基于BP神经网络模型的液压支架电液自适应控制系统

摘要

本发明提供一种基于BP神经网络模型的液压支架电液自适应控制系统，传感器检测液压支架的工作状态参数和工作面的环境状态参数；BP神经网络模型接收液压支架的工作状态参数和工作面的环境状态参数、采煤机运行参数和泵站供液参数，确定理想控制目标参数并输出；自适应调节器获取理想控制目标参数和液压支架的工作状态参数之间的误差值；支架控制器获取误差值，采煤机运行参数和泵站供液参数确定液压支架的动作参数以控制液压支架动作。以上方案，通过分析工作面影响液压支架控制的主要因素，构建液压支架控制系统的BP神经网络模型，结合自适应调节器，实现液压支架电液控制系统的在线寻优，最大限度的提高液压支架电液控制系统的适应性能。

说明书

技术领域

本发明涉及煤矿综放工作面液压支架电液控制的技术领域，具体涉及一种基于BP神经网络模型的液压支架电液自适应控制系统。

背景技术

液压支架电液控制系统在我国煤矿已经得到了广泛的应用，每年都会新增100多套支架电液控制系统投入使用，然而液压支架电液控制系统在不同的矿区使用效果相差很大，究其原因主要是液压支架电液控制系统在自适应能力设计方面存在不足。

综采工作面是一个近似矩形的采场，在这个采场中，采煤机割煤、破煤以开拓新的作业空间；液压支架支撑这个采场，为工作面设备和生产维修人员提供可靠的作业空间，同时负责采场设备的迁移；刮板输送机负责把煤炭运送出去。煤炭是经过数亿年的演变而形成，在这个演变过程中没有规律可以遵循，从而使得在煤炭开采过程中工作面生产环境条件不断变化，难以对未来的开采条件进行预判。由于工作面复杂的构造，顶底板条件不同，在工作面条件不好的条件下，液压支架控制系统的自动化功能使用起来效果就不好，主要表现出来的就是工作面液压支架降不下来，支架推移参差不齐，移架不到位，尤其是在液压支架的动作数量多的时候，这种问题更为严重，自动化功能效果不佳，其主要原因是液压支架电液控制系统程序、参数、控制流程与软件架构均为静态的，而开采环境、设备条件和运行系统均为动态的，存在着静态的控制系统与动态的开采运行环境之间的矛盾，液压支架电液控制系统适应性成为综采工作面智能化技术发展瓶颈：

为解决上述问题，本领域提出了多种液压支架自适应控制方法，也有一些公开的专利申请文献等，发明人对这些已有现有技术进行分析后，发现当前的液压支架控制系统的研究只是在液压支架放煤控制、液压支架的受力状态视角等方面进行了研究分析，没有对液压支架的基本工作过程如迁移、支护方面自适应方面进行研究，而这才是液压支架最基本的职能，也是液压支架实现自动化的最基本要求，更是实现综采工作面自动化的必备条件，现有技术中没有对这方面的技术实现过程，是无法解决工作面液压支架推移过程中所存在的问题的。

发明内容

本发明要解决的技术问题是现有液压支架控制系统适应环境能力差，从而提供一种基于BP神经网络模型的液压支架电液自适应控制系统。

为此，本发明提供一种基于BP神经网络模型的液压支架电液自适应控制系统，包括支架控制器、传感器、BP神经网络模型和自适应调节器，其中：

所述传感器，用于检测液压支架的工作状态参数和工作面的环境状态参数；

所述BP神经网络模型接收所述传感器发送的液压支架的工作状态参数和工作面的环境状态参数、采煤机运行参数和泵站供液参数作为输入信号，根据所述输入信号确定理想控制目标参数并将所述理想控制目标参数作为输出信号输出；

所述自适应调节器接收所述BP神经网络模型发送的理想控制目标参数和所述传感器发送的液压支架的工作状态参数，获取理想控制目标参数和液压支架的工作状态参数之间的误差值；

所述支架控制器获取所述自适应调节器发送的误差值，获取采煤机运行参数和泵站供液参数，根据所述误差值、所述采煤机运行参数和所述泵站供液参数确定液压支架的动作参数以控制所述液压支架动作。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述传感器检测的液压支架的工作状态参数包括：液压支架的升架支撑力、移架行程、推溜行程和护帮板对煤壁的压力；

所述传感器检测的环境状态参数包括：工作面的倾角参数和俯仰角参数。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述传感器检测的液压支架的工作状态参数还包括：降柱压力、降柱时间、移架时间、推溜时间、护帮板行程、升架初撑力和升架时间。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述BP神经网络模型包括输入模块、隐层模块和输出模块；

