几何法求解机械臂运动学问题。代数法根据逆矩阵变换构建钻臂各关节变量与目标位姿之间的函数,但效率低,且存在无解或多解情况。几何法效率高,但对于不同的对象需构造不同的求解模型,通用性差。针对上述问题,许多学者将智能算法用于机械臂定位控制研究,如:李国江等[1]使用多群协同进化方法补偿绳索牵引并联机器人末端定位偏差;吉阳珍等[2]将改进的鲸鱼优化算法用于机械臂逆运动学求解,提高了求解精度和稳定性。在各种智能算法中,粒子群优化(Particle Swarm Optimization,PSO)算法用于求解机械臂运动学问题时具有编程简单、易于计算机实现、搜索性能强、容错性优等优点,有利于钻臂定位控制的稳定性。但PSO算法易陷入局部最优解,求解性能欠佳。对此,学者对PSO算法进行了改进,如:史也等[3]提出了一种基于量子PSO(Quantum-behaved PSO,QPSO)算法的路径规划方法,通过规划机械臂关节角的运动,使基座姿态和机械臂末端姿态同时达到期望状态;刘洋[4]通过多目标PSO(Multiple Objective PSO,MOPSO)算法实现了机器人位姿精准控制。上述算法应用于机械臂运动学求解时未考虑粒子初始位置状态,导致粒子初始状态不佳,且粒子间信息交流不充分,个体和全局最优粒子易陷入局部最优而无法跳出,使得算法整体寻优效率较低,寻优时间过长。

    本文在精英反向PSO(Elite Opposition-based PSO,EOPSO)算法基础上进行改进,提出混沌交叉精英变异反向PSO(Chaotic Crossover Elite Mutation Opposition-based PSO,CEMOPSO)算法,并将其用于锚杆钻车钻臂定位控制,提高了钻臂逆向运动学求解的速度和精度,实现了锚杆钻车钻臂精准定位。

    锚杆钻车钻臂为八自由度机构,含6个回转关节(大臂摇摆关节、大臂俯仰关节、推进梁俯仰关节、推进梁摆动关节、推进梁回转关节、锚杆关节)和2个移动关节(大臂伸缩关节、推进梁伸缩关节),如图1所示。

    图  1  锚杆钻车钻臂结构
    1−大臂摇摆关节;2−大臂俯仰关节;3−大臂伸缩关节;4−推进梁俯仰关节;5−推进梁摆动关节;6−推进梁回转关节;7−锚杆关节;8−推进梁伸缩关节。
    Figure  1.  Drilling arm structure of bolt drilling rig

    为简化钻臂坐标系的建立,分析钻臂基座到钻臂末端变换关系,利用D−H建立钻臂正向运动学模型[5-9]。钻臂坐标系如图2所示,o0x0y0z0为基坐标系,oixiyizi(i=1,2,…,8)分别为大臂摇摆关节坐标系、大臂俯仰关节坐标系、大臂伸缩关节坐标系、推进梁俯仰关节坐标系、推进梁摆动关节坐标系、推进梁回转关节坐标系、锚杆关节坐标系和推进梁伸缩关节坐标系。

    图  2  锚杆钻车钻臂坐标系
    Figure  2.  Coordinates of drilling arm of bolt drilling rig

    根据D−H法,相邻2个关节坐标系之间的变换矩阵为

    $$ \begin{split} {\boldsymbol{T}}_j^{j - 1} = \left[ {\begin{array}{*{20}{c}} {\cos \ {\theta _{ j}}}& { - \cos \ {\alpha _{ j}}\sin \ {\theta _{ j}}}& {\sin \ {\alpha _{ j}}\sin \ {\theta _{ j}}}& {{a_j}\cos \ {\theta _{ j}}} \\ {\sin \ {\theta _{ j}}}& {\cos \ {\theta _{ j}}\sin \ {\alpha _{ j}}}& { - \cos \ {\theta _{ j}}\sin \ {\alpha _{ j}}}& {{a_j}\sin \ {\theta _{ j}}} \\ 0& {\sin \ {\alpha _{ j}}}& {\cos \ {\alpha _{ j}}}& {{d_j}} \\ 0& 0& 0& 1 \end{array}} \right] \end{split} $$ (1)

