摘要：受深部開采沖擊地壓等地質(zhì)災(zāi)害擾動的影響，存在礦井超前支護(hù)系統(tǒng)自感知能力差、智能抗沖自適應(yīng)能力弱、缺乏決策控制能力等問題。針對上述問題，提出了一種基于數(shù)字孿生和深度強(qiáng)化學(xué)習(xí)的礦井超前液壓支架自適應(yīng)抗沖支護(hù)方法。通過多源傳感器感知巷道環(huán)境和超前液壓支架支護(hù)狀態(tài)，在虛擬世界中創(chuàng)建物理實體的數(shù)字孿生模型，其中物理模型精確展現(xiàn)超前液壓支架的結(jié)構(gòu)特征和細(xì)節(jié)，控制模型實現(xiàn)超前液壓支架的自適應(yīng)控制，機(jī)理模型實現(xiàn)對超前液壓支架自適應(yīng)支護(hù)的邏輯描述和機(jī)理解釋，數(shù)據(jù)模型存儲超前液壓支架實體運(yùn)行數(shù)據(jù)和孿生數(shù)據(jù)，仿真模型完成超前液壓支架立柱仿真以實現(xiàn)超前液壓支架與數(shù)字孿生模型虛實交互。根據(jù)基于深度Q 網(wǎng)絡(luò)（DQN）的超前液壓支架自適應(yīng)抗沖決策算法，對仿真環(huán)境中巷道抗沖支護(hù)進(jìn)行智能決策，并依據(jù)決策結(jié)果對物理實體和數(shù)字孿生模型下達(dá)調(diào)控指令，實現(xiàn)超前液壓支架智能控制。實驗結(jié)果表明：立柱位移與壓力變化一致，說明超前液壓支架立柱仿真模型設(shè)計合理，從而驗證了數(shù)字孿生模型的準(zhǔn)確性；基于DQN 的礦井超前液壓支架自適應(yīng)抗沖決策算法可通過調(diào)節(jié)液壓支架控制器PID 參數(shù)，自適應(yīng)調(diào)控立柱壓力，提升巷道安全等級，實現(xiàn)超前液壓支架自適應(yīng)抗沖支護(hù)。

關(guān)鍵詞：礦井智能抗沖；超前液壓支架；自適應(yīng)支護(hù)；數(shù)字孿生；深度強(qiáng)化學(xué)習(xí)；深度Q 網(wǎng)絡(luò)；DQN

中圖分類號：TD67/355 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著煤礦開采向深部轉(zhuǎn)移，井下沖擊地壓發(fā)生的頻次和破壞程度不斷增加，造成片幫冒頂、巷道垮塌和液壓支架損壞，給礦井安全高效生產(chǎn)和智能化開采帶來嚴(yán)峻挑戰(zhàn)。如何實現(xiàn)沖擊地壓煤層智能安全高效開采已被中國科協(xié)列入2023 重大科學(xué)問題、工程技術(shù)難題和產(chǎn)業(yè)技術(shù)問題[1]。研究表明[2-3]，超前支護(hù)能有效預(yù)防和阻止沖擊地壓發(fā)生，提高支護(hù)強(qiáng)度將大幅度提升沖擊地壓臨界載荷，抵抗沖擊地壓。因此，通過研究超前液壓支架自適應(yīng)抗沖支護(hù)技術(shù)，加強(qiáng)巷道支護(hù)能力，對有效預(yù)防沖擊地壓等災(zāi)害發(fā)生及實現(xiàn)巷道安全支護(hù)具有重要意義。

