張 瑋，張 丹

（華北科技學(xué)院教務(wù)處，北京101601）

煤炭在我國一次能源的生產(chǎn)和消費(fèi)結(jié)構(gòu)中，占有舉足輕重的地位。整個“十一五”期間，煤炭消費(fèi)的年均增幅達(dá)到3.02%，截至2010年，煤炭的消費(fèi)量已接近總量的74%［1］。然而，我國煤炭普遍屬于中灰、中疏煤，煤中的灰分一般為10%～20%，含硫量在1.0%～2.8%，煤炭在消費(fèi)使用過程中會對環(huán)境造成嚴(yán)重的污染。隨著市場需求的改變以及整個社會環(huán)境安全意識的增強(qiáng)，煤炭產(chǎn)品的質(zhì)量要求正在被不斷提高。在此背景下，選煤廠唯有加快技術(shù)進(jìn)步的速度，積極落實(shí)潔凈煤技術(shù)，下狠心淘汰落后設(shè)備，不斷提高產(chǎn)品質(zhì)量，方能適應(yīng)國內(nèi)外市場的需求，實(shí)現(xiàn)企業(yè)的可持續(xù)發(fā)展。

配煤過程依據(jù)用戶提出的煤質(zhì)指標(biāo)，將多種不同性質(zhì)的煤種按一定比例進(jìn)行合理混配，實(shí)現(xiàn)煤質(zhì)互補(bǔ)、提高燃煤效率、減少污染，是當(dāng)前合理利用煤炭資源的一種重要手段。如何準(zhǔn)確預(yù)測配煤煤質(zhì)是整個配煤過程的關(guān)鍵環(huán)節(jié)，諸多研究表明：單煤種的性能對于配煤后的煤質(zhì)具有復(fù)雜的非線性影響［2－3］，很難建立精確的配煤煤質(zhì)預(yù)測數(shù)學(xué)模型。而人工神經(jīng)網(wǎng)絡(luò)在復(fù)雜非線性問題的數(shù)學(xué)建模上具有顯著優(yōu)勢，能高精度的重現(xiàn)非線性連續(xù)函數(shù)。為此，基于人工Elman神經(jīng)網(wǎng)絡(luò)，本文在實(shí)驗(yàn)基礎(chǔ)上，建立了配煤煤質(zhì)預(yù)測模型，實(shí)現(xiàn)了對配煤煤質(zhì)的準(zhǔn)確預(yù)測。

1 構(gòu)建原理

目前，用于煤礦企業(yè)設(shè)備組網(wǎng)的前饋BP神經(jīng)網(wǎng)絡(luò)，屬于典型的非線性靜態(tài)映射，通過簡單的非線性單元的組合映射，來模擬復(fù)雜的非線性問題，具有結(jié)構(gòu)簡單、可靠性高的特點(diǎn)［4，8－9］。但是，由于靜態(tài)非線性映射自身缺乏豐富的動力學(xué)規(guī)則，導(dǎo)致BP網(wǎng)絡(luò)在煤炭企業(yè)實(shí)際組網(wǎng)應(yīng)用中，普遍存在運(yùn)算速度慢、目標(biāo)函數(shù)在局部極小值處易陷入死循環(huán)等問題。煤礦井下復(fù)雜惡劣工作環(huán)境，決定了井下自動化控制網(wǎng)絡(luò)必須具有高度的自主性和穩(wěn)定性，能及時(shí)對各種突發(fā)狀況做出準(zhǔn)確的反應(yīng)，BP神經(jīng)網(wǎng)絡(luò)在此方面難以滿足要求。Elman動態(tài)回歸神經(jīng)網(wǎng)絡(luò)沿用了BP網(wǎng)絡(luò)的基本結(jié)構(gòu)，重點(diǎn)是在隱含層后增加一個充當(dāng)延時(shí)算子的承接層，借此完成對控制數(shù)據(jù)的中繼記憶，令整個控制系統(tǒng)得以應(yīng)對短時(shí)間大量數(shù)據(jù)爆發(fā)式出現(xiàn)的突發(fā)狀況，增強(qiáng)了煤礦設(shè)備控制網(wǎng)絡(luò)的全局穩(wěn)定性，使得網(wǎng)絡(luò)系統(tǒng)得以準(zhǔn)確地反應(yīng)井下設(shè)備的實(shí)時(shí)動態(tài)特性［4］。同時(shí)，處理單元的增多，使其具有了更強(qiáng)大的運(yùn)算功能，極大縮短了問題處理的效率。鑒于此，基于Elman反饋型神經(jīng)網(wǎng)絡(luò)，我們設(shè)計(jì)了配煤煤質(zhì)的預(yù)測模型，以發(fā)熱量、水分、灰分以及揮發(fā)分為評價(jià)指標(biāo)，利用Elman動態(tài)神經(jīng)網(wǎng)絡(luò)模型，對配煤所得復(fù)煤的品質(zhì)進(jìn)行預(yù)測。

