基于神经网络法的掘进机截割负载判定系统的研究

张晓磊

（晋能控股集团挖金湾虎龙沟煤业有限公司， 山西 怀仁 038300）

引言

随着各煤炭生产企业井下综采作业设备自动化水平的不断提高，限制井下综采作业效率进一步提升的瓶颈已经转换为井下掘进作业效率不能满足综采作业效率的要求。目前井下掘进机在掘进作业时主要是依靠人工对截割状态进行判断，不断调整掘进机的截割作业参数，但由于煤矿井下地质环境复杂，给人工判断带来了极大的难度，同时工人在调整过程中，精神高度集中，极易产生疲劳，给井下掘进作业带来了极大的安全隐患。因此为了适应井下掘进作业自动化的需求，本文提出了一种基于神经网络法的掘进机截割负载判定系统，利用神经网络算法对作用在截割机构上的负载进行精确判断，为实现掘进机的自动化掘进作业奠定了基础。

1 负载判定系统工作原理及控制流程

该基于神经网络的掘进机截割负载判定系统利用设置在掘进机截割机构及控制液压缸处的压力监测设备对掘进作业过程中的电机、执行油缸压力进行实时监测，对掘进机截割作业过程中的截割转速、驱动电机的工作电流、掘进机的掘进速度、执行油缸的工作压力和悬臂的工作角度进行实时监测，利用神经网络法[1]对所监控到的信息进行融合校正处理，使监测信号转换为模拟量的数据信息信号，根据预设的运算逻辑完成对掘进机的截割载荷识别，对截割作业区域的岩层的硬度和截割阻力进行精确判断，将运算结果直接显示到操作终端处，同时自动对采煤机的运行状态进行调整，使其截割转速和进给速度根据岩层的截割阻力进行灵活调整，最终提高了掘进作业效率和使用寿命，该掘进机截割负载判定系统的控制流程如图1 所示[2]。

图1 掘进机截割负载判定流程示意图

2 基于神经网络融合的载荷信息识别原理

由于传统的载荷识别方法仅仅是对各个传感器设备的监测数据进行分析，只有当各个监测数据均满足一定条件时系统才判断截割机构处在某一个载荷范围内，但这种方案识别率低下、数据处理周期长、随机性大，无法满足自动化要求的高精确性要求[3]。神经网络融合技术是指将各个监测设备所监测到的数据信息进行统一的汇总分析，对整个监测体系内的数据进行联动分析，根据各数据的联动分析结果确定作用在截割滚筒上的截割阻力，该方法具有数据分析速度快、精度高的优点，能够满足掘进机在高速运转情况下的负载判定要求。

同时该系统根据所分析出的截割阻力的大小，对掘进机驱动控制系统进行调整，满足在不同截割阻力下高速、安全截割作业要求，能够极大地降低掘进机在掘进作业过程中的磨损，提高使用寿命，使掘进作业时能够以最经济的方式进行截割作业，该基于神经网络融合的载荷信息识别原理如下页图2 所示。

图2 数据融合原理

3 数据传感器位置示意图

该掘进机截割负载判定系统的核心在于对掘进机工作状态信息判断的准确性，因此各数据传感器的位置设置和精确性直接关系到该判定系统的准确性，经过多次试验验证，最终确定的掘进机上各传感器的安装位置结构如下页图3 所示。

图3 掘进机传感器布置结构示意图

掘进机在掘进作业过程中当截割机构上的截割阻力发生变化时，截割机构的振动将随着与截割滚筒距离的增加而逐渐降低，并且由于截割滚筒在不断旋转，因此为了避免传感器的线束出现缠绕，最初采用了无线传感器，但是由于煤矿井下地质环境复杂，导致信号传输极不稳定，无法满足数据传输要求，因此经过多次试验验证后本文选择了一种新的滑环传感器，该传感器结构与电机结构类似，由定子和转子共同构成，能够在确保转子部分跟随掘进机截割机构旋转的条件下，确保后侧的连接线部分的稳定性，从而确保了监测信号传输的准确性。

在设置压力传感器时，根据掘进机工作时各执行油缸的工作特性，选择将传感器设置在回转执行油缸和升降执行油缸处各设置一个压力传感器，满足对执行油缸工作过程中压力的监控要求。

4 传感器选型要求

传感器是用于对掘进机的运行状态进行监测，满足监测需求的一种设备，由于掘进机的工作环境较为恶劣，因此要求传感器在满足监测精度的情况下具有极高的使用可靠性。

振动传感器主要是为了对截割作业过程中截割机构的振动情况进行监测，用于判断传动系统的运行稳定，一般分为磁电式和压电式，经过多次试验对比后，本文选择了KGS18 式压电式振动传感器，具有较高的固定频率，电荷灵敏度高，能够避免截割作业过程中截割载荷突变导致的误报警状态，其结构见图4-1。

电流传感器主要是对掘进过程中驱动电机的截割电流进行监测，从而根据电流变化情况确定截割负载的变化情况，要求灵敏度高，本文选择了SD300EKADV 型电流传感器，具有测量精度高，能适应防爆环境的特点，其结构如图4-2 所示。

压力传感器主要用于对执行油缸的工作压力进行监测，因此本文选择了GPD60（A）矿用本安型压力传感器，能够将液压传感器经过电桥转换成压力信号，监测精度能够达到0.1 MPa，其结构如图4-3 所示。

图4 传感器结构示意图

5 结论

1）该方案利用神经网络法对所监控到的信息进行融合校正处理，根据预设的运算逻辑完成截割载荷识别，同时自动对采煤机的运行状态进行调整，使其截割转速和进给速度根据岩层的截割阻力进行灵活调整，最终实现提高掘进作业效率，提高掘进机的使用寿命。

2）神经网络融合技术是指将各个监测设备所监测到的数据信息进行统一的汇总分析，对整个监测体系内的数据进行联动分析，根据各数据的联动分析结果确定作用在截割滚筒上的截割阻力，具有数据分析速度快、精度高的优点。