文獻(xiàn)[4-5]針對現(xiàn)有巷道支護(hù)難以抵抗沖擊地壓的強(qiáng)震強(qiáng)沖難題，基于巷道圍巖支護(hù)的靜力學(xué)與動力學(xué)分析，提出了抗沖支護(hù)設(shè)計方案。文獻(xiàn)[6-12]通過研究智能PID 神經(jīng)網(wǎng)絡(luò)控制方法，提高液壓支架控制系統(tǒng)魯棒性、跟蹤性能的可靠性和超前液壓支架支撐力響應(yīng)速度。上述研究在礦井超前液壓支架自適應(yīng)抗沖支護(hù)方面取得了一定成果，但實際的深部礦井沖擊地壓突出，圍巖擾動較大，液壓支架的實際響應(yīng)速度仍有滯后性，且抗干擾能力較弱[13]，現(xiàn)有礦井超前支護(hù)系統(tǒng)自感知能力差，智能抗沖自適應(yīng)能力弱，缺乏決策控制能力。

數(shù)字孿生是一種利用模型、數(shù)據(jù)、智能并集成多學(xué)科的仿真技術(shù)，具有實時建模仿真、協(xié)同控制優(yōu)化等優(yōu)點[14-17]。深度強(qiáng)化學(xué)習(xí)是一種結(jié)合深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的智能決策方法，通過深度神經(jīng)網(wǎng)絡(luò)來表示和優(yōu)化智能體的行為策略，使得智能體可以在復(fù)雜環(huán)境中進(jìn)行學(xué)習(xí)和決策[18-19]。本文提出了一種基于數(shù)字孿生和深度強(qiáng)化學(xué)習(xí)的礦井超前液壓支架自適應(yīng)抗沖支護(hù)方法。該方法通過數(shù)字孿生技術(shù)將物理世界中的超前液壓支架和支護(hù)行為數(shù)字化，通過建立數(shù)字孿生模型，結(jié)合深度強(qiáng)化學(xué)習(xí)算法驅(qū)動超前液壓支架在虛擬環(huán)境中進(jìn)行相應(yīng)操作，進(jìn)而實現(xiàn)超前液壓支架自適應(yīng)抗沖支護(hù)。

1 基于數(shù)字孿生和深度強(qiáng)化學(xué)習(xí)的礦井超前液壓支架自適應(yīng)抗沖支護(hù)技術(shù)架構(gòu)

基于數(shù)字孿生和深度強(qiáng)化學(xué)習(xí)的礦井超前液壓支架自適應(yīng)抗沖支護(hù)技術(shù)架構(gòu)包括物理層、交互層、模型層和應(yīng)用層，如圖1 所示。在虛擬世界中創(chuàng)建物理實體的數(shù)字孿生模型，利用信息交互反饋、數(shù)據(jù)融合分析、智能決策優(yōu)化方法，實現(xiàn)虛擬超前液壓支架的監(jiān)測、決策、優(yōu)化和更新，進(jìn)而控制物理世界超前液壓支架的自適應(yīng)抗沖支護(hù)。

物理層利用多源傳感器感知巷道錨桿錨索和超前液壓支架工況和環(huán)境信息，通過多源數(shù)據(jù)的交互反饋實現(xiàn)與模型層數(shù)字孿生模型的交互映射，并根據(jù)應(yīng)用層的決策模型優(yōu)化調(diào)整超前液壓支架，以實現(xiàn)自適應(yīng)抗沖支護(hù)。

交互層將多源傳感器采集的井下工況環(huán)境信息、設(shè)備運(yùn)行信息通過工業(yè)以太網(wǎng)、RS485、CAN、OPC、5G、WiFi6、UWB 等組成的工業(yè)互聯(lián)網(wǎng)傳輸至應(yīng)用層，并通過多源傳感、數(shù)據(jù)融合、數(shù)據(jù)挖掘和邊緣計算實現(xiàn)數(shù)字孿生模型與物理實體的同步狀態(tài)更新和交互協(xié)同控制。

