Development of sealed pressure maintaining sampling device for deep holes in coal mines
-
摘要: 采用敞口式岩心管取样来测定深孔煤层瓦斯含量时煤样暴露时间长、煤样易被污染、瓦斯损失量难以计量导致测量误差大，而现有密闭保压取样大多需要二次扩孔、结构复杂、取样成功率低造成难以大规模推广应用。针对上述问题，研制了一种煤矿井下深孔密闭保压取样装置。该装置采用“两级活塞+双层套管+煤样筒”的整体结构设计，通过控制井下高压水泵注入装置内的注水流量及注水时间，实现球阀由取样前密闭到取样时开启，再到取样后密闭的动作转换，达到煤样被密闭在煤样筒内的目的，防止煤样被污染及取样过程中瓦斯逸散。采用敞口式岩心管常规取样方法和深孔密闭保压取样装置分别采集了4组同钻孔同深度处煤样，进行瓦斯含量测定对比分析，现场试验结果表明：深孔密闭保压取样装置的取样深度接近350 m；相较于常规取样方法，深孔密闭保压取样测得的瓦斯含量偏大5.4%～37%，且随着取样钻孔深度增加，偏大的程度增加，表明密闭保压取样装置能够提高深孔煤层瓦斯含量测试的准确性。Abstract: When using open core tube sampling to measure the gas content in deep hole coal seams, the coal sample has a long exposure time. It is prone to pollution, and the gas loss is difficult to measure, resulting in large measurement errors. However, most of the existing sealed pressure maintaining sampling requires secondary expansion and complex structure. The sampling success rate is low, making it difficult to promote and apply on a large scale. In order to solve the above problems, a sealed pressure maintaining sampling device for deep holes in coal mines has been developed. The device adopts an overall structural design of "two-stage piston+double-layer casing+coal sample cylinder". By controlling the injection flow rate and injection time of the underground high-pressure water pump into the device, the ball valve switches from being sealed before sampling to being opened during sampling, and then to being sealed after sampling. The goal of sealing the coal sample in the coal sample cylinder is achieved, preventing contamination of the coal sample and gas escape during the sampling process. Four sets of coal samples from the same borehole and depth are collected using the conventional sampling method of an open core tube and a deep hole sealed pressure maintaining sampling device for comparative analysis of gas content. The on-site test results show that the sampling depth of the deep hole sealed pressure maintaining sampling device is close to 350 meters. Compared to conventional sampling methods, the gas content measured by deep hole sealed pressure maintaining sampling is 5.4% to 37%. The degree of deviation increases with the increase of sampling drilling depth. It indicates that the sealed pressure maintaining sampling device can improve the accuracy of deep hole coal seam gas content testing.
-
0. 引言
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。
1. 锚杆钻车钻臂运动模型
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。
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] 90 0.30 0 2 [−150，−60] −90 0 0 3 180 −90 0 [0，1.8] 4 [−120，−30] −90 0.35 0 5 [−135，−45] 90 0 0 6 [−270，90] −90 0.60 0.4 7 [−90，0] 90 0 0.8 8 90 −90 0 [0，2.5] 将表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。2. CEMOPSO算法
2.1 EOPSO算法改进
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=（ei1，ei2，…，eiD），eiD为粒子i在D维空间的当前最优位置，全局最优位置Xgbest=（eg1，eg2，…，egD），egD为D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；Vi（t）为第t次迭代时粒子i的速度；c1，c2为学习因子；r1，r2为[0，1]的随机数；Xi（t）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i在D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Xmin，Xmax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；eiJ（t）为第t次迭代时粒子i在J维空间的位置，J=1，2，…，D；eiJbest（t）为第t次迭代时粒子i在J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；Wmax，Wmin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，s（t）)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r3，r4为[0，1]上均匀分布的随机数。
2.2 自适应参数控制
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：kc1，kc2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：ωmin，ωmax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。
3. 锚杆钻车钻臂定位控制流程
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) algorithm1） 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。
4. CEMOPSO算法性能测试
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 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：$1.327\;9 \times {10^{{{ - 3}}}}$ 5. 钻臂定位控制建模与仿真分析
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。
