基于工艺引擎的规划放煤控制系统

姚钰鹏, 商楚浩, 刘清

姚钰鹏,商楚浩,刘清. 基于工艺引擎的规划放煤控制系统[J]. 工矿自动化,2024,50(9):41-46, 107. DOI: 10.13272/j.issn.1671-251x.2024030041
引用本文: 姚钰鹏,商楚浩,刘清. 基于工艺引擎的规划放煤控制系统[J]. 工矿自动化,2024,50(9):41-46, 107. DOI: 10.13272/j.issn.1671-251x.2024030041
YAO Yupeng, SHANG Chuhao, LIU Qing. Planning coal drawing control system based on process engine[J]. Journal of Mine Automation,2024,50(9):41-46, 107. DOI: 10.13272/j.issn.1671-251x.2024030041
Citation: YAO Yupeng, SHANG Chuhao, LIU Qing. Planning coal drawing control system based on process engine[J]. Journal of Mine Automation,2024,50(9):41-46, 107. DOI: 10.13272/j.issn.1671-251x.2024030041

基于工艺引擎的规划放煤控制系统

基金项目: 国家重点研发计划项目(2023YFC2907504)。
详细信息
    作者简介:

    姚钰鹏(1989—),男,河北定州人,助理研究员,主要从事综采自动化软件设计、智能化无人开采等方面的研究工作,E-mail:yaoyp@tdmarco.com

  • 中图分类号: TD823.49

Planning coal drawing control system based on process engine

  • 摘要: 目前对综放智能化的研究主要聚焦于感知方面,对放煤过程智能化的研究较少,自动放煤控制技术存在自适应性不足、效率较低、放煤质量难以把控等问题。为了提升放煤过程的智能化水平与运行效率,设计了一种基于工艺引擎的规划放煤控制系统。该系统由放煤管控单元和窗口决策单元组成:规划放煤管控单元通过异步递进的放煤调度策略、柔性切换技术及规划放煤工艺编辑引擎,实现采煤机位置弱关联的自动顺序放煤及工艺在线编辑,通过关联后部刮板输送机负载,动态调整工艺启停,保障刮板输送机安全作业;窗口决策单元通过PID控制算法动态调节尾梁角度,实现放煤窗口反馈控制,采用遗传算法优化BP神经网络对放煤窗口大小进行智能决策,以适应不同工况,提高放煤质量。现场应用结果表明:基于异步递进的放煤调度策略与柔性切换技术提升了单刀自动运行效率,无需再手动接管;每一班组自动化运行刀数提升了33.3%;系统关联的后部刮板输送机负载、泵站等设备可动态调整工艺启停,每班后部刮板输送机平均停止次数下降了61.1%,可保障作业安全;工艺编辑引擎能适应多种场景下的应用,工艺调整用时大幅度降低;后部动作与前部动作相互叠加,使得单刀平均用时缩短了9.3%,提升了开采效率;倾角传感关联控制与规划放煤窗口智能决策将每日发热量提升了10.3%,改善了放煤质量。
    Abstract: Current research on intelligent fully mechanized coal caving mining primarily focuses on perception, with limited studies on the intelligence of the coal drawing process. Existing automatic coal drawing control technologies face issues such as insufficient adaptability, low efficiency, and difficulty in quality control. To enhance the intelligence and operational efficiency of the coal drawing process, a planning coal drawing control system based on a process engine was designed. This system consisted of a coal drawing management unit and a window decision-making unit. The planning coal drawing management unit employed an asynchronous progressive scheduling strategy, flexible switching technology, and a process editing engine to achieve automated sequential coal drawing with weak correlation to the mining machine's position and online process editing. By associating with the load of the rear scraper conveyor, the system dynamically adjusted process starts and stops, ensuring safe operation of the scraper conveyor. The window decision-making unit utilized a PID control algorithm to dynamically adjust the tail beam angle, implementing feedback control of the coal drawing window. A genetic algorithm optimized a BP neural network to make intelligent decision about the size of the coal drawing window to adapt to varying operating conditions and improve coal drawing quality. Field application results indicated that the asynchronous progressive scheduling strategy and flexible switching technology enhanced the efficiency of automatic operation, eliminating the need for manual intervention. The number of automated operations per shift increased by 33.3%. The system's associated rear scraper conveyor load, pump station, and other equipment could dynamically adjust process starts and stops, resulting in a 61.1% decrease in the average stopping frequency of the rear scraper conveyor per shift, ensuring operational safety. The process editing engine accommodated various applications, substantially reducing adjustment time. The overlap of rear and front actions shortened the average operation time by 9.3%, increasing extraction efficiency. The correlation control of the tilt angle and intelligent decision-making for the planning coal release window improved daily calorific value by 10.3%, enhancing coal drawing quality.
  • 经过近几十年来的不断创新与发展,我国煤矿智能化建设进程稳步推进,逐步从人工采煤、半机械化采煤向机械化、综合机械化、自动化采煤发展,并开始由自动化开采向智能化开采迈进。综放开采作为我国煤炭开采领域的标志性技术之一,其智能化过程仍然存在一系列亟待解决的科学难题。

