孔利利

(中煤科工集團北京華宇工程有限公司，河南 平頂山 467000)

基于精煤灰分預測的重介懸浮液密度自動設定系統(tǒng)設計

孔利利

(中煤科工集團北京華宇工程有限公司，河南 平頂山 467000)

為了使重介懸浮液密度及時適應選煤生產的需要，設計出重介懸浮液密度自動設定系統(tǒng)。根據(jù)重介選煤廠實際操作情況，先設計訓練精煤灰分預測的BP神經網絡，再采用Wincc、Matlab編寫程序實現(xiàn)重介懸浮液密度的自動設定。該系統(tǒng)可以對一系列密度數(shù)據(jù)下的精煤灰分進行預測，根據(jù)預測結果選擇最佳密度設定值，有利于提高精煤灰分的可控性。生產結果表明：在該系統(tǒng)設定的密度值下，精煤灰分在要求的范圍內，說明系統(tǒng)運行效果良好。

重介選煤；精煤灰分預測；懸浮液密度設定；BP神經網絡

重介選煤中重介懸浮液密度[1](以下簡稱“懸浮液密度”)對選煤效果有很大影響，如果不能隨生產狀況及時調控懸浮液密度就會影響洗選產品質量。目前重介選煤廠懸浮液密度多采用人工設定，需要不斷嘗試和調整，且具有很強的主觀性；另外，懸浮液密度設定居于整個選煤流程前段而精煤灰分檢測位于末段，基于精煤灰分的懸浮液密度調控存在嚴重的滯后性，這就給重介司機的正確判斷和及時調控造成很大困難?？偟膩碚f，人工設定懸浮液密度的工作量大，時間長，效果不理想。為此，設計出懸浮液密度自動設定系統(tǒng)，采用神經網絡方法[2]根據(jù)生產數(shù)據(jù)對精煤灰分進行預測，通過對比生產要求和預測結果，確定懸浮液密度設定值。與傳統(tǒng)的人工設定懸浮液密度[3]的方式相比，通過計算機實現(xiàn)懸浮液密度自動設定的方式，調控更及時、更可靠，不僅能夠降低操作人員的勞動強度，提高工作效率，而且能夠保持精煤灰分穩(wěn)定，保證洗選產品質量。

1 BP神經網絡

1.1 參數(shù)、訓練樣本選擇

未經加工的煤炭是可燃的有機物和不可燃的無機物的混合物，重介選煤的目的是將其中可燃物含量不同的物質分開，從而使精煤產品的灰分符合要求。在重介選煤過程中，影響精煤灰分的因素很多，如原煤性質、設備運行狀態(tài)、生產工藝參數(shù)等。實際生產過程中不可能實時控制所有的因素，在設計懸浮液密度自動設定系統(tǒng)時，應對影響因素做合適的取舍。一般來說，懸浮液密度、原煤灰分及單位時間內的原煤入選量對精煤產品質量有重要影響。故研究過程中以這三個因素作為BP預測模型的輸入?yún)?shù)，以精煤灰分作為輸出量。

在使用BP神經網絡進行預測之前必須對網絡進行訓練[4]，訓練樣本的選擇對于神經網絡的學習至關重要，只有選擇合適的訓練樣本才能保證預測的正確性[5]。生產過程中生產設備對原煤洗選效果的影響很復雜，無法用模型模擬或者量化描述，但是可以認為在一定時間內各設備運行狀態(tài)變化不大。由于上述原因，研究中以距離預測網絡訓練時間最近的、有效的生產數(shù)據(jù)作為樣本。

由于激發(fā)函數(shù)采用的是Sigmoid函數(shù)，在對數(shù)據(jù)進行歸一化處理之前應該考慮使神經元的工作處于激發(fā)函數(shù)曲線斜率最大的區(qū)域。輸入?yún)?shù)的歸一化范圍是(0.1～0.9)，歸一化公式為：

式中：xk為第k個樣本數(shù)據(jù)；x′k為第k個樣本數(shù)據(jù)歸一化后的值；xmax、xmin分別為樣本數(shù)據(jù)的最大值和最小值。

1.2 網絡結構設計

神經網絡的結構在一定程度上決定了網絡的映射能力和預測的精度[6-7]，根據(jù)實際要求，輸入層參數(shù)分別為入選原煤灰分、單位時間內的原煤入選量、合格懸浮液密度三個節(jié)點，輸出層為精煤灰分。此外，隱層數(shù)目對網絡的映射能力有重要影響，增加隱層數(shù)目可以提高網絡的非線性映射能力，但也會使網絡復雜化，運行速度減慢。已有實例證明：只有一層隱層的神經網絡優(yōu)于有限數(shù)目維的非線性隱射，所以采用三層網絡結構。另外，隱層節(jié)點數(shù)對訓練效果有較大影響，數(shù)目太少精度降低，數(shù)目太多訓練時間增長，且訓練效果不一定好。隱層節(jié)點數(shù)目一般按照經驗選取，經驗式為：

