欧阳佳鹏 李文

摘要：悬臂式掘进机掘进系统为复杂的液压时滞系统且负载突变，其控制器PID参数采用传统的算法易早熟收敛而导致控制系统动静态性能不佳等问题。针对上述问题采取混合算法的思想，提出了一种Chaos-PSO混合优化算法，并应用在掘进液压控制系统PID参数的优化上。结合控制系统的传递函数，采用Matlab进行仿真分析，结果表明Chaos-PSO混合优化算法与经验整定法及模糊控制法比较，其算法实现简单，上升时间快20%以上，无超调，稳定精度高2%以上，与单纯的Chaos优化算法、PSO算法、灰狼算法比较，其参数优化效率更高，自适应性更好。

关键词：悬臂式掘进机;Chaos优化;PSO优化;Matlab仿真

中图分类号：TP3-05          文献标识码：A

文章编号：1009-3044（2021）27-0008-02

Abstract： The driving system of the cantilever road-header is a complicated hydraulic time-delay system with sudden change of load. The PID parameters of the controller are adjusted by the traditional experience method and fuzzy control method. It is difficult， tedious and easy to oscillation and overshoot. Aiming at the above problems， a Chaos-PSO hybrid optimization algorithm is proposed， and it is applied to the optimization of PID parameters in the driving hydraulic control system. Combined with the transfer function of the control system， Matlab is used to carry out the simulation analysis. The results show that the Chaos-PSO hybrid optimization algorithm is easier to realize and its rising time is 20% faster than the experience setting method and the mode and control method， compared with Chaos optimization algorithm， PSO Algorithm and Gray Wolf Algorithm， its parameter optimization efficiency is higher and its adaptability is better.

Key words： boom-type road-header; Chaos optimization; PSO optimization;Matlab simulation

煤炭是我国一次性能源消耗量占比近五成的能源[1]。悬臂式掘进机是煤矿开采中的关键设备之一[2]，其对安全开采具有重要作用。

当前，其液压控制系统多采用经验或模糊PID控制方法，此类控制方法虽提高了掘进效率，但由于掘进系统的非线性、迟滞性及负载的突变性、难预测性，掘进系统的稳定性和自适应性无法满足更高的要求。为此，宋立业[3]、赵亚琪[4]、李文[5]等提出了神经网络、混沌算法、粒子群算法优化PID参数的智能调速控制方法，应用在掘进机控制系统中，提高了系统自适应能力，都取得了一定的改进效果。

随着智能优化算法的不断发展，本文在传统的PSO算法的基础上结合Chaos算法，采取混合算法的策略应用在掘进机液压控制系统PID参数整定优化上，具有较好的实际意义。

1 液壓掘进系统闭环控制

掘进机截割部由升降液压缸、水平回转台及截割头三大部分构成[5]。其掘进液压系统是通过液压阀组来控制截割臂升降及水平运动，通过截割头的摆动实现巷道掘进工作。

为保持截割头恒速工作，系统通过采取闭环反馈控制[6]液压缸的线速度，包括控制器、阀组、阀控液压缸、速度传感器等。

2 混合优化控制

2.1 基本Chaos算法优化原理

混沌现象具有敏感性、遍历性和随机性等特点，其Logistic混沌映射方程如（1）式。

利用它能随机在一定的范围内遍历且不重复交叉的特性，通过载波后来进行PID参数全局优化。

2.2 基本PSO算法优化原理

自从1995年PSO算法提出以来，得到了广泛的应用。其粒子的速度和位置方程为：

式中w为惯性权重，c1 和c2 为学习因子，rand（）取[0，1]范围随机数，k为迭代次数。通过算法采用速度–位置搜索模型选取最佳解[9]。

2.3 基于佳点集的Chaos-PSO算法

针对Chaos优化算法、PSO优化算法“早熟”收敛的不足。采取一种混沌优化惯性权重、学习因子非线性取值、粒子佳点[5]并行搜索PSO算法应用在其掘进控制系统PID参数的优化上。其控制系统如图1所示。

参数w、c1、c2按（4）式选取：

Xmax、Xmin为取值上下限，rand（）为[0，1]随机数，以此方法是全局搜索与局部搜索平衡，既兼顾精度又可提高收敛速度。该算法流程图如图2所示。

3 仿真分析

根据文献[6]的运动学分析，可得垂直或水平摆动液压系统的传递函数为：

参考文献5，以三阶系统数学模型为其开环传递函数[5]：

系统采用Chaos-PSO优化方法，通过5次仿真优化得到PID参数的全局最优值如表1所示。

表2中三种算法取相同的维数与微粒数，每种算法仿真优化5次，在平均上升时间，调节时间及超调量三种性能指标上混合算法均较优。

仿真结果表明该算法其算法实现简单，上升时间快20%以上，无超调，稳定精度高2%以上，与单纯的Chaos优化算法、PSO算法、灰狼算法比较，其参数优化效率更高，自适应性更好。

4 结论

本文针对悬臂式掘进机的掘进系统，传统控制存在的问题，结合Chaos和PSO算法的优点，采取混合改进，应用在掘进机系统的自适应控制中。仿真表明该混合算法改善了控制系统的稳态和动态性能，提高了工作效率，具有一定的通用性。

参考文献：

[1] 谢和平，吴立新，郑德志.2025年中国能源消费及煤炭需求预测[J].煤炭学报，2019，44（7）：1949-1960.

[2] 王国法，任怀伟，庞义辉，等.煤矿智能化（初级阶段）技术体系研究与工程进展[J].煤炭科学技术，2020，48（7）：1-27.

[3] 贺文海，焦可辉.基于模糊PID的掘进机恒功率控制系统设计[J].煤炭工程，2019，51（9）：178-181.

[4] 宋立业，万应才.基于RBF神经网络的隧道掘进机推进自适应PID控制[J].中国机械工程，2017，28（14）：1676-1682.

[5] 李文，杨振南，伍铁斌.改进混沌算法在掘进机电控系统中的应用研究[J].煤矿机械，2020，41（6）：23-25.

[6] 毛清华，陈磊，闫昱州，等.煤矿悬臂式掘进机截割头位置精确控制方法[J].煤炭学报，2017，42（S2）：562-567.

【通联编辑：梁书】