魏東 李祖旭 司壘 譚超 王忠賓 梁斌 肖俊鵬

摘要：刮板輸送機作為綜采工作面的核心運輸裝備，準(zhǔn)確感知其形態(tài)是提升其帶載能力、緩解傳動沖擊、改善綜采工作面直線度的重要前提。目前常用的刮板輸送機形態(tài)間接測量方法難以準(zhǔn)確表征其形態(tài)，導(dǎo)致測量模型誤差較大。針對該問題，采用慣性測量單元直接測量刮板輸送機中部槽原始位姿信息，實現(xiàn)刮板輸送機形態(tài)數(shù)據(jù)的準(zhǔn)確獲取。采用融合Heursure閾值規(guī)則和新閾值函數(shù)的小波閾值去噪方法濾除中部槽運動加速度信號中的噪聲干擾，在此基礎(chǔ)上分析了中部槽運動特征，設(shè)計了基于隨機森林的中部槽運動狀態(tài)識別模型，根據(jù)運動狀態(tài)識別結(jié)果采用不同的策略更新中部槽位置，減小了隨時間累計的 IMU 數(shù)據(jù)誤差，提升了 IMU 位置解算精度。設(shè)計了改進哈里斯鷹優(yōu)化（HHO）算法優(yōu)化無跡卡爾曼濾波（UKF）進行中部槽姿態(tài)解算，通過實驗驗證了該方法解算的姿態(tài)角滿足中部槽姿態(tài)測量要求。搭建了刮板輸送機形態(tài)監(jiān)測實驗平臺，對基于運動狀態(tài)識別和改進 HHO 優(yōu)化 UKF 的刮板輸送機形態(tài)解算方法進行實驗驗證，結(jié)果表明：刮板輸送機進行單次推溜且步距為250 mm 時，由10節(jié)中部槽組成的刮板輸送機在底板水平工況下，X，Y 軸方向上位移的最大累計誤差分別為6.4，8.4 mm，Z 軸方向上位移始終保持不變，俯仰角、橫滾角和航向角的最大累計誤差分別為?0.148，?0.035，0.457?;在底板起伏工況下，X，Y，Z 軸方向上位移的最大累計誤差分別為6.6，11.5，6.9 mm，俯仰角、橫滾角和航向角的最大累計誤差分別為?0.540，?0.157，0.817?。該方法可有效抑制累計誤差，降低測量誤差，實現(xiàn)刮板輸送機形態(tài)的準(zhǔn)確感知。

關(guān)鍵詞：刮板輸送機；形態(tài)監(jiān)測；慣性測量單元；位姿解算；運動狀態(tài)識別

中圖分類號： TD634.2??? 文獻(xiàn)標(biāo)志碼： A

Shape monitoring of scraper conveyor based on inertial measurement unit

WEI Dong1， LI Zuxu1， SI Lei1， TAN Chao1， WANG Zhongbin1， LIANG Bin1， XIAO Junpeng2

（1. School of Mechatronic Engineering， China University of Mining and Technology， Xuzhou 221116， China；

2. Inner Mongolia Jarud Zhahanaoer Coal Industry Co.， Ltd.， Tongliao 029114， China）

Abstract： Scraper conveyor is the core transportation equipment of the fully mechanized working face. Accurately perceiving its form is an important prerequisite to enhance its carrying capacity， alleviate the transmission impact， and improve the straightness of fully mechanized working face. The commonly used indirect measurement methods for the shape of scraper conveyors are difficult to accurately characterize their shape， resulting insignificant measurement model errors. To address this issue， an inertial measurement unit is used to directly measure the original pose information of the middle trough of scraper conveyor， achieving accurate acquisition of the shape data of scraper conveyor. A wavelet thresholding denoising method that combines Heursure threshold rules and a new threshold function is used to filter out noise interference in the acceleration signal of the middle trough. Based on this， the motion features of the middle trough are analyzed， and a middle trough motion state recognition model based on random forest algorithm is designed. Based on the motion staterecognition results， different strategies are used to update the position of the middle trough. It reduces the accumulated IMU data error over time and improves the precision of IMU position calculation. The improved Harris hawk optimization （HHO） algorithm unscented Kalman filter （UKF） is designed for middle trough attitude calculation. It is verified through experiments that the attitude angle calculated by this method meets the requirements of middle trough attitude measurement. The experimental platform for shape monitoring of scraper conveyors is constructed. It conducts experimental verification on the shape calculation method of scraper conveyors based on motion state recognition and improved HHO optimized UKF. The results show that when the scraper conveyor performs a single sliding with a step distance of 250 mm， the maximum cumulative errors of displacement in the X and Y directions of the scraper conveyor composed of 10 middle troughs are 6.4 mm and 8.4 mm respectively under the horizontal working condition of bottom plate. It remains unchanged in the Z direction. The maximum cumulative errors of pitch angle， roll angle， and heading angle are ?0.148°， ?0.035°， and 0.457° respectively. Under the working condition of floor undulation， the maximum cumulative errors of displacement in the X， Y， and Z directions are 6.6 mm， 11.5 mm， and 6.9 mm respectively. The maximum cumulative errors of pitch angle， roll angle， and heading angle are ?0.540°， ?0.157°， and 0.817° respectively. This method can effectively suppress cumulative errors， reduce measurement errors， and achieve accurate perception of the shape of the scraper conveyor.

Key words： scraper conveyor; shape monitoring; inertial measurement unit; pose calculation; motion state recognition

0 引言

在煤炭開采中，可彎曲重型刮板輸送機是綜采工作面的核心運輸裝備[1]。隨著我國大型煤礦數(shù)量增多，對井下運輸設(shè)備的各項性能提出了更高要求[2]。刮板輸送機逐漸向著長距離、大運量和大功率方向發(fā)展，其穩(wěn)定性是影響煤礦安全高效生產(chǎn)的關(guān)鍵因素。若刮板輸送機相鄰中部槽間的水平夾角過大，不僅會減少啞鈴銷的使用壽命及刮板輸送機機頭電動機的負(fù)載，還會加大采煤機的運行阻力，且若中部槽起伏過大，在采煤作業(yè)過程中也會導(dǎo)致采煤機截割誤差不斷累計[3]。良好的刮板輸送機形態(tài)既可為采煤機提供合理的運行軌跡，又可為液壓支架的移架動作提供精確的基準(zhǔn)，有利于減小采煤機的運行阻力和截割誤差，提高液壓支架的調(diào)直精度[4-6]。

目前，刮板輸送機形態(tài)監(jiān)測方法主要有間接測量和直接測量2種。傳統(tǒng)間接測量方法主要通過監(jiān)測采煤機的運行軌跡或推移千斤頂?shù)奈灰苼韺崿F(xiàn)。文獻(xiàn)[7-9]將慣導(dǎo)系統(tǒng)解算出的采煤機位姿信息映射到刮板輸送機坐標(biāo)系下，并計算出推移誤差反饋給液壓支架控制器，對刮板輸送機的調(diào)直過程進行補償；文獻(xiàn)[10]采用起始點處第4—6節(jié)中部槽的俯仰角作為先驗信息，滾動計算出采煤機運行過程中所經(jīng)過的各節(jié)中部槽的俯仰角，從而獲得刮板輸送機豎直方向上的形態(tài)。間接測量方法使用的傳感器數(shù)量少且測量方式簡單，但存在監(jiān)測參數(shù)不完整、測量結(jié)果誤差大、實時性差等缺點[11]。

在綜采工作面中，刮板輸送機一般由80～200節(jié)中部槽組成，刮板輸送機形態(tài)實則是各節(jié)不同位姿狀態(tài)的中部槽的整體表征[12]。因此，直接測量各節(jié)中部槽的位置和姿態(tài)是實現(xiàn)刮板輸送機形態(tài)監(jiān)測更有效的方式。文獻(xiàn)[13]基于中部槽結(jié)構(gòu)尺寸和裝配約束，建立了刮板輸送機形態(tài)測量模型，利用振動傳感器捕捉采煤機經(jīng)過相鄰中部槽連接間隙時產(chǎn)生的振動信號，分割出每節(jié)中部槽的位姿數(shù)據(jù)。文獻(xiàn)[14]提出在相鄰中部槽間安裝 FBG 張拉裂隙傳感器，根據(jù) FBG 波長與中部槽角度的線性關(guān)系及 FBG 波長的蠕變性能，實現(xiàn)中部槽直線度實時監(jiān)測。文獻(xiàn)[15]提出一種基于視覺測量的綜采工作面直線度測量方法，利用梯形窗口匹配技術(shù)，將復(fù)雜的綜采工作面直線度監(jiān)測簡化為刮板輸送機電纜槽邊緣的護板位置標(biāo)定，從而實現(xiàn)刮板輸送機直線度監(jiān)測。