1.1 反饋型Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型含有輸入層、隱含層、關(guān)聯(lián)層（承接層）和輸出層這4層結(jié)構(gòu)。運(yùn)算時(shí)，隱含層的輸出量先被載入承接層進(jìn)行延遲存儲，之后與導(dǎo)入隱含層的輸入量進(jìn)行自關(guān)聯(lián)，內(nèi)建了一個反饋網(wǎng)絡(luò)。這樣做，一方面通過數(shù)據(jù)的自檢比對，提高了數(shù)據(jù)的準(zhǔn)確性；另一方面提高了動態(tài)信息的處理能力，非常適合用于搭建煤礦企業(yè)井下控制網(wǎng)絡(luò)。

1.2 網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練模式

Elman神經(jīng)網(wǎng)絡(luò)的非線性模型定義為［5］：

式中，λ為Elman神經(jīng)網(wǎng)絡(luò)的連接權(quán)矩陣（λ1：輸入層到隱含層，λ2：隱含層到承接層，λ3：隱含層到輸出層）；M（n）和Me（n）分別為隱含層和承接層的輸出量；N（n）為輸出層的輸出量；k（0≤k≤1）是自連接反饋增益因子；u（）是隱含層、關(guān)聯(lián)層輸出量的線性組合；e［］為隱含層與承接層的傳遞函數(shù)；f［］為輸出層的傳遞函數(shù)，均為sigmoid型神經(jīng)元非線性作用函數(shù)，其形式為：

模型建立后，利用自適應(yīng)動量梯度降低算法訓(xùn)練網(wǎng)絡(luò)，調(diào)整函數(shù)權(quán)值和閾值參數(shù)，減低誤差。權(quán)值和閾值等參數(shù)確定后，便可進(jìn)行測試。

2 配煤煤質(zhì)預(yù)測模型的建立

2.1 選取檢測樣本

以某集團(tuán)為例，其產(chǎn)品主要有15種單一煤種、4種混合煤種，配煤廠的目標(biāo)配煤精度小于1%，復(fù)煤的煤質(zhì)要求如表1所示。本研究將應(yīng)用根據(jù)上述原理建立的反饋型Elman模型，對配煤的煤質(zhì)開展預(yù)測。

表1 配煤后復(fù)煤的煤質(zhì)目標(biāo)

以試驗(yàn)獲得的部分典型單一煤質(zhì)性能數(shù)據(jù)為參考［6－7］，利用模型預(yù)測配煤煤質(zhì)。研究中，選取了14組數(shù)據(jù)來進(jìn)行模型的預(yù)測，其中前12組作為網(wǎng)絡(luò)的訓(xùn)練樣本，后2組數(shù)據(jù)作為檢測樣本。預(yù)測樣本的設(shè)計(jì)過程以檢測樣本的數(shù)據(jù)加以描述，輸入量是單一煤種1、2和3號的煤質(zhì)數(shù)據(jù)，輸出量是配煤的煤質(zhì)數(shù)據(jù)。樣本數(shù)據(jù)信息如表2所示。

表2 檢測樣本數(shù)據(jù)

2.2 模型架構(gòu)

由表2可知，預(yù)測模型的輸入層含有單一煤種的發(fā)熱量（Cad）、水分（Aad）、灰分（Vad）、揮發(fā)分（Mad）這五個輸入量，預(yù)測中4種單一煤種為一組，模型中每組具有16個輸入層節(jié)點(diǎn)，輸出層具有4個節(jié)點(diǎn)，對應(yīng)配煤的發(fā)熱量、水分、灰分、揮發(fā)分這四個煤質(zhì)指標(biāo)。

整個配煤煤質(zhì)預(yù)測模型設(shè)計(jì)中隱含層節(jié)點(diǎn)數(shù)目的選，擇取決于煤種的復(fù)雜程度以及具體配煤操作。參考相關(guān)研究中確定隱含層節(jié)點(diǎn)數(shù)的方法［6］。

式中：ψ為配煤數(shù)據(jù)樣本數(shù)；輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)為n，ni則為隱層神經(jīng)元節(jié)點(diǎn)數(shù)。

