论文部分内容阅读
目前凿岩爆破占矿岩开挖工程的70%-75%,而且在未来相当长的一段时期内仍将处于主导地位。液压凿岩机作为凿岩掘进装备的代表,其凿岩工作效率越来越受到关注。而岩石层的地质结构非常复杂,工程上均是凭借个人经验来切换液压凿岩机档位以实现冲击能量的调节,其导致了凿岩机输出参数和工作介质的耦合性能较差,严重影响了凿岩工作效率。因此,液压凿岩机在凿岩过程中对岩石特性(也称凿岩状态)进行辨识非常有必要,其能实现凿岩状态与凿岩机工作参数的匹配输出,可有效地提高凿岩工作效率,促进凿岩机向自动化、智能化发展。液压凿岩机在钻凿岩石过程中,凿岩机与岩石同时具有作用力与反作用力,考虑通过凿岩机的工作状态参数来表征凿岩状态。论文对液压凿岩机工作状态参数进行了研究,获得了与凿岩状态相关的关键特征参数。基于冲击机械波动力学理论,建立了冲击系统活塞杆回弹的数学模型,并应用AMESim和MATLAB进行了联合仿真与分析;同时对回转系统、推进系统、缓冲装置进行了动力学建模与分析;最终确定了凿岩辨识关键参数,即冲击系统工作流量、活塞杆冲击末速度、回弹速度、液压马达工作压力、推进液压缸工作压力、缓冲腔油液峰值压力。为了给凿岩状态辨识提供数据来源,论文提出了测量液压凿岩机凿岩状态辨识关键参数的总体方案,设计了基于Lab VIEW的测试实验系统,并搭建了液压凿岩机凿岩状态辨识系统的实验平台。考虑到测量的简易性和可操作性,引入了“三点法”,实现了通过测量氮气室的压力即可间接获得冲击活塞杆的速度。冲击系统在不同工作流量下,对钻凿三种不同特性岩石的凿岩状态辨识关键参数进行了数据采集与实验研究,研究表明其参数变化规律与理论分析结果基本保持一致。针对传统精确的数学模型难以对凿岩状态进行辨识的现状,引入了人工智能识别技术,提出了基于GA-LM的BP神经网络算法和基于粒子群寻优的“一对一”多分类支持向量机来实现对凿岩状态进行辨识,并将凿岩状态辨识关键参数作为输入,应用上述算法进行了仿真研究。仿真结果表明,与标准BP神经网络算法、动量BP算法、学习率可变算法、LM-BP算法相比,GA-LM的BP神经网络算法具有更高的凿岩状态辨识精度;与未寻优算法、交叉验证寻优算法对比,基于粒子群寻优的“一对一”多分类支持向量机具有更高的辨识精度。此外,为避免“一对一”多分类支持向量机会出现不可分区域,提出了采用二次分类与欧氏距离结合的再次细分判定方法,有效地提高了其分类性能。论文提出了一种改进型冲突证据合成方法,即引入可信度和可信度阈值,以可信度作为证据权值进行加权平均,替换小于可信度阈值的证据,然后利用D-S证据理论进行合成,仿真结果表明该方法有效地改善了冲突证据的合成问题。以改进型冲突证据合成方法为基础,提出了基于BP神经网络(或多分类支持向量机)与D-S证据理论的数据融合方法,并与基于GA-LM的BP神经网络算法和基于粒子群寻优的“一对一”多分类支持向量机进行了仿真对比分析。结果表明,采用基于BP神经网络(或多分类支持向量机)与D-S证据理论的数据融合方法对凿岩状态进行辨识,具有更好的容错性和更高的辨识精度,是一种更切实可行、最有效的方法。