文摘
通风机是重要的矿山设备保障下的生活轴并确保其他设备的正常运行提供新鲜空气。因此,如何有效地控制通风机系统变得越来越重要。为了获得常用的通风系统模型和控制策略,建立一个新的通用风机模型基于爆炸能力差压通风管道和风机电机模型。然后,一种自适应的切比雪夫神经网络(一位美国有线新闻网)控制器提出了有效控制通风机系统未知负载转矩和未知扰动引起的复杂环境下轴近似的切比雪夫神经网络(CNN)。后来,一个合适的李雅普诺夫函数候选人提出的旨在保证稳定控制器和闭环通风系统。最后,一位美国有线新闻网的控制器已经证明是有效的为新提议的有效性和精度通风机通过模拟模型。
1。介绍
对矿井通风机电机非常重要因为它是核心设备支持下的新鲜空气轴(1- - - - - -7]。控制通风机电机总是在开采的过程中最重要的问题。为了精确地控制通风机节省能源,通风机模型必须首先调查。它有几种模型(ARMA模型、计算流体动力学模型,等等)通风系统到目前为止,但都适合特殊条件特殊的系统。然后,调查通用矿山通风系统模型的意义。Zhang et al。2]调查火车隧道模型基于大数据。通风系统调整,由迭代学习控制算法,结果证明了该控制方法优于主动控制。Roubłk et al。6)的机械通气肺损伤调查旨在保留自主呼吸当使用高频振荡(高频振荡器)呼吸器,他设计了一个线性二次高斯状态反馈控制器,以弥补平均气道压力的变化(MAP)的通风器电路由自主呼吸引起的。不同于Zhang et al。2)和Roubłk et al。6),燕et al。7)调查了平流层飞艇气囊高空通风机电机模型。他们延长了传统定子电流最小操作以减少传导低于额定速度的概念,在一个扩展的最小定子电流操作(EMSCO)设计在任何速度形式化约束优化问题。然后,他们提出的最优工作周期模型预测电流控制(ODC-MPCC)减少电流脉动和计算负担。从这些引用,可以发现大多数控制策略是基于最优控制。但是轴下的矿山环境甚至是如此错综复杂,许多元素可以干扰的最优控制策略。因此,最优控制器不会复杂的扰动下获得期望的结果。它需要一个新的控制策略通风机电机适合我的复杂环境,特别是在轴。
自适应控制是一种智能控制策略,可以解决大多数非线性复杂问题[8- - - - - -18]。在本文中,我们将采用自适应控制通风机的电动机控制造成的强非线性的影响复杂,噪声,尘土飞扬的环境。有很多研究人员应用自适应控制来解决非线性问题。陈等人。19)提出了一个定时自适应控制降压直流/直流转换器。采用一种自适应更新法估计未知参数的巴克转换器,和定时滑模面(SMS)和相应的控制是巴克转换器与已知参数,输出误差在一个固定的时间内将收敛于平衡点。高et al。14]研究了离散汉默斯坦系统Preisach磁滞非线性和未知阶线性动力学。他们提出了一个下三角矩阵来识别Preisach密度函数和采用汉克尔矩阵估计的线性动态秩序。然后,组成的一个复合控制离散逆模型控制器(DIMBC)和离散自适应滑模控制器(DASMC)提出了处理汉默斯坦系统可以减少DASMC的到达时间和提高DIMBC的鲁棒性。太阳et al。16)设计了一个自适应控制器控制反弹伺服系统的反馈。首先,一个扩张状态观测器(ESO)采用估计系统的状态和振动力矩。然后,考虑到反馈和前馈信号,设计了一种自适应鲁棒补偿控制器对于这个反弹伺服系统和实验结果证明了系统的有效性。不同于以前的研究者,王et al。17)应用自适应方法来估计未知参数,而不是使用它作为控制器。然后,考虑的问题造成的收敛缓慢在线学习,本研究提出了一种新的自适应法实现最优参数估计。为了达到这个目的,一个辅助过滤器是为了迫使时变增益的自适应律法下成本函数。最后,一个自适应非奇异终端滑模控制(ANTSMC)提出了一个考虑伺服系统同时获取跟踪控制和参数估计。Na et al。20.)被认为是一个能源最大化问题波浪能量转换器(wec)非线性和约束。自适应方法被用来解决Hamilton-Jacobi-Bellman方程和评论家神经网络(NN)近似时间最优成本价值。他们结合了自适应控制和最优控制处理波浪能量转换器(wec)。从这些研究中,结果表明,自适应控制完全可以采用非线性系统的自适应更新;即便如此,一些未知的非线性部分或干扰模型估计也会通过其他方法,如模糊逻辑(21)和神经网络(22- - - - - -25]。