如果i＞ni＝0。隱含層作用函數(shù)為正切sigmoid神經(jīng)元非線性函數(shù)，輸出層作用函數(shù)為正切sigmoid神經(jīng)元線性函數(shù)。在此基礎(chǔ)上，綜合考慮網(wǎng)絡(luò)的運(yùn)算性能，最終確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為26個，組建（16，26，4）型Elman動態(tài)神經(jīng)網(wǎng)絡(luò)。

2.3 網(wǎng)絡(luò)訓(xùn)練與精度效驗(yàn)

隨即選取18組配煤數(shù)據(jù)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練與精度效驗(yàn)，使用16組數(shù)據(jù)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最后2組樣本用于精度效驗(yàn)，部分樣本信息如表3所示。同時(shí)，需要對用于訓(xùn)練學(xué)習(xí)的樣本進(jìn)行歸一化處理，以提高網(wǎng)絡(luò)的收斂性。這里我們采用了學(xué)習(xí)速率自適應(yīng)的梯度下降算法，對Elman網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練。訓(xùn)練參數(shù)被設(shè)置為：網(wǎng)絡(luò)的訓(xùn)練次數(shù)為5000，學(xué)習(xí)動量因子為0.80，學(xué)習(xí)速率為0.05，學(xué)習(xí)結(jié)束時(shí)的目標(biāo)平均誤差為0.001，其他參數(shù)直接選擇默認(rèn)值。

研究中，通過實(shí)驗(yàn)數(shù)據(jù)與模型預(yù)測結(jié)果的比對，如表3所示，計(jì)算得出網(wǎng)絡(luò)的預(yù)測精度為0.000995371。說明本預(yù)測模型設(shè)計(jì)合理，對于配煤后的煤質(zhì)具有良好的預(yù)測準(zhǔn)確性，以反饋型Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行煤質(zhì)預(yù)測是可行的，其精度滿足選煤廠的控制要求。

表3 實(shí)驗(yàn)結(jié)果與預(yù)測結(jié)果比較

3 結(jié)語

通過配煤所得復(fù)煤的多種煤質(zhì)指標(biāo)，與其所含的單一煤種之間具有復(fù)雜的非線性關(guān)系。對于選煤廠而言，必須建立高精度的煤質(zhì)預(yù)測分析模型，準(zhǔn)確把握配煤煤質(zhì)情況。本文利用動態(tài)Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建配煤煤質(zhì)預(yù)測模型，極大程度的提高了模型的冗余度，增強(qiáng)了應(yīng)對突發(fā)位置狀況的能力，提高了預(yù)測的準(zhǔn)確性與速度，降低了選煤廠的人力和物力投入，提高了企業(yè)的經(jīng)濟(jì)效益。與此同時(shí)，進(jìn)一步充實(shí)了配煤的基礎(chǔ)理論研究，促進(jìn)了配煤預(yù)測技術(shù)的發(fā)展與完善，對于相關(guān)研究起到了借鑒作用。

［1］李穎.基于非線性理論的動力配煤模型的研究［D］.杭州：浙江大學(xué)，2002.

［2］孫庶.動力配煤幾個主要煤質(zhì)指標(biāo)可加性的論證［J］.煤炭技術(shù)，2009（5）：164－166.

［3］侯靜，趙益坤.動力配煤的數(shù)學(xué)模型及優(yōu)化解［J］.太原理工大學(xué)學(xué)報(bào)，2006（4）：486－488.

［4］鄧俊，賴旭芝，吳敏.基于神經(jīng)網(wǎng)絡(luò)和模擬退火算法的配煤智能優(yōu)化方法選煤技術(shù)［J］.冶金自動化，2007（3）：19－23.

［5］常愛英，吳鐵軍，包鑫.基于最小二乘支持向量機(jī)的動力配煤著火特性預(yù)測模型［J］.煤炭學(xué)報(bào)，2010（8）：1380－1383.

［6］AT ＆ T Bell Labs，Holmdel，NJ，07733，USA.AT ＆ T Bell Labs，Holmdel，NJ，07733，USA［J］.AT ＆ T Bell Labs，2005（9）.

［7］劉澤常，高洪閣.動力配煤主要煤質(zhì)指標(biāo)可加性的統(tǒng)計(jì)驗(yàn)證［J］.煤炭加工與綜合利用，1999（5）：1－3.

［8］付勝，龐印華.基于線性優(yōu)化算法的自動配煤控制系統(tǒng)設(shè)計(jì)［J］.中國煤炭，2011（2）：66－69.

［9］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用［M］.北京：清華大學(xué)出版社，1999.