CN117335689A - 多伺服驱动采煤机截割部的力矩最优控制方法 - Google Patents

多伺服驱动采煤机截割部的力矩最优控制方法 Download PDF

Info

Publication number
CN117335689A
CN117335689A CN202311577578.9A CN202311577578A CN117335689A CN 117335689 A CN117335689 A CN 117335689A CN 202311577578 A CN202311577578 A CN 202311577578A CN 117335689 A CN117335689 A CN 117335689A
Authority
CN
China
Prior art keywords
motor
coal mining
optimal
load
torque
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.)
Granted
Application number
CN202311577578.9A
Other languages
English (en)
Other versions
CN117335689B (zh
Inventor
吕永峰
苗白雪
菅垄
张婉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202311577578.9A priority Critical patent/CN117335689B/zh
Publication of CN117335689A publication Critical patent/CN117335689A/zh
Application granted granted Critical
Publication of CN117335689B publication Critical patent/CN117335689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21C—MINING OR QUARRYING
    • E21C31/00—Driving means incorporated in machines for slitting or completely freeing the mineral from the seam
    • E21C31/02—Driving means incorporated in machines for slitting or completely freeing the mineral from the seam for cutting or breaking-down devices
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P5/00—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种多伺服驱动采煤机截割部的力矩最优控制方法，涉及采煤机的自动控制技术领域。本发明针对采煤机截割部多电机驱动伺服***，根据电机输入力矩和采煤机负载所需力矩，分别建立驱动电机和采煤负载的耦合***模型，给定截割部采煤机***的综合性能指标，引进神经网络逼近并分别学习驱动电机和多驱动负载各输入的最优指标函数，得到伺服***和多驱动负载的最优输入力矩。本发明应用了自适应动态规划方法以研究受扰采煤机截割段中多电机驱动齿轮***的最佳扭矩，以实现采煤机控制的近似最佳效果；使采煤机截割部以稳定、节能的方式工作。

