基于改进BP−PID的带式输送机速度控制方法

桂改花, 苑占江

桂改花,苑占江. 基于改进BP−PID的带式输送机速度控制方法[J]. 工矿自动化,2023,49(5):104-111. DOI: 10.13272/j.issn.1671-251x.2022080058
引用本文: 桂改花,苑占江. 基于改进BP−PID的带式输送机速度控制方法[J]. 工矿自动化,2023,49(5):104-111. DOI: 10.13272/j.issn.1671-251x.2022080058
GUI Gaihua, YUAN Zhanjiang. Speed control method for belt conveyor based on improved BP-PID[J]. Journal of Mine Automation,2023,49(5):104-111. DOI: 10.13272/j.issn.1671-251x.2022080058
Citation: GUI Gaihua, YUAN Zhanjiang. Speed control method for belt conveyor based on improved BP-PID[J]. Journal of Mine Automation,2023,49(5):104-111. DOI: 10.13272/j.issn.1671-251x.2022080058

基于改进BP−PID的带式输送机速度控制方法

基金项目: 广东省普通高校特色创新项目(K01057037)。
详细信息
    作者简介:

    桂改花(1981—),女,山东聊城人,讲师,硕士,主要研究方向为数学建模、控制算法,E-mail:ggaihua2022@163.com

  • 中图分类号: TD528.1

Speed control method for belt conveyor based on improved BP-PID

  • 摘要: 针对传统BP−PID控制算法采用梯度下降法求解,存在收敛速度慢、易陷入局部极值且在低信噪比(LSNR)条件下性能下降等问题,提出了一种基于改进遗传模拟退火算法(ImGSAA)优化的BP−PID带式输送机速度控制方法(ImGSAA−BP−PID)。首先将交叉、变异概率取值与迭代时间关联,并引入反余弦函数增加遗传模拟退火算法(GSAA)动态调整和非线性变化适应能力。然后通过对传统Metropolis准则进行加权处理,提出加权Metropolis准则,对新种群个体进行修正,提升GSAA的噪声稳健性。最后利用ImGSAA对BP−PID初始参数进行优化,自动确定BP−PID的最优参数组合,从而提升参数整定的实时性和控制精度及对LSNR环境的适应能力。试验结果表明:① ImGSAA仅需11次迭代即可收敛,表明利用改进的交叉、变异策略和加权Metropolis准则对GSAA进行优化,能够有效提升算法的收敛速度和实时性。② ImGSAA−BP−PID的控制误差为−0.468 5~0.572 3 m/s,与遗传算法(GA)−BP−PID、粒子群算法(PSO)−BP−PID、GSAA−BP−PID的控制方法相比,分别提升了224.88%,104.07%,38.33%。③ ImGSAA性能受LSNR影响最小,迭代15次即收敛于全局最优解,具有较强的噪声稳健性。④ 在LSNR条件下,ImGSAA−BP−PID的控制误差均值下降了3.54%,控制性能明显优于GA−BP−PID,PSO−BP−PID,GSAA−BP−PID,更满足实际工程应用需求。
    Abstract: The traditional BP-PID control algorithm uses the gradient descent method to solve, which has problems such as slow convergence speed, easy trapping in local extremum, and performance degradation under low signal-to-noise ratio (LSNR) conditions. In order to solve the above problems, a BP PID belt conveyor speed control method (ImGSAA-BP-PID) based on improved genetic simulated annealing algorithm (ImGSAA) optimization is proposed. Firstly, the values of crossover and mutation probabilities are correlated with the iteration time. The inverse cosine function is introduced to enhance the dynamic adjustment and nonlinear change adaptability of GSAA. Secondly, by weighting the traditional Metropolis criterion, a weighted Metropolis criterion is proposed to modify the new population individuals and improve the noise robustness of genetic simulated annealing algorithm (GSAA). Finally, ImGSAA is used to optimize the initial parameters of BP-PID, automatically determining the optimal parameter combination for BP-PID. It improves its real-time parameter tuning, control precision, and adaptability to the LSNR environment. The experimental results show the following points. ① ImGSAA only needs 11 iterations to converge, indicating that optimizing the GSAA using the proposed improved crossover and mutation strategies and weighted Metropolis criteria can effectively improve the convergence speed and real-time performance of the algorithm. ② The control error of ImGSAA-BP-PID is −0.468 5-0.572 3 m/s, which is 224.88%, 104.07%, and 38.33% higher than the control methods based on genetic algorithm (GA)-BP PID, particle swarm optimization (PSO)-BP PID, and GSAA-BP-PID, respectively. ③ The performance of ImGSAA is least affected by LSNR. It converges to the global optimal solution after 15 iterations, which has strong noise robustness. ④ Under LSNR conditions, the average control error of ImGSAA-BP-PID decreases by 3.54%. The control performance is significantly better than GA-BP-PID, PSO-BP-PID, and GSAA-BP-PID, which better meets the practical engineering application requirements.
  • 随着我国煤矿开采规模逐渐扩大,钻探作业深度和强度不断加大[1]。在深部钻进过程中,煤矿钻孔机器人面对的煤岩层地质条件更加复杂[2] ,煤岩各向异性、软硬交错煤层及断层、褶曲、裂缝等地质构造使得钻杆系统与煤岩层相互作用时,钻头−煤岩间力学状态呈动态变化[3]。特别是水平钻进过程中,软硬交错与倾斜煤层极易对钻头产生不可控的偏斜扰动及强烈的碰撞反力,导致钻进轨迹偏斜、钻杆系统振动等问题[4]。研究钻杆系统与煤岩层相互作用,以及煤层硬度、倾斜角度对钻杆系统振动特性的影响具有现实意义。