所述输入模块接收所述传感器发送的液压支架的工作状态参数、环境状态参数，所述采煤机运行参数和所述泵站供液参数作为输入信号；

所述输出模块将所述理想控制目标参数作为输出信号；

所述隐层模块中包括液压支架自动控制的不同阶段的标准动作参数，其中每一阶段的标准动作参数与前一阶段的标准动作参数间通过权重值相关联，所述权重值根据所述输出信号与所述输入信号进行配置。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述BP神经网络模型还用于接收所述自适应调节器输出的所述误差值，根据所述误差值对所述权重值进行调整。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述输出模块输出的所述理想控制目标参数包括：液压支架的目标升架支撑力、移架目标行程、推溜目标行程和护帮板对煤壁的目标压力。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述隐层模块中，液压支架自动控制的不同阶段包括：液压支架的降架阶段、液压支架的移架阶段和液压支架的升架阶段。

可选地，上述的基于BP神经网络模型的液压支架电液自适应控制系统，所述隐层模块中的液压支架自动控制的不同阶段的标准动作参数包括：移驾过程为卡的判定参数、移驾过程为别的判定参数、移驾速度为慢的判定参数、降柱泄压速度为慢的判定参数、升柱初撑力为低的判定参数以及护帮板压力为低的判定参数。

本发明提供的上述技术方案与现有技术相比，至少具有如下有益效果：

本发明提供的基于BP神经网络模型的液压支架电液自适应控制系统，包括支架控制器、传感器、BP神经网络模型和自适应调节器，支架控制器用来控制液压支架动作，传感器用来感知液压支架运动过程中的工作状态和工作面环境状态。以液压支架的理想工作状态为控制目标，通过分析工作面影响液压支架控制的外部环境和内部环境的主要因素，构建液压支架控制系统的BP神经网络模型，结合自适应调节器，实现了液压支架电液控制系统的在线寻优，最大限度的提高液压支架电液控制系统的适应性能。

附图说明

图1为本发明一个实施例所述基于BP神经网络模型的液压支架电液自适应控制系统的原理框图；

图2为本发明一个实施例所述BP神经网络模型的原理示意图；

图3为本发明一个具体示例所述液压支架电液控制BP神经网络控制模型的原理图。

具体实施方式

为了使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明实施例提供一种基于BP神经网络模型的液压支架电液自适应控制系统，如图1所示，包括支架控制器1、传感器2、BP神经网络模型3和自适应调节器4，其中：

所述传感器2用于检测液压支架5的工作状态参数和工作面的环境状态参数；所述BP神经网络模型3接收所述传感器2发送的液压支架5的工作状态参数和工作面的环境状态参数、采煤机运行参数和泵站供液参数作为输入信号，根据所述输入信号确定理想控制目标参数并将所述理想控制目标参数作为输出信号输出；所述自适应调节器4接收所述BP神经网络模型3发送的理想控制目标参数和所述传感器发送的液压支架5的工作状态参数，获取理想控制目标参数和液压支架5的工作状态参数之间的误差值；所述支架控制器1获取所述自适应调节器4发送的误差值，获取采煤机运行参数和泵站供液参数，根据所述误差值、所述采煤机运行参数和所述泵站供液参数确定液压支架5的动作参数以控制所述液压支架5动作。上述参数中，采煤机7的运行参数可以由采煤机7的控制系统自主获得之后发送给相应的模块，泵站供液参数也可以由泵站6的控制系统自主获得之后发送给相应的模块。

在上述系统中，所述液压支架5作为受控对象。所述支架控制器1用来控制液压支架5动作，实现液压支架5的收/伸护帮板、移架、推溜等功能，实现工作面采场的支撑与设备迁移。所述传感器2包括多种类型的传感器，根据其检测的对象不同可设置于不同的位置处，例如传感器2用于检测液压支架5的工作状态参数时，可以设置在液压支架5的相应位置上，使得其能用来感知液压支架5的支撑状态、迁移位置等自身的工作状态。传感器2用于检测工作面的环境状态参数时，可以设置于液压支架5上也可以设置于工作面的相应位置处，使得其能够感知工作面的倾角、仰俯角等开采环境状态。所述支架控制器1通过工作面液压支架通信网络系统接收所述采煤机7的控制系统报送来的采煤机位置、速度等运行参数，以实现液压支架5的跟机自动控制。所述泵站6为液压支架5提供液压动力源，因此可以根据供液参数判断液压支架5的动作速度。

