CN112392498B - 一种掘进机截割部的控制方法及装置 - Google Patents
一种掘进机截割部的控制方法及装置 Download PDFInfo
- Publication number
- CN112392498B CN112392498B CN202011259125.8A CN202011259125A CN112392498B CN 112392498 B CN112392498 B CN 112392498B CN 202011259125 A CN202011259125 A CN 202011259125A CN 112392498 B CN112392498 B CN 112392498B
- Authority
- CN
- China
- Prior art keywords
- cutting
- oil cylinder
- layer
- cutting arm
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000004580 weight loss Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/10—Making by using boring or cutting machines
- E21D9/108—Remote control specially adapted for machines for driving tunnels or galleries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供了一种掘进机截割部的控制方法及装置，该方法首先获取截割部的工作状态参数，工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量，然后将截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量，再根据截割臂回转油缸和截割臂升降油缸的反馈控制量，控制截割部。由此该方法可通过神经网络模型调整截割臂的控制量，从而实现自适应控制截割臂，提高了控制精度及控制效果。
Description
技术领域
本发明涉及掘进机技术领域，特别涉及一种掘进机截割部的控制方法及装置。
背景技术
掘进机是实现煤矿巷道掘进工作的核心设备。在传统的地下巷道掘进过程中，大部分掘进机为本机人工操作控制，掘进机人员只能凭人工观察和操作经验来调节截割臂，操作稳定性低，工作效率低，且存在安全隐患，大大增加了矿井工人的工作强度及工作危险性。掘进机远程智能控制能够实现纵掘工作面少人或无人化工作，使掘进工作安全高效。但是，现有的掘进机控制方法，控制过程简单，不能保证截割臂的控制精度，影响控制效果。
发明内容
本发明的目的在于提供一种掘进机截割部的控制方法及装置，以解决现有的掘进机控制方法，控制过程简单，不能保证截割臂的控制精度，影响控制效果的问题。
第一方面，根据本发明的实施例，提供了一种掘进机截割部的控制方法，包括：
获取截割部的工作状态参数，所述工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量；
将所述截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量；
根据所述截割臂回转油缸和截割臂升降油缸的反馈控制量，控制所述截割部。
具体地，所述预设的神经网络模型包括输入层、输出层、及位于所述输入层与所述输出层之间的隐藏层。
具体地，所述神经网络模型的训练步骤包括：
获取输入样本，所述输入样本作为所述输入层的神经元参数；
每层隐藏层中的每个所述神经元为上一层隐藏层的神经元的值通过加权线性求和得到；
所述输出层将最后一层隐藏层所接收到的上一层隐藏层的神经元参数，利用如下公式，计算得到输出值；
其中，g(z)为非线性激活函数，e为对数函数的底数，z为激活函数的激活参数；
利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止。
具体地，所述利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止包括：
利用如下公式，利用随机梯度下降使用损失函数相对于需要调整的神经元参数的梯度来更新神经元参数，
其中，ω为隐含层中每个神经元参数，η为控制参数空间搜索中步长的学习率，Loss为用于网络的损失函数，α为梯度下降的步长，R(w)为均方差损失函数；
在梯度下降时，利用如下公式，计算得到梯度权重损失，直至到达所述预设的迭代次数为止；
其中，i为预设的迭代次数，∈为全局的学习率且大于0，W为权重矩阵。
具体地，所述网络的损失函数为
其中，
为网络的损失函数，y为损失函数输出值，
为输入特征的线性组合，W为权重矩阵，α为梯度下降的步长。
第二方面，根据本发明的实施例，提供了一种掘进机截割部的控制装置，包括：
获取模块，用于获取截割部的工作状态参数，所述工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量；
处理模块，用于将所述截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量；
控制模块，用于根据所述截割臂回转油缸和截割臂升降油缸的反馈控制量，控制所述截割部。
本发明实施例提供了一种掘进机截割部的控制方法及装置，该方法首先获取截割部的工作状态参数，工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量，然后将截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量，再根据截割臂回转油缸和截割臂升降油缸的反馈控制量，控制截割部。由此该方法可通过神经网络模型调整截割臂的控制量，从而实现自适应控制截割臂，提高了控制精度及控制效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例示出的一种掘进机截割部的控制方法的流程图；
图2为本发明一实施例示出的一种掘进机截割部的控制装置的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，如图1所示，根据本发明的实施例，提供了一种掘进机截割部的控制方法，包括：
步骤S101：获取截割部的工作状态参数，工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量。
步骤S102：将截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量。
其中，预设的神经网络模型包括输入层、输出层、及位于输入层与输出层之间的隐藏层。
具体地，神经网络模型的训练步骤包括：
步骤a：获取输入样本，输入样本作为输入层的神经元参数。
步骤b：每层隐藏层中的每个神经元为上一层隐藏层的各神经元参数通过加权线性求和得到。
步骤c：输出层将最后一层隐藏层所接收到的上一层隐藏层的神经元参数，利用如下公式，计算得到输出值；