    现阶段,综放开采大多采用人工单架放煤方式。放煤操作人员主要依据“见矸关窗”原则,通过观察顶煤放落过程中放出体的状态判断是否应当关闭放煤口。这种单架放煤方式无法把握工作面全局信息,且放煤操作人员的经验参差不齐,不可避免地导致放煤过程中出现欠放、过放等状况。此外,煤矿井下环境恶劣,情况较为复杂,而放煤操作繁琐,人工劳动强度较大,放煤效率较低[1-2]。目前对综放智能化的研究主要聚焦于感知方面,如利用音频、视频、射线等传感技术进行煤矸识别,从而实现放煤口控制,对放煤过程智能化的研究较少[3-5]。为了提升放煤过程的智能化水平与运行效率,本文从分析目前自动放煤控制技术的现状出发,研究综放工作面智能放煤技术,设计了一种规划放煤控制系统,实现了放煤任务的全过程管控。

    1) 自动放煤自适应性不足。面对不同的采放比、配套、生产工况及生产模式,需要不同的自动放煤工艺和控制工序,并随着工作面推进实时调整,而目前的自动放煤工艺无法自适应地做出即时调整。此外,因顶煤赋存和煤矸混合影响,单一的放煤窗口控制策略无法满足实际生产要求,往往需要人工干预调整。因此,现阶段综放开采中大多通过人工手动调整放煤工艺与放煤窗口,自动化程度较低、劳动强度较大,难以保障安全高效生产。

    2) 自动放煤运行效率较低。放煤、拉后溜等后部动作在执行过程中不可避免地会与前部动作相互冲突,而常规自动控制模式下二者之间不能互相叠加执行,当发生冲突时,后部动作会被阻塞,等待前部动作全部执行完成后才会继续执行原有动作,使得放煤速度过慢。此外,后部刮板输送机、泵站等外部设备并没有实现有效关联,还需要人为管控,运行效率低。

    3) 自动放煤质量难以把控。进行自动跟机放煤时工序较为死板,不能依据不同工况进行精准决策,导致实际放煤效果参差不齐。由于各个支架具有差异性,虽然设置的参数相同,但对于控制器所发出命令的执行情况也不能做到统一,尾梁、插板等组件动作到位与否也会影响后续放煤质量。

    规划放煤控制系统包括规划放煤管控单元和窗口决策单元,如图1所示。规划放煤管控单元通过异步递进的放煤调度策略、柔性切换技术及规划放煤工艺编辑引擎,实现采煤机位置弱关联的自动顺序放煤及工艺在线编辑,通过关联后部刮板输送机负载,动态调整工艺启停,保障刮板输送机安全作业。窗口决策单元通过PID控制算法动态调节尾梁角度,实现放煤窗口反馈控制,引入深度学习模型对放煤窗口大小进行智能决策,以适应不同工况,提高放煤质量。

    图  1  规划放煤控制系统结构
    Figure  1.  Structure of planning coal drawing control system

    规划放煤管控单元为系统调度核心,负责控制整个规划放煤任务。在全工作面自动跟机工艺的基础上,针对后部放煤顺序、轮次和作用域的实际要求,提出了基于异步递进的放煤调度策略与柔性切换技术,在确保安全的前提下,将自动放煤与采煤机工况解耦合,按设定依次作业,大幅提升自动执行完成率。

    顶煤放出是一种“移架−落煤−放煤”三阶段循环过程,通过移架支护前方顶板,后部顶煤失去支撑后自然垮落,通过控制尾梁和插板实现放煤。常见的放煤方式包括单架顺序放煤、隔架同时放煤、多轮放煤等[6-8],如图2所示。

