掘進(jìn)機(jī)姿態(tài)調(diào)整模型辨識(shí)方法與精準(zhǔn)控制

張敏駿,吉曉冬,李旭,瞿圓媛,吳淼

(1.清華大學(xué)機(jī)械工程系,100084,北京;2.中國(guó)礦業(yè)大學(xué)(北京)機(jī)電與信息工程學(xué)院,100083,北京;3.天地科技股份有限公司,100013,北京;4.煤炭科學(xué)研究總院儲(chǔ)裝技術(shù)研究分院,100013,北京)

隨著煤礦生產(chǎn)效率的不斷提高[1-3],對(duì)掘進(jìn)機(jī)的智能化需求也與日俱增。掘進(jìn)機(jī)機(jī)身姿態(tài)的精準(zhǔn)控制是實(shí)現(xiàn)智能掘進(jìn)的重要環(huán)節(jié)[4]。當(dāng)前掘進(jìn)機(jī)的機(jī)身姿態(tài)主要通過(guò)手動(dòng)進(jìn)行調(diào)整,極大影響其精度與可靠性。首先手動(dòng)調(diào)整機(jī)身姿態(tài)無(wú)法保證巷道的截割成型質(zhì)量,進(jìn)而可能導(dǎo)致巷道掘進(jìn)偏離設(shè)計(jì)軌跡,降低煤礦開(kāi)采產(chǎn)量,同時(shí)誘發(fā)更多安全隱患。此外,綜掘巷道內(nèi)的巷道傾斜、底板松軟及粉塵等復(fù)雜工況也對(duì)掘進(jìn)機(jī)機(jī)身姿態(tài)的精準(zhǔn)控制造成了極大困擾[5-6]。

上述復(fù)雜工況嚴(yán)重影響了掘進(jìn)機(jī)機(jī)身姿態(tài)控制系統(tǒng)的動(dòng)態(tài)性能,同時(shí)伴隨系統(tǒng)自身非線性的影響,給掘進(jìn)機(jī)機(jī)身姿態(tài)精準(zhǔn)控制帶來(lái)極大困難。針對(duì)上述問(wèn)題,文獻(xiàn)[7-8]采用模糊PID控制實(shí)現(xiàn)了掘進(jìn)機(jī)機(jī)身俯仰角的智能控制;文獻(xiàn)[9]基于液壓軟件仿真分析了掘進(jìn)機(jī)俯仰角PID控制方法,上述研究中因被控模型與實(shí)際模型存在較大差別,因此很難實(shí)現(xiàn)高精度的姿態(tài)控制。在其他類似領(lǐng)域,為解決復(fù)雜工況下的液壓缸控制問(wèn)題,文獻(xiàn)[10]對(duì)微位移液壓系統(tǒng)進(jìn)行了建模與模型辨識(shí),通過(guò)PD控制實(shí)現(xiàn)了高精度的位移控制;文獻(xiàn)[11]基于II型模糊控制實(shí)現(xiàn)了液壓挖掘機(jī)工作裝置位姿的高精度控制;文獻(xiàn)[12]基于神經(jīng)網(wǎng)絡(luò)進(jìn)行了盾構(gòu)機(jī)液壓推進(jìn)系統(tǒng)模型辨識(shí),為其精確控制提供了模型基礎(chǔ);文獻(xiàn)[13]針對(duì)不同地質(zhì)模型進(jìn)行了以液壓缸調(diào)控為基礎(chǔ)的掘進(jìn)位姿控制模型建模。上述研究為復(fù)雜工況下的液壓缸位移精準(zhǔn)控制提供了研究基礎(chǔ),但上述研究中的被控對(duì)象的實(shí)際結(jié)構(gòu)與掘進(jìn)機(jī)存在一定差別。

