基于准滑动模态的液压支架推移系统高精度位置控制

高钰豪, 孙星, 李洋, 刘伟, 李婧妍

高钰豪,孙星,李洋,等. 基于准滑动模态的液压支架推移系统高精度位置控制[J]. 工矿自动化,2025,51(6):105-112. DOI: 10.13272/j.issn.1671-251x.2025040095
引用本文: 高钰豪,孙星,李洋,等. 基于准滑动模态的液压支架推移系统高精度位置控制[J]. 工矿自动化,2025,51(6):105-112. DOI: 10.13272/j.issn.1671-251x.2025040095
GAO Yuhao, SUN Xing, LI Yang, et al. High-precision position control of hydraulic support pushing system based on quasi-sliding mode[J]. Journal of Mine Automation,2025,51(6):105-112. DOI: 10.13272/j.issn.1671-251x.2025040095
Citation: GAO Yuhao, SUN Xing, LI Yang, et al. High-precision position control of hydraulic support pushing system based on quasi-sliding mode[J]. Journal of Mine Automation,2025,51(6):105-112. DOI: 10.13272/j.issn.1671-251x.2025040095

基于准滑动模态的液压支架推移系统高精度位置控制

基金项目: 

宁夏回族自治区重点研发计划重大资助项目(2023BEE01002)。

详细信息
    作者简介:

    高钰豪(1998—),男,山西运城人,工程师,硕士,研究方向为矿山机械智能化,E-mail:305898185@qq.com

    通讯作者:

    孙星(1986—),男,山东泰安人,助理研究员,硕士,研究方向为矿山机械智能化,E-mail:srmsrd@163.com

  • 中图分类号: TD355.4

High-precision position control of hydraulic support pushing system based on quasi-sliding mode

  • 摘要:

    液压支架推移系统的控制精度直接影响综采工作面直线度。目前液压支架推移系统位置控制算法普遍存在状态感知维度单一、动态扰动耦合复杂等问题,导致控制算法的实际效果受限,特别是移架过程中的非线性摩擦效应与未建模动态特性,进一步加剧了系统控制偏差的累积效应。针对上述问题,提出了一种基于准滑动模态的液压支架推移系统高精度位置控制方法。首先,建立了融合液压缸动力学、流量特性及扰动耦合的非线性模型,提出了“双幂次趋近律−新型饱和函数”协同框架,解决传统滑模控制(SMC)中快速收敛与抖振抑制的矛盾。其次,设计了一种基于扩张状态观测器(ESO)的准滑动模态控制器(QSMC),该控制器引入ESO估计液压支架推移系统未建模动态和外部扰动,采用非线性反馈饱和函数加快系统状态收敛,有效抑制SMC固有的抖振现象。仿真结果表明:相比传统SMC,所提方法在阶跃响应中稳态时间缩短至1.1 s,降幅为47.6%,稳态误差趋近于零;在正弦响应中,0.2 s即可实现稳定跟踪,峰值误差为0.001 m,减小了94.7%,且具备更宽的频带特性;在方波输入下所提方法实现了平滑切换,鲁棒性更强。

    Abstract:

    The control accuracy of the hydraulic support pushing system directly affects the straightness of the fully mechanized mining face. At present, most position control algorithms for front hydraulic support pushing systems suffer from limited state perception dimensions and complex dynamic disturbance coupling, which limits the actual effectiveness of the control algorithms. In particular, nonlinear friction effects and unmodeled dynamic characteristics during the advancing process further aggravate the cumulative effect of system control deviations. To address the above problems, a quasi-sliding mode-based high-precision position control method for hydraulic support pushing systems was proposed. First, a nonlinear model integrating hydraulic cylinder dynamics, flow characteristics, and disturbance coupling was established. A "double-power reaching law and novel saturation function" coordinated framework was proposed to address the contradiction between fast convergence and chattering suppression in traditional sliding mode control(SMC). Then, a quasi-sliding mode controller (QSMC) based on an extended state observer (ESO) was designed. The controller employed ESO to estimate unmodeled dynamics and external disturbances of the hydraulic support pushing system. A nonlinear feedback saturation function was adopted to accelerate system state convergence and effectively suppress the inherent chattering of sliding mode control. Simulation results showed that, compared with traditional sliding mode control methods, the proposed method shortened the steady-state time in the step response to 1.1 s, representing a reduction of approximately 47.6%, and the steady-state error approached zero. In the sinusoidal response, stable tracking was achieved within 0.2 s, with a peak error of about 0.001 m, representing a reduction of approximately 94.7%, and it exhibited broader bandwidth characteristics. Under square wave input, the proposed method achieved smooth switching and exhibited stronger robustness.