5.1 锚杆钻车钻臂模型
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。
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。
5.2 仿真分析
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。c1，c2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 conditions6. 结论
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。
-
![]()
图 1 深孔密闭保压取样装置结构
1—钻杆接头；2—外套管；3—芯轴；4—外活塞；5—内活塞；6—推进套管；7—推进齿条管；8—煤样筒底座；9—封口钢球；10—弹簧；11—压紧螺钉；12—煤样筒；13—推进齿条；14—齿轮；15—球阀阀芯；16—钻头；17—第一流通孔；18—第一流通孔右侧开口；19—第二流通孔左侧开口；20—第二流通孔。
Figure 1. Structure of deep borehole sealed pressure maintaining sampling device
表 1 深孔密闭保压取样装置关键部件参数
Table 1 Parameters of key components of deep borehole sealed pressure maintaining sampling device
部件 尺寸 取样装置长度/mm 1 200 外套管/mm ϕ73×1 106 推进套管/mm ϕ60×438 推进齿条管/mm ϕ60×581 煤样筒/mm ϕ50×830 第二流通孔/mm ϕ2×24 球阀通孔直径/mm 26 
下载: 导出CSV
表 2 密闭保压取样与常规取样下煤层瓦斯含量测试结果对比
Table 2 Comparison of test results of gas content in coal seam under sealed pressure maintaining sampling and conventional sampling
孔号 取样方式 取样深度/m 煤样质量/g 瓦斯含量/（m3·t−1） 1号 常规取样 126 1 128 5.3 密闭保压取样 126 856 5.6 2号 常规取样 196 753 2.6 密闭保压取样 196 553 3.1 3号 常规取样 273 1 038 4.2 密闭保压取样 273 637 4.9 4号 常规取样 342 815 2.9 密闭保压取样 342 694 4.6
下载: 导出CSV
-
[1] GB/T 23250—2009 煤层瓦斯含量井下直接测定方法[S GB/T 23250-2009 The direct method of determining coalbed gas content in the mine[S
[2] 张宏图,魏建平,王云刚,等. 煤层瓦斯含量测定定点取样方法研究进展[J]. 中国安全生产科学技术,2016,12(1):186-192. ZHANG Hongtu,WEI Jianping,WANG Yungang,et al. Sampling methods for coalbed gas content direct determination[J]. Journal of Safety Science and Technology,2016,12(1):186-192.
[3] 邹银辉,张庆华. 我国煤矿井下煤层瓦斯含量直接测定法的技术进展[J]. 矿业安全与环保,2009,36(增刊1):180-182,247. ZOU Yinhui,ZHANG Qinghua. Technical progress of direct measurement method for coal-seam gas content in our coal mines[J]. Mining Safety & Environmental Protection,2009,36(S1):180-182,247.
[4] 卢宗玮,王清峰,李彦明. 密闭取心装置研究现状与解决方案[J]. 煤炭技术,2022,41(5):142-144. DOI: 10.13301/j.cnki.ct.2022.05.034 LU Zongwei,WANG Qingfeng,LI Yanming. Research and solution of closed sampling device[J]. Coal Technology,2022,41(5):142-144. DOI: 10.13301/j.cnki.ct.2022.05.034
[5] 刘永茜. 钻屑法测定瓦斯含量存在问题分析及改进[J]. 煤炭科学技术,2014,42(6):136-139. LIU Yongqian. Analysis on problems existed in gas content measurement with drilling cuttings method and improvement[J]. Coal Science and Technology,2014,42(6):136-139.
[6] 胡杰,韩承强,隆清明,等. 深孔定点取样装置在中岭煤矿的优化应用[J]. 煤矿安全,2016,47(11):120-123. HU Jie,HAN Chengqiang,LONG Qingming,et al. Optimization and application of deep hole fixed-point sampling device in Zhongling Mine[J]. Safety in Coal Mines,2016,47(11):120-123.
[7] 孙四清. 煤层气含量地面井密闭取心与快速测定技术研究[D]. 北京:煤炭科学研究总院,2018. SUN Siqing. Study on surface well sealed coring and fast measurement for coal seam gas content[D]. Beijing:China Coal Research Institute,2018.
[8] 贵宏伟,李学臣,郭艳飞,等. 千米钻机超深钻孔定点密闭取芯技术研究与应用[J]. 煤炭工程,2018,50(12):54-57. GUI Hongwei,LI Xuechen,GUO Yanfei,et al. Research and application of fixed-point closed sampling technology for super deep drilling in 1 000 m drilling machine[J]. Coal Engineering,2018,50(12):54-57.
[9] 高明忠,陈领,凡东,等. 深部煤矿原位保压保瓦斯取芯原理与技术探索[J]. 煤炭学报,2021,46(3):885-897. DOI: 10.13225/j.cnki.jccs.YT21.0297 GAO Mingzhong,CHEN Ling,FAN Dong,et al. Principle and technology of coring with in-situ pressure and gas maintaining in deep coal mine[J]. Journal of China Coal Society,2021,46(3):885-897. DOI: 10.13225/j.cnki.jccs.YT21.0297
[10] 景兴鹏. 机械密闭取芯瓦斯含量测定集成技术研究[J]. 中国安全生产科学技术,2015,11(11):59-63. DOI: 10.11731/j.issn.1673-193x.2015.11.010 JING Xingpeng. Study on integrate technique of mechanical sealed coring and methane content measuring[J]. Journal of Safety Science and Technology,2015,11(11):59-63. DOI: 10.11731/j.issn.1673-193x.2015.11.010
[11] 龙威成. 煤层密闭取心瓦斯含量测试技术及其在定向长钻孔中的应用[J]. 河南理工大学学报(自然科学版),2018,37(6):16-21. LONG Weicheng. Study on gas content measurement technology with sealed coal coring and its application in long borehole of directional drilling[J]. Journal of Henan Polytechnic University(Natural Science),2018,37(6):16-21.