    国内外专家学者在钻杆振动特性研究方面取得了一定成果。T. Richard等[5]、K. Nandakumar等[6]考虑黏滞阻尼,建立了钻柱纵−扭2自由度耦合模型,并进行稳定性分析。Liu Xianbo等[7]、B. Saldivar等[8]考虑非线性干摩擦,建立了钻柱纵−扭2自由度耦合数学模型,并分析其稳定性。N. K. Tengesdal等[9]采用2自由度质量弹簧阻尼模型,建立了钻井系统中钻头与岩石相互作用的纵−扭耦合动力学模型并进行数值分析。Y. M. Choe等[10]提出了具有5自由度的纵−扭集中参数模型,并采用Runge−Kutta方法进行数值模拟,研究了具有非光滑特性的钻柱系统的纵−扭模态相关性。吴泽兵等[11]、刘清友等[12]分别采用有限元法、牛顿法研究了钻杆纵向与横向振动的动力学特性。朱才朝等[13]基于钻头−岩石的相互作用,采用能量法建立了横−纵−扭全耦合非线性动力学方程,并进行数值仿真分析。Zhao Jianguo等[14]综合考虑钻头性能、钻速、转矩等因素,建立了纵−扭动力学的流固耦合模型,分析了各因素对纵−扭振动特性的影响。此外,专家学者还对煤岩层性质、钻进工况对钻杆系统动力学的影响展开研究。张冯豆[15]研究了钻头与复杂地层的相互作用,分析了地层动态反力作用下钻柱系统的振动特性。文国军等[16]采用数值模拟和响应面分析相结合的方法,研究了钻进过程中钻头与深部复杂地层的动态特性及参数响应规律。

    为更全面地研究复杂煤层工况对煤矿钻孔机器人水平钻进过程中钻杆系统振动特性的影响,本文开展了钻杆系统在不同倾斜角度下软硬交错煤层中钻进过程的实验研究,分析钻杆系统的纵−横−扭耦合振动特性,为煤矿钻孔机器人水平钻进轨迹预测及控制奠定理论基础。