其中，g(z)为非线性激活函数，e为对数函数的底数，z为激活函数的激活参数。
步骤d：利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止。
具体地，该步骤具体包括：
步骤一：利用如下公式，利用随机梯度下降使用损失函数相对于需要调整的神经元参数的梯度来更新神经元参数，
其中，ω为隐含层中每个神经元参数，η为控制参数空间搜索中步长的学习率，Loss为用于网络的损失函数，α为梯度下降的步长，R(w)为均方差损失函数。
步骤二：在梯度下降时，利用如下公式，计算得到梯度权重损失，直至到达预设的迭代次数为止；
其中，i为预设的迭代次数，∈为全局的学习率且大于0，W为权重矩阵。
具体地，网络的损失函数为
其中，
为网络的损失函数，y为损失函数输出值，
为输入特征的线性组合，W为权重矩阵，α为梯度下降的步长。
步骤S103：根据截割臂回转油缸和截割臂升降油缸的反馈控制量，控制截割部。
本发明实施例提供了一种掘进机截割部的控制方法及装置，该方法首先获取截割部的工作状态参数，工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量，然后将截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量，再根据截割臂回转油缸和截割臂升降油缸的反馈控制量，控制截割部。由此该方法可通过神经网络模型调整截割臂的控制量，从而实现自适应控制截割臂，提高了控制精度及控制效果。
第二方面，如图2所示，根据本发明的实施例，提供了一种掘进机截割部的控制装置，包括：
获取模块201，用于获取截割部的工作状态参数，工作状态参数包括截割电机的A相电流、B相电流及C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量；
处理模块202，用于将截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量；
控制模块203，用于根据截割臂回转油缸和截割臂升降油缸的反馈控制量，控制截割部。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (4)
1.一种掘进机截割部的控制方法，其特征在于，包括：
获取截割部的工作状态参数，所述工作状态参数包括截割电机的A相电流、截割电机的B相电流、截割电机的C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量；
将所述截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量；
根据所述截割臂回转油缸和截割臂升降油缸的反馈控制量，控制所述截割部；
所述预设的神经网络模型包括输入层、输出层、及位于所述输入层与所述输出层之间的隐藏层；
所述神经网络模型的训练步骤包括：
获取输入样本，所述输入样本作为所述输入层的神经元参数；
每层隐藏层中的每个所述神经元为上一层隐藏层的神经元的值通过加权线性求和得到；
所述输出层将最后一层隐藏层所接收到的上一层隐藏层的神经元参数，利用如下公式，计算得到输出值；
其中，g(z)为非线性激活函数，e为对数函数的底数，z为激活函数的激活参数；
利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止。
2.根据权利要求1所述的方法，其特征在于，所述利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止包括：
利用如下公式，利用随机梯度下降使用损失函数相对于需要调整的神经元参数的梯度来更新神经元参数，
其中，ω为隐含层中每个神经元参数，η为控制参数空间搜索中步长的学习率，Loss为用于网络的损失函数，α为梯度下降的步长，R(ω)为均方差损失函数；
在梯度下降时，利用如下公式，计算得到梯度权重损失，直至到达所述预设的迭代次数为止；
其中，i为预设的迭代次数，∈为全局的学习率且大于0，W为权重矩阵。
3.根据权利要求2所述的方法，其特征在于，所述网络的损失函数为
其中，
为网络的损失函数，y为损失函数输出值，
为输入特征的线性组合，W为权重矩阵，α为梯度下降的步长。
4.一种掘进机截割部的控制装置，应用于权利要求1-3任一项所述的掘进机截割部的控制方法，其特征在于，包括：
获取模块，用于获取截割部的工作状态参数，所述工作状态参数包括截割电机的A相电流、截割电机的B相电流、截割电机的C相电流、截割臂回转油缸的位移量、截割臂升降油缸的位移量、截割臂的振动量及截割臂回转油缸和截割臂升降油缸的控制量；
处理模块，用于将所述截割部的工作状态参数输入预设的神经网络模型，得到截割臂回转油缸和截割臂升降油缸的反馈控制量；控制模块，用于根据所述截割臂回转油缸和截割臂升降油缸的反馈控制量，控制所述截割部；
所述预设的神经网络模型包括输入层、输出层、及位于所述输入层与所述输出层之间的隐藏层；
所述处理模块还具体用于获取输入样本，所述输入样本作为所述输入层的神经元参数；
每层隐藏层中的每个所述神经元为上一层隐藏层的神经元的值通过加权线性求和得到；
所述输出层将最后一层隐藏层所接收到的上一层隐藏层的神经元参数，利用如下公式，计算得到输出值；
其中，g(z)为非线性激活函数，e为对数函数的底数，z为激活函数的激活参数；
利用多层感知器通过随机梯度下降进行训练，直至达到预设的迭代次数为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011259125.8A CN112392498B (zh) | 2020-11-12 | 2020-11-12 | 一种掘进机截割部的控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011259125.8A CN112392498B (zh) | 2020-11-12 | 2020-11-12 | 一种掘进机截割部的控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112392498A CN112392498A (zh) | 2021-02-23 |
| CN112392498B true CN112392498B (zh) | 2022-12-16 |
Family
ID=74599754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011259125.8A Active CN112392498B (zh) | 2020-11-12 | 2020-11-12 | 一种掘进机截割部的控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112392498B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06212880A (ja) * | 1993-01-19 | 1994-08-02 | Kawasaki Heavy Ind Ltd | トンネル掘削機の方向制御方法および装置 |
