李國輝，孫經(jīng)平，梁 鑫

（山東魯能菏澤煤電開發(fā)有限公司，山東 菏澤 274000）

目前，重介質(zhì)選煤工藝以其工藝簡化、分選精度高在我國選煤行業(yè)得到了廣泛推廣應(yīng)用。在重介選煤生產(chǎn)過程，重介懸浮液密度的控制對于分選效果至關(guān)重要。然而，目前國內(nèi)尚有不少選煤廠仍采用人工來控制重介懸浮液的密度，重介懸浮液密度給定值大多由人工憑經(jīng)驗得到。該方法不僅費時、費力，而且不夠精確。為解決此問題，提出了對重介懸浮液密度進(jìn)行自動控制并進(jìn)行智能給定的智能給定系統(tǒng)設(shè)計，以提高產(chǎn)品質(zhì)量與分選效率。

1 BP神經(jīng)網(wǎng)絡(luò)簡介

在20世紀(jì)80年代時，D.E.Rumelhart以及J.L.McCelland兩位專家最先提出BP神經(jīng)網(wǎng)絡(luò)算法。該算法屬于一種前饋網(wǎng)絡(luò)方式，但不同于普通前饋網(wǎng)絡(luò)方式，它還包含隱含層，且是多層前饋網(wǎng)絡(luò)［1］。在控制系統(tǒng)中，可以利用反向傳播而得到的誤差來進(jìn)行網(wǎng)絡(luò)中連接權(quán)值的調(diào)整。總的來說，該神經(jīng)網(wǎng)絡(luò)可以對多層網(wǎng)絡(luò)中各層的神經(jīng)元中的連接權(quán)值進(jìn)行有效地系統(tǒng)調(diào)整。

如圖1所示，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由多層神經(jīng)元組成，神經(jīng)元之間都是由節(jié)點進(jìn)行連接的，而且輸入的信號是按照從左到右的順序進(jìn)行傳輸，且是一組輸入信號，分別穿過輸入層、隱含層以及輸出層。由此可見，BP神經(jīng)網(wǎng)絡(luò)屬于多層神經(jīng)網(wǎng)絡(luò)［2］。

通過圖1可以看出，在BP神經(jīng)網(wǎng)絡(luò)中有兩種信號，它們分別是從左向右的一組函數(shù)信號和從右往左傳輸?shù)恼`差信號。對于函數(shù)信號而言，其向右傳輸時傳到輸入層，輸入層中的神經(jīng)元將其接收，接著傳給中間層;中間層屬于隱含層，它的結(jié)構(gòu)就是單隱層或是多隱層的結(jié)構(gòu);最后，函數(shù)信號由隱含層傳到輸出層中，由輸出層中的各神經(jīng)元進(jìn)行接收。這個過程就是函數(shù)信號從輸入到輸出的過程，該過程也是一次正向傳播進(jìn)行學(xué)習(xí)處理的過程，最后通過輸出層給外界一個結(jié)果。倘若在輸出層中得到的結(jié)果跟實際的結(jié)果不一致，那么就會進(jìn)入誤差信號階段:誤差信號透過輸出層，然后根據(jù)誤差梯度下降的方法對各層的權(quán)值來進(jìn)行修改，再依次傳入隱含層、輸入層。函數(shù)信號以及誤差信號不斷地在BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行傳輸，不斷地調(diào)整各層的權(quán)值，這種過程就叫做神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，就像人的大腦一樣，不斷運轉(zhuǎn)進(jìn)行思考。這種訓(xùn)練過程一直進(jìn)行到誤差在可接受的范圍內(nèi)或者是在設(shè)定好的運行次數(shù)達(dá)到之后才能停止，否則將會不斷進(jìn)行訓(xùn)練［3］。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of the BP neural network

2 BP神經(jīng)網(wǎng)絡(luò)控制懸浮液密度給定值的實現(xiàn)

以郭屯選煤廠重介懸浮液密度自動控制系統(tǒng)的設(shè)計為實例來進(jìn)行說明。

在郭屯選煤廠懸浮液密度自動控制系統(tǒng)設(shè)計過程中，懸浮液密度受很多因素的干擾，比如精煤灰分、分選壓力、原煤的性質(zhì)以及設(shè)備運行時的狀態(tài)等等，其中有一部分還無法進(jìn)行控制，如原煤的性質(zhì)，這是人工無法改變的。為此，在考慮對懸浮液密度產(chǎn)生影響的因素時，需要對一些干擾因素進(jìn)行取舍。在研究中，選取了磁性物含量、分選壓力、懸浮液的密度、分流開度、原煤流量以及精煤快灰這6個變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行預(yù)測，而其輸出只有一個，即懸浮液的密度，隱含層則有8個節(jié)點。

在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測之前，先需要部分?jǐn)?shù)據(jù)來進(jìn)行訓(xùn)練。為此，選取了60組數(shù)據(jù)，對其中的40組數(shù)據(jù)先進(jìn)行訓(xùn)練，而后面的20組則用于預(yù)測。表1所示為研究選取的部分?jǐn)?shù)據(jù)。

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測選取的部分?jǐn)?shù)據(jù)Table 1 Predicted data by BP neural network

在本研究中，所用的激發(fā)函數(shù)為Sigmoid函數(shù)，一般來說，在BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)歸一化之前需要讓該函數(shù)的曲線能處于最大的斜率上［4］。因此，將歸一化的范圍設(shè)在0.1～0.9之間。歸一化表達(dá)式如下:

式中:xk為其中第k個數(shù)據(jù);x'k為k個數(shù)據(jù)進(jìn)行歸一化處理之后的數(shù)值;xmin、xmax分別為40組數(shù)據(jù)中的最大值與最小值。

由前述可知，本研究懸浮液密度給定值預(yù)測的BP神經(jīng)網(wǎng)絡(luò)有6個輸入值，其輸出只有懸浮液的密度，為此構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的原理，對40組懸浮液密度數(shù)據(jù)進(jìn)行訓(xùn)練［5］，訓(xùn)練步驟如下:第一步是進(jìn)行初始化設(shè)置。對神經(jīng)網(wǎng)絡(luò)中的閾值、連接權(quán)值等進(jìn)行初始化，并且讓連接權(quán)的取值范圍在 －0.1～0.1之間，而網(wǎng)絡(luò)中的學(xué)習(xí)率則可以被設(shè)置為0.01。由于該算法也是一直循環(huán)的，為此，還需要設(shè)置一個終止算法的條件，即誤差E≤0.005，也即當(dāng)E≤0.005時，就可以終止神經(jīng)網(wǎng)絡(luò)的運行;第二步是歸一化處理數(shù)據(jù)。在對選定的60組數(shù)據(jù)進(jìn)行訓(xùn)練處理時，為了能夠讓計算機處理數(shù)據(jù)更加快捷，需將這60組數(shù)據(jù)轉(zhuǎn)換至0.1～0.9之間;第三步是取得誤差值;第四步是求出δk、δi值;第五步是求出Δwki、Δwij值;第六步是終止循環(huán)。當(dāng)達(dá)到設(shè)定誤差≤0.005時，就可以終止訓(xùn)練，否則需要跳到第三步重新進(jìn)行循環(huán)。

圖2 懸浮液密度智能給定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure diagram of BP neural network for intelligent qiven density of suspension

利用Matlab軟件對選定的60組樣本數(shù)據(jù)進(jìn)行仿真，其程序如圖3所示。

圖3 懸浮液密度給定值訓(xùn)練預(yù)測程序圖Fig.3 Program graph of training and prediction for the density set value of suspension

確定上述程序無誤后，對其中的40組數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后可以得到如圖4的所示界面。

圖4 利用Matlab軟件進(jìn)行訓(xùn)練的界面圖Fig.4 Training interface of the Matlab

圖4表明，對40組數(shù)據(jù)進(jìn)行訓(xùn)練一共運行了9次，說明樣本數(shù)據(jù)比較好。

訓(xùn)練完畢后，對剩下的20組數(shù)據(jù)進(jìn)行了預(yù)測，所得的部分結(jié)果與實際輸出之間的誤差值如表2所示。由表2可知，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，數(shù)據(jù)的誤差值不超過0.005，說明利用神經(jīng)網(wǎng)絡(luò)設(shè)置密度給定值的效果比較不錯。為了更加直觀，根據(jù)表2數(shù)據(jù)繪出懸浮液密度實際輸出與預(yù)測輸出的曲線，如圖5所示。

表2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的懸浮液密度數(shù)據(jù)Table 2 Predicted density data of suspension by BP neural network

圖5 懸浮液密度實際輸出與預(yù)測輸出曲線圖Fig.5 Comparative curves between actual output density of suspension and prediction value

由圖5能夠清楚地看出預(yù)測值跟實際值之間的誤差并不是很大。因此可以表明，利用BP神經(jīng)網(wǎng)絡(luò)對重介懸浮液密度值進(jìn)行智能給定是完全可行的。

3 結(jié)語

文章介紹了一種利用BP神經(jīng)網(wǎng)絡(luò)智能控制算法對選煤廠重介懸浮液密度進(jìn)行智能給定的方法。根據(jù)從郭屯選煤廠采集的數(shù)據(jù)樣本，對懸浮液密度進(jìn)行了訓(xùn)練與預(yù)測，結(jié)果表明預(yù)測值與實際值之間的誤差并不是很大，說明利用BP神經(jīng)網(wǎng)絡(luò)對重介懸浮液密度值進(jìn)行智能給定是完全可行的，從而為選煤廠重介懸浮液密度的智能給定提供了一種技術(shù)途徑。目前，該方法正在處于試驗階段，需要在實際的生產(chǎn)過程中得到進(jìn)一步的驗證。

［1］胡世鵬，吳小林，馬利敏，等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的天然氣脫水裝置能耗優(yōu)化［J］.天然氣工業(yè)，2012，32(11):89－90.

［2］任 敏，王明芳，任 英.模糊神經(jīng)網(wǎng)絡(luò)PID控制器在污水處理中的應(yīng)用［J］.吉林大學(xué)學(xué)報:信息科學(xué)版，2011，29(6):595－599.

［3］胡 娟，王振娜，王福忠.基于模糊神經(jīng)網(wǎng)絡(luò)的重介質(zhì)懸浮液的密度和液位的控制［J］.中國煤炭，2012，38(2):88－91.

［4］T K Teng，J S Shieh，C S Chen.Genetic algorithms applied in online autotuning PID parameters of a liquid－level control system ［J］.Transactions of the Institute of Measurement and Control，2003，25(5):443－450.

［5］吳寶強，孫 煒，曹 成.柔性和摩擦力不確定條件下RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)軌跡跟蹤方法［J］.機械工程學(xué)報，2012，48(19):23－28.