    煤矿钻孔机器人在深部煤层水平钻进过程中,由夹持器、钻杆、钻头等组成的钻杆系统将承受自重、给进阻力、转矩、阻尼、钻杆−孔壁接触碰撞力、摩擦阻力、钻头−破碎煤岩相互作用力等综合作用,产生纵向、横向、扭转及其耦合振动。钻杆系统受力分析如图1所示。其中$ {f_{\mathrm{T}}} $为钻孔机器人提供的推进力;$ n $为钻杆转速;$ v $为钻杆钻速;$ {m_{\mathrm{T}}} $为钻杆转矩;$ {f_{\mathrm{g}}} $为钻杆自重;$ {f_{\mathrm{a}}} $,$ {f_{\mathrm{b}}} $分别为钻杆系统受到的煤岩层动载轴向力和动载切向力;$ {m_{\mathrm{d}}} $为破岩过程中钻杆系统的转矩。

    图  1  煤矿钻孔机器人水平钻进时钻杆系统动载受力分析
    Figure  1.  Dynamic load analysis of drill rod system in coal mine drilling robot during horizontal drilling

    根据汉密尔顿原理,采用离散有限元法建立钻杆系统水平钻进过程中的动力学模型(式(1))。为贴近实际工况,采用弹簧−质量−阻尼系统建模,引入钻头钻进软硬交错倾斜煤层时的相互作用力、钻杆与孔壁非确定性动态接触碰撞摩擦、钻杆夹持端钻进工况等边界条件,并假设钻杆为均质弹性直杆,水平钻进轨迹与钻头及钻杆轴线重合,钻进过程中钻杆转速保持不变,钻杆系统横向振动分解为钻头或钻杆横截面上水平、竖直 2个方向的分量。

    $$ {\boldsymbol{M}} {\ddot {\boldsymbol{U}}} + {\boldsymbol{C}} {\dot {\boldsymbol{U}}} + {\boldsymbol{K}} {\boldsymbol{U}} = {\boldsymbol{F}} $$ (1)

    式中:${\boldsymbol{M}} , {\boldsymbol{C}} , {\boldsymbol{K}} $分别为钻杆系统的质量、阻尼和刚度矩阵;${\ddot {\boldsymbol{U}}} ,{\dot {\boldsymbol{U}}} , {\boldsymbol{U}} $分别为钻杆系统的加速度、速度及位移矢量;$ {\boldsymbol{F}} $为钻杆系统的载荷矢量。

    煤矿钻孔机器人钻杆系统是一个具有较大细长比的柔性转子系统[17]。与常规垂直钻进不同,水平钻进过程中细长钻杆的抗弯能力弱,在自重作用下极易与煤岩孔壁发生非确定性接触碰撞和摩擦,导致横向振动,且其接触沿孔深和煤壁随机分布。同时,钻头钻进深部复杂煤岩层的软硬交错倾斜煤层时,将承受频繁的交变应力和较大的附加冲击载荷,造成钻头跳钻和涡动,引起钻杆系统产生横−纵−扭振动及其相互叠加耦合振动[18]。此外,随着钻进深度增加,钻杆的细长比不断增大,导致其刚度减小。在钻进压力作用下,钻杆逐渐进入正弦屈曲、螺旋屈曲等失稳阶段[19],导致钻杆在孔壁中周期性旋转运动时,其转矩发生不规则变化,并伴随与孔壁的不确定接触碰撞,使钻柱受力和运动形态更加复杂,钻杆的耦合振动规律发生明显变化。因此,采用钻杆系统的动力学模型难以准确表述钻头−煤岩及钻杆−孔壁的动态非确定性接触碰撞摩擦。本文采用实验方法分析软硬交错倾斜煤层中钻杆系统的耦合振动特性。

