王宏偉 劉勰 黃向東

摘 要：為改善帶式輸送機調(diào)速控制系統(tǒng)中靜態(tài)模型過于理想化及被控制對象存在局限性等問題，提出一種基于動態(tài)運輸模型的礦用帶式輸送機調(diào)速控制方法。結(jié)果表明：采用折衷型模糊決策算法得出運輸區(qū)段內(nèi)受干擾皮帶的可調(diào)系數(shù)，判定調(diào)速優(yōu)先級并確定被控目標(biāo)皮帶；根據(jù)目標(biāo)皮帶的動態(tài)運輸特性建立與其對應(yīng)的狀態(tài)空間模型，確定模型的輸入輸出量和系統(tǒng)被控變量，根據(jù)實際總煤量值與設(shè)定值的偏差，采用模糊控制方法調(diào)節(jié)帶速，使模型的總煤量輸出保持理想設(shè)定值附近，從而保證運輸節(jié)能；仿真試驗以某實際煤礦運輸系統(tǒng)為背景，根據(jù)可調(diào)系數(shù)大小判定被控皮帶并實施調(diào)速。皮帶輸出總煤量在設(shè)定值附近波動，最大誤差率為11.1%，證明了所提調(diào)速控制方法的有效性。

關(guān)鍵詞：帶式輸送機；動態(tài)運輸模型；狀態(tài)空間；模糊控制

中圖分類號：TD 67

文獻標(biāo)志碼：A

文章編號：1672-9315（2023）04-0816-09

DOI：10.13800/j.cnki.xakjdxxb.2023.0419

Research on fuzzy speed regulation method of mining belt conveyor

WANG Hongwei1，LIU Xie2，HUANG Xiangdong2

（1.Zaoquan Colliery，CHN Energy Ningxia Coal Industry Co.，Ltd.，Yinchuan 750001;

2.College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：In order to improve the static model in the belt conveyor speed control system and the limitations of the controlled object，

a speed regulation method for mining belt conveyors is proposed based on the dynamic transport model.

.The results show that an eclectic fuzzy decision algorithm is used to obtain the adjustable coefficients of the interference bands in the transportation section，so as to determine the priority of the speed regulation

as well as the controlled target bands.

In accordance with

the dynamic transport properties of the target band，the corresponding state-space model is constructed to calculate the input and output of the model and the control variables of the system.According to the deviation between the actual total coal quantity value and the set value，the fuzzy control method is used to adjust the belt speed，so that the total coal? output of the model is kept near the ideal set value，thus ensuring the energy saving in transport.Simulation experiments were conducted in the context of an actual coal mine transportation system，where controlled belts were determined and speed regulation was implemented based on adjustable coefficients.

The total coal output of the belt fluctuates around the set value，with a maximum error rate of 11.1%，which demonstrates the effectiveness of the proposed speed control method.

Key words：belt conveyor；

dynamic transport model；state space；fuzzy control

0 引 言

礦用帶式輸送機系統(tǒng)能耗占煤礦生產(chǎn)總能耗的比重較大，其主要原因之一是傳統(tǒng)輸送帶恒速運行方式下，無法實時匹配當(dāng)前帶面上的載荷煤量，從而造成負載壓力以及較多的電能浪費，增加了生產(chǎn)成本［1-2］。隨著自動控制技術(shù)的發(fā)展，采用先進的控制方法使煤礦系統(tǒng)帶式輸送機實現(xiàn)智能調(diào)速，從而降低運輸能耗。