其中，图2给出了本实施例中所述BP神经网络结构图，图中X对应于输入层节点；Y对应于输出层节点；Z对应于隐层节点。在BP神经网络结构中可以包含一个或多个隐层，每一隐层中可以包括多个隐层节点，网络的各隐层节点之间通过权值实现全连接，这些隐层节点的作用是根据输入提取特征传递到输出，使得网络具有复杂的非线性映射功能。BP神经网络中包含两个方向的信号交流，即函数信号和误差信号。函数信号是输入信号(X₀～X_n)经过网络的输入层，逐渐传播到隐层节点，最终到达输出层得到一个输出信号(Y₀～Y_m)。误差信号在网络的输出层通过某种形式的误差函数产生，在网络中反向传播。具体到本实施例中，所述BP神经网络模型3采用BP神经网络建模，所述自适应调节器4为经过BP神经网络模型训练的控制策略，即以神经元权重为依据的自适应控制方法，通过自适应机构计算出相应的控制参数，并输出给支架控制器1进行液压支架5的控制。所述自适应调节器4的自适应目标为使得液压支架5较好的完成采煤工作面空间场的迁移和支撑主体任务，以液压支架5的支撑力、移架和推溜的目标行程等信息构成BP神经网络模型3的输出层。以影响液压支架完成采场迁移和支撑目标的外部环境(即工作面环境)和内部环境(即液压支架自身工作参数)影响因素为模型输入单元，以工作面顶底板条件，工作面倾角、仰俯角，采煤机运行速度、供液系统压力、流量，电液阀工作状态等信息构成BP神经网络模型的输入层，其中所述电液阀的工作状态使用时间序列分析模型进行判断。其中，将液压支架5控制过程划分成有不同阶段，建立这些阶段完成质量的评判标准，这些阶段的输出信息构成BP神经网络模型3的隐层节点。根据不同的模型样本进行模型训练，通过不同的输入信号，观察模型实际输出与理想输出之间的误差，使误差逐步减小，对于影响大的输入信号，赋予较大的权值，不断的尝试寻优，最终达到达到理想的输出效果。通过BP神经网络实现正向传播信号，反向传播误差。需要说明的是，BP神经网络模型的基本原理以及对于BP神经网络模型的训练过程并非本发明的改进点所在，其可以利用现有技术中的方法实现，本实施例中不再对其进行详细描述，下面就在液压支架自动控制系统中如何对BP神经网络模型进行训练进行简要说明。

本实施例中提供的一种优选的BP神经网络参考模型的液压支架控制自适应系统的操作步骤如下：

(1)构建BP神经网络模型3，其包括以下步骤：

①分析液压支架5的自动控制的影响因素，作为BP神经网络模型3的输入信号。

②确定控制目标即理想信号，作为BP神经网络模型3的输出信号。

③将整个液压支架5的自动控制过程划分成若干个阶段，对每个阶段制定质量标准与判断准则，具体的可以设置标准参数，每一阶段中液压支架的动作参数与这些标准参数进行比对，以判断是否符合目标的要求。这些中间过程作为BP神经网络模型3的隐层节点，这些过程可以是多种动作组合中的若干个动作过程，而这些中间过程间具有一定的相关关系，这种关系是隐性的。最简单的一种划分，如液压支架的自动移架控制，可以将液压支架5的自动控制过程分为：降架、移架、升架。

(2)对BP神经网络模型3进行训练，其包括以下步骤：

①收集BP神经网络模型3的样本集。收集液压支架控制神经元样本集，所谓神经元即为需要作为输入信号的相关参数，其中与液压支架5相关的设备配套属于快时间尺度的实时反馈控制样本集，工作面的开采环境和本体为慢时间尺度的样本集。样本集的获取可以采用两种方式，第一种方式为根据历史经验值进行设定，液压支架自动控制系统在工作工作过程中的一些参数值均可以保存至一历史经验值数据库，其中能够包括大量的不同工作情况下的相关值，这部分数据能够作为样本集使用，用来模拟液压支架的BP神经网络模型。另一种情况，直接配置液压支架的工作环境，模拟各种不同情况，在不同情况下控制液压支架动作，使其满足预设目标，由此能够得到液压支架自动控制系统在不同工作环境下要达到不同预设目标时的工作参数，这部分数据即可作为样本集。

