鉆孔機器人鉆進工況智能感知與自適應控制機理研究

王清峰，陳 航，陳玉濤

(1.瓦斯災害監控與應急技術國家重點實驗室，重慶 400037； 2.中煤科工集團重慶研究院有限公司，重慶 400039)

瓦斯抽采孔鉆進是煤礦瓦斯治理的重要環節，也是一個復雜的生產過程[1]。在鉆孔施工過程中，鉆進控制參數處于受多個隨機變量影響的時變系統中，參數的實時監測和調整十分困難。雖然煤礦鉆機已逐步配備了壓力表、傳感器、顯示屏等用于顯示主要參數，但是施工人員往往只能觀察到幾個主要的壓力參數，無法全面收集所有工況參數與控制參數，更難以及時對各種數據進行篩選、計算與決策，最終導致參數調整操作不準確或者滯后。此外，由于經驗、能力等方面的差異，不同的施工人員即使面對同樣的數據，也可能做出不同甚至是截然相反的判斷。這種完全依靠人員經驗和現場觀察的鉆進操作模式已經嚴重制約了煤礦鉆探技術的發展。

近年來，隨著煤礦自動化鉆機的出現[2-4]，鉆進控制參數自動調節技術也應運而生。王清峰等[5]通過傳感器采集鉆機的旋轉壓力、推進壓力、推進速度等關鍵參數，開發了基于液壓系統聯動的控制參數自動調節技術；翁寅生等[6]使用編碼器、流量傳感器等構建了鉆機主要參數監測系統，對輸出轉速、推進速度、實時位移、排渣風量等進行實時監測，以便人員及時調整參數；馬斌等[7]研究了分布式傳感器設置方法，對比傳感器檢測數據與給定閾值，根據對比結果實施相關機構的調整。綜合分析可知，已有技術雖然通過傳感器對鉆機主要參數進行監控，但是控制參數的調整仍是人工操作，或者與根據經驗設定的簡單閾值比較后再調整，均未能脫離或弱化對于人工經驗的依賴。

為提高瓦斯抽采孔鉆進過程中控制參數調節的智能化程度，筆者以建立邊界條件的數學模型為主要手段，揭示鉆孔機器人鉆進工況智能感知與自適應控制機理，并結合差分進化算法開發鉆進參數自適應調節技術，最終實現鉆進參數自適應調節。

1 邊界條件及鉆進狀態分類

1.1 邊界條件分析

分析了大量現場施工案例[8-9]，綜合考慮施工效率、現場安全及設備狀態等，擬將最高鉆進效率作為鉆進自適應控制的目標，以卡鉆概率、排渣順暢性和錨固穩定性為邊界條件，建立智能感知與自適應控制機理的數學模型，即在同時滿足卡鉆概率較低、排渣順暢、錨固穩定3個條件下，機器人可以以最大速度鉆進。

1.2 鉆進狀態分類

通過3個邊界條件感知鉆進工況，首先需要根據邊界條件對工況進行分類。

1)額定鉆進狀態：至少一個邊界條件恰好達到臨界值，此時鉆孔機器人的鉆進效率較高、卡鉆概率低、排渣順暢、機身錨固穩定，應保持當前鉆進速度。

2)保守鉆進狀態：3個邊界條件均未達到臨界值，此時鉆進效率較低。可通過提高鉆進速度使鉆孔機器人達到額定鉆進狀態。

3)過激鉆進狀態：至少一個邊界條件已經超過臨界值，存在發生較大鉆孔事故的可能性。應立即降低鉆進速度，使鉆孔機器人達到額定鉆進狀態。

2 智能感知與自適應控制機理數學建模

通過建立鉆孔機器人3個邊界條件的數學模型，構建智能感知與自適應控制機理數學模型體系，對比邊界條件的實時求解值與臨界值，實現對當前鉆進狀態種類的感知，從而為鉆進參數自適應控制提供依據。

2.1 卡鉆概率數學模型

鉆進系統為非線性時變系統，卡鉆風險時刻存在卻又難以量化，因此提出用卡鉆系數kx對卡鉆概率進行量化描述。

通過對大量現場鉆進數據進行分析后發現，旋轉壓力、推進壓力、推進速度、旋轉壓力變化率及推進壓力變化率等5個因素對卡鉆概率的影響程度各不相同，且單個因素的影響程度在不同的地質條件中也非定值。因此采用加權平均的方法建立卡鉆系數數學模型：

