安 寧,邱瑋煒,戚 烜

(中國礦業(yè)大學(xué))

神經(jīng)網(wǎng)絡(luò)預(yù)測控制在礦井局部通風(fēng)機(jī)上的應(yīng)用

安 寧①,邱瑋煒,戚 烜

(中國礦業(yè)大學(xué))

介紹了掘進(jìn)工作面局部通風(fēng)的要求,提出了一種新的礦井局部通風(fēng)機(jī)控制策略,局部通風(fēng)機(jī)的速度由神經(jīng)網(wǎng)絡(luò)預(yù)測控制器根據(jù)工作狀態(tài)隨時調(diào)整。系統(tǒng)具有適應(yīng)性強、控制靈活的優(yōu)點,又具有較高的控制精度和較好的穩(wěn)定性。

局部通風(fēng)機(jī);神經(jīng)網(wǎng)絡(luò);預(yù)測控制;應(yīng)用

礦井局部通風(fēng)機(jī)通風(fēng)量主要由礦井瓦斯涌出量等因素決定。正常通風(fēng)狀態(tài),在滿足掘進(jìn)工作面工作人員基本用風(fēng)量的前提下,若瓦斯?jié)舛仍黾?要求局部通風(fēng)機(jī)轉(zhuǎn)速隨之上升,進(jìn)而使瓦斯?jié)舛冉档?局部通風(fēng)機(jī)轉(zhuǎn)速又隨之下降,但此時依然要滿足正常供風(fēng)的要求[1]。對于這種自動控制的要求,必須尋找到瓦斯?jié)舛扰c局部通風(fēng)機(jī)轉(zhuǎn)速的對應(yīng)關(guān)系。但在掘進(jìn)工作面,巷道內(nèi)瓦斯的涌出又是隨機(jī)的,瓦斯?jié)舛扰c局部通風(fēng)機(jī)轉(zhuǎn)速系統(tǒng)屬于非線性、多耦合、多干擾、純滯后系統(tǒng),采用傳統(tǒng)的控制方法是不現(xiàn)實的,也很難取得滿意的控制效果。預(yù)測控制采用滾動式的有限時域優(yōu)化策略,對模型時變、干擾和失配等影響能及時補償,放在復(fù)雜工業(yè)環(huán)境中更為實際且有效。而神經(jīng)網(wǎng)絡(luò)可以精確描述非線性動態(tài)過程,故可采用神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法來實現(xiàn)局部通風(fēng)機(jī)的自動控制。

1 神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)(ANN,Aritificial Neural Networks)簡稱神經(jīng)網(wǎng)絡(luò),是由人工神經(jīng)元(簡稱神經(jīng)元)互聯(lián)組成的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)模型用于模擬人腦神經(jīng)元活動的過程,其中包括對信息的加工、處理、搜索和存儲等過程,它具有以下幾個基本特點[2]:

1)具有分布式存儲信息的特點。2)對于信息的處理具有自組織、自學(xué)習(xí)的特點。3)具有可以逼近非線性函數(shù)的能力,因此,可以用來建立非線性系統(tǒng)的動態(tài)模型。4)對信息的處理及推理的過程具有并行的優(yōu)點。

神經(jīng)網(wǎng)絡(luò)控制(NNC),即基于神經(jīng)網(wǎng)絡(luò)的控制,是指在控制系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)這一工具對具有時變、非線性、不確定特性的復(fù)雜系統(tǒng)進(jìn)行建模,或充當(dāng)控制器,或優(yōu)化計算,或進(jìn)行推理,或故障診斷等,或同時具有以上幾種功能,將這種基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)的控制方式稱為神經(jīng)網(wǎng)絡(luò)控制。

2 神經(jīng)網(wǎng)絡(luò)預(yù)測控制

預(yù)測控制是近年發(fā)展起來的一類新型控制算法,由于它不但利用當(dāng)前和過去的偏差值,而且還通過預(yù)測模型來估計未來的偏差值,從而以滾動優(yōu)化確定當(dāng)前的最優(yōu)控制策略,因而其控制效果好,適用于不易建立精確模型且比較復(fù)雜的的工業(yè)生產(chǎn)過程[3]。預(yù)測控制的基本原理可歸結(jié)為:預(yù)測模型、滾動優(yōu)化和反饋校正。目前,線性系統(tǒng)的預(yù)測問題已經(jīng)得到解決,但對于非線性系統(tǒng),由于被控對象的非線性結(jié)構(gòu)未知,因此,預(yù)測模型對其輸出難以做出精確的預(yù)報,從而可能導(dǎo)致控制失敗。由于神經(jīng)網(wǎng)絡(luò)可以精確描述非線性動態(tài)過程,因此,可用神經(jīng)網(wǎng)絡(luò)設(shè)計預(yù)測控制系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)的結(jié)構(gòu)框圖見圖1。控制器有神經(jīng)網(wǎng)絡(luò)模型和優(yōu)化器組成。神經(jīng)網(wǎng)絡(luò)模型作為預(yù)測器使用。它利用系統(tǒng)輸出y與神經(jīng)網(wǎng)絡(luò)模型輸出ym之間的預(yù)測誤差e,作為其自身的訓(xùn)練信號,最優(yōu)化模塊通過最小化性能指標(biāo)J確定控制信號u。反饋校正環(huán)節(jié)用于提高預(yù)報的精確性。

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)結(jié)構(gòu)圖

神經(jīng)網(wǎng)絡(luò)預(yù)測控制器采用的性能指標(biāo)為:

