基于PSO?ELM的綜采工作面液壓支架姿態(tài)監(jiān)測方法

文章編號：1671?251X（2024）08?0014?06 DOI：10.13272/j.issn.1671-251x.2024070023

關鍵詞：液壓支架；頂梁俯仰角；姿態(tài)監(jiān)測；誤差補償；粒子群優(yōu)化；極限學習機；PSO?ELM

中圖分類號：TD355.4 文獻標志碼：A

0引言

煤礦綜采工作面地質情況復雜，液壓支架支護過程中常常發(fā)生滑移和傾倒等失穩(wěn)現象，極大地影響了支護操作的安全性和穩(wěn)定性[1]。隨著我國煤礦自動化和智能化技術的不斷發(fā)展，依賴煤礦井下工作人員定期巡檢和手動調整液壓支架支護位姿的傳統(tǒng)方式已不能滿足智能化生產需求。通過測量單元對液壓支架支護位姿實時監(jiān)測，結合電液控制系統(tǒng)進行支護位姿控制調整，不僅能有效避免人工巡檢和調整的滯后性和效率低的問題，還能減少疏漏，從而提升整體工作效率和安全性[2]。

由于煤礦井下環(huán)境特殊，工作空間狹窄，常規(guī)的衛(wèi)星定位和無線通信手段難以提供綜采工作面液壓支架支護姿態(tài)的精確信息[3]。慣性測量單元（InertialMeasurement Unit， IMU）依賴自身數據解算位姿信息，無需從外界環(huán)境獲取額外信息，因此能有效抵御外界干擾，適應惡劣環(huán)境[4]。然而，在液壓支架姿態(tài)解算過程中，IMU 要對陀螺儀數據進行積分，對加速度進行二次積分，導致解算結果存在累計誤差[5]。傳統(tǒng)的自適應卡爾曼濾波方法也存在累計誤差問題[6]，且在處理復雜非線性系統(tǒng)時需進行線性化處理，影響濾波精度，非線性系統(tǒng)的不確定性使得濾波器的收斂性和穩(wěn)定性降低[7]。擴展卡爾曼濾波可應用于非線性系統(tǒng)， 但計算復雜度較高， 計算速度較慢[8]。

張坤[9]利用陀螺儀和傾角傳感器測量液壓支架支護姿態(tài)，提出了一種多傳感器數據融合方法。司壘等[10]利用空間陣列式IMU 進行位姿解算，提高了測量精度。徐西華[11]融合卡爾曼濾波和改進自適應加權算法實現液壓支架支護姿態(tài)解算，抑制了噪聲。盡管國內外學者在液壓支架姿態(tài)解算方面進行了研究，但仍然存在關鍵問題：IMU 在對液壓支架姿態(tài)解算過程中會產生累計誤差，導致校正結果不準確。目前研究中，精度普遍在0.5°內，連續(xù)工作時間超過2 h 后精度明顯下降，無法完全滿足自動化工作面安全高效生產的要求。

針對上述問題，本文以液壓支架頂梁俯仰角為監(jiān)測對象， 融合粒子群優(yōu)化（Particle SwarmOptimization， PSO） 算法和極限學習機（ExtremeLearning Machine， ELM） ， 提出一種基于PSO?ELM的綜采工作面液壓支架姿態(tài)監(jiān)測方法。該方法只考慮加速度和角速度數據與解算誤差的關系，不再依賴具體的物理模型，可有效降低姿態(tài)解算累計誤差。

1液壓支架支護姿態(tài)監(jiān)測方法

在煤礦一次采全高綜采工作面中，兩柱掩護式液壓支架使用最多。以兩柱掩護式液壓支架為例，支護姿態(tài)如圖1 所示。正常支護狀態(tài)下，頂梁和底座保持水平，如圖1（a）所示。不正常支護姿態(tài)主要包括整體失穩(wěn)和頂梁失穩(wěn)，整體失穩(wěn)又可分為縱向失穩(wěn)和橫向失穩(wěn)[12]。橫向失穩(wěn)分為左傾和右傾，如圖1（b）所示，橫向失穩(wěn)易造成相鄰液壓支架之間擠壓。縱向失穩(wěn)分為前傾和后仰，如圖1（c）所示，縱向失穩(wěn)易導致液壓支架推溜移架困難。頂梁失穩(wěn)是指液壓支架的底座保持水平，但頂梁與水平線之間存在夾角，依據夾角的大小可將支護姿態(tài)分為低頭狀態(tài)和仰頭狀態(tài)[13]。