    图  2  常见放煤方式
    Figure  2.  Common coal drawing methods

    不同放煤方式影响采出率、含矸率及放煤速度等,而放煤过程相较于采煤而言较缓慢,二者工作效率差异较大。因此,设计了基于异步递进的放煤调度策略,将放煤与跟机进行异步处理,采用依次递进式调度,在全工作面可指定放煤架数的基础上,解除了跟机放煤中放煤调度与采煤机运行状态之间的耦合,提升了灵活性与放煤效率。

    预设一个安全距离,当采煤机工作于中部区域时,放煤任务受安全距离的约束。当放煤支架与采煤机之间的距离大于安全距离时,不论采煤机此时是上行、下行还是停止,都会进行放煤任务;若二者之间的距离小于安全距离,则需等待到达安全距离后再进行放煤任务。当采煤机工作于三角煤区域时,放煤任务不受安全距离及方向约束,继续执行原有放煤任务。采煤机位置弱关联流程如图3所示。

    图  3  采煤机位置弱关联流程
    Figure  3.  Weak correlation process of shearer position

    由于将放煤调度与采煤机运行状态进行了解耦,当采煤机运行到工艺阶段的切换点时,将要执行放煤的位置具有随机性。若没有干预,阶段内的状态无法得到继承,当工艺阶段发生切换时,无法按原有顺序继续执行,有悖于初衷,因此提出了放煤工艺阶段柔性切换技术。

    在原有工艺阶段状态相互独立的基础上,增设全局放煤状态且优先级高于每个工艺阶段内的动作状态。全局放煤状态记录当前放煤进程,在进行阶段切换时,比较全局放煤状态与阶段内动作状态的优先级,用高优先级的全局状态覆盖本阶段内的相应状态,使原有放煤任务可继续执行,而不是重新开始,保证了工艺切换时单轮放煤的唯一性。柔性切换技术如图4所示。

    图  4  柔性切换技术
    Figure  4.  Flexible switching technology

    由于前部动作较为复杂,放煤工序同样存在类似问题,如图5所示。在执行自动跟机逻辑时,放煤不可避免地会与推溜等前部工序相互干涉,常规自动控制模式下二者不能互相叠加执行,若被打断,会影响运行效率。因此,将放煤任务与除自动移架以外的其他动作叠加,如推溜、伸缩梁护帮联动等(表1)。在不改变原有动作单独执行特性的基础上,实现了前部动作与后部动作叠加执行,二者不会被打断或者覆盖,且各自单独执行与叠加执行所用阀口等效,从而提升放煤效率。

    图  5  跟机工艺
    Figure  5.  Following machine process
    表  1  前部动作与后部动作叠加
    Table  1.  Superimposition of front and rear movements
    动作放煤拉后溜
    跟机移架××
    跟机推溜
    伸伸缩梁护帮联动
    收伸缩梁护帮联动
    下载: 导出CSV 
    | 显示表格

    放煤并不是只由支架单独完成,需要与其他外部设备协同作业,因此,规划放煤控制系统支持与后部刮板输送机和乳化泵的联动。与后部刮板输送机的联动:设后部刮板输送机超载电流为Imax,当后部刮板输送机处于停机状态或电流超过Imax时,放煤任务立即暂停,当恢复正常工作状态后重新启动放煤任务,继续执行。与乳化泵的联动:当乳化泵停机后,放煤任务立即暂停,恢复正常工作状态后启动放煤任务,继续执行。此外,系统还可进行远程监控,监控数据包括采煤机运行状态(包括速度、方向、位置等)、三机运行状态、控制器动作执行情况等。

    在进行跟机作业时,预设好的跟机工艺不能灵活适应变化的工况[9],因此,设计了一套工艺编辑引擎,实现了放煤工艺的图形化编辑,可对跟机阶段、触发点进行设置,对放煤及拉后溜的工艺进行编辑,对安全距离、放煤窗口、动作范围、动作时间等进行灵活配置,用户可根据实际需求选择单轮任务作业或多轮任务循环作业,提升了开采效率及工况适应性。

    规划放煤管控单元解决了放煤工艺自适应性差的问题,但是单一放煤窗口的控制策略受顶煤赋存和煤矸混合的影响,不能实时响应实际生产需求。因此引入窗口决策单元,通过倾角关联控制及放煤窗口智能决策,使系统能够精准适应不同工况,提升开采效率,改善放煤质量。