  • 煤矿开采过程中常常伴随着煤矸的产生,煤矸的存在不仅影响了煤的品质,还加剧了后续处理成本及对环境的污染[1-2]。传统的分选方式为人工分选和设备分选,人工分选效率低、误差率高,设备分选易造成环境污染。因此,通过计算机视觉技术对煤矸进行识别,自动准确地检测出矸石,对煤矿智能化分选非常重要[3-4]

    目前,计算机视觉技术对煤矸识别包括传统煤矸图像识别方法和深度学习识别方法[5]。传统煤矸图像识别方法需手动提取煤矸的图像特征,存在检测精度低、实时性及泛化能力差等问题[6-7]。深度学习识别方法具有较高的准确性、实时性和鲁棒性[8-9]。李博等[10]通过模拟生产环境下的煤矸图像,研究光强、湿度、粉尘和样品种类对煤矸图像特征的影响,但试验简化模拟的生产环境与实际生产环境的识别结果有较大差异。郭永存等[11]针对煤矸小样本数据集识别率低,提出了一种迁移权重和简化神经元模型优化方法来改进预训练卷积神经网络模型,但模型泛化能力差。徐志强等[12]基于卷积神经网络对建立的煤矸识别模型进行剪枝优化,减少模型参数和计算资源消耗,但未考虑煤矸识别时的检测速度。徐慈强等[13]通过轻量化网络MobileNetV3替换YOLOv5s的主干网络,减小模型的参数量和运算量,以适应模型在移动端的部署,但模型识别效果差。张磊等[14]通过深度可分离卷积对YOLOv5s模型改进,减少了模型的参数量和运算量,但模型在小目标、运动模糊、低照度煤矸数据集识别精度不高。邓天民等[15]以YOLOv8s模型为基准网络,在颈部特征融合网络引入内容感知特征重组模块(Content Aware Reassembly of Features,CARAFE),加强对小目标显著语义信息的关注,但模型参数量和运算量大,难以部署到计算资源有限的设备中。

    针对上述问题,本文提出了一种基于HGTC−YOLOv8n模型的煤矸识别算法,结合轻量化网络HGNetv2、三重注意力机制模块Triplet Attention和CARAFE,使煤矸识别模型具有更少的参数量和浮点运算量,能够部署到资源有限的设备中,完成对煤矸快速精准识别。

    HGTC−YOLOv8n模型在YOLOv8n[16]基础上进行改进,结构如图1所示。采用HGNetv2替换YOLOv8n的主干网络,通过多尺度特征的有效提取,提高煤矸图像准确率并减少模型的存储需求和计算资源消耗,嵌入三重注意力机制模块Triplet Attention,增强煤矸特征提取,减少无用特征的干扰,提高对井下复杂环境的适应性。利用CARAFE替换颈部特征融合网络上采样算子,增强对小目标煤矸的检测,实现对煤矸的精准高效识别。

    图  1  HGTC−YOLOv8n 模型结构
    Figure  1.  HGTC-YOLOv8n model structure

    采用HGNetv2[17]改进YOLOv8n模型的主干网络,通过多尺度特征的有效提取,提高识别准确率,并降低模型计算量,实现煤矸图像高效识别。

    HGNetv2主干网络由HGStem,HGBlock,DWConv[18]组成。HGStem是网络初始预处理层,通过卷积层对输入数据进行特征提取,再经过最大池化操作进行降采样,在不同尺度上获取输入数据特征,HGStem结构如图2(a)所示。HGBlock包括多个不同滤波器大小的卷积层,主要作用是捕获数据多样化特征,HGBlock结构如图2(b)所示。使用深度可分离卷积DWConv替换传统卷积,能够减少计算负载,提高模型的推理速度,并在每个通道上能独立学习特征。