    式中:θj为关节j的关节角;αj为关节j所在杆件的扭转角;aj为关节j所在杆件长度;dj为关节j横距。

    锚杆钻车钻臂的D−H参数见表1

    表  1  锚杆钻车钻臂D−H参数
    Table  1.  D-H parameters of drilling arm of bolt drilling rig
    关节$ {\theta _j}/(^\circ ) $$ {\alpha _j}/(^\circ ) $$ {a_j}/{\rm{m}} $$ {d_j}/{\rm{m}} $
    1[45,135]900.300
    2[−150,−60]−9000
    3180−900[0,1.8]
    4[−120,−30]−900.350
    5[−135,−45]9000
    6[−270,90]−900.600.4
    7[−90,0]9000.8
    890−900[0,2.5]
    下载: 导出CSV 
    | 显示表格

    表1数据代入式(1),可得相邻2个关节坐标系之间的变换矩阵。由左乘法则联立各变换矩阵,得到钻臂末端(推进梁伸缩关节)坐标系相对基坐标系的位姿矩阵:

    $$ {\boldsymbol{T}}_8^0 = {\boldsymbol{T}}_1^0{\boldsymbol{T}}_2^1{\boldsymbol{T}}_3^2{\boldsymbol{T}}_4^3{\boldsymbol{T}}_5^4{\boldsymbol{T}}_6^5{\boldsymbol{T}}_7^6{\boldsymbol{T}}_8^7 = \left[ {\begin{array}{*{20}{c}} {{N_x}}&{{O_x}}&{{A_x}}&{{L_x}} \\ {{N_y}}&{{O_y}}&{{A_y}}&{{L_y}} \\ {{N_{\textit{z}}}}&{{O_{\textit{z}}}}&{{A_{\textit{z}}}}&{{L_{\textit{z}}}} \\ 0&0&0&1 \end{array}} \right] $$ (2)

    式中:$ {[{N_x},{N_y},{N_{\textit{z}}}]^{\rm{T}}} $$ {[{O_x},{O_y},{O_{\textit{z}}}]^{\rm{T}}} $$ {[{A_x},{A_y},{A_{\textit{z}}}]^{\rm{T}}} $分别为钻臂末端的法向向量、滑动向量和接近向量;$ [{L_x}, {L_y},{L_{\textit{z}}}]^{\rm{T}} $为钻臂末端相对于基坐标系的位置向量。

    采用PSO算法对锚杆钻车钻臂进行逆运动求解时,适应度函数为钻臂末端位姿与目标位姿的误差分析函数,即

    $$ h({{\boldsymbol{X}}_i}) = \left\| {{\boldsymbol{P}}({{\boldsymbol{X}}_{\text{i}}}) - {{\boldsymbol{P}}_{{\rm{obj}}}}} \right\| $$ (3)

    式中:$ h( \cdot ) $为适应度函数;Xi为粒子i位置;P(Xi)为粒子i在位置Xi时的钻臂末端位姿;Pobj为钻臂末端目标位姿。

    迭代时,设粒子i当前最优位置Xibest=(ei1ei2,…,eiD),eiD为粒子iD维空间的当前最优位置,全局最优位置Xgbest=(eg1eg2,…,egD),egDD维空间的全局最优位置。粒子i的速度和位置更新公式为

    $$ \begin{split} {{\boldsymbol{V}}_i}(t + 1) = & \omega {{\boldsymbol{V}}_i}(t) + {c_1}{r_1}({{\boldsymbol{X}}_{i{\rm{best}}}} - {{\boldsymbol{X}}_i}(t)) + {c_2}{r_2}\left( { {{\boldsymbol{X}}{\boldsymbol{}}_{{\rm{gbest}}}} - {{\boldsymbol{X}}_i}(t) } \right) \end{split} $$ (4)
    $$ {{\boldsymbol{X}}_i}(t + 1) = {{\boldsymbol{X}}_i}(t) + {{\boldsymbol{V}}_i}(t + 1) $$ (5)

