结合深度确定性策略梯度算法和分级学习的采煤机调高控制策略

针对采煤机截割行进过程中面临大惯性、高负荷以及复杂多变的工况,导致调高响应速度慢、路径跟踪性差以及滚筒和机身振动等问题,提出一种基于深度确定性策略梯度算法的采煤机调高控制策略。通过拟合示范刀的采样位置为截割路径,作为调高控制系统的环境输入,结合奖励函数、OU噪声与变参数的负载,分级学习训练控制模块,迁移学习保留和巩固训练经验,仿真并验证使用深度确定性策略梯度算法的采煤机调高控制系统的效果。结果表明,系统输出曲线路径跟踪性极强,响应速度极快,输出更加平稳,震荡幅度小于0.01 m,与ACO-PID控制相比,震荡幅度减少50%,提高了控制系统抗干扰能力,有效地解决了采煤机滚筒调高控制系统响应速度慢、精度低、平稳性差的问题。

采煤机截割状态识别的深度特征融合网络

针对综采工作面开采过程中采煤机截割状态识别存在精度低及速度慢等问题,采用卷积神经网络与双向长短时记忆网络相结合的深度学习模型,融合滚筒截割煤岩时生成的信号特征,识别与分类截割状态。通过特征样本移位与叠加随机高斯白噪声扩充样本数量,基于霍普金斯统计量原理建立评价函数与评价指标,构建出增强的特征数据集;将批归一化机制与ReLU激活函数引入到卷积神经网络模块中,加快对增强数据集浅层特征的分组提取收敛速度,拼接浅层特征数据组至双向长短时记忆网络模块中提取更重要的深层状态信息,识别并分类采煤机截割状态,通过与不同模型的对比试验与消融实验,验证深度特征融合网络模型对数据集学习的效果。结果表明,与常规神经网络模型相比,分类识别准确率高2%,训练迭代运算速度快5%,有效地解决了采煤机截割状态识别精度低与速度慢的问题。

改进蚁群算法优化的采煤机滚筒调高控制策略

针对采煤机截割过程中存在负荷高、惯性大的复杂工况,导致滚筒调高响应慢、精准度低等问题,采用改进蚁群算法优化采煤机滚筒调高控制系统的PID参数,通过分析活塞杆伸缩量与滚筒高度位移量的非线性关系,引入指标函数δ改进蚁群算法,寻优与当前工况匹配的PID参数实现自适应控制,仿真并验证改进蚁群算法优化采煤机调高PID控制系统的效果。结果表明,与常规闭环PID控制相比,路径跟踪响应速度快20%,最大偏差值小于0.01 m,提高了控制系统的自适应能力,有效地解决采煤机滚筒调高控制系统响应速度慢和精度低的问题。