本文首先分析了掘進(jìn)機(jī)機(jī)身姿態(tài)角與巷道截割斷面之間的關(guān)系,結(jié)合掘進(jìn)機(jī)機(jī)身姿態(tài)控制系統(tǒng)理論模型及系統(tǒng)延時(shí)確定姿態(tài)傳遞函數(shù)的基本框架;通過(guò)粒子群優(yōu)化算法實(shí)現(xiàn)掘進(jìn)機(jī)姿態(tài)控制系統(tǒng)在復(fù)雜工況下的模型辨識(shí)并得到準(zhǔn)確的控制模型,通過(guò)仿真對(duì)該方法進(jìn)行合理性驗(yàn)證;基于該模型,提出了基于模糊神經(jīng)網(wǎng)絡(luò)的姿態(tài)控制算法,為驗(yàn)證控制算法的有效性,設(shè)計(jì)了掘進(jìn)機(jī)姿態(tài)控制試驗(yàn)系統(tǒng),并進(jìn)行了基于實(shí)測(cè)數(shù)據(jù)的辨識(shí)試驗(yàn),對(duì)本文所提出的姿態(tài)控制算法的有效性與優(yōu)越性進(jìn)行了驗(yàn)證,結(jié)果表明,本文辨識(shí)方法與控制算法在煤礦實(shí)際生產(chǎn)中具有有效性和可實(shí)現(xiàn)性,可對(duì)其他煤礦井下設(shè)備的姿態(tài)控制提供理論支撐與技術(shù)借鑒。

1 掘進(jìn)機(jī)姿態(tài)角與截割斷面分析

1.1 掘進(jìn)機(jī)機(jī)身姿態(tài)角與截割斷面關(guān)系

掘進(jìn)機(jī)機(jī)身姿態(tài)角如圖1所示,機(jī)身俯仰角β為掘進(jìn)機(jī)機(jī)身軸向水平面與巷道底面的夾角,翻滾角γ為掘進(jìn)機(jī)機(jī)身側(cè)向水平面與巷道中線垂線在巷道后視截面上投影之間的夾角[14],掘進(jìn)機(jī)機(jī)身姿態(tài)角通過(guò)機(jī)身傾角傳感器進(jìn)行測(cè)量,傳感器通過(guò)激光全站儀對(duì)機(jī)身傾角傳感器進(jìn)行標(biāo)定。

已知掘進(jìn)機(jī)在行駛至目標(biāo)位置后準(zhǔn)備截割前通過(guò)前鏟板與后支撐對(duì)機(jī)身姿態(tài)進(jìn)行調(diào)整,調(diào)整至在巷道斷面進(jìn)行截割時(shí)可通過(guò)截割機(jī)構(gòu)的補(bǔ)償?shù)姆秶鷥?nèi),進(jìn)而通過(guò)截割機(jī)構(gòu)進(jìn)行掘進(jìn)機(jī)機(jī)身姿態(tài)的調(diào)整與補(bǔ)償,圖2為機(jī)身出現(xiàn)俯角、仰角與翻滾角時(shí)的巷道預(yù)截割斷面與標(biāo)準(zhǔn)斷面形狀。

(a)機(jī)身存在俯角誤差

設(shè)xβ、yβ與zβ分別為存在俯仰角誤差時(shí)的巷道斷面軌跡點(diǎn)坐標(biāo),其截割斷面軌跡方程為

(1)

式中:βc為掘進(jìn)機(jī)截割臂俯仰角;αc為掘進(jìn)機(jī)截割臂水平轉(zhuǎn)角;r為截割臂長(zhǎng)度;e為掘進(jìn)機(jī)截割臂下端點(diǎn)距回轉(zhuǎn)中心距離。

同理,xγ、yγ與zγ分別為存在翻滾角誤差時(shí)的巷道斷面軌跡點(diǎn)坐標(biāo),機(jī)身存在翻滾角時(shí)的巷道斷面軌跡方程如下

(2)

由此可得截割臂在截割過(guò)程中可補(bǔ)償?shù)臋C(jī)身姿態(tài)角如下

(3)

式中:r為截割臂長(zhǎng)度;βc,min為截割臂相對(duì)機(jī)身的俯仰角的最小值;D為巷道斷面寬度;H為巷道高度;H0為水平狀態(tài)截割臂距離履帶重心的垂直距離。