    根据钻孔机器人在山东某矿区实际钻进工况开展实验。煤层信息:煤3,褐黑色条痕,沥青、玻璃光泽,层状构造,条带结构,主要由亮煤组成,次为暗煤;局部含不稳定炭质泥岩夹矸,质较硬;煤层普氏系数为0.8~2.3,平均为1.6。为更全面地研究煤层硬度对钻杆系统振动特性的影响,将被研究煤层的普氏系数扩展为1.5~3.5。考虑该矿区较难同时获取该普氏系数范围内的天然煤块,根据相似原理,选用混凝土试块C15,C25,C35(抗压强度分别为15,25,35 MPa)替代天然煤块进行实验,分别对应普氏系数为1.5的软煤层、普氏系数为2.5的中硬煤层和普氏系数为3.5的硬煤层。混凝土试块采用统一规格的水泥、砂子、砂石,根据不同硬度需求配比试制而成[20]。实验采用ϕ65 mm钻头和ϕ55 mm刻槽钻杆,因此试块尺寸设计为150 mm×150 mm×150 mm。对C15,C25,C35试块进行15,30,45°切割,如图2所示,来模拟缓倾斜煤层(煤层倾角为8~25°)和中倾斜煤层(煤层倾角为25~45°)。以C25试块为例,切割后如图3所示。

    图  2  混凝土试块不同倾斜角度切割方法
    Figure  2.  Cutting methods for concrete trial blocks at different inclination angles
    图  3  切割后的混凝土试块(以C25为例)
    Figure  3.  Concrete trial blocks after cutting taking C25 trial block as an example

    钻进实验设计方案见表1。搭建煤矿钻孔机器人水平钻进实验平台及振动信号监测系统,如图4所示。采用三向振动加速度传感器监测钻进过程中钻杆轴向(纵向X方向)及径向(横向YZ方向)的振动加速度信号,采用转速传感器测量扭转振动信号(转速信号)。

    表  1  软硬交错倾斜煤层下煤矿钻孔机器人钻进实验设计方案
    Table  1.  Experimental design schemes for coal mine drilling robot under interlaced soft and hard inclined coal seams
    序号 煤层倾斜角度/(°) 软硬交错煤层
    1 15 软→中硬→硬(C15→C25→C35)
    2 15 硬→中硬→软(C35→C25→C15)
    3 30 软→中硬→硬(C15→C25→C35)
    4 30 硬→中硬→软(C35→C25→C15)
    5 45 软→中硬→硬(C15→C25→C35)
    6 45 硬→中硬→软(C35→C25→C15)
    下载: 导出CSV 
    | 显示表格
    图  4  煤矿钻孔机器人水平钻进实验平台及振动监测系统
    Figure  4.  Experimental platform and vibration monitoring system for horizontal drilling of coal mine drilling robot

    混凝土试块切割后各部分之间没有粘合,处于独立摆放状态。开始钻进实验前,通过实验平台的油缸加载装置及螺栓连接肋板结构对试块进行夹紧操作(所有试块夹紧时选用相同的加载力),避免因摆放造成的试块间隙对钻杆振动的影响。煤矿钻孔机器人水平钻进实验过程:① 按照表1中的设计方案,排放不同硬度及倾斜角度的试块。② 在加载油缸连接钢板内侧,采用木板及缓冲垫对试块进行左右粗定位,在试块顶部采用木板进行上下粗定位,在试块尾部采用未切割试块进行粗定位。③ 操作实验平台左右两侧的对称油缸及试块顶部和尾部的螺栓连接肋板,对试块进行上下、左右及前后夹紧定位。④ 采用相同钻进工艺参数进行钻进实验。

    在混凝土试块实际浇筑过程中,很难达到水泥与砂子、砂石充分混合均匀的理想状态,尤其是在通过振动搅拌棒搅拌或敦实操作进行排空处理时,会出现砂石少量聚集的情况,造成混凝土试块的非均质结构。为降低该现象对钻杆系统振动特性的影响,每组实验重复3次。

    考虑到实验过程中环境干扰、传感器噪声等对振动信号产生影响,采用经验模态分解(Empirical Mode Decomposition,EMD)方法分解采集信号[21],通过相关系数法进行滤波,之后重构信号。以方案1(15°煤层倾斜角度下,软→中硬→硬煤层钻进)中X方向振动加速度信号为例,对EMD预处理后的振动加速度信号进行一次积分运算,获得振动速度信号,再次进行积分运算,得到振动位移信号,如图5所示。后续对振动位移信号进行统计分析。

