Research on pitch control of coal mine roadheader based on fuzzy neural network PID
-
摘要: 目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。Abstract: Currently, PID control method is mainly used for the pitch control of coal mine roadheader, and the control precision is not high in the case of time-varying and nonlinear hydraulic system during the pitch control of roadheader. The pitch control of roadbeader is realized by controlling the stroke of the hydraulic cylinder. Combining the traditional PID algorithm with fuzzy control and neural network, the accuracy of the stroke control of the hydraulic cylinder can be effectively improved. In order to solve the above problems, a pitch control method for coal mine roadheader based on fuzzy neural network PID is proposed. By analyzing the kinematic relationship of the support part of the roadheader, the mathematical relationship between the pitch angle and the hydraulic cylinder of the support part is obtained. The working principle of the pitch control hydraulic system of the roadheader is introduced, and the hydraulic system and its transfer function model are established. The method combines fuzzy control with neural networks to form a fuzzy neural network. The method optimizes PID control parameters by using the fuzzy neural network. The method combines the mathematical model of the support mechanism and the transfer function model of the hydraulic system to establish a fuzzy neural network PID control model for the pitch angle of the roadheader. It achieves automatic and precise control of the pitch mechanism of the coal mine roadheader. This method can make the pitch mechanism of the roadheader reach the preset position more quickly and accurately, solving the time-varying and nonlinear problems in the pitch control of roadheader. The simulation results show that the fuzzy neural network PID control algorithm reduces tracking errors by 69.34% and 74.49% respectively compared to fuzzy PID and PID control algorithms. The method simulates the pitch control of coal mine roadheaders under sudden and following working conditions through hydraulic cylinder displacement control. The results show that compared with fuzzy PID and PID control algorithms, the fuzzy neural network PID control algorithm has the smallest pitch control tracking error, shortens the average response time to position signals by 27.22% and 50.33% respectively, and has better dynamic control performance.
