[發明專利]一種掘進機截割部的控制方法及裝置

有效

• 申請號: 202011259125.8
• 申請日: 2020-11-12
• 公開（公告）號: CN112392498B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 劉洋;張亞林;陳東宇
• 申請（專利權）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權代理有限公司 11448
• 代理人: 黃耀威

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參數，所述工作狀態參數包括截割電機的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參數輸入預設的神經網絡模型，得到截割臂回轉油缸和截割臂升降油缸的反饋控制量；

根據所述截割臂回轉油缸和截割臂升降油缸的反饋控制量，控制所述截割部；

所述預設的神經網絡模型包括輸入層、輸出層、及位于所述輸入層與所述輸出層之間的隱藏層；

所述神經網絡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元參數；

每層隱藏層中的每個所述神經元為上一層隱藏層的神經元的值通過加權線性求和得到；

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元參數，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，e為對數函數的底數，z為激活函數的激活參數；

利用多層感知器通過隨機梯度下降進行訓練，直至達到預設的迭代次數為止。

2.根據權利要求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，直至達到預設的迭代次數為止包括：

利用如下公式，利用隨機梯度下降使用損失函數相對于需要調整的神經元參數的梯度來更新神經元參數，

其中，ω為隱含層中每個神經元參數，η為控制參數空間搜索中步長的學習率，Loss為用于網絡的損失函數，α為梯度下降的步長，R(ω)為均方差損失函數；

在梯度下降時，利用如下公式，計算得到梯度權重損失，直至到達所述預設的迭代次數為止；

其中，i為預設的迭代次數，∈為全局的學習率且大于0，W為權重矩陣。

3.根據權利要求2所述的方法，其特征在于，所述網絡的損失函數為

其中，為網絡的損失函數，y為損失函數輸出值，為輸入特征的線性組合，W為權重矩陣，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參數，所述工作狀態參數包括截割電機的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參數輸入預設的神經網絡模型，得到截割臂回轉油缸和截割臂升降油缸的反饋控制量；控制模塊，用于根據所述截割臂回轉油缸和截割臂升降油缸的反饋控制量，控制所述截割部；

所述預設的神經網絡模型包括輸入層、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元參數；

每層隱藏層中的每個所述神經元為上一層隱藏層的神經元的值通過加權線性求和得到；

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元參數，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，e為對數函數的底數，z為激活函數的激活參數；

利用多層感知器通過隨機梯度下降進行訓練，直至達到預設的迭代次數為止。