    图  2  HGStem结构和HGBlock结构
    Figure  2.  HGStem structure and HGBlock structure

    煤矿井下环境复杂,采集到的煤矸图像受多种干扰因素影响,丢失了大量纹理特征且引入了冗余特征,导致煤矸图像的有效特征难以提取[19]。为了增强有效特征的提取能力,在HGNetV2主干网络中嵌入Triplet Attention[20]图3)。Triplet Attention能够捕获不同维度间的交互信息,减少无关信息的干扰,使模型更加注重目标特征的提取,提高识别准确率。

    图  3  Triplet Attention结构
    Figure  3.  Triplet Attention structure

    Triplet Attention由3个平行的分支组成,输入张量$ X \in {{\bf{R}}^{C{{ \times }}H{{ \times }}W}} $到3个分支。第1个分支中张量X绕维度H逆时针旋转90°,得到旋转张量$\hat{X}_1 $,经过池化后张量形状为2×H×C,再由卷积运算,通过Sigmoid激活函数生成注意力权重,最后绕维度H顺时针旋转90°,输出张量$ \hat X _1^* $,完成通道C与维度H交互[21]。第2个分支中张量X绕维度W逆时针旋转90°,得到旋转张量$\hat{X}_2 $,经过池化层、卷积、Sigmoid激活函数后,绕维度W顺时针旋转90°,输出张量$\hat X _2^* $,完成通道C与维度W交互。第3个分支中张量X经过池化层、卷积、Sigmoid激活函数后,输出张量$\hat X _3^* $。最后将3个张量进行平均聚合,输出的张量为

    $$ y=\frac{1}{3}\left(\overline{\hat{X}_1^{ }\sigma(\psi_1(\hat{X}_1^*))}+\overline{\hat{X}_2^{ }\sigma(\psi_2(\hat{X}_2^*))}+X\sigma(\psi_3(\hat{X}_3^*))\right) $$ (1)

    式中:σ(·)为Sigmoid激活函数;ψ1(·),ψ2(·),ψ3(·)为标准卷积。

    YOLOv8n中的Upsample上采样层常用的方法是最近邻插值,即复制最近邻像素的值,该方法忽略了像素之间的平滑过渡,导致图像失真和模糊化,在处理大尺寸图像时易丢失重要细节信息。本文选用CARAFE[22]图4)来改进YOLOv8n颈部特征融合网络上采样算子,CARAFE主要由核预测模块和特征重组模块2个部分组成。CARAFE能够在上采样过程中保留更多的细节信息,利用上下文信息提高感受视野,更好地理解图像中的全局结构和语义信息,提高小目标煤矸识别准确率。输入张量$ X \in {{\bf{R}}^{C{{ \times }}H{{ \times }}W}} $,上采样率为a。首先,通过1×1卷积将输入特征通道数从C压缩到Cm。其次,进行内容编码,输入通道数为Cm,输出通道数为a2×k2,将通道维在空间维展开,得到形状为aH×aW×k2的上采样核。然后,对上采样核归一化,确保卷积权重总和为1。最后,对输出特征图中的每个位置,将其映射回输入特征图,提取以l=ij)为中心的k×k区域NXlk),并与预测的上采样核进行点积操作,计算出最终的aH×aW×C的输出特征图[23]

    图  4  CARAFE框架
    Figure  4.  Framework of content aware reassembly of features (CARAFE)