盡管國內(nèi)外學(xué)者對刮板輸送機形態(tài)監(jiān)測進行了大量研究，但仍存在以下問題：

1）由于裝配關(guān)系的限制，難以建立如采煤機位姿軌跡等間接測量信息與刮板輸送機形態(tài)間的直接映射關(guān)系，所以，采用間接測量方法無法準(zhǔn)確表征刮板輸送機形態(tài)，所建立的刮板輸送機形態(tài)測量模型誤差較大。

2）刮板輸送機中部槽的位姿變化主要發(fā)生在強沖擊和噪聲干擾大的推溜過程中，其他時間段處于基本靜止?fàn)顟B(tài)，具有靜止時間長、運動時間短和噪聲干擾大的特點，若直接利用慣性測量單元（InertialMeasurement Unit，IMU）的輸出數(shù)據(jù)進行位置解算，會在中部槽處于基本靜止?fàn)顟B(tài)時，因噪聲干擾產(chǎn)生較大的累計誤差。

針對上述問題，本文以刮板輸送機中部槽為研究對象，利用 IMU 直接獲取中部槽原始位姿信息，提出了一種基于運動狀態(tài)識別的中部槽位置解算方法，設(shè)計了一種基于改進哈里斯鷹優(yōu)化（Harris Hawks Optimization，HHO）算法優(yōu)化無跡卡爾曼濾波（Unscented Kalman Filter，UKF）的中部槽姿態(tài)解算方法，并通過實驗驗證了所提方法可提高刮板輸送機中部槽的姿態(tài)解算精度，進而實現(xiàn)刮板輸送機形態(tài)的有效監(jiān)測。

1 基于 IMU 的刮板輸送機形態(tài)測量

1.1 刮板輸送機形態(tài)測量坐標(biāo)系建立

為準(zhǔn)確監(jiān)測刮板輸送機形態(tài)，需建立合適的測量坐標(biāo)系。將 IMU 固定在中部槽銷耳附近，IMU 和中部槽可視為剛體，其坐標(biāo)系為載體坐標(biāo)系OXbYbZb，如圖1所示。 Yb 垂直指向工作面且平行于第1節(jié)中部槽寬度方向，Xb平行于第1節(jié)中部槽鋪設(shè)方向，Zb滿足右手規(guī)則，向上為正，此處OXbYbZb為“前右上”坐標(biāo)系。導(dǎo)航坐標(biāo)系OXnYnZn用于確定中部槽在基準(zhǔn)坐標(biāo)系下的導(dǎo)航參數(shù)，即位置和姿態(tài)，通常為“東北天”坐標(biāo)系，其中Xn，Yn，Zn 分別指向東、北和天方向。

為將各節(jié)中部槽的位姿數(shù)據(jù)表述在同一坐標(biāo)系下，建立基準(zhǔn)坐標(biāo)系。慣性導(dǎo)航中往往使用慣性坐標(biāo)系（原點在地心）作為基準(zhǔn)坐標(biāo)系，但由于綜采工作面長度為100～200 m，而地球半徑為6400 km，刮板輸送機所在地面曲率很小，不需像飛行器一樣以地心為原點建立慣性坐標(biāo)系，可在工作面某一固定位置建立適用于刮板輸送機形態(tài)監(jiān)測的固定坐標(biāo)系。以第1節(jié)中部槽初始位置左下頂點為原點，以其所在“東北天”坐標(biāo)系建立坐標(biāo)系，并將其定義為基準(zhǔn)坐標(biāo)系OwXwYwZw，進而建立刮板輸送機形態(tài)測量坐標(biāo)系，如圖2所示。

1.2 中部槽位姿實時解算矩陣建立

為了實時獲取各節(jié)中部槽的位姿信息，需要實現(xiàn)姿態(tài)旋轉(zhuǎn)矩陣的實時解算。根據(jù)刮板輸送機的工作環(huán)境特點，選用四元數(shù)法進行姿態(tài)旋轉(zhuǎn)矩陣的實時更新。四元數(shù)由4個元 q0?q3構(gòu)成，其定義為

四元數(shù)可看作是復(fù)數(shù)域的擴展，q0和 qv 分別為其實部和虛部，i，j，k 為基向量。如果 q2和 q3均為0，則四元數(shù)退化為二維空間下的純復(fù)數(shù)。

在實時解算過程中，四元數(shù)隨姿態(tài)變化不斷更新，通過四元數(shù)微分方程（式（2））可解算出每一時刻下的四元數(shù)。

式中：M（Q）為由四元數(shù)組成的系數(shù)矩陣；ω為載體坐標(biāo)系相對于導(dǎo)航坐標(biāo)系的角速度向量。

式中ωX，ωY，ωZ 為三軸角速度。

四元數(shù)微分方程的矩陣形式可表示為

通過式（4）可求得四元數(shù)的實時數(shù)據(jù)。采用四元數(shù)表示載體坐標(biāo)系到導(dǎo)航坐標(biāo)系的姿態(tài)旋轉(zhuǎn)矩陣：

l'q0（2）+ q1（2）- q2（2）- q3（2） 2（q1q2- q0q3） 2（q1q3+ q0q2）」I

'????????? I

利用姿態(tài)旋轉(zhuǎn)矩陣可實現(xiàn)加速度的去重處理及姿態(tài)角的實時更新。

1.3 刮板輸送機形態(tài)表征

為實現(xiàn)刮板輸送機中部槽在基準(zhǔn)坐標(biāo)系的表征，需先確定導(dǎo)航坐標(biāo)系下各節(jié)中部槽的初始位姿信息，將其映射到基準(zhǔn)坐標(biāo)系下，再結(jié)合位置和姿態(tài)的累計特性即可求解。定義 t 時刻第i節(jié)中部槽測量點在基準(zhǔn)坐標(biāo)系下的位置為[Xi（t） Yi（t） Zi（t）]姿態(tài)角為[θi（t）γi（t）ψi（t）]，θi（t），γi（t），ψi（t）分別為 t 時刻第i節(jié)中部槽的俯仰角、橫滾角、航向角。通過測量手段確定各節(jié)中部槽在基準(zhǔn)坐標(biāo)系下的初始位置信息，結(jié)合初始姿態(tài)角解算方法可獲得中部槽在導(dǎo)航坐標(biāo)系下的初始姿態(tài)角。本文建立的基準(zhǔn)坐標(biāo)系基于“東北天”坐標(biāo)系，可將導(dǎo)航坐標(biāo)系下的初始姿態(tài)角視為基準(zhǔn)坐標(biāo)系下的初始姿態(tài)角。設(shè)第i節(jié)中部槽的初始位置為[Xi（0） Yi（0）Zi（0）]T，初始姿態(tài)角為[θi（0）γi（0）ψi（0）]T。在初始位姿的基礎(chǔ)上，結(jié)合提出的運動狀態(tài)識別方法和改進 HHO 優(yōu)化 UKF 對 IMU 原始位姿信息進行坐標(biāo)轉(zhuǎn)換和累計計算，便可不斷更新各節(jié)中部槽在基準(zhǔn)坐標(biāo)系下的位置和姿態(tài)，實現(xiàn)刮板輸送機的形態(tài)表征。

2 基于運動狀態(tài)識別的中部槽位置解算

針對 IMU 輸出的加速度信號中的噪聲干擾，采用小波閾值去噪方法減小噪聲影響，結(jié)合運動信號的特征信息，建立基于隨機森林（Random Forest，RF）算法的中部槽運動狀態(tài)識別模型?；谶\動狀態(tài)識別結(jié)果，采用不同的位置更新策略，實現(xiàn)中部槽位置的精確解算。