    式中:ω为惯性权重;Vit)为第t次迭代时粒子i的速度;c1c2为学习因子;r1r2为[0,1]的随机数;Xit)为第t次迭代时粒子i的位置。

    EOPSO算法在PSO算法基础上,对群体内的最优粒子(即精英个体)进行反向学习,增加搜索的目的性,尽可能避免搜索的盲目性,从而以最快速度得到最优解。但该算法存在种群内粒子间信息交流不充分、易局部最优、收敛性差等问题[5-7]。因此,将混沌初始化、交叉操作、变异操作和极值扰动引入EOPSO算法,提出CEMOPSO算法。

    1) 混沌初始化。通过混沌映射空间对粒子群位置信息进行初始化,在不改变初始种群随机性的条件下,使得种群初始位置均匀分布在可行域内,提高种群初期多样性。

    采用Logistic和Sinusoidal的复合混沌模型[10-12](式(6)),使粒子在设定空间内呈现混沌状态。

    $$ {\varphi _{n + 1}} = 4\sin \; ({\text{π}} {\varphi _n})(1 - \sin \; ({\text{π}} {\varphi _n})) \;\;\;\;\; n \in {{{\bf{N}}}} $$ (6)

    设粒子i的位置$ {{\boldsymbol{X}}_i} = ({{{e}}_1},{{{e}}_2}, \cdots ,{{{e}}_D}) $eD为粒子iD维空间的位置,粒子i经过混沌映射变换后的初始位置$ {\boldsymbol{X}}_i^0 = ({{e}}_{i1}^0,{{e}}_{i2}^0, \cdots ,{{e}}_D^0) $,则

    $$ {\boldsymbol{X}}_i^0 = {{\boldsymbol{X}}_{\min }} + {\varphi _{n + 1}}({{\boldsymbol{X}}_{\max }} - {{\boldsymbol{X}}_{\min }}) $$ (7)

    式中XminXmax分别为搜索空间内粒子位置最小值和最大值。

    2) 交叉和高斯变异。第t次迭代时对粒子i的位置$ {{\boldsymbol{X}}_i}(t) $与其历史最优位置$ {{\boldsymbol{X}}_{i{\rm{best}}}}(t - 1) $进行离散相交[13-15],则交叉后粒子i位置${{\boldsymbol{X}}'_i}(t){{ =({{e}}}}_{i1}'(t),{{{{e}}}}_{i2}'(t), \cdots , {{{{e}}}}_{iD}'(t))$。交叉算法公式为

    $$ e_{iJ}'(t) = \left\{ \begin{gathered} be_{iJ}(t) + (1 - b)e_{iJ{\rm{best}}}(t - 1)\;\; {\text{ }} {k_{\rm{c}}} >{\rm{rand}}(0,1) \\ be_{iJ{\rm{best}}}(t - 1) + (1 - b)e_{iJ}(t) \;\;{\text{ }} {k_{\rm{c}}} \leqslant {\rm{rand}}(0,1) \end{gathered} \right. $$ (8)

    式中:b为交叉系数,取值为0~1;eiJt)为第t次迭代时粒子iJ维空间的位置,J=1,2,…,DeiJbestt)为第t次迭代时粒子iJ维空间的当前最优位置;kc为交叉概率。

    则更新后的粒子i最优位置为

    $$ {{\boldsymbol{X}}_{i{\rm{best}}}}(t) = \left\{ \begin{gathered} {{{\boldsymbol{X}}}_{i}^{}}(t) \qquad {\text{ }}h({{{\boldsymbol{X}}}_{i}^{}}(t)) < h({{\boldsymbol{X}}_{i{\rm{best}}}}(t)) \\ {{\boldsymbol{X}}_{i{\rm{best}}}}(t - 1) \qquad {\text{ }}h({{{\boldsymbol{X}}}_{i}^{}}(t)) \leqslant h({{\boldsymbol{X}}_{i{\rm{best}}}}(t)) \\ \end{gathered} \right. $$ (9)

