馬效民
(山西焦煤集團有限責任公司屯蘭礦, 山西 古交 030206)
隨著采煤機截煤效率的不斷提升,采煤作業(yè)安全性顯得愈發(fā)重要。采煤機無人化、智能化的有效運用,可降低采煤作業(yè)的事故率,是采煤機機電控制系統(tǒng)主要的研究方向之一。其中,采煤機截割路徑的準確追蹤是實現采煤機無人化、智能化的關鍵技術。目前,采煤機截割路徑的追蹤存在精度低,適應性差等缺點。為解決此問題,以MG950/1300-WD 采煤機為研究對象,對采煤機智能截割進行研究[1-4]。
采煤機截割路徑追蹤技術研究方向主要包括煤巖界面識別技術和記憶截割法,但以上兩種技術均存在不同形式的缺點。其中,記憶截割法的主要缺點在于“人為示教”的截割路徑對采煤地質層的要求過嚴。當地質層存在變化時,會造成頻繁的停機調試,適應性差,嚴重影響生產效率。而煤巖界面識別技術雖然對采煤地質要求不高,但技術尚未成熟,用于采煤作業(yè)的實用性較差。
為此,提出了一種利用煤層分布邊界趨勢來預測采煤機截割路徑的方法。即首先收集煤層邊界的歷史截割點,假設共a 刀;隨后通過人工神經網絡對目前截割邊界第β 刀進行分析預測,并結合D-S 理論,綜合預測得出最優(yōu)解[5]。
人工神經網絡是最為常用的智能預測算法,但單一的神經網絡預測無法有效保證預測精度。為提高預測精度,結合對采煤作業(yè)情況的分析,以BP 神經網絡、小波神經網絡、Elman 神經網絡、RBF 神經網絡對截割路徑進行共同預測[6]。
當多個神經網絡預測同時,會出現證據沖突,傳統(tǒng)的D-S 證據理論在處理證據沖突時,不能夠有效融合結果[7-8]。
為此,對D-S 證據理論進行優(yōu)化,在傳統(tǒng)D-S證據理論公式中增加了可信因子ξ,具體公式如式1所示。
式中:dij為證據矩陣之間的歐式距離;mi、mj為證據矩陣中的各個元素;k 為證據沖突系數,當證據相反時,k=1;Ak為采煤邊界神經運算命題;ξi為可信因子,ξi越大,可信度越低。
結合神經網絡共同預測結果,按照式(1)建立BPA 函數,可得到各神經網絡權重計算公式如式(2)所示。
式中:Hj為單個神經網絡對邊界特征點的預測結果;Ei1、Ei2、Ei3、Ei4為神經網絡對邊界特征點的預測誤差;D(Ei)為神經網絡預測結果的方差。
由于利用證據理論融合預測的計算量太大,采用多重融合的方法對網絡權重逐級合成。結合上述改進的權重公式,并截割邊界β 刀的預測結果的數學模型為:
式中:H1β,H2β,H3β,H4β為各個神經網絡對邊界特征點的預測結果。
結合上述計算公式建立數學模型,計算過程如下頁圖1 所示。
圖1 綜合預測數學計算模型
結合上述融合預測數學模型,利用MATLAB 軟件,以MG950/1300-WD 采煤機為仿真對象,模擬凸形截割路徑工況,仿真結果如下頁圖2 所示。
下頁圖2 中不同形狀的標志代表了不同神經網絡優(yōu)選的結果。從下頁圖2 中看出,利用綜合預測的方法可以有效建立采煤機智能化的截割路徑特征點。
圖2 截割路徑特征點示意圖
采煤機的截割路徑是根據以上的路徑特征點來完成截割工作的,但是路徑截割點無法直接用于截割路徑,需要利用差值算法,將特征點建立光滑的邊界曲線并作為截割路徑。根據采煤作業(yè)的實際情況,截割邊界曲線應光滑,合理的差值算法可避免出現造成停機調試的極點。