2.1 中部槽慣性傳感數(shù)據(jù)去噪

IMU 安裝于刮板輸送機中部槽上，加速度計的高頻敏感特性導(dǎo)致其輸出信號中含有大量干擾信號，如刮板與槽體間的碰撞摩擦、槽體與底板間的摩擦、落煤沖擊等引起的噪聲干擾。為降低噪聲干擾對中部槽位置解算精度的影響，選用小波閾值去噪方法處理采集到的加速度信號，降低噪聲干擾，為中部槽運動狀態(tài)識別和位置解算提供準(zhǔn)確的數(shù)據(jù)參考。小波閾值去噪方法通過小波變換對小波函數(shù)進行時間平移和尺度伸縮，實現(xiàn)對非平穩(wěn)信號的多尺度時頻特性分析，可分辨信號中更多的細(xì)節(jié)信息，適用于非平穩(wěn)信號的去噪處理[16]。

在小波閾值去噪中，選取合適的閾值估計方法和閾值函數(shù)是決定去噪效果的關(guān)鍵。Heursure閾值規(guī)則以其去噪力度大、靈活性強、不易發(fā)生過保留的特點，更加適合于復(fù)雜運動環(huán)境下物體運動信號的去噪處理。對于小波基函數(shù)和分解層數(shù)的選取，需要結(jié)合信號的具體特性。在實驗室環(huán)境下，多次采集中部槽的運動信號進行分析，得出小波基函數(shù)為 sym4、分解層數(shù)為5時，分解出的小波系數(shù)最符合信號的原始特性。因此，選擇 sym4為小波閾值去噪的基函數(shù)，分解層數(shù)為5，結(jié)合新閾值函數(shù)和Heursure閾值規(guī)則進行小波閾值去噪。

2.2 中部槽加速度信號特征提取

誤差隨時間累計是 IMU 存在測量誤差的主要因素。本文通過分析推溜過程中中部槽的運動狀態(tài)，研究加速度信號的多種時頻特征，結(jié)合中部槽的運動狀態(tài)特點，提取出能夠有效區(qū)分中部槽運動狀態(tài)的信號特征，為后續(xù)中部槽運動狀態(tài)識別提供適配的特征輸入。

2.2.1 中部槽運動狀態(tài)分析

以單推溜過程中的 Y 軸加速度信號為代表，進行中部槽運動狀態(tài)分析。利用實驗室測試平臺模擬中部槽靜止?推溜?靜止的運動過程，采集整個過程中 IMU 加速度計數(shù)據(jù)，采樣頻率為100 Hz。設(shè)定中部槽靜止時間為10 s，推溜時間為5 s，模擬中部槽真實推溜步距0.8 m。對采集的 IMU 加速度信號進行小波閾值去噪，利用原始積分算法進行位置解算，結(jié)果如圖3所示（以 Y 軸方向為例， g 為重力加速度）。

從圖3可看出，中部槽在0～10 s處于靜止?fàn)顟B(tài)；10 s 后開始執(zhí)行推溜動作，10～10.15 s加速度信號出現(xiàn)正向突變，中部槽從靜止?fàn)顟B(tài)變?yōu)榧铀龠\動狀態(tài)；10.15～15.15 s 中部槽處于勻速運動狀態(tài)；15.15～15.28 s 加速度出現(xiàn)反向突變，表示中部槽由勻速運動狀態(tài)進入減速運動狀態(tài)；15.28 s 后中部槽再次進入靜止?fàn)顟B(tài)，推溜動作結(jié)束。上述運動過程中，中部槽的運動狀態(tài)依次為靜止、加速、勻速和減速，分別定義為 S1?S4。實際中部槽的運動過程是這4種運動狀態(tài)的順序轉(zhuǎn)換。由于中部槽被一直推向煤壁，僅憑突變信號的正負(fù)便可判斷出中部槽在 Y 軸方向的 S2和 S4狀態(tài)，但考慮到底板起伏工況下中部槽在 X 軸和 Z 軸的運動方向不確定，本文定義 X 軸和 Z 軸方向上的 S2狀態(tài)包括正向加速和反向加速， S4狀態(tài)包括正向減速和反向減速。

分析圖3中位移曲線可知，在 S1狀態(tài)下，由于去噪后的加速度信號并非真實信號，依然含有殘余噪聲，對加速度積分解算出的速度不為0，導(dǎo)致解算結(jié)果中出現(xiàn)位移變化，與中部槽實際運動狀態(tài)不符。經(jīng)歷 S2，S3，S4狀態(tài)后，中部槽再次進入靜止?fàn)顟B(tài)，由于加速度信號并非理想信號，導(dǎo)致速度難以回歸至0，即使中部槽已進入 S1狀態(tài)，也無法保證解算出的位移量為0，即位置仍在變化。

實際工況中，S1狀態(tài)對應(yīng)的時間段在中部槽4種運動狀態(tài)中占比最大，通常情況下占單次截割周期的98%以上，該狀態(tài)下直接通過積分運算求解中部槽位置會造成較大的累計誤差。因此，有必要對中部槽的運動狀態(tài)進行識別，根據(jù)識別結(jié)果采用不同的位置解算策略，重點在于抑制 S1狀態(tài)下的位置累計誤差，提高整個刮板輸送機形態(tài)監(jiān)測過程中對中部槽位置的解算精度。

2.2.2 加速度信號特征提取

根據(jù)中部槽靜止時間長、運動時間短及各階段信號變化明顯的特點，可提取能夠表征中部槽運動狀態(tài)的加速度信號特征，對中部槽的4種運動狀態(tài)進行識別。假設(shè)采集的加速度信號為 n 維時間序列，對其可提取以下特征：均值特征 F1、高度特征F2、脈沖因子特征 F3、偏度特征 F4、峰度特征 F5、標(biāo)準(zhǔn)差特征 F6、平均能量特征 F7、均方根頻率特征F8、頻率標(biāo)準(zhǔn)差特征 F9和能量熵特征 F10。

為驗證上述10種特征在中部槽運動狀態(tài)識別中的適用性，并篩選出能夠有效區(qū)分中部槽運動狀態(tài)的加速度特征，利用實驗測試平臺，采集100個推溜周期的加速度數(shù)據(jù)（以 Y 軸加速度數(shù)據(jù)為例），每個周期內(nèi)的加速度序列長度為2500（100 Hz×25 s），對各階段特征值進行歸一化處理，結(jié)果如圖4所示。

由圖4可知，特征 F1—F10均能區(qū)分 S2和 S3這2個狀態(tài)，但特征 F5，F(xiàn)6不能有效區(qū)分 S3和 S42個連續(xù)狀態(tài)，特征 F9不能有效區(qū)分 S1和 S2這2個連續(xù)狀態(tài)。特征 F1—F4，F(xiàn)7，F(xiàn)8，F(xiàn)10均能在連續(xù)時間序列上對4種運動狀態(tài)進行區(qū)分，但特征 F1，F(xiàn)2，F(xiàn)10在跨時間序列上存在2個狀態(tài)特征值近似的情況，F(xiàn)3，F(xiàn)4，F(xiàn)7，F(xiàn)8特征值在4種狀態(tài)間的區(qū)分度明顯，且 F3，F(xiàn)4，F(xiàn)7，F(xiàn)84種特征包含了信號的時域特征和頻域特征分析，可信度較高。因此，選用 F3，F(xiàn)4，F(xiàn)7，F(xiàn)84種特征構(gòu)成特征向量，作為后續(xù)狀態(tài)識別算法的輸入值。