在帶式輸送機智能調(diào)速的理論研究中，WANG等利用機器視覺獲取煤流截面圖像，結(jié)合帶速得到瞬時煤量，再通過深度學(xué)習(xí)VGG16網(wǎng)絡(luò)對煤量進行分類，從而控制帶速合理變化［3］?？紤]到輸送帶具備粘彈特性，劉點點選用由彈性元件和粘性元件并聯(lián)組成的Kelvin-Voigt模型，它能合理地描述粘彈性體的滯后性，再結(jié)合有限元分析法列出輸送帶離散模型的動力學(xué)方程［4］。卜令超在Kelvin-Voigt模型的基礎(chǔ)上，利用變質(zhì)量牛頓第二定律和有限元分析法建立輸送帶的動態(tài)模型［5］。NI等提出一種基于模糊算法的帶式輸送機節(jié)能控制方法。通過感應(yīng)電機轉(zhuǎn)速公式，結(jié)合模糊算法，完成礦用皮帶的節(jié)能運輸［6］。韓東升提出基于預(yù)見控制的多級輸送帶調(diào)速系統(tǒng)，分析皮帶的物理特性，結(jié)合有限元法建立單條皮帶的狀態(tài)空間模型，并對其進行預(yù)見控制［7］。高沛林等提出的節(jié)能優(yōu)化控制方法能根據(jù)上游皮帶的煤流量，計算得到下游皮帶優(yōu)化節(jié)能控制的給定帶速變化曲線，依據(jù)該曲線實現(xiàn)對下游帶式輸送機帶速的調(diào)節(jié)［8］。王文杰等通過構(gòu)建輸送帶軸頸和圓盤受力時的復(fù)數(shù)形式動力學(xué)方程，并結(jié)合兩者來獲得整個系統(tǒng)的非線性動力學(xué)模型［9］。SHAREEF等利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）來控制皮帶的速度。工業(yè)相機檢測皮帶上的載煤量，經(jīng)過處理后將數(shù)據(jù)傳送給ANN控制器并做出有關(guān)皮帶速度的智能決策［10］。原鋼等提出一種基于自適應(yīng)神經(jīng)模糊推理的多級輸送帶調(diào)速系統(tǒng)，將最上游皮帶的瞬時煤量和速度作為系統(tǒng)輸入來調(diào)節(jié)下游皮帶的帶速值［11］。馮梅提出一種基于支持向量機的回歸預(yù)測模型。對煤流量進行短時間的預(yù)測，將預(yù)測結(jié)果輸入模糊控制器中，調(diào)節(jié)皮帶至最佳速度［12］。

通過折衷型模糊決策算法得到整個系統(tǒng)的具體被控皮帶，并根據(jù)皮帶的動態(tài)運輸特性建立相應(yīng)的狀態(tài)空間模型，再結(jié)合模糊控制調(diào)節(jié)帶速，使模型總煤量輸出保持在設(shè)定的理想值附近。

1 調(diào)速運行流程

井下煤礦完整的運輸過程是要將綜采工作面采集的原煤物料，經(jīng)大巷、主井區(qū)域等路徑，輸送至地面或目標(biāo)煤倉［13］。煤流線路上，帶式輸送機因穩(wěn)定、運輸量大以及能連續(xù)工作等優(yōu)點，成為主要運輸設(shè)備并被廣泛應(yīng)用；除此之外還有緩沖煤倉、提升煤倉等輔助運輸裝備［14-15］。而當(dāng)前運輸能耗占煤礦生產(chǎn)總能耗的比例較大，通過分析得出主要原因包括帶式輸送機自身特性和煤礦運輸方式落后等［16］?？蓪ΜF(xiàn)有的運輸方式進行改進，具體措施為設(shè)計更優(yōu)良、智能的輸送帶調(diào)速控制方法，使帶面上的總煤量與帶速相匹配，從而降低運輸能耗（圖1）。

由于煤礦井下運輸系統(tǒng)結(jié)構(gòu)復(fù)雜，要實現(xiàn)對系統(tǒng)中的輸送帶進行合理調(diào)速控制，需將整個系統(tǒng)按采煤區(qū)和煤流運輸線路劃分成多個運輸區(qū)段，且當(dāng)各區(qū)段內(nèi)的皮帶全部啟動完成時，才能對其進行控制。

調(diào)速控制過程中，當(dāng)帶式輸送機受到干擾輸入煤量（入料端煤礦量突變偏離平衡點）后，總煤量的平衡狀態(tài)也隨之被打破。因此，可根據(jù)當(dāng)前載荷總煤量與平衡點總煤量的偏差值調(diào)節(jié)帶速，從而使系統(tǒng)保持在理想運輸狀態(tài)。在調(diào)速過程中，考慮到區(qū)段內(nèi)處于非平衡狀態(tài)皮帶的受干擾程度不同，此時選擇偏離平衡點最大的皮帶進行調(diào)速更有利于系統(tǒng)恢復(fù)至理想運輸狀態(tài)。利用折衷型模糊決策（Eclectic Fuzzy Decision-Making）算法判定當(dāng)前需要調(diào)速的皮帶優(yōu)先級；通過動態(tài)運輸模型，結(jié)合相應(yīng)控制方法對帶速進行調(diào)節(jié)，使總煤量輸出保持在恒定范圍內(nèi)。

