深度学习增强的智能矿用电铲挖掘轨迹跟踪控制

作     者：付涛 张天赐 崔允浩 宋学官 

作者机构：大连理工大学机械工程学院 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2024年

核心收录：

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(52075068) 山西省科技重大专项(20191101014)资助项目 

主　　题：智能矿用电铲 挖掘轨迹 跟踪控制 长短时记忆网络 

摘      要：矿用电铲是露天开采中重要的采装设备之一，用于地表覆盖物的剥离、矿石物料的装载。随着智慧矿山建设的不断推进，矿用电铲无人化、智能化成为发展趋势。不同于传统的人工操作，智能电铲采用自主作业方式，工作流程主要包括环境感知、挖掘轨迹规划与轨迹跟踪。挖掘轨迹跟踪控制的精度直接决定了作业效率和质量，对于智能化矿用电铲的开发具有重要意义。矿用电铲具有机身结构庞大、运行惯量大、作业环境复杂，挖掘过程中外部载荷剧烈变化等特点，使得模型存在较强的非线性和不确定性，基于传统线性反馈控制器开展智能矿用电铲挖掘轨迹跟踪存在控制滞后、精度低等问题。因此，提出一种深度学习增强的跟踪控制策略，利用深度长短时记忆神经网络建模电铲系统固有的逆动态响应特性，将规划的最优挖掘轨迹变换为可以减少跟踪误差的参考轨迹作为控制系统的输入。深度学习增强的智能矿用电铲轨迹跟踪算法不需要访问电铲内部控制回路，也不需要显式建模电铲动力学，在实践中具有可行性。为了验证控制策略的有效性，在由真实矿场物料搭建的试验场地下，利用1∶7智能电铲缩比样机开展对比试验研究。结果表明深度学习增强的挖掘轨迹跟踪精度更优，其中MAE降低了28.67%,RMSE降低了12.9%,MAPE降低了7.83%。