2.3 中部槽運動狀態(tài)識別

由2.2節(jié)分析可知，中部槽的運動過程是 S1，S2，S3，S44種運動狀態(tài)間的順序轉(zhuǎn)換，可通過特定的運動信號特征進行區(qū)分，將中部槽的運動狀態(tài)識別問題轉(zhuǎn)換為分類問題。 RF 算法是一種結(jié)合多個弱分類器組成決策樹的集成分類算法[17]，屬于引導(dǎo)聚集（Bootstrap aggregating，Bagging）算法類型[18]，通過兩重隨機過程提升樣本分類的隨機性能，且多決策樹決策提高了分類準(zhǔn)確性。因此，提出了一種基于RF 算法的中部槽運動狀態(tài)識別方法，根據(jù)識別出的運動狀態(tài)，采用相應(yīng)的位置解算策略，以提高中部槽位置解算精度?；诜诸惢貧w樹（Classification andRegression Tree，CART）算法運算速度快、適用于大樣本分類的特點，采用 CART 算法作為 RF 的決策樹分裂算法，以特征向量[F3?? F4?? F7?? F8]T 作為 RF 算法的輸入，以 [S1 S2 S3 S4]T 為目標(biāo)狀態(tài)向量，作為RF 算法的輸出，建立中部槽運動狀態(tài)識別模型。由于中部槽的運動狀態(tài)不斷處于 S1?S2?S3?S4?S1 循環(huán)轉(zhuǎn)換中，為提高運動狀態(tài)識別的準(zhǔn)確性，本文在 4 種運動狀態(tài)的識別中添加時序約束，即 S1 僅出現(xiàn)在S2 之前及 S4 之后，S3 僅出現(xiàn)在 S2 之后及 S4 之前。

為驗證中部槽運動狀態(tài)識別模型的有效性，在實驗室環(huán)境下進行中部槽推溜實驗。由于 Y 軸方向為中部槽主要運動方向，以 Y 軸加速度信號為代表，給出運動狀態(tài)識別過程。對加速度信號進行去噪和歸一化處理后，采集2000組數(shù)據(jù)（采樣頻率為100 Hz），每種運動狀態(tài)各采集500組，其特征數(shù)據(jù)見表1。1—500組對應(yīng) S1狀態(tài)，501—1000組對應(yīng) S2狀態(tài)，1001—1500組對應(yīng) S3狀態(tài)，1501—2000組對應(yīng) S4 狀態(tài)。

將上述數(shù)據(jù)的60%作為訓(xùn)練集，其余40%數(shù)據(jù)作為測試集，將其特征向量代入 RF 算法，運動狀態(tài)識別結(jié)果見表2。可看出中部槽運動狀態(tài)識別模型準(zhǔn)確率整體較高，引入時序約束后，S1和 S3狀態(tài)識別準(zhǔn)確率達(dá)100%，S2和 S4狀態(tài)因運動時間較短，數(shù)據(jù)突變程度不一致，導(dǎo)致識別準(zhǔn)確率有所下降，但也可達(dá)96.4%和97.9%。

2.4 基于運動狀態(tài)的中部槽位置解算

根據(jù)識別出的中部槽運動狀態(tài)，采用不同的位置解算策略：中部槽處于 S1靜止?fàn)顟B(tài)時，不進行位移累計計算，即保持上一時刻的位置不變；中部槽處于 S2，S3，S4運動狀態(tài)時，對小波閾值去噪處理后的加速度信號進行積分解算。該策略抑制了長時間 S1狀態(tài)下產(chǎn)生的位置累計誤差，整體上提高了中部槽位置解算精度。

IMU 測得的加速度為載體坐標(biāo)系下的比力信息，在進行位置求解時需要利用姿態(tài)旋轉(zhuǎn)矩陣轉(zhuǎn)換至導(dǎo)航坐標(biāo)系下，以去除重力影響。定義載體坐標(biāo)系和導(dǎo)航坐標(biāo)系下的加速度分別為fb =[ fX（b） fY（b） fZ（b）]T和fn =[ fX（n） fY（n） fZ（n）]T，則有

式中l(wèi)n 為平移向量。

IMU 實際輸出為離散數(shù)據(jù)，定義 k 時刻第i節(jié)中部槽的加速度為fiw（k），位置和速度信號為xiw（k）， xi（w）（k）=[Xi （k） Yi （k） Zi （k） viX （k） viY （k） viZ （k）]T ，[Xi （k） Yi （k） Zi （k）]T，[viX （k） viY （k） viZ （k）]T 分別為 k 時刻第i節(jié)中部槽的位置、速度，則 k+1時刻的位置和速度信號為

xi（w）（k+1）=Ψxi（w）（k）+Ωfiw （k+1）?? （7）

式中Ψ， Ω為系數(shù)矩陣。

3 基于改進 HHO 優(yōu)化 UKF 的中部槽姿態(tài)解算

為提高姿態(tài)解算精度，利用 UKF 算法作為陀螺儀、加速度計和磁力計的數(shù)據(jù)融合算法[19-20]，結(jié)合非線性收斂因子和動態(tài)慣性權(quán)重，提出一種基于改進 HHO 優(yōu)化 UKF 的中部槽姿態(tài)解算方法，通過優(yōu)化 UKF 的過程噪聲協(xié)方差，提高中部槽姿態(tài)解算精度。

3.1 改進 HHO 算法

HHO 算法具有原理簡單、參數(shù)少、搜索方式多樣化等優(yōu)點[21]，但在參數(shù)分布規(guī)律和尋找全局最優(yōu)解方面還存在較大的改善空間，主要表現(xiàn)為以下2個方面。

1）HHO 算法中，獵物的逃逸能量 E 決定了算法在全局搜索和局部開發(fā)間的狀態(tài)切換。E越小， HHO 算法的局部開發(fā)能力越強；E 越大，HHO 算法的全局搜索能力越強?？梢?E 對 HHO 算法搜索能力的平衡至關(guān)重要。

E = E0E1??????????? （8）

式中：E0為[?1，1]內(nèi)的隨機數(shù)； E1為收斂因子。

E1=2（1-d=dmax ）???? （9）

式中 d，dmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)。

逃逸能量 E 主要受收斂因子 E1的影響，而 E1從2線性遞減至0，使得在 HHO 算法尋優(yōu)的中后期僅滿足|E|≤1，導(dǎo)致算法在中后期僅能進行局部開發(fā)，破壞了算法局部開發(fā)和全局搜索的平衡，易出現(xiàn)早熟現(xiàn)象。

2）HHO 算法中獵物位置為當(dāng)前全局最優(yōu)解，影響哈里斯鷹個體位置的變化。若下次迭代完成后獵物位置并未更新，算法可能陷入局部最優(yōu)，導(dǎo)致無法收斂到全局最優(yōu)解。

針對以上2個問題，在傳統(tǒng) HHO 算法的基礎(chǔ)上，引入卡方分布的逆累積分布函數(shù)改進收斂因子 E1，使其呈非線性遞減，以保證 HHO 算法局部開發(fā)與全局搜索的平衡；利用自適應(yīng)權(quán)重改進獵物位置的更新策略，在算法陷入局部最優(yōu)時，可跳至其鄰域范圍內(nèi)進行更新，有助于提高算法收斂的速度及跳出局部最優(yōu)的能力。

1）收斂因子的非線性化。采用卡方分布的逆累積分布函數(shù)實現(xiàn)收斂因子的非線性變化。卡方分布是數(shù)理統(tǒng)計中的一種分布方式[22]，累積分布函數(shù)Pc（p|N）是對變量 p 的概率密度函數(shù)的積分，表達(dá)式為

式中：N 為自由度；Γ（·）為 Gamma 函數(shù)。

改進后的非線性收斂因子為

式中 Pc?1（y|N）為逆累積分布函數(shù)，可借助于Matlab中的 chi2inv（p，N）函數(shù)進行求解。

將改進前后的收斂因子 E1 和逃逸能量 E 變化曲線進行對比，結(jié)果如圖 5 所示。

由圖 5（a）可知，改進后的收斂因子 E1 呈非線性遞減趨勢，前期和中期收斂緩慢，算法有充足的機會尋找到全局最優(yōu)解，后期收斂迅速，使算法在尋找到全局最優(yōu)解后迅速收斂。逃逸能量 E 可在整個迭代過程中實現(xiàn)|E|＞1，使改進 HHO 算法在后期主要進行局部開發(fā)的情況下，依然存在全局搜索的可能，從而在整個收斂過程中提高了算法局部開發(fā)和全局搜索的平衡能力，有利于提高算法的收斂精度和收斂速度。