-
0. 引言
煤矿开采会导致不同程度的顶板垮塌和折断,从而引发矿山动力灾害。煤矿微震监测的目的是对大能量震动进行实时监测,明确能量来源及能量释放异常区域,为制定卸压措施提供科学依据。微震监测技术是指在井下布置震动检波器,接收煤岩体破裂产生的弹性波,并进行震源定位和能量计算,通过微震事件统计分析,对井下震动情况作出危险性评估和预警[1-2]。微震监测技术的核心是震源定位,而震源定位精度受微震监测台网布置质量的影响较大。合理的台网布置可以有效提高震源定位精度。
文献[3-5]利用最优实验方法对微震监测台网的监测能力进行了评价,建立了震源误差期望值模型。文献[6]得出传感器台网布置会影响震源定位求解系统的稳定性和定位精度,且对震源定位结果的影响具有非均匀性。文献[7-8]利用主成分分析法对某金矿微震监测台网进行优化,效果良好。文献[9]通过近震震级公式评估测震台网的理论监测能力,结果与台网实际地震监测能力基本相符。文献[10]综合利用震级−频度关系式和频度−震级图评估水库地震台网监测能力。文献[11]采用井下微震台站与地面微震台站联合监测的方法,优化了台网的空间结构,大幅提高了震源定位精度,尤其是垂直定位精度。文献[12]基于Sigma−Optimal方法对微震监测台网进行快速分析和优化,降低了微震监测台网的定位误差,提高了灵敏度。
以上文献利用不同优化算法和模型,从不同角度对微震监测台网的监测能力进行评估,取得了一些有益结论。为了进一步提高微震监测台网的监测能力,本文在前人研究基础上,对有效波形数、最大空隙角、近台震中距和台站高差四因素进行逐项分析,对微震监测台网的监测能力进行评价,根据评价结果优化台网布置,然后进行震源定位误差数值仿真模拟和灵敏度分析,对优化后的微震监测台网进行二次评价,确定最佳台网布置方案,形成了一种系统化的台网评价和优化方法。
1. 微震监测台网监测能力的影响因素
微震监测台网的监测能力取决于多种因素,如台网布置、速度模型、震相读取误差、走时区域异常、震源定位算法、设备运行状态和环境噪声等。其中震相读取误差具有一定的随机性;环境噪声没有规律且无法彻底避免;主流的震源定位算法目前发展较为成熟;由于煤矿井下存在诸多不规则采空区和巷道,以及断层、陷落柱等地质构造,这种各向不同性和非均质性导致无法得到精确的速度模型;现阶段只有台网布置可人为优化并取得良好效果。
在台网布置因素中,有效波形数、最大空隙角、近台震中距和台站高差是对微震监测台网监测能力影响最大、最直接的4个因素。
1.1 有效波形数
假设震动波传播介质为各向同性的均匀介质。震源处震动发生后,震动波从震源出发传播至多个微震监测台站,如图1所示。震动波形被台站记录下来,其中P波起震点清晰且可用于震源定位的波形称为有效波形,其P波初至的拾取精度较高。
设震源坐标为(x0,y0,z0),发震时刻为t0,则待求解震源参数h=(x0,y0,z0,t0)可通过求震源定位残差函数F(h)的最小值来估算:
$$ {\rm{m}}{\text{in}}\;{F({{h}})} = {\sum\limits_{i = 1}^n {\left| {{t_i} - {t_0} - \frac{{\sqrt {{{({x_0} - {x_i})}^2} + {{({y_0} - {y_i})}^2} + {{({z_0} - {z_i})}^2}} }}{V}} \right|} ^2} $$ (1) 式中:n为有效波形数,n≥4;ti为第i个有效台站的观测到时;(xi,yi,zi)为第i个有效台站的坐标;V为P波波速。
在正常情况下,有效波形数越多,式(1)的解越稳定,震源定位精度越高。因此,在重点监测区域应加密台站,以确保有效波形数满足高精度定位要求。
1.2 最大空隙角
最大空隙角反映台站对震源的包围程度。将震中和所有台站连线,相邻连线夹角θi中的最大值为台网的最大空隙角,即
$$\alpha ={\rm{max}}(\theta _{1}, \theta_{2}, \cdots , \theta_{n}) $$ (2) 最大空隙角越小,台站对震源的包围越好,观测数据相似性越低,震中定位精度越高,台网监测能力越强。最大空隙角如图2所示。α≤90°时,台站能从4个象限包围震中,台网监测能力最好;90°<α<180°时,台站能从3个象限包围震中,台网监测能力较好;当台站集中于震中单侧,即α≥180°时,台站只能从2个象限包围震中,台网监测效果较差。因此布置台网时应尽量使重点监测工作面处于α<180°区域内。
1.3 近台震中距
台网中离震源最近的台站与震中的平面距离称为近台震中距。目前煤矿微震监测领域主流的震源定位算法均是基于走时进行计算,这类算法往往以最近台站坐标作为震源迭代求解的起算点,因此近台震中距对震源深度求解误差影响较大。如果缺乏近台资料,即震中距远大于震源深度,就会导致震源深度求解困难。
某典型井下爆破事件中,利用34种不同的台站组合进行定位,得到震源深度求解误差与近台震中距的关系,如图3所示。当近台震中距为41 m时,震源深度求解误差平均值为7 m,基本处于10 m以内;当近台震中距增大到249 m时,震源深度求解误差急剧升高。故可以得出结论:近台震中距越小,震源深度求解误差越小。
1.4 台站高差
当参与震源定位的台站之间垂直方向上高差较小时(如近水平煤层),震源求解方程的偏导数矩阵接近奇异值,导致震源求解方程不收敛或者无解,因此现场布置台站时,必须尽量拉大台站之间的高差。