    图  5  钻进方案1下钻杆系统X方向振动加速度信号处理
    Figure  5.  Vibration acceleration signal processing of drill rod system in X-direction under drilling scheme 1

    统计不同煤层倾斜角度下,钻杆系统在软→中硬→硬煤层(C15→C25→C35)中水平钻进时XYZ方向振动位移及转速信号,如图6所示。

    图  6  钻杆系统在软→中硬→硬煤层(C15→C25→C35)钻进过程中振动位移和转速分布
    Figure  6.  Distribution of vibration displacement and rotational speed of drill rod system while drilling through soft→medium-hard→hard coal seams(C15→C25→C35)

    图6(a)—图6(c)可看出,钻杆系统在软→中硬→硬煤层(C15→C25→C35)中水平钻进时,X方向的振动位移幅值在15°倾斜煤层中处于钻进深度33~40 cm,大小为−0.3×10−3~0.3×10−3 mm;在30°倾斜煤层中处于钻进深度15~25 cm,大小为−1×10−3~0.65×10−3 mm;在45°倾斜煤层中处于钻进深度10~20 cm,大小为−2×10−3~1×10−3 mm。Y方向的振动位移幅值在15°倾斜煤层中处于钻进深度27~33 cm,大小为−2.5×10−3~2.5×10−3 mm;在30°倾斜煤层中处于钻进深度20~30 cm,大小为−5×10−3~5×10−3 mm;在45°倾斜煤层中处于钻进深度12~22 cm,大小为−6×10−3~7.5×10−3 mm。Z方向的振动幅值在15°倾斜煤层中处于钻进深度25~35 cm,大小为−5×10−3~5×10−3 mm;在30°倾斜煤层中处于钻进深度20~30 cm,大小为−11.5×10−3~11.5×10−3 mm;在45°倾斜煤层中处于钻进深度10~15,20~25 cm,大小为−10×10−3~10×10−3 mm。整体上看,钻杆系统振动位移幅值随着煤层倾斜角度的增大而增大,且振动位移幅值具有前移的变化趋势。Z方向的振动位移幅值在30°倾斜煤层中大于45°倾斜煤层,原因是钻进30°倾斜煤层试块时遇到较大砂石,导致振动增大。

    图6(d)可看出,在钻杆系统纵向和横向振动位移幅值发生时段,钻杆转速发生跃变。在15°倾斜煤层中,钻杆转速剧烈波动处于钻进深度30~43 cm,如红色椭圆形圈内标识;在30°倾斜煤层中处于钻进深度15~20 cm,如蓝色椭圆形圈内标识;在45°倾斜煤层中处于钻进深度5~15,25~30 cm,如黑色椭圆形圈内标识。同时,随着煤层倾斜角度增大,钻杆系统的转速变化幅度(扭转振动幅值)增大。

    统计不同煤层倾斜角度下,钻杆系统在硬→中硬→软煤层(C35→C25→C15)中水平钻进时XYZ方向振动位移及转速信号,如图7所示。可看出随着煤层倾斜角度增大,钻杆系统XYZ方向的振动位移幅值及转速波动范围均增大,45°倾斜角度时三向振动位移幅值较15°倾斜角度时呈3~10倍增大,较30°倾斜角度时呈2~3倍增大,且集中在钻进深度10~25 cm(XY方向)和8~22 cm(Z方向)。在45°倾斜煤层中,钻杆系统转速出现剧烈波动。为防止卡钻,降低转速缓慢钻进,因此出现转速为0的情况。

    对比图6图7可看出,同一煤层倾斜角度下,钻孔机器人在软→中硬→硬煤层中钻进较在硬→中硬→软煤层中钻进时,钻杆系统的纵向、横向及扭转振动幅度更大。

    图  7  钻杆系统在硬→中硬→软煤层(C35→C25→C15)钻进过程中振动位移和转速分布
    Figure  7.  Distribution of vibration displacement and rotational speed of drill rod system while drilling through hard→medium-hard→soft coal seams (C35→C25→C15)