2）動態(tài)慣性權(quán)重改進更新策略。為了提高 HHO 算法跳出局部最優(yōu)的能力，引入動態(tài)慣性權(quán)重wd 對獵物位置Lrabbit進行調(diào)整[23]。

wd = w（w）m（m）ax（in）-（wmax s（-） n-smin ） s（s） savg（savg） （12）

式中：wmin和wmax分別為最小權(quán)重和最大權(quán)重；s 為當(dāng)前適應(yīng)度；smin和savg分別為最近10次的獵物位置對應(yīng)的適應(yīng)度最小值和平均值。

根據(jù)上述動態(tài)慣性權(quán)重，對獵物位置進行更新：

Lrabbit （d+1）= Lrabbit （d）+ wdLrabbit （d）? （13）

式中Lrabbit（d）為第 d 次迭代后獵物位置。

如果Lrabbit對應(yīng)的適應(yīng)度超過3次未被更新，則使用較大的權(quán)重擾動Lrabbit，使其跳出當(dāng)前位置，在鄰域內(nèi)重新搜索獵物位置，提高了算法跳出局部最優(yōu)的能力，反之使用較小的權(quán)重更新Lrabbit。使用動態(tài)慣性權(quán)重可加速算法收斂，提高算法跳出局部最優(yōu)的能力。

3.2 基于改進 HHO 優(yōu)化 UKF 的中部槽姿態(tài)求解

中部槽姿態(tài)解算系統(tǒng)為非線性系統(tǒng)，利用 UKF 求解中部槽姿態(tài)具有較高的濾波精度，但 UKF 采用傳統(tǒng)卡爾曼濾波算法的濾波框架，使用過程噪聲協(xié)方差表示數(shù)學(xué)模型與真實系統(tǒng)間的近似程度，對濾波精度具有重要影響。在實際應(yīng)用中，過程噪聲協(xié)方差常取經(jīng)驗值，但中部槽姿態(tài)解算系統(tǒng)的外部環(huán)境可能發(fā)生變化，過程噪聲協(xié)方差也應(yīng)隨之改變，以保證系統(tǒng)模型的可靠性。對此，采用改進 HHO 算法優(yōu)化 UKF 中的過程噪聲協(xié)方差，提高中部槽姿態(tài)解算精度。

3.2.1 中部槽初始姿態(tài)角確定

中部槽的三軸姿態(tài)向量為[θγψ]T，初始姿態(tài)角[θ0 γ0 ψ0]T 可由 IMU 的加速度計和磁力計獲得。

1）初始俯仰角和橫滾角的確定。靜止?fàn)顟B(tài)或勻速狀態(tài)下的加速度fb =[ fX（b） fY（b） fZ（b）]T 與導(dǎo)航坐標(biāo)系下的重力向量f0n =[00 ?g]之間的關(guān)系為

式中Cn（b）為導(dǎo)航坐標(biāo)系到載體坐標(biāo)系的姿態(tài)轉(zhuǎn)換矩陣。

將[θ0 γ0 ψ0]T 代入Cn（b），得

由此得出初始俯仰角θ0和初始橫滾角γ0：

上述加速度計輸出數(shù)據(jù)需進行歸一化處理。

2）初始航向角的確定。九軸 IMU 包含地磁計，可用來求解初始航向角ψ0。設(shè)歸一化后的磁力計在載體坐標(biāo)系下的輸出為[mX（b） mY（b） mZ（b）]T，為得到航向角，可保持ψ=0并將載體沿俯仰角和橫滾角方向分別旋轉(zhuǎn)θ和γ， 使磁力計平面與導(dǎo)航坐標(biāo)系平行。該過程所對應(yīng)的姿態(tài)旋轉(zhuǎn)矩陣為

設(shè)導(dǎo)航坐標(biāo)系下的磁場強度為[mX（n） mY（n） mZ（n）]T，可得

經(jīng)過處理可得水平方向上的2個磁場分量：

由于 X 軸和 Y 軸方向的向量和指向磁北，可得磁航角：

將求得的初始俯仰角θ0和橫滾角γ0代入式（20），可得初始航向角：

式中Δψ為磁北與真北之間的磁偏角。

3）初始四元數(shù)的確定。使用四元數(shù)更新姿態(tài)旋轉(zhuǎn)矩陣，因此需確定初始四元數(shù)。已知歐拉角與四元數(shù)間的轉(zhuǎn)換關(guān)系為

將θ0，γ0，ψ0代入式（22），即可獲取初始四元數(shù)[q0，0 q1，0 q2，0 q3，0]T。

3.2.2 中部槽姿態(tài)角確定

1）狀態(tài)方程的建立。中部槽姿態(tài)解算系統(tǒng)中的狀態(tài)信息為姿態(tài)角，選用四元數(shù)為系統(tǒng)狀態(tài)信息。通過求解四元數(shù)微分方程（式（23））計算四元數(shù)。

式中ωbX，ωbY，ωbZ分別為陀螺儀的三軸過程偏差。

定義系統(tǒng)的狀態(tài)向量為 Ak=[q0，k q1，k q2，k q3，k]T，建立系統(tǒng)的離散化狀態(tài)方程：

式中：G（·）為非線性狀態(tài)方程；Wk?1為過程噪聲，滿足 e（Wk?1）=0，e（·）為期望。

式中：T 為兩狀態(tài)的時間間隔；ωbX，k，ωbY，k，ωbZ，k為 k 時刻陀螺儀的三軸過程偏差。

將式（24）展開整理后可得

2）觀測方程的建立。為融合加速度計、磁力計與陀螺儀的姿態(tài)信息，需分別以加速度計和磁力計的測量值為觀測量，建立雙通道的觀測方程。

將歸一化后的 k 時刻三軸加速度計數(shù)據(jù)[fX（b）;k? fY;（b）k? fZ;（b）k ]T作為 UKF 的觀測量，單位為 g。此時

觀測方程為

式中：h（·）為非線性觀測方程；Vk為觀測噪聲，滿足 e（Vk）=0及 e（VkVkT）=Rk，Rk為觀測噪聲協(xié)方差，與測量誤差及傳感器特性有關(guān)，本文通過統(tǒng)計長時間采集的加速度計和磁力計靜態(tài)數(shù)據(jù)得出。

將式（27）展開可得

已知載體坐標(biāo)系和導(dǎo)航坐標(biāo)系下的磁場強度分別為[mX（b） mY（b） mZ（b）]T和[mX（n） mY（n） mZ（n）]T 。一般認(rèn)為導(dǎo)航坐標(biāo)系下僅有北向和天向存在磁場數(shù)據(jù)，東向無磁場分布，即水平方向上的磁場強度為 X 軸和 Y 軸方向的向量和，所以導(dǎo)航坐標(biāo)系下的磁場強度可表示為

因此，磁力計數(shù)據(jù)為觀測量時的觀測方程為

3）過程噪聲協(xié)方差的定義。過程噪聲協(xié)方差Uk?1=e（Wk?1 WkT-1），將式（25）代入可得

式中σωX，k，σωY，k，σωZ，k為過程偏差的標(biāo)準(zhǔn)差。

3.2.3 中部槽姿態(tài)解算

定義改進 HHO 算法的適應(yīng)度函數(shù)為

式中：A 為中部槽的真實狀態(tài)；A（?）k 為中部槽的估計狀態(tài)。

基于改進 HHO 優(yōu)化 UKF 的中部槽姿態(tài)解算過程如下：

步驟1：分3步完成參數(shù)的初始化設(shè)置。

1）利用安裝在中部槽上的 IMU，采集其在上電2 s 內(nèi)的數(shù)據(jù)進行均值處理，代入式（16）和式（21）求得初始姿態(tài)角，根據(jù)式（22）求得初始四元數(shù)狀態(tài)值A(chǔ)（?）0，初始協(xié)方差矩陣 P（?）0= e[（A0- A（?）0）（A0- A（?）0）T ]，計算初始標(biāo)準(zhǔn)差，并設(shè)置陀螺儀的初始過程偏差。

