Вы находитесь на странице: 1из 19

УДК 62-83-52.001.5;075.

Д.М. Шпрехер1, докт. техн. наук, профессор, shpreher-d@yandex.ru,


Колесников Е.Б.2, канд. техн. наук, доцент, kolesnikov55@mail.ru,
Зеленков А.В.1, аспирант, sashazelnkv@mail.ru.

1
Тульский государственный университет, г. Тула,
2
Новомосковский институт Московского химико-технологического
университета, г. Новомосковск, Тульская обл.

ПРИМЕНЕНИЕ АДАПТИВНОГО ПИ-РЕГУЛЯТОРА В СИСТЕМЕ


РЕГУЛИРОВАНИЯ НАГРУЗКИ ОЧИСТНОГО КОМБАЙНА1

В статье рассматривается вопрос замены классического ПИ-регулятора


в системе управления очистного комбайна (ОК) адаптивным, в котором
осуществляется подстройка коэффициентов регулятора в зависимости от
изменения нагрузки (крепости угля). Классический ПИ-регулятор в системе
управления имеет постоянные значения пропорционального и интегрального
коэффициентов. Однако, несмотря на простоту настройки и практической
реализации, а также относительно высокую робастность, данный класс
управляющих устройств не может обеспечить оптимальное
функционирование системы управления во всех режимах в силу нелинейности
объекта управления и случайного характера изменения крепости угля по мере
перемещения ОК в лаве. Для преодоления указанных недостатков
предлагается нейросетевая реализация подстройки коэффициентов ПИ-
регулятора. В работе рассмотрена математическая модель, предназначенная
для решения задачи анализа и синтеза системы управления. Предложена и
экспериментально доказана возможность коррекции коэффициентов ПИ-
регулятора, управляющего скоростью подачи ОК, при случайном характере
изменения крепости угля. Показано, что коэффициенты регулятора

1
Работа выполнена при финансовой поддержке РФФИ (грант № 20-07-00914\20) 1
изменяются по достаточно сложному закону. В качестве корректора
коэффициентов ПИ-регулятора предложено применить нейронную сеть типа
многослойный персептрон. Обучение нейронной сети осуществлялось методом
Левенберга-Марквардта. Корректность полученных результатов была
подтверждена результатами компьютерного моделирования. Показано, что
применение ПИ-регулятора с нейросетевым подстройщиком в системе
управления позволит повысить быстродействие регулятора нагрузки в
среднем от 1,5 до 3 раз по сравнению с классическим регулятором, что
позволит избежать критических перегрузок, а значит и возможной поломки
механических частей в трансмиссии ОК при внезапной встрече его
исполнительного органа (ИО) с твердым включением. Предложенный
адаптивный ПИ-регулятор может быть в дальнейшем использован для
совершенствования системы управления ОК, способной эффективно
функционировать в различных режимах.
Ключевые слова: очистной комбайн; привод подачи; привод резания;
перегрузка; математическая модель; переходные процессы; крепость угля;
система управления; нейронная сеть; ПИ-регулятор

Введение. Подземный способ добычи угля в настоящее время


ориентирован на использование очистных механизированных комплексов, в
которых очистной комбайн (ОК) выполняет основную функцию – резание угля
и его погрузку на забойный конвейер. От степени автоматизации работы
очистного комбайна зависит эффективность и экономичность подземной
выемки угля, а также ее безопасность.
ОК представляет собой сложный электромеханический объект, состоящий
из двух взаимодействующих между собой электромеханических систем:
привода подачи и привода резания. Привод подачи предназначен для
передвижения комбайна в процессе работы с необходимым тяговым
(напорным) усилием, а также для передвижения при различных маневровых
операциях и в свою очередь состоит из асинхронного электродвигателя подачи