    为了更清晰地对比钻杆系统纵向、横向、扭转振动信号在不同软硬交错煤层中的变化规律,取振动位移和转速信号的均值和中位数,结果如图8所示。可看出与软→中硬→硬煤层相比,钻杆系统在硬→中硬→软煤层中钻进时,X方向的振动位移幅值在15,30°倾斜煤层中明显增大,45°倾斜煤层中变化不大;Y方向的振动位移幅值在30,45°倾斜煤层中增大;Z方向的振动位移幅值在15,45°倾斜煤层中小幅增大,而在30°倾斜煤层中呈下降趋势。钻杆系统转速变化发生在硬→中硬→软煤层钻进中,煤层倾斜角度越大,转速均值与中位数之间的差值越大,即转速波动越大。整体来看,当煤层倾斜角度较小(15,30°)时,软硬交错煤层对钻进系统振动特性的影响较大,当倾斜角度较大(45°)时,倾斜角度对振动特性的影响较软硬交错煤层大。

    图  8  不同软硬交错煤层中钻杆系统振动位移幅值与转速的平均值和中位数对比
    Figure  8.  Comparison of mean and median values of vibration displacement amplitude and rotational speed of drill rod system in different interlaced soft and hard coal seams

    1) 搭建煤矿钻孔机器人水平钻进实验平台及振动信号监测系统,在考虑钻杆−煤壁及钻头−煤岩间非确定性动态接触碰撞摩擦,以及随钻进深度不断变化的钻杆抗弯能力等因素前提下,开展了软硬交错倾斜煤层水平钻进实验,研究了倾斜角度及软硬交错煤层对钻杆系统振动特性的影响。

    2) 当煤层倾斜角度为15~45°时,钻孔机器人无论是在硬→中硬→软煤层还是软→中硬→硬煤层中钻进,钻杆系统的纵向、横向、扭转振动幅值均随煤层倾斜角度的增大而增大。

    3) 当煤层倾斜角度较小(15,30°)时,软硬交错煤层对钻杆系统振动特性的影响较大,当煤层倾斜角度较大(45°)时,煤层倾斜角度对钻杆系统振动特性的影响大于软硬交错煤层。

    4) 较大的砂石对钻进过程中钻杆系统振动产生一定影响。后续将重点研究煤岩混合度、断层、裂隙等地质构造对钻杆系统振动特性的影响。

  • 图  1   BP神经网络结构

    Figure  1.   Structure of BP neural network

    图  2   ImGSAA−BP−PID控制流程

    Figure  2.   Control process of the ImGSAA-BP-PID

    图  3   仿真架构

    Figure  3.   Simulation structure

    图  4   各算法迭代过程中参数变化曲线

    Figure  4.   Parameter change curve during iteration of different algorithms

    图  5   4种方法速度控制结果

    Figure  5.   Speed control results of four methods

    图  6   LSNR条件下速度变化曲线

    Figure  6.   Speed change curve under LSNR

    图  7   LSNR条件下参数变化曲线

    Figure  7.   Parameter change curve under LSNR

    图  8   LSNR条件下4种方法的速度控制误差

    Figure  8.   Speed control error of four methods under LSNR

    图  9   LSNR条件下4种方法的控制性能

    Figure  9.   Control performance of four methods under LSNR

    表  1   4种方法控制性能指标

    Table  1   Control performance indexes of four methods

    控制方法调整
    时间/s
    峰值/V峰值
    时间/s
    最大超
    调量
    误差均值/
    (m·s−1)
    误差均
    方根
    GA−BP−PID0.00561.13820.03124.560.33561.53
    PSO−BP−PID0.00331.08450.02715.310.21080.76
    GSAA−BP−PID0.00201.00560.00710.090.14290.42
    ImGSAA−BP−PID0.00161.00730.0067.110.10330.25
    下载: 导出CSV