[12] 龙威成,孙四清,陈建. 碎软煤层井下长距离定点密闭取心技术研究[J]. 煤田地质与勘探,2022,50(8):93-98. DOI: 10.12363/issn.1001-1986.21.12.0882 LONG Weicheng,SUN Siqing,CHEN Jian. Study on long-distance fixed-point sealed coring technology in broken-soft coal seam[J]. Coal Geology & Exploration,2022,50(8):93-98. DOI: 10.12363/issn.1001-1986.21.12.0882
[13] 孙四清,张群,郑凯歌,等. 地面井煤层气含量精准测试密闭取心技术及设备[J]. 煤炭学报,2020,45(7):2523-2530. DOI: 10.13225/j.cnki.jccs.DZ20.0672 SUN Siqing,ZHANG Qun,ZHENG Kaige,et al. Technology and equipment of sealed coring for accurate determination of coalbed gas content in ground well[J]. Journal of China Coal Society,2020,45(7):2523-2530. DOI: 10.13225/j.cnki.jccs.DZ20.0672
[14] 温志辉,张宏图,魏建平,等. 负压定点取样煤层瓦斯含量测定损失量推算方法[J]. 中国矿业大学学报,2017,46(4):776-782,802. DOI: 10.13247/j.cnki.jcumt.000706 WEN Zhihui,ZHANG Hongtu,WEI Jianping,et al. Gas loss calculation method for gas content determination by sampling method based on negative pressure pneumatic conveying[J]. Journal of China University of Mining & Technology,2017,46(4):776-782,802. DOI: 10.13247/j.cnki.jcumt.000706
[15] 俱养社,马峰良,华立. 钻孔瓦斯密闭保压取心器研制及应用[J]. 中国煤炭地质,2022,34(4):79-83. DOI: 10.3969/j.issn.1674-1803.2022.04.15 JU Yangshe,MA Fengliang,HUA Li. Development and application of borehole gas airtight pressurized corer[J]. Coal Geology of China,2022,34(4):79-83. DOI: 10.3969/j.issn.1674-1803.2022.04.15
[16] 邓楠. 煤层瓦斯含量直接测定取样技术研究进展[J]. 矿业安全与环保,2021,48(4):113-117. DENG Nan. Research status on direct measurement and sampling technology for coal seam gas content[J]. Mining Safety & Environmental Protection,2021,48(4):113-117.
[17] 杨冬冬,赵江鹏,王四一. 煤矿井下取心钻进技术与装备研究现状及发展趋势[J]. 煤炭工程,2021,53(6):176-181. YANG Dongdong,ZHAO Jiangpeng,WANG Siyi. Research status and development direction of coring drilling technology and equipment in coal mine[J]. Coal Engineering,2021,53(6):176-181.
[18] 李泉新,方俊,许超,等. 井下长距离定点保压密闭煤层瓦斯含量测定取样技术[J]. 煤炭科学技术,2017,45(7):68-73,166. LI Qanxin,FANG Jun,XU Chao,et al. Sampling technology for measuring gas content in coal seam with long distance fixed-point pressure sealing in underground mine[J]. Coal Science and Technology,2017,45(7):68-73,166.
[19] 程波,乔伟,颜文学,等. 煤矿井下煤层瓦斯含量测定方法的研究进展[J]. 矿业安全与环保,2019,46(4):98-103. CHENG Bo,QIAO Wei,YAN Wenxue,et al. Research progress on determination method of coal seam gas content in coal mine[J]. Mining Safety & Environmental Protection,2019,46(4):98-103.
[20] 刘东,辛新平,马耕. 定向多分支长钻孔治理瓦斯技术体系研究及应用[J]. 矿业安全与环保,2021,48(5):108-112. LIU Dong,XIN Xinping,MA Geng. Research and application of the technical system for gas drainage by means of directional multi-branch drilling[J]. Mining Safety & Environmental Protection,2021,48(5):108-112.
[21] 任浩洋,王兆丰. 测定瓦斯含量取样方式存在问题分析及解决对策[J]. 煤矿安全,2015,46(4):148-151. REN Haoyang,WANG Zhaofeng. Problem analysis and solutions about sampling way of gas content determination[J]. Safety in Coal Mines,2015,46(4):148-151.
[22] 卢宗玮,王清峰,李彦明. 煤矿井下密闭取样钻头设计与优化[J]. 矿业安全与环保,2022,49(2):107-111. DOI: 10.19835/j.issn.1008-4495.2022.02.019 LU Zongwei,WANG Qingfeng,LI Yanming. Design and optimization of sealed sampling bit in underground coal mine[J]. Mining Safety & Environmental Protection,2022,49(2):107-111. DOI: 10.19835/j.issn.1008-4495.2022.02.019
-
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: 132
- HTML全文浏览量: 58
- PDF下载量: 19
- 被引次数: 4
