一种采煤机截割载荷软测量方法技术

本发明专利技术公开了一种采煤机截割载荷软测量方法，包括步骤一、电流和转速信号的检测；步骤二、电流和转速信号的采集；步骤三、电流有效值计算；步骤四、电流有效值的小波降噪；步骤五、建立截割载荷ELM神经网络模型；步骤六、采煤机截割载荷的获取。本发明专利技术方法步骤简单、设计合理且测量准确度高，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷，实用性强。

【技术实现步骤摘要】
一种采煤机截割载荷软测量方法
本专利技术属于煤矿自动化开采
，尤其是涉及一种采煤机截割载荷软测量方法。
技术介绍
滚筒是采煤机的工作机构，滚筒上的载荷对采煤机的受力状态、生产效率、截割能耗以及结构件的工作可靠性都有着重要的影响。目前，对采煤机截割载荷的测量主要有以下几种方法：(1)目前常规的测量方法是通过对煤矿岩石样本进行实验测试，获得相关对应的煤矿岩石硬度情况，在获取煤矿岩石硬度情况的基础上计算截割阻力系数，得到单个截齿的截割力和扭矩，从而得出采煤机截割载荷。但是，由于煤炭赋存条件的复杂性，造成煤矿岩石物理机械性质的多变性，即使在同一矿区也是如此，而且煤矿岩石层还存在夹矸、断层等，因此，采煤机在工作过程中，必然会出现其截割对象具有不同的性质的情况，所以通过获取煤矿岩石样本实验测试出的截割载荷数值不能保证其精度；(2)通过在采煤机机身安装检测仪器，直接对截割载荷进行测量。虽然检测便捷且安装方便，但是由于煤矿井下采煤工作面的工况和环境条件较为恶劣，检测采煤机截割载荷所使用的检测仪器必须要具有良好的防爆、防潮、防干扰等性能，且由于采煤井下空间狭小，要求所使用的检测仪器体积较小，这样对于检测仪器的要求非常高，另外检测仪器还存在检修的问题，不适应于井下长时间实时检测；(3)通过建立采煤机摇臂虚拟样机，分析柔性摇臂壳体的动态特性，以此计算截割载荷，由于其在摇臂伸出端施加的是阶跃和正弦负载，难以真实的反映出采煤机实际工作过程中的受力情况，所以不能保证其检测精度；(4)根据滚筒参数(齿类型、端盘和叶片参数、基本参数、排列方式和功能按钮)和煤矿岩石参数(截割对象的截割破碎指标和力学性质)得出截割载荷。但是，由于煤矿环境恶劣，煤矿岩石参数的获取存在一定困难。因而，需设计一种方法步骤简单、设计合理采煤机截割载荷软测量方法，建立采煤机截割载荷软测量模型，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种采煤机截割载荷软测量方法，其方法步骤简单、设计合理且测量准确度高，根据截割电机的电流和电机转速，能准确地测量出采煤机截割载荷，实用性强。为解决上述技术问题，本专利技术采用的技术方案是：一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；步骤三、电流有效值计算：所述数据处理器根据公式得到第一截割电机的电流有效值Iyc，所述数据处理器根据公式得到第二截割电机的电流有效值iyc；步骤四、电流有效值的小波降噪：采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第一截割电机的电流有效值Iyc进行小波降噪，得到去噪后的第一截割电机的电流有效值Iy′c，采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第二截割电机的电流有效值iyc小波降噪，得到去噪后的第二截割电机的电流有效值i′yc；步骤五、建立截割载荷ELM神经网络模型：步骤501、确定ELM神经网络模型的输入层节点数和输出层节点数：采用所述数据处理器建立ELM神经网络模型，所述ELM神经网络模型为单隐层神经网络模型，所述ELM神经网络模型输入层的节点数为3个，将去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速作为所述ELM神经网络模型的输入；所述ELM神经网络模型输出层的节点数为1个，将采煤机截割载荷作为所述ELM神经网络模型的输出，所述ELM神经网络模型隐含层的节点数为n，n为1～50的自然数；步骤502、训练各个不同隐含层节点数的ELM神经网络模型：所述数据处理器对采煤机不同工作状态时对应的多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速进行获取，并以多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速分别对应的多个采煤机截割载荷作为所述ELM神经网络模型的输出，构建训练样本；第i组训练样本包括第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速和第i个采煤机截割载荷Wi；其中，所述训练样本的组数为M个，1≤i≤M，M为正整数；采用所述数据处理器设置激活函数为Sigmiod函数，对n取值为1～50的自然数时所对应的不同隐含层节点数的ELM神经网络模型进行训练；步骤503、确定第一个训练好的神经网络模型：采用所述数据处理器根据公式得到各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj；其中，表示j个隐含层节点数时所对应的ELM神经网络模型的各个输出值，1≤j≤n，j为正整数；采用所述数据处理器将各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj按照从小到大的顺序进行排序，得到均方根误差最小值μmin，则确定均方根误差最小值μmin所对应的ELM神经网络模型为第一个训练好的神经网络模型；步骤504、重复步骤501至步骤503，采用所述数据处理器设置激活函数为Sine函数，得到第二个训练好的神经网络模型；步骤505、重复步骤501至步骤503，采用所述数据处理器设置激活函数为多项式函数，得到第三个训练好的神经网络模型；步骤六、采煤机截割载荷的获取：所述数据处理器对步骤四中得到去噪后的第一截割电机的电流有效值I′yc、去噪后的第二截割电机的电流有效值i′yc和步骤二得到的电机转速RSc带入步骤503中第一个训练好的神经网络模型，得到第一个训练好的神经网络模型的输出值所述数据处理器将I′yc、i′yc和RSc带入步骤504中第二个训练好的神经网络模型，得到第二个训练好的神经网络模型的输出值所述数据处理器将I′yc本文档来自技高网...