2 帶式輸送機調(diào)速控制策略設(shè)計

2.1 帶速調(diào)節(jié)優(yōu)先級的判定

煤礦運輸系統(tǒng)工作過程中，區(qū)段內(nèi)各輸送帶的工況不盡相同，當(dāng)多條皮帶均受到輸入煤量干擾時，系統(tǒng)無法抉擇先對哪條皮帶進行調(diào)速更有利于皮帶節(jié)能、安全運行。而折衷型模糊決策算法能根據(jù)要求在多個備選方案中判定出最合理的選項，因此通過分析當(dāng)前各皮帶的工況，再采用此方法可判定皮帶的調(diào)速優(yōu)先級，確定出運輸區(qū)段內(nèi)的目標(biāo)被控對象。從系統(tǒng)整體聚焦至局部，為后續(xù)調(diào)速做鋪墊。

折衷型模糊決策是模糊數(shù)學(xué)中的一種分析方法，主要為解決同時具有定性與定量屬性指標(biāo)的多屬性決策問題［17］。算法原理：從原始的樣本數(shù)據(jù)出發(fā)，先得出模糊正理想和模糊負理想，然后采用加權(quán)歐氏距離的測度工具來計算各備選對象與模糊正理想和模糊負理想之間的距離［18］。在此基礎(chǔ)上計算各備選的隸屬度μi，將其作為輸送帶的可調(diào)系數(shù)來劃分優(yōu)先級。

步驟1：將礦井運輸區(qū)段內(nèi)輸送帶的數(shù)據(jù)定量化，采用兩級比例法（Bipolar scaling）。當(dāng)所有的屬性指標(biāo)全部化為數(shù)值型后，得到數(shù)據(jù)矩陣W=（xij）m×n（表1）。

步驟2：歸一化屬性指標(biāo)并構(gòu)造模糊決策矩陣。歸一化處理采用的方法是極差變換法，其作用是統(tǒng)一全部可行方案的數(shù)據(jù)信息。對于收益類屬性指標(biāo)，其歸一化公式為

將上述方法應(yīng)用到皮帶調(diào)速環(huán)節(jié)中，通過分析選取出合理的輸送帶工況數(shù)據(jù)信息，包括煤量平均高度、負載電流和帶速等，根據(jù)相關(guān)數(shù)據(jù)計算出的隸屬度μi越大，表示區(qū)段中所對應(yīng)的皮帶越需要進行調(diào)速，這樣就從整個運輸系統(tǒng)中獲取到需要具體被控制的目標(biāo)皮帶，縮小了控制范圍。

2.2 輸送帶動態(tài)運輸模型的建立

通過分析可知，在輸送帶恒速運行時載荷煤量不能太多，否則會導(dǎo)致負載過大，同時也不能因煤量太少而增加能耗。因此，針對帶速與負載不匹配的問題，本文提出了一種基于動態(tài)運輸模型的調(diào)速控制方法。根據(jù)模型的輸出值與標(biāo)定值的偏差來調(diào)節(jié)帶速，使其與載荷煤量相匹配，從而保持在理想的運行狀態(tài)，實現(xiàn)節(jié)能運輸。

2.3 調(diào)速模糊控制器的設(shè)計

當(dāng)皮帶受到干擾輸入時，會直接影響動態(tài)運輸模型的輸出量發(fā)生變化，打破原本的理想運行狀態(tài)。根據(jù)建立的模型可將實際總煤量記為x，t，輸出煤量記作Q，t，同時，井下煤礦各條輸送帶的理想總煤量x0，t和平衡點輸出煤量Qeq，t是恒定且已知的。因此，可分別對應(yīng)作差并將所得偏差均輸入模糊控制器中，再由控制器得出矯正結(jié)果［20］，實現(xiàn)皮帶回歸理想運輸狀態(tài)的目標(biāo)。

將皮帶總煤量偏差xc=x-x0，t作為模糊控制器的輸入之一，取輸出煤量的偏差Qc=Q-Qeq，t作為控制器的另一個輸入。帶速v便自然成為系統(tǒng)的輸出，從而可以通過調(diào)節(jié)帶速來平衡帶面的總煤量，使其保持在設(shè)置的理想值附近（圖3）。

