掘進機截割頭智能控制系統及其關鍵技術研究

中圖分類號：TD421.5 文獻標志碼：A 文章編號：1003-5168（2025）08-0053-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.009

Abstract： [Purposes] This paper aims to solve the problem of low effciency and high energy consumption caused by insufficient intelligent control of the roadheader cutting head，thus improving its control accuracy.[Methods] A combined system of reinforcement learning and model predictive control was built.The Q-learning algorithm was used to optimize cutting parameters，a Lagrange-Euler dynamics predictive controllr was designed，and a multi-objective model with adjustable weights （O.2＼～O.8） was created.[Findings] In 55 MPa rock conditions，the system's tunneling efficiency increased by 1 8 . 1 % （to （202 3 . 8 5 m / h ）， energy consumption decreased by 1 7 . 4 % （to ）， trajectory error was reduced to 2.8 mm，and control signal fluctuations dropped by 4 9 . 2 % .[Conclusions] This method improves the energy efficiency of the cutting head through algorithm optimization and provides key technical support for smart tunneling equipment.

Keywords： roadheader; cutting head; reinforcement learning

0 引言

掘進機是煤礦開采、隧道施工等領域的重要裝備，其工作性能直接影響掘進效率、施工進度與成本[]。截割頭是掘進機的關鍵工作部件，其智能化控制水平決定了掘進機的整體性能。近年來，我國高度重視智能制造的發展，《中國制造2025》明確指出要大力推進工程機械、礦山機械的智能化。掘進機作為代表性裝備，亟須突破截割頭智能控制技術，以提升掘進機的作業效率、自適應能力與安全可靠性。

1掘進機截割頭智能控制系統總體架構與邏輯

掘進機截割頭智能控制系統的總體架構由數據采集與傳感器模塊、控制算法模塊和執行機構與反饋模塊組成，各模塊之間緊密耦合，協同工作，具體如圖1所示。在系統運行時，數據采集模塊以 5 0 m s 為周期實時采集并預處理傳感器數據，傳輸至控制算法模塊。該模塊首先調用RL單元對截割參數進行優化，將截割速度、推進速度等參數的Q 值映射到最優值，然后將優化結果輸入MPC單元，生成實時控制序列，同時協調平衡各項子目標，將控制指令下發至執行機構，驅動截割頭運動，完成截割作業。

2截割頭智能控制的關鍵技術研究

2.1基于強化學習的截割參數優化

掘進機截割頭智能控制系統采用基于強化學習（ReinforcementLearning，RL）的方法實現截割參數的自適應優化。該方法以截割速度、推進速度等參數作為智能體（Agent）的動作（Action），以截割效率、能耗等指標作為環境狀態，并設計切實可行的獎勵函數（RewardFunction）。在系統運行時，Agent通過與環境的持續交互，利用Q-learning算法不斷調整動作策略，使獎勵值最大化，從而實現截割參數的動態尋優[2]。

首先，構建截割參數優化的MDP（MarkovDeci-sionProcess）模型，狀態空間S包含截割功率、推進阻力等維度，動作空間A涵蓋截割速度在 0 . 5 ～ 2 . 5 范圍內的離散值，獎勵函數定義為截割效率與能耗加權和，權重系數可根據工況在 0 . 2 ～ 0 . 8 間動態調整。其次，初始化 Q 表 ，并設置學習率 α = 0 . 8 ，折扣因子 γ = 0 . 9 5 。在優化過程中，根據 貪婪策略選取動作，獲得即時獎勵 r 和下一狀態 ，利用Bellman方程更新 Q 值，具體見式（1）。

其中， r 的計算公式見式（2）。

式中： 為截割速度， 為截割功率，kW ; 為推進速度， 為推進阻力， 和 分別為截割效率和能耗的權重系數。不斷重復上述交互學習過程，直至 Q 值收斂。最后，提取 Q 表中每個狀態對應的最優動作值，形成截割參數優化策略。

該方法能夠根據實時工況選取最佳截割參數組合，在滿足施工要求的同時，兼顧效率與能耗性能。

2.2 模型預測控制策略設計

掘進機截割頭控制系統的另一關鍵技術是模型預測控制（ModelPredictiveControl，MPC）策略的設計與實現。在該策略中，首先根據截割電機電流、截割扭矩、推進阻力等狀態參數，建立截割頭動力學模型，采用Lagrange-Euler方程描述其運動特性。具體地，定義廣義坐標見式（3）。

式中： 分別為擺臂中心在直角坐標系下的位置坐標， 為擺臂轉角，rad，并令 τ 為廣義力矩， 。動力學方程可表示為式（4）。

式中： M （ q ） 為正定對稱的慣性矩陣； 為哥氏力和離心力項； G （ q ） 為重力項?；谠撃Ｐ?，設計MPC控制器，以截割電機電壓 為控制量，在狀態量 采樣周期 時對系統進行離散化，得到狀態空間方程見式（5）。