    对采集的不同照度、大小、摆放位置的煤矸图像进行组合,获取原始图像500张。为了模拟煤矿井下煤矸分选的复杂环境,提高模型鲁棒性和泛化能力,对煤矸图像进行添加噪声、运动模糊、镜像翻转、低照度等增强处理,最终得到1 703张煤矸图像,如图5所示。对数据集进行煤矸标注,按照9∶1的比例划分为训练集、验证集。

    图  5  煤矸数据集
    Figure  5.  Coal gangue dataset

    本文所用模型基于Pytorch深度学习框架,实验的软硬件环境:RTX3090(24GiB)的GPU、Intel(R) Xeon(R) Gold 6330的CPU,Pytorch2.0.0,Cuda11.8,Python3.8(ubuntu20.04)。训练输入图像大小为640×640,训练轮数为201,批量大小为32,训练过程中使用SGD优化器。

    为验证HGTC−YOLOv8n模型的性能,采用平均精度均值(Mean Average Precision,mAP)、参数量、浮点运算量、帧速率作为评价指标。其中,mAP表示模型的识别精度,参数量和浮点运算量分别表示模型的存储需求和计算资源消耗,帧速率表示模型的识别速度。

    HGTC−YOLOv8n模型通过随机色调增强、饱和度增强、亮度增强等数据增强方法(表1)生成多样化的训练样本,提高模型的泛化能力。数据增强方法应用于每个训练迭代中,通过对训练样本进行随机变换,确保模型每次观察到不同的样本。

    表  1  训练过程中数据增强的超参数
    Table  1.  Hyperparameters of data enhancement during training
    超参数
    色调增强 0.015
    饱和度增强 0.7
    亮度增强 0.4
    随机缩放 0.5
    水平翻转 0.5
    水平平移 0.1
    Mosic数据增强 1.0
    下载: 导出CSV 
    | 显示表格

    通过消融实验分析本文改进各模块的优化效果,结果见表2。其中,优化模型1为YOLOv8n+HGNetv2,优化模型2为YOLOv8n+Triplet Attention,优化模型3为YOLOv8n+CARAFE,优化模型4为YOLOv8n+HGNetv2+Triplet Attention,优化模型5为YOLOv8n+HGNetv2+CARAFE,优化模型6为YOLOv8n+CARAFE+Triplet Attention,优化模型7为YOLOv8n+HGNetv2+Triplet Attention+CARAFE。由表2可看出,优化模型1的参数量和浮点运算量较YOLOv8n模型分别减少了0.654×106和1.2×109,帧速率提升了2.78 帧/s,mAP提升了1%;优化模型2的参数量和浮点运算量与YOLOv8n模型持平,帧速率下降了1.96 帧/s,mAP提升了1.8%;优化模型3的参数量和浮点运算量较YOLOv8n模型分别增加了0.14×106和0.2×109,帧速率下降了1.96 帧/s,mAP提升了1.8%;优化模型4的参数量和浮点运算量较YOLOv8n模型分别减少了0.653×106和1.2×109,帧速率提升了0.68 帧/s,mAP提升了1.7%;优化模型5的参数量和浮点运算量较YOLOv8n模型分别减少了0.513×106和0.9×109,帧速率下降了0.66 帧/s,mAP提升了1.1%;优化模型6的参数量和浮点运算量较YOLOv8n模型分别增加了0.141×106和0.2×109,帧速率下降了4.45 帧/s,mAP提升了2.1%;优化模型7的参数量和浮点运算量较YOLOv8n模型分别减少了0.513×106和0.9×109,帧速率下降了2.6 帧/s,mAP提升了2.5%,满足煤矸图像实时检测的要求。

    表  2  消融实验结果
    Table  2.  Ablation experiment results
    模型 HGNetv2 Triplet Attention CARAFE mAP/% 参数量/106 浮点运算量/109 帧速率/(帧·s−1
    YOLOv8n × × × 91.0 3.157 8.9 81.96
    优化模型1 × × 92.0 2.503 7.7 84.74
    优化模型2 × × 92.8 3.157 8.9 80.00
    优化模型3 × × 92.8 3.297 9.1 80.00
    优化模型4 × 92.7 2.504 7.7 82.64
    优化模型5 × 92.1 2.644 8.0 81.30
    优化模型6 × 93.1 3.298 9.1 77.51
    优化模型7 93.5 2.644 8.0 79.36
    下载: 导出CSV 
    | 显示表格