步驟4：確定相關(guān)論域并進行模糊推理設(shè)計。在MATLAB軟件中打開Fuzzy工具箱，根據(jù)表2中的相關(guān)參數(shù)信息選擇合適的隸屬度函數(shù)曲線，從而得到模糊子集在量化論域上的隸屬度分布情況［24］，即輸入輸出量的隸屬度曲線如圖4所示。

步驟5：確定模糊規(guī)則并設(shè)計模糊控制器。影響著最終的控制效果。對系統(tǒng)輸入輸出之間的邏輯關(guān)系進行分析，結(jié)合相關(guān)專家經(jīng)驗得到最終的模糊控制規(guī)則（表3）。通過調(diào)節(jié)帶速來消除干擾輸入對系統(tǒng)帶來的影響，實現(xiàn)高效運輸。

3 輸送帶調(diào)速控制仿真

3.1 仿真建模

為了驗證基于動態(tài)運輸模型的帶式輸送機調(diào)速控制方法是否有效，以某X煤礦的運輸系統(tǒng)為試驗背景，分析系統(tǒng)結(jié)構(gòu)并根據(jù)采集的現(xiàn)場數(shù)據(jù)來建立輸送帶動態(tài)模型，同時利用模糊控制調(diào)節(jié)帶速，使系統(tǒng)受到干擾時皮帶上的總煤量能保持在設(shè)定理想值附近。實際帶式輸送機系統(tǒng)結(jié)構(gòu)如圖5所示。

礦井運輸系統(tǒng)中，一采區(qū)和二采區(qū)對應(yīng)的順槽皮帶序號分別為C1和C2。根據(jù)單條皮帶輸入、輸出煤料端單一的特征，可將系統(tǒng)中的主運皮帶分為C4，C5 2條簡單皮帶，二者運輸速度始終保持一致。另外加上C3和C6號運輸皮帶，整個運輸系統(tǒng)中C1～C6這6條皮帶均可以變頻調(diào)控帶速。其余的豎井皮帶M1，M2以及煤倉上方皮帶均不可控。為了進一步簡化運輸系統(tǒng)，可將運輸區(qū)段中與豎井皮帶相連接的上下游輸送帶看作直接搭接的關(guān)系，例如可將C2和C3近似看作為直接搭接。

運輸系統(tǒng)中的C1～C6皮帶總長度分別為1 500，1 200，750，1 350，800，1 050 m。所對應(yīng)的煤礦總量為x1（k），x2（k），x3（k），x4（k），x5（k）和x6（k）。C1，C2的平衡工作點帶速為3.5 m/s，其余變頻調(diào)速輸送帶的平衡點帶速為4.5 m/s，且速度約束最大值均不超過9 m/s。

假設(shè)開采的煤礦量在每個采樣周期T內(nèi)均勻分布在輸送帶上，則單條皮帶的輸入輸出煤量平衡工作點取qeq=Qeq=3 t。而實際運行時q是不可控的，因此它的變化常引起系統(tǒng)干擾。單位距離上煤量上限是Mj，max=0.12 t/m，對應(yīng)到整條皮帶的總煤量約束為yj=LjMj，max。得到帶式輸送機系統(tǒng)相關(guān)信息和約束后，對其進行調(diào)速仿真試驗。

3.2 結(jié)果分析

煤礦井下帶式輸送機調(diào)速控制流程為“先確定優(yōu)先級，再調(diào)節(jié)帶速”2個順序環(huán)節(jié)，因此仿真試驗也分別對應(yīng)著這2部分進行。

3.2.1 優(yōu)先級判定

首先，對各運輸區(qū)段內(nèi)輸送帶工況信息進行分析，并選取合適的數(shù)據(jù)指標(biāo)來決策出調(diào)速優(yōu)先級，相關(guān)數(shù)據(jù)包括煤量平均高度、帶速和負載電流等。采樣時刻k獲取到第二個運輸區(qū)段內(nèi)C2～C6皮帶的相關(guān)數(shù)據(jù)見表4。

由表5可知，皮帶C5的可調(diào)系數(shù)最大，表明此時它的干擾輸入煤量較大，偏離平衡點較遠，因此最先需要進行調(diào)速。實際運輸工況瞬息萬變，很難按照決策出的順序來依次調(diào)速，因此每次決策僅對可調(diào)系數(shù)最大的一條皮帶進行調(diào)速。