不失一般性,假设工作面内共布置7个台站,在其他影响因素不变的情况下,针对台站无高差(即水平煤层)和台站高差合理2种情况,进行震源深度求解误差数值仿真模拟,2种情况下的台站坐标(xi,yi,zi)见表1,模拟结果如图4所示。图4中,红框内为工作面,圆点为台站,等高线上的数值为震源深度求解误差,单位为m。对比可知,当台站之间高差较合理时,震源深度求解误差远小于台站无高差时的误差。
表 1 2种情况下的台站坐标Table 1. Station coordinates in 2 casesm 台站编号 台站无高差 台站高差合理 xi yi zi xi yi zi 1 470 450 −600 470 450 −500 2 770 450 −600 770 450 −550 3 1070 450 −600 1070 450 −600 4 1370 550 −600 1370 550 −650 5 1070 650 −600 1070 650 −700 6 770 650 −600 770 650 −560 7 470 650 −600 470 650 −620 综上所述,有效波形数、近台震中距和台站高差对震源深度求解误差起决定性作用;有效波形数和最大空隙角对震中定位精度起决定性作用。
2. 定位误差与灵敏度分析
2.1 定位误差分析
P波到达第i个台站的时间为
$$ t_{i}= \frac{{\sqrt {{{\left( {{x_0} - {x_i}} \right)}^2} + {{\left( {{y_0} - {y_i}} \right)}^2} + {{\left( {{{\textit{z}}_0} - {{\textit{z}}_i}} \right)}^2}} }}{V} + {\varepsilon _i} $$ (3) 式中εi为第i个台站的到时误差。
用式(3)对待求解参数h进行n×4阶偏微分计算,得到偏微分矩阵:
$$ {\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} 1 & {\dfrac{{\partial {t_1}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_1}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_1}}}{{\partial {{\textit{z}}_0}}}}\\ 1 & {\dfrac{{\partial {t_2}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_2}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_2}}}{{\partial {{\textit{z}}_0}}}}\\ \vdots & \vdots & \vdots & \vdots \\ 1 & {\dfrac{{\partial {t_n}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_n}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_n}}}{{\partial {{\textit{z}}_0}}}} \end{array}} \right]$$ (4) 计算矩阵A在x,y,z三个维度的特征值
$ {\lambda _{{x_0}}}, \; {\lambda _{{y_0}}}, \; {\lambda _{{{\textit{z}}_0}}} $ ,从而得到震中定位误差$ {\sigma _{xy}} $ 和震源定位误差${\sigma _{xy{\textit{z}}}} $ [13,3]:$$ {\sigma _{xy}} = \sqrt {\sqrt {{\lambda _{{x_0}}}{\lambda _{{y_0}}}} } $$ (5) $$ {\sigma _{xy{\textit{z}}}} = \sqrt[3]{{\sqrt {{\lambda _{{x_0}}}{\lambda _{{y_0}}}{\lambda _{{{\textit{z}}_0}}}} }} $$ (6) 井田范围内,重点监测区域震中和震源定位误差表征了微震监测台网的监测质量。震中和震源定位误差越小,台网监测质量越高。
2.2 灵敏度分析
微震事件的能量E与传播半径r的关系为
$$ E=\mu r^{q} $$ (7) 式中μ,q均为与煤矿地质条件相关的常数,q=1.9。
结合式(7)和震级公式lg(E/J)=a+bM,可得震级:
$$ M=({\rm{lg}}(\mu r^{q}/{\rm{J}})-a)/b $$ (8) 式中:a=1.8;b=1.9。
灵敏度用最小可测震级衡量,最小可测震级越小,表示灵敏度越高。通过灵敏度分析可得出矿井台网的灵敏度分布云图,该云图表示在某一地点必须至少发生多大震级的微震事件才可以被微震监测台网监测到。因此,灵敏度可以很好地反映局部监测能力。
3. 微震监测台网监测能力分级评价与优化流程
台网监测能力分级评价与优化流程如图5所示。
(1) 结合现有台网和工作面情况,得出四因素的分布云图,通过四因素分布云图逐项对台网进行评价,根据评价结果进行优化,得出新的台网布置方案。
(2) 对新方案进行定位误差与灵敏度分析,得出全矿井的震中定位误差、震源定位误差及区域灵敏度,对新方案进行二次评价与检验。