    表  2   LSNR条件下4种方法控制性能指标

    Table  2   Control performance indexes of four methods under LSNR

    调速方法调整
    时间/s
    峰值/V峰值
    时间/s
    最大超
    调量
    误差均值/
    (m·s−1)
    误差均
    方根
    GA−BP−PID0.00791.65780.06234.770.55902.23
    PSO−BP−PID0.00391.10670.03116.520.29100.92
    GSAA−BP−PID0.00551.31820.04723.210.47551.39
    ImGSAA−BP−PID0.00191.03480.0108.210.13870.45
    下载: 导出CSV
  • [1] 方崇全. 煤矿带式输送机巡检机器人关键技术研究[J]. 煤炭科学技术,2022,50(5):263-270.

    FANG Chongquan. Research on key technology of inspection robot for coal mine belt conveyor[J]. Coal Science and Technology,2022,50(5):263-270.

    [2] 冯俊宾. 变频调速技术在带式输送机上的节能应用[J]. 机械研究与应用,2021,34(1):142-144.

    FENG Junbin. Energy saving application of frequency control technology in belt conveyor[J]. Mechanical Research & Application,2021,34(1):142-144.

    [3] 杨春雨,顾振,张鑫,等. 基于深度学习的带式输送机煤流量双目视觉测量[J]. 仪器仪表学报,2021,41(8):164-174.

    YANG Chunyu,GU Zhen,ZHANG Xin,et al. Binocular vision measurement of coal flow of belt conveyors based on deep learning[J]. Chinese Journal of Scientific Instrument,2021,41(8):164-174.

    [4] 胡宗镇,赵延立. 基于改进型BP神经网络自整定的PID控制[J]. 电脑与信息技术,2019,27(1):11-13.

    HU Zongzhen,ZHAO Yanli. PID control based on self-adjusting BP neural network[J]. Computer and Information Technology,2019,27(1):11-13.

    [5] 郭伟东,李明,亢俊明,等. 基于机器视觉的矿井输煤系统优化节能控制[J]. 工矿自动化,2020,46(10):69-75.

    GUO Weidong,LI Ming,KANG Junming,et al. Optimal energy saving control of mine coal transportation system based on machine vision[J]. Industry and Mine Automation,2020,46(10):69-75.

    [6]

    WANG Guimei,LU Shenghui,LIU Jiehui,et al. Coal volume measurement of belt conveyor based on image processing[J]. Acta Metrologica Sinica,2020,41(6):724-728.

    [7] 曹松青,郝万君. 基于NMPC−PID的大型风电机组独立变桨距载荷控制[J]. 计算机应用与软件,2020,37(10):34-40.

    CAO Songqing,HAO Wanjun. Individual pitch load control of large wind turbines based on NMPC-PID[J]. Computer Applications and Software,2020,37(10):34-40.

    [8] 韩东升,杜永贵,庞宇松,等. 基于预见控制的带式输送机调速节能方法[J]. 工矿自动化,2018,44(6):64-68.

    HAN Dongsheng,DU Yonggui,PANG Yusong,et al. Speed regulation energy saving method of belt conveyor based on preview control[J]. Industry and Mine Automation,2018,44(6):64-68.

    [9] 张文静,曹博文,刘曰锋,等. 基于分数阶滑模自适应神经网络的中速磁浮列车运行控制方法[J]. 中国铁道科学,2022,43(2):152-160.

    ZHANG Wenjing,CAO Bowen,LIU Yuefeng,et al. Operation control method for medium-speed maglev trains based on fractional order sliding mode adaptive neural network[J]. China Railway Science,2022,43(2):152-160.

    [10] 龚桂荣. 皮带机巡检机器人控制系统设计与研究[D]. 徐州: 中国矿业大学, 2019.

    GONG Guirong. Design and research on an inspection robot control system for belt conveyor[D]. Xuzhou: China University of Mining and Technology, 2019.