2）確定無跡變換的相關(guān)參數(shù)κ， λ， α， β。

3）計算 Sigma 點的均值權(quán)值和方差權(quán)值。

步驟2：對 k?1時刻的后驗最優(yōu)狀態(tài)估計A（?）k-1進行 Sigma 點采樣，得到 Sigma 點集。

步驟3：計算 Sigma 點集的預(yù)測值。

步驟4：進行 UKF，獲得先驗狀態(tài)估計和先驗協(xié)方差估計。

步驟5：對先驗狀態(tài)估計再進行一次 Sigma 點采樣，得到新的 Sigma 點集。

步驟6：將新的 Sigma 點集代入式（28），得到觀測預(yù)測值。

步驟7：計算觀測預(yù)測值均值、方差矩陣和協(xié)方差矩陣。

步驟8：更新卡爾曼濾波增益、四元數(shù)狀態(tài)和協(xié)方差矩陣。

步驟9：初始化 HHO 算法相關(guān)參數(shù)。

步驟10：根據(jù)式（8）和式（11）計算獵物的逃逸能量。

步驟11：根據(jù)獵物的逃逸能量，進入不同的搜索階段進行位置更新。

步驟12：根據(jù)動態(tài)慣性權(quán)重更新策略，更新當(dāng)前全局最優(yōu)位置。

步驟13：若迭代次數(shù)達(dá)到最大值，則結(jié)束優(yōu)化過程，并輸出全局最優(yōu)位置，否則跳轉(zhuǎn)至步驟11繼續(xù)執(zhí)行。

步驟14：根據(jù)全局最優(yōu)位置更新過程噪聲協(xié)方差。

步驟15：將更新后的四元數(shù)狀態(tài)轉(zhuǎn)換成歐拉角，得到俯仰角、橫滾角、航向角。

步驟16：如果 UKF 迭代次數(shù)達(dá)到終止條件，則結(jié)束循環(huán)，否則跳轉(zhuǎn)至步驟2繼續(xù)執(zhí)行。

以上步驟對應(yīng)的流程如圖6所示。

3.2.4 中部槽姿態(tài)解算驗證

在實驗室環(huán)境下，采用旋轉(zhuǎn)平臺和中部槽模型對中部槽姿態(tài)解算方法進行實驗驗證，實驗裝置如圖7所示。采集安裝于中部槽上的 IMU 原始數(shù)據(jù)，分別采用改進 HHO 優(yōu)化 UKF、擴展卡爾曼濾波（Extended Kalman Filter，EKF）、UKF、HHO 優(yōu)化 UKF 4種算法進行姿態(tài)解算，比較4種算法的解算效果。

根據(jù)刮板輸送機的工作原理可知，形成 S 彎區(qū)域的過程中，中部槽的航向角在三軸姿態(tài)角中變化最為明顯。為達(dá)到更好的驗證效果，采用小角度轉(zhuǎn)動進行實驗設(shè)計，通過指令控制旋轉(zhuǎn)平臺繞軸往復(fù)轉(zhuǎn)動3?。中部槽模型的具體轉(zhuǎn)動過程：0～50 s模型保持靜止，50～55 s模型逆時針?biāo)叫D(zhuǎn)3?， 55～108 s 模型保持靜止，108～113 s模型順時針?biāo)睫D(zhuǎn)動3?， 113～168 s模型保持靜止，168～173 s模型順時針?biāo)睫D(zhuǎn)動3?， 173～227 s模型保持靜止，227～232 s模型逆時針?biāo)叫D(zhuǎn)3?， 232～316 s模型保持靜止，316～322 s模型逆時針?biāo)叫D(zhuǎn)3?， 322～351 s模型保持靜止，351～356 s模型順時針?biāo)叫D(zhuǎn)3?， 此后模型保持靜止。

實驗中，UKF 參數(shù)設(shè)置：κ=0，α=0.01，β=2；改進 HHO 優(yōu)化 UKF 參數(shù)設(shè)置：最大迭代次數(shù)為250，種群規(guī)模為30，搜索范圍為[?1，1]，最小、最大權(quán)重分別為0.95，0.45。此外，為了對比姿態(tài)的動態(tài)變化過程，以傳感器內(nèi)置算法解算出的姿態(tài)角作為參考值。實驗結(jié)果如圖8所示。

根據(jù)實驗結(jié)果，統(tǒng)計4種算法解算結(jié)果的最大誤差和平均絕對值誤差，以此評價4種姿態(tài)解算算法的精度，結(jié)果見表3。

結(jié)合圖8和表3對4種算法的解算結(jié)果進行以下分析。

1）從圖8（a）可看出，4種算法的航向角解算結(jié)果均與中部槽實際運動趨勢一致。在0～113 s 4種算法的解算結(jié)果均與參考值接近，但113 s之后，EKF、UKF、HHO 優(yōu)化 UKF 3種算法的解算結(jié)果與參考值存在較大偏差，而改進 HHO 優(yōu)化 UKF 解算結(jié)果與參考值之間的偏差較小。整個航向角測量中，改進 HHO 優(yōu)化 UKF 解算結(jié)果的最大誤差為0.193?， 平均絕對值誤差為0.057?， 在4種算法中精度最高。

2）從圖8（c）和圖8（e）可看出，在水平旋轉(zhuǎn)過程中，傳感器輸出的俯仰角和橫滾角波動較大，但均接近0，這是因為傳感器自身解算算法存在誤差所致。結(jié)合所用實驗平臺水平旋轉(zhuǎn)的穩(wěn)定性及算法輸出結(jié)果均接近0，可推導(dǎo)出俯仰角和橫滾角的理論值應(yīng)保持在0附近。因此，4種算法的解算結(jié)果均優(yōu)于傳感器自身的解算結(jié)果，這是因為算法中對多傳感器數(shù)據(jù)進行了融合。

3）若均以0作為俯仰角和橫滾角參考值，在橫滾角測量中，改進 HHO 優(yōu)化 UKF 解算結(jié)果的最大誤差為?0.003?， 平均絕對值誤差為5.188×10?4 ?。在俯仰角測量中，改進 HHO 優(yōu)化 UKF 解算結(jié)果的最大誤差為0.010?， 平均絕對值誤差為5.805×10?4 ?， 在4種算法中誤差最小。

可見，改進 HHO 優(yōu)化 UKF 在中部槽姿態(tài)解算中精度最高，符合中部槽的姿態(tài)測量要求。

4 實驗驗證

4.1 實驗平臺搭建

為進行可重復(fù)性實驗，參照 SGZ?800型刮板輸送機進行中部槽模型的簡化設(shè)計。模型尺寸為300 mm×200 mm×56 mm（長×寬×高），可實現(xiàn)相鄰中部槽在水平和垂直方向上的最大允許夾角為3?。采用10節(jié)中部槽模型模擬刮板輸送機的不同工作形態(tài)，利用電動推桿模擬液壓支架推移千斤頂?shù)耐屏飫幼鳎妱油茥U行程為0～800 mm，推移速度在0～180 mm/s 之間可調(diào)，通過 PLC 實現(xiàn)中部槽順序推溜控制。安裝于中部槽模型上的數(shù)據(jù)采集單元實時獲取各節(jié)中部槽的角速度、加速度和磁力計數(shù)據(jù)，傳送至對應(yīng)的 Powerlink 從站中進行位姿解算，然后將解算結(jié)果傳送至 Powerlink 主站中進行整合，最終將數(shù)據(jù)通過以太網(wǎng) UDP 協(xié)議傳送至上位機的刮板輸送機形態(tài)監(jiān)測系統(tǒng)進行數(shù)據(jù)更新。刮板輸送機形態(tài)監(jiān)測實驗方案及平臺分別如圖9和圖10所示。

4.2 實驗驗證

4.2.1 底板水平工況下刮板輸送機形態(tài)監(jiān)測實驗

通過底板水平工況下的刮板輸送機形態(tài)監(jiān)測實驗，驗證本文刮板輸送機形態(tài)監(jiān)測技術(shù)的可行性。真實工況下中部槽的推移步距為800 mm，但考慮中部槽模型的整體推溜效果，設(shè)定最大推移步距為250 mm。起始時刻各節(jié)中部槽靜止，然后順序推動中部槽直至形成 S 彎區(qū)域，如圖11所示。