3.2.2 帶速控制

在帶式輸送機系統(tǒng)運行過程中，隨機輸入的煤量是打破系統(tǒng)平衡工作點的主要原因之一，此時需通過調(diào)節(jié)帶速使其回到平衡點，實現(xiàn)帶速與負載相匹配的原則，降低運輸能耗。依據(jù)皮帶優(yōu)先級的判定結(jié)果，將區(qū)段二中C5皮帶作為調(diào)速的首要被控對象。在MATLAB 2019仿真軟件中建立帶式輸送機的狀態(tài)空間模型，結(jié)合設(shè)計好的模糊控制器組成調(diào)速控制系統(tǒng)，設(shè)置相關(guān)參數(shù)進行仿真試驗。

帶式輸送機系統(tǒng)運行時，輸送帶C5的輸入煤量來自C4和C1輸出煤量的疊加，因此過去每一采樣時刻C5的平衡點輸入煤量應(yīng)為6 t，再根據(jù)平衡點帶速和C5總長度得出理想總煤量值為36 t，采樣周期T=30 s。運輸時間內(nèi)C5上的輸入煤量如圖6所示，干擾煤量輸入的時間段內(nèi)，已判定出此皮帶的調(diào)速等級最優(yōu)先。而為了更好地展示調(diào)速的效果，試驗中顯示整個采樣過程的輸入輸出曲線、調(diào)速曲線等。

從圖6可以看出，在k∈［10，20］時段內(nèi)，皮帶C5上的干擾煤量q5（10）=10.5 t；在k∈［30，35］時段，干擾煤量q5（5）=3 t；在k∈［50，58］時段，干擾煤量q5（8）=9 t。最終得到輸送帶C5上的總煤量輸出曲線結(jié)果如圖7所示。

從圖7可以看出，平衡工作狀態(tài)下，輸送帶總煤量從第一個采樣時刻開始增加，經(jīng)過6個T后達到設(shè)定的理想值，說明此時初始輸入煤量到達皮帶的輸出端。圖例中x5，1表示C5受到干擾時，控制帶速改變的總煤量變化曲線。在輸入煤礦量相較于平衡點增加或減少的時間段內(nèi)，通過控制帶速使x5，1盡可能的接近目標(biāo)值。雖然總煤量輸出曲線在干擾段存在波動，但最終結(jié)果仍能滿足實際需求，圖7中的總煤量輸出誤差范圍

xc=［-3.5，4］，最大誤差率Rxc的表達式為

Rxc=max{|xc|}x5×100%（16）

式中 max{|xc|}為總煤量誤差范圍的最大值。由式（16）可得此時段內(nèi)系統(tǒng)的Rxc為11.1%。而x5，2為恒速運行的總煤量變化曲線，作為參考曲線。由于帶速恒定，當(dāng)輸入煤礦量變化時，輸送帶總煤量也會發(fā)生相應(yīng)的改變。此運輸方式下常出現(xiàn)帶速與負載不匹配，從而造成能源浪費和運行故障等問題。

從圖8可以看出，曲線x5，1根據(jù)輸入煤量的變化來調(diào)節(jié)帶速，使其總煤量保持在一定的理想范圍，既節(jié)約了能源又保證了運輸安全，其所對應(yīng)的皮帶速度變化曲線?？v軸的0值表示平衡點帶速veq=4.5 m/s，正值表示大于平衡點的速度，負號“-”表示較平衡點速度減小。例如，數(shù)值-2表示此時的帶速v5=2.5 m/s。仿真試驗中，為了使系統(tǒng)盡快回歸理想運行狀態(tài)，模糊控制給定速度后會立即執(zhí)行。當(dāng)k=10時刻皮帶總煤量增加時，帶速值也隨即增大至7.8 m/s。同理，當(dāng)k=30時刻皮帶總煤量減少，此時給定帶速值減小為1.9 m/s。在每段干擾時間內(nèi)，當(dāng)速度開始迅速變化到最大或最小值時，后續(xù)采樣時刻的帶速變化會相對比較平緩。