2
(АДп) с параметрами ( J АД.п ,АД.п ), редуктора подачи ( J ред.п , ред.п , Сред.п ) и
вынесенных или встроенных механизмов перемещения ( mк ,Vп , Ск ). Привод
резания содержит электродвигатель резания (АДр) с параметрами ( J АД.р , АД.р ),
редуктор резания ( J ред.р , ред.р , Сред.р ) и исполнительный орган (ИО) шнекового
или барабанного типа ( J ио , ио , Сио ), который, вращаясь, врезается в угольный
массив и осуществляет его разрушение (рис.1). Таким образом, соединение
силовых и электрических параметров привода резания и привода подачи ОК
при разрушении горной массы осуществляется через угольный массив. В то же
время на ИО комбайна со стороны угольного массива воздействует момент
сопротивления вращению шнека (момент сопротивления резанию) M ср ; а на
комбайн – сила сопротивления движению комбайна (сила сопротивления
подачи) – Fсп . Уравнения математической модели, описывающей совместную
работу приводов ОК, приведены в [1].

Рис. 1. Структурная схема совместной работы привода подачи и привода


резания в очистном комбайне

К единственным применяемым средствам для автоматизация горных


комбайнов с гидроприводом подачи следует отнести автоматические
регуляторы нагрузки типа «Уран» [2], работающие по программе, заранее
установленной оператором. В блоке канала нагрузки сравниваются напряжение
пропорциональное фактическому току двигателя резания Iд и напряжение
программы токовой уставки, пропорциональное уставке Iу. При разности этих

3
значений пределах ± 5% от Iу регулятор по каналу нагрузки не работает (зона
нечувствительности). При разности значений в пределах 5-25% от Iу подается
сигнал на импульсное уменьшение скорости подачи до значения установления
тока Iд в пределах ±5% от Iу. Если рассогласование тока Iд больше 25% тока Iу,
то выдается непрерывный сигнал на уменьшение скорости подачи. В режиме
недогрузки двигателя комбайна при Iу>>Iд выдается сигнал на увеличение
скорости подачи до значения, установленного программой.
Однако, данный способ автоматизации электропривода ОК обладает
существенным недостатком, заключающемся в низком быстродействии. И в
случае, если ИО встретит твёрдую породу и скорость подачи ОК не будет
быстро снижена, это может привести к большим ударным нагрузкам на ИО и
его трансмиссию. Как следствие повышенный износ режущего инструмента
или поломка комбайна, а значит потеря добычи за счет уменьшения скорости
перемещения вдоль линии забоя. Таким образом, привод резания одна из самых
слабых, с точки зрения надежности, частей ОК [3].
В последнее время гидравлический привод подачи вытесняется частотно-
регулируемым электроприводом, в котором регулирование скорости подачи
осуществляется посредством преобразователя частоты (ПЧ), питающего АДп
(рис. 1). Управляя сигналом на входе ПЧ, можно регулировать угловую
скорость и момент выходного вала привода подачи и, следовательно,
регулировать скорость и усилие подачи комбайна.
Основной функцией современного автоматического регулятора нагрузки
является оптимизация режима работы ОК с одновременным обеспечением
максимальной производительности и исключением опасных перегрузок
электроприводов подачи и резания. Тенденцией последних лет является
увеличение длин очистных забоев до 300–400 м и мощностей
электродвигателей в приводах ОК. А значит увеличение массы комбайна, и, как
следствие, увеличение времени переходного процесса при управлении его
электроприводом подачи, а значит, увеличиваются динамические нагрузки на
привод комбайна при воздействии внешних возмущений в виде внезапного