    为保证算法的求解精度,对交叉后的个体进行高斯变异,得

    $$ {\boldsymbol{X}}_{i{\rm{best}}}^{*}(t) = {{\boldsymbol{X}}_{i{\rm{best}}}(t)} + ({{\boldsymbol{W}}_{\max }} - {{\boldsymbol{W}}_{\min }}) G $$ (10)

    式中:$ {\boldsymbol{X}}_{i{\rm{best}}}^ {*}(t) $为粒子i变异后的最优位置;WmaxWmin分别为搜索空间的最大值和最小值;G为标准高斯分布。

    更新后的粒子i最优位置为

    $${\boldsymbol{ X}}_{i{\rm{best}}}^{ * * }(t) = \left\{ \begin{gathered} {\boldsymbol{X}}_{i{\rm{best}}}^ *(t) \qquad h({\boldsymbol{X}}_{i{\rm{best}}}^ * (t)) < h({{\boldsymbol{X}}_{i{\rm{best}}}} (t)) \\ {{\boldsymbol{X}}_{i{\rm{best}}}}(t) \qquad h({\boldsymbol{X}}_{i{\rm{best}}}^ * (t)) \geqslant h({{\boldsymbol{X}}_{i{\rm{best}}}} (t) ) \\ \end{gathered} \right. $$ (11)

    3) 柯西变异。全局最优位置Xgbest引导群体朝向最优解。当Xgbest陷入局部最优时,群体搜索停滞,导致算法失效。采用柯西变异策略,以协助精英粒子跳出局部最优。全局最优位置变异值为

    $$ {\boldsymbol{X}}_{{\rm{gbest}}}^ * = {{\boldsymbol{X}}_{{\rm{gbest}}}} + ({{\boldsymbol{W}}_{\max }} - {{\boldsymbol{W}}_{\min }}) {\rm{cauchy}}(0,s (t)) $$ (12)

    式中:cauchy(0,st))为柯西分布表达式;s(t)为随迭代次数线性递减的柯西分布比例参数[16-18]

    $$ s(t + 1) = s(t) - \sin \; ({1 \mathord{\left/ {\vphantom {1 {{t_{\max }})}}} \right. } {{t_{\max }})}} $$ (13)

    式中tmax为最大迭代次数。

    更新后的全局最优位置为

    $$ {\boldsymbol{X}}_{{\rm{gbest}}}^{ * * } = \left\{ \begin{gathered} {\boldsymbol{X}}_{{\rm{gbest}}}^ * \qquad h({\boldsymbol{X}}_{{\rm{gbest}}}^ * ) < h({{\boldsymbol{X}}_{{\rm{gbest}}}}) \\ {{\boldsymbol{X}}_{{\rm{gbest}}}} \qquad h({\boldsymbol{X}}_{{\rm{gbest}}}^ * ) \geqslant h({{\boldsymbol{X}}_{{\rm{gbest}}}}) \\ \end{gathered} \right. $$ (14)

    4) 极值扰动。粒子种群具有趋同性,因此在算法后期,粒子飞行速度难以更新,导致难以发现更优位置。引入极值扰动避免粒子陷入停滞,速度更新公式为

    $$\begin{split} {{\boldsymbol{V}}_i}(t + 1) = & \omega {{\boldsymbol{V}}_i}(t) + {c_1}{r_1}\left[ { \left( { \frac{1}{2} + \frac{{{r_3}}}{2} } \right){{\boldsymbol{X}}_{i{\rm{best}}}} - {{\boldsymbol{X}}_i}(t) } \right] +\\& {c_2}{r_2}\left[ { \left( { \frac{1}{2} + \frac{{{r_4}}}{2} } \right){{{{\boldsymbol{X}}}}_{{\rm{gbest}}}} - {{\boldsymbol{X}}_i}(t) } \right] \end{split} $$ (15)