    通过消融实验得出,添加Triplet Attention后,识别精度有较大提升,且模型的参数量和浮点运算量基本持平。值得注意的是,引入CARAFE上采样后,识别精度提升的同时模型的参数量和浮点运算量也相应增加。采用HGNetv2轻量化主干网络,在满足识别速度的条件下,提升了识别精度,减少了参数量和浮点运算量,减少了模型的存储需求和计算资源消耗。

    为进一步验证本文改进模型的有效性,与YOLOv5s,YOLOv7−tiny[24],YOLOv8n,YOLOv8s等模型进行对比,分别在正常、低照度、高噪声与运动模糊的环境下进行检测,所有实验均使用相同的训练集与验证集。不同模型的煤矸识别结果见表3,绘制不同模型的mAP曲线,如图6所示。

    表  3  不同模型的煤矸识别结果
    Table  3.  Coal gangue recognition results of different models
    模型 参数量/106 浮点运算量/109 mAP/% 帧速率/(帧·s−1
    YOLOv5s 7.025 16.0 92.7 73.52
    YOLOv7−tiny 6.018 13.2 90.8 68.96
    YOLOv8n 3.157 8.9 91.0 81.96
    YOLOv8s 11.167 28.8 91.9 78.12
    HGTC−YOLOv8n 2.645 8.0 93.5 79.36
    下载: 导出CSV 
    | 显示表格
    图  6  不同模型的mAP曲线
    Figure  6.  Mean average precision curves of different models

    表3图6可看出,HGTC−YOLOv8n模型的mAP在对比模型中最高,达到了93.5%,相较于YOLOv8n提升了2.5%;帧速率高于YOLOv8s,YOLOv7−tiny,YOLOv5s,略低于YOLOv8n,满足实时检测的要求(≥60帧/s);参数量仅为YOLOv5s的37.6%、YOLOv7−tiny的43.9%、YOLOv8n的83.7%、YOLOv8s的28.2%;浮点运算量仅为YOLOv5s的50%、YOLOv7−tiny的60.6%、YOLOv8n的89.8%、YOLOv8s的27.8%。充分说明HGTC−YOLOv8n模型在计算资源有限的情况下仍能保持高精度,更适合部署到嵌入式或移动端设备等场景,完成对煤矸的快速精准识别。

    不同模型在4种工况下煤矸石测试集部分识别结果如图7所示,其中,红色检测框标注煤块,粉色检测框标注矸石,黄色椭圆框标记类别错误,蓝色椭圆框标记漏检或重复检测。

    图  7  不同算法在4种工况下的检测结果
    Figure  7.  Detection results of different algorithms under four working conditions

    图7可看出,在正常情况下,YOLOv5s,YOLOv7−tiny,YOLOv8n等模型识别小目标煤块易发生漏检或错检;在低照度环境下,YOLOv7−tiny对小目标煤块发生了漏检,YOLOv8s发生了错检;在高噪声环境下,YOLOv7−tiny,YOLOv8n出现了检测不准确的现象;在运动模糊环境下,YOLOv5s发生了漏检,YOLOv7−tiny发生了错检。从检测结果可知,其他模型均有不同程度的漏检和错检现象,HGTC−YOLOv8n模型在低照度、高噪声、运动模糊环境下有较好的识别效果,能够对煤矸进行分类识别和位置检测,有效减少错检和漏检的情况发生。

    为了验证改进模型的可行性,以带式输送机上煤矸为例进行识别。将HGTC−YOLOv8n模型在测试集上进行检测,对单幅图像中不同类别的煤矸进行识别并计数。红字为煤矸个数,蓝字为煤块个数,绿字为矸石个数,计数结果置于左上角,如图8所示。可看出HGTC−YOLOv8n模型能够在不同场景下准确识别煤矸。