(3) 若二次评价结果满足要求,则可将新方案作为最终方案;若不满足要求,则重新进行四因素分项评价并对方案进行优化,直至满足要求为止。
4. 现场试验结果及分析
山东唐口煤业有限公司(以下简称唐口煤矿)使用ARAMIS M/E微震监测系统对全矿范围内的微震事件进行监测,该系统可自动记录微震活动,并对微震事件进行震源定位和能量计算,为评价全矿范围内的动力灾害危险提供依据。通过拾震器(或微震探头)获得震动信号,由数字通信系统传送至地面采集站。系统标准采样频率为500 Hz,可以监测震动能量大于100 J、震动频率为0~150 Hz、动态范围低于100 dB的震动事件。选择4 000 m/s作为初始波速进行震源定位计算。
4.1 台网分级评价与改进措施
优化前,唐口煤矿5307工作面微震监测台网共包含5个台站(3个探头式台站T1—T3,2个拾震器式台站S4,S5),如图6(a)所示。通过定点爆破测试发现,部分微震事件震源定位误差较大且残差无法降低。因此,使用本文方法对微震监测台网进行评价,结果见表2。优化后的台网布置方案如图6(b)所示,在工作面前方增加台站S6,在630轨道大巷增加台站S7和S8。
表 2 台网监测能力分级评价结论与改进措施Table 2. Classification evaluation conclusions and improvement measures of network monitoring capability研究项 评价结论 改进措施 有效波形数 台站数少 增加3个台站 最大空隙角 单侧布置 工作面后方增加S7,S8 近台震中距 低值区小 工作面前方增加S6 台站高差 需要扩大 S7,S8位于630轨道大巷内 4.2 优化前后四因素对比分析
(1) 有效波形数。假设微震事件能量可以激发700 m范围内的台站,优化前后微震监测台网的有效波形数云图如图7所示,其中XY坐标系为西安80坐标系。震源定位算法要求至少有4个有效波形才可进行震源定位。优化前,能产生4个以上有效波形的区域面积为6.2×105 m2,优化后为1.3×106 m2,提高了110%。
优化前,最大有效波形数为5,有效波形数为5的区域大部分位于工作面与630轨道大巷的煤柱上,且面积较小。工作面前方有效波形均只能达到3个或4个。优化后,最大有效波形数达到7,工作面和煤柱全部位于4个及以上有效波形覆盖区域,有效波形数较高的区域分布范围大幅增加。
(2) 最大空隙角。优化前后微震监测台网的最大空隙角云图如图8所示。其中红色180°等值线(以弧度形式表示,3.14就是π,即180°)内部区域可以保证最大空隙角满足监测要求。优化前,180°等值线包围区域面积为1.8×105 m2,大部分位于煤柱上,且未覆盖工作面前方区域;优化后,180°等值线包围区域面积为5.5×105 m2,比优化前提高了200%,工作面前方和煤柱大部分均被覆盖,可以保证监测效果。
(3) 近台震中距。优化前后微震监测台网的近台震中距等值线如图9所示。近台震中距小于200 m(图9中红色等值线)可满足震源深度监测要求。优化前,近台震中距在200 m以内的区域面积为3.8×105 m2,优化后为9.1×105 m2,提高了140%。尤其是工作面前方区域面积提升较大,有效保证了工作面前方微震事件监测精度。
(4) 台站高差。由于井下可布置台站的地点有限,所以台站高差是最难改进的因素。优化前后各台站的三维坐标见表3。
表 3 优化前后台站坐标Table 3. Station coordinates before and after optimizationm 阶段 台站 xi yi zi 优化前 T1 39452767 3921063 −901 T2 39452911 3920964 −891 T3 39452743 3920849 −903 S4 39452750 3920312 −958 S5 39453116 3920053 −964 优化后 T1 39452767 3921063 −901 T2 39453037 3920889 −888 T3 39452743 3920849 −903 S4 39452750 3920312 −958 S5 39453116 3920053 −964 S6 39453076 3920616 −889 S7 39452123 3920745 −958 S8 39451613 3921114 −949 台站高程离散度系数K能够很好地反映垂直方向台站分布的分散程度,其计算公式为
$$ K=N \operatorname{var}\left(\Delta {\textit{z}}_{i}\right) \frac{\left|\operatorname{max}\left(\Delta {\textit{z}}_{i}\right)-\operatorname{min}\left(\Delta {\textit{z}}_{i}\right)\right|}{ 10^{5}} $$ (9) 式中:N为样本数;var(·)表示求样本方差;Δzi为台站与煤层的高差,
$\Delta {\textit{z}}_i={\textit{z}}_i - {\textit{z}}' , \;{\textit{z}}'$ 为工作面煤层平均标高。优化前台站高程离散度系数为1.13,优化后为1.92,提升了70%,效果显著。
4.3 震源定位误差与灵敏度分析
煤矿对微震震源定位的精度要求较高,一般要求水平定位误差在±20 m以内,垂直定位误差在±50 m以内。震源定位误差等值线如图10所示,其中红色等值线为误差50 m等值线。优化前50 m等值线包围区域面积较小,无法满足监测要求;优化后50 m等值线包围区域大幅增加,实现了重点监测区域全面覆盖。