    式中r3r4为[0,1]上均匀分布的随机数。

    1) 交叉概率。在PSO算法中,交叉概率kc过大会消除部分优秀个体,过小则影响算法收敛速度。为提高算法性能,采用自适应交叉概率:

    $$ {k_{\rm{c}}} = \left\{ \begin{gathered} \frac{{{k_{{\rm{c}}1}} + {k_{{\rm{c}}2}}}}{2} + \frac{{{k_{{\rm{c}}1}} - {k_{{\rm{c}}2}}}}{2} \sin \left( { \frac{{ h_{{\rm{max}}}' - {h_{{\rm{avg}}}}}}{{{h_{\max }} - {h_{{\rm{avg}}}}}} \frac{{\text{π}} }{2} } \right) \;\;\;\; h_{{\rm{max}}}' \geqslant {h_{{\rm{avg}}}} \\ {k_{{\rm{c}}1}} \;\;\;\; h_{{\rm{max}}}' < {h_{{\rm{avg}}}} \\ \end{gathered} \right. $$ (16)

    式中:kc1kc2分别为初始交叉概率最大值和最小值;$ h_{{\rm{max}}}' $为2个粒子进行交叉操作时的适应度最大值;havg为适应度平均值;hmax为适应度最大值。

    2) 正态分布衰减惯性权重。惯性权重的取值直接影响算法性能。惯性权重应随迭代次数的增加而动态变化,即在迭代过程中由初期的较大值逐步线性减小。本文采取正态分布衰减的惯性权重:

    $$ \omega = {\omega _{\min }} + ({\omega _{\max }} - {\omega _{\min }}) \dfrac{1}{{\sqrt {2{\text{π}} } \sigma }}{{\rm{exp}}\left( { - \frac{{{t^2}}}{{2{\sigma ^2}t_{\max }^2}}} \right)} $$ (17)

    式中:ωminωmax分别为惯性权重最小值和最大值;σ为趋势参数,根据文献[19-20]可知最佳值为0.443 3。

    基于CEMOPSO算法的锚杆钻车钻臂定位控制流程如图3所示。

    图  3  基于CEMOPSO算法的锚杆钻车钻臂定位控制流程
    Figure  3.  Positioning control flow of drilling arm of bolt drilling rig based on chaotic crossover elite mutation opposition-based particle swarm optimization(CEMOPSO) algorithm

    1) 对种群进行混沌初始化,确定种群规模、自适应参数,并给定钻臂末端目标位姿。

    2) 计算粒子个体适应度,确定个体最优位置和全局最优位置,其大小为钻臂当前位姿和目标位姿的误差。

    3) 根据精英反向规则,计算精英个体的反向解。根据柯西变异公式,对精英个体实施柯西变异操作。

    4) 根据交叉规则,对粒子个体实施交叉操作,并对交叉后的个体最优位置实施高斯变异操作。

    5) 更新粒子个体最优位置和全局最优位置。

    6) 根据式(5)和式(15)对粒子位置和速度进行更新。

    7) 确定目标函数值是否达到收敛要求,若是则结束迭代,输出结果,否则重复步骤2),直至符合收敛要求。

    为检验CEMOPSO算法性能,分别从稳定性、精度、收敛速度3个方面,将其与PSO算法、EOPSO算法和交叉精英反向粒子群优化(Crossover Elite Opposition-based PSO,CEOPSO)算法进行对比。算法参数设置:种群规模为90,惯性权重最大值、最小值分别为0.9,0.6,限制速度为0.5,初始变异概率最小值、最大值分别为0.2,0.3,柯西分布比例参数初值为1。4种算法分别对4个标准测试函数(表2)执行20次,根据测试结果计算标准差和最优解,以此反映算法稳定性和求解精度,结果见表3。可看出CEMOPSO算法的稳定性和精度最优。

    表  2  标准测试函数
    Table  2.  Standard test functions
    函数维度搜索范围最优解
    ${f}_{1}(g)\text{=}{\displaystyle \sum _{r=1}^{n}{g}_{r}^{2} }$30[−100,100]0
    ${f_2}(g) =\displaystyle \sum\limits_{r = 1}^n {\left| { {g_r} } \right|} + \prod\limits_{r = 1}^n {\left| { {g_r} } \right|}$30[−10,10]0
    ${f_3}(g) = \displaystyle \sum\limits_{r = 1}^n {(\sum\limits_{q = 1}^n { {g_q}{)^2} } }$30[−100,100]0
    $\mathop f\nolimits_4 (g) = \max \{ \left| {\mathop g\nolimits_r } \right|,1 \leqslant r \leqslant n\}$30[−100,100]0
    下载: 导出CSV 
    | 显示表格