(a)俯仰角調(diào)整量

基于上述模型可得不同機(jī)身尺寸的掘進(jìn)機(jī)在截割不同尺寸巷道時(shí)的機(jī)身姿態(tài)角最大補(bǔ)償范圍如圖3所示,不同尺寸的掘進(jìn)機(jī)截割機(jī)構(gòu)的俯仰角調(diào)整量為8.4°～15.3°;翻滾角調(diào)整量為4.6°～5.9°。若機(jī)身姿態(tài)角偏差大于此范圍時(shí)需要通過(guò)掘進(jìn)機(jī)支撐機(jī)構(gòu)進(jìn)行機(jī)身姿態(tài)的調(diào)整。

(b)翻滾調(diào)整量 圖3 不同寬度掘進(jìn)機(jī)的截割機(jī)構(gòu)在不同巷道的姿態(tài)角補(bǔ)償量Fig.3 The posture angle compensation of different tunneling machine in different roadway

1.2 掘進(jìn)機(jī)姿態(tài)角調(diào)整系統(tǒng)建模

當(dāng)掘進(jìn)機(jī)機(jī)身姿態(tài)誤差超過(guò)截割臂的補(bǔ)償范圍,則必須通過(guò)支撐液壓缸運(yùn)動(dòng)實(shí)現(xiàn)姿態(tài)角的調(diào)整,分別以掘進(jìn)機(jī)前端其姿態(tài)調(diào)整時(shí)的運(yùn)動(dòng)學(xué)模型分析如圖4所示。

(a)姿態(tài)角調(diào)整時(shí)前鏟板運(yùn)動(dòng)學(xué)模型

圖4a以掘進(jìn)機(jī)鏟板回轉(zhuǎn)中心為坐標(biāo)點(diǎn)建立坐標(biāo)系YOZ,I為前鏟板頂點(diǎn),其坐標(biāo)為(rI,θI);A為前鏟板與姿態(tài)調(diào)整油缸鉸接點(diǎn);d為A點(diǎn)到O點(diǎn)的長(zhǎng)度;油缸伸縮使掘進(jìn)機(jī)前鏟板轉(zhuǎn)動(dòng),其轉(zhuǎn)角為φI?？傻们扮P板頂點(diǎn)的運(yùn)動(dòng)學(xué)方程如下

(4)

式中:c為OZ軸上兩個(gè)鉸接點(diǎn)之間的距離;rI為O至鏟板頂端的距離;θI0為鏟板頂點(diǎn)運(yùn)動(dòng)過(guò)程中其坐標(biāo)的變化量。

同理,如圖4b所示,以后支撐回轉(zhuǎn)中心做原點(diǎn)建立坐標(biāo)系ZOY。L為后支撐頂點(diǎn),其坐標(biāo)為(rL,θL);M為姿態(tài)調(diào)整油缸后端鉸接點(diǎn);N為后支撐與姿態(tài)調(diào)整油缸鉸接點(diǎn);e為N點(diǎn)到O點(diǎn)的距離;f為M點(diǎn)到O點(diǎn)的距離;油缸伸縮使得后支撐發(fā)生轉(zhuǎn)動(dòng),其轉(zhuǎn)角為φL;rL為O至后支撐頂端的距離;θL0為后支撐頂點(diǎn)運(yùn)動(dòng)過(guò)程中其坐標(biāo)的變化量。由此可得后支撐頂點(diǎn)的運(yùn)動(dòng)學(xué)方程如下

(5)

由式(4)與(5)可得掘進(jìn)機(jī)俯仰角與翻滾角的解算方程[15]如下

(6)

式中:rL1與rL2分別為后支撐左右兩側(cè)油缸運(yùn)動(dòng)后的接地點(diǎn)至頂點(diǎn)的距離;θL1與θL2為左右兩側(cè)后支撐的頂點(diǎn)坐標(biāo);D為掘進(jìn)機(jī)前后支撐點(diǎn)之間的距離;k為機(jī)身俯仰角計(jì)算因數(shù),計(jì)算方程如下

(7)

式中:k1、k2與k3分別為前鏟板獨(dú)立調(diào)整姿態(tài)、后支撐獨(dú)立調(diào)整與前后復(fù)合調(diào)整的3種工況下的姿態(tài)角計(jì)算因數(shù)[16];zp、yp、zQ與yQ分別為鏟板與后支撐獨(dú)立調(diào)整姿態(tài)時(shí)掘進(jìn)機(jī)機(jī)身履帶接地點(diǎn)的位置坐標(biāo)。