区域灵敏度等值线如图11所示,其中红色等值线为震级0.7级等值线,该等值线内区域监测灵敏度较高。优化前0.7级等值线包围区域面积较小,且主要覆盖煤柱区域;优化后0.7级等值线包围区域面积大幅增加,且完全覆盖整个工作面和煤柱区域,监测灵敏度满足要求。
4.4 定点爆破试验
选取唐口煤矿5307工作面作为试验地点,对台网优化前55个爆破事件和优化后55个爆破事件进行震源定位误差对比分析。典型爆破波形如图12所示,震源定位误差区间分布如图13所示。震源定位误差对比见表4。
表 4 震源定位误差对比Table 4. Comparison of hypocenter positioning error对比项 误差
均值/m误差
标准差/m误差
最大值/m误差≤50 m
事件占比/%优化前 59.2 38.7 175 45.5 优化后 37.2 23.2 96 69.0 改进度/% 37.2 40.1 45.1 51.6 台网优化后,震源定位误差均值由59.2 m降到37.2 m,定位误差最大值降到100 m以下,误差≤50 m的爆破事件占总数的69%,表明本文提出的方法能够显著提高微震监测台网的监测能力。
5. 结论
(1) 有效波形数越多,震源定位精度越高。近台震中距越大,震源深度求解误差越小。台站高差对震源深度求解误差起决定性作用,有效波形数和最大空隙角对震中定位精度起决定性作用。
(2) 通过震源定位误差数值仿真模拟与灵敏度分析,证明通过四因素分析得出的优化措施合理有效。
(3) 利用本文方法对微震监测台网进行优化后,爆破震源定位误差均值由59.2 m降到37.2 m,定位误差最大值降到100 m以下,误差在50 m以下的爆破事件占总数的69.0%,表明本文方法能够有效提高微震定位精度,优化台网监测能力。
-
表 1 模糊控制规则
Table 1 Fuzzy control rule
$\Delta e$ e NB NM NS ZO PS PM PB NB PB/NS/PS PB/NB/NS PM/NM/NB PM/NM/NB PS/NS/NB ZO/ZO/NM ZO/ZO/PS NM PB/NB/PS PB/NB/NS PM/NM/NB PS/NS/NM PS/NS/NM ZO/ZO/NS NS/ZO/ZO NS PM/NB/ZO PM/NM/NS PM/NS/NM PS/NS/NM ZO/ZO/NS NS/PS/NS NS/PS/ZO ZO PM/NM/ZO PM/NM/NS PS/NS/NS ZO/ZO/NS NS/PS/NS NM/PM/NS NM/PM/ZO PS PS/NM/ZO PS/NS/ZO ZO/ZO/ZO NS/PS/ZO NS/PS/ZO NM/PM/ZO NM/PB/ZO PM PS/ZO/PB ZO/ZO/NS NS/PS/PS NM/PS/PS NM/PM/PS NM/PB/PS NB/PB/PB PB ZO/ZO/PB ZO/ZO/PM NM/PS/PM NM/PM/PM NM/PM/PS NB/PB/PS NB/PB/PB 表 2 液压系统主要参数
Table 2 Main parameters of hydraulic system
参数 值 质量/mg 1.5×104 比例阀流量放大系数 1.4×10−4 比例阀流量压力系数 2.4×10−4 液压缸等效容积/mm3 5×105 液压缸截面积/mm2 2450 有效体积弹性模量/Pa 7×108 冲程长度/mm 400 溢流阀开启压力/(kN·m−2) 2×104 液压油密度/(kg·m−3) 850 表 3 2种不同信号跟踪结果
Table 3 Tracking results of two different signals
工况环境 控制算法 跟踪误差/mm 正弦信号 模糊神经网络PID 0.003 2 模糊PID 0.015 0 PID 0.015 8 方波信号 模糊神经网络PID 0.004 0 模糊PID 0.010 0 PID 0.013 0 表 4 方波信号响应时间及跟踪误差
Table 4 Response time and tracking error of square wave signal
控制算法 时间段/s 响应时间/s 跟踪误差/mm PID 0~10 2.21 1.0 10~20 1.97 20~30 2.12 模糊PID 0~10 1.40 0.5 10~20 1.47 20~30 1.43 模糊神经网络PID 0~10 1.06 0.2 10~20 1.02 20~30 1.05 表 5 正弦信号动态性能对比
Table 5 Comparison of dynamic performance of sinusoidal signals
控制算法 滞后时间/s 峰值误差/mm PID 0.36 0.5 模糊PID 0.27 0.3 模糊神经网络PID 0.07 0.1 -
[1] 葛世荣,郝尚清,张世洪,等. 我国智能化采煤技术现状及待突破关键技术[J]. 煤炭科学技术,2020,48(7):28-46. GE Shirong,HAO Shangqing,ZHANG Shihong,et al. Status of intelligent coal mining technology and potential key technologies in China[J]. Coal Science and Technology,2020,48(7):28-46.