Description

多伺服驱动采煤机截割部的力矩最优控制方法
技术领域
本发明涉及采煤机的自动控制技术领域，具体为一种多伺服驱动采煤机截割部的力矩最优控制方法。
背景技术
煤矿开采领域的发展非常迅速。采煤机作为该领域的关键机电设备之一，对其进行研究具有重要意义。齿轮传动***中的电机和传动齿轮是一个不可分割的整体。在运行过程中，电机与传动齿轮相互作用，物理过程众多，耦合关系复杂。近年来，电机-齿轮传动***机电耦合动力学的研究受到了一些学者的重视。传统的采煤机驱动方式一直以单电机驱动为主，主要采用电机驱动采煤机进行齿轮切割，进而实现采煤。然而，面对坚硬的煤壁或较低的采煤效率，单一的伺服驱动模型不足以满足生产需求。多驱动采煤机***可以有效地解决这一物理问题，并在新型采煤机的制造领域得到了广泛的应用。
具有多个驱动电机的新型采煤机截断短程驱动***在以前的采煤机中没有使用，但类似的机电多驱动***已应用于其他国防和工业***，如火炮***、大型雷达***、风力涡轮机偏航控制***。在过去的几年里，人们对这种多功率电机驱动的机电伺服***进行了大量的研究。然而，新型多电机短程推进***的最优控制问题在各种文献和专利中较少涉及。因为新型多电机短程推进***包括一个截断齿轮***和多个驱动电机模型，这些模型组成了大型复杂耦合***，需要解决其实现最优控制的难题。
发明内容
本发明为了解决采煤机的新型多电机短程推进***的最优控制问题，提供了一种多伺服驱动采煤机截割部的力矩最优控制方法。
本发明是通过如下技术方案来实现的：一种多伺服驱动采煤机截割部的力矩最优控制方法，包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮***的煤矿截割部***，煤炭切割段的多驱动***建模为：
（1）
其中是电机***的多个电机模型，其为负载 提供动力；是多输入负载***；N是驱动电机编号， 和分别表示采煤齿轮的角位置和速度；是采煤齿轮的角加速度；和是多驱动电 机的角位置和角速度；是电动机阻尼，是截割部阻尼系数；是采煤齿轮的转动惯量，是来自第i个电机的输入力矩，和是电机小齿轮和负载大齿轮的转矩圆的半径，是用于煤矿开采的转矩，是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，是驱动电机 的输入力矩；多驱动电机转矩和速度的性能指标函数表示为
，其中
，保证了齿轮和电机状态的 最佳性能，并且能耗最低，、、和为给定的对应矩阵；因为采煤齿轮的性能比电机 的性能更重要，所以电机的权重应该比齿轮的重量小；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：，其中；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
，；
其中，和是激活函数，神经网络参数和的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
令和，
和；
则得到如下滤波矩阵：
，；
则和的估计方法设计为：
和；
S4：采煤机截割部多驱动负载***最优控制设计，根据所学参数和多伺服***驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据求得。
本发明所述的最优控制方法，首先构建多电机负载***的数学模型，包括驱动电机和负载模型两部分；应用神经网络逼近驱动电机和负载的指标函数；基于驱动电机和负载模型的耦合关系，获得最优的驱动电机控制力矩，实现多电机负载***的综合性能最优。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种多伺服驱动采煤机截割部的力矩最优控制方法，实现采煤机的大功率截割推进效果，可以有效提升采煤效率，增加产量；同时，应用了自适应动态规划方法以研究受扰采煤机截割段中多电机驱动齿轮***的最佳扭矩，以实现采煤机伺服***控制的近似最佳效果；使采煤机截割部伺服***以转速稳定、能耗近似最优的方式工作。
附图说明
图1为本发明实施例所针对的采煤机截割部多电机负载***结构图。
图2为本发明截割部多驱动负载***性能指标权重收敛图。
图3为电机1的性能指标权重收敛图。
图4为电机2的性能指标权重收敛图。
图5为电机3的性能指标权重收敛图。
图6为采煤机截割部齿轮角速度镇定效果图。
图7为驱动电机速度镇定效果图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种多伺服驱动采煤机截割部的力矩最优控制方法，采煤机的结构如图1所示，驱动部分由N个伺服电机组成，提供给整个截割部采煤动力，由齿轮变速箱将动力转换传送给切割齿轮，进行采煤作业，具体包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮***的煤矿截割部***，煤炭切割段的多驱动***建模为：
（1）
其中是电机***的多个电机模型，其为负载 提供动力；是多输入负载***；N是驱动电机编号， 和分别表示采煤齿轮的角位置和速度；是采煤齿轮的角加速度；和是多驱动电 机的角位置和角速度；是电动机阻尼，是截割部阻尼系数；是采煤齿轮的转动惯量，是来自第i个电机的输入力矩，和是电机小齿轮和负载大齿轮的转矩圆的半径，是用于煤矿开采的转矩，是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，是驱动电机 的输入力矩；多驱动电机转矩和速度的性能指标函数表示为
，其中
，保证了齿轮和电机状态 的最佳性能，并且能耗最低，、、和为给定的对应矩阵；因为采煤齿轮的性能比电 机的性能更重要，所以电机的权重应该比齿轮的重量小；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：
，其中；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
，；
其中，和是激活函数，神经网络参数和的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
令和，
和；
则得到如下滤波矩阵：
，；
则和的估计方法设计为：
和；
S4：采煤机截割部多驱动负载***最优控制设计，根据所学参数和多伺服***驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据求得。
本实施例对上述过程进行仿真，应用三电机驱动的采煤机负载***进行验证，则设 置，，， kg.m2，，， kg.m2，，，，。采煤机***为：
仿真中各初值设置为 =。 截割负载的性能指标神经网络激活函数设置为，驱动电机性能指标神 经网络的激活函数设置为 ，学 习参数给定为，。
图2 为截割负载性能指标的神经网络权值收敛图，神经网络权值收敛效果表明截割部齿轮以超调最小、能耗最优的方式工作；图3-5为驱动电机1-3的性能指标神经网络权值曲线，表明在给定负载需求下驱动电机以力矩最佳、性能近似最优的方式工作；图6为采煤截割齿轮转速曲线，说明负载齿轮无超调、且镇定速度快；图7为电机1-3的角速度，该图表明驱动电机以能耗最小、性能最优的方式提供给整个截割***动力。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。

Claims (1)

1.一种多伺服驱动采煤机截割部的力矩最优控制方法，其特征在于：包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮***的煤矿截割部***，煤炭切割段的多驱动***建模为：
（1）
其中是电机***的多个电机模型，其为负载提供动力；/>是多输入负载***；N是驱动电机编号，/>和/>分别表示采煤齿轮的角位置和速度；/>是采煤齿轮的角加速度；/>和/>是多驱动电机的角位置和角速度；/>是电动机阻尼，/>是截割部阻尼系数；/>是采煤齿轮的转动惯量，/>是来自第i个电机的输入力矩，/>和/>是电机小齿轮和负载大齿轮的转矩圆的半径，/>是用于煤矿开采的转矩，/>是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，/>是驱动电机的输入力矩；多驱动电机转矩和速度的性能指标函数表示为，其中
，保证了齿轮和电机状态的最佳性能，并且能耗最低，/>、/>、/>和/>为给定的对应矩阵；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：，其中/>；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
，
，/>；
其中，和/>是激活函数，神经网络参数/>和/>的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
，
，
，
，
令和/>，和/>；
则得到如下滤波矩阵：
，/>；
则和/>的估计方法设计为：
和/>；
S4：采煤机截割部多驱动负载***最优控制设计，根据所学参数和多伺服***驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据/>求得/>。
CN202311577578.9A 2023-11-24 2023-11-24 多伺服驱动采煤机截割部的力矩最优控制方法 Active CN117335689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311577578.9A CN117335689B (zh) 2023-11-24 2023-11-24 多伺服驱动采煤机截割部的力矩最优控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311577578.9A CN117335689B (zh) 2023-11-24 2023-11-24 多伺服驱动采煤机截割部的力矩最优控制方法

Publications (2)

Publication Number Publication Date
CN117335689A true CN117335689A (zh) 2024-01-02
CN117335689B CN117335689B (zh) 2024-02-20