無(wú)論掘進(jìn)機(jī)在何種支撐狀態(tài)下進(jìn)行機(jī)身姿態(tài)調(diào)整,其實(shí)質(zhì)均為各支撐機(jī)構(gòu)所對(duì)應(yīng)的液壓缸的位移控制,掘進(jìn)機(jī)姿態(tài)液壓系統(tǒng)如圖5所示。

圖5 掘進(jìn)機(jī)姿態(tài)液壓系統(tǒng)Fig.5 The hydraulic system of the TBM

基于液壓系統(tǒng)的數(shù)學(xué)建模方法與掘進(jìn)機(jī)姿態(tài)液壓系統(tǒng)基本原理可得該被控對(duì)象為三階非線性系統(tǒng)[5],由于進(jìn)行了一定程度上的模型簡(jiǎn)化,且系統(tǒng)存在延時(shí),因此需要通過(guò)一定的辨識(shí)方法對(duì)被控模型進(jìn)行精確辨識(shí)。

2 粒子群優(yōu)化系統(tǒng)辨識(shí)算法

2.1 粒子群優(yōu)化算法原理

粒子群算法多用于求解多參數(shù)非線性系統(tǒng)的全局優(yōu)化問(wèn)題[17]。設(shè)一個(gè)D維空間中存在n個(gè)粒子,粒子在種群中的位置向量為Xi,速度向量為Vi,將Xi代入目標(biāo)函數(shù)即可算出每個(gè)粒子位置所對(duì)應(yīng)的適應(yīng)度值,為避免其個(gè)體極值Pi與種群極值Pg在每次迭代中陷入局部最優(yōu),加入一個(gè)局部自適應(yīng)變異算子進(jìn)行調(diào)整,如下所示

(8)

式中:w(t)為慣性權(quán)重;n為進(jìn)化代數(shù);i為粒子種群規(guī)模;r為0到1的隨機(jī)數(shù);c1、c2為局部與全局學(xué)習(xí)因子;SB為種群的最優(yōu)解。

2.2 基于粒子群優(yōu)化的姿態(tài)控制系統(tǒng)辨識(shí)

粒子群優(yōu)化算法的系統(tǒng)辨識(shí)是基于粒子群算法的尋優(yōu)特性,通過(guò)輸入與輸出的信號(hào)響應(yīng)對(duì)傳遞函數(shù)參數(shù)進(jìn)行擬合的過(guò)程,基于理論模型與實(shí)際系統(tǒng)中的延時(shí),其傳遞模型可簡(jiǎn)化為

(9)

式中:G(s)為被控對(duì)象傳遞函數(shù);X=[α,β,K,T]為需要辨識(shí)的參數(shù)集,其中α為二階項(xiàng),β為一階項(xiàng),K為增益系數(shù),T為延時(shí)系數(shù)。由于實(shí)際系統(tǒng)中,往往存在測(cè)量與執(zhí)行誤差及外界干擾等,預(yù)測(cè)模型不可能完全替代真實(shí)模型,因此需要在估計(jì)模型中加入殘差e=di-fi,其中di為第i個(gè)測(cè)試樣本的輸出,fi為群體中各個(gè)粒子的初始適應(yīng)值。為確保辨識(shí)模型盡可能的接近實(shí)際模型,以辨識(shí)誤差指標(biāo)函數(shù)作為粒子群算法的目標(biāo)函數(shù),選擇合適的誤差指標(biāo)函數(shù)更新粒子位置與速度,進(jìn)而求取殘差絕對(duì)值最小時(shí)的預(yù)測(cè)模型參數(shù)。辨識(shí)誤差指標(biāo)函數(shù)的計(jì)算式如下

(10)

設(shè)待辨識(shí)參數(shù)位置向量為Xi,速度向量為Vi,各個(gè)粒子初始位置為個(gè)體極值?；谏鲜鰠?shù)可計(jì)算出群體中各粒子的初始適應(yīng)值f(Xi),同時(shí)更新粒子速度與位置并對(duì)粒子的速度與位置進(jìn)行越界檢查,則模型的預(yù)測(cè)輸出為

(11)