模型層包括物理模型、控制模型、機(jī)理模型、數(shù)據(jù)模型和仿真模型等數(shù)字孿生模型。物理模型精確展現(xiàn)超前液壓支架的結(jié)構(gòu)特征和細(xì)節(jié)，為后續(xù)的仿真分析提供支持；通過控制模型實現(xiàn)超前液壓支架的自適應(yīng)控制；通過機(jī)理模型實現(xiàn)對超前液壓支架自適應(yīng)支護(hù)的邏輯描述和機(jī)理解釋；數(shù)據(jù)模型包括超前液壓支架實體運(yùn)行數(shù)據(jù)和孿生數(shù)據(jù)；利用仿真模型完成超前液壓支架立柱仿真[20]，實現(xiàn)超前液壓支架與數(shù)字孿生模型虛實交互。

應(yīng)用層主要實現(xiàn)超前液壓支架的智能決策控制。通過嵌入超前液壓支架自適應(yīng)抗沖決策模型，實時監(jiān)測支護(hù)設(shè)備的支護(hù)狀態(tài)，并通過該模型中超前液壓支架自適應(yīng)抗沖決策算法實現(xiàn)超前液壓支架自適應(yīng)抗沖決策功能。

2 數(shù)字孿生模型構(gòu)建

2.1 物理模型

本文以ZQ4000/16/31 超前液壓支架為例，確定超前液壓支架的幾何參數(shù)、運(yùn)動屬性和機(jī)械結(jié)構(gòu)。超前液壓支架主要金屬構(gòu)件包括頂梁、掩護(hù)梁、中間伸縮梁、底座、前連桿、后連桿等；液壓控制系統(tǒng)包括立柱、防倒千斤頂、移架千斤頂；液壓控制元件包括安全閥、操縱閥組、液控單向閥等。超前液壓支架各結(jié)構(gòu)件之間通過銷軸、螺栓等連接。通過SolidWorks 軟件建立超前液壓支架物理模型。

2.2 控制模型

控制模型通過液壓支架控制器自適應(yīng)調(diào)節(jié)支架，確保支架能夠根據(jù)實際圍巖狀況自動調(diào)整支護(hù)力度，從而提供更加穩(wěn)定、高效的支護(hù)效果。

普通PID 控制器結(jié)構(gòu)簡單、穩(wěn)定性強(qiáng)，但PID 參數(shù)設(shè)定時間長且波峰較大；模糊PID 控制器需要結(jié)合人工經(jīng)驗設(shè)置參數(shù)，精度不足；BP?PID 控制器加強(qiáng)了參數(shù)自適應(yīng)調(diào)整能力，但全局搜索性能較差。在全局優(yōu)化算法中， 粒子群優(yōu)化（Particle SwarmOptimization， PSO） 算法和灰狼優(yōu)化（Grey WolfOptimization，GWO）算法優(yōu)化參數(shù)效果較好。相對于PSO 算法，GWO 算法在搜索中采用更多隨機(jī)性，能夠跳出局部最優(yōu)解。因此本文控制模型采用基于GWO?BP 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID 控制器，其在非線性和時變系統(tǒng)中具有較好的控制性能和適應(yīng)性，且魯棒性強(qiáng)[10]。本文中GWO 算法的搜索空間由BP神經(jīng)網(wǎng)絡(luò)權(quán)重和超參數(shù)組成。GWO?BP 控制原理如圖2 所示，其中KP，KI，KD 分別為比例、積分、微分系數(shù)。

2.3 機(jī)理模型

根據(jù)超前液壓支架自適應(yīng)抗沖支護(hù)的組成要素、組織結(jié)構(gòu)和支護(hù)過程建立機(jī)理模型，對歷史數(shù)據(jù)、實時數(shù)據(jù)和仿真數(shù)據(jù)等多源數(shù)據(jù)進(jìn)行融合與分析，實現(xiàn)對礦井超前液壓支架自適應(yīng)抗沖支護(hù)的邏輯描述和機(jī)理解釋。