    图  8  带式输送机上煤矸识别及计数可视化
    Figure  8.  Visualization of coal gangue recognition and count on belt conveyor

    1) HGTC−YOLOv8n模型采用轻量化网络模型HGNetv2替换原模型主干网络,将Triplet Attention嵌入主干网络,特征融合网络上采样替换为CARAFE。

    2) 提出了一种基于HGTC−YOLOv8n模型的煤矸识别算法。结果表明所提模型对小目标和重叠遮挡煤矸识别有明显改善,mAP为93.5%,比YOLOv8n模型提升了2.5%,模型参数量为2.645×106,浮点运算量为8.0×109 ,比未改进前分别下降了16.22%,10.11%,表明HGTC−YOLOv8n模型在保证煤矸识别精度的同时减少了模型的存储需求和计算资源消耗。

    3) HGTC−YOLOv8n模型检测速度较快,但未部署在嵌入式或移动端等设备进行实时检测试验,未来将进行试验台搭建,以验证其在动态煤矸检测的有效性。

  • 图  1   综采工作面液压支架推移系统

    Figure  1.   Hydraulic support pushing system of fully mechanized mining face

    图  2   液压支架推移系统控制框架

    Figure  2.   Control framework of hydraulic support pushing system

    图  3   液压支架推移系统仿真模型

    Figure  3.   Simulation model of hydraulic support pushing system

    图  4   不同响应下系统估计输出位移和实际输出位移对比与误差曲线

    Figure  4.   Comparison of estimated and actual system output displacements and error curves under different responses

    图  5   阶跃响应曲线

    Figure  5.   Step response curves

    图  6   正弦响应曲线

    Figure  6.   Sinusoidal response curves

    图  7   方波响应曲线

    Figure  7.   Square-wave response curves

    表  1   系统仿真参数

    Table  1   System simulation parameters and values

    参数 取值 参数 取值
    无杆腔面积/m2 0.015 4 进油腔初始体积/m3 0.02
    有杆腔面积/m2 0.008 3 回油腔初始体积/m3 0.02
    阻尼系数/(N·m) 2 000 供油压力/MPa 31.5
    质量/kg 320 回油压力/Pa 0
    弹性模量/MPa 700 内泄漏系数/(m3·s−1·Pa−1 4×10−13
    下载: 导出CSV
  • [1] 张婧,李冰,张科学,等. 综采工作面液压支架压力预测下人员安全保障研究[J]. 西安科技大学学报,2024,44(2):379-390.

    ZHANG Jing,LI Bing,ZHANG Kexue,et al. Personnel safety guarantee under pressure prediction of hydraulic support in fully mechanized mining face[J]. Journal of Xi'an University of Science and Technology,2024,44(2):379-390.

    [2] 葛世荣,郝雪弟,田凯,等. 采煤机自主导航截割原理及关键技术[J]. 煤炭学报,2021,46(3):774-788.

    GE Shirong,HAO Xuedi,TIAN Kai,et al. Principle and key technology of autonomous navigation cutting for deep coal seam[J]. Journal of China Coal Society,2021,46(3):774-788.

    [3] 张民,王海锐,梁顺,等. 不规则工作面注浆锚索代替单体及液压支架主动式超前支护技术[J]. 金属矿山,2023(7):176-184 .

    ZHANG Min,WANG Hairui,LIANG Shun,et al. Active advanced aupport technique with grouting cables instead of hydraulic props and supports in irregular working face[J]. Metal Mine,2023(7):176-184.

    [4] 王云飞,赵继云,张鹤,等. 基于神经网络补偿的液压支架群推移系统直线度控制方法[J]. 煤炭科学技术,2024,52(11):174-185. DOI: 10.12438/cst.2024-0951

    WANG Yunfei,ZHAO Jiyun,ZHANG He,et al. Straightness control method of hydraulic support group pushing system based on neural network compensation[J]. Coal Science and Technology,2024,52(11):174-185. DOI: 10.12438/cst.2024-0951

    [5] 王国强,朱帅,赵泽泽,等. 强采动大采高厚砂岩组顶板围岩破坏特征及稳控机理研究[J/OL]. 金属矿山:1-14[2025-03-27]. http://kns.cnki.net/kcms/detail/34.1055.TD.20250510.2126.002.html.