式中,Q為仿真計(jì)算步長(zhǎng)。通過(guò)式(11)中求得的fi與di即可由式(10)計(jì)算得到辨識(shí)誤差,該辨識(shí)誤差的絕對(duì)值越小,則預(yù)測(cè)模型越逼近真實(shí)模型,當(dāng)辨識(shí)誤差指標(biāo)函數(shù)J逐漸接近0時(shí),則完成系統(tǒng)辨識(shí),此時(shí)模型最接近實(shí)際模型。

2.3 系統(tǒng)辨識(shí)仿真

為驗(yàn)證該辨識(shí)方法的可行性,將EBZ-55型掘進(jìn)機(jī)系統(tǒng)參數(shù)理論模型[5]作為辨識(shí)對(duì)象,進(jìn)行仿真驗(yàn)證。針對(duì)傳統(tǒng)帶延時(shí)環(huán)節(jié)的三階系統(tǒng)辨識(shí)的計(jì)算難度,取粒子群個(gè)數(shù)為80,最大迭代次數(shù)200次,為保證粒子種群的局部搜索能力全局搜索能力的平衡,粒子最大運(yùn)動(dòng)速度Vmax為1.0 m/s,Xi中4個(gè)參數(shù)的搜索范圍為[0,1]、[0,1]、[0,10]與[0,1][6],學(xué)習(xí)因子取c1=1.1、c2=1.3,采用線性遞減的慣性權(quán)重,慣性權(quán)重采用從0.9線性遞減至0.1的策略,目標(biāo)函數(shù)的倒數(shù)作為粒子群的適應(yīng)度函數(shù),將辨識(shí)誤差作為的目標(biāo)函數(shù)。系統(tǒng)通過(guò)偽隨機(jī)二進(jìn)制序列信號(hào)激勵(lì)下生成辨識(shí)所用的歷史數(shù)據(jù),并加入測(cè)量時(shí)的隨機(jī)擾動(dòng),同時(shí)與其他幾種智能辨識(shí)方法進(jìn)行比較,驗(yàn)證本文辨識(shí)方法的優(yōu)越性,仿真結(jié)果如表1所示。

表1 不同辨識(shí)方法的辨識(shí)誤差Table 1 The identification error of different methods

由表1可得,被測(cè)傳遞函數(shù)的4組辨識(shí)參數(shù)經(jīng)過(guò)粒子群辨識(shí)算法平均辨識(shí)誤差相較于最小二乘法與遺傳算法分別降低了96.75%與95.15%,同時(shí)對(duì)系統(tǒng)延時(shí)的辨識(shí)誤差接近于0,由此可得其辨識(shí)精度相較于其他兩種方法有明顯的提高,因此采用粒子群算法的可對(duì)掘進(jìn)機(jī)姿態(tài)控制系統(tǒng)此類非線性動(dòng)態(tài)模型實(shí)現(xiàn)高精度辨識(shí)。

3 掘進(jìn)機(jī)姿態(tài)角神經(jīng)網(wǎng)絡(luò)控制

由于掘進(jìn)機(jī)機(jī)身姿態(tài)調(diào)整系統(tǒng)的非線性較強(qiáng),而傳統(tǒng)PID控制難以實(shí)現(xiàn)高精度控制,因此提出通過(guò)的模糊控制與神經(jīng)網(wǎng)絡(luò)結(jié)合形成的模糊神經(jīng)網(wǎng)絡(luò)PID控制算法在復(fù)雜工況下實(shí)現(xiàn)掘進(jìn)機(jī)機(jī)身姿態(tài)高精度控制[18],其控制結(jié)構(gòu)如圖6所示,其中r(k)為系統(tǒng)輸入,y(k)為系統(tǒng)輸出,kp、ki與kd分別為PID控制的比例、積分與微分控制參數(shù)。

圖6 掘進(jìn)機(jī)姿態(tài)角控制系統(tǒng)結(jié)構(gòu)Fig.6 The control system structure of TBM

圖7為模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖,輸入?yún)?shù)為姿態(tài)偏差e及偏差變化率ec,輸出為PID控制參數(shù)kp、ki與kd,輸入與輸出的模糊子集為{A,B,C,D,E,F,G}={負(fù)大,負(fù)中,負(fù)小,零,正小,正中,正大}。模糊集合論域?yàn)閧-3,-2,-1,0,1,2,3},輸出集合為{-1.5,-1,-0.5,0,0.5,1,1.5}與{-0.3,-0.2,-0.1,0,0.1,0.2,0.3}。