基準(zhǔn)坐標(biāo)系下各節(jié)中部槽測量點位置如圖12所示。黑色曲線為基準(zhǔn)坐標(biāo)系下各節(jié)中部槽測量點的初始位置連線，可利用激光雷達(dá)測得；藍(lán)色和紅色曲線分別為激光雷達(dá)和本文方法得到的測量點在終止位置的連線，分別作為參考值和解算值?？煽闯鲋胁坎弁屏锴昂笥芍本€形態(tài)變?yōu)?S 彎形態(tài)。

為便于對各方向上的位置進行對比分析，將終止?fàn)顟B(tài)下的中部槽測量點位置投影到 XOY 和 XOZ 平面內(nèi)，并分析其誤差，如圖13所示。

從圖13（a）可看出，一次推溜之后，S 彎區(qū)域主要由第2?9節(jié)中部槽構(gòu)成，且第2?5節(jié)中部槽和第6?9節(jié)中部槽彎曲方向大致相反。從圖13（b）可看出，Z軸方向上測量點位置的參考值在±0.2 mm 內(nèi)波動，反映出中部槽所處底板較為水平，符合設(shè)定的實驗場景，因此，Z 軸方向上中部槽運動不明顯。本文所提基于運動狀態(tài)識別的中部槽位置解算方法將 Z 軸方向的運動狀態(tài)識別為靜止（S1狀態(tài)），解算出的10節(jié)中部槽的 Z 軸位置均保持在19.0 mm處。從圖13（c）和圖13（d）可看出，10節(jié)中部槽在 X 軸方向位置的最大累計誤差為6.4 mm，Y 軸方向位置的最大累計誤差為8.4 mm，滿足實際工況下的位置精度要求（刮板輸送機拉線誤差不超過±100 mm）。

在中部槽推溜前后，采用高精度傾角傳感器測量中部槽的初始姿態(tài)角和終止姿態(tài)角，將其作為參考值，與改進 HHO 優(yōu)化 UKF 解算出的中部槽姿態(tài)角進行對比，結(jié)果如圖14、圖15所示。

圖14（a）、圖14（b）和圖14（c）分別為由 HHO 優(yōu)化 UKF 解算的三軸姿態(tài)角和初始參考值的對比，圖14（c）中由于引入磁力計修正航向角，可測出中部槽的方位，所以初始航向角在20?附近，而俯仰角和橫滾角在0附近。圖14（d）為10節(jié)中部槽的初始姿態(tài)角誤差，俯仰角、橫滾角、航向角最大誤差分別為0.012，0.006，0.145?， 俯仰角和橫滾角誤差較小，原因是改進 HHO 優(yōu)化 UKF 引入了加速度計進行角度補償。

從圖15（a）和圖15（b）可看出，各節(jié)中部槽的俯仰角和橫滾角均小于0.1?， 且相鄰中部槽間相對轉(zhuǎn)角較小，可得出 S 彎形態(tài)下的刮板輸送機在垂直方向上基本對齊，符合底板水平工況。從圖15（c）可看出，改進 HHO 優(yōu)化 UKF 解算的航向角符合實際 S 彎區(qū)域的變化趨勢。值得注意的是，該算法解算的第1節(jié)中部槽的初始姿態(tài)和終止姿態(tài)未發(fā)生變化，原因是第2節(jié)中部槽的轉(zhuǎn)動角度全部位于中部槽模型允許的轉(zhuǎn)動范圍內(nèi)，相鄰中部槽間沒有出現(xiàn)聯(lián)動現(xiàn)象，第1節(jié)中部槽相對靜止，圖12也可驗證這一現(xiàn)象。由圖15（d）可知，10節(jié)中部槽終止?fàn)顟B(tài)下俯仰角、橫滾角、航向角的最大累計誤差分別為 ?0.148，?0.035，0.457?。實驗結(jié)果表明，改進 HHO 優(yōu)化 UKF 的解算精度高，滿足中部槽姿態(tài)解算的精度要求。

4.2.2 底板起伏工況下刮板輸送機形態(tài)監(jiān)測實驗

為了更加全面地驗證本文刮板輸送機形態(tài)監(jiān)測方法的有效性，設(shè)計了底板起伏模擬實驗平臺，利用表面起伏的硬質(zhì)膠皮模擬實際工作面的截割底板，如圖16所示。各節(jié)中部槽在該底板上做推溜運動，三軸姿態(tài)角均會發(fā)生明顯變化，其余實驗條件與底板水平工況實驗一致。

在基準(zhǔn)坐標(biāo)系下，推溜前后的各節(jié)中部槽測量點位置如圖17所示，藍(lán)色曲線為激光雷達(dá)測得的測量點終止位置的連線（參考值），紅色曲線為本文方法解算的測量點位置的連線（解算值）。

為便于對各方向上的位置進行對比分析，將終止?fàn)顟B(tài)下的中部槽測量點位置投影到 XOY 和 XOZ 平面內(nèi)，如圖18所示。

從圖18（a）可看出，一次推溜運動后，10節(jié)中部槽呈現(xiàn) S 彎形態(tài)，符合中部槽的實際形態(tài)分布，其中第 2?9 節(jié)中部槽均處于彎曲段。從圖 18（b）可看出，各節(jié)中部槽測量點處存在高度差，各節(jié)中部槽處于不同程度的起伏狀態(tài)，最大高度差為 84?mm。

10 節(jié)中部槽的位置累計誤差如圖 19 所示?？煽闯鋈S方向上的位置累計誤差整體呈遞增趨勢，這是由于2?10節(jié)中部槽依次完成推溜，隨著中部槽編號增大，推溜距離增大，推溜時間變長，盡管加速度信號經(jīng)過小波閾值去噪，但中部槽在運動過程中殘存的噪聲仍會帶來一定誤差，該誤差隨時間逐漸累計增大。 Y 軸方向是中部槽的主要運動方向，因此整體累計誤差較大，且呈明顯上升趨勢，而 X 軸和 Z 軸方向由于底板起伏，誤差出現(xiàn)波動現(xiàn)象，但整體呈上升趨勢。X，Y，Z 三軸方向的位置最大累計誤差均出現(xiàn)在第10節(jié)中部槽處，分別為6.6，11.5，6.9 mm，滿足刮板輸送機形態(tài)監(jiān)測的精度要求。

將高精度傾角傳感器測得的各節(jié)中部槽初始姿態(tài)（參考值）與本文方法的解算值進行對比，結(jié)果如圖20所示。圖20（a）、圖20（b）和圖20（c）中的角度波動均可反映出實驗所用模擬底板呈起伏狀態(tài)。由圖20（d）可知，俯仰角、橫滾角和航向角的最大累計誤差分別為0.055，0.006，0.301?。

推溜結(jié)束后，各節(jié)中部槽的終止姿態(tài)角如圖21所示。

圖21（a）和圖21（b）中的角度波動可反映刮板輸送機模型呈起伏狀態(tài)。由圖20（c）可知，改進 HHO優(yōu)化 UKF 解算出的航向角符合實際 S 彎區(qū)域的變化趨勢。由圖20（d）可知，本次實驗中10節(jié)中部槽終止俯仰角、橫滾角、航向角的最大累計誤差分別為?0.540，?0.157，0.817?。由此可知改進 HHO 優(yōu)化 UKF 的求解精度較高，滿足中部槽姿態(tài)解算的精度要求。

5結(jié)論

1）采用間接測量方法無法準(zhǔn)確表征刮板輸送機形態(tài)，所建立的刮板輸送機形態(tài)測量模型誤差較大，因此，建立了基于 IMU 的刮板輸送機形態(tài)測量模型，采用 IMU 直接測量各節(jié)中部槽的位姿信息，實現(xiàn)了刮板輸送機形態(tài)數(shù)據(jù)的準(zhǔn)確獲取。

2）針對中部槽運動加速度信號中的噪聲干擾問題，提出了融合Heursure閾值規(guī)則和新閾值函數(shù)的小波閾值去噪方法。在此基礎(chǔ)上，分析了中部槽的運動特征，設(shè)計了基于 RF 算法的中部槽運動狀態(tài)識別模型，根據(jù)運動狀態(tài)識別結(jié)果，采用不同的策略更新中部槽位置，有效降低了隨時間累計的 IMU 數(shù)據(jù)誤差，提升了 IMU 位置信息的解算精度。