然后，以跟蹤截割速度、姿態角等參考軌跡為控制目標，構建有限時域性能指標函數，見式（6。

式中： 分別為預測時域和控制時域， Q ， R 分別為狀態誤差和控制增量的加權矩陣。在每個采樣時刻 k ，求解該優化問題，得到未來 步的最優控制序列 ，并將首元素 作用于對象[3]。在隨后的 k+1 時刻，根據新獲得的狀態量重復上述過程，實現MPC控制。此外，針對掘進過程中的擾動和參數攝動，將魯棒約束納入優化指標，以提高控制系統的魯棒性與自適應能力。

2.3截割效率與能耗多目標協調控制

掘進機截割頭控制系統需要在滿足掘進效率要求的同時，盡可能降低系統能耗，因此必須在這兩個目標之間進行合理權衡與協調。針對此問題，本研究提出一種多目標優化控制方法。首先，定義單位截割電能消耗 和單位推進油耗 1 L/ m 分別表征截割和推進過程的能源利用效率，其計算公式分別見式（7）和式（8）。

以上式中： 為截割電機輸入功率， 為推進泵供油流量， L/ m i n ： 為截割體積， 為推進行程， m ，均在一個控制周期 內進行計算[4]。

然后，構建截割效率目標 和能耗目標 分別表示為截割速度與額定值的偏差平方和單位能耗的加權和，具體見式（9）和式（10）。

以上式中： 為第 k 個采樣時刻的實際截割速度， 為截割速度設定值； 和 分別為兩個能效指標的權重系數。將 和 歸一化后，構建總目標函數 ，見式（11）。

式中： 和 分別為歸一化后的效率目標和能耗目標； 為協調因子，可根據工況在 0 . 5 ～ 0 . 8 范圍內動態調整。

在實際控制過程中，首先，根據掘進工藝要求確定截割速度、推進速度等設定值及協調因子初值。其次，實時采集截割電機電壓電流、推進系統壓力流量等信號，計算單位能耗指標。再次，將各項數據代人總目標函數，以控制變量（如截割電機轉矩、推進泵排量等）為優化變量，求解多目標優化問題，得到最優控制序列[5]。優化求解過程可基于序列二次規劃等方法，并將控制時域約束、執行機構物理約束等納入其中，以保證解的可行性。最后，將優化結果解析為控制指令，傳輸至數字液壓泵、變頻器等執行單元，實現截割過程的協調控制。

2.4故障診斷與容錯控制方法

掘進機截割頭系統在惡劣的煤礦井下環境中長期工作，各類故障時有發生，嚴重影響掘進效率與設備可靠性。為此，本研究在智能控制系統中集成了基于多源信息融合的故障診斷與容錯控制模塊，實現截割頭的故障預警、快速定位與控制重構。

故障診斷模塊以振動傳感器、電流傳感器等采集的狀態數據為基礎，通過時頻域分析與特征提取，獲得反映故障特征的指標集合。以齒輪箱故障診斷為例，從振動加速度信號中提取均方根值、峭度因子等5個時域特征 。隨后，將特征矢量輸人支持矢量機（SupportVectorMa-chine，SVM）分類器，通過一對多策略實現齒輪箱6種典型故障模式（正常、輕微磨損、中度磨損、嚴重磨損、輕微點蝕、嚴重點蝕）的多分類診斷。SVM分類器采用徑向基核函數，懲罰因子 c=1 0 0 ，核函數參數 g = 0 . 1 。在此基礎上，進一步利用D-S（Dempster-Shafer）證據理論對多傳感器的診斷結果進行融合，以提高故障診斷的可靠性。融合規則為Yager組合規則，置信度閾值為0.7。

當監測到截割頭關鍵部件（如減速機、液壓馬達等）發生故障時，容錯控制模塊自動啟動，根據故障類型與嚴重程度，及時調整控制策略，在保證安全的前提下維持設備運行。以截割電機軸承故障為例，當診斷出輕微故障時，通過PI控制器動態降低電樞電流，使電機在 6 5 0 ～ 7 2 0 A 范圍內低速運行；當診斷出嚴重故障時，控制系統下發停機指令，同時報警提示。此外，對于執行機構（如伺服閥、比例閥等）的常見故障，系統還預設了基于自適應滑模觀測器的主動容錯控制策略。通過狀態重構與反步控制，在 0 . 1 5 s 內完成控制器參數自校正，保證閥芯位移控制誤差小于 0 . 8 m m ，從而有效抑制執行機構故障對截割質量的影響。