圖7 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 The structure of the fuzzy neural network

輸入層中的e(k)與ec(k)對(duì)應(yīng)的輸出為:O1(1,j)或O1(2,j);模糊化層的輸入與輸出如下

(12)

式中:bij為模糊隸屬度函數(shù)的中心值;cij為模糊隸屬度函數(shù)的寬度;ωmn為權(quán)值系數(shù)。此時(shí)模糊規(guī)則計(jì)算層、模糊推理層及輸出層的輸入與輸出分別為

(13)

此時(shí)PID控制參數(shù)變化如下

(14)

式中:kx為PID控制參數(shù);kx0分別為PID控制參數(shù)的初始值。設(shè)系統(tǒng)誤差反饋過(guò)程中的性能指標(biāo)函數(shù)為E(k)=0.5[r(k)-y(k)]2,當(dāng)r(k)與r(k)接近時(shí),E(k)趨近于最小值,而高斯隸屬函數(shù)的中心bij、寬度cij以及其對(duì)應(yīng)的權(quán)值ωmn可以通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)在線糾正,其調(diào)整規(guī)律分別為

(15)

δ(k)=

(16)

4 試驗(yàn)驗(yàn)證

為驗(yàn)證粒子群優(yōu)化辨識(shí)算法與模糊神經(jīng)網(wǎng)絡(luò)PID的控制效果,搭建了基于EBZ-55掘進(jìn)機(jī)機(jī)身姿態(tài)角控制試驗(yàn)系統(tǒng):掘進(jìn)機(jī)結(jié)構(gòu)尺寸為78 400 mm×1 500 mm×1 315 mm;控制系統(tǒng)與采集系統(tǒng)采用B&R9005系統(tǒng),鏟板與支撐的油缸行程為106 mm;采用SME-90傾角傳感器測(cè)量機(jī)身姿態(tài)角,測(cè)量分辨率為0.1°;采用GUC1000油缸位移傳感器測(cè)量油缸行程,測(cè)量分辨率為0.01 mm[19]。首先通過(guò)Leica全自動(dòng)激光全站儀對(duì)機(jī)載姿態(tài)測(cè)量傳感器在同一坐標(biāo)系下進(jìn)行標(biāo)定與校準(zhǔn),試驗(yàn)現(xiàn)場(chǎng)如圖8所示。

(a)掘進(jìn)機(jī)機(jī)身傾角傳感器

基于粒子群辨識(shí)方法對(duì)模擬巷道中的掘進(jìn)機(jī)俯仰角姿態(tài)控制系統(tǒng)進(jìn)行辨識(shí),經(jīng)過(guò)100次迭代后其最終目標(biāo)函數(shù)的平均誤差為5.264×10-6,其優(yōu)化與收斂過(guò)程如圖9所示。經(jīng)過(guò)上述模型辨識(shí)方法得到實(shí)際工況下的掘進(jìn)機(jī)俯仰角姿態(tài)控制傳遞函數(shù)如下

圖9 粒子群辨識(shí)算法辨識(shí)誤差函數(shù)優(yōu)化過(guò)程Fig.9 The optimization procedure of the PSO identification

(17)

表示本文模型在開(kāi)環(huán)狀態(tài)下的增益大小與相位隨頻率變化的伯德圖如圖10所示。為驗(yàn)證辨識(shí)模型的準(zhǔn)確性,在AMESim中建立相同液壓模型,其階躍響應(yīng)仿真如圖11所示,其中辨識(shí)結(jié)果的超調(diào)與響應(yīng)時(shí)間與半實(shí)體模型及真實(shí)模型基本一致,辨識(shí)結(jié)果的階躍響應(yīng)超調(diào)量約超過(guò)理論模型與仿真模型20%,其響應(yīng)時(shí)間的理論模型與仿真模型相差0.1 s,因?yàn)閷?shí)際模型的隨機(jī)擾動(dòng)與非線性更強(qiáng),超調(diào)量與響應(yīng)時(shí)間存在一定差別為正?，F(xiàn)象。