式中：N0為輸入層節(jié)點數(shù)，N1為隱層節(jié)點數(shù)，N2為輸出層節(jié)點數(shù)，ΔN為小于10的正整數(shù)。

研究中選擇的隱層數(shù)量為7，據(jù)此構建的3×7×1 BP神經網絡結構示意圖如圖1所示。其中，φ1、φ2分別為隱含層的第一個、第二個節(jié)點的激活函數(shù)，wi,j為輸入層節(jié)點與隱含層節(jié)點的連接權值，wi為隱含層節(jié)點與輸出層節(jié)點的連接權值。

圖1 BP神經網絡結構示意圖

1.3 網絡訓練過程

對構建完善的網絡進行訓練，具體步驟如下：

(1)初始化。對網絡連接權值、閾值、學習率進行初始化設置，為連接權值賦予[-0.1,0.1]之間的隨機數(shù)，學習率賦予0.01，算法終止條件為誤差E≤Emin=0.001。

(2)選擇訓練樣本數(shù)據(jù)集，進行歸一化處理，給出順序賦值的輸入向量X1，X2,……Xn和期望的輸出響應Y1，Y2,……Yn。

(3)對于第k個樣本，計算出神經網絡輸出值與期望值的偏差E。

(4)計算調整值Δwij和Δwi，并調整輸入層和隱含層的連接權值wij、隱含層和輸出層的連接權值wi。

(5)如果E≤Emin=0.001，終止訓練；反之，重復步驟(3)，直至滿足要求。

2 密度自動設定系統(tǒng)的實現(xiàn)

密度設定系統(tǒng)的實現(xiàn)分為四部分完成，即神經網絡預測模型訓練部分、神經網絡預測與密度設定部分、數(shù)據(jù)存儲部分(數(shù)據(jù)庫)、人/機界面部分，如圖2所示。

密度設定系統(tǒng)的數(shù)據(jù)流向示意圖如圖3所示?？刂葡到y(tǒng)最底層的是PLC，其與執(zhí)行器、傳感器直接連接，用于獲取、傳遞生產數(shù)據(jù)和控制信號；上一層是上位機監(jiān)控軟件Wincc，實現(xiàn)與PLC無縫連接，數(shù)據(jù)交換十分方便。Wincc與Matlab程序的數(shù)據(jù)交換需要借助SQL數(shù)據(jù)庫完成[8-9]，Wincc將生產數(shù)據(jù)定時存儲于SQL中，神經網絡需要訓練時，Matlab神經網絡訓練程序從SQL中讀取樣本數(shù)據(jù)訓練網絡。密度設定過程為：Wincc將系統(tǒng)參數(shù)存儲于SQL，Matlab密度設定程序從SQL中讀取該參數(shù)進行精煤灰分預測，根據(jù)預測結果設定懸浮液密度并存儲于數(shù)據(jù)庫中，Wincc從數(shù)據(jù)庫中讀取密度設定值。

圖2 密度設定系統(tǒng)結構示意圖

圖3 系統(tǒng)數(shù)據(jù)流向示意圖

Wincc存儲數(shù)據(jù)的部分程序如下：

Dim cnn, strcnn

strcnn = “ Provider=SQLOLEDB.1;Persist Security Info=True;User ID=sa;Password=123;Initial Catalog=BP_data; Data Source=CHINA-2013G”

Set cnn = CreateObject(“ADODB.Connection”)

cnn.ConnectionString = strcnn

cnn.open

Dim issql

strsql = “insert into dbtable (ymhf,ymzl,pjmd,jmhf) Values (“&ymhf&”,“ &ymzl& ”,“ &pjmd& ”,“ &jmhf& ”)”

Set cdobj = CreateObject(“ADODB.Command”)

cdobj.CommandText = strsql

cdobj.Execute

Set cdobj = Nothing

cnn.Close

上述程序中strcnn為連接字符串，CHINA-2013G為數(shù)據(jù)庫服務器名，BP_data為數(shù)據(jù)庫名，strsql為存儲數(shù)據(jù)的SQL語句，讀取數(shù)據(jù)時只要改寫該語句為讀數(shù)據(jù)語句即可。

訓練完成的神經網絡即可預測精煤灰分，根據(jù)預測結果得到懸浮液密度設定值。密度設定程序流程如圖4所示。按照設定的最小精度對系統(tǒng)設定的密度范圍進行掃描，結合其他參數(shù)(原煤入選量、原煤灰分)預測相應的精煤灰分，查找與目標灰分值誤差最小的預測值對應的懸浮液密度，該密度即為密度設定系統(tǒng)所要給定的值。

圖4 密度設定程序流程圖

用Matlab軟件分別編寫神經網絡的訓練程序的M文件BPxunlian.m和灰分預測、密度設定的程序BPgeiding.m，在Matlab命令窗口中輸入“mcc-m-g BPxunlian”和“mcc-m-g BPgeiding”命令即可把相應的Matlab程序編譯為BPxunlian.exe和BPgeiding.exe可執(zhí)行程序。將以上兩個程序存儲于計算機E盤，在上位機編寫程序時調用。

