基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。     

知识驱动的智采数字孪生主动管控模式

构建煤矿智采工作面数字孪生系统需要挖掘“环-机-物”孪生体之间的隐含知识链和操作人员的决策控制经验，并建立虚实空间之间合理的信息交互方式。但是，物理空间与虚拟空间目前仅采用单一的被动信息交互机制。为解决生产运行控制与安全管理决策对开采过程不确定性的适应能力不足、虚拟空间对物理空间的综合管控鲁棒性不强、物理空间设备协同利用率不高等问题，提出一种新型的知识驱动虚实空间主动管控模式。构建了智采工作面五维数字孪生模型，并给出各个维度的具体含义；采用知识工程理论，给出智采工作面全工艺流程中的知识属性划分，建立3类先验知识的规则和模型表达；深入剖析“环-机-物”之间的多层次、多能流关联耦合关系，构建相应的知识动态演化模型；引入机器学习和决策优化方法，建立知识引导的虚实空间信息主动管控机制，从而形成数字孪生智采工作面的知识提取、知识迁移与知识利用新范式。通过提出的虚实空间新型主动管控模式，能够更好地应对煤矿地质条件的不确定性、开采环境的时空动态性，以及开采过程设备群的多样性，为煤矿高效、低碳的智能化开采提供技术支撑，实现平行矿山建设中的“信息可见、轨迹可循、状态可查”提供知识层面的高保真映射框架和决...