[2] 臧富雨,王凯硕,吉晓冬,等. 悬臂式掘进机俯仰角调控系统仿真研究[J]. 工矿自动化,2019,45(5):62-67. ZANG Fuyu,WANG Kaishuo,JI Xiaodong,et al. Simulation research on pitch angle control system of boom roadheader[J]. Industry and Mine Automation,2019,45(5):62-67.
[3] 张晓光,杨悦,孙彦景,等. 基于多频连续波相位差测距的掘进机位姿识别方法[J]. 煤炭学报,2020,45(6):2056-2064. ZHANG Xiaoguang,YANG Yue,SUN Yanjing,et al. Pose recognition method of roadheader based on multifrequency continuous-wave phase-difference ranging[J]. Journal of China Coal Society,2020,45(6):2056-2064.
[4] ZHANG Minjun,LYU Fuyan,FU Shichen,et al. Study on the pitch angle control of a robotized hydraulic drive roadheader using different control methods[J]. Journal of Mechanical Science and Technology,2018,32(10):4893-4901. DOI: 10.1007/s12206-018-0937-7
[5] 张敏骏,吉晓冬,李旭,等. 掘进机姿态调整模型辨识方法与精准控制[J]. 西安交通大学学报,2021,55(6):9-17. ZHANG Minjun,JI Xiaodong,LI Xu,et al. Method of model identification and precise control for tunnel boring machine body posture adjustment[J]. Journal of Xi'an Jiaotong University,2021,55(6):9-17.
[6] 王东杰,王鹏江,李悦,等. 掘进机截割臂自适应截割控制策略研究[J]. 中国机械工程,2022,33(20):2492-2501. WANG Dongjie,WANG Pengjiang,LI Yue,et al. Research on adaptive cutting control strategy of roadheader cutting arms[J]. China Mechanical Engineering,2022,33(20):2492-2501.
[7] 张旭辉,石硕,杨红强,等. 悬臂式掘进机自主调速截割控制系统[J]. 工矿自动化,2023,49(1):80-89. ZHANG Xuhui,SHI Shuo,YANG Hongqiang,et al. Boom-type roadheader autonomous speed regulation cutting control system[J]. Journal of Mine Automation,2023,49(1):80-89.
[8] 刘志森. 悬臂式掘进机截割部恒功率调速控制系统研究[D]. 阜新:辽宁工程技术大学,2012. LIU Zhisen. Research on constant power speed regulation control system for cutting part of cantilever roadheader[D]. Fuxin:Liaoning Technical University,2012.
[9] 王苏彧,田劼,吴淼. 纵轴式掘进机截割轨迹规划及边界控制方法研究[J]. 煤炭科学技术,2016,44(4):89-94,118. WANG Suyu,TIAN Jie,WU Miao. Study on cutting trace planning of longitudinal roadheader and boundary control method[J]. Coal Science and Technology,2016,44(4):89-94,118.
[10] 王鹏江,沈阳,宗凯,等. 结合LSTM深度学习和模糊推理控制的巷道掘进机智能联合截割策略与方法 [J/OL]. 煤炭学报:1-14[2024-06-21]. https://doi.org/ 10.13225/j.cnki.jccs.2023.1612. WANG Pengjiang,SHEN Yang,ZONG Kai,et al. Intelligent joint cutting strategy and method of roadheader combined with LSTM deep learning and fuzzy reasoning control[J/OL]. Journal of China Coal Society:1-14[2024-06-21]. https://doi.org/10.13225/ j.cnki.jccs.2023.1612.
[11] CHELUSZKA P,SOBOTA P,GŁUSZEK G. Studies of behaviour of the automatic control system of roadheader cutting heads movement[J]. MATEC Web of Conferences,2019,252. DOI: 10.1051/matecconf/201925209002.