4 結(jié) 論

1）采用折衷型模糊決策算法判定運輸區(qū)段內(nèi)皮帶的調(diào)速優(yōu)先級，確定合理的被控目標(biāo)皮帶。

2）建立礦用帶式輸送機的動態(tài)運輸模型，結(jié)合模糊控制使帶速與載荷煤量實時匹配，保證了總煤量輸出穩(wěn)定在理想設(shè)定值附近。

3）模型和模糊控制器內(nèi)的部分參數(shù)需要進行相應(yīng)的修改，以形成一個整體系統(tǒng)實施控制，避免頻繁調(diào)參。

參考文獻（References）：

［1］ 王海軍，王洪磊.帶式輸送機智能化關(guān)鍵技術(shù)現(xiàn)狀與展望［J］.煤炭科學(xué)技術(shù)，2022，50（12）：225-239.WANG Haijun，WANG Honglei.Status quo and prospect of intelligent key technologies of belt conveyor［J］.Coal Science and Technology，2022，50（12）：225-239.

［2］張明位，翟文超.帶式輸送機節(jié)能優(yōu)化系統(tǒng)研究［J］.煤炭科技，2020，41（6）：26-29.ZHANG Mingwei，ZHAI Wenchao.Research on energy-saving optimization system of belt conveyor［J］.Coal Science & Technology Magazine，2020，41（6）：26-29.

［3］WANG G，LI X，YANG L.Dynamic coal quantity detection and classification of permanent magnet direct drive belt conveyor based on machine vision and deep learning［J］.International Journal of Pattern Recognition and Artificial Intelligence，2021，35（11）：21-37.

［4］劉點點.帶式輸送機動態(tài)特性仿真分析與實驗研究［D］.太原：太原理工大學(xué)，2018.LIU Diandian.Simulation analysis and experimental research on dynamic characteristics of belt conveyor［D］.Taiyuan：Taiyuan University of Technology，2018.

［5］卜令超.長距離帶式輸送機運行過程建模與優(yōu)化控制［D］.徐州：中國礦業(yè)大學(xué)，2022.BU Lingchao.Modeling and optimization control for the operation of long distance belt conveyors［D］.Xuzhou：China University of Mining and Technology，2022.

［6］NI Y，CHEN L.Research of energy saving control system of mine belt conveyors［C］//2021 International Conference on Intelligent Transportation，Big Data & Smart City（ICITBS）.Xian：IEEE，2021：579-581.

［7］韓東升.基于預(yù)見控制的多級帶式輸送機調(diào)速節(jié)能研究［D］.太原：太原理工大學(xué)，2021.HAN Dongsheng.Research on speed regulation and energy saving of multi-stage belt conveyor based on predictive control［D］.Taiyuan：Taiyuan University of Technology，2021.

［8］高沛林，苗鑫，楊方.煤礦帶式輸送機節(jié)能優(yōu)化控制方法研究［J］.工礦自動化，2022，48（5）：65-71.GAO Peilin，MIAO Xin，YANG Fang.Research on energy-saving optimization control method of coal mine belt conveyor［J］.Journal of Mine Automation，2022，48（5）：65-71.

［9］王文杰.礦用帶式輸送機的非線性動力學(xué)建模研究［J］.機械制造與自動化，2020，49（5）：131-134.WANG Wenjie.Research on nonlinear dynamic modeling of mining belt conveyor［J］.Machine Building & Automation，2020，49（5）：131-134.

［10］SHAREEF I R，HUSSEIN H K.Implementation of artificial neural network to achieve speed control and power saving of a belt conveyor system［J］.Eastern-European Journal of Enterprise Technologies，2021，2（2）：110-116.

［11］原鋼，李麗宏.一種多級膠帶調(diào)速系統(tǒng)研究［J］.工礦自動化，2017，43（1）：42-47.YUAN Gang，LI Lihong.Research on multi-stage tape? speed regulation system［J］.Journal of Mine Automation，2017，43（1）：42-47.

［12］馮梅.礦用輸送帶智能預(yù)測調(diào)速控制方法研究［D］.太原：太原理工大學(xué)，2019.FENG Mei.Research on intelligent predictive speed re-gulation control method of mining conveyor belt［D］.Taiyuan：Taiyuan University of Technology，2019.

［13］陳曉晶.井工煤礦運輸系統(tǒng)智能化技術(shù)現(xiàn)狀及發(fā)展趨勢［J］.工礦自動化，2022，48（6）：6-14，35.CHEN Xiaojing.Current status and development trend of intelligent technology of underground coal mine transportation system［J］.Journal of Mine Automation，2022，48（6）：6-14，35.