式中:

yr—未來輸出的期望值;yp(t+j)—系統(tǒng)輸出預(yù)測值,由模型預(yù)測ym(t+j)和模型偏差e(t)兩部分組成,即yp(t+j)=ym(t+j)+h·e(k);λ—控制量加權(quán)系數(shù),表示對控制能量變化的重視程度;m—預(yù)測時域長度(最大輸出預(yù)報區(qū)間),表明待優(yōu)化的未來輸出跟蹤的時間范圍;n—為控制時域長度,表明要納入考慮的未來控制的范圍[4]。

神經(jīng)網(wǎng)絡(luò)預(yù)測器在控制系統(tǒng)中用于提供輸出的預(yù)報值:yp(t+j),(j=k,k+1,…,m)。如果同時知道了未來輸出的期望值yr(t+j),優(yōu)化性能指標(biāo)J就可以得到未來的控制量。在每個采樣點根據(jù)控制長度算出未來范圍的控制量有一定的時間長度。然而,實時施加的控制量只能是計算出來的第一個控制值u(t),因為控制是一步一步向前推進(jìn)的,在下一個t時刻,這些量與在此之前優(yōu)化得到的控制量相比一般不一致。因此,必須進(jìn)行滾動優(yōu)化。

3 風(fēng)機(jī)控制系統(tǒng)

局部通風(fēng)機(jī)神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)結(jié)構(gòu)見圖2,在局部通風(fēng)機(jī)神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)中,實時監(jiān)測的數(shù)據(jù)為掘進(jìn)工作面的瓦斯?jié)舛取?/p>

圖2 神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)圖

該控制系統(tǒng)主要包括瓦斯?jié)舛鹊臋z測及轉(zhuǎn)換裝置和神經(jīng)網(wǎng)絡(luò)預(yù)測控制器以及變頻器和局部通風(fēng)機(jī)等幾個部分。其中神經(jīng)網(wǎng)絡(luò)預(yù)測控制器包括具有自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)模型、優(yōu)化器以及反饋校正環(huán)節(jié),其功能可由PLC與上位機(jī)實現(xiàn)。將瓦斯傳感器安裝于掘進(jìn)工作面,然后將瓦斯傳感器實時采集的瓦斯?jié)舛纫约捌鋵?yīng)的控制信號輸入神經(jīng)網(wǎng)絡(luò)預(yù)測控制器,通過其神經(jīng)網(wǎng)絡(luò)預(yù)測算法計算出所需的控制量的大小并輸出,進(jìn)而調(diào)節(jié)局部通風(fēng)機(jī)的轉(zhuǎn)速。神經(jīng)網(wǎng)絡(luò)預(yù)測控制器的算法如下[5]:

1)由控制要求獲得期望輸出序列值。

2)預(yù)先測量得到被控對象的開環(huán)輸入輸出數(shù)據(jù),把它們作為神經(jīng)網(wǎng)絡(luò)辨識器的樣本,對神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練,得到滿意的神經(jīng)網(wǎng)絡(luò)模型。

3)利用神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生的輸出,經(jīng)模型偏差校正后得到系統(tǒng)的預(yù)報輸出。

4)計算與未來時刻期望值的誤差。

5)極小化性能指標(biāo)J,獲得控制的最優(yōu)序列。

6)將第一控制量施加于系統(tǒng),返回步驟3。

4 結(jié) 語

本文針對礦井掘進(jìn)工作面礦井局部通風(fēng)機(jī)控制問題,考慮到其數(shù)學(xué)模型難以建立,采用神經(jīng)網(wǎng)絡(luò)預(yù)測控制的方法,以瓦斯?jié)舛葹閰?shù),對風(fēng)機(jī)的轉(zhuǎn)速進(jìn)行實時調(diào)節(jié)?？刂葡到y(tǒng)不但具有預(yù)測控制的超前預(yù)測能力,而且具有神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)的建模能力,具有較高的控制精度和較好的穩(wěn)定性。

[1] 祝龍記,王汝琳.礦用變頻調(diào)速局部通風(fēng)機(jī)的模糊控制技術(shù)[J].煤炭科學(xué)技術(shù),2003(4):07-09.

[2] 宋勝利.智能控制技術(shù)概論[M].北京:國防工業(yè)出版社,2008:151-152.

[3] 師 黎,陳鐵軍,李曉媛,等.智能控制理論及應(yīng)用[M].北京:清華大學(xué)出版社,2009:206-207.

[4] 張國忠.智能控制系統(tǒng)及應(yīng)用[M].北京:中國電力出版社,2007:163-164.

[5] 邱秀君,姚加飛,冉 康.神經(jīng)網(wǎng)絡(luò)預(yù)測控制在變風(fēng)量空調(diào)系統(tǒng)中的應(yīng)用[J].低壓電器,2009(12):27-30.

Application of Neural Network Predictive Control in Mine Local Fan

An Ning,Qiu Wei-wei,Qi Xuan

Introduces the ventilation requirements of the mine local fan used in mine roadway excavation face,proposes a new adaptive control strategy of mine local fan,the mine local fan speed is adjusted according to working conditions by the neural network predictive controller.Excellent flexibility and adaptability as well as high precision and good robustness are obtained by the proposed strategy.

Mine local fan;Neural network;Predictive control;Application

book=6,ebook=28

TD724.4

A

1672-0652(2010)06-0017-02

2010-04-20

安 寧 男 1988年出生 2007年中國礦業(yè)大學(xué)在讀本科生 徐州 221116