機(jī)理模型結(jié)構(gòu)如圖3 所示。組成要素和組織結(jié)構(gòu)共同構(gòu)成了礦井巷道支護(hù)的靜態(tài)結(jié)構(gòu)，提供了支護(hù)系統(tǒng)的基本框架和構(gòu)成元素；行為過程深入描繪了靜態(tài)結(jié)構(gòu)下各要素之間相互耦合、相互作用的動態(tài)過程。通過機(jī)理模型能夠更清晰地理解支護(hù)系統(tǒng)運(yùn)行的內(nèi)在機(jī)制和互動模式。

2.4 數(shù)據(jù)模型

使用MySQL 數(shù)據(jù)庫作為數(shù)據(jù)模型。MySQL 數(shù)據(jù)庫中存儲多源傳感器采集的巷道圍巖壓力數(shù)據(jù)、超前液壓支架支護(hù)數(shù)據(jù)、仿真數(shù)據(jù)及孿生數(shù)據(jù)。 調(diào)用MySQL 數(shù)據(jù)庫中存儲數(shù)據(jù)， 需要創(chuàng)建數(shù)據(jù)表：① 超前液壓支架數(shù)據(jù)交互表，該表存儲超前液壓支架支撐力、頂梁壓力及所處位置。② 沖擊地壓巷道數(shù)據(jù)交互表，該表存儲圍巖應(yīng)力、巷道區(qū)間、支護(hù)應(yīng)力、臨界應(yīng)力、應(yīng)力安全系數(shù)、能量安全系數(shù)、安全等級評價。③ 液壓控制系統(tǒng)數(shù)據(jù)交互表，該表存儲立柱伸縮量、立柱壓力和PID 控制器參數(shù)。

2.5 仿真模型

將在SolidWorks 中創(chuàng)建的超前液壓支架物理模型導(dǎo)出為.sldasm 格式的文件，并導(dǎo)入MapleSim 的液壓支架數(shù)字孿生平臺中，為后續(xù)的仿真建模、分析優(yōu)化提供完備的虛擬環(huán)境。

首先利用MapleSim 構(gòu)建超前液壓支架立柱仿真模型；然后將MySQL 數(shù)據(jù)庫中超前液壓支架的升降柱控制信號及PID 控制器參數(shù)作為仿真模型的驅(qū)動信號，導(dǎo)入MapleSim 的時間表模塊中，驅(qū)動仿真模型運(yùn)行；最后仿真物理實體在支護(hù)過程中的動態(tài)行為，通過仿真模型在虛擬環(huán)境中反映實際超前液壓支架支護(hù)狀態(tài)。

3 超前液壓支架智能決策控制

3.1 超前液壓支架自適應(yīng)抗沖決策模型

超前液壓支架自適應(yīng)抗沖決策模型主要通過“智能感知?模型驅(qū)動?智能決策?智能控制”閉環(huán)過程來實現(xiàn)決策流程[21]，如圖4 所示。首先，通過多源傳感器智能感知巷道環(huán)境和超前液壓支架支護(hù)狀態(tài)，并通過高速工業(yè)互聯(lián)網(wǎng)完成數(shù)據(jù)傳輸，實現(xiàn)超前液壓支架實體與數(shù)字孿生模型之間的信息交互。其次，利用多源感知數(shù)據(jù)構(gòu)建數(shù)字孿生模型，可視化呈現(xiàn)超前液壓支架抗沖的真實支護(hù)狀態(tài)。然后，根據(jù)超前液壓支架自適應(yīng)抗沖決策算法，對巷道抗沖支護(hù)進(jìn)行智能決策。最后，根據(jù)智能決策結(jié)果對物理實體和數(shù)字孿生模型下達(dá)調(diào)控指令，實現(xiàn)對超前液壓支架的智能控制。