4
изменения сопротивления резанию горного массива. Вышесказанное повышает
требования к быстродействию регуляторов нагрузки. Поэтому, в связи с
необходимостью повышения показателей надежности и производительности
функционирования ОК, повышение эффективности разработки его системы
управления является актуальной научной задачей.
Анализ исследований и публикаций по данной тематике. Вопросам в
области автоматизации режимов работы ОК посвящены работы отечественных
и зарубежных ученых. Так в [4] проводились исследования ОК с вынесенной
системой подачи на основе муфты скольжения, в [5] исследовались вопросы
динамики и оптимизации параметров силовых систем очистных комбайнов,
находящихся под действием случайной нагрузки, в [6, 7] была сделана попытка
прогнозирования нагрузки, действующей на привод комбайна. В [8, 9] были
разработаны устройства для автоматизации управления угольными
комбайнами. Решению задачи управления сложными техническими объектами,
основанной на разработке их математических моделей, определяющих в
дальнейшем алгоритм регулирования, посвящены работы [1,10]. Результатом
вывода исследований [11] было предложение использования интеллектуальных
регуляторов в системе управления ОК на базе нечеткой логики и нейронных
сетей (НС). Попытки осуществления управления с помощью интеллектуальных
регуляторов рассматривались в [12] с помощью нечеткой логики, в [13] с
помощью стандартного нейросетевого регулятора Matlab и в [14] с помощью
ANFIS сети. Однако во всех этих работах ОК рассматривался в виде простой
передаточной функции первого порядка, когда в действительности это
сложный объект с большим количеством нелинейностей.
Цель работы. Проектирование нейросетевого настройщика, решающего
задачу обобщения получаемых входных данных и предоставление им
оптимальных, ранее полученных экспертом, коэффициентов ПИ-регулятора.
Основное содержание. Исследовательские работы в области
совершенствования систем управления технологическими процессами с
помощью интеллектуальных регуляторов весьма актуальны, поскольку

5
большинство реальных объектов управления обладают нелинейными
характеристиками, которые изменяются в процессе эксплуатации, в то время
как управление ими ведется, в большинстве случаев, с помощью линейных
ПИД (ПИ) - регуляторов. Коэффициенты таких регуляторов часто подобраны
оптимально для конкретного состояния объекта, однако при его переходе в
другие состояния (например, встреча ИО угольного комбайна с твердым
включением в пачке срезаемого угля) данные значения коэффициентов уже не
позволяют получать требуемых по качеству переходных процессов. Это ведет к
снижению качества регулирования [15]. Как видно данная проблема актуальна
для угледобывающей промышленности, т.к. длительные колебательные
процессы с динамическими моментами больше номинальных значений в
механических частях трансмиссии может привести к поломке оборудования.
Решение данной задачи возможно, например, путем построения
адаптивных систем управления технологическими процессами [16],
автоматически подбирающих коэффициенты ПИ-регулятора, предварительно
настроив регулятор с помощью метода Циглера-Никольса [17], либо, используя
методологию искусственного интеллекта.
В [18] Сигеру Омату в своих исследованиях использовал методологию НС.
Это связано с тем, что НС обладают нелинейными свойствами и способностью
к обучению, что придает адаптивность нейросетевым системам управления.
В статье в качестве предмета исследований была выбрана схема,
приведенная на рис. 2.
Такая схема позволяет учитывать нелинейные свойства объекта, не внося
значительных изменений в существующую схему управления. Необходимо
лишь подключить НС к существующей системе, что существенно снижает
стоимость внедрения такой интеллектуальной надстройки.
Выбор был сделан по следующим причинам [19]:
- многослойный персептрон является сетью прямого распространения
сигнала;
- многослойный персептрон состоит из нескольких скрытых слоев

6
нейронов, не являющихся частью входа или выхода сети; эти нейроны
позволяют сети обучаться решению сложных задач, последовательно извлекая
наиболее важные признаки из входного образа.

Рис. 2. Структурная схема управления очистного комбайна с ПИ-


регулятором и нейросетевым блоком подстройки

Для оперативного изменения коэффициентов будем использовать


многослойный персептрон (рис. 3).

Рис. 3. Структура нейросетевого подстройщика коэффициентов


ПИ-регулятора

- многослойный персептрон обладает высокой степенью связности,


реализуемой посредством синаптических соединений; изменение уровня
связности сети требует изменения множества синаптических соединений или
их весовых коэффициентов.
Из вышеперечисленного следует, что многослойный персептрон является
достаточно простым и эффективным инструментом, и, следовательно, хорошо
подходит для реализации поставленной задачи.

7
Рассмотрим проблему определения количества нейронов во входном слое
НС для решения задачи настройки параметров ПИ-регулятора.
В [20] авторы, решая эту задачу, исходили из постулата, что, хотя в данном
случае НС не заменяет регулятор, а настраивает его, она должна на входе
иметь не меньше информации, чем имеет регулятор.
Известно, что управляющий сигнал u (t ) , отрабатываемый ПИ-
регулятором имеет вид:
t
u (t )  K P e(t )  K I  e() d , (1)
0

где e(t ) – рассогласование между заданием и выходом объекта управления


(ОУ); K p KI – настраиваемые параметры регулятора. Рассогласование
вычисляется как разность сигнала задания (уставки) r (t ) и выхода ОУ y (t ) .

Обращая внимание на то, что сигнал задания уставки является постоянной


величиной, в дальнейшем речь пойдет только сигнале рассогласования.
Постоянная положительная величина влияет только на смещение сигнала
выхода по оси ординат вверх, что в некоторых случаях может быть полезно,
например, для избегания пересечений нуля, что критично, для обучения НС.
Уравнение (1) в операторной форме примет вид:
KI
U ( p)  ( K P  )Y ( p ) , (2)
p

где U ( p ) и Y ( p) – преобразования Лапласа для u (t ) и y (t ) соответственно.


На основании (2) передаточная функция регулятора имеет вид
U ( p) K
W ( p)   KP  I . (3)
Y ( p) p

Переводим (3) в дискретный вид, воспользовавшись заменой p  (1  z 1) / t

:
K I t 1
W ( z)  K P   [ K P (1  z 1)  K I t ] 
1 1
1 z 1 z
1
 [( K P  K I t )  K P z 1].
1
1 z

Обозначим a1  ( K P  K I t ) , a2  K P .

8
Таким образом, разностное уравнение, являющееся аналогом (1), для k-го
шага управления (момента времени tk) имеет вид
u (tk )  a1e(tk )  a2e(tk  t )  u (tk  t ). (4)
То есть ПИ-регулятор, согласно (4) фактически должен иметь сведения о
рассогласовании (сигнале ошибки) в текущий момент времени,
рассогласовании в момент времени на шаг назад и о сигнале управления на шаг
назад. Следовательно, НС настройщик должен иметь 3 входа.
Принято, что нейроны 1-го слоя имеют активационную функцию –
гиперболический тангенс, а у нейронов 2-го (выходного) слоя активационные
функции линейные. Количество скрытых слоев – один; - количество нейронов в
первом слое – 20; количество нейронов в выходном слое – 2, соответствующие
коэффициентам ПИ- регулятора K P и K I .
Для решения поставленной задачи был выбран метод обучения НС с
учителем [21]. Обучение нейронной сети происходило с помощью алгоритма
Левенберга-Марквардта [21].
На рис. 4 показана модель для формирования обучающей выборки.

Рис. 4. Модель для создания обучающей выборки

Массив In предназначен для записи входных обучающих сигналов, а

9
массив Out – для записи сигналов на выходе, т. е. это выход нейросети
(коэффициенты ПИ регулятора). Сопротивляемость материала резанию A
моделировалась блоком Random Sourcer, генерирующим равномерно
распределенные случайные числа, соответствующие определенной крепости
угля, в диапазоне от 250 до 1000 Н/мм с интервалом в 2 с. Дополнительно была
реализована программа, сопоставляющая значения крепости с
пропорциональным и интегральным коэффициентами ПИ-регулятора,
полученными ранее для каждого дискретного значения крепости, по методу
Циглера-Никольса. Промежуточные коэффициенты регулятора вычисляются
сплайн-интеполяцией, реализованной в блоке Matlab Function.
На рис. 5 представлены результаты обучения нейронной сети. Можно
видеть, что за 634 эпохи сеть хорошо обучилась, достигнув приемлемой
ошибки обучения равной 0,0019.
Best Validation Performance is 0.0018836 at epoch 634
101
Train
Validation
Test
Best
Mean Squared Error (mse)

100

10-1

10-2

10-3
0 100 200 300 400 500 600
640 Epochs

Рис. 5. Результаты обучения нейронной сети

Для тестирования разработанного нейросетевого подстройщика


коэффициентов ПИ-регулятора использовалась имитационная модель,
основанная на структурной схеме, представленной на рис. 6 и реализованная в
среде имитационного моделирования Simulink.

