[發(fā)明專利]一種掘進機截割部的控制方法及裝置有效
| 申請?zhí)枺?/td> | 202011259125.8 | 申請日： | 2020-11-12 |
| 公開（公告）號： | CN112392498B | 公開（公告）日： | 2022-12-16 |
| 發(fā)明（設(shè)計）人： | 劉洋;張亞林;陳東宇 | 申請（專利權(quán)）人： | 三一重型裝備有限公司 |
| 主分類號： | E21D9/10 | 分類號： | E21D9/10;G06N3/08;G06N3/02 |
| 代理公司： | 北京中強智尚知識產(chǎn)權(quán)代理有限公司 11448 | 代理人： | 黃耀威 |
| 地址： | 110869 遼寧省*** | 國省代碼： | 遼寧;21 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 掘進機 截割部 控制 方法 裝置 | ||
1.一種掘進機截割部的控制方法，其特征在于，包括：
獲取截割部的工作狀態(tài)參數(shù)，所述工作狀態(tài)參數(shù)包括截割電機的A相電流、截割電機的B相電流、截割電機的C相電流、截割臂回轉(zhuǎn)油缸的位移量、截割臂升降油缸的位移量、截割臂的振動量及截割臂回轉(zhuǎn)油缸和截割臂升降油缸的控制量；
將所述截割部的工作狀態(tài)參數(shù)輸入預設(shè)的神經(jīng)網(wǎng)絡(luò)模型，得到截割臂回轉(zhuǎn)油缸和截割臂升降油缸的反饋控制量；
根據(jù)所述截割臂回轉(zhuǎn)油缸和截割臂升降油缸的反饋控制量，控制所述截割部；
所述預設(shè)的神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層、及位于所述輸入層與所述輸出層之間的隱藏層；
所述神經(jīng)網(wǎng)絡(luò)模型的訓練步驟包括：
獲取輸入樣本，所述輸入樣本作為所述輸入層的神經(jīng)元參數(shù)；
每層隱藏層中的每個所述神經(jīng)元為上一層隱藏層的神經(jīng)元的值通過加權(quán)線性求和得到；
所述輸出層將最后一層隱藏層所接收到的上一層隱藏層的神經(jīng)元參數(shù)，利用如下公式，計算得到輸出值；
其中，g(z)為非線性激活函數(shù)，e為對數(shù)函數(shù)的底數(shù)，z為激活函數(shù)的激活參數(shù)；
利用多層感知器通過隨機梯度下降進行訓練，直至達到預設(shè)的迭代次數(shù)為止。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用多層感知器通過隨機梯度下降進行訓練，直至達到預設(shè)的迭代次數(shù)為止包括：
利用如下公式，利用隨機梯度下降使用損失函數(shù)相對于需要調(diào)整的神經(jīng)元參數(shù)的梯度來更新神經(jīng)元參數(shù)，
其中，ω為隱含層中每個神經(jīng)元參數(shù)，η為控制參數(shù)空間搜索中步長的學習率，Loss為用于網(wǎng)絡(luò)的損失函數(shù)，α為梯度下降的步長，R(ω)為均方差損失函數(shù)；
在梯度下降時，利用如下公式，計算得到梯度權(quán)重損失，直至到達所述預設(shè)的迭代次數(shù)為止；
其中，i為預設(shè)的迭代次數(shù)，∈為全局的學習率且大于0，W為權(quán)重矩陣。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述網(wǎng)絡(luò)的損失函數(shù)為
其中，為網(wǎng)絡(luò)的損失函數(shù)，y為損失函數(shù)輸出值，為輸入特征的線性組合，W為權(quán)重矩陣，α為梯度下降的步長。
4.一種掘進機截割部的控制裝置，應用于權(quán)利要求1-3任一項所述的掘進機截割部的控制方法，其特征在于，包括：
獲取模塊，用于獲取截割部的工作狀態(tài)參數(shù)，所述工作狀態(tài)參數(shù)包括截割電機的A相電流、截割電機的B相電流、截割電機的C相電流、截割臂回轉(zhuǎn)油缸的位移量、截割臂升降油缸的位移量、截割臂的振動量及截割臂回轉(zhuǎn)油缸和截割臂升降油缸的控制量；
處理模塊，用于將所述截割部的工作狀態(tài)參數(shù)輸入預設(shè)的神經(jīng)網(wǎng)絡(luò)模型，得到截割臂回轉(zhuǎn)油缸和截割臂升降油缸的反饋控制量；控制模塊，用于根據(jù)所述截割臂回轉(zhuǎn)油缸和截割臂升降油缸的反饋控制量，控制所述截割部；
所述預設(shè)的神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層、及位于所述輸入層與所述輸出層之間的隱藏層；
所述處理模塊還具體用于獲取輸入樣本，所述輸入樣本作為所述輸入層的神經(jīng)元參數(shù)；
每層隱藏層中的每個所述神經(jīng)元為上一層隱藏層的神經(jīng)元的值通過加權(quán)線性求和得到；
所述輸出層將最后一層隱藏層所接收到的上一層隱藏層的神經(jīng)元參數(shù)，利用如下公式，計算得到輸出值；
其中，g(z)為非線性激活函數(shù)，e為對數(shù)函數(shù)的底數(shù)，z為激活函數(shù)的激活參數(shù)；
利用多層感知器通過隨機梯度下降進行訓練，直至達到預設(shè)的迭代次數(shù)為止。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于三一重型裝備有限公司，未經(jīng)三一重型裝備有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011259125.8/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇：一種免磨替換式木工鑿
- 下一篇：一種用于高純度硅晶體制備的衡壓反應裝置