有學者在研究Bezie 曲線的基礎上提出了B 樣條曲線。由于B 樣條曲線具有凸包性,因此其路徑較其他跟蹤曲線相對光滑,不會產生極值點。因此選用B 樣條曲線擬合路徑,仿真結果如圖3 所示。
從圖3 中可以看出,基于B 樣條曲線擬合的截割路徑光滑有效,對比其中多個特征點,偏差最大為0.035 m,能夠滿足采煤作業(yè)的精度要求。同時,在22~24 m、32~36 m 滾筒位置調整階段。雖然降低了軌跡定位精度,但可有效地降低滾筒調節(jié)速度變化性,減小滾筒的調節(jié)頻率,在一定程度上提高了截割作業(yè)的穩(wěn)定性。
圖3 截割路徑曲線示意圖
為驗證上述綜合預測截割路徑方法在實際工作中的運用情況,按比例建立了試驗平臺,如圖4 所示。
圖4 現場試驗圖
實驗平臺共有五個部分組成,分別為采煤機模型、操作臺、液壓泵、PLC 控制箱以及上位機監(jiān)控平臺。
其中采煤機模型配備有電機減速機以及升縮油缸,可完全模擬采煤機的截煤動作;升縮油缸動力來源由液壓泵站提供;PLC 控制箱和操作臺選用西門子S7-1200PLC 系統(tǒng),可有效模擬采煤機的邏輯控制,通信傳輸等各項功能;另外,在采煤機模型上放置了高精度的傾角及速度傳感器,用于檢測采煤機搖臂動作并將數據反饋至監(jiān)控平臺。
采煤作業(yè)出現狀態(tài)異常的情況包括“割頂板”“割夾矸煤”“機身受阻”等各種情況,通過利用綜合預測截割路徑方法對異常情況的分析處理,可驗證其智能截割的有效性。試驗結果如圖5 和下頁6 所示。
圖5 “割頂板”試驗結果
圖5 為“割頂板”時,采煤機智能截割路徑的控制情況,從圖中可以看出,在1.50 m 之前,截割采煤機穩(wěn)定運行,搖臂傾角及牽引速度沒有發(fā)生變化。1.52 m時,出現“割頂板”現象,根據邏輯判斷,迅速降低了搖臂傾角至46.2°,并緩慢降低牽引速度。隨后根據邏輯動作控制將傾角調整至44.2°,牽引速度調至4.01 m/min。
圖6 為“割夾矸煤”時,采煤機智能截割路徑的控制情況,從圖中可以看出在1.50 m 之前,截割采煤機穩(wěn)定運行,右搖臂傾角及牽引速度沒有發(fā)生變化。1.52 m 時,出現“割夾矸煤”現象,根據邏輯判斷,該異?,F象不需要對截割傾角進行調整,只需緩慢降低牽引速度至3.87 m/min,在1.9 m 時,隨著異常情況的消失,根據邏輯動作控制將牽引速度調回至初始狀態(tài)。
圖6 “割夾矸煤”試驗結果
綜合上述試驗對比分析可以看出,新的預測截割路徑方法能夠分辨不同的異常情況并進行控制,充分證明了其有效性。
本文針對目前采煤機智能化截割效率低,精度差等問題,設計了新的智能截割路徑控制方法。以MG950/1300-WD 采煤機截割系統(tǒng)為試驗對象,對新控制方法進行了理論分析、MATLAB 模擬仿真及現場試驗,得出如下結論:
1)利用煤層分布邊界趨勢預測采煤機截割路徑的方法,需要多個神經網絡共同預測結果。這樣會出現證據沖突,因此要在傳統(tǒng)D-S 證據理論中增加可信因子。
2)通過MATLAB 模擬仿真分析,新的智能截割路徑控制方法生成截割路徑光滑有效,定位精度最大偏差不大于0.04 m,能夠滿足采煤作業(yè)的精度要求。
3)通過現場模擬采煤作業(yè)異常情況,證明了煤層分布邊界趨勢預測采煤機截割路徑的方法的有效性和實用性。