切比雪夫神经网络(CNN)是一种functional-link越少,是一种单层神经结构的神经网络计算估计的非线性函数26- - - - - -30.]。它被用来估计大多数种类的不确定线性或非线性部分。邹et al。26]切比雪夫神经网络用于逼近不确定航天器系统的航天器姿态运动。他们提出了切比雪夫神经网络控制器和自适应神经网络controller-II全球表示没有系统的奇点。不同于邹et al。26高),和刘27]调查backlash-like滞后非线性系统使用多尺度切比雪夫神经网络(MSCNN)方法来识别未知的迟滞非线性。首先,未知的滞后backlash-like非线性将由新的多尺度近似切比雪夫神经网络。然后,跟踪误差转化为标量错误通过拉普拉斯变换来简化计算。最后,设计了一种自适应控制控制backlash-like滞后非线性系统和模拟验证了多尺度的有效性切比雪夫神经网络识别和自适应控制器。太阳et al。28)关注多电动机的伺服机构和未建模动态。一种基于高阶滑模的扩张状态观测器(HOSM)的区别是申请无边无际的速度,和采用切比雪夫神经网络处理摩擦和干扰。实验证明,该方法是有用的。总之,切比雪夫神经网络用于不同的非线性系统,取得了良好的结果。因此,我们将利用CNN应对未知的非线性复杂通风系统的不确定部分。
首先,将建立一个新的通风模型基于爆炸能力差压通风管道和风机电机,即非线性动态模型,其中一些负载力矩和一些复杂的干扰是未知的。然后,切比雪夫神经网络将被设计来估计未知的非线性部分和CNN一个自适应控制器将提出了闭环通风系统。最后,合适的李雅普诺夫函数保证闭环通风系统和模拟的收敛还确认,该方法是准确和有效的。
本文组织如下。部分2给问题配方,介绍了提出基于爆炸能力差压通风模型和通风机电机,还介绍了切比雪夫神经网络的结构。部分3介绍了控制器的设计,设计的过程控制。通风系统的李雅普诺夫函数的稳定性也在这一节中。然后,模拟给出了部分4,部分5总结了纸。
2。问题的配方
2.1。呼吸机模式
通风机的最重要的指数模型是通风管道的流量。考虑到复杂和尘土飞扬的环境矿井的通风管道,爆炸的方法选择能力差压解决新鲜空气速度测量孔阻塞为了实现实时精确测量和监控风压。爆炸的结构示意图如图能力差压法1。从图1,能量方程可以推导出如下:第一部分和第二部分 在哪里 代表静压、空气密度、高度和空气的速度部分I和II,分别第II部分局部阻力,二是部分的局部阻力系数。
由于部分I和II近距离和高程相同, 成立。考虑到方程(1),我们有
由于部分I和II有近距离,通风管道的风量可以推导出 在哪里 代表部分I和II的风量,分别。
替换 在方程(2),我们得到 在哪里 代表不同的定义的区域(4),分别 平均外径和内幕整流罩的直径,分别。从方程(4),可以计算通风机空气体积流量 由不同的传感器测量。基于文献[7),很明显,有效控制通风机电机将节约能源和控制空气体积流量 。因此,一个有效的通风电机控制策略将有效地控制通风机的空气体积流量。通风机电机模型在dq坐标系表示如下: 在哪里 分别代表了定子电阻和电感。 , 是极对的数量,转子磁链, 是转矩常数、惯性和问分别设在定子电压。是转矩引起的摩擦等非线性部分,干扰,等等。 是负载转矩的未知函数通风机空气体积流量。
2.2。切比雪夫神经网络
在本节中,CNN将旨在估计方程的未知部分(6)。CNN是functional-link神经网络的结构如图2。从图2,CNN是一个单层神经网络,依赖于切比雪夫多项式。因此,它有较低的计算和广泛用于函数估计。
CNN可以定义如下: 在哪里CNN和的权重矩阵吗CNN的近似误差有界。 在哪里是 - - - - - -维的输入向量,代表了切比雪夫多项式的顺序,切比雪夫多项式被定义为两届递归公式如下: 最初的价值在哪里是选为 。