【技术保护点】
1.一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；步骤三、电流有效值计算：所述数据处理器根据公式...

【技术特征摘要】
1.一种采煤机截割载荷软测量方法，所述采煤机截割头包括第一截割电机和第二截割电机，所述第一截割电机通过惰轮与所述第二截割电机传动连接，其特征在于，该方法包括以下步骤：步骤一、电流和转速信号的检测：采用第一电流检测模块对所述第一截割电机的三相电流信号进行实时检测，并将检测到所述第一截割电机的三相电流信号传输至数据处理器；采用第二电流检测模块对所述第二截割电机的三相电流信号进行实时检测，并将检测到所述第二截割电机的三相电流信号传输至所述数据处理器；转速传感器对所述第一截割电机或者所述第二截割电机的转速信号进行实时检测，并将检测到的电机转速信号传输至所述数据处理器；其中，所述第一电流检测模块、所述第二电流检测模块、所述转速传感器均与所述数据处理器相接，所述第一截割电机和所述第二截割电机的转速相同；步骤二、电流信号和转速信号的采集：采用所述数据处理器对步骤一中所述第一截割电机的三相电流信号、所述第二截割电机的三相电流信号和所述电机转速信号分别进行采集，具体过程如下：所述数据处理器调取模数转换模块分别对第一截割电机的A相电流信号、第一截割电机的B相电流信号和第一截割电机的C相电流信号进行模数转换，得到第一截割电机的A相电流值IA、第一截割电机的B相电流值IB和第一截割电机的C相电流值IC；所述数据处理器调取模数转换模块分别对第二截割电机的A相电流信号、第二截割电机的B相电流信号和第二截割电机的C相电流信号进行模数转换，得到第二截割电机的A相电流值Ia、第二截割电机的B相电流值Ib和第二截割电机的C相电流值Ic；所述数据处理器调取计数转换模块对电机转速信号进行采集，得到电机转速RSc；步骤三、电流有效值计算：所述数据处理器根据公式得到第一截割电机的电流有效值Iyc，所述数据处理器根据公式得到第二截割电机的电流有效值iyc；步骤四、电流有效值的小波降噪：采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第一截割电机的电流有效值Iyc进行小波降噪，得到去噪后的第一截割电机的电流有效值I′yc，采用所述数据处理器调用离散小波分解重构模块对步骤三中得到的第二截割电机的电流有效值iyc小波降噪，得到去噪后的第二截割电机的电流有效值i′yc；步骤五、建立截割载荷ELM神经网络模型：步骤501、确定ELM神经网络模型的输入层节点数和输出层节点数：采用所述数据处理器建立ELM神经网络模型，所述ELM神经网络模型为单隐层神经网络模型，所述ELM神经网络模型输入层的节点数为3个，将去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速作为所述ELM神经网络模型的输入；所述ELM神经网络模型输出层的节点数为1个，将采煤机截割载荷作为所述ELM神经网络模型的输出，所述ELM神经网络模型隐含层的节点数为n，n为1～50的自然数；步骤502、训练各个不同隐含层节点数的ELM神经网络模型：所述数据处理器对采煤机不同工作状态时对应的多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速进行获取，并以多组去噪后的第一截割电机的电流有效值、去噪后的第二截割电机的电流有效值和电机转速分别对应的多个采煤机截割载荷作为所述ELM神经网络模型的输出，构建训练样本；第i组训练样本包括第i个去噪后的第一截割电机的电流有效值、第i个去噪后的第二截割电机的电流有效值、第i个电机转速和第i个采煤机截割载荷Wi；其中，所述训练样本的组数为M个，1≤i≤M，M为正整数；采用所述数据处理器设置激活函数为Sigmiod函数，对n取值为1～50的自然数时所对应的不同隐含层节点数的ELM神经网络模型进行训练；步骤503、确定第一个训练好的神经网络模型：采用所述数据处理器根据公式得到各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj；其中，表示j个隐含层节点数时所对应的ELM神经网络模型的各个输出值，1≤j≤n，j为正整数；采用所述数据处理器将各个不同隐含层节点数所对应的ELM神经网络模型的均方根误差μj按照从小到大的顺序进行排序，得到均方根误差最小值μmin，则确定均...

【专利技术属性】
技术研发人员：马宏伟，周元华，毛清华，张旭辉，姜俊英，杜昱阳，张璞，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61