②确定BP神经网络模型3的输入节点。主要有内部环境和外部环境，包括开采环境、运行环境、配套设备、控制系统本体等因素。具体的，其包括降柱压力、降柱时间、工作面倾角、工作面仰俯角、移架行程、移架时间、推溜行程、推溜时间、护帮板压力、护帮板行程、升架初撑力、升架时间、煤机速度、泵站压力、泵站流量、液压阀健康状态等16个参数信息，以上信息均可以通过传感器2检测得到，或者采煤机7、泵站6等配套设备的自身控制系统得到。

③确定BP神经网络模型3的输出节点。按照液压支架自动控制职能来分，输出节点可以分为液压支架的移架行程、推溜行程、升架支撑压力和护帮板对煤壁的支撑力等4个节点，也可以进一步细化到液压支架降柱、移架、升架、推溜、伸护帮、收护帮等6个节点，输出节点分的越细，网络的结构也就越复杂，但其结构也越清晰。

④确定BP神经网络模型3的隐层节点，需要说明的是，隐层节点是在确定了输入和输出节点后才进一步确定的，其可以根据输出节点的参数去反推隐层节点的参数，使得隐层节点的设置能够同时满足输出节点和输入节点的要求。隐层节点可以选择液压支架移架中出现卡、别，移架速度慢，降柱泄压缓慢、升柱达不到初撑力、护帮板压力不足等。具体地，所述隐层节点中可以设置有移驾过程为卡的判定参数、移驾过程为别的判定参数、移驾速度为慢的判定参数、降柱泄压速度为慢的判定参数、升柱初撑力为低的判定参数以及护帮板压力为低的判定参数。通过实时获取液压支架5的工作参数与相应的判定参数进行比较，即可确定其是否满足隐层节点中的判定条件。

⑤配置自适应调整器4。从输出节点反馈到隐层节点，建立液压支架自动控制过程中各个节点的输出标准及理想的控制过程，如降架速度、移架速度、升架速度等，对每一个节点的输出参数设定阈值，当液压支架的实际动作结果小于设定的阈值时，就需要调用自适应调整器4，自适应调整器4针对误差对应的过程中关联的相关因素(神经元)，即输入层节点进行测试。例如，当将某一输入节点的参数更换为样本集总的输入层节点参数后，得到的液压支架的实际输出与理想输出的误差减小说明该输入节点参数对该自动控制过程的增益较大，可以为其配置较大的权值。因此，根据使误差向减小方向发展的原则，可调整BP神经网络模型中与该自动控制阶段相关的各输入节点、隐层节点中相关参数(神经元)的连接权值。通过不断测试可以逐渐找出主要主要的影响因素，并确定其对应的权值，摸清其神经脉络。参与测试的样本越多，建立的模型就越稳定，模型产生的误差也越小。

如图3描述了一个BP神经网络模型的液压支架控制自适应系统实例，实例中有14个输入层节点，3个输出层节点和5个隐层节点，隐层节点由若干输入层节点按照权值产生连接，权值为0的表示该隐层节点与输入层该节点信息没有关联，权值为1的表示该隐层节点与输入层该节点信息具有最高程度的关联。

以隐层节点1为例进行说明，假设隐层节点1表示的是液压支架的降柱压力，根据表格中权值的体现，其与降架压力、降架时间、液控阀工作状态、顶板条件、工作面倾仰俯角、泵站压力流量和煤机速度有关联，其相对应的位置处显示“x”，与其余输入节点无关联则相应位置处显示为“0”。如前所述，隐层节点还需要通过输出节点进行反推，因此隐层节点与输出节点之间的关联性也通过权值反应，如图3所示，液压支架的降柱压力与输出节点中的移驾行程有关，因此相应位置处显示“x”，其余两个输出节点对应的位置处显示为“0”。其中每一权值的具体大小，可根据样本值进行训练后得到，此处不再详细描述。

以上方案中，将液压支架自动控制中通过对显性的支架降移升等动作过程中外部环境和内部环境的影响因素构建基于BP神经网络参考模型，支架移架不到位、升架压力达不到初撑力等为BP神经网络模型实际输出与理想模型的误差。支架移架速度慢、支架卡别、降架卸载出现问题等为隐层，这些都是影响输出层模型误差因素，而这些隐层的影响因素为输入层的液压支架底板松软、顶板破碎、工作面有倾角等因素，通过一定的策略，如增加抬底动作、用支架底调控制支架的角度，构成支架自适应机构，调整相关参数，输出进行控制。通过不断的反复尝试，使实际输出与理想输出的误差向小的方向发展，从而提升液压支架自动控制的效果，实现了液压支架电液控制系统对环境的自适应控制。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。