總的來說，本研究所設計的故障診斷與容錯控制方法可顯著提高掘進機截割頭的運行可靠性，診斷準確率達 9 4 . 6 % ，最大程度降低了生產事故的風險，為系統穩定運行提供了可靠保障。

3智能控制系統的仿真與試驗驗證

3.1控制系統仿真平臺的搭建與試驗設計

為驗證所設計智能控制系統的性能，搭建了基于MATLAB/Simulink的仿真試驗平臺。該平臺集成了掘進機截割頭動力學模型、強化學習控制器和模型預測控制器，采樣頻率設置為 1 . 2 k H z 。該試驗選用EBZ-160型掘進機作為研究對象，其額定截割功率為 1 6 0 k W ，截割頭轉速為 。對照試驗采用傳統的分層控制系統，該系統包含基于BP神經網絡的參數優化層（隱層節點數為12，學習率為0.15）和基于滑模控制的執行層（趨近律系數c= 8 . 5 ，切換系數 ε = 0 . 0 2 ）。該試驗設計采用單因素對照方法，控制變量包括巖石抗壓強度（固定為 5 5 M P a 、截割深度（固定為 8 0 m m 和工作環境溫度（固定為 ）。變量設置方面，截割速度在

0 . 8 ～ 2 . 0 m / m i n 范圍內以 0 . 2 m / m i n 為步長變化，推進速度在 1 . 0 ～ 2 . 0 m / m i n 范圍內以 0 . 2 m / m i n 為步長變化。智能控制系統參數配置如下：強化學習控制器的學習率 設為0.8，折扣因子 γ 設為0.95；模型預測控制器的預測時域 為50，控制時域 為10；多目標協調控制中的效率權重初始值設為0.65。每組試驗在恒定工況下持續運行 3 0 m i n ，重復3次以保證數據可靠性。性能評價指標包括掘進效率 、單位能耗 軌跡跟蹤誤差L （ m m 、控制信號波動率 （ % ） 和系統穩態誤差 （ % ） 0

3.2試驗結果與性能評估

本研究針對所提出的智能控制系統與傳統分層控制系統進行了對比試驗，獲得了系統在不同工況下的性能數據。在典型工況（巖石抗壓強度 5 5 M P a /截割速度 1 . 6 m / m i n 推進速度 1 . 4 m / m i n. 截割深度8 0 m m ）下的性能對比結果見表1。

由表1可知，相較于傳統分層控制系統，本研究提出的智能控制系統在各項性能指標上均實現了顯著改善。具體而言，掘進效率提升 1 8 . 1 % ，這主要源于強化學習算法能夠根據巖石硬度等工況特征自適應優化截割參數；單位能耗降低 1 7 . 4 % ，驗證了多自標協調控制策略在效率與能耗之間達到了良好的平衡；軌跡跟蹤誤差減小 3 7 . 8 % ，控制信號波動率降低了 4 9 . 2 % ，表明模型預測控制器具有優異的軌跡跟蹤性能和控制信號平滑性；系統穩態誤差降低了 5 3 . 8 % ，這對保證掘進質量和巷道成形精度具有重要意義。在 3 0 m i n 持續運行測試中，系統各項性能指標波動范圍均控制在 ± 2 % 以內，且3組重復試驗的標準差小于 1 . 8 % ，充分驗證了所提出控制方案的穩定性和可靠性。

4結語

本研究針對掘進機截割頭智能控制系統進行了分析，提出了基于強化學習的截割參數優化、模型預測控制策略設計及多目標協調控制方法。試驗結果表明，與傳統分層控制系統相比，本研究所設計的智能控制系統在掘進效率、單位能耗、軌跡跟蹤等性能指標上均有顯著改善，為提升掘進裝備的智能化水平提供了有效技術支持。下一步，可以進一步優化控制算法，并開展基于現場試驗數據的模型建立和參數辨識，同時關注截割頭的故障診斷與容錯控制技術，為掘進機智能化升級提供更加完備的解決方案。

參考文獻：

[1]高磊.懸臂式掘進機自動截割控制系統的優化設計[J].石化技術，2024，31（12）：302-303.

[2]陳明.懸臂式掘進機截割部恒功率調速控制系統研究[J].西部探礦工程，2024，36（12）：132-134.

[3]李梅香.煤礦懸臂式掘進機自動截割控制系統的優化設計[J].西部探礦工程，2024，36（12）：86-88.

[4]王鵬江.基于多傳感信息的懸臂式掘進機智能截割控制方法研究[D].北京：中國礦業大學（北京），2022.

[5]韓艷贊，史增芳.基于DSP+CPLD的懸臂式掘進機智能控制系統設計[J].煤礦機械，2020，41（9）：20-22.

[6]龐明.懸臂式掘進機智能控制系統設計研究[J].中國石油和化工標準與質量，2020，40（12）：145-146.