(1)

2.2 排渣順暢性數學模型

在鉆進過程中，卡鉆、垮孔等鉆孔事故會引起孔內介質壓力增大[10-11]。排渣順暢時，孔內排渣介質壓力應為鉆孔深度和傾角的函數，即：

pC=f(d,θ)

(2)

式中：pC為排渣順暢介質壓力；d為鉆孔深度；θ為鉆孔傾角。

排渣順暢時的介質壓差為介質源輸出壓力減去孔內介質壓力，即：

Δp0=p0-pC=p0-f(d,θ)

(3)

式中：Δp0為排渣順暢時的壓差；p0為介質源輸出壓力。

排渣順暢性的數學模型為：

(4)

式中：SC為排渣順暢系數；Δp為實時壓差；pr為實測介質壓力，且pr>pC；SC1為最小排渣系數，其值為可實現排渣的最小的SC值。

2.3 錨固穩定性數學模型

鉆孔機器人錨固狀態受力如圖1所示。圖1中，慣性力Fa1和Fa2的方向隨機身振動方向而改變，可能與圖示方向相反，以圖示方向為正值，反向時取負值。摩擦力f1和f2實際分別作用在上下各2支錨固油缸上，為便于說明，圖示集中于1支油缸上。

1—下錨固油缸；2—鉆孔機器人機身；3—上錨固油缸；θ—鉆孔傾角；N1—上錨固正壓力；N2—下錨固正壓力； f1—上錨固油缸與巷道頂面間的摩擦力；f2—下錨固油缸與巷道底面間的摩擦力；Ft—推進反作用力；Fa1—豎直方向慣性力；Fa2—水平方向慣性力。

分析圖1可知，鉆進過程中錨固穩定的條件為總摩擦力不小于推進反作用力的水平分量與振動水平慣性力之和。當機身向下振動達到振幅時，振動加速度豎直分量a1向上且達到最大值，則：

f1+f2≥Ftcosθ+Fa2

f1=μ1(2pNSN-Fa1-Ftsinθ)

f2=μ2(2pNSN+Fa1+Ftsinθ)

Fa1=ma1

Fa2=ma2

Ft=ptSt

式中：μ1為上錨固與巷道頂面間的靜摩擦系數；μ2為下錨固與巷道底面間的靜摩擦系數；pN為錨固油缸工作壓力；SN為錨固油缸活塞面積；m為鉆孔機器人質量；a1為振動加速度豎直分量；a2為振動加速度水平分量；pt為推進油缸工作壓力。

聯立以上6式求得：

(5)

當機身向上振動達到振幅時，振動加速度豎直分量a1向下且達到最大值，同理可求得：

(6)

鉆孔機器人錨固穩定性的數學模型為：

pt≤min(ptd,ptu)

(7)

(8)

(9)

式中ptd、ptu分別為機身向下、向上振動達到振幅時推進油缸工作壓力的最大值。

3 基于差分進化算法的自適應控制技術

3.1 鉆進參數自適應優化原理

根據鉆進工況智能感知與自適應控制機理的數學模型，設計鉆進參數自適應優化原理，如圖2所示。

圖2 鉆進參數自適應優化原理框圖

首先，鉆孔機器人將鉆進系統實時反饋的參數與鉆進參數適配庫進行相似性對比分析，識別當前鉆進巖層的巖性，并根據分析與識別結果匹配適配庫中已有的最接近的初始控制向量；然后，根據鉆進工況智能感知與自適應控制機理的數學模型，采用差分進化算法[12-16]進行控制向量優化，直到有邊界條件達到臨界值；再采用鉆孔機器人控制系統輸出優化后的控制向量控制鉆進系統施工。

3.2 控制向量迭代優化算法

鉆孔機器人通過鉆進參數對比和圖像識別等手段實現當前鉆進巖層的巖性識別[17-19]和可鉆性分級[20-21]，并結合大量鉆進試驗數據和歷史鉆進數據建立多種巖性的鉆進參數適配庫。該適配庫中，鉆孔機器人對應每種巖性可能有多個控制向量滿足要求，其控制向量空間為：

(10)