| CN206769905U (zh) * | 2017-05-11 | 2017-12-19 | 辽宁工程技术大学 | 基于人工神经网络智能调节截割机构横摆过程的掘进机 |
| CN110045598A (zh) * | 2019-04-10 | 2019-07-23 | 中国矿业大学(北京) | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
| CN110864692A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 掘进机的位姿确定方法 |
-
2020
- 2020-11-12 CN CN202011259125.8A patent/CN112392498B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06212880A (ja) * | 1993-01-19 | 1994-08-02 | Kawasaki Heavy Ind Ltd | トンネル掘削機の方向制御方法および装置 |
| CN206769905U (zh) * | 2017-05-11 | 2017-12-19 | 辽宁工程技术大学 | 基于人工神经网络智能调节截割机构横摆过程的掘进机 |
| CN110045598A (zh) * | 2019-04-10 | 2019-07-23 | 中国矿业大学(北京) | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
| CN110864692A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 掘进机的位姿确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 悬臂式掘进机自适应截割控制***研究;张建广;《煤炭科学技术》;20160210;第44卷(第2期);第148-152页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112392498A (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3085417C (en) | Controlling range constraints for real-time drilling | |
| CN104876145B (zh) | 电动主动升沉补偿绞车*** | |
| CN110409528B (zh) | 一种挖掘机铲斗轨迹自动控制装置、方法和计算机可读存储介质 | |
| US11591895B2 (en) | Simulated annealing accelerated optimization for real-time drilling | |
| EP4026984B1 (en) | System and method for real-time monitoring and optimizing operation of connected oil and gas wells | |
| CN112906202B (zh) | 基于地理信息的开采方法和装置、存储介质及电子装置 | |
| CN105243393A (zh) | 一种基于特征的复杂机电***故障预报方法 | |
| CN112392498B (zh) | 一种掘进机截割部的控制方法及装置 | |
| Parisi et al. | A new concept for large additive manufacturing in construction: tower crane-based 3D printing controlled by deep reinforcement learning | |
| CN117891282B (zh) | 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 | |
| CN113361824B (zh) | 土压平衡盾构机及其推进速度预测方法、装置、存储介质 | |
| CN116520769B (zh) | 数控机床的监测方法、装置、终端设备及计算机存储介质 | |
| CN103967474A (zh) | 地下采矿钻车自动定位*** | |
| WO2020148130A1 (de) | Verfahren zur bereitstellung eines kinematischen modells für kinematische arbeitssysteme | |
| WO2021251982A1 (en) | Controlling wellbore equipment using a hybrid deep generative physics neural network | |
| CN116720442A (zh) | 一种基于改进傅里叶神经算子的磨损预测方法 | |
| CN113858202B (zh) | 一种锚杆台车钻臂的逆解分析方法、装置、设备及介质 | |
| CN114370284B (zh) | 盾构开挖面地层性质实时感知与掘进参数调整方法及*** | |
| CN115573702A (zh) | 一种水平井的井轨迹校正方法、装置、设备和存储介质 | |
| Liu et al. | CNN-GRU-Based intelligent online prediction of screw machine rotation speed for Earth pressure balance shield machine | |
| CN101630940B (zh) | 感应电机调速***模糊神经网络逆鲁棒控制器及构造方法 | |
| Li et al. | Hybrid cycle reservoir with jumps for multivariate time series prediction: industrial application in oil drilling process | |
| Iudin et al. | Electrical submersible pump complex model for sensorless parameters observing | |
| EP3506026A1 (de) | Verfahren zur rechnergestützten prädiktion von mindestens einer globalen betriebsgrösse eines technischen systems | |
| CN114363366A (zh) | 一种基于云平台的远程自动定向***及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |