基于BP神经网络的煤层硬度多等级识别方法.pdf

收稿日期 ２０１７ －０３ －２０ 基金项目 国家重点基础研究发展计划项目２０１４ＣＢ０４６３０４. 作者简介 刘永刚１９８２ － ,男,重庆人,重庆大学副教授,博士; 秦大同１９５６ － ,男,重庆人,重庆大学教授. 第３９卷第８期 ２０１８ 年 ８ 月 东北 大 学 学 报 自 然 科 学 版 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅａｓｔｅｒｎ ＵｎｉｖｅｒｓｉｔｙＮａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｖｏｌ. ３９,Ｎｏ. ８ Ａｕｇ.２ ０ １ ８ ｄｏｉ １０.１２０６８/ ｊ. ｉｓｓｎ.１００５ －３０２６.２０１８.０８.０２０ 基于 ＢＰ 神经网络的煤层硬度多等级识别方法 刘永刚１,２, 侯立良２, 秦大同１,２, 胡明辉１,２ １. 重庆大学 机械传动国家重点实验室, 重庆 ４０００４４; ２. 重庆大学 汽车工程学院, 重庆 ４０００４４ 摘 要 针对煤层硬度识别方面存在的问题,提出一种基于 ＢＰ 神经网络算法的煤层硬度多等级识别方 法,将煤层硬度划分为 ６ 个等级进行识别. 以采煤机截割电机和牵引电机的定子电流信号及调高油缸压力信 号作为识别信号,利用小波包分解提取各个信号的特征量,并将其作为神经网络的输入样本进行训练和测试. 经过实验,在仿真数据条件下本文提出的煤层硬度多等级识别方法对硬度等级的识别准确率为 ９６. ７％ ,在实 机数据条件下识别准确率为 ９３. ３％ ,验证了该煤层硬度识别方法的有效性,为采煤机自适应截割过程煤层硬 度高精度识别奠定了理论基础. 关 键 词 滚筒式采煤机;截割阻抗;煤层硬度识别;小波包分解;ＢＰ 神经网络;特征量 中图分类号 ＴＤ ４２１ 文献标志码 Ａ 文章编号 １００５ －３０２６２０１８０８ －１１６３ －０６ Ｃｏａｌ Ｓｅａｍ Ｈａｒｄｎｅｓｓ Ｈｉｅｒａｒｃｈｉｃａｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＬＩＵ Ｙｏｎｇ-ｇａｎｇ１,２, ＨＯＵ Ｌｉ-ｌｉａｎｇ２, ＱＩＮ Ｄａ-ｔｏｎｇ１,２, ＨＵ Ｍｉｎｇ-ｈｕｉ１,２ １.Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｔｒａｎｓｍｉｓｓｉｏｎ, Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ, Ｃｈｏｎｇｑｉｎｇ ４０００４４, Ｃｈｉｎａ; ２. Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅｅｒｉｎｇ, Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ, Ｃｈｏｎｇｑｉｎｇ ４０００４４, Ｃｈｉｎａ. Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ ＬＩＵ Ｙｏｎｇ-ｇａｎｇ, Ｅ-ｍａｉｌ ａｎｄｙｌｉｕｙｇ＠ ｃｑｕ. ｅｄｕ. ｃｎ Ａｂｓｔｒａｃｔ Ａ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｈｉｅｒａｒｃｈｉｃａｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ, ｗｈｉｃｈ ｄｉｖｉｄｅｓ ｔｈｅ ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｉｎｔｏ ｓｉｘ ｌｅｖｅｌｓ, ｗａｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｉｄｅｎｔｉｆｙｉｎｇ ｔｈｅ ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ. Ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｉｇｎａｌｓ ｗｅｒｅ ｔａｋｅｎ ｆｒｏｍ ｔｈｅ ｓｔａｔｏｒ ｃｕｒｒｅｎｔｓ ｏｆ ｂｏｔｈ ｔｈｅ ｃｕｔｔｉｎｇ ｍｏｔｏｒ ａｎｄ ｔｈｅ ｔｒａｃｔｉｏｎ ｍｏｔｏｒ ｏｆ ｔｈｅ ｍｉｎｉｎｇ ｍａｃｈｉｎｅ, ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｐｒｅｓｓｕｒｅ ｓｉｇｎａｌ ｏｆ ｔｈｅ ｈｅｉｇｈｔ ａｄｊｕｓｔｍｅｎｔ ｃｙｌｉｎｄｅｒ. Ｔｈｅ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｗａｓ ｕｓｅｄ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｅａｃｈ ｓｉｇｎａｌ, ａｎｄ ｔｈｅｓｅ ｓｉｇｎａｌｓ ｗｅｒｅ ｔａｋｅｎ ａｓ ｔｈｅ ｉｎｐｕｔ ｓｉｇｎａｌｓ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ.Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｒｅａｃｈｅｓ ９６. ７％ ａｎｄ ９３. ３％ ｔｏｗａｒｄ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ ａｎｄ ｔｈｅ ｒｅａｌ ｄａｔａ, ｒｅｓｐｅｃｔｉｖｅｌｙ, ｖａｌｉｄａｔｉｎｇ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ. Ｔｈｅ ｍｅｔｈｏｄ ｐｒｏｐｏｓｅｄ ｐｒｏｖｉｄｅｓ ｔｈｅ ｆｏｕｎｄａｔｉｏｎ ｆｏｒ ｐｒｅｃｉｓｅｌｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ. Ｋｅｙ ｗｏｒｄｓ ｄｒｕｍ ｓｈｅａｒｅｒ; ｃｕｔｔｉｎｇ ｉｍｐｅｄａｎｃｅ; ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ; ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ; ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ; ｆｅａｔｕｒｅ ｖｅｃｔｏｒ 实现采煤机无人自适应变速截割是采煤机发 展的必然趋势,而解决采煤机变速截割的首要问 题就是实现对煤层硬度的自动识别. 当前的采煤机硬度识别技术主要集中在对煤 岩界面的识别上,即通过煤岩硬度的不同来识别 煤岩界面. 如王育龙[１]通过对截割部电流特性 进行分析,提出一种基于电流的煤岩界面识别方 法;李朋真[２]研究了基于振动信号和噪声信号的 采煤机煤岩界面识别及控制方法; Ｒｅｎ 等[３]研究 了基于多传感器信息融合的煤岩界面识别方法; Ｘｕ 等[４]提出了基于梅尔频率倒谱系数ＭＦＣＣ 和 ＢＰ 神经网络的煤岩界面识别方法;Ａｓｆａｈａｎｉ 等[５]提出利用低活性频谱 γ 射线记录技术划定 煤岩界面的方法. 针对煤层硬度的多等级识别,国 内外研究相对较少,王伟等[６]研究了基于 ＲＢＦ 神 经网络技术的岩巷掘进机煤岩硬度识别方法. 万方数据 实现对煤层硬度的多等级识别需解决两个 问题 １ 硬度需要在特定的实验环境下进行测试, 没有传感器可以直接在截割过程中进行测量,需 通过其他信号的变化间接反映硬度的变化. ２ 实现间接参数与硬度的一一对应难度较 大,变速截割也不需要获得硬度的具体数值,只需 获得硬度的大致范围即可,因此需对硬度进行等 级划分与识别. 为了实现在滚筒式采煤机上的煤层硬度的多 等级识别,本文提出一种基于 ＢＰ 神经网络算法 的煤层硬度识别方法. 选择截割电机和牵引电机 的定子电流信号及调高油压信号作为识别参数; 利用小波包分解提取各个信号的特征值,并通过 神经网络算法实现对煤层硬度的识别;最后对识 别算法进行实验验证,验证了本文提出的煤层硬 度识别方法的有效性. １ 硬度等级划分与识别参数选择 １. １ 煤层硬度按截割阻抗划分 截割阻抗是表征煤层硬度机械特性的重要参 数,煤层硬度可按截割阻抗进行划分. 截割阻抗 Ａ ≤１８０ ｋＮ/ ｍ 的煤为软煤,Ａ ＝ １８０ ２４０ ｋＮ/ ｍ 的煤为中硬煤,Ａ ＝ ２４０ ３６０ ｋＮ/ ｍ 的煤为硬 煤[７]. 将煤层硬度划分为 ３ 个等级不能满足变速 截割精度的要求,需进一步划分等级范围. 以生产率、块煤率、截割比能耗为评价性能指 标所得到的各截割阻抗下的采煤机最优牵引速度 和截割转速[８]如图１ 所示. 可以看出,当截割阻抗 处于区间[ ８０,２００ ]时,牵引速度和滚筒转速变 化较为剧烈,其余部分变化则较为缓慢,在进行硬 度等级划分时应考虑到这种变化. 图 １ 最优牵引速度和滚筒转速 Ｆｉｇ. １ Ｏｐｔｉｍａｌ ｈａｕｌａｇｅ ｓｐｅｅｄ ａｎｄ ｄｒｕｍ ｒｅｖｏｌｕｔｉｏｎ ｓｐｅｅｄ 在等级划分过程中,如果划分的等级过少将 无法满足变速截割对识别精度的要求;划分过多 又将导致识别准确率的下降,同时,等级划分过多 还可能导致采煤机频繁变速,影响采煤机工作稳 定性. 综合考虑上述因素,本文提出一种变间距的 煤层硬度划分方式,将煤层硬度按截割阻抗的大 小划分为 ６ 段,如表 １ 所示. 表 １ 煤层硬度等级按截割阻抗划分 Ｔａｂｌｅ １ Ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｄｉｖｉｄｅｄ ｂｙ ｃｕｔｔｉｎｇ ｉｍｐｅｄａｎｃｅ 硬度等级 截割阻抗 ｋＮ ｍ －１ 硬度等级 截割阻抗 ｋＮ ｍ －１ Ⅰ０ ８０Ⅳ１６０ ２００ Ⅱ８０ １２０Ⅴ２００ ２８０ Ⅲ１２０ １６０Ⅵ２８０ ３６０ １. ２ 参数选择 煤层硬度等级识别精度直接影响后续采煤机 变速截割的精确性. 为了达到较好的识别准确性 和通用性,所选参数必须能够根据煤层硬度的变 化而变化且不易受其他干扰因素影响. 通过对比 分析现有采煤机可得的参数,在稳定的截割条件 下,符合条件的参数有电流、振动、扭转振动和油 缸压力 ４ 种信号. 在采煤机型号已定的情况下,这 些参数的变化只与硬度变化相关,各种截割条件 下信号衰减也较小. 但是,上述电流、振动、扭转振动和油缸压力 ４ 种信号也存在固有缺陷,４ 种备选参数的优缺点 如表 ２ 所示. 表 ２ ４ 种参数的优缺点 Ｔａｂｌｅ ２ Ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ ｏｆ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ｐａｒａｍｅｔｅｒｓ 参数优点缺点 电流信号较易获得,处理简单有一定的延迟 振动响应较快,较易获得杂波较多,处理复杂 扭转振动响应较快不易获得,干扰较多 油缸压力信号易获得,处理简单有一定延迟 由表 ２ 及经验可知,振动信号和扭转振动信 号虽然响应较快,但易受采煤机机械结构振动的 干扰,影响因素较多,处理起来较为复杂;煤层硬 度的变化要经过传动系统的反馈才会作用到电机 和油缸上,因此电流和油缸压力两种信号对硬度 变化的响应存在一定的延迟. 但是,为了保证识别 准确性,防止误判,煤层硬度识别一般不需要较快 的响应速度. 因此,通过对各项参数的比较,最终 选择电流和油缸压力作为控制参数,其中电流信 号包括截割电机定子电流和牵引电机定子电流. ４６１１东北大学学报自然科学版 第 ３９ 卷 万方数据 ２ 数据获取与处理 ２. １ 模型建立与数据获取 为了获取所需电流与压力数据,根据对采煤 机滚筒和整机的载荷分析及其运动学分析,利用 ＭＡＴＬＡＢ/ Ｓｉｍｕｌｉｎｋ 工具建立了滚筒采煤机截割 系统的仿真模型,主要参数见表 ３. 表 ３ 采煤机仿真模型主要参数 Ｔａｂｌｅ ３ Ｍａｉｎ ｐａｒａｍｅｔｅｒｓ ｏｆ ｓｈｅａｒｅｒ ｓｉｍｕｌａｔｉｏｎ ｍｏｄｅｌ 名称主要参数 滚筒 顺序式,双头,直径 １ ６００ ｍｍ,叶片升角 ２０, 崩落角 ６０ 传动比牵引部１９８,截割部３８ 牵引电机５０ ｋＷ,３８０ Ｖ,交流变频调速 截割电机３００ ｋＷ,１ １４０ Ｖ,交流变频调速 将模型在牵引速度 ｖｑ＝ ３. ６ ｍ/ ｓ,截割转速 ｎ ＝３１ ｒ/ ｍｉｎ,截割阻抗不同的条件下运行,获得 了不同截割阻抗下的电流与油缸压力数据,模拟 实验共进行了 １２ 次,具体数据见表 ４. 表 ４ 采煤机仿真数据表 Ｔａｂｌｅ ４ Ｓｉｍｕｌａｔｉｏｎ ｄａｔａ ｏｆ ｔｈｅ ｍｏｄｅｌ 硬度 等级 截割阻抗 ｋＮ ｍ －１ 数据 组数 硬度 等级 截割阻抗 ｋＮ ｍ －１ 数据 组数 Ⅰ ２５５０ Ⅳ １７５５０ ５５５０１８５５０ Ⅱ ９５５０ Ⅴ ２２５５０ １０５５０２５５５０ Ⅲ １３５５９ Ⅵ ３０５５０ １４５５０３３５５０ ２. ２ 数据小波包分解 截割电机定子电流的时域信号中低频信号与 高频信号混杂在一起,结构复杂,且干扰较多,因 此无法直接用作控制信号,也不能直接作为神经 网络的输入. 所以,需要首先对原始信号进行处 理,使其满足识别信号的要求. 小波包分析是处理复杂信号的一个重要工 具,是小波分析的一种推广,可以同时对信号的高 频分量和低频分量进行分解,并可对信号进行特 征提取,为后续识别算法提供有效输入量. 信号 Ｓ０经过小波包分解后,在第 ｉ 分解层能 够得到 ２ｉ个子频带,Ｓ０可以表示为 Ｓ０＝∑ ２ｉ ｊ ＝１ Ｓｊ.１ 式中 Ｓｊ为小波包分解在第 ｉ 层节点ｉ, ｊ上的重 构信号. 根据 ＰＡＲＳＥＶＡＬ 定理及式１可计算第 ｊ 频 段的能量值 Ｅｊ Ｅｊ＝∫｜ Ｓｊ｜ ｄｔ ＝∑ ｎ ｋ ＝１ ｜ ｄｊｋ｜ ２ .２ 式中ｄｊｋ为重构信号幅值;ｎ 为采样点数. 以式２计算所得的各频段能量值为元素, 组成特征向量 Ｔ′ ＝ [Ｅ１ Ｅ２ Ｅｊ] .３ 为了避免向量中各元素出现较大差别,对向 量进行归一化处理[９]. Ｔ ＝ [Ｅ１ Ｅ Ｅ２ Ｅ Ｅｊ Ｅ ] .４ 式中 Ｅ 为重构信号总能量. 在经归一化后的特征向量中提取具有代表性的 特征值,即可用作后续煤层硬度识别算法的输入值. 根据式１ 式４,选用 Ｄａｕｂｅｃｈｉｅｓ 小波函 数,利用 ＭＡＴＬＡＢ 软件编写小波包分解程序,对 截割电机定子电流信号进行小波包 ４ 层完全分 解,并计算 １６ 个频段的能量值. 计算所得各硬度 等级下的截割电机定子电流信号各频段能量值如 图 ２ 所示. 可以看出,在第 １ 频段能量值与截割阻 抗呈正相关性,在高频段呈负相关性,中间频段相 关性不明显. 选取相关性明显且能量值较大的频 段能量值作为特征值,此处选取第 １,９,１０,１６ 频 段的能量值作为特征值. 图 ２ 截割电机定子电流信号分解能量值 Ｆｉｇ. ２ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｅｎｅｒｇｙ ｓｐｅｃｔｒｕｍ ｏｆ ｃｕｔｔｉｎｇ ｍｏｔｏｒ ｃｕｒｒｅｎｔ 同理,对牵引电机定子电流进行 ４ 层分解,对 油缸压力信号进行 ３ 层分解,并选取特征频段如 表 ５ 所示. 表 ５ 各参数特征频段 Ｔａｂｌｅ ５ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｆｒｅｑｕｅｎｃｙ ｂａｎｄ ｏｆ ｔｈｅ ｐａｒａｍｅｔｅｒｓ 参数分解层数特征频段 牵引电机定子电流４１,９,１０,１６ 截割电机定子电流４１,２,１０,１４ 油缸压力３１,２ ５６１１第 ８ 期 刘永刚等 基于 ＢＰ 神经网络的煤层硬度多等级识别方法 万方数据 ３ 基于 ＢＰ 神经网络的煤层硬度多 等级识别 ３. １ ＢＰ 神经网络模型 人工 神 经 网 络 ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ, ＡＮＮ系统是 ２０ 世纪 ４０ 年代左右出现的一种数 学模型,在诸多领域有着广泛的应用[１０ －１３]. 近些 年来,神经网络在无人化、自动化采矿技术的研究 中也得到了较多的应用 [１４ －１５]. 本文所建 ＢＰ 神经网络模型以小波包分解后 提取到的特征值作为神经网络的输入项,即截割 电机定子电流信号第 １,９,１０,１６ 频段的能量值, 牵引电机定子电流信号第 １,２,１０,１４ 频段的能量 值和油缸压力信号的第 １,２ 频段的能量值,共计 １０ 个频段的能量值作为神经网络的输入项. 本文的最终目的是对不同硬度等级下的煤岩 进行识别,所以网络输出项应可用来表征所截割 煤岩的硬度等级. 由前文可知,煤层硬度可根据截 割阻抗的大小划分为 ６ 个等级. 设定以不同的二 进制数来表征不同的硬度等级,６ 种硬度等级可 用三位二进制数来表示. 以不同的三位二进制数 作为 ＢＰ 网络不同的输出项,煤层硬度等级与输 出量的对应关系见表 ６. 表 ６ 煤层硬度等级与输出量对照表 Ｔａｂｌｅ ６ Ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｌｅｖｅｌｓ ａｎｄ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｏｕｔｐｕｔｓ 硬度等级截割阻抗/ ｋＮ ｍＢＰ 网络输出 Ⅰ０ ８０００１ Ⅱ８０ １２００１０ Ⅲ１２０ １６００１１ Ⅳ１６０ ２００１００ Ⅴ２００ ２８０１０１ Ⅵ２８０ ３６０１１０ 神经网络隐含层的选择需要根据经验并结合 多次实验对比来确定. 若层数太少,则神经网络所 能获得的信息太少,不能很好地适应环境变化;若 层数太多,会出现网络容错性差、识别不准确等问 题. 根据经验及多次对比实验,最终确定隐含层数 为 １５. 利用 ＭＡＴＬＡＢ 自带的神经网络工具箱,建 立了一个输入层数为 １０,隐含层数为 １５,输出层 数为 ３ 的 ＢＰ 神经网络,如图 ３ 所示. 图中 ｗ 和 ｂ 分别为权重和偏差. ３. ２ 煤层硬度多等级识别模型 在前述理论的基础上,建立基于 ＢＰ 神经网 络的煤层硬度多等级识别模型. 图 ４ 为基于 ＢＰ 神经网络的煤层硬度识别模型示意图. 首先采集 所需牵引电机和截割电机的定子电流信号及油缸 压力信号;然后将采集到的原始信号进行小波包 分解和特征值提取,将提取的特征值作为神经网 络的输入向量;最后通过神经网络识别得到当前 采煤机截割煤层硬度等级. 该模型可对采煤机截 割煤层硬度进行实时识别,为后续采煤机自适应 控制提供可靠数据. 图 ３ ＢＰ 神经网络示意图 Ｆｉｇ. ３ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ 图 ４ 煤层硬度识别模型示意图 Ｆｉｇ. ４ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｏｄｅｌ 根据上述理论,利用 ＭＡＴＬＡＢ/ Ｓｉｍｕｌｉｎｋ 工 具搭建基于 ＢＰ 神经网络的煤层硬度多等级识别 模型,如图 ５ 所示. 图 ５ 煤层硬度识别模型 Ｆｉｇ. ５ Ｃｏａｌ ｓｅａｍ ｈａｒｄｎｅｓｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｏｄｅｌ ３. ３ 煤层硬度多等级识别仿真数据实验 为了验证所建模型的可行性,首先对模型进 行仿真数据实验,将前文得到的原始数据输入至 煤层硬度多等级识别模型中进行训练和测试,最 终测试结果如图 ６ 所示. 可以看出,在 ３０ 组测试 样本每个硬度等级下 ５ 组中,仅有第 ４ 组发生 错误,准确率为 ９６. ７％ . ６６１１东北大学学报自然科学版 第 ３９ 卷 万方数据 图 ６ 仿真数据测试结果 Ｆｉｇ. ６ Ｔｅｓｔｉｎｇ ｒｅｓｕｌｔｓ ｆｏｒ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ ４ 煤层硬度多等级识别实机数据 实验 为了验证所建煤层硬度识别模型在真实采煤 环境下的效果,项目组在张家口国家能源煤矿采 掘机械装备研发中心进行了采煤机截割实验,得 到了相关实机实验数据. 由于实验条件所限,仅对 采煤机在空载硬度等级Ⅰ、轻载硬度等级 Ⅲ、重载硬度等级Ⅵ三种硬度等级下进行了 实验. 拾取不同硬度等级下的实验数据各 ５０ 组 共 １５０ 组对模型进行训练,其中 ＢＰ 神经网络 的训练结果如图 ７ 所示. 可以看出,经过 ２０ 次训 练后,其误差已低于 ０. ００１. 图 ７ ＢＰ 神经网络训练结果 Ｆｉｇ. ７ Ｔｒａｉｎｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 为了检验所建模型在实机数据下的泛化能 力,另取 ３０ 组实机数据每个硬度等级下各取 １０ 组作为测试样本,对所训练的煤层硬度识别模 型进行测试,测试结果如图 ８ 所示. 由图 ８ 可知,３０ 组测试样本中第 １２,２２ 组识 别错误,其余均识别正确,识别准确率为 ９３. ３％ . 测试结果证明了所建煤层硬度识别模型在实机数 据条件下具备一定的可行性. 图 ８ 实机数据测试结果 Ｆｉｇ. ８ Ｔｅｓｔｉｎｇ ｒｅｓｕｌｔｓ ｆｏｒ ｔｈｅ ｒｅａｌ ｄａｔａ ５ 结 论 １ 提出了基于小波包分解与 ＢＰ 神经网络 技术的采煤机煤层硬度多等级识别方法,建立了 煤层硬度多等级识别模型. ２ 在完成对识别信号的小波包分解的基础 上,分析了各频段能量值与截割阻抗的相关性,为 信号特征值的选取提供了指导. ３ 对所提出的基于 ＢＰ 神经网络的采煤机 煤层硬度识别方法进行了实机数据测试,识别准 确率达到了 ９３. ３％ ,证明了所提硬度识别方法在 实机数据下具备一定的可行性,为采煤机自适应 截割过程中煤层硬度的识别奠定了理论基础. 参考文献 [ １ ] 王育龙. 基于电流信号的煤岩识别方法研究[Ｄ]. 西安西 安科技大学,２０１３. Ｗａｎｇ Ｙｕ-ｌｏｎｇ. Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｃｏａｌ-ｒｏｃｋｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｕｒｒｅｎｔ ｓｉｇｎａｌ[Ｄ]. Ｘｉ’ａｎＸｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ,２０１３. [ ２ ] 李朋真. 采煤机钻岩识别及控制方法的研究[Ｄ]. 徐州中 国矿业大学,２０１４. Ｌｉ Ｐｅｎｇ-ｚｈｅｎ. Ｓｔｕｄｙ ｏｎ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄｓ ｏｆ ｔｈｅ ｓｈｅａｒｅｒ ｒｏｃｋ ｄｒｉｌｌｉｎｇ[Ｄ]. ＸｕｚｈｏｕＣｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ,２０１４. [ ３ ] Ｒｅｎ Ｆ,Ｙａｎｇ Ｚ Ｊ,Ｘｉｏｎｇ Ｓ Ｂ. Ｓｔｕｄｙ ｏｎ ｔｈｅ ｃｏａｌ-ｒｏｃｋ ｉｎｔｅｒｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍｕｌｔｉ-ｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎ ｔｅｃｈｎｉｑｕｅ[Ｊ]. Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ, ２００３,１６３３２１ －３２４. [ ４ ] Ｘｕ Ｊ Ｋ,Ｗａｎｇ Ｚ Ｃ,Ｚｈａｎｇ Ｗ Ｚ,ｅｔ ａｌ. Ｃｏａｌ-ｒｏｃｋ ｉｎｔｅｒｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ＭＦＣＣ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ [ Ｊ]. Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ,Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ,２０１３,６４１９１ －２００. [ ５ ] Ａｓｆａｈａｎｉ Ｊ, Ｂｏｒｓａｒｕ Ｍ. Ｌｏｗ-ａｃｔｉｖｉｔｙ ｓｐｅｃｔｒｏｍｅｔｒｉｃ ｇａｍｍａ- ｒａｙ ｌｏｇｇｉｎｇ ｔｅｃｈｎｉｑｕｅ ｆｏｒ ｄｅｌｉｎｅａｔｉｏｎ ｏｆ ｃｏａｌ/ ｒｏｃｋ ｉｎｔｅｒｆａｃｅｓ ｉｎ ｄｒｙ ｂｌａｓｔ ｈｏｌｅｓ [Ｊ]. Ａｐｐｌｉｅｄ Ｒａｄｉａｔｉｏｎ ａｎｄ Ｉｓｏｔｏｐｅｓ,２００７, ６５６７４８ －７５５. [ ６ ] 王伟,田慕琴. 基于小波包神经网络的岩巷掘进机动载荷 识别方法[Ｊ]. 煤矿机械,２０１３,３６３２３８ －２４１. ７６１１第 ８ 期 刘永刚等 基于 ＢＰ 神经网络的煤层硬度多等级识别方法 万方数据 Ｗａｎｇ Ｗｅｉ, Ｔｉａｎ Ｍｕ-ｑｉｎ. Ｄｙｎａｍｉｃ ｌｏａｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｒｏｃｋ ｒｏａｄ ｈｅａｄｅｒ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ[ Ｊ]. Ｃｏａｌ Ｍｉｎｅ Ｍａｃｈｉｎｅｒｙ,２０１３,３６ ３ ２３８ －２４１. [ ７ ] 刘春生. 滚筒式采煤机工作机构[Ｍ]. 哈尔滨哈尔滨工业 大学出版社,２０１３５０ －５６. Ｌｉｕ Ｃｈｕｎ-ｓｈｅｎｇ. Ｔｈｅ ｗｏｒｋｉｎｇ ｍｅｃｈａｎｉｓｍ ｏｆ ｄｒｕｍ ｓｈｅａｒｅｒ [Ｍ]. ＨａｒｂｉｎＨａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｐｒｅｓｓ,２０１３ ５０ －５６. [ ８ ] 秦大同,王镇,胡明辉,等. 基于多目标优化的采煤机滚筒 最优运动参数的动态匹配[Ｊ]. 煤炭学报,２０１５,４０ｓｕｐ ２５３２ －５３９. Ｑｉｎ Ｄａ-ｔｏｎｇ, Ｗａｎｇ Ｚｈｅｎ, Ｈｕ Ｍｉｎｇ-ｈｕｉ, ｅｔ ａｌ. Ｄｙｎａｍｉｃ ｍａｔｃｈｉｎｇ ｏｆ ｏｐｔｉｍａｌ ｄｒｕｍ ｍｏｖｅｍｅｎｔ ｐａｒａｍｅｔｅｒｓ ｏｆ ｓｈｅａｒｅｒ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ-ｏｂｊｅｃｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ｃｏａｌ Ｓｏｃｉｅｔｙ,２０１５,４０ｓｕｐ ２５３２ －５３９. [ ９ ] Ｚｈａｏ Ｘ,Ｚｈａｎｇ Ｓ, Ｚｈｏｕ Ｃ, ｅｔ ａｌ. Ｅｘｐｅｒｉｍｅｎｔａｌ ｓｔｕｄｙ ｏｆ ｈｙｄｒａｕｌｉｃ ｃｙｌｉｎｄｅｒ ｌｅａｋａｇｅ ａｎｄ ｆａｕｌｔ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ａｎａｌｙｓｉｓ[Ｊ]. Ｃｏｍｐｕｔｅｒｓ ＆ Ｆｌｕｉｄｓ,２０１５, １０６３３ －４０. [１０]Ｂａｎｇａｌｏｒｅ Ｐ, Ｔｊｅｒｎｂｅｒｇ Ｌ Ｂ. Ａｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｒｏａｃｈ ｆｏｒ ｅａｒｌｙ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ｏｆ ｇｅａｒｂｏｘ ｂｅａｒｉｎｇｓ[Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｍａｒｔ Ｇｒｉｄ,２０１７,６２９８０ －９８７. [１１]Ｒｏｕｔ Ｓ Ｂ,Ｍｉｓｈｒａ Ｓ,Ｍｉｓｈｒａ Ｓ. Ａ ｒｅｖｉｅｗ ｏｎ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌｎｅｔｗｏｒｋ ＡＮＮ ｏｎｐｒｏｔｅｉｎｓｅｃｏｎｄａｒｙ ｓｔｒｕｃｔｕｒｅｐｒｅｄｉｃｔｉｏｎ[ Ｃ ] / /２０１７ＳｅｃｏｎｄＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＥｌｅｃｔｒｉｃａｌ, ＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ. Ｃｏｉｍｂａｔｏｒｅ,Ｉｎｄｉａ,２０１７１ －６. [１２]Ｏｃａｋ Ｉ,Ｓｅｋｅｒ Ｓ Ｅ. Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｅｌａｓｔｉｃ ｍｏｄｕｌｕｓ ｏｆ ｉｎｔａｃｔ ｒｏｃｋｓ ｂｙ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ[Ｊ]. Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ＆Ｒｏｃｋ Ｅｎｇｉｎｅｅｒｉｎｇ,２０１２,４５６１０４７ －１０５４. [１３]Ｄｉｌ Ｅ Ａ, Ｇｈａｅｄｉ Ｍ, Ｇｈａｅｄｉ Ａ Ｍ, ｅｔ ａｌ. Ｍｏｄｅｌｉｎｇ ｏｆ ｑｕａｔｅｒｎａｒｙ ｄｙｅｓ ａｄｓｏｒｐｔｉｏｎ ｏｎｔｏ ＺｎＯ-ＮＲ-ＡＣ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓｂｙｄｅｒｉｖａｔｉｖｅｓｐｅｃｔｒｏｐｈｏｔｏｍｅｔｒｙ [ Ｊ ]. Ｊｏｕｒｎａｌ ｏｆ Ｉｎｄｕｓｔｒｉａｌ ＆ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｈｅｍｉｓｔｒｙ, ２０１６, ３４ １８６ －１９７. [１４]Ｓｈｉ Ｊ Ｊ,Ｚｈｏｕ Ｌ Ｗ,Ｋｏｎｇ Ｋ Ｗ,ｅｔ ａｌ. Ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｃｏａｌ-ｒｏｃｋ ｉｎｔｅｒｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ[Ｊ]. Ａｐｐｌｉｅｄ Ｍｅｃｈａｎｉｃｓ ＆Ｍａｔｅｒｉａｌｓ,２０１１,４４/４５/４６/４７１４０２ －１４０６. [１５]朱宁. 基于人工神经网络的采煤机记忆截割控制系统研究 [Ｄ]. 西安西安科技大学,２０１２. Ｚｈｕ Ｎｉｎｇ. Ｒｅｓｅａｒｃｈ ｏｎ ｍｅｍｏｒｙ ｃｕｔｔｉｎｇ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｆｏｒ ｓｈｅａｒｅｒ ｂａｓｅｄ ｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ[Ｄ]. Ｘｉ’ａｎＸｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ,２０１２. ������������������������������������������������������������������������������������������ 上接第 １１５２ 页 ５ 结 语 本文基于 Ｂｉｎｇｈａｍ 塑性模型建立了制动时 间数学模型,在此基础上,结合 ＡＮＳＹＳ 磁场仿真 计算出不同工作间隙、不同转动角速度条件下的 制动时间,并进行相应的测量实验. 将测量结果与 理论值作对比,验证了理论计算的可行性与准确 性,并分析了产生误差的原因. 研究结果表明,制 动时间随工作间隙的增大而线性增加. 该结论对 盘式磁流变制动器的研究具有一定意义. 参考文献 [ １ ] Ｓｏｎｇ Ｗ Ｌ,Ｃｈｏｉ Ｓ Ｂ, Ｃｈｏｉ Ｊ Ｙ, ｅｔ ａｌ. Ｗｅａｒ ａｎｄ ｆｒｉｃｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌ ｆｌｕｉｄ ｕｎｄｅｒ ｍａｇｎｅｔｉｃ ｆｉｅｌｄ ａｃｔｉｖａｔｉｏｎ[Ｊ]. Ｔｒｉｂｏｌｏｇｙ Ｔｒａｎｓａｃｔｉｏｎｓ, ２０１０,５４４ ６１６ －６２４. [ ２ ] Ｋｕｒｉｙａｇａｗａ Ｔ,Ｓａｅｋｉ Ｍ, Ｓｙｏｊｉ Ｋ. Ｅｌｅｃｔｒｏｒｈｅｏｌｏｇｉｃａｌ ｆｌｕｉｄ- ａｓｓｉｓｔｅｄ ｕｌｔｒａ-ｐｒｅｃｉｓｉｏｎ ｐｏｌｉｓｈｉｎｇ ｆｏｒ ｓｍａｌｌ ｔｈｒｅｅ-ｄｉｍｅｎｓｉｏｎａｌ ｐａｒｔｓ[Ｊ]. Ｐｒｅｃｉｓｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ,２００２,２６４３７０ －３８０. [ ３ ] Ｓｏｎｇ Ｗ Ｌ,Ｃｈｏｉ Ｓ Ｂ, Ｃａｉ Ｑ Ｃ. Ｆｉｎｉｓｈｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｍａｇｎｅｔｏ-ｒｈｅｏｌｏｇｉｃａｌｆｌｕｉｄｕｎｄｅｒｍａｇｎｅｔｉｃｆｉｅｌｄ [ Ｊ ]. Ｍｅｃｈａｎｉｃｓ ｏｆ Ａｄｖａｎｃｅｄ Ｍａｔｅｒｉａｌｓ ＆Ｓｔｒｕｃｔｕｒｅｓ,２０１２,２０７ ５２９ －５３５. [ ４ ] Ｆａｒｊｏｕｄ Ａ, Ｖａｈｄａｔｉ Ｎ, Ｆａｈ Ｙ Ｆ. Ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ｄｒｕｍ-ｔｙｐｅ ＭＲ ｂｒａｋｅｓ ｕｓｉｎｇ ｈｅｒｓｃｈｅｌ-ｂｕｌｋｌｅｙ ｓｈｅａｒ ｍｏｄｅｌ [Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍａｔｅｒｉａｌ Ｓｙｓｔｅｍｓ ＆ Ｓｔｒｕｃｔｕｒｅｓ, ２００８,１９５５６５ －５７２. [ ５ ] Ｌｉ Ｗ Ｈ,Ｄｕ Ｈ. Ｄｅｓｉｇｎ ａｎｄ ｅｘｐｅｒｉｍｅｎｔａｌ ｅｖａｌｕａｔｉｏｎ ｏｆ ａ ｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌ ｂｒａｋｅ[Ｊ]. Ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ, ２００３, ２１ ７ ５０８ －５１５. [ ６ ] Ｎａｍ Ｔ Ｈ,Ａｈｎ Ｋ Ｋ. Ｎｅｗ ａｐｐｒｏａｃｈ ｔｏ ｄｅｓｉｇｎｉｎｇ ａｎ ＭＲ ｂｒａｋｅ ｕｓｉｎｇ ａ ｓｍａｌｌ ｓｔｅｅｌ ｒｏｌｌｅｒ ａｎｄ ＭＲ ｆｌｕｉｄ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ ＭｅｃｈａｎｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ, ２００９, ２３ ７ １９１１ －１９２３. [ ７ ] 宋宇. 磁流变液 ＡＢＳ 制动器结构研究与性能仿真[Ｄ]. 哈 尔滨东北林业大学,２０１１. Ｓｏｎｇ Ｙｕ. Ｓｔｕｄｙ ｏｎ ｓｔｒｕｃｔｕｒｅ ｏｆ ｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌ ｆｌｕｉｄ ＡＢＳｂｒａｋｅａｎｄｐｅｒｆｏｒｍａｎｃｅｓｉｍｕｌａｔｉｏｎ [ Ｄ ]. Ｈａｒｂｉｎ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ,２０１１. [ ８ ] Ｐａｒｋ Ｅ Ｊ,Ｌｕｚ Ｌ Ｆ Ｄ,Ｓｕｌｅｍａｎ Ａ. Ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ ｄｅｓｉｇｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ａｎ ａｕｔｏｍｏｔｉｖｅ ｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌ ｂｒａｋｅ ｄｅｓｉｇｎ[ Ｊ]. Ｃｏｍｐｕｔｅｒｓ ＆ Ｓｔｒｕｃｔｕｒｅｓ, ２００８, ８６ ３/４/５ ２０７ －２１６. [ ９ ] Ｕｂａｉｄｉｌｌａｈ,Ｐｅｒｍａｔａ Ａ Ｎ Ｓ,Ｗｉｂｏｗｏ Ａ,ｅｔ ａｌ. Ｍａｇｎｅｔｏｓｔａｔｉｃ ｓｉｍｕｌａｔｉｏｎｏｎａｎｏｖｅｌｄｅｓｉｇｎｏｆａｘｉａｌｌｙｍｕｌｔｉ-ｃｏｉｌｅｄ ｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌｂｒａｋｅｓ[ Ｃ ] / /ＡＩＰＣｏｎｆｅｒｅｎｃｅ Ｐｒｏｃｅｅｄｉｎｇｓ. ＮｅｗＹｏｒｋ ＡｍｅｒｉｃａｎＩｎｓｔｉｔｕｔｅｏｆＰｈｙｓｉｃｓ Ｃｏｎｆｅｒｅｎｃｅ Ｓｅｒｉｅｓ,２０１６９ －２３. [１０]Ｇｕｏ Ｈ Ｔ,Ｌｉａｏ Ｗ Ｈ. Ａ ｎｏｖｅｌ ｍｕｌｔｉｆｕｎｃｔｉｏｎａｌ ｒｏｔａｒｙ ａｃｔｕａｔｏｒ ｗｉｔｈｍａｇｎｅｔｏｒｈｅｏｌｏｇｉｃａｌｆｌｕｉｄ [ Ｊ ].ＳｍａｒｔＭａｔｅｒｉａｌｓ＆ Ｓｔｒｕｃｔｕｒｅｓ,２０１２,２１６６５０１２ －６５０２０. [１１]Ｋｉｋｕｃｈｉ Ｔ,Ｋｏｂａｙａｓｈｉ Ｋ,Ｉｎｏｕｅ Ａ. Ｇａｐ-ｓｉｚｅ ｅｆｆｅｃｔ ｏｆ ｃｏｍｐａｃｔ ＭＲ ｆｌｕｉｄ ｂｒａｋｅ [Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍａｔｅｒｉａｌ Ｓｙｓｔｅｍｓ ＆ Ｓｔｒｕｃｔｕｒｅｓ,２０１１,２２１５１６７７ －１６８３. ８６１１东北大学学报自然科学版 第 ３９ 卷 万方数据