薄煤层煤岩刨削比能耗优化模型.pdf

第 ２５ 卷第 ２ 期计算机集成制造系统Vol ． ２５ No ． ２ ２ ０ １ ９ 年 ２ 月Computer Integrated Manufacturing SystemsFeb ．２ ０ １ ９ DOI １０ ． １３１９６／j ． cims ． ２０１９ ． ０２ ． ０１２ 收稿日期 ２０１７‐０８‐１５ ； 修订日期 ２０１８‐０４‐１２ 。 Received １５ Aug ．２０１７ ； accepted １２ Apr ．２０１８ ． 基金项目 国家自然科学基金资助项目（５１６７４１３４ ， ５１５７４１４０ ， ５１３０４１０５）。 Foundation items Project supported by the National Natural Science Foundation ，China（No ． ５１６７４１３４ ， ５１５７４１４０ ， ５１３０４１０５） ． 薄煤层煤岩刨削比能耗优化模型 郭辰光 １ ， 岳海涛 １ ， 赵丽娟 １ ， 张建卓 １ ， 谢华龙 ２ （１ ． 辽宁工程技术大学 机械工程学院 ， 辽宁 阜新 １２３０００ ； ２ ． 东北大学 机械工程及自动化学院 ， 辽宁 沈阳 １１０８１９） 摘 要 合理选择刨削工艺参数可有效节省薄煤层综采过程中的能量损耗 ， 是实现煤岩绿色 、 可持续开采的关 键 。 鉴于此 ， 对刨煤机刨削工艺参数优化进行了研究 ， 综合考虑刨头刨削煤岩 、刨刀刨削煤岩温升 、 机组沿煤岩采 面移动 、 刨落煤岩推移与运输 、 辅助系统损耗等过程 ， 构建了刨煤机能量损耗模型 ； 建立了以煤岩刨削比能耗最小 为目标的煤岩刨削工艺参数优化模型 ； 基于自适应自然选择粒子群算法完成了优化模型寻优求解 ； 结合薄煤层井 下开采实例验证了所建立比能耗优化模型有效性 ； 比较分析了刨削速度 、 截深 、 刀间距 ３ 个优化变量对刨削比能耗 的影响规律 。 结果表明 ， 自适应自然选择粒子群算法具有较好的收敛速度与求解精度 ， 所建模型可为煤岩刨削工 艺参数设计提供理论依据 ； 该方法能够有效降低薄煤层综采过程能量损耗 ， 对工程应用具有很好的指导意义 。 关键词 薄煤层 ； 刨削工艺参数 ； 比能耗 ； 自适应自然选择粒子群优化 ； 刨煤机 中图分类号 TD４２１ ． ６３＋ 文献标识码 A Specific energy consumption optimization model of thin coal seam plowing GUO Chenguang １ ，YUE H aitao １ ，ZHAO Lijuan １ ，ZHA NG Jianzhuo １ ，X IE Hualong ２ （１ ． School of Mechanical Engineering ，Liaoning Technical University ，Fuxin １２３０００ ，China ； ２ ． School of Mechanical Engineering and Automation ，Northeastern University ，Shenyang １１０８１９ ，China） Abstract Correct selection of plowing parameters is an effective to reduce energy consumption for thin coal seam mining process ，and it is the key to achieve green and sustainable coal mining ．For this reason ，the plowing process parameters optimization of plough was researched ．An energy consumption model of plough was proposed by considering the plowing processes for plow body force of coal cutting ，plough bit temperature rising of coal cutting ， plough unit moving along with coal seam mining face ，plowed coal particles moving and transport and the auxiliary systems consumption ．The process parameters optimization model with minimum specific energy consumption objec‐ tive of thin coal seam plowing was established ，and the adaptive natural selection particle swarm optimization was applied to solve the optimal solution ．A thin coal seam mining experiment case was pered to verify the ef‐ fectiveness of the specific energy consumption optimization model ，and the influence rules of three optimize variables which were cutting speed ，cutting depth ，bits interval on energy consumption were compared and analyzed ．The re‐ sults showed that the adaptive natural selection particle swarm optimization algorithm had good convergence speed and solving accuracy ．The proposed optimization model not only could provide some theoretical basis for plowing process parameters design ，but also reduce energy consumption for the thin coal seam mining process effectively ， which provided a good guiding significance for engineering application ． Keywords thin coal seam ；plowing process parameters ；specific energy consumption ；adaptive natural selection par‐ ticle swarm optimization ；plough 万方数据 计算机集成制造系统第 ２５ 卷 0 引言 煤炭是我国最主要的一次性消耗能源材料 ， 在 我国能源结构中处于绝对重要地位 ［１］ 。 目前 ， 我国 薄煤层和极薄煤层可采储量约占全国煤炭总可采储 量的 ２０％ ， 达到 ６１.５ 亿吨 ［２‐３］ ， 如何实现薄煤层煤 炭资源的低成本开采是煤炭生产企业提升竞争力的 主要目标 。 薄煤层开采最主要的自动化机械系统是 刨煤机 ［４］ ， 在煤岩刨削综采过程中 ， 刨煤机刨削工艺 参数的合理优化处理 ， 可有效节省煤炭采掘过程中 的能量损耗 ， 显著降低综采成本 ， 因此成功开展薄煤 层无人化智能刨煤综采系统刨削工艺参数的优化设 计 ， 是保证煤炭生产企业构建绿色矿山 ， 实现薄煤层 绿色 、 可持续开采的关键 。 为了判断煤岩截割破碎的效果 ， 通常采用煤 岩截割过程中的单位能耗表示截齿破岩效率 ［５］ 。 相关学者已经开展了刨煤机刨刀截割煤岩优化模 型的研究 ， 康晓敏等 ［６］ 以单位能耗最小为目标函 数 ， 构建了针对刨煤机刨削深度优化的数学模型 ， 该模型以刨削深度小于刨刀外露长度为约束条 件 ， 采用外惩罚函数法完成刨削深度的优化设计 ， 经井下刨煤机实测效果较好 ； 张强等 ［７‐８］ 采用人工 鱼群算法开展了以刨削机构比能耗最低为优化目 标的优化模型的计算 ， 该模型以刨削深度 、刨刀间 距 、 一次循环刨头采高 、刨刀宽度为设计参数 ， 在 刨削结构刨头外形尺寸不变且结构强度满足的条 件下 ， 使刨削结构的比能耗减少 ７.８９％， 破碎率上 升 １.４５％ ， 同时应用带精英策略的快速非支配排 序遗传算法（fast elitist Non‐dominated Sorting Ge‐ netic Algorithm ，NSGA‐Ⅱ ）探讨了滑行刨煤机能 耗和载荷波动优化设计问题 ， 建立了刨头多目标 模糊可靠性优化模型 ， 提高了刨煤机的工作可靠 性 ， 优化了刨头的结构参数 ； 毛君等 ［９］ 基于改进的 遗传算法开展了刨煤机刨头的多目标优化设计 ， 分别考虑刨煤机综采过程中的上 、 下行问题 ， 以刨 削深度 、 刨削速度为设计变量 ， 构建了以生产能力 最大 、 刨削单位能耗最小 、上下行货载断面积差最 小为目标函数的优化模型 。 上述研究对刨煤机刨 削工艺参数优化设计具有重要的指导意义 ， 然而 现有研究多以刨刀截割煤岩负载为优化目标 ， 模 型单一且简化严重 ， 不能全面反映刨头井下运行 过程的能量损耗 ； 同时 ， 各研究所建立的约束条件 存在相互叠加 、重复约束的现象 ； 再者 ， 优化求解 过程中 ， 刨削力计算模型所需的煤岩刨削特性参 数 、 优化模型约束参数交代不清 ， 其寻优方法与寻 优结果有待进一步检验 。 鉴于此 ， 为了节约煤岩刨削过程中的能耗 ， 提升 薄煤层绿色开采的能效 ， 本文开展了刨煤机刨削工 艺参数优化设计研究 ， 建立了考虑刨头刨削煤岩能 耗 、 刨刀刨削煤岩温升能量耗损 、 刨煤机机组沿煤岩 采面移动能耗 、 刨落煤岩推移与运输能耗和煤岩刨 削辅助系统能耗 ， 以煤岩刨削比能耗最小为目标的 薄煤层开采刨煤机刨削工艺参数优化设计模型 ， 应 用自适应自然选择粒子群优化（Adaptive natural Selection Particle Swarm Optimization ，ASelPSO） 算法完成模型寻优求解 ， 并通过实例验证了所建模 型的有效性 。 1 煤岩刨削参数优化模型 1.1 目标函数构建 １.１.１ 煤岩刨削比能耗模型构建 刨煤机结构如图 １ 所示 ， 其工作机构由装有各 种煤岩刨削刀具的刨头 、 牵引刨头的刨链 、 导护链装 置和带动刨链的动力传动装置等构件组成 ［１０］ 。 牵 引刨头的刨链在电动机带动下拖拽刨头沿安装在采 煤工作面刮板输送机中部槽上的导轨往复刨削煤 岩 ， 刨落煤岩在刨头犁铲式装煤机构作用下装入输 送机运出 。 由于煤岩刨削过程极为复杂 ， 且刨煤机 井下运行离不开电力的消耗 ， 本文对刨煤机井下开 采电力消耗过程进行了适当简化 ， 认为刨煤机开采 过程中的电力消耗主要包括刨头系统煤岩刨削（仅 考虑锐利刨刀刨削力的影响 ， 忽略煤岩刨削刨刀磨 损所致刨削负载的变化）、刨刀刨削煤岩温升变化 （仅考虑刨刀截割过程中与煤岩摩擦生热）、 刨煤机 沿煤岩采面移动（仅考虑刨链牵引刨头沿煤岩采面 移动 、 液压支架推移千斤顶推移输送机移动过程）、 刨落煤岩推移与运输（仅考虑将刨落煤岩推移至刮 板输送机 、 刮板输送机运输刨落煤岩过程）和其他辅 助设备（照明系统 、 水雾降尘系统 、 信号系统 、 通讯与 控制系统等）的供电消耗 ， 则刨煤机电力消耗总能量 E ＝ Eplow＋ Etemp＋ Emoving＋ Etransport＋ Eothers。（１） 式中 E为刨煤机机组运行总能耗（单位 J） ；Eplow为 刨头刨削煤岩能耗 ； Etemp为煤岩刨削温升耗散能量 ； Emoving为刨煤机机组沿煤岩采面移动能耗 ；Etransport为 刨落煤岩推移与运输能耗 ；Eothers为煤岩刨削辅助系 统能耗 。 ２９３ 万方数据 第 ２ 期郭辰光 等 薄煤层煤岩刨削比能耗优化模型 （１）刨头刨削煤岩能耗模型 刨头刨削煤岩能耗模型如下 Eplow＝ FplowLplow。（２） 式中 Fplow为迎煤侧刨刀所受的煤岩刨削力之和 ［１０］ （单位 N） ； Lplow为刨头刨削煤岩距离（单位 m）。 Fplow＝ nZFZ。（３） 式中 nZ为刨刀数目 ，FZ为单把刨刀所受的煤岩刨 削力 ［１１］ （单位 N）。 nZ＝ １ ０００ H t ＋ １ 。 （４） 式中 H 为工作面煤层采高（单位 m） ；t 为刨刀间 距（单位 mm）。 FZ＝ FZ０＋ fZY 。（５） 式中 FZ０为单把锐利刨刀的刨削力（单位 N） ；fZ 为截割阻抗系数 ； Y 为单把刨刀的煤岩挤压力（单 位 N）。 FZ０＝ １.１A ０.０３５bp＋ ０.３ （bp＋ htanφ）k６ htpk１k２k３k４k５ １ cosβ。 （６） 式中 A 为煤的抗截强度（单位 N／mm） ； bp为刨刀 工作部分的计算宽度（单位 mm） ；h 为刨煤机截深 （单位 mm） ；φ为截槽侧面崩落角（单位 （）） ； tp为 刨槽宽度（单位 mm） ；k１为外露自由表面系数 ；k２ 为截角的影响系数 ；k３为刨刀前刃面形状系数 ；k４ 为刨刀排列方式系数 ；k５为地压系数 ； k６为煤岩脆 塑性系数 ；β为刨刀相对刨头牵引方向的安装角度 （单位 （））。 Y ＝ kn（１ ＋ １.８SZ）FZ０。（７） 式中 kn为煤壁挤压力与锐利刨刀刨削力的比值 ； SZ为刨刀磨损台面在截割平面上的平均计算投影 面积 ［１２］ （单位 m ２ ）。 则 Fplow＝ nZFZ＝ nZ（FZ０＋ fZY） ＝ nZ［FZ０ ＋ fZkn（１ ＋ １.８SZ）FZ０］ ＝ nZ［FZ０ （１ ＋ fZkn＋ １.８ fZknSZ）］ ＝ １ ０００ H t ＋ １ １.１A ０.０３５bp＋ ０.３ （bp＋ htanφ）k６ htpk１k２k３k４k５ １ cosβ（１ ＋ f Zkn＋ １.８ fZknSZ） 。 （８） 结合式（２）～ 式（８） ， 刨头刨削煤岩能耗模型可 表示为 Eplow＝ １ ０００ H t ＋ １ １.１A ０.０３５bp＋ ０.３ （bp＋ htanφ）k６ htpk１k２k３k４k５ １ cosβ（１ ＋ f Zkn＋ １.８ fZknSZ） Lplow。 （９） （２）刨刀刨削煤岩温升能耗模型 刨刀沿煤壁刨削过程中 ， 由于刀具与煤岩之间 接触摩擦 ， 煤岩发生挤压变形 ， 将释放大量的截割 热 ［１３］ ， 并传达至刀体 ， 令 Etemp为刨刀刨削煤岩温升 能耗 ， Etemp＝ CbmbΔ T 。（１０） 式中 Cb为刨刀比热容（单位 J （kg K） － １ ） ；mb 为刨刀质量（单位 kg） ； Δ T 为刨刀温升（单位 K）。 目前 ， 国内外开展刀具 煤岩截割作用温度 分布特性的研究普遍较少 ［１４］ ， 尤其在总结和整理 与刀具截割煤岩相关的理论公式方面 ， 已公开的 ３９３ 万方数据 计算机集成制造系统第 ２５ 卷 研究资料非常有限 。 １９８９ 年 ， Glowka ［１５］ 发表了岩 石截割过程中温度场问题的研究 ， 首次详细评述 并给出了岩石 刀具界面热场传递方程 ； ２０１２ 年 ， 学者 Che 等 ［１４］从金属切削的角度系统研究了金刚 石刀具与岩石的相互作用 ， 认为 Glowka 给出的模 型仅可用于岩 刀界面平均温度的理论分析 ， 该 模型应借鉴金属切削领域知识给予修订 。 然而 ， 金属切削温度理论模型建立的根本目标是提升加 工表面的表面质量 ， 且普遍认为金属切削材料为 连续介质 ， 而煤岩截割过程中 ， 由于煤岩脆性断裂 等岩石自身属性问题 ， 其截割过程影响因素复杂 ， 不能简单地理解为连续性切削过程 。 由于符合工 况实际的岩 刀界面温度理论解析模型构建困 难 ， 在金属切削研究领域中被广泛使用的经验公 式法 ［１６］成为煤岩截割过程温度场公式构建的有效 手段 。 因此 ， 本文基于实际实验测定 ， 构建了刨刀 温升经验公式模型 ， 刨刀截割温度可由实验数据 拟合如下经验公式获得 Δ T ＝ CTv uT ph vT t wT ＋ ２７３ 。（１１） 式中 CT为煤岩截割温升系数 ；uT为截割速度 vp 对温升影响程度指数 ； vT为截深 h 对温升影响程度 指数 ； wT为刨刀间距 t 对温升影响程度指数 。 结合 式（１０）～ 式（１１） ， 截齿刨削煤岩温升能量耗损 Etemp＝ Cbmb（CTv uT ph vT t wT ＋ ２７３）。（１２） （３）刨煤机机组沿煤岩采面移动的能耗模型 刨煤机机组沿煤岩采面移动的能耗模型为 Emoving ＝ E ′moving ＋ E ″moving。（１３） 式中 E′moving为刨链牵引刨头沿煤岩采面移动的能 耗 ； E″moving为沿截深方向液压支架推移千斤顶推移 输送机能耗 。 E′moving＝ TplowLplow。（１４） 式中 Tplow为刨链负载 ［１０］ （单位 N） ， 是指在不考虑 刨头所受刨削力 Fplow的情况下 ， 刨链在刨削煤岩过 程中沿煤岩采面牵引刨头往复移动的载荷 ， Tplow＝ Td ＋ S a＋ Ty＋ Fu＋ Fc＋ Fub。 （１５） 式中 Td为刨链转动惯量引起的动负荷（单位 N） ； Sa为刨链不均匀运动引起的动负荷（单位 N） ；Ty 为刨链在链轮上运行撞击引起的动负荷 ［１０］ （单位 N） ， Ty＝ πnz ６０ qls yE １ ８００ １０ ３。 （１６） 式中 nz为链轮转速（单位 r／min） ； q 为刨链每米质 量（单位 kg／m） ； l 为刨链长度（单位 m） ； sy为刨链 链环横截面积 ［１７］ （单位 m ２ ） ；E 为刨链材料弹性模 量（单位 MPa）。 Fu为刨刀与煤壁之间的摩擦力 （单位 N） ， Fu＝ μuFX。 （１７） 式中 μu为刨刀与煤壁之间的摩擦系数 ；FX为刨刀 侧向力（单位 N） ，FX＝ KxFZ，Kx为侧向力系数 。 Fc为刨链与导向架链道间的摩擦力（单位 N） ， Fc＝ ２μcqgl 。（１８） 式中 μc为刨链与导向架链道之间的摩擦系数 ；g 为 重力加速度（单位 m／s ２ ）。 Fub为刨头重力引起的摩 擦力（单位 N） ， Fub＝ μubm plowg。 （１９） 式中 μub为刨头与滑架之间的摩擦系数 ；m plow 为刨 头系统质量（单位 kg）。 液压支架推移千斤顶用于刨头系统沿煤岩截深 方向推移前进 ， 仅当推移千斤顶输出的推力大于推 移输送机产生的阻力时 ， 才可推移输送机并保证刨 头沿煤岩采面以一定截深刨削煤岩 。 沿截深方向液 压支架推移千斤顶推移输送机能耗 E″moving ＝ Fpush h １０ －３ 。（２０） 式中 Fpush为液压支架推移千斤顶推力（单位 N）。 结合式（１３）～ 式（２０） ， 刨煤机机组沿煤岩采面 移动能耗模型可表示为 Emoving＝ （Td＋ Sa＋ πnz ６０ qls yE １８００ １０ ３＋ μuKxFZ＋ ２μcqgl ＋μubmplow g）Lplow ＋ Fpushh １０ －３ 。（２１） （４）刨落煤岩推移与运输能耗模型 刨落煤岩推移与运输能耗模型为 Etransport＝ E′transport＋ E″transport。（２２） 式中 E′transport为刨落煤岩推移至刮板输送机能耗 ； E″transport为刮板输送机运输刨落煤岩能耗 。 E′transport＝ PΓHo。（２３） 式中 PΓ为刨落煤岩经刨煤机犁铲式装煤机构推移 煤堆至输送机装煤口所作用的装煤力 ［１０‐１２］ （单位 N） ；Ho为装煤口高度（单位 m）。 定义刨落煤岩经 犁铲式装煤机构推移煤堆至输送机装煤口为连续过 程 ， 不考虑刨落煤岩块度 、煤岩推移滑落过程的影 响 ， 仅将装煤口高度 Ho作为装煤运移距离 ， 忽略 PΓ中各分力对煤岩运移距离的影响 ， PΓ＝ P１＋ P２＋ P３＋ P４＋ P５。（２４） 式中 P１为刨头装载面插入煤堆中所需要的力（单 位 N） ， ４９３ 万方数据 第 ２ 期郭辰光 等 薄煤层煤岩刨削比能耗优化模型 P１＝ kbd。（２５） 式中 bd为刨头装载面宽度（单位 m） ；k 为刨头装 载斜面单位宽度上的插入力（单位 N／m）。 P２为煤堆从刨头装载斜面移动到装载高度所 需要的力（单位 N） ， P２ ＝ G f ＋ tgδ１ １ － ftgδ１ 。（２６） 式中 G 为位于刨头装载斜面上且低于装载高度煤 堆的重力 ［１０‐１１］ （单位 N） ；f 为煤与刨头装载斜面 的摩擦系数 ；δ１为刨头装载斜面的倾斜角度 ，δ１ ≤ ６０。 G ＝γ gh（Hmin－ Hcmin＋ Hn）Hnctg δ１。 （２７） 式中 γ为煤的实体密度（单位 t／m ３ ） ；Hmin为煤层 的最低高度（单位 m） ；Hcmin为刨头基体的最低高度 （单位 m） ；Hn为刨头装载表面高度（单位 m）。 P３为刨头提升煤堆的力 ［１０‐１１］ ， P３＝ G′ f cosδ２＋ sinδ２ ［cos（δ２－δ１） － fsin（δ２－δ１）］cosδ１ 。 （２８） 式中 G′为位于装载表面且超过装载高度部分煤堆 的重力（单位 N） ；δ２为刨头装载斜面高位处的倾 角 ，δ２≤ ７５。 G′＝γ ghb d（Hcmin－ Hn＋ bdtg φ０）cosρ。（２９） 式中 φ０为破碎煤岩的自然安息角（单位（）） ；ρ为 输送机装煤斜面与工作面形成的角度 ，ρ≤ ６０。 P４为煤堆被推送到输送机上所需要的力 ［１０‐１１］ （单位 N） ， P４ ＝ G ″ kpf′ cosρ－ fsinρ。 （３０） 式中 G″为输送机移动煤堆的重力（单位 N） ；kp为 刨头工作方式影响系数 ；f′为煤与煤之间的摩擦 系数 。 G″＝γ ghb d ２ tgφ０cosρ。（３１） P５为煤堆内摩擦力 ［１０‐１１］ （单位 N） ， P５＝ ２ Hnbd sin ２θ １０ ６ ψo＋μγg Hwsin（δ１＋θ）cosθ ２sinδ１ 。 （３２） 式中 ψo为煤堆的抗截强度（单位 MPa） ；μ为煤的 内摩擦系数 ；Hw为刨头前煤堆高度（单位 m） ；θ为 沿煤堆挤出楔滑移面与底板间夹角（单位 （））。 Hw＝ Hn＋ bdtg φ０。 （３３） 刮板输送机运输刨落煤岩能耗 E″transport＝ ３.６ １０ ６ PtransportTtransport。（３４） 式中 Ptransport为刮板运输机运煤平均功率（单位 kW） ， Ptransport＝ ０.６P ２ t２ ＋ P t２Pt３ ＋ P ２ t３。（３５） 式中 Pt２为输送机空载时的功率（单位 kW） ；Pt３为 输送机重载时的功率（单位 kW）。 Ttransport为刮板运输机运煤时间（单位 h） ， Ttransport＝ lt ３ ６００vt 。（３６） 式中 lt为刮板输送机长度（单位 m） ；vt为刮板输 送机链速（单位 m／s）。 由此可得 E″transport＝ ６００ lt vt Pt２ ２ ＋ Pt２Pt３＋ Pt３ ２ 。（３７） 结合式（２２）～ 式（３７） ， 刨落煤岩推移与运输能 耗模型可表示为 Etransport＝kbd＋γgh（Hmin－ Hcmin＋ Hn）Hnctgδ１ f ＋ tgδ１ １ － ftgδ１ ＋ γ ghb d（Hcmin－ Hn＋ bdtgφ０）cosρ（fcosδ２＋ sinδ２） ［cos（δ２－δ１） － fsin（δ２－δ１）］cosδ１ ＋ γ ghb d ２ tgφ０cosρ k′pf cosρ－ fsinρ ＋ ２ Hnbd sin２θ １０ ６ ψo＋ μγg （Hn ＋ b dtgφ０）sin（δ１＋θ）cosθ ２sinδ１ Ho＋ ６００ lt vt Pt２ ２ ＋ P t２Pt３ ＋ P t３ ２ 。（３８） （５）煤岩刨削辅助系统能耗模型 煤岩刨削辅助系统能耗模型为 Eothers＝ E fi ＋ Eae。 （３９） 式中 E fi 为刨头切口空载运行能耗（单位 J） ，E fi 是 指刨头在采面两端头切口处刨速由 vp降至 ０ 或由 ０ 升至 vp的能量损耗 ， E fi ＝ ０.５mplowvp ２ n fi 。（４０） 式中 n fi 为刨头单次通过切口的次数 。 Eae为辅助设 备（照明系统 、 水雾降尘系统 、 信号系统 、 通讯与控制 系统等）能耗（单位 J）。 结合式（３９）和式（４０） ， 煤岩刨削辅助系统能耗 模型为 Eothers＝ ０.５mplowv ２ pn fi ＋ Eae。（４１） （６）煤岩刨削比能耗模型 煤岩刨削比能耗是指刨削单位体积煤岩所做的 功 ， 则煤岩刨削比能耗模型为 Uw＝ E V 。（４２） 式中 Uw为刨削比能耗（单位 J／m ３ ） ； V 为刨削煤 ５９３ 万方数据 计算机集成制造系统第 ２５ 卷 岩体积（单位 m ３ ）。 综上所述 ， 本文以薄煤层开采煤岩刨削比能耗 模型最小为目标函数建立的优化目标函数数学模 型为 minF（X） ＝ Uw＝ E V ＝ １ ０００E HhLplow 。（４３） 1.2 优化变量 煤岩刨削过程中 ， 刨头刨削速度 vp、煤岩截割 深度 h与刨刀间距 t 是影响刨煤机综采工艺运行的 关键的参 数 ，因此本文的优 化 设 计 变 量 为 X ＝ ［vp， h ， t］ T 。 1.3 约束条件 （１）刨刀悬伸外露长度约束 每次刨削走刀时 ， 煤岩截深 h 应小于刨刀悬伸外露于刀座的长度 lp （单位 mm） ， 即 ０ ≤ h ≤ lp。 （２）煤岩刨削工艺参数约束 根据现有煤层特 性 、 刨煤机系统结构与加工能力要求 ， 需对刨头的刨 削速度 vp、 煤岩截割深度 h与刨刀间距 t 进行约束 限定 ， 以保证设备运行的安全性与稳定性 ， 即 vmin≤ vp≤ vmax hmin≤ h ≤ hmax tmin≤ t ≤ tmax 。 （３）刨刀寿命约束 刨刀运行过程中 ， 其寿命 Tk应高于刀具额定寿命值 Tlif e（单位 s）。 研究发 现 ［１８］ ， 当截齿沿采面往复刨削 １００ km 时 ， 刀体出现 快速磨损 ， 因此刨刀寿命需满足 Tk＝ １００ １０ ３ vp ≥ Tlife。 （４）刨链拉力约束 刨链拖拽过程中 ， 其负载值 应小于圆环刨链额定破断负荷 Ff（单位 N） ， 即 Tplow＋ Fplow≤ Ff。 （５）工作面刮板输送机输送能力约束 刨煤机 实际生产能力 Q 应当小于刮板输送机破碎煤岩的 运送能力 Qt（单位 t／h） ， 即 Q ＝ ３.６hγHvp≤ Qt。 2 自然选择粒子群智能优化 2.1 粒子群算法 粒子群优化 （Particle Swarm Optimization ， PSO）算法 ［１９‐２０］首先在问题可行解的 D 维空间随机 初始化种群 Y ＝ （y１ ， y ２，⋯ ， yN） ， 所有粒子的种群规 模为 N ， 第 i 个粒子的位置 、 速度 、个体最优位置分 别表示为 yi＝ （y １ i ， y ２ i，⋯ ， y D i） ， vi＝ （v １ i， v ２ i，⋯ ， v D i） ， pBesti ＝ （p １ i ， p ２ i，⋯ ， p D i） ， 种群当前的全局最优位置 表示为 gBest＝ （p １ g ，p ２ g ，⋯ ， p D g）。 对于第 k 次迭代 ， 当找寻到个体最优 pBesti与全局最优 gBest 后 ， 在 第 d（１ ≤ d ≤ D）维中第 i 个粒子的位置和速度按式 （４４）和式（４５）更新 v d i＝ω v d i ＋ c １ r １ （p d i－ y d i） ＋ c２ r ２ （p d g－ y d i） ；（４４） y d i＝ y d i ＋ v d i。（４５） 式中 １ ≤ i ≤ N ；ω为惯性权重因子 ； c１， c２为加速系 数 ； r１， r２为服从 U（０ ， １）的随机数 ；p d i ，p d g分别为粒 子 i 个体最优位置 pBesti和全局最优位置 gBest 的 第 d 个分量 ； v d i表示在第 k 代 ， 粒子 i 的速度 vi的 第 d 个分量 ， v d i∈ ［vmin ，d， vmax ，d］ ， 且粒子更新过程中 如果超过边界则取为边界值 。 2.2 自适应自然选择粒子群算法 在 PSO 算法进化中后期收敛速度变慢 ， 局部搜 索能力减弱 ， 易过早陷入早熟 ［２１‐２３］ 。 遗传算法（Ge‐ netic Algorithm ， GA） ［２４‐２５］ 建立在自然选择与自然 遗传机制的基础上 ， 是一种迭代自适应概率性进化 算法 ， 包括选择 、 交叉 、 变异 ３ 种基本操作 ， 选择操作 依据各粒子对应适应度函数值的大小进行选择 ， 适 应度值越大的粒子被选中的几率越大 ， 充分体现了 自然界优胜劣汰法则 。 ASelPSO 算法在 PSO 算法中引入 GA 的自然 选择操作 ， 每次迭代过程中将粒子群按照适应度 函数值排序 ， 用群体中最好的一半粒子的速度和 位置替代最差的一半粒子的速度与位置 ， 同时保 留原有个体的历史最优解 ， 这种操作可以提高粒 子群整体的平均适应度值 ， 有利于全局最优解快 速收敛 。 本文在基本 ASelPSO 算法基础上进行了 适当改进 ， 引入非线性动态惯性权重系数实现算 法惯性权重的更新操作 ， 平衡算法局部搜索能力 和局部改良能力 ， 加快算法收敛速度 。 算法具体 步骤如下 步骤 1 随机初始化种群中粒子的位置 y k i与 速度 v k i。 设定粒子群规模 N 、 惯性权重ω、 加速系数 c１和 c２、粒子速度边界［vmin，vmax］。 对种群中粒子 的位置 y k i与速度 v k i随机初始化 ， 其中 i 表示粒子 群中的第 i 个粒子 ， 且 １ ≤ i≤ N ， 评估初始粒子的适 应度函数值 P（ζ）。 步骤 2 评价每个粒子的适应度函数值 P （ζ） k i， 获取每个粒子和种群全局的最优位置 pBest k i ６９３ 万方数据 第 ２ 期郭辰光 等 薄煤层煤岩刨削比能耗优化模型 与 gBest k ， 将当前各粒子的位置 y k i和适应度函数值 P （ζ） k i存储在各粒子的 pBest k i中 ， 将所有 pBest k i 中适应度函数值最优个体的位置和适应值存储在 gBest k 中 。 步骤 3 采用非线性动态惯性权重系数公式更 新惯性权重ω， ω＝ ωmin－ （ωmax－ωmin）（P － Pmin） Pavg－ Pmin ，P ≤ Pavg； ωmax，P ＞ Pavg。 式中 ωmax，ωmin分别表示ω的最大值和最小值 ；P 即 P （ζ）i， 为粒子当前的目标函数值 ；Pavg与 Pmin分 别表示当前所有粒子的平均目标值和最小目 标值 。 步骤 4 更新每个粒子的速度 y k＋ １ i与位置 v k＋ １ i。 将每个粒子的适应度函数值 P （ζ） k＋ １ i与其经 历过的最好位置进行比较 ， 若较好 ， 则将其作为全局 最优位置 gBest k＋ １ ， 更新 gBest k＋ １ 。 步骤 5 将整个粒子群按照适应值排序 ， 用群 体中最好的一半粒子的速度与位置替换最差的一 半粒子的位置与速度 ， 保持 pBest k＋ １ i与 gBest k＋ １ 不变 。 步骤 6 若算法满足终止条件 ， 则停止 ， 并输出 全局最优位置 gBest k＋ １ ； 否则 k＝ k＋ １ ， 返回步骤 ３ 。 3 优化实例 3.1 基本参数 以某薄煤层综采面煤岩特性为参照 ， 设定煤岩 刨削综采工作面总长为 １８０ m ， 且采面两端头分别 开切 ６ m 的端口 ， 则采面煤岩刨削距离 Lplow＝ １６８ m ， 煤岩采高 H ＝ １.３ m ， 煤岩抗截强度 A ＝ １５０ N／ mm 。 刨煤机系统煤岩刨削能耗特性参数如表 １ 所 示 ， 刨削约束参数如表 ２ 所示 。 表 1 刨煤机煤岩刨削特性参数 bp φ fZtpk１构k２|k３k４ k５排k６垐 β ２５灋６０u０�耨.４９０�１亖w.２０D .９１0１篌０x n.６７０; 1.８５０ knSZTdSanzqlsyE μu Kx ０L B.４５１8 ..２８７０M２ １５０2４０亖w.２６２２X N.７３６０Y０ 棗.０９１２\ R.１E５０P F.３０ �.２ μcμub mplowF push CbmbCTuTvTwTHo ０L B.４６０ .２４７ ６００o１y o.９４ E５４７７佑３D .５０技 膊.１８１ ３０�u.４８５ ３０B 8.６９８ ００ �.７６６ ９０眄沣.２１ bdkfδ１趑γHminHcminHnδ２妹 φ０ 妸 ρ ０7 -.６２５５ ４００�０�耨.５６０�１l b.３５１D .３１ �.１０适览.５７５适３５崓６０ kpf′ ψoμ θPt２Pt３ltvtEaen fi １ V.１０8 ..４０乙 热.０２５０揪创.５４８揪８０亖２７５Y２００ １崓儍.３２２ .３２ E６２ 表 2 刨煤机煤岩刨削约束参数 lpvminvmaxhminhmaxtmintmaxFfQtTlife １０７ ０ V.４２３k１０L２００.５０骀１１０热１1 .６１ １０６１ ２００帋６ E４拻 3.2 仿真结果分析 本文采用 MATLAB 软件分别完成标准 PSO 算法 、 自然选择粒子群优化（natural Selection Parti‐ cle SwarmOptimization ， SeLPSO ） 算 法 ［２６］ 和 ASelPSO 算法的编制 ， 完成薄煤层开采煤岩刨削工 艺参数优化模型的求解 。 各算法种群规模大小 N ＝ １００ ， 迭代次数为 １ ０００ ； PSO 算法与 SelPSO 算法 惯性权重ω＝ ０.７ ， ASelPSO 算法惯性权重ωmax＝ ０.９ ，ωmin＝ ０.４ ； 学习因子 c１＝ c２＝ ２ 。 采用各算法求 解运算的迭代过程如图 ２ 所示 ， 由图可知 ， 本文给出 的 ASelPSO 算法收敛速度最快 ， PSO 算法的平均 适应度函数值为 ３.２５２ １０ ６ 、SelPSO 算法的平均 适应度函数值为 ３.０６５ １０ ６ ， ASelPSO 算法的各次 迭代