10
Рис. 6. Имитационная модель, сравнивающая работу двух ПИ-регуляторов

В данной схеме осуществлялось сравнение работы классического ПИ


регулятора с постоянными коэффициентами и ПИ-регулятора с нейросетевым
подстройщиком коэффициентов.
На рис. 7 представлены результаты моделирования. Из графиков б) и в) на
рис. 7 видно, что при изменении крепости угля в пределах 150 - 450 Н/мм
быстродействие обычного ПИ-регулятора составило при набросе нагрузки
0,97 с, при сбросе – 1,4 с; при изменении крепости угля в пределах 400 - 800
Н/мм быстродействие составило при набросе нагрузки 0,66 с, при сбросе – 1,25
с. При изменении крепости угля в пределах 150 - 450 Н/мм быстродействие ПИ-
регулятора с нейросетевым подстройщиком составило при набросе и сбросе
нагрузки 0,37 с; при изменении крепости угля в пределах 400 - 800 Н/мм
быстродействие составило при набросе и сбросе нагрузки 0,43 с.
Таким образом, применение ПИ-регулятора с нейросетевым
подстройщиком позволит существенно повысить быстродействие регулятора
нагрузки в среднем от 1,5 до 3 раз. Это обеспечит снижение динамических
нагрузок в трансмиссии ОК при проработке твердых включений и возможных
стопорениях исполнительного органа и тем самым повысит надежность ОК.
11
t, с

t, с

t, с

t, с

t, с

Рис. 7. Результаты сравнения работы классического ПИ-регулятора и


регулятора с нейросетевым подстройщиком его коэффициентов

По графикам г) и д) рис. 7 видно, что коэффициенты ПИ - регулятора,


обеспечивающие требуемое качество переходного процесса, значительно
изменяются в зависимости от изменения нагрузки (крепости угля). Также
видно, что их поведение является существенно нелинейным, что оправдывает

12
использование НС для подстройки коэффициентов ПИ регулятора при разных
нагрузках на объект управления.

