基于PSO优化的悬臂式掘进机自适应控制研究

针对悬臂式掘进机手动控制操作时掘进效率低、设备损耗大等问题,提出一种基于神经网络的自适应控制策略,通过粒子群优化(PSO)算法优化极限学习机(ELM)负载识别和模糊PID控制,实现截割负载识别和摆速控制。基于Simulink的仿真结果显示,PSO-ELM识别系统的平均绝对误差百分比小于0.3%,PSO-FPID摆速控制时间小于0.2 s,验证了该策略的有效性,对提高煤炭开采的智能化水平具有重要意义。