3.2 超前液壓支架自適應(yīng)抗沖決策算法

超前液壓支架自適應(yīng)抗沖決策算法是超前液壓支架自適應(yīng)抗沖決策模型的核心部分，其能夠利用超前液壓支架與仿真環(huán)境交互獲得的液壓支架抗沖支護(hù)數(shù)據(jù)，對決策模型的控制策略進(jìn)行學(xué)習(xí)和訓(xùn)練，從而使超前液壓支架自適應(yīng)決策并有效抗沖。

常見的深度強(qiáng)化學(xué)習(xí)算法包括深度Q 網(wǎng)絡(luò)（Deep Q-Network， DQN） 、深度確定性策略梯度（Deep Deterministic Policy Gradient ，DDPG）、近端策略優(yōu)化（Proximal Policy Optimization， PPO） ，其優(yōu)缺點見表1。

在超前液壓支架自適應(yīng)抗沖決策過程中，調(diào)節(jié)液壓支架控制器PID 參數(shù)作為決策的調(diào)控動作，決策相對不復(fù)雜，不需要大規(guī)模訓(xùn)練，并且在短時間內(nèi)保證決策的可靠性是超前液壓支架自適應(yīng)抗沖決策的關(guān)鍵。DQN 算法相較于其他深度強(qiáng)化學(xué)習(xí)算法，結(jié)構(gòu)簡單、訓(xùn)練速度快，因此本文選取DQN 算法進(jìn)行超前液壓支架自適應(yīng)抗沖決策。

基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法原理如圖5 所示。當(dāng)前值Q 網(wǎng)絡(luò)和目標(biāo)值Q 網(wǎng)絡(luò)通過與仿真環(huán)境交互并不斷迭代訓(xùn)練，最終找到一種最優(yōu)的超前液壓支架調(diào)控動作。該算法具體訓(xùn)練過程：首先在任意時間步選定一個仿真環(huán)境狀態(tài)（巷道區(qū)間、圍巖應(yīng)力、支護(hù)應(yīng)力、 臨界應(yīng)力、 應(yīng)力安全系數(shù)）作為初始巷道狀態(tài)，將初始巷道狀態(tài)輸入當(dāng)前值Q 網(wǎng)絡(luò)中， 生成一組超前液壓支架調(diào)控動作（PID 參數(shù)），采集該調(diào)控動作存入經(jīng)驗池；然后從經(jīng)驗池中隨機(jī)采樣輸入當(dāng)前值Q 網(wǎng)絡(luò)和目標(biāo)值Q 網(wǎng)絡(luò)，計算 DQN 損失函數(shù)值，根據(jù)損失函數(shù)值更新當(dāng)前值Q 網(wǎng)絡(luò)；最后每C 步將當(dāng)前值Q 網(wǎng)絡(luò)的參數(shù)同步到目標(biāo)值Q 網(wǎng)絡(luò)，直到訓(xùn)練完成。

4 實驗驗證

4.1 數(shù)字孿生模型驗證

超前液壓支架立柱仿真模型是實現(xiàn)超前液壓支架實體與數(shù)字孿生模型虛實交互的關(guān)鍵。對超前液壓支架立柱仿真模型進(jìn)行仿真驗證，可驗證數(shù)字孿生模型的準(zhǔn)確性。

超前液壓支架立柱仿真模型參數(shù)設(shè)置見表2。

根據(jù)超前液壓支架立柱升降原理，在仿真模型中加載升降系統(tǒng)，在油缸上定義與實際超前液壓支架立柱參數(shù)相符的驅(qū)動力，進(jìn)行立柱位移與壓力變化仿真實驗，結(jié)果如圖6 所示。在初始狀態(tài)，油缸內(nèi)處于充液保壓狀態(tài)，活塞桿完全伸出，油缸壓力為41.5 MPa；在7 s 時，換向閥切換至左位，立柱開始下降，油缸壓力逐漸減小至4 MPa；在10 s 時，油缸壓力降至0，此時立柱降至最底端；在11 s 時，換向閥切換至右位，立柱開始上升，油缸壓力開始增大；在19 s時，立柱上升，位移為 0.75 m；在19 s 后，立柱完全伸出，油缸壓力達(dá)到最大，立柱液壓系統(tǒng)再次進(jìn)入穩(wěn)壓狀態(tài)。在仿真時間內(nèi)，立柱位移與壓力變化一致，說明超前液壓支架立柱仿真模型設(shè)計合理。