    [11] 彭月,苏芷玄,杨杰,等. 基于PSO−BP−PID单点混合悬浮球控制算法研究[J]. 铁道科学与工程学报,2022,19(6):1511-1520.

    PENG Yue,SU Zhixuan,YANG jie,et al. On hybrid single-point magnetic levitation ball control algorithm based on BP-PID[J]. Journal of Railway Science and Engineering,2022,19(6):1511-1520.

    [12] 吉建华,苗长云,李现国,等. 基于PSO带式输送机PID控制器参数智能整定的适应度函数设计[J]. 机械工程学报,2022,58(3):1123-1129.

    JI Jianhua,MIAO Changyun,LI Xianguo,et al. Design of fitness function for intelligent parameter tuning of PID controller on belt conveyor with PSO[J]. Journal of Mechanical Engineering,2022,58(3):1123-1129.

    [13] 王卉. 基于模糊PID理论的带式输送机调速系统设计[J]. 煤矿机械,2019,40(9):14-16.

    WANG Hui. Design of speed regulation system for belt conveyor based on fuzzy PID theory[J]. Coal Mine Machinery,2019,40(9):14-16.

    [14] 曹江卫,魏霞. 基于RBF−PID控制器的带式输送机自适应调速系统[J]. 煤矿机械,2020,41(5):203-205.

    CAO Jiangwei,WEI Xia. Adaptive speed regulation system of belt conveyor based on RBF-PID controller[J]. Coal Mine Machinery,2020,41(5):203-205.

    [15] 李航,杜璠,胡晓兵,等. 改进的BP神经网络PID控制器在气体浓度控制中的研究[J]. 四川大学学报(自然科学版),2020,57(6):1103-1109.

    LI Hang,DU Fan,HU Xiaobing,et al. Research on improved BP neural network PID controller in gas concentration control[J]. Journal of Sichuan University(Natural Science Edition),2020,57(6):1103-1109.

    [16] 杨华伟,帕孜来•马合木提,张毅. PSO−BP−PID算法在双容水箱系统中的应用[J]. 电气传动,2017,47(5):78-80.

    YANG Huawei,PAZILAI Mahemuti,ZHANG Yi. Application of PSO-BP-PID algorithm in double tank water system[J]. Electric Drive,2017,47(5):78-80.

    [17] 朱馨渝,马平. 基于改进PSO−BP神经网络的PID参数优化方法[J]. 现代电子技术,2022,45(21):127-130.

    ZHU Xinyu,MA Ping. PID parameter optimization method based on improved PSO-BP neural network[J]. Modern Electronics Technique,2022,45(21):127-130.

    [18]

    SRINIVAS M,PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE Transactions on Systems,Man,and Cybernetics,1994,24(4):656-667. DOI: 10.1109/21.286385

    [19]

    GAO Chenyang, GAO Yuelin, LV Shanshan. Improved simulated annealing algorithm for flexible job shop scheduling problems[C]. Chinese Control and Decision Conference, Yinchuan, 2016: 2223-2228.

    [20]

    WANG Zheng,WANG Bo,LIU Chun,et al. Improved BP neural network algorithm to wind power forecast[J]. The Journal of Engineering,2017(13):940-943.

    [21] 郭彩杏,郭晓金,柏林江. 改进遗传模拟退火算法优化BP算法研究[J]. 小型微型计算机系统,2019,40(10):2063-2067.

    GUO Caixing,GUO Xiaojin,BAI Linjiang. Rsearch on improved BP algorithm for genetic simulated annealing algorithm[J]. Journal of Chinese Computer Systems,2019,40(10):2063-2067.

  • 期刊类型引用(0)

    其他类型引用(5)

图(9)  /  表(2)
计量
  • 文章访问数:  228
  • HTML全文浏览量:  70
  • PDF下载量:  19
  • 被引次数: 5
出版历程
  • 收稿日期:  2022-08-20
  • 修回日期:  2023-05-14
  • 网络出版日期:  2023-05-21
  • 刊出日期:  2023-05-24

目录

/

返回文章
返回