懸臂式掘進機恒功率變頻調(diào)速控制器的設(shè)計

趙振民， 劉若涵， 趙 杰

（黑龍江科技大學(xué)電氣與控制工程學(xué)院，哈爾濱150022）

懸臂式掘進機恒功率變頻調(diào)速控制器的設(shè)計

趙振民， 劉若涵， 趙 杰

（黑龍江科技大學(xué)電氣與控制工程學(xué)院，哈爾濱150022）

針對懸臂式掘進機在礦井掘進時情況復(fù)雜和負載變化較大的特點，采用高度非線性識別能力的神經(jīng)網(wǎng)絡(luò)與遺傳算法相融合的方法，實現(xiàn)懸臂式掘進機恒功率變頻調(diào)速系統(tǒng)的控制。該方法運用遺傳算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)系數(shù)，改進網(wǎng)絡(luò)性能，提高學(xué)習(xí)效率，根據(jù)系統(tǒng)電流的實際情況對掘進機進行變頻調(diào)速控制，利用MATLAB/Simulink軟件對系統(tǒng)進行仿真分析。結(jié)果表明：該方法所設(shè)計的以DSP為控制核心的掘進機恒功率調(diào)速控制器具有一定的學(xué)習(xí)和適應(yīng)能力，能根據(jù)電流變化自動調(diào)整電機的轉(zhuǎn)速，實現(xiàn)了掘進機恒功率變頻調(diào)速，提高了掘進機的工作效率和系統(tǒng)的穩(wěn)定性。

掘進機；DSP；神經(jīng)網(wǎng)絡(luò)；遺傳算法；恒功率

對于挖掘強度不同的巖層掘進機具有獨特功能和靈活性，因此被廣泛地應(yīng)用于地下采礦和隧道的挖掘。掘進機主要進行巷道的掘進，與全斷面掘進機相比，懸臂式掘進機具有以下優(yōu)點：操作靈活，可根據(jù)需要截割出任意的形狀；裝載方便，易于維修和保養(yǎng)；經(jīng)濟效益好，可重復(fù)使用性高［1］。隨著科技的不斷進步和社會發(fā)展的需要，要求掘進機加大截割斷面的準確性，遇到煤層、巖層和煤巖混合層時能夠快速有效地調(diào)整截割速度，以提高生產(chǎn)效率，降低生產(chǎn)成本，提高競爭力和安全性，以及減少人員的數(shù)量。掘進機截割速度和牽引速度是掘進機的兩個重要參數(shù)，截割速度和牽引速度合理的匹配對掘進機的工作效率有很大的影響。

針對懸臂式掘進機的工作特點，提出一種基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的智能控制方法，用于控制電機的轉(zhuǎn)速，使牽引速度隨著截割轉(zhuǎn)速的變化進行實時地調(diào)整，通過采集檢測截割電機的電流來控制轉(zhuǎn)速和牽引速度，實現(xiàn)最佳的掘進效果。采用變頻調(diào)速的恒功率控制系統(tǒng)可實現(xiàn)掘進機的自動化控制［2］。

1　控制器結(jié)構(gòu)

懸臂式掘進機恒功率變頻調(diào)速控制器總體結(jié)構(gòu)如圖1所示。

圖1　恒功率變頻調(diào)速控制器的結(jié)構(gòu)Fig.1 Structure of constant power variable frequency speed controller

由圖1可以看出，控制系統(tǒng)主要由三個模塊組成。

一是數(shù)據(jù)采集檢測模塊：包括各類傳感器（瓦斯傳感器、溫度傳感器、油位傳感器、加速度傳感器、電流傳感器、轉(zhuǎn)速傳感器、振動傳感器、角度傳感器和位移傳感器等），電流采集檢測裝置，故障檢測裝置及相關(guān)的輸入接口電路等，主要把所采集到電機的電流、轉(zhuǎn)速信號傳送給DSP。

二是數(shù)據(jù)處理控制模塊：主要以DSP為智能控制部件，把采集檢測電流的信號與DSP的給定值進行比較和計算，通過神經(jīng)網(wǎng)絡(luò)與遺傳算法進行訓(xùn)練和優(yōu)化，最后輸出控制信號給變頻裝置。主要完成掘進機的自檢、報警、截割電機的運行和保護，并對相應(yīng)的故障進行監(jiān)控。

三是輸出執(zhí)行模塊：主要包括變頻裝置、電機、截割機構(gòu)及輸出接口等電路。根據(jù)DSP控制器輸出的控制信號，經(jīng)變頻裝置來調(diào)整牽引速度，用于實現(xiàn)掘進機恒功率變頻調(diào)速，使轉(zhuǎn)速隨煤巖負載變化自動調(diào)整［3-4］。

2　控制器設(shè)計

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)拓撲結(jié)構(gòu)包括輸入層，一個或多個隱含層和輸出層，同層節(jié)點沒有任何耦合。圖2中，輸入節(jié)點x1，x2，…，xn-1，xn為系統(tǒng)的檢測量，輸出節(jié)點y1，y2，…，yn-1，yn為系統(tǒng)的期望輸出量。