[12] 郭伦锋,郭一楠,蒋康庆,等. 掘进机姿态参数测量及解算方法[J]. 工矿自动化,2021,47(12):46-54. GUO Lunfeng,GUO Yinan,JIANG Kangqing,et al. Measurement and calculation method of attitude parameters of roadheader[J]. Industry and Mine Automation,2021,47(12):46-54.
[13] 费烨,孙波,林闯. EBZ160悬臂式掘进机液压系统设计[J]. 液压与气动,2015,39(2):103-106. DOI: 10.11832/j.issn.1000-4858.2015.02.026 FEI Ye,SUN Bo,LIN Chuang. The design for hydraulic system of EBZ160 cantilever tunneling machine[J]. Chinese Hydraulics & Pneumatics,2015,39(2):103-106. DOI: 10.11832/j.issn.1000-4858.2015.02.026
[14] 王志武. 掘进机行走机构液压系统液压冲击的分析与处理[J]. 机床与液压,2013,41(4):108-109. DOI: 10.3969/j.issn.1001-3881.2013.04.032 WANG Zhiwu. Analysis and treatment of hydraulic shock in hydraulic system of roadheader traveling mechanism[J]. Machine Tool & Hydraulics,2013,41(4):108-109. DOI: 10.3969/j.issn.1001-3881.2013.04.032
[15] 陶建峰,刘成良. 全断面岩石隧道掘进机液压技术研究现状[J]. 液压与气动,2015,39(6):1-5,12. DOI: 10.11832/j.issn.1000-4858.2015.06.001 TAO Jianfeng,LIU Chengliang. Review of technical research for hydraulic system of tunnel boring machine[J]. Chinese Hydraulics & Pneumatics,2015,39(6):1-5,12. DOI: 10.11832/j.issn.1000-4858.2015.06.001
[16] 张敏骏. 悬臂式掘进机自主纠偏与位姿控制研究[D]. 北京:中国矿业大学(北京),2019. ZHANG Minjun. Research on autonomous correction and pose control of cantilever tunneling machine[D]. Beijing:China University of Mining & Technology-Beijing,2019.
[17] 张建广. 悬臂式掘进机自适应截割控制系统研究[J]. 煤炭科学技术,2016,44(2):148-152. ZHANG Jianguang. Study on adaptive cutting control system of boom-type roadheader[J]. Coal Science and Technology,2016,44(2):148-152.
[18] 雷孟宇,张旭辉,杨文娟,等. 煤矿掘进装备视觉位姿检测与控制研究现状与趋势[J]. 煤炭学报,2021,46(增刊2):1135-1148. LEI Mengyu,ZHANG Xuhui,YANG Wenjuan,et al. Research status and trend of visual pose detection and control of coal mine tunneling equipment[J]. Journal of China Coal Society,2021,46(S2):1135-1148.
[19] 范子彦,李立君,李宇航,等. 油茶果采摘机阀控液压马达模糊神经网络PID控制[J]. 液压与气动,2021,45(11):76-85. DOI: 10.11832/j.issn.1000-4858.2021.11.011 FAN Ziyan,LI Lijun,LI Yuhang,et al. Fuzzy neural network PID control of valve-controlled hydraulic motor for camellia fruit picking machine[J]. Chinese Hydraulics & Pneumatics,2021,45(11):76-85. DOI: 10.11832/j.issn.1000-4858.2021.11.011
[20] 敖邦乾,姜孝均,董泽芳,等. 基于神经网络−PID控制的水面无人艇控制系统设计[J]. 控制工程,2024,31(7):1178-1184. AO Bangqian,JIANG Xiaojun,DONG Zefang,et al. Design of unmanned surface vehicle control system based on neural network-PID control[J]. Control Engineering of China,2024,31(7):1178-1184.
[21] DHIMISH M,HOLMES V,MEHRDADI B,et al. Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection[J]. Renewable Energy,2018,117:257-274. DOI: 10.1016/j.renene.2017.10.066
-
期刊类型引用(2)
1. 张冲. 锌铁矿井下微震监测技术分析. 新疆钢铁. 2024(01): 86-88 . 百度学术
2. 唐世斌,刘艳晖,徐浩然,陈希茂. 深埋隧道围岩破裂的微震定位综述(英文). Journal of Central South University. 2023(12): 4182-4196 . 百度学术
其他类型引用(2)