液壓支架姿態(tài)測量參數包括頂梁和底座的俯仰角、橫滾角及偏航角，前后連桿和掩護梁的傾角，支護高度[14]。在支架頂梁和底座處安裝IMU，從測量出相應部件的俯仰角、橫滾角、偏航角，在掩護梁和連桿部件處安裝IMU，從測量其傾角[15]，支護高度通過建立的液壓支架數學模型計算求得[16]。

基于PSO?ELM 的綜采工作面液壓支架姿態(tài)監(jiān)測方法原理如圖2 所示。以液壓支架頂梁為例，通過傳感器初步獲得頂梁數據后，對采集到的數據進行預處理，將處理后的數據輸入PSO?ELM 誤差補償模型中，得到解算誤差預測值；同時通過卡爾曼濾波融合進行液壓支架姿態(tài)解算，得到解算值；再用誤差預測值對解算值進行誤差補償，從而求得更加準確的頂梁支護姿態(tài)數據。

用相同的算法及步驟對底座、掩護梁及前后連桿的傳感器數據進行處理，即可得到除護幫板外液壓支架的完整姿態(tài)，實現液壓支架支護姿態(tài)的可靠監(jiān)測。該方法根據加速度和角速度數據與解算誤差的關系實現姿態(tài)解算，不依賴具體的物理模型[17]。

2PSO?ELM誤差補償模型

相比于傳統(tǒng)方法，ELM 具有顯著的快速收斂性和強大的泛化能力，且訓練速度快、計算復雜度低，可避免傳統(tǒng)方法中的復雜計算過程，滿足實時監(jiān)測要求[18]。ELM 在處理高維非線性數據時表現出色，能夠更好地適應液壓支架姿態(tài)解算過程中復雜的非線性特征，提高姿態(tài)解算精度[19]。ELM 誤差預測模型結構如圖3 所示。其中 Ki（i=1， 2， ···， N，N 為數據總數）為輸入的姿態(tài)角度數據；B 為輸入權值；G（L）（L 為隱藏層層數）為激活函數；V 為輸出權值；Zi 為預測的姿態(tài)解算誤差。在ELM 前向傳播過程中，輸入層將加速度和角速度數據傳遞到隱藏層，隱藏層通過非線性激活函數對數據進行特征變換，輸出層利用線性組合完成最終的預測任務，輸出姿態(tài)解算誤差預測值[20]。

ELM誤差預測模型中，輸入層和隱藏層之間的權值及隱藏層的閾值是隨機生成的，導致模型的性能穩(wěn)定性變差， 誤差預測準確度下降[21]。采用PSO算法優(yōu)化ELM誤差預測模型的參數，能夠有效解決模型的不穩(wěn)定性問題，加快收斂速度，使得模型在面對噪聲數據和異常值時表現更佳，從而提升模型的魯棒性。因此，本文應用PSO算法優(yōu)化ELM 誤差預測模型的參數，建立了PSO?ELM 誤差補償模型。PSO?ELM 誤差補償流程如圖4所示，其中t 為迭代次數，T 為設置的最大迭代次數。

通過PSO算法迭代調整ELM誤差預測模型的閾值、權值及其變化率；將PSO 算法獲取的最優(yōu)權值和閾值代入ELM 誤差預測模型進行訓練和測試，獲得姿態(tài)誤差預測值；通過誤差預測值對解算值進行補償，實現誤差校正目的。

3仿真分析

對液壓支架頂梁俯仰角發(fā)生變化的支護工況進行仿真模擬。設置頂梁初始支護角度為0，仿真時間為10 s，采樣頻率為10Hz，將頂梁俯仰角逐漸增大到10°。在傳感器信號中添加零均值且符合正態(tài)分布的高斯白噪聲。

3.1卡爾曼濾波融合效果驗證

通過卡爾曼濾波融合將模擬生成的加速度和角速度數據解算成頂梁的俯仰角。濾波融合后得到的角度誤差和測量誤差對比如圖5 所示。測量誤差是指仿真設置值與傳感器測量值之間的誤差。測量噪聲導致測量誤差振蕩，最大誤差為3.481 53°。經濾波融合后，振蕩幅度明顯減小，1.5 s 后角度誤差趨近于 0°，這表明卡爾曼濾波迅速收斂并有效降低了噪聲干擾，達到了較好的數據融合效果。