圖2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure

BP神經(jīng)網(wǎng)絡(luò)有以下四個基本特點：第一并行性。其各個神經(jīng)元都能獨立地接受信息輸入，并通過各自的內(nèi)在函數(shù)處理信息，輸出其需要的信息，計算能力快，使它有可能用于實時快速處理大量數(shù)據(jù)信息，提高了辨識效率。第二極強的容錯性和魯棒性。神經(jīng)網(wǎng)絡(luò)的信息分布特性，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有強大的聯(lián)想能力。從而保證了即使有偏離較大的特征值，神經(jīng)網(wǎng)絡(luò)也能辨識出來。第三非線性。神經(jīng)網(wǎng)絡(luò)可有效地實現(xiàn)輸入空間到輸出空間的非線性映射。對無模型的非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)都能很好地模擬，為工程領(lǐng)域的非線性問題解決提供了有效的手段。第四自適應(yīng)性和自學(xué)習(xí)性。經(jīng)過訓(xùn)練可以自動調(diào)整其網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，當系統(tǒng)出現(xiàn)不確定的變化時，可自動按一定規(guī)則調(diào)整網(wǎng)絡(luò)的參數(shù)，得到期望的輸出。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練基本步驟：

（1）建立BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（三層網(wǎng)絡(luò)結(jié)構(gòu)），提取輸入輸出樣本，進行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。根據(jù)輸入數(shù)據(jù)的特點和系統(tǒng)需要的結(jié)果，分別確定輸入層和輸出層的節(jié)點數(shù)。

（2）計算誤差，確定網(wǎng)絡(luò)的實際輸出與期望輸出的誤差。

（3）權(quán)值學(xué)習(xí)修正，改變網(wǎng)絡(luò)中所有連接權(quán)值，使其輸出更加接近期望的輸出，直到滿足允許誤差。

（4）輸入樣本進行訓(xùn)練，直到滿足精度。

由于BP網(wǎng)絡(luò)在處理具體問題時還存在網(wǎng)絡(luò)的麻痹現(xiàn)象、網(wǎng)絡(luò)學(xué)習(xí)收斂速度比較慢、易陷入局部極小值等問題。為解決BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練上的缺點，提出了多種改進方法。

2.2遺傳算法

遺傳算法是一種自然選擇、競爭和群體遺傳機理的全局優(yōu)化方法，具體步驟：

（1）染色體編碼。采用固定長度的二進制符號串編碼形式。

（2）適應(yīng)度函數(shù)選擇。將染色體上表示的各權(quán)值分配到給定的網(wǎng)絡(luò)中，網(wǎng)絡(luò)以訓(xùn)練樣本為輸入輸出。

（3）種群的初始化。初始群體的創(chuàng)建依賴于求解問題的性質(zhì)及編碼方案的選擇。適當選取字符串的長度和群體的規(guī)模，可加速搜索速度。

（4）確定遺傳算子。采用了選擇、交叉和變異算子。

①選擇算子。文中選用輪盤賭法。從群體中選擇適應(yīng)度大的優(yōu)勝劣汰。

②交叉算子。采用算術(shù)交叉法，通過父代染色體的選擇經(jīng)交叉操作產(chǎn)生新的染色體，把優(yōu)良品質(zhì)得到盡可能的遺傳和繼承。

③變異算子。采用自適應(yīng)變異操作，使得變異根據(jù)解的質(zhì)量自適應(yīng)調(diào)整搜索范圍，明顯提高遺傳算法的搜索能力。

（5）確定遺傳算法的四個運行參數(shù)。群體大小、遺傳運算的終止進化代數(shù)、交叉概率和變異概率，對求解結(jié)果和效率均有影響。

2.3神經(jīng)網(wǎng)絡(luò)遺傳算法

在控制算法上，針對神經(jīng)網(wǎng)絡(luò)控制器的不足，采用遺傳算法以進化的方式對其進行優(yōu)化，從而完成控制器的自適應(yīng)調(diào)整，提高全局搜索能力［5］。神經(jīng)網(wǎng)絡(luò)-遺傳算法程序流程如圖3所示。遺傳算法主要通過選擇、交叉和變異的方法來加強局部搜索能力；面對大量的優(yōu)化變量時，采用實數(shù)編碼提高速度，使控制器實時性得到提高。遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)控制器，一方面采用遺傳算法獲得網(wǎng)絡(luò)的節(jié)點連接和權(quán)值分布情況；另一方面，神經(jīng)網(wǎng)絡(luò)控制器會通過輸出反饋進行性能評價，對遺傳算法進行調(diào)整。

圖3　神經(jīng)網(wǎng)絡(luò)-遺傳算法程序流程Fig.3 Neural network-genetic algorithm program flow