Выводы
1. В рамках данной работы было предложено для повышения
быстродействия системы регулирования применить ПИ-регулятор,
коэффициенты которого адаптируются к внешним условиям работы ОК при
внезапных изменениях нагрузки (крепости угля). Корректность работы
синтезированного регулятора была проверена с помощью компьютерного
моделирования.
2. Применение ПИ-регулятора с нейросетевым подстройщиком в системе
управления позволит повысить быстродействие регулятора нагрузки в среднем
от 1,5 до 3 раз по сравнению с классическим регулятором, а значит избежать
критических перегрузок и возможной поломки механических частей в
трансмиссии ОК при внезапной встрече его ИО с твердым включением.
3. Предложенный в статье подход может быть использован при решении и
других прикладных задач, в которых объект управления является нелинейным
и алгоритму управления требуется адаптироваться к меняющемуся состоянию
объекта. Полученные результаты планируется использовать в дальнейшем для
совершенствования системы управления нагрузкой очистных комбайнов.
Список литературы
1. Бабокин Г.И. Математическое моделирование электропривода
очистного комбайна с встроенной системой перемещения / Г.И. Бабокин, Д.М.
Шпрехер, Е.Б. Колесников. //Известия Тульского государственного
университета. Технические науки. – 2019. – № 3. – С. 645-651.
2. Стариков Б.Я. Асинхронный электропривод очистных комбайнов / Б.Я.
Стариков, В.Л. Азарх, З.М. Рабинович. – М.: Недра, 1981. – 288 с.
3. Liu C. Electromechanical dynamic analysis for the drum driving system of the
long-wall shearer. / Liu C., Qin D., Liao Y. Advances in Mechanical Engineering. –
Vol. 7. – № 10 – 2015. – P. 1-14.
13
4. Дубинин С.В. Снижение динамических нагрузок и повышение
эффективности вынесенной системы подачи очистного комбайна: автореф.
дисс. канд. техн. наук. /С. В. Дубинин, Донецк. – 1991. – 209 с.
5. Бойко Н. Г. Оптимизация параметров силовых систем очистных
комбайнов: монография / Н. Г. Бойко. – Донецк: ГВУЗ ДонНТУ, 2012. – 214 c.
6. Горбатов П.А. Математические модели для прогнозирования
максимальных нагрузок в подсистемах привода очистных комбайнов на основе
имитационного моделирования / П.А. Горбатов, М.В. Перинский //
Мехатронное горное оборудование - 2010: науч. тр. междунар. науч.-техн.
конф. – Донецк: ДонНТУ, 2010. – С.25-34.
7. Зубарев С.Г Совершенствование системы подачи угольного комбайна
путем прогнозирования нагрузки /С.Г. Зубарев //Технологический аудит и
резервы производства, 2014. – Том:6. – №4(20). – С. 17-20/
8. Иванов А.С. Разработка нелинейной системы управления нагрузкой
электропривода резания проходческого комбайна: Дис. канд. техн. наук:
Новокузнецк. – 2010. – 160 с.
9. Колесников Е.Б. Разработка и исследование механизма подачи
очистного комбайна с частотно-регулируемым электроприводом: автореф. дис.
канд. техн. наук. – М., 1996. – 20 с.
10. Ткачев В.В. Использование имитационного моделирования для
исследования системы автоматического управления добычным комбайном /
В.В. Ткачев, А.В. Бубликов. Монография. Днепропетровск. НГУ, 2015. – 182 с.
11. Шпрехер Д.М. Исследование динамики нагружения регулируемого
электропривода очистного комбайна /Д.М. Шпрехер, Г.И. Бабокин, Е.Б.
Колесников, А.В. Зеленков //Известия Тульского государственного
университета. Технические науки. – 2020. – № 2. – С. 514-525.
12. ZhaoYi-hui. Constant Power Automatic Control System of Electric Haulage
Shearer Based on Fuzzy Control / ZhaoYi-hui //Coal mine electromechanical. –
Vol.12. – 2012. – PP. 41-43.

14
13. Zhou Yuan-hua. Constant Cutting-Power Control of Shearer Based on
Neural Network Model Predictive Control / Zhou Yuan-hua, Ma Hong-wei, Wu Hai-
yan, Zhao You-jun. // Switzerland. Trans Tech Publication. – 2013. – Vol. 823. – PP.
340-344.
14. Zhou Yuan-hua. The power optimization control of shearer based on
ANFIS /Zhou Yuan-hua, Ma Hong-wei, Wu Hai-yan, Zhao You-jun // Trans Tech
Publications, Switzerland. – 2014. –Vols. 496-500. – PP. 1727-1731.
15. Еременко Ю.И. Об интеллектуальной адаптации параметров ПИД
регулятора для снижения энергопотребления управляемого процесса /Ю.И.
Еременко, Д.А. Полещенко, А.И. Глущенко, Д.Ю. Ярмуратий //Научные
ведомости. Сер. История. Политология. Экономика. Информатика. – 2013. – №
22 (165). – Выпуск 28. – С. 210-217.
16. Шубладзе А.М. Автоматически настраивающиеся промышленные ПИ и
ПИД регуляторы / А.М Шубладзе, С.И. Кузнецов // Автоматизация в
промышленности. – 2007. – № 2. – С. 15 -17.
17. Leva A. Hands-on PID autotuning: a guide to better utilisation / A. Leva, C.
Cox, A. Ruano // IFAC Professional Brief. – Laxenburg: IFAC, 2002. – 84 p.
18. Omatu S., Khalid M., Yusof R. Neuro-Control and its applications, London
(UK), Springer, 1995, 255 p.
19. Бахирев И.В. Применение нейросетевых технологий при испытании и
настройке систем управления ГТУ и использованием комплекса «Электродин» /
И.В. Бахирев, Б.В Кавалеров, К.А. Один //Электротехника, информационные
технологии, системы управления. – 2013. – № 7. – С. 96-104.
20. Еременко Ю. И. О разработке метода выбора структуры нейронной
сети для решения задачи адаптации параметров линейных регуляторов /Ю.И.
Еременко, А.И. Глущенко //Управление большими системами: Сборник трудов.
– 2016. – № 62. – С. 75-123.
21. Хайкин С. Нейронные сети: полный курс. – М.: Вильямс, 2006. – 1104 с.