    WANG Guoqiang,ZHU Shuai,ZHAO Zeze,et al. Research on the failure characteristics and stability control mechanism of the surrounding rock of the roof in large high-thickness sandstone formations driven by strong mining[J]. Metal Mine:1-14[2025-03-27]. http://kns.cnki.net/kcms/detail/34.1055.TD.20250510.2126.002.html.

    [6] 王国法,张德生. 煤炭智能化综采技术创新实践与发展展望[J]. 中国矿业大学学报,2018,47(3):459-467.

    WANG Guofa,ZHANG Desheng. Innovation practice and development prospect of intelligent fully mechanized technology for coal mining[J]. Journal of China University of Mining & Technology,2018,47(3):459-467.

    [7] 王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1-27. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001

    WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1-27. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001

    [8] 孙志勇. 多重采动煤柱留巷累积损伤特征及围岩协同控制[J]. 西安科技大学学报,2021,41(5):808-814.

    SUN Zhiyong. Cumulative damage characteristics and collaborative rock control of retaining roadway with multiple mining[J]. Journal of Xi'an University of Science and Technology,2021,41(5):808-814.

    [9]

    HOU Tengyan,SHI Chaohong,KOU Ziming,et al. Research on positioning control strategy of hydraulic support pushing system based on multistage speed control valve[J]. Scientific Reports,2024,14. DOI: 10.1038/S41598-024-70087-1.

    [10]

    ZHANG Zihang,LIU Yang,BO Lei,et al. Enhanced path tracking control of hydraulic support pushing mechanism via adaptive sliding mode technique in coal mine backfill operations[J]. Heliyon,2024,10(19). DOI: 10.1016/J.HELIYON.2024.E38437.

    [11] 曹昊. 刮板输送机中部槽位姿测量与推移控制研究[D]. 阜新:辽宁工程技术大学,2017.

    CAO Hao. Research on position and attitude measurement and movement control of middle groove of scraper conveyor[D]. Fuxin:Liaoning Technical University,2017.

    [12] 张帅. 智能化综采工作面液压支架精准快速推移控制研究[D]. 北京:煤炭科学研究总院,2023.

    ZHANG Shuai. Research on accurate and rapid push control of hydraulic support in intelligent fully mechanized mining face[D]. Beijing:China Coal Research Institute,2023.

    [13] 田川,刘鹏博,刘灿,等. 电液伺服系统的预设性能自适应抗扰控制[J]. 机床与液压,2022,50(14):76-84. DOI: 10.3969/j.issn.1001-3881.2022.14.014

    TIAN Chuan,LIU Pengbo,LIU Can,et al. Prescribed performance adaptive disturbance rejection control for electrohydraulic servo systems[J]. Machine Tool & Hydraulics,2022,50(14):76-84. DOI: 10.3969/j.issn.1001-3881.2022.14.014

    [14] 卢彬,陈明和. 基于滑模观测器与径向基网络的电液位置伺服系统反步控制[J]. 机电工程,2024,41(3):465-474. DOI: 10.3969/j.issn.1001-4551.2024.03.011

    LU Bin,CHEN Minghe. Sliding mode observer and RBF based backstepping control for electro-hydraulic position servo system[J]. Journal of Mechanical & Electrical Engineering,2024,41(3):465-474. DOI: 10.3969/j.issn.1001-4551.2024.03.011

    [15] 秦耀,杨杰,刘书云,等. 基于改进Fal函数的滤波器及扩张状态观测器研究[J]. 控制与决策,2025,40(2):684-692.

    QIN Yao,YANG Jie,LIU Shuyun,et al. Research on filter and extended state observer based on improved Fal function[J]. Control and Decision,2025,40(2):684-692.

    [16] 赵希梅,孙文浩,金鸿雁. 基于扩张状态观测器的永磁直线同步电机改进模型预测电流控制[J]. 电机与控制学报,2024,28(7):34-42.

    ZHAO Ximei,SUN Wenhao,JIN Hongyan. Improved model predictive current control based on extended state observer for permanent magnet linear synchronous motor[J]. Electric Machines and Control,2024,28(7):34-42.

    [17] 周振雄,曲永印,杨建东,等. 一种改进型ADRC实现的机床进给用永磁直线同步电动机调速系统[J]. 中国机械工程,2008,19(21):2561-2565. DOI: 10.3321/j.issn:1004-132X.2008.21.011

    ZHOU Zhenxiong,QU Yongyin,YANG Jiandong,et al. Speed regulation system of permanent magnet linear synchronous motor for machine tool feeding based on improved ADRC[J]. China Mechanical Engineering,2008,19(21):2561-2565. DOI: 10.3321/j.issn:1004-132X.2008.21.011

    [18] 周振雄,杨建东,曲永印,等. 基于自抗扰控制器的磁浮平台水平推力控制[J]. 机械工程学报,2008,44(9):193-199,204. DOI: 10.3321/j.issn:0577-6686.2008.09.032

    ZHOU Zhenxiong,YANG Jiandong,QU Yongyin,et al. Horizontal thrust control of magnetic suspension platform based on active disturbance rejection controller[J]. Chinese Journal of Mechanical Engineering,2008,44(9):193-199,204. DOI: 10.3321/j.issn:0577-6686.2008.09.032

    [19] 李康. 某武器平衡及定位电液伺服系统液压系统设计及控制[D]. 南京:南京理工大学,2016.

    LI Kang. Design and control of hydraulic system of electro-hydraulic servo system for weapon balance and positioning[D]. Nanjing:Nanjing University of Science and Technology,2016.

    [20] 郭昕,黄守道,彭昱,等. 基于改进型双幂次趋近律与全局快速终端滑模观测器的IPMSM调速系统滑模控制[J]. 电工技术学报,2023,38(1):190-203.

    GUO Xin,HUANG Shoudao,PENG Yu,et al. Sliding mode control of IPMSM speed regulation system based on an improved double power reaching law and global fast terminal sliding mode observer[J]. Transactions of China Electrotechnical Society,2023,38(1):190-203.

    [21] 张紫方,史涛. 改进双幂次指数趋近律的滑模控制设计[J]. 机床与液压,2024,52(1):30-35.

    ZHANG Zifang,SHI Tao. Design of sliding mode control with iImproved double power exponential reaching law[J]. Machine Tool & Hydraulics,2024,52(1):30-35.

  • 期刊类型引用(5)

    1. 杨小东. 基于视觉感知的放顶煤控制方法研究. 陕西煤炭. 2025(08) 百度学术
    2. 王淑青,陈开元,周淼,范博淦. 基于YOLO-HDR的小龙虾缺陷品质检测方法. 食品与机械. 2025(03): 100-107 . 百度学术
    3. 何学明. 基于YOLOv8算法的煤矿人员安全帽佩戴检测方法. 煤矿现代化. 2025(04): 28-31 . 百度学术
    4. 王福奇,王志峰,金建成,井庆贺,王耀辉,王大龙,汪义龙. 基于GSL-YOLO模型的综放工作面混矸率检测方法. 工矿自动化. 2024(09): 59-65+137 . 本站查看
    5. 孙月平,孟祥汶,郭佩璇,李自强,刘勇,赵德安. 基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法. 农业工程学报. 2024(22): 173-182 . 百度学术

    其他类型引用(3)

图(7)  /  表(1)
计量
  • 文章访问数:  35
  • HTML全文浏览量:  6
  • PDF下载量:  8
  • 被引次数: 8
出版历程
  • 收稿日期:  2025-04-29
  • 修回日期:  2025-06-22
  • 网络出版日期:  2025-06-09
  • 刊出日期:  2025-06-14

目录

/

返回文章
返回