3.2誤差補償效果仿真驗證

為了提高PSO?ELM 誤差補償模型的精度，對數據集進行預處理，包括去除異常值、分割數據集及標準化等操作。將預處理后的數據集輸入模型中進行訓練，然后使用液壓支架頂梁的仿真數據進行驗證。對卡爾曼濾波、自適應卡爾曼濾波后的誤差與卡爾曼濾波+PSO?ELM誤差補償后的誤差進行對比，結果如圖6所示。

從圖6可看出，液壓支架頂梁俯仰角解算值經過PSO?ELM 誤差補償后，誤差范圍為?0.1～0.1°，誤差最大值為0.112 004°。補償后的誤差曲線較補償前更平滑，波動幅度更小，表現出更好的穩(wěn)定性。這種穩(wěn)定性能夠有效減少噪聲和突變對系統(tǒng)性能的影響，對于液壓支架系統(tǒng)的實時監(jiān)測至關重要；補償后的誤差曲線在面對姿態(tài)突變時反應更迅速且平穩(wěn)，避免了自適應卡爾曼濾波中出現的過度反應和滯后現象。這意味著PSO?ELM 能夠更及時地捕捉并校正姿態(tài)變化，提高系統(tǒng)的實時性和可靠性。

采用平均絕對誤差（Mean Absolute Error， MAE）和均方根誤差（Root Mean Squared Error，RMSE）作為模型的評價指標，不同模型仿真結果見表1。可看出補償后的誤差明顯低于補償前，說明PSO?ELM 誤差補償模型能夠提高解算精度。

4實驗驗證及結果分析

煤礦綜采工作面液壓支架姿態(tài)監(jiān)測實驗平臺如圖7 所示。該平臺可模擬液壓支架在井下的實際工作過程，通過液壓支架控制器完成升架、降架、收升平衡等動作。采用HWT9053?RS485 型IMU 對液壓支架進行動態(tài)測量，采集頂梁姿態(tài)信息。數據采樣頻率為100 Hz，共采集到2536個姿態(tài)角數據。將采集的數據上傳到上位機中的姿態(tài)解算模型，得到頂梁俯仰角解算值。

4.1PSO優(yōu)化算法效果驗證

以頂梁的俯仰角為例，上位機接收到加速度和角速度數據后，采用卡爾曼濾波進行姿態(tài)結算，并通過ELM 模型和PSO?ELM 模型進行誤差補償，結果如圖8 所示。可看出PSO?ELM 模型學習過程更加穩(wěn)定，能夠更精準地補償液壓支架頂梁俯仰角解算誤差。

4.2誤差補償效果實驗驗證

采用卡爾曼濾波、自適應卡爾曼濾波模型解算頂梁俯仰角，并采用PSO?ELM 模型對卡爾曼濾波結果進行誤差補償，實驗結果如圖9 所示。可看出自適應卡爾曼濾波的最大誤差絕對值為1.326 9°，而經PSO?ELM 模型校正后，最大誤差絕對值為0.301 8°。與自適應卡爾曼濾波曲線相比，經誤差補償后的曲線更加平穩(wěn)，反映了更強的抗噪性和魯棒性。PSO?ELM誤差補償模型能更有效地抑制IMU 累計誤差，確保了長期使用時的穩(wěn)定性和可靠性。

不同模型的實驗結果見表2。可看出經PSO?ELM 模型校正后，誤差最小且穩(wěn)定性最高。通過PSO?ELM 模型預測值對卡爾曼濾波解算值進行補償，使俯仰角更加接近真實值，能夠提高系統(tǒng)的測量精度和穩(wěn)定性。

5 結論

1）使用PSO優(yōu)化ELM模型的初始權重和閾值，解決隨機初始化參數可能導致ELM模型訓練結果不穩(wěn)定性的問題，加快模型收斂速度。

2） 建立了基于PSO?ELM的液壓支架姿態(tài)解算誤差預測模型，將加速度計和陀螺儀數據作為輸入，預測誤差為輸出，實現對液壓支架姿態(tài)解算誤差的可靠預測。

3） 采用卡爾曼濾波融合方法對液壓支架姿態(tài)進行解算，結合解算結果和誤差預測結果進行誤差補償，實現對液壓支架姿態(tài)的準確監(jiān)測。

4） 實驗結果表明：液壓支架頂梁俯仰角MAE 由補償前的1.420 8°減少到0.058 0°，驗證了本文所提方法的有效性。基于PSO?ELM 的綜采工作面液壓支架姿態(tài)監(jiān)測方法可抑制累計誤差，提高姿態(tài)監(jiān)測精度，為煤礦安全、高效、智能化開采提供了理論支持。