15
APPLICATION OF THE ADAPTIVE PI-CONTROLLER IN THE SYSTEM
OF THE LOAD REGULATION OF THE SHEARER

D.M. Shprekher1, doctor of technical science, professor, shpreher-d@yandex.ru,


Kolesnikov E.B.2, candidate of technical science, docent, kolesnikov55@mail.ru,
Zelenkov A.V.1, postgraduate, sashazelnkv@mail.ru

1
Tula State University, 300012, Tula, Russia,
2
Novomoskovsk Institute of the Moscow Chemical-Technological University,
Novomoskovsk, 301665, Tula region, Russia

The article considers the question of replacing the classic PI controller in the
shearer control system with an adaptive device, in which the regulator coefficients
are adjusted depending on the load change (coal strength). The classic PI controller
in the control system has constant proportional and integral coefficients. However,
despite the ease of setup and practical implementation, as well as the relatively high
robustness, this class of control devices cannot ensure the optimal functioning of the
control system in all modes due to the nonlinearity of the control object and the
random nature of the coal strength changing as the shearer moves in the coal face.
To overcome these shortcomings, a neural network implementation of tuning the
coefficients of the PI controller is proposed. The paper considers a mathematical
model designed to solve the problem of analysis and synthesis of a control system.
The possibility of correcting the coefficients of the PI controller controlling the speed
of movement of the shearer, with a random nature of changing the strength of coal, is

16
proposed and experimentally proved. It is shown that the coefficients of the regulator
vary according to a rather complex law. It is proposed to use a neural network of the
multilayer perceptron type as a corrector of the PI controller coefficients. Neural
network training was carried out by the Levenberg-Marquardt method. The
correctness of the results was confirmed by the results of computer modeling. It is
shown that the use of a PI controller with a corrector in the form of a neural network
in the control system will increase performance of the load regulator by an average
of 1.5–3 times in comparison with the classical regulator. All this will allow to avoid
critical overloads, and hence the possible breakdown of the mechanical parts in the
transmission of the shearer in case of a sudden collision of the working body of the
shearer with a solid inclusion. The proposed adaptive PI controller can be further
used to improve the control system of the shearer, which is able to function
effectively in various modes.
Keywords: shearer, movement drive, cutting drive, overload, mathematical
model, transients, coal strength, control system, neural network, PI controller

References
1. Babokin G.I., Shprekher D.M., Kolesnikov E.B. Mathematical modeling of
the electric drive of a shearer with a built-in moving system, Izvestija Tul'skogo
gosudarstvennogo universiteta. Tehnicheskie nauki, 2019, no. 3, pp. 645-651. (in
Russian)
2. Starikov B.Ya., Azarh V.L., Rabinovich Z.M. Asynchronous electric drive
of shearers, Moskow, Nedra, 1981, 288 p. (in Russian)
3. Liu C., Qin D., Liao Y. Electromechanical dynamic analysis for the drum
driving system of the long-wall shearer, Advances in Mechanical Engineering, 2015,
vol. 7, no. 10, pp. 1-14.
4. Dubinin S.V. Reducing dynamic loads and increasing the efficiency of the
external feed system of the shearer. PhD (Engineering) dissertation, Donetsk, 1991,
209 p. (in Russian)

17
5. Boyko N.G. Optimization of parameters of power systems of shearers:
monograph, Donetsk, State Higher Educational Institution "Donetsk National
Technical University", 2012, 214 p. (in Russian)
6. Gorbatov P.A., Perinsky M.V. Mathematical models for predicting
maximum loads in drive subsystems of shearers based on simulation modeling,
Mehatronnoe gornoe oborudovanie - 2010: nauchye trudy mezhdunarodnoj
nauchno-tehnicheskoj konferencii, Donetsk, Donetsk National Technical University,
2010, pp. 25-34. (in Russian)
7. Zubarev S.G. Improving the movement system of a coal processor by
forecasting the load, Technological audit and production reserves, 2014, vol. 6, no. 4
(20), pp. 17-20. (in Russian)
8. Ivanov A.S. Development of a nonlinear load control system for an electric
drive cutting a roadheader. PhD (Engineering) dissertation, Novokuznetsk, 2010,
160 p. (in Russian)
9. Kolesnikov E.B. Development and research of the mechanism of forward
motion with a frequency-controlled electric drive. PhD (Engineering) dissertation,
Moscow, 1996, 249 p. (in Russian)
10. Tkachev V.V., Bublikov A.V. The use of simulation to study the automatic
control system for cutter-loader. Monograph, Dnepropetrovsk, National Mining
University, 2015, 182 p. (in Russian)
11. Shprekher D.M., Babokin G.I., Kolesnikov E.B., Zelenkov A.V. The
study of the dynamics of loading an adjustable electric drive of the shearer, Izvestija
Tul'skogo gosudarstvennogo universiteta. Tehnicheskie nauki, 2020, no. 2, pp. 514-
525. (in Russian)
12. ZhaoYi-hui. Constant Power Automatic Control System of Electric Haulage
Shearer Based on Fuzzy Control, Coal mine electromechanical, 2012, vol. 12, pp. 41-
43.
13. Zhou Yuan-hua, Ma Hong-wei, Wu Hai-yan, Zhao You-jun. Constant
Cutting-Power Control of Shearer Based on Neural Network Model Predictive
Control, Switzerland, Trans Tech Publication, 2013, vol. 823, pp. 340-344.

18
14. Zhou Yuan-hua, Ma Hong-wei, Wu Hai-yan, Zhao You-jun. The power
optimization control of shearer based on ANFIS, Switzerland, Trans Tech
Publications, 2014, vols. 496-500, pp. 1727-1731.
15. Eremenko Yu.I., Poleschenko D.A., Glushchenko A.I., Yamursky D.Yu.
On the intellectual adaptation of the parameters of the PID controller to reduce the
energy consumption of a controlled process, Nauchnye vedomosti. Ser. Istorija.
Politologija. Ekonomika. Informatika, 2013, vol. 28, no. 22 (165), pp. 210-217. (in
Russian)
16. Shubladze A.M., Kuznetsov S.I. Automatically tuned industrial PI and PID
controllers, Avtomatizacija v promyshlennosti, 2007, no. 2, pp. 15 -17. (in Russian)
17. Leva A., Cox C., Ruano A. Hands-on PID autotuning: a guide to better
utilization, IFAC Professional Brief, Laxenburg, IFAC, 2002, 84 p.
18. Omatu S., Khalid M., Yusof R. Neuro-Control and its applications, London
(UK), Springer, 1995, 255 p.
19. Bakhirev I.V., Kavalerov B.V., One K.A. The use of neural network
technologies in testing and tuning GTU control systems and using the Electrodin
complex, Elektrotehnika, informacionnye tehnologii, sistemy upravlenija, 2013, no.
7, pp. 96-104. (in Russian)
20. Eremenko Yu. I., Glushchenko A.I. On the development of a method for
choosing the structure of a neural network to solve the problem of adapting the
parameters of linear regulators, Upravlenie bol'shimi sistemami: Sbornik trudov,
2016, no. 62, pp. 75-123. (in Russian)
21. Khaikin S. Neural networks: a full course, Moscow, Vil'jams, 2006, 1104 p.
(in Russian)

19