Family

ID=89279542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311577578.9A Active CN117335689B (zh) 2023-11-24 2023-11-24 多伺服驱动采煤机截割部的力矩最优控制方法

Country Status (1)

Country Link
CN (1) CN117335689B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070073685A (ko) * 2007-06-12 2007-07-10 순천대학교 산학협력단 유도전동기 최대토크 제어시스템
US20090198396A1 (en) * 2008-02-04 2009-08-06 Fernando Rodriguez Adaptive control strategy and method for optimizing hybrid electric vehicles
CN108196446A (zh) * 2017-12-14 2018-06-22 北京理工大学 模型未知的双电机负载的动态规划最优控制方法
CN109946975A (zh) * 2019-04-12 2019-06-28 北京理工大学 一种未知伺服***的强化学习最优跟踪控制方法
CN110707973A (zh) * 2019-09-24 2020-01-17 稳力(广东)科技有限公司 永磁同步电机效率最优点快速搜索方法及***
CN115977633A (zh) * 2022-12-20 2023-04-18 山东科技大学 一种基于多信息融合反馈的射流与截割协同调控的方法
CN116032160A (zh) * 2023-02-28 2023-04-28 南京理工大学 一种用于双电机伺服***的自适应变偏置力矩补偿方法
CN116973745A (zh) * 2023-06-28 2023-10-31 东风商用车有限公司 一种基于神经网络的电机扭矩标定方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070073685A (ko) * 2007-06-12 2007-07-10 순천대학교 산학협력단 유도전동기 최대토크 제어시스템
US20090198396A1 (en) * 2008-02-04 2009-08-06 Fernando Rodriguez Adaptive control strategy and method for optimizing hybrid electric vehicles
CN108196446A (zh) * 2017-12-14 2018-06-22 北京理工大学 模型未知的双电机负载的动态规划最优控制方法
CN109946975A (zh) * 2019-04-12 2019-06-28 北京理工大学 一种未知伺服***的强化学习最优跟踪控制方法
CN110707973A (zh) * 2019-09-24 2020-01-17 稳力(广东)科技有限公司 永磁同步电机效率最优点快速搜索方法及***
CN115977633A (zh) * 2022-12-20 2023-04-18 山东科技大学 一种基于多信息融合反馈的射流与截割协同调控的方法
CN116032160A (zh) * 2023-02-28 2023-04-28 南京理工大学 一种用于双电机伺服***的自适应变偏置力矩补偿方法
CN116973745A (zh) * 2023-06-28 2023-10-31 东风商用车有限公司 一种基于神经网络的电机扭矩标定方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIEN LI, ET AL.: "adaptive optimal controls for multi-driving gear of long-wall shearer", 《2022 IEEE 11TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE (DDCLS)》, pages 654 - 658 *
吕永峰，等: "基于自适应动态规划的多驱动负载***跟踪控制", 太原理工大学学报》, pages 1 - 9 *

Also Published As

Publication number Publication date
CN117335689B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN109623810B (zh) 一种机器人平滑的时间最优轨迹规划的方法
CN111267110B (zh) 基于障碍尺寸同伦策略的机器人轨迹规划最优控制方法
CN117335689B (zh) 多伺服驱动采煤机截割部的力矩最优控制方法
CN113703319B (zh) 基于强化学习的关节模组不等式约束最优鲁棒控制方法
CN102594245B (zh) 一种欠驱动双耦合电机的滑模控制方法
CN103625462A (zh) 节能型串联混合动力拖拉机的控制方法
CN106143213A (zh) 一种扭矩安全监控方法以及装置
CN109905067B (zh) 电机驱动***结构与控制一体优化方法
CN115506955B (zh) 一种风电机组双驱变桨***及其同步控制方法
CN103625308A (zh) 拖拉机的电动机高效运行控制方法及***
CN107121931A (zh) 悬挂式六自由度微重力环境模拟***终端滑模控制方法
CN101956813A (zh) 车辆自动变速器的经济性换挡控制方法
CN106655962A (zh) 基于极限学习机的电动汽车异步电机驱动***控制方法
Lin et al. Optimization design of distributed drive vehicle reducer based on improved particle swarm optimization algorithm
CN106533313A (zh) 电动汽车用永磁同步电机的极限学习机命令滤波控制方法
CN114115252A (zh) 一种基于不等式约束的关节模组鲁棒控制方法
CN113184732A (zh) 基于流量控制的浮式钻井节能绞车型升沉补偿***及方法
CN104915481A (zh) 基于虚拟样机建模和周期性规划的球形电机协同控制
CN201568040U (zh) 单片机为上位机的立式抽油机自动控制***
CN113032901B (zh) 一种飞机舱门运行功率优化方法
CN108869690B (zh) 一种多马达同步回转驱动***及其驱动方法
CN204094798U (zh) 机器人关节动力传动***
CN215376727U (zh) 一种新能源汽车控制模型
CN202656183U (zh) 欠驱动机械臂
Zhang et al. Research on characteristics analysis and dynamic coordination control of the hybrid electric system coupling mechanism

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