CNN更新法律定义如下: 在哪里是设计积极的常数,定义在(16),估计的重量吗 。
3所示。控制器设计
考虑通风机的结构模型(1)和(6),我们应该设计一个递归控制策略来解决这个问题。递归的控制器设计方法如下。步骤1:为了设计U-model CNN自适应控制器,输出错误定义如下: 在哪里是一个已知的信号吗 一个正弦信号等衍生品。考虑到方程(6),的导数可以推导出 假设和是未知的,和CNN的估计。然后,二十的导数获得的是 定义以下李雅普诺夫函数作为候选人 的衍生物可以推导出 在这个步骤中,被视为一个虚拟输入;因此,我们定义了一个错误 ,在哪里是一个虚拟的控制律。替代 到(15),我们有 定义虚拟控制律如下: 在哪里是一个积极的反馈控制增益,我们可以进入下一步。步骤2:实际的控制器将获得在这一步。首先,我们定义的导数作为 基于(17)的推导推导出的 然后用(19)(18),你可以得到 定义了自适应更新错误 在哪里 的估计是 。自适应更新法律定义如下: 在哪里 设计积极的常量。我们选择正确的控制器的输入 选择李雅普诺夫函数的候选人如下: 的导数推导出的 用(20.)(25),的导数可以推导出 用真实的控制器(23)(26),可以获得一个 用(10)和(22)(27),根据李雅普诺夫理论,一个可以获得的闭环稳定CNN自适应控制器设计。
4所示。模拟
模拟的目的是验证在矿井通风机电机的有效性。在模拟中,通风机在表列出了模型参数1。通风机电机模型的参数表列出在dq坐标系2。选为参考输入 。仿真结果如图3- - - - - -12。从数据3- - - - - -7显然表明,提出的控制策略是有效的。
图3显示了控制结果与该神经网络自适应控制器。控制输出可以快速跟踪参考输入和收敛误差也较小的图所示4。从图4,很显然说明错误聚集和平均绝对误差(MAE)小于0.02。图5显示控制器的输入,它显示了相同的结论与数据3和4。从图5,动态过程可以清楚地显示在这些模拟不到1秒,然后是神经网络和自适应更新法可以快速估计和参数未知的非线性部分。跟踪结果显然是如图3。数据6和7显示估计的轨迹 的和 。从这两个图,可以得出结论,该方法可以估计系统状态快速跟踪控制器是有效的,哪些是符合的结果数据3- - - - - -5。
放大输入信号的振幅,结果如图8- - - - - -12。从数据8和9,一个人可以有相同的结论与数据3和4。但比较图10与图5显然,这是说明图10有更激烈的变化。然后,比较数据3- - - - - -5与数据8- - - - - -10,说明放大信号的振幅会影响控制输入,但提出的控制器也保留了控制精度,并有很强的控制输入。数据11和12也显示了同样的结论。
备注1。本文从控制器的设计是基于输出跟踪误差,跟踪控制结果的数据3和8。但在数据7和12,系统的状态 有一个嚷嚷起来。原因是我们没有考虑到国家控制,我们也没有利用状态观测器。然后,跟踪误差会影响系统状态的反馈结构,使得系统状态的一些聊天。我们将进一步调查这一现象在未来工作。
5。结论
一种新的自适应切比雪夫神经网络(一位美国有线新闻网的)控制提出了精确控制通风系统。考虑到最优控制器不适合复杂环境下轴的我很容易受到强烈的扰动造成的充满敌意的环境中,一位美国有线新闻网的取代了最优控制与其他传统的控制策略。首先,提出了新的通风模型由爆炸能力压差方程的通风管道和风机电机方程。然后,CNN估计未知的非线性部分,如未知负载转矩和未知扰动引起的敌意环境下轴。最后,闭环稳定的通风系统是由一个设计合适的李雅普诺夫函数保证候选人和仿真结果验证了有效性和建立新的风机模型的精确性和一位美国有线新闻网的控制策略。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了山东省重点研发项目(2019 ggx101005),山东省自然科学基金(ZR2017MF048)和中国国家自然科学基金(61803216)。