    为便于直观分析各算法性能,随机选择其中1组测试结果进行曲线可视化比较,如图4所示。可看出在算法迭代初期,CEMOPSO算法与其他算法没有显著差别,但随着迭代次数增加,其收敛速度迅速增大,明显优于其他3种算法。

    表  3  标准测试函数计算结果
    Table  3.  Calculation results of standard test functions
    函数PSO算法EOPSO算法CEOPSO算法CEMOPSO算法
    $ {f_1}(g) $标准差:$3.223\; 2 \times {10^{ { { - } }2} }$标准差:$ 6.193\;9 \times {10^{{{ - }}2}} $标准差:$2.925\;9 \times {10^{{{ - 6}}}}$标准差:$2.870\;6 \times {10^{{{ - 18}}}}$
    最优解:$ 2.807\;2 \times {10^{{{ - }}2}} $最优解:$ 2.979\;5 \times {10^{{{ - }}2}} $最优解:$1.393\;2 \times {10^{{{ - 6}}}}$最优解:$4.794\;3 \times {10^{{{ - 19}}}}$
    $ {f_2}(g) $标准差:$ 1.001\;8 \times {10^0} $标准差:$ 1.255\;4 \times {10^0} $标准差:$ 7.436\;1 \times {10^{{{ - }}2}} $标准差:$5.045\;2 \times {10^{{{ - 13}}}}$
    最优解:$ 8.349\;6 \times {10^{{{ - }}1}} $最优解:$ 8.012\;2 \times {10^{{{ - }}1}} $最优解:$ 6.558\;2 \times {10^{{{ - }}2}} $最优解:$1.479\;4 \times {10^{{{ - 13}}}}$
    $ {f_3}(g) $标准差:$ 39.100\;3 \times {10^0} $标准差:$ 36.417\;4 \times {10^0} $标准差:$ 34.092\;9 \times {10^0} $标准差:$9.092\;9 \times {10^{{{ - }}2}}$
    最优解:$ 32.092\;9 \times {10^0} $最优解:$ 31.565\;9 \times {10^0} $最优解:$ 32.073\;7 \times {10^0} $最优解:$7.686\;5 \times {10^{{{ - }}2}}$
    $ {f_4}(g) $标准差:$ 1.268\;5 \times {10^0} $标准差:$ 1.820\;8 \times {10^0} $标准差:$ 5.433\;3 \times {10^{{{ - }}1}} $标准差:$1.683\;6 \times {10^{{{ - 3}}}}$
    最优解:$ 1.167\;1 \times {10^0} $最优解:$ 1.035\;9 \times {10^0} $最优解:$ 5.398\;9 \times {10^{{{ - }}1}} $最优解:$1.327\;9 \times {10^{{{ - 3}}}}$
    下载: 导出CSV 
    | 显示表格
    图  4  标准测试函数进化曲线
    Figure  4.  Evolution curves of standard test functions

    为验证基于CEMOPSO算法的锚杆钻车钻臂定位控制方法的可行性及效果,采用Matlab2020a软件进行仿真验证。

    根据钻臂D−H参数在Matlab2020a中建立锚杆钻车钻臂模型,如图5所示。

    图  5  锚杆钻车钻臂模型
    Figure  5.  Drilling arm model of bolt drilling rig

    为便于观察锚杆钻车钻臂末端在空间中的运动范围,通过调节钻臂各关节变量来控制钻臂末端位姿。利用蒙特卡罗法绘制钻臂末端三维工作空间及其平面投影,如图6所示。

    图  6  锚杆钻车钻臂末端工作区域
    Figure  6.  Working area of drilling arm end of bolt drilling rig