    跟机放煤时,由于每个支架具有差异性,虽执行完全相同的动作指令,但执行完毕后支架姿态却不能做到一致,使得放煤效果得不到保证。为了实现对尾梁的精准控制,系统关联了倾角传感器[10],并采用PID控制算法进行反馈调节。以预设目标倾角为70°为例,有无倾角关联控制的对比效果如图6所示。PID控制器根据预设值,通过反馈调节方式将尾梁角度调整到预期值附近,实现尾梁精准控制,提升了放煤效率与质量。

    图  6  倾角关联控制效果对比
    Figure  6.  Comparison of tilt angle correlation control effects

    不同工况区域下的放煤窗口设置决定了放煤的实际效果,因此窗口自适应控制十分重要[11-12]。由于井下环境复杂,固定参数不能适应复杂多变的工况,且放煤窗口决策问题具有高度非线性,不能通过简单的线性映射得到放煤窗口。BP神经网络具有较强的非线性动态处理能力,能够建立隐式非线性对应关系,从而实现智能化决策[13-15]

    地质环境信息、立柱压力及支架姿态信息都影响放煤窗口设置[16-18],因此,选取煤层厚度、支架高度、前柱压力、后柱压力、尾梁倾角构成输入集。放煤窗口参数包括伸插板时间、收插板时间、伸尾梁时间、收尾梁时间、抖动时间、目标角度等,若将每个元素都作为输出,会使模型变得复杂,且多参数预测组合不可控因素较大,易产生有悖于预期的结果。因此,事先定义大、中、小3个放煤窗口,窗口内的伸插板时间、收插板时间、伸尾梁时间、收尾梁时间、抖动时间、目标角度等具体元素由经验丰富的放煤工人根据工作面实际情况进行预设,只将窗口大小作为输出。

    经典BP神经网络在训练过程中易陷入局部最优解,收敛速度慢,因此,引入遗传算法进行优化。遗传算法通过随机方式产生若干个网络参数的数字编码,形成初始种群,利用误差函数作为适应度函数,淘汰低适应度的个体,选择高适应度的个体,形成下一代种群进行进化,直至找到最优解[19-21]。遗传算法优化BP神经网络流程如图7所示。该算法具备全局最优解搜索能力,加快了收敛速度,同时具备较强的学习能力和鲁棒性。

    图  7  遗传算法优化BP神经网络流程
    Figure  7.  Flow of genetic algorithm optimizing BP neural network

    选取200刀数据中的175刀数据作为训练集,剩余25刀数据作为测试集,采用优化前后的BP神经网络预测窗口大小,结果如图8所示。遗传算法优化BP神经网络的准确率达92%,较经典BP神经网络提升了12%。

    图  8  放煤窗口大小预测结果对比
    Figure  8.  Comparison of coal drawing window size prediction results

    规划放煤控制系统在某矿综放工作面部署应用,连续稳定运行30 d以上,无异常、故障发生。规划放煤控制系统部署前后生产数据对比如图9所示。

    图  9  规划放煤控制系统部署前后生产数据对比
    Figure  9.  Comparison of production data before and after deployment of the planning coal drawing control system

    基于异步递进的放煤调度策略与柔性切换技术提升了单刀自动运行效率,无需手动接管,如图9(a)所示;每一班组自动运行刀数提升了33.3%,如图9(b)所示;系统关联的后部刮板输送机负载、泵站等设备可动态调整工艺启停,每班后部刮板输送机平均停止次数下降了61.1%,可保障作业安全,如图9(c)所示;工艺编辑引擎能适应多种场景下的应用,工艺调整用时大幅度降低;后部动作与前部动作相互叠加,使得单刀平均用时缩短了9.3%,提升了开采效率,如图9(d)所示;倾角传感关联控制与规划放煤窗口智能决策将每日发热量提升了10.3%,改善了放煤质量,如图9(e)所示。