［14］王中華.礦井煤流輸送系統(tǒng)優(yōu)化控制關(guān)鍵技術(shù)研究［D］.徐州：中國礦業(yè)大學(xué)，2019.WANG Zhonghua.Research on key technologies for optimal control of mine coal flow conveying system［D］.Xuzhou：China University of Mining and Technology，2019.

［15］蔣偉，吳高鎮(zhèn).煤礦主運輸煤流線信息支撐系統(tǒng)設(shè)計［J］.工礦自動化，2018，44（10）：1-5.JIANG Wei，WU Gaozhen.Design of information support system of coal flow line of coal mine main transportation［J］.Journal of Mine Automation，2018，44（10）：1-5.

［16］張超，張旭輝，毛清華，等.煤礦智能掘進機器人數(shù)字孿生系統(tǒng)研究及應(yīng)用［J］.西安科技大學(xué)學(xué)報，2020，40（5）：813-822.ZHANG Chao，ZHANG Xuhui，MAO Qinghua，et al.Research and application of digital twin system of intelligent tunneling robot in coal mine［J］.Journal of Xian University of Science and Technology，2020，40（5）：813-822.

［17］劉家軍，蔣朝哲，張建華，等.改進的折衷型模糊多屬性決策方法及其應(yīng)用［J］.交通運輸工程與信息學(xué)報，2012，10（3）：96-101.LIU Jiajun，JIANG Zhaozhe，ZHANG Jianhua，et al.Improved eclectic fuzzy multi-attribute decision making method and its application［J］.Journal of Transportation Engineering and Information Technology，2012，10（3）：96-101.

［18］張忠誠，饒從軍，王成，等.一種折衷型模糊決策模型及其應(yīng)用［J］.運籌與管理，2005，14（5）：33-35，43.ZHANG Zhongcheng，RAO Congjun，WANG Cheng，et al.A sort of eclectic fuzzy decision-making model and its application［J］.Operations Research and Management，2005，14（5）：33-35，43.

［19］張士博，姚冬梅，王克峰，等.樹形膠帶機運輸系統(tǒng)建模與雙層預(yù)測控制［J］.計算機與應(yīng)用化學(xué)，2018，35（3）：220-235.ZHANG Shibo，YAO Dongmei，WANG Kefeng，et al.Modeling of tree tape machine transport system and double-layer predictive control［J］.Computer and Applied Chemistry，2018，35（3）：220-235.

［20］辛斌，陳杰，彭志紅.智能優(yōu)化控制：概述與展望［J］.自動化學(xué)報，2013，39（11）：1831-1848.XIN Bin，CHEN Jie，PENG Zhihong.Intelligent optimization control：Overview and prospect［J］.Automatica Sinica，2013，39（11）：1831-1848.

［21］李悟早，郭術(shù)義，任思杰.模糊控制理論綜述［J］.河南科技，2019，11（21）：12-15.LI Wuzao，GUO Shuyi，REN Sijie.A review of fuzzy control theory［J］.Henan Science and Technology，2019，11（21）：12-15.

［22］史明，鄧越萍.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的可變速礦用帶式輸送機控制系統(tǒng)［J］.煤礦機械，2020，41（6）：184-187.SHI Ming，DENG Yueping.Control system of variable speed coal mine belt conveyor based on T-S fuzzy neural network［J］.Coal Mine Machinery，2020，41（6）：184-187.

［23］趙建軍.變頻跟蹤調(diào)速帶式輸送機PLC模糊控制系統(tǒng)設(shè)計［J］.中國礦業(yè)，2020，29（3）：100-104.ZHAO Jianjun.Design of PLC fuzzy control system for frequency tracking speed regulation belt conveyor［J］.China Mining Magazine，2020，29（3）：100-104.

［24］郭凱，崔世杰，曹永愛.帶式輸送機節(jié)能控制系統(tǒng)設(shè)計研究［J］.機械管理開發(fā)，2022，37（4）：259-260.GUO Kai，CUI Shijie，CAO Yongai.Design and research of energy-saving control system of belt conveyor［J］.Mechanical Management and Development，2022，37（4）：259-260.

（責(zé)任編輯：李克永）