式中：Cin為第i種巖性對應的第n個控制向量；Si1n為孔深；pi1n為第n個控制向量的旋轉壓力；pi2n為第n個控制向量的推進壓力；pi3n為第n個控制向量的排渣介質壓力；vi1n為第n個控制向量的推進速度；vi2n為第n個控制向量的旋轉速度；Qi1n為第n個控制向量的排渣介質流量；Yi為對不同巖性的賦值。

假設第j個控制向量為初始控制向量，即：

(11)

式中Cij的右上標代表迭代次數。

將式(11)代入式(12)進行控制向量的迭代優化，直到鉆孔機器人滿足最高效率要求，且至少有一個邊界條件恰好達到臨界值：

(12)

4 地面鉆進試驗

為測試自適應控制技術的實用性與響應時間，將其編程導入ZYWL-4000R型鉆孔機器人進行地面鉆進試驗，如圖3所示。選用3塊不同種類的巖石模擬鉆進過程中的巖性變化，從左到右依次為砂巖、花崗巖和泥巖。

圖3 地面鉆進試驗

設置鉆孔機器人鉆進方式為恒壓鉆進，穩定旋轉壓力為11.0 MPa，穩定推進壓力為8.5 MPa。試驗鉆孔10個，分別記錄穩定鉆進和穿層突變的旋轉壓力、推進壓力及推進速度。試驗數據如表1 所示。

表1 地面鉆進試驗數據

穿層時壓力參數由突變值回歸到穩定值的響應時間如表2所示。

表2 壓力參數回歸響應時間

分析表1、表2中試驗數據可知，鉆孔機器人最初在砂巖中鉆進時，旋轉壓力和推進壓力基本穩定在設定的穩定壓力值附近，略有波動；與該穩定壓力值匹配的自動推進速度在12.5～12.7 mm/s內輕微波動。從砂巖變化到花崗巖時，由于巖石硬度突然增大，鉆進受阻，旋轉壓力突變到15.2～16.8 MPa，推進壓力突變到9.4～10.2 MPa，壓力值與波動均明顯增大；經過2.4～3.0 s的控制向量自適應優化，旋轉壓力下降并穩定在11.0～11.5 MPa，推進壓力下降并穩定在8.0～8.4 MPa，推進速度也自動降低到5.0～5.2 mm/s。從花崗巖變化到泥巖時，由于巖石硬度突然減小，鉆進阻力明顯減小，旋轉壓力突變到6.9～7.5 MPa，推進壓力突變到4.2～4.8 MPa，壓力值明顯減小，但波動再次增大；經過2.6～3.0 s的控制向量自適應優化，旋轉壓力增大并穩定在11.0～11.5 MPa，推進壓力下降并穩定在8.0～8.4 MPa，推進速度也自動增大到19.4～19.7 mm/s。

對照鉆進狀態分類可知，在由砂巖到花崗巖的變化過程中，自適應控制技術實現了鉆孔機器人由過激鉆進狀態向額定鉆進狀態的自適應調節；而在由花崗巖到泥巖的變化過程中，則實現了鉆孔機器人由保守鉆進狀態向額定鉆進狀態的自適應調節。

5 結論

1)以最高鉆進效率作為自適應控制目標，根據煤礦鉆孔施工經驗，選擇了卡鉆概率、排渣順暢性和錨固穩定性作為建立鉆孔機器人鉆進工況智能感知與自適應控制機理的邊界條件，并根據邊界條件將鉆進狀態分為額定、保守和過激3類。

2)通過分析旋轉壓力、推進壓力及壓力變化率等參數對卡鉆概率的影響，采用加權平均法建立了卡鉆系數數學模型；通過分析順暢排渣介質壓差和實測壓差的關系，建立了排渣順暢性數學模型；通過分析鉆孔機器人在錨固力、推進反作用力、錨固摩擦力及慣性力的共同作用下的受力情況，建立了錨固穩定性的數學模型。

3)綜合邊界條件的數學模型，構建了鉆孔機器人鉆進工況智能感知與自適應控制機理數學模型體系，通過對比邊界條件的實時求解值與臨界值，實現了對當前鉆進狀態種類的感知，為鉆進參數自適應控制提供依據。

4)根據鉆進工況智能感知與自適應控制機理，開發了基于差分進化算法的自適應控制技術，對鉆孔機器人控制向量進行自動優化。地面鉆進試驗表明，智能感知與自適應控制技術能控制鉆孔機器人在鉆進巖層突變時較快地實現對控制參數的自動調節，使鉆孔機器人始終保持高效、穩定的鉆進狀態。