    基于工艺引擎的规划放煤控制系统通过异步递进的放煤调度策略、柔性切换技术及规划放煤工艺编辑引擎,实现采煤机位置弱关联的自动顺序放煤及工艺在线编辑;通过PID控制算法动态调节尾梁角度,实现放煤窗口反馈控制;采用遗传算法优化BP神经网络对放煤窗口大小进行智能决策,以适应不同工况,提高放煤质量。该系统实现了工作面“自动跟机、无人巡视、规划放煤”的新一代智能综放模式,可保证工作面智能化生产连续、安全、高效、可靠。该系统已成功部署应用并连续稳定运行超过30 d,无故障、异常发生,大幅降低了放煤工人劳动强度,提升了生产效能,实现了放煤全过程人员监视为主、干预为辅的智能化安全高效生产,为实现综放工作面智能化提供了新的思路。

  • 图  1   规划放煤控制系统结构

    Figure  1.   Structure of planning coal drawing control system

    图  2   常见放煤方式

    Figure  2.   Common coal drawing methods

    图  3   采煤机位置弱关联流程

    Figure  3.   Weak correlation process of shearer position

    图  4   柔性切换技术

    Figure  4.   Flexible switching technology

    图  5   跟机工艺

    Figure  5.   Following machine process

    图  6   倾角关联控制效果对比

    Figure  6.   Comparison of tilt angle correlation control effects

    图  7   遗传算法优化BP神经网络流程

    Figure  7.   Flow of genetic algorithm optimizing BP neural network

    图  8   放煤窗口大小预测结果对比

    Figure  8.   Comparison of coal drawing window size prediction results

    图  9   规划放煤控制系统部署前后生产数据对比

    Figure  9.   Comparison of production data before and after deployment of the planning coal drawing control system

    表  1   前部动作与后部动作叠加

    Table  1   Superimposition of front and rear movements

    动作放煤拉后溜
    跟机移架××
    跟机推溜
    伸伸缩梁护帮联动
    收伸缩梁护帮联动
    下载: 导出CSV
  • [1] 王国法,庞义辉,任怀伟. 煤矿智能化开采模式与技术路径[J]. 采矿与岩层控制工程学报,2020,2(1):5-19.

    WANG Guofa,PANG Yihui,REN Huaiwei. Intelligent coal mining pattern and technological path[J]. Journal of Mining and Strata Control Engineering,2020,2(1):5-19.

    [2] 王国法,庞义辉. 特厚煤层大采高综采综放适应性评价和技术原理[J]. 煤炭学报,2018,43(1):33-42.

    WANG Guofa,PANG Yihui. Full-mechanized coal mining and caving mining method evaluation and key technology for thick coal seam[J]. Journal of China Coal Society,2018,43(1):33-42.

    [3] 宋选民,朱德福,王仲伦,等. 我国煤矿综放开采40年:理论与技术装备研究进展[J]. 煤炭科学技术,2021,49(3):1-29.

    SONG Xuanmin,ZHU Defu,WANG Zhonglun,et al. Advances on longwall fully-mechanized top-coal caving mining technology in China during past 40 years:theory,equipment and approach[J]. Coal Science and Technology,2021,49(3):1-29.

    [4] 王国法,庞义辉,马英. 特厚煤层大采高综放自动化开采技术与装备[J]. 煤炭工程,2018,50(1):1-6.

    WANG Guofa,PANG Yihui,MA Ying. Automated mining technology and equipment for fully-mechanized caving mining with large mining height in extra-thick coal seam[J]. Coal Engineering,2018,50(1):1-6.

    [5] 王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1-27.

    WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1-27.

    [6] 吴桐,尉瑞,刘清,等. 综放工作面智能放煤工艺研究及应用[J]. 工矿自动化,2021,47(3):105-111.

    WU Tong,YU Rui,LIU Qing,et al. Research and application of intelligent caving technology in fully mechanized working face[J]. Industry and Mine Automation,2021,47(3):105-111.

    [7] 马英. 基于记忆放煤时序控制的智能放煤模式研究[J]. 煤矿机电,2015,36(2):1-5.

    MA Ying. Research on intelligent coal caving system based on memory coal caving sequential control[J]. Colliery Mechanical & Electrical Technology,2015,36(2):1-5.

    [8] 于斌,徐刚,黄志增,等. 特厚煤层智能化综放开采理论与关键技术架构[J]. 煤炭学报,2019,44(1):42-53.

    YU Bin,XU Gang,HUANG Zhizeng,et al. Theory and its key technology framework of intelligentized fully-mechanized caving mining in extremely thick coal seam[J]. Journal of China Coal Society,2019,44(1):42-53.

    [9] 王国法,刘峰,庞义辉,等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357.

    WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357.

    [10] 崔志芳,牛剑峰. 自动化记忆放煤控制研究[J]. 工矿自动化,2019,45(3):99-102,108.

    CUI Zhifang,NIU Jianfeng. Research on automatic memory coal caving control[J]. Industry and Mine Automation,2019,45(3):99-102,108.

    [11] 韩秀琪,杨秀宇,孙峰,等. 智能综放工作面自动运行与人工干预分析系统[J]. 工矿自动化,2020,46(12):31-37.

    HAN Xiuqi,YANG Xiuyu,SUN Feng,et al. Automatic operation and manual intervention analysis system for intelligent fully mechanized caving face[J]. Industry and Mine Automation,2020,46(12):31-37.

    [12] 张守祥,张学亮,刘帅,等. 智能化放顶煤开采的精确放煤控制技术[J]. 煤炭学报,2020,45(6):2008-2020.

    ZHANG Shouxiang,ZHANG Xueliang,LIU Shuai,et al. Intelligent precise control technology of fully mechanized top coal caving face[J]. Journal of China Coal Society,2020,45(6):2008-2020.

    [13] 张文,周均忠,孙帅. 基于改进BP神经网络的综放开采放煤时间预测研究[J]. 煤炭科技,2023,44(5):24-28.

    ZHANG Wen,ZHOU Junzhong,SUN Shuai. Research on prediction of coal drawing time in fully-mechanized caving mining based on improved BP neural network[J]. Coal Science & Technology Magazine,2023,44(5):24-28.

    [14]

    PRADO F,MINUTOLO M C,KRISTJANPOLLER W. Forecasting based on an ensemble autoregressive moving average- adaptive neuro-fuzzy inference system-neural network-genetic algorithm framework[J]. Energy,2020,197:117159. DOI: 10.1016/j.energy.2020.117159

    [15] 王虹,尤秀松,李首滨,等. 基于遗传算法与BP神经网络的支架跟机自动化研究[J]. 煤炭科学技术,2021,49(1):272-277.

    WANG Hong,YOU Xiusong,LI Shoubin,et al. Research on automation of support based on genetic algorithm and BP neural network[J]. Coal Science and Technology,2021,49(1):272-277.

    [16] 曹哲哲. 综采工作面智能化开采技术研究[J]. 陕西煤炭,2021,40(2):48-51.

    CAO Zhezhe. Research on intelligent mining technology in fully mechanized working face[J]. Shaanxi Meitan,2021,40(2):48-51.

    [17] 刘军锋,高亮亮,尹春雷. 智能放煤技术在某矿综放工作面的研究与应用[J]. 煤炭技术,2022,41(2):58-60.

    LIU Junfeng,GAO Liangliang,YIN Chunlei. Research and application of intelligent caving technology in fully mechanized caving face in a mine[J]. Coal Technology,2022,41(2):58-60.

    [18] 刘清,孟峰,牛剑峰. 放煤工作面支架姿态记忆控制方法研究[J]. 煤矿机械,2015,36(5):89-92.

    LIU Qing,MENG Feng,NIU Jianfeng. Research on memory control method for support postures of top coal caving mining face[J]. Coal Mine Machinery,2015,36(5):89-92.

    [19]

    SCHMIDT L,ANDERSEN T O,PEDERSEN H C. On application of second order sliding mode control to electro-hydraulic systems[C]. ASME 12th Biennial Conference on Engineering Systems Design and Analysis,Copenhagen,2014. DOI: 10.1115/ESDA2014-20470.

    [20]

    EL SAYED M A,HABIBI S. Inner-loop control for electro-hydraulic actuation systems[J]. Journal of Dynamic Systems,Measurement,and Control,2012,134(1). DOI: 10.1115/1.4001338.

    [21]

    HAS Z,RAHMAT M F,HUSAIN A R,et al. Robust precision control for a class of electro-hydraulic actuator system based on disturbance observer[J]. International Journal of Precision Engineering and Manufacturing,2015,16(8):1753-1760. DOI: 10.1007/s12541-015-0230-y

图(9)  /  表(1)
计量
  • 文章访问数:  107
  • HTML全文浏览量:  27
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-03-13
  • 修回日期:  2024-09-15
  • 网络出版日期:  2024-08-01
  • 刊出日期:  2024-08-31

目录

/

返回文章
返回