4.2 超前液壓支架自適應(yīng)抗沖決策算法驗證

某礦區(qū)沖擊地壓多發(fā)生在臨空側(cè)巷道，巷道為矩形斷面，高3.8 m、寬 5.2 m，支護(hù)方式為錨網(wǎng)索超前液壓支架聯(lián)合支護(hù)[21]。采集該礦0～2 680 m 巷道區(qū)間內(nèi)應(yīng)力參數(shù)及安全系數(shù)，見表3。

表3 中數(shù)據(jù)經(jīng)過數(shù)字孿生模型仿真實驗后，得到孿生數(shù)據(jù)，將該數(shù)據(jù)作為基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法訓(xùn)練的基礎(chǔ)數(shù)據(jù)。

基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法訓(xùn)練參數(shù)見表4。

在每輪迭代中，持續(xù)累加智能體獲得的獎勵，得到基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法的獎勵收斂曲線，如圖7 所示?？煽闯鲭S著訓(xùn)練輪次增加，算法獲得的獎勵逐漸上升，并最終趨于穩(wěn)定，表明算法具有良好的收斂性，能夠穩(wěn)定地提供決策方案。

選取孿生數(shù)據(jù)中巷道安全等級為C（表明巷道不安全，需暫停開采活動并進(jìn)行預(yù)警）的6 組數(shù)據(jù)，利用訓(xùn)練后的基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法，根據(jù)Q 值選擇每組數(shù)據(jù)對應(yīng)的最優(yōu)調(diào)控動作，通過對比調(diào)控前后巷道狀態(tài)（表5）判斷算法有效性。

從表5 可看出，經(jīng)過基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法調(diào)控后，巷道超前液壓支架立柱壓力升高，應(yīng)力安全系數(shù)提升，巷道安全等級提升為A（表明巷道具備開采條件），驗證了該算法的有效性。

5 結(jié)論

1） 通過多源傳感器感知巷道環(huán)境和超前液壓支架支護(hù)狀態(tài)，在虛擬世界中創(chuàng)建物理實體的數(shù)字孿生模型，仿真超前液壓支架抗沖的真實支護(hù)狀態(tài)。通過基于DQN 的超前液壓支架自適應(yīng)抗沖決策算法，對仿真環(huán)境中巷道抗沖支護(hù)進(jìn)行智能決策，從而自適應(yīng)調(diào)節(jié)液壓支架控制器PID 參數(shù)，實現(xiàn)超前液壓支架自適應(yīng)抗沖支護(hù)。

2） 數(shù)字孿生模型的立柱升降仿真實驗結(jié)果表明，立柱位移與壓力變化一致，驗證了數(shù)字孿生模型的準(zhǔn)確性?；贒QN 的超前液壓支架自適應(yīng)抗沖決策算法實驗結(jié)果表明，該算法能夠自適應(yīng)調(diào)控立柱壓力，提升巷道安全等級，實現(xiàn)超前液壓支架自適應(yīng)抗沖支護(hù)。

參考文獻(xiàn)（References）：

[ 1 ]吳擁政，付玉凱，何杰，等. 深部沖擊地壓巷道“卸

壓?支護(hù)?防護(hù)”協(xié)同防控原理與技術(shù)[J]. 煤炭學(xué)報，

2021，46（1）：132-144.

WU Yongzheng，F(xiàn)U Yukai，HE Jie，et al. Principle and

technology of \"pressure relief-support-protection\"

collaborative prevention and control in deep rock burst

roadway[J]. Journal of China Coal Society， 2021，

46（1）：132-144.

