吳新忠， 張芝超， 許嘉琳， 王凱

(1.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院， 江蘇 徐州 221116；2.中國(guó)礦業(yè)大學(xué) 安全工程學(xué)院， 江蘇 徐州 221116)

0 引言

煤礦井下通風(fēng)設(shè)施、通風(fēng)動(dòng)力、通風(fēng)網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)風(fēng)網(wǎng))結(jié)構(gòu)等會(huì)隨生產(chǎn)過(guò)程的推進(jìn)而改變，使得風(fēng)網(wǎng)分支風(fēng)量發(fā)生變化[1]，當(dāng)變化值超過(guò)一定范圍時(shí)會(huì)導(dǎo)致某些分支出現(xiàn)粉塵積聚、瓦斯超限等問(wèn)題，對(duì)礦井安全生產(chǎn)造成極大威脅[2]。若僅靠自然分風(fēng)無(wú)法滿(mǎn)足用風(fēng)分支的風(fēng)量需求，需要對(duì)分支風(fēng)阻進(jìn)行調(diào)節(jié)。而礦井風(fēng)網(wǎng)是個(gè)關(guān)聯(lián)度很高的復(fù)雜系統(tǒng)，改變其中某個(gè)分支的風(fēng)阻會(huì)引起整個(gè)風(fēng)網(wǎng)變化[3]，需要優(yōu)化風(fēng)量調(diào)節(jié)方案。眾多學(xué)者對(duì)此展開(kāi)深入研究，提出了多種風(fēng)量調(diào)節(jié)方法。吳維權(quán)等[4]針對(duì)煤礦綜放工作面采空區(qū)煤易自燃、瓦斯超限問(wèn)題，提出一種增風(fēng)控瓦斯和減風(fēng)控火的耦合分析方法，經(jīng)現(xiàn)場(chǎng)驗(yàn)證，該方法既有利于煤礦瓦斯治理，又能防止采空區(qū)煤自燃。崔傳波等[5]針對(duì)通過(guò)改變分支風(fēng)阻來(lái)重新分配風(fēng)網(wǎng)風(fēng)量會(huì)導(dǎo)致某些分支不能滿(mǎn)足最小需風(fēng)量的問(wèn)題，采用風(fēng)網(wǎng)解算確定被調(diào)分支風(fēng)阻的可調(diào)范圍，進(jìn)而定量求解用風(fēng)分支風(fēng)量可調(diào)度。豐勝成等[6]采用靈敏度方法初步選取調(diào)節(jié)分支，并在不同調(diào)節(jié)區(qū)域采用分風(fēng)優(yōu)化中的通路法對(duì)初選調(diào)節(jié)分支進(jìn)一步篩選，所選分支調(diào)節(jié)方便且具有經(jīng)濟(jì)優(yōu)勢(shì)。上述研究只針對(duì)單分支風(fēng)量調(diào)節(jié)問(wèn)題，而當(dāng)用風(fēng)分支需風(fēng)量較大時(shí)，通過(guò)單分支調(diào)節(jié)往往無(wú)法滿(mǎn)足要求，需通過(guò)多分支聯(lián)調(diào)方式進(jìn)行按需分風(fēng)。針對(duì)用風(fēng)分支在不同風(fēng)網(wǎng)狀態(tài)下的需風(fēng)量，本文提出基于風(fēng)網(wǎng)靈敏度矩陣來(lái)確定最優(yōu)可調(diào)分支集和風(fēng)阻調(diào)節(jié)范圍，采用一種改進(jìn)灰狼優(yōu)化(Grey Wolf Optimizer，GWO)算法對(duì)礦井風(fēng)量調(diào)節(jié)模型進(jìn)行尋優(yōu)，得出用風(fēng)分支的最大可調(diào)風(fēng)量，并通過(guò)礦山智能通風(fēng)實(shí)驗(yàn)平臺(tái)驗(yàn)證了該方案的可行性。

1 礦井風(fēng)量調(diào)節(jié)建模

礦井風(fēng)網(wǎng)在風(fēng)量調(diào)節(jié)過(guò)程中需遵循節(jié)點(diǎn)風(fēng)量平衡定律和回路風(fēng)壓平衡定律[7]。節(jié)點(diǎn)風(fēng)量平衡定律方程為

(1)

式中：N，M分別為風(fēng)網(wǎng)分支數(shù)和節(jié)點(diǎn)數(shù)；bij=1表示分支j風(fēng)流流入節(jié)點(diǎn)i，bij=-1表示分支j風(fēng)流流出節(jié)點(diǎn)i，bij=0表示節(jié)點(diǎn)i不是分支j的端點(diǎn)；Qj為分支j風(fēng)量。

回路風(fēng)壓平衡定律方程為

(2)

式中：ckj=1表示分支j與回路k同向，ckj=-1表示分支j與回路k反向，ckj=0表示分支j不在回路k中；Rj為分支j風(fēng)阻；pj為分支j中通風(fēng)機(jī)風(fēng)壓、自然風(fēng)壓代數(shù)和，若無(wú)該項(