近日，大连理工大学机械工程学院宋学官教授团队在《Frontiers of Mechanical Engineering》发表最新研究成果，提出一种基于径向基函数神经网络（RBFNN）的自适应控制策略，成功解决了无人电动铲在复杂矿山环境下的轨迹跟踪难题。这一技术突破标志着我国在大型矿山装备智能化领域迈出关键一步，为提升采矿效率、降低能耗与安全风险提供了创新方案。

无人电动铲：矿山智能化的核心挑战

作为露天矿山的关键设备，电动铲集挖掘与装载功能于一体，其性能直接影响采矿效率与安全性。传统电动铲依赖人工操作，但矿山环境恶劣，存在效率低、人力成本高、作业风险大等问题。近年来，随着传感技术、人工智能的快速发展，电动铲的无人化与智能化转型成为行业趋势。然而，无人电动铲面临多重技术瓶颈：其结构复杂、负载高、惯性大且多系统强耦合，挖掘过程中易受模型不确定性（如部件磨损、负载变化）和外部干扰（如矿石阻力、地质振动）影响，导致传统控制方法难以实现精准轨迹跟踪。

从“精确建模”到“智能补偿”的技术革新

传统控制方法依赖精确的数学模型，但无人电动铲在实际运行中，部件尺寸误差、动态变形、矿石阻力等干扰因素导致理论模型与真实工况存在显著差异。对此，研究团队另辟蹊径，提出“自适应神经网络补偿”的创新思路。

团队首先重构了无人电动铲的拉格朗日动力学方程，将模型误差、外部扰动等不确定性统一归类为非线性干扰项。随后，利用RBF神经网络强大的非线性拟合能力，实时在线估计并补偿这些干扰。控制器以位置误差及其导数为输入，动态调整输出扭矩，使铲斗轨迹快速收敛至目标路径。此外，通过李雅普诺夫稳定性理论，团队严格证明了闭环系统的稳定性，确保控制过程平滑可靠。

仿真实验显示，在存在10%模型误差和复合干扰的条件下，新方法的位置跟踪误差可控制在±0.005米以内，速度波动减少70%，且输出力矩平滑，显著降低了重型设备因剧烈振动导致的疲劳损伤风险。与传统自适应控制相比，新方法在收敛速度、抗干扰能力上表现更优。

三大技术优势破解行业痛点

1. 非精确模型的鲁棒控制：突破传统方法对精确数学模型的依赖，将部件变形、负载变化等“不确定性”直接纳入控制框架，提升复杂工况下的适应性。
2. 平滑输出与稳定性：通过神经网络补偿干扰，避免传统滑模控制等方法的“高频抖振”问题，输出力矩波动降低50%，保障重型设备长周期稳定运行。
3. 高精度轨迹跟踪：结合最优挖掘轨迹规划算法，仿真中铲斗绝对路径误差小于0.005米，满足矿山生产对效率与安全性的严苛要求。

从实验室到矿山的应用前景

目前，该技术已在WK-12型无人电动铲的仿真平台上完成验证。研究团队表示，下一步将联合矿山企业开展实地测试，并进一步优化控制器对挖掘阻力、物料撒落等实际工况的适应性。

随着露天矿山智能化需求的增长，这项技术有望成为无人电动铲标准控制方案。其应用不仅可提升采矿效率30%以上，还能降低能耗15%-20%，同时减少因操作失误引发的安全事故。此外，该技术的底层框架可推广至其他重型装备（如液压挖掘机、装载机），为工程机械智能化提供通用解决方案。

结语

大连理工大学团队的研究，标志着我国在矿山装备核心控制技术上实现了从“跟跑”到“并跑”的跨越。未来，随着5G通信、数字孪生等技术的深度融合，无人电动铲将真正成为“智慧矿山”的中枢神经，推动采矿行业向绿色、高效、安全的方向加速转型。

来源: FME机械工程前沿