3）設(shè)計了基于改進 HHO 優(yōu)化 UKF 的中部槽姿態(tài)解算方法，提升了刮板輸送機中部槽的姿態(tài)解算精度。實驗結(jié)果表明：采用該方法解算出的中部槽俯仰角、橫滾角、航向角的最大誤差分別為0.010，?0.003，0.193?， 平均絕對值誤差分別為5.805×10?4，5.188×10?4，0.057?，滿足中部槽姿態(tài)測量要求。

4）搭建了刮板輸送機形態(tài)監(jiān)測實驗平臺，進行刮板輸送機形態(tài)監(jiān)測實驗數(shù)據(jù)采集與分析，結(jié)果表明：在底板水平工況下，X 軸和 Y 軸方向上位置的最大累計誤差分別為6.4，8.4 mm，Z 軸方向上始終保持位置不變，俯仰角、橫滾角和航向角的最大累計誤差分別為?0.148，?0.035，0.457?;在底板起伏工況下，X， Y，Z 軸方向上位置的最大累計誤差分別為6.6，11.5，6.9 mm，俯仰角、橫滾角和航向角的最大累計誤差分別為?0.540，?0.157，0.817?。實驗結(jié)果驗證了所提刮板輸送機形態(tài)監(jiān)測方法的正確性和有效性，具有較高的推廣應(yīng)用價值。

參考文獻(xiàn)（References）：

[1] 司壘，李嘉豪，譚超，等.礦用刮板輸送機垂直沖擊下負(fù)載電流特性研究[J].煤炭科學(xué)技術(shù)，2023，51（2）：400-411.

SI Lei，LI Jiahao，TAN Chao，et al. Study on load current characteristics of scraper conveyor under vertical impact[J]. Coal Science and Technology，2023，51（2）：400-411.

[2] 徐亮.我國煤炭開發(fā)建設(shè)現(xiàn)狀與“十四五”展望[J].中國煤炭，2021，47（3）：44-48.

XU Liang. The present situation and expectation of coal exploitation and construction in China's 14th Five-Year Plan period[J]. China Coal，2021，47（3）：44-48.

[3] 毛君.刮板輸送機動力學(xué)行為分析與控制理論研究[D].阜新：遼寧工程技術(shù)大學(xué)，2006.

MAO Jun. Dynamical behavior analysis and control theory research of scraper conveyor[D]. Fuxin： Liaoning Technical University，2006.

[4] 王學(xué)文，李素華，謝嘉成，等.機器人運動學(xué)與時序預(yù)測融合驅(qū)動的刮板輸送機調(diào)直方法[J].煤炭學(xué)報，2021，46（2）：652-666.

WANG Xuewen， LI Suhua， XIE Jiacheng， et al. Straightening method of scraper conveyor driven by robot kinematics and time series prediction[J]. Journalof China Coal Society，2021，46（2）：652-666.

[5] 劉婷.刮板輸送機S彎區(qū)域水平彎曲角優(yōu)化關(guān)鍵技術(shù)研究[D].徐州：中國礦業(yè)大學(xué)，2019.

LIU Ting. Research on key technologies for optimizing horizontal bending angle in S-bending area of scraper conveyor[D]. Xuzhou：China University of Mining and Technology，2019.

[6] 喬春光，王學(xué)文，謝嘉成，等.刮板輸送機水平面形態(tài)檢測方法[J].工礦自動化，2018，44（8）：52-57.

QIAO Chunguang，WANG Xuewen，XIE Jiacheng， et al. Horizontal shape detection method for scraper conveyor[J]. Industry and Mine Automation，2018，44（8）：52-57.

[7] KELLY M S，HAINSWORTH D W. The landmark longwall automation project[J]. Acarp Project，2005，1：1-7.

[8] REID D C，HAINSWORTH D W，RALSTON J C， et al. Shearer guidance：a major advance in longwall mining[C]. The 4th International Conference on Field and Service Robotics，2003：469-476.

[9] RALSTON J C，REID D C，DUNN M T，et al. Longwall automation：delivering enabling technology to achieve safer and more productive underground mining[J]. International Journal of Mining Science and Technology，2015，25（6）：865-876.

[10] 喬春光，王學(xué)文，謝嘉成，等.基于采煤機運行軌跡的刮板輸送機豎直面形態(tài)解算方法[J].工程設(shè)計學(xué)報，2018，25（5）：495-502.

QIAO Chunguang，WANG Xuewen，XIE Jiacheng， et al. Vertical plane shape calculation method of scraper conveyor based on running track of shearer[J]. Chinese Journal of Engineering Design，2018，25（5）：495-502.

[11] 劉旭，王世博，韓子晨，等.刮板輸送機調(diào)直方法研究[J].煤礦機械，2020，41（6）：54-57.

LIU Xu，WANG Shibo，HAN Zichen，et al. Study on face alignment method of scraper conveyor[J]. Coal Mine Machinery，2020，41（6）：54-57.

[12] 李寧.智能工作面中刮板輸送機直線度感知技術(shù)[J].機電工程技術(shù)，2021，50（3）：186-188.

LI Ning. Straightness sensing technology of scraper conveyor of intelligent face[J]. Mechanical & Electrical Engineering Technology，2021，50（3）：186-188.

[13] 王超，李威，楊海，等.基于航位推測的刮板輸送機形態(tài)檢測研究[J].煤炭學(xué)報，2017，42（8）：2173-2180.

WANG Chao，LI Wei，YANG Hai，et al. Scraper conveyor shape detection based on dead reckoning[J]. Journal of China Coal Society，2017，42（8）：2173-2180.

[14] 權(quán)志橋.智能工作面刮板輸送機直線度FBG感知研究[D].徐州：中國礦業(yè)大學(xué)，2021.

QUAN Zhiqiao. Research on straightness FBG perception of scraper conveyor in intelligent working face[D]. Xuzhou：China University of Mining and Technology，2021.

[15] 劉鵬坤.基于視覺測量的綜采工作面直線度控制研究[D].北京：中國礦業(yè)大學(xué)（北京），2020.

LIU Pengkun. Research on straightness control of fully mechanized coal face based on vision measurement [D]. Beijing：China University of Mining and Technology- Beijing，2020.

[16] DONOHO D L， JOHNSTONE I M. Adapting to unknown smoothness via wavelet shrinkage[J]. Journal of the American Statistical Association，1995，90（432）：1200-1224.

[17] BREIMAN L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[18] BREIMAN? L. Bagging predictors[J]. MachineLearning，1996，24（2）：123-140.

[19] JULIER S，UHLMANN J K. Unscented filtering and nonlinear estimation[J]. Proceedings of theIEEE，2004，92（3）：401-422.

[20] 閆小龍，陳國光，田曉麗.兩步快速可重構(gòu)無跡卡爾曼濾波算法測量導(dǎo)彈滾轉(zhuǎn)角[J].儀器儀表學(xué)報，2018，39（6）：140-147.

YAN Xiaolong，CHEN Guoguang，TIAN Xiaoli. Two- step fast reconfigurable unscented Kalman filter algorithm for measurement of missile rolling angle[J]. Chinese Journal of Scientific Instrument，2018，39（6）：140-147.

[21] HEIDARI A A，MIRJALILI S，F(xiàn)ARIS H，et al. Harris hawks optimization： algorithm and applications[J]. Future Generation Computer Systems，2019，97：849-872.

[22] 翟光，王妍欣，孫一勇.基于低軌星網(wǎng)的多目標(biāo)協(xié)同跟蹤濾波技術(shù)[J].系統(tǒng)工程與電子技術(shù)，2022，44（6）：1957-1967.

ZHAI Guang， WANG Yanxin， SUN? Yiyong. Cooperative tracking filtering technology of multi-target based on low orbit satellite constellation[J]. Systems Engineering and Electronics，2022，44（6）：1957-1967.

[23] 湯安迪，韓統(tǒng)，徐登武，等.混沌精英哈里斯鷹優(yōu)化算法[J].計算機應(yīng)用，2021，41（8）：2265-2272.

TANG Andi，HAN Tong，XU Dengwu，et al. Chaotic elite Harris hawks optimization algorithm[J]. Journal of Computer Applications，2021，41（8）：2265-2272.