    根据锚杆钻车钻臂末端位姿矩阵,采用欧拉角形式定义钻臂末端位姿:

    $$ {\boldsymbol{P}}({{\boldsymbol{X}}_i}) = [{p_x},{p_y},{p_{\textit{z}}},\beta ,\gamma ,\eta ] $$ (18)
    $$ \beta = \arctan \ 2({O_{\textit{z}}},{A_{\textit{z}}}) $$ (19)
    $$ \gamma = \arctan \ 2\left( - {N_{\textit{z}}},\sqrt {{O_{\textit{z}}}^2 + {A_{\textit{z}}}^2} \right) $$ (20)
    $$ \eta = \arctan\ 2({N_x},{N_y}) $$ (21)

    式中:$ ({p_x},{p_y},{p_z}) $为钻臂末端目标位置坐标;$ (\beta ,\gamma ,\eta ) $为钻臂末端目标位置坐标系与基坐标系对应坐标轴的夹角。

    针对4种算法,选取相同的初始参数进行仿真。针对多冗余自由度钻臂结构特点,为提高钻臂定位控制精度,取种群规模为300[14-16];惯性权重最大值、最小值分别为0.8,0.5。CEMOPSO算法采用正态分布衰减的惯性权重,限制速度为0.2。c1c2均取1.5[17]。初始交叉概率最大值、最小值分别为0.9,0.7;柯西分布比例参数初值为1,迭代次数为500。

    4种算法的位置误差和姿态误差收敛曲线如图7所示。可看出在相同的迭代次数和误差精度约束条件下,无论是位置误差还是姿态误差,CEMOPSO算法从迭代初期即具有极快的收敛速度,收敛性能优于其他算法。

    图  7  4种算法对钻臂定位控制的位置误差和姿态误差收敛曲线
    Figure  7.  Convergence curves of position errors and posture errors of drilling arm positioning control by use of four algorithms

    在相同的约束条件下,采用4种算法重复进行多次钻车钻臂定位控制,结果如图8所示。可看出CEMOPSO算法的位置误差和姿态误差均小于其他算法,误差曲线较平稳,最大位置误差为0.005 m,最大姿态误差为0.005 rad,验证了该算法用于锚杆钻车钻臂定位控制时具有较好的性能。

    图  8  4种算法对钻臂定位控制的位置误差和姿态误差曲线
    Figure  8.  Position error and posture error curves of drilling arm positioning control by use of four algorithms

    实际工程应用中一般要求控制算法能够在指定精度下快速收敛[21-22]。在相同定位精度下,4种算法的迭代次数如图9所示。可看出当设定位置误差为1 mm、姿态误差为0.01 rad时,PSO算法、EOPSO算法、CEOPSO算法、CEMOPSO算法的平均迭代次数分别为651,607,543,343 ;当设定位置误差为0.1 mm、姿态误差为0.001 rad时,PSO算法、EOPSO算法、CEOPSO算法、CEMOPSO算法的平均迭代次数分别为1 090,949,784,473,CEMOPSO算法的收敛速度最快,稳定性最佳,且求解精度越高,其优越性越突出。

    图  9  4种算法在不同精度条件下的迭代次数
    Figure  9.  Iteration times of four algorithms under different precision conditions

    1) CEMOPSO算法将混沌初始化、变异操作和交叉操作引入EOPSO算法,在保持初始种群多样性的基础上,增强了粒子个体之间的信息交流,平衡了算法局部搜索力和全局搜索力,使粒子个体能够更快地到达最优解,提高了算法的收敛速度和精度。

    2) 将CEMOPSO算法应用于锚杆钻车钻臂定位控制可避免产生无解状态,且能够保证在满足定位精度要求下,改善求解速度和稳定性,提高钻臂定位效率,具有良好的工程实用价值。

  • 期刊类型引用(2)

    1. 陈伟,陈志良,侯强. 煤矿井下液压锚杆钻机钻臂定位控制方法. 自动化与仪表. 2024(08): 29-33+39 . 百度学术
    2. 李富强. 锚杆钻车施工影响因素分析. 中国机械. 2023(33): 90-93 . 百度学术

    其他类型引用(2)

计量
  • 文章访问数:  83
  • HTML全文浏览量:  5
  • PDF下载量:  17
  • 被引次数: 4
出版历程
  • 刊出日期:  2019-01-09

目录

/

返回文章
返回