系統(tǒng)開始運行時，神經(jīng)網(wǎng)絡(luò)控制參數(shù)先初始化種群，而后計算種群的適應(yīng)度，根據(jù)計算結(jié)果判斷是否滿足條件，若滿足條件則把結(jié)果作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值；若不滿足條件，則采用遺傳算法對種群進行優(yōu)化，再進行判斷。選好網(wǎng)絡(luò)的初始權(quán)值后，應(yīng)用神經(jīng)網(wǎng)絡(luò)控制器進行計算和優(yōu)化。適應(yīng)度函數(shù)是神經(jīng)網(wǎng)絡(luò)的評價標準，其直接影響控制效果的好壞，所以必須先確定好由目標函數(shù)值到個體適應(yīng)度之間的轉(zhuǎn)換規(guī)則，從而得到好的處理方法［6］。

3　仿真結(jié)果與分析

為了驗證所設(shè)計的神經(jīng)網(wǎng)絡(luò)與遺傳算法控制器在懸臂式掘進機恒功率變頻調(diào)速系統(tǒng)的應(yīng)用效果，根據(jù)懸臂式掘進機的工作特點構(gòu)建了基于MATLAB/Simulink的恒功率變頻調(diào)速系統(tǒng)的仿真模型。以階躍相應(yīng)的電流信號作為輸入，觀察其擾動對信號的影響情況。仿真曲線如圖4和圖5所示。圖4的擾動信號是模擬截割煤巖硬度較大時電流，圖5的擾動信號是模擬截割硬度較小時的電流，對系統(tǒng)的動態(tài)和穩(wěn)態(tài)進行分析。仿真分析表明，圖4截割煤巖突然變硬時，使電機負載變大，電流增加，通過智能控制器對電機電流進行快速調(diào)節(jié)，從而降低轉(zhuǎn)速，實現(xiàn)恒功率控制。圖5截割煤巖突然變軟時，使電機負載變小，電流減少，通過智能控制器對電機電流進行迅速調(diào)整，從而提高轉(zhuǎn)速，實現(xiàn)懸臂式掘進機恒功率變頻調(diào)速。

圖4　模擬截割煤巖硬度較大時的電流響應(yīng)曲線Fig.4 Current response curve of simulation of cutting coal and rock larger hardness

圖5　模擬截割煤巖硬度較小時的電流響應(yīng)曲線Fig.5 Current response curve of simulation of cutting coal and rock small hardness

4　結(jié)束語

恒功率變頻調(diào)速系統(tǒng)能根據(jù)煤礦井下截割煤巖不同的特性，自動調(diào)整掘進機牽引速度，從而使截割電機保持恒功率，提高了工作效率，加快響應(yīng)速度，具有良好的控制特性。進而提高懸臂式掘進機對復(fù)雜工況及變化負載的自適應(yīng)能力。

［1］ 黃日恒.懸臂式掘進機［M］.北京：中國礦業(yè)大學(xué)出版社，1996.

［2］ 王志武.國內(nèi)外掘進機截割調(diào)速系統(tǒng)的分析［J］.煤礦機電，2004，3（3）：27-33.

［3］ 方連眾，張志彬，翟德旭，等.基于單片機的變頻調(diào)速系統(tǒng)網(wǎng)絡(luò)控制壓緊［J］.電子測量技術(shù)，2009，34（3）：125-128.

［4］ 魏景生，吳 淼，劉建功.掘進機智能型自動成形恒功率截割控制系統(tǒng)的研究與應(yīng)用［J］.工礦自動化，2009（7）：118-121.

［5］ 周黎英.模糊PID控制算法在恒速升溫系統(tǒng)中的應(yīng)用［J］.儀器儀表學(xué)報，2008，29（2）：406-408.

［6］ 張 梅.礦井局部通風(fēng)機的模糊神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計［J］.煤炭工程，2011（6）：127-129.

（編輯李德根）

Controller design for constant power variable frequency speed of boom-type roadheader based on DSP

ZHAO Zhenmin， LIU Ruohan， ZHAO Jie
（School of Electrical&Control Engineering，Heilongjiang University of Science&Technology，Harbin 150022，China）

This paper presents a combination of artificial neural network capable of high nonlinear recognition ability and genetic algorithms in an effort to address amore complex situation and larger load change to which boom-type road headers are exposed in mine tunneling.Thismethod performing better for controlling constant power variable frequency speed system of boom-type roadheader works by using genetic algorithm to train connection weights of BP network，improving network performance and learning efficiency，controlling roadheader by regulating frequency speed according to the actual situation of current，and obtaining system simulation analysis using MATLAB/Simulink software.The experiment show that themethod can design DSP as control core with roadheader constant power speed controller，which demonstrates a certain ability of learning and adaption and promises to adjust themotor speed automatically based on current change，contributing to achieving roadheader constant power variable frequency speed with simple control and high reliability and enhancing working efficiency and system stability.

roadheader；DSP；artificial neural network；genetic algorithms；constant power

10.3969/j.issn.2095-7262.2014.05.022

TD632

2095-7262（2014）05-0539-04

A

2014-08-10

趙振民（1967-），男，黑龍江省雙城人，教授，博士，研究方向：機器人控制、高頻功率變換、軟開關(guān)技術(shù)，E-mail：ycxh101-cc@126.com。