基于Wincc的懸浮液密度自動設定系統(tǒng)操作界面如圖5所示。界面的左半部分主要顯示原煤入選量、入選原煤灰分、懸浮液密度、精煤灰分等選煤過程的工藝參數(shù)，這些數(shù)據(jù)由傳感器檢測得到，不需要人為更改。界面的右半部分顯示懸浮液密度設定范圍、最小密度變化值、期望灰分值等數(shù)據(jù)，這些參數(shù)由人工設定，是為系統(tǒng)提供密度設定的依據(jù)。界面下方有三個按鈕，分別是網絡訓練、密度設定、激活本區(qū)域，網絡訓練時調用神經網絡訓練程序BPxunlian.exe進行神經網絡訓練，密度設定時調用密度設定程序BPgeiding.exe進行密度設定，激活本區(qū)域指的是將給定值作為控制系統(tǒng)設定值傳送給PLC[10]。在本區(qū)域未激活前系統(tǒng)給定值只作為參考，并不傳送給PLC作為實際的設定值。

圖5 懸浮液密度自動設定系統(tǒng)操作界面Fig.5 Operation interface of automatic suspension density setting system

3 控制效果

該系統(tǒng)已在兗礦菏澤能化趙樓礦選煤廠投入使用，2014年1月7日0～2 h的生產數(shù)據(jù)歷史趨勢圖如圖6所示。

圖6 生產數(shù)據(jù)歷史趨勢圖

精煤灰分要求范圍是8.0%～9.0%。圖6中308密度表示實際的懸浮液密度，系統(tǒng)在0∶25和1∶37前后對懸浮液密度設定值進行了兩次調整。圖中701灰分表示精煤灰分，精煤灰分2 h內在8.0%～9.0%之間波動，但波動范圍不大，能夠滿足生產要求。

4 結語

設計懸浮液密度自動設定系統(tǒng)時，首先要根據(jù)重介選煤工藝的實際情況，確定神經網絡學習樣本、網絡結構、輸入/輸出參數(shù)，完成基于BP神經網絡的精煤灰分預測模型的設計。基于精煤灰分預測的重介懸浮液密度自動設定系統(tǒng)，對于懸浮液密度的及時調控有著重要作用，生產數(shù)據(jù)直接說明了該系統(tǒng)的有效性。

[1] 孫武峰. 差壓式重介懸浮液密度與粘度一體化測量方法研究[D].北京:清華大學，2010.

[2] 施 彥,韓力群, 廉小親. 神經網絡設計方法與實例分析[M].北京:北京郵電大學出版社,2009.

[3] 祁澤民,符東旭.選煤重介質懸浮液穩(wěn)定性分析[J]. 煤炭科學技術，2008(6).

[4] 韓 廣,喬俊飛,薄迎春.溶解氧濃度的前饋神經網絡建?？刂品椒╗J]. 控制理論與應用，2013，30(5).

[5] 黃 麗. BP神經網絡算法改進及應用研究 [D].重慶:重慶師范大學,2008.

[6] 喬俊飛,李 淼,劉 江.一種神經網絡快速修剪算法[J]. 電子學報，2010(4).

[7] Zhou Sheng-Gang, Sun Li-Da, Zhu Pei-Xian, et al. Application of BP Neural Network in Prediction of Cu-Pb Composite Plates Properties[J]. Journal of Harbin Institute of Technology,2013(5): 36-40.

[8] 楊 力,李月恒,于 智. 基于WinCC V6.2的VB腳本操作自定義SQL數(shù)據(jù)庫[J].工業(yè)控制計算機,2010(9):7-8.

[9] 胡 赟. MATLAB與組態(tài)軟件WinCC的數(shù)據(jù)交換技術[J].華東交通大學學報, 2008, 25(4):44-47.

[10] 劉耀元.機床電氣與PLC應用技術[M].北京:北京理工大學出版社, 2011.

The design of dense medium suspension density setting system based on clean coal ash prediction

KONG Li-li

(CCTEG Beijing Huayu Engineering Co., Ltd., Pingdingshan, Henan 467000, China)

Dense medium suspension density setting system is designed to satisfy the requirement for production. In this system, according to the actual operation of heavy medium coal preparation plant, firstly, BP neural network for clean coal ash prediction is designed and trained, and then automatic setting of suspension density is realized by Wincc and Matlab programming. This system can predict ash of clean coal with different density and then select optimal setting, which can availably control ash of clean coal. The application shows that required clean coal ash is stable under the density setting value in this system, which suggests the system works well.

dense medium coal preparation; clean coal ash prediction; suspension density setting; BP neural network

TD948.9

A

1001-3571(2015)04-0068-04

2015-01-18

10.16447/j.cnki.cpt.2015.04.019

孔利利(1987—)，女，河南省平頂山市人，助理工程師，碩士，從事選煤廠電氣設計工作。

E-mail:18639747779@163.com Tel:18639747779