圖10 粒子群辨識(shí)算法辨識(shí)模型傳遞函數(shù)伯德圖Fig.10 The bode diagram of the PSO identification model

圖11 模型辨識(shí)結(jié)果與半實(shí)體模型階躍響應(yīng)輸出Fig.11 The step response of the identification model and AMESim model

掘進(jìn)機(jī)姿態(tài)控制試驗(yàn)中,因試驗(yàn)機(jī)型EBZ-55掘進(jìn)機(jī)的單后支撐無(wú)法調(diào)節(jié)翻滾角,故只進(jìn)行了俯仰角控制試驗(yàn)。為驗(yàn)證控制系統(tǒng)對(duì)不同輸入信號(hào)的響應(yīng),分別將正弦、方波與三角波信號(hào)作為輸入信號(hào)進(jìn)行俯仰角控制跟蹤[20],與模糊PID控制作為對(duì)比的試驗(yàn)結(jié)果如圖12所示,具體的實(shí)驗(yàn)數(shù)據(jù)對(duì)比如表2所示。

(a)正弦輸入信號(hào)

表2 不同控制算法掘進(jìn)機(jī)俯仰角控制誤差統(tǒng)計(jì)表Table 2 The TBM pitch angle control error of different control methods

試驗(yàn)結(jié)果表明,與模糊PID相比,在3種不同的試驗(yàn)工況下,模糊神經(jīng)網(wǎng)絡(luò)PID控制算法的超調(diào)誤差分別降低了57.1%、12.3%和44.6%,其響應(yīng)時(shí)間分別降低了37.6%、53.4和37.1%,因此基于此模型與控制算法的實(shí)現(xiàn)的姿態(tài)控制,在保證快速響應(yīng)的基礎(chǔ)上可實(shí)現(xiàn)穩(wěn)定的1°以內(nèi)的姿態(tài)角精度控制。

5 結(jié) 論

為解決由于掘進(jìn)機(jī)機(jī)身姿態(tài)自動(dòng)控制精度低的問(wèn)題并避免機(jī)身偏斜導(dǎo)致的巷道成形質(zhì)量差及相關(guān)安全問(wèn)題,提出了一種基于粒子群算法的掘進(jìn)機(jī)機(jī)身姿態(tài)控制模型辨識(shí)方法及模糊神經(jīng)網(wǎng)絡(luò)PID控制方法。首先分析了掘進(jìn)機(jī)機(jī)身姿態(tài)角與巷道斷面輪廓的耦合關(guān)系,并建立掘進(jìn)機(jī)機(jī)身姿態(tài)運(yùn)動(dòng)學(xué)模型。之后,基于粒子群算法提出了掘進(jìn)機(jī)機(jī)身姿態(tài)控制模型的高精度辨識(shí)方法,通過(guò)仿真驗(yàn)證其可行性,設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)的PID控制算法。最后,為了驗(yàn)證本文提出的辨識(shí)方法與控制算法,搭建了基于模擬巷道工況的掘進(jìn)機(jī)俯仰角控制試驗(yàn)平臺(tái)。試驗(yàn)結(jié)果表明,粒子群辨識(shí)方法可在100次迭代實(shí)現(xiàn)5.26×10-6以內(nèi)的辨識(shí)精度,模糊神經(jīng)網(wǎng)絡(luò)控制可在不同工況下實(shí)現(xiàn)1°以內(nèi)的姿態(tài)角快速高精度控制,與其他方法相比,粒子群辨識(shí)算法能夠在較短的計(jì)算周期內(nèi)實(shí)現(xiàn)高精度模型辨識(shí),同時(shí)模糊神經(jīng)網(wǎng)絡(luò)PID控制算法可在保證快速響應(yīng)的前提下實(shí)現(xiàn)更高精度的姿態(tài)角控制,從而實(shí)現(xiàn)掘進(jìn)機(jī)姿態(tài)的高精度自動(dòng)調(diào)整,進(jìn)而保證高效率、高精度與安全的煤礦掘進(jìn)與開(kāi)采,并為掘進(jìn)機(jī)及其他大型液壓設(shè)備的精準(zhǔn)姿態(tài)控制提供技術(shù)支撐與參考。