遗传算法联合模糊PID的掘进机截割臂摆速控制

传统的掘进机截割臂摆速控制方法响应速度慢、超调量高且控制精度较低,无法满足实际的截割控制要求。通过分析截割臂的工作原理以及轨迹成形控制要求,利用遗传算法(GA)联合模糊PID控制器来完成截割臂摆速控制。将截割载荷变化作为驱动控制变量来求解期望摆速,运用GA对模糊PID控制器比例因子的取值进行寻优,并利用Simulink构建了控制仿真模型。实验结果表明:针对不同的截割工况,GA-模糊PID控制器摆速的调整过程平稳,响应速度快且超调量较低,能够满足实际控制需求。

GA-BP联合模糊PID的掘进机截割臂摆速控制

针对当前掘进机截割臂采用传统PID控制方法时,响应速度慢、摆速调节过程较长等不足,提出了一种基于GA-BP神经网络结合模糊PID的截割臂摆速控制方法。将截割臂驱动的电机电流、油缸的压力以及振动加速度等作为截割载荷的识别参数,运用GA-BP神经网络完成截割载荷信号的准确识别,为截割臂的多工况摆速控制提供依据,利用模糊PID控制器完成摆速调节,并采用Simulink建立了截割臂摆速控制仿真模型。结果表明:该控制方法能够完成截割摆速的精确控制,截割臂摆速调控过程控制在0.36 s之内,控制精度较高,响应速度较快,满足实际控制需求。

基于GA-BP网络的掘进机截割臂摆速控制策略与仿真

针对掘进机截割过程中煤岩硬度急剧变化时,截割臂的摆动速度无法迅速调节以适应当前截割载荷这一实际问题,本文提出了一种基于BP神经网络的截割臂摆速控制策略,通过控制截割臂摆速来实现截割电机恒功率输出。在该策略中,提出了一种基于多参数判据的截割载荷变化判定方法,根据截割电机的电压和电流,截割臂驱动油缸的压力和截割臂振动加速度这4个掘进机工作状态参数的变化来准确判断截割载荷的变化。为实现恒功率截割,设计一个BP神经网络来保证截割电机的输出功率恒等于其额定功率;基于井下实测数据,获取BP神经网络的训练样本;针对BP神经网络的输出稳定性问题,采用遗传算法(GA)对BP神经网络进行优化,使其获得更优的性能,且训练耗时和迭代次数大幅降低。建立截割臂系统的数学模型,针对截割臂横向截割和纵向截割2种工况,采用Simulink仿真方法建立了截割臂摆速仿真控制系统,并对提出的截割臂摆速控制策略进行了仿真研究。结果表明:截割臂摆速能够针对不同的截割载荷输入信号进行自适应调节,且截割臂摆速变化量在0.2 s之后处于恒定状态,具有较高的控制精度和较快的响应速度。所提出的截割臂摆速自适应控制策略能够为保证掘进机恒功率截割,延长掘进机使用寿命和提高巷道掘进效率提供一定的理论指导和实践参考。

掘进机截割臂自适应截割控制策略研究

针对井下掘进机截割智能化程度低、截割臂摆速不能根据煤岩硬度进行自适应调节的问题,提出了一种基于多传感器信息的掘进机截割臂自适应截割控制策略。以截割电机电流、截割臂驱动油缸压力、截割臂振动加速度作为煤岩截割载荷识别依据,采用径向基函数神经网络设计了截割载荷信号识别器,为截割臂摆速调控提供准确依据;针对复杂且具有时变性的截割臂摆速调控系统,设计了基于遗传算法优化的模糊PID智能控制器,实现对截割臂摆速的高效调控。建立了掘进机截割臂数学模型,在MATLAB/Simulink中搭建了截割臂自适应截割仿真控制系统,仿真结果表明,控制系统具有较快响应速度及较高控制精度。基于贝加莱Automation Studio软件搭建掘进机机载自适应截割控制系统,在石家庄煤矿机械有限公司模拟巷道中采用EBZ135型掘进机进行了模拟截割实验,实验结果表明,所提出的控制策略能够根据截割载荷变化实现对截割臂摆速的高效自适应调控。