[ 2 ]王國法，牛艷奇. 超前液壓支架與圍巖耦合支護(hù)系統(tǒng)

及其適應(yīng)性研究[J]. 煤炭科學(xué)技術(shù)， 2016， 44（9） ：

19-25.

WANG Guofa，NIU Yanqi. Study on advance hydraulic

powered support and surrounding rock coupling support

system and suitability[J]. Coal Science and

Technology，2016，44（9）：19-25.

[ 3 ]唐治，潘一山，朱小景，等. 自移式吸能防沖巷道超

前支架設(shè)計與研究[J]. 煤炭學(xué)報， 2016， 41（4） ：

1032-1037.

TANG Zhi， PAN Yishan， ZHU Xiaojing， et al. Design

and study of self-moving energy absorption and

antiimpact roadway advanced support[J]. Journal of

China Coal Society，2016，41（4）：1032-1037.

[ 4 ]潘一山，齊慶新，王愛文，等. 煤礦沖擊地壓巷道三

級支護(hù)理論與技術(shù)[J]. 煤炭學(xué)報， 2020， 45（5） ：

1585-1594.

PAN Yishan，QI Qingxin，WANG Aiwen，et al. Theory

and technology of three levels support in bump-prone

roadway[J]. Journal of China Coal Society， 2020，

45（5）：1585-1594.

[ 5 ]杜明超，張坤，黃梁松，等. 新型抗沖擊吸能裝置手性

結(jié)構(gòu)吸能特性對比分析[J/OL]. 煤炭科學(xué)技術(shù)： 1-

9[2023-08-17]. https：//doi.org/10.13199/j.cnki.cst.2022-

1138.

DU Mingchao， ZHANG Kun， HUANG Liangsong，

et al. Comparative analysis of energy absorption

characteristics of chiral structures of new impact

absorbing devices[J/OL]. Coal Science and

Technology： 1-9[2023-08-17]. https：//doi.org/10.13199/

j.cnki.cst.2022-1138.

[ 6 ]宿吉奎，廉自生. 乳化液泵站的模糊PID 控制系統(tǒng)仿

真[J]. 煤礦機(jī)械，2012，33（7）：54-56.

SU Jikui， LIAN Zisheng. Simulation of fuzzy-PID

control system in emulsion pump station[J]. Coal Mine

Machinery，2012，33（7）：54-56.

[ 7 ]ESSA M E S M，ABOELELA M A，HASSAN M A M.

Position control of hydraulic servo system using

proportional-integral-derivative controller tuned by some

evolutionary techniques[J]. Journal of Vibration and

Control，2016，22（12）：2946-2957.

[ 8 ]KIM S W， CHO B， SHIN S， et al. Force control of a

hydraulic actuator with a neural network inverse

model[J]. IEEE Robotics and Automation Letters，

2021，6（2）：2814-2821.

[ 9 ]FENG Hao， SONG Qianyu， MA Shoulei， et al. A new

adaptive sliding mode controller based on the RBF

neural network for an electro-hydraulic servo system[J].

[10]ISA Transactions，2022，129：472-484.

LIU Huaiqin， YU Qinghe， WU Qu. PID control model

based on back propagation neural network optimized by

adversarial learning-based grey wolf optimization[J].

Applied Sciences， 2023， 13（8） . DOI： 10.3390/

app13084767.

[11]薛光輝，管健，柴敬軒，等. 基于神經(jīng)網(wǎng)絡(luò)PID 綜掘巷

道超前支架支撐力自適應(yīng)控制[J]. 煤炭學(xué)報，2019，

44（11）：3596-3603.

XUE Guanghui， GUAN Jian， CHAI Jingxuan， et al.

Adaptive control of advance bracket support force in

fully mechanized roadway based on neural network

PID[J]. Journal of China Coal Society， 2019， 44（11） ：

3596-3603.

[12]胡相捧， 劉新華， 龐義輝， 等. 基于BP 神經(jīng)網(wǎng)絡(luò)

PID 的液壓支架初撐力自適應(yīng)控制[J]. 礦業(yè)科學(xué)學(xué)

報，2020，5（6）：662-671.

HU Xiangpeng， LIU Xinhua， PANG Yihui， et al.

Adaptive control of setting load of hydraulic support

based on BP neural network PID[J]. Journal of Mining

Science and Technology，2020，5（6）：662-671.

[13]徐亞軍，張坤，李丁一，等. 超前支架自適應(yīng)支護(hù)理論

與應(yīng)用[J]. 煤炭學(xué)報，2020，45（10）：3615-3624.

XU Yajun， ZHANG Kun， LI Dingyi， et al. Theory and

application of self-adaptive support for advanced

powered support[J]. Journal of China Coal Society，

2020，45（10）：3615-3624.

[14]張帆，葛世榮，李闖. 智慧礦山數(shù)字孿生技術(shù)研究綜述

[J]. 煤炭科學(xué)技術(shù)，2020，48（7）：168-176.

ZHANG Fan， GE Shirong， LI Chuang. Research

summary on digital twin technology for smart mines[J].

Coal Science and Technology，2020，48（7）：168-176.

[15]EL BAZI N， MABROUKI M， LAAYATI O， et al.

Generic multi-layered digital-twin-framework-enabled

asset lifecycle management for the sustainable mining

industry[J]. Sustainability，2023，15（4）. DOI：10.3390/

su15043470.

[16]葛世榮，張帆，王世博，等. 數(shù)字孿生智采工作面技術(shù)

架構(gòu)研究[J]. 煤炭學(xué)報，2020，45（6）：1925-1936.

GE Shirong，ZHANG Fan，WANG Shibo，et al. Digital

twin for smart coal mining workface： technological

frame and construction[J]. Journal of China Coal

Society，2020，45（6）：1925-1936.

[17]張帆，葛世榮. 礦山數(shù)字孿生構(gòu)建方法與演化機(jī)理[J].

煤炭學(xué)報，2023，48（1）：510-522.

ZHANG Fan， GE Shirong. Construction method and

evolution mechanism of mine digital twins[J]. Journal

of China Coal Society，2023，48（1）：510-522.

[18]陳博，朱斌，王蒙飛，等. 基于DDPG 的礦井智能通風(fēng)

決策算法研究[J]. 煤礦機(jī)械，2023，44（10）：201-204.

CHEN Bo， ZHU Bin，WANG Mengfei， et al. Research

on intelligent ventilation decision-making algorithm for

mine based on DDPG[J]. Coal Mine Machinery， 2023，

44（10）：201-204.

[19]CAO Jiaqi，WANG Xiaolan，WANG Yansong，et al. An

improved dueling deep Q-network with optimizing

reward functions for driving decision method[J].

Proceedings of the Institution of Mechanical Engineers，

Part D： Journal of Automobile Engineering， 2023，

237（9）：2295-2309.

[20]劉清，張龍，李天越，等. 綜采工作面三機(jī)數(shù)字孿生及

協(xié)同建模方法[J]. 工礦自動化，2023，49（2）：47-55.

LIU Qing， ZHANG Long， LI Tianyue， et al. A three

machine digital twin and collaborative modeling method

for fully mechanized working face[J]. Journal of Mine

Automation，2023，49（2）：47-55.

[21]潘一山，肖永惠，羅浩，等. 沖擊地壓礦井安全性研究

[J]. 煤炭學(xué)報，2023，48（5）：1846-1860.

PAN Yishan，XIAO Yonghui，LUO Hao，et al. Study on

safety of rockburst mine[J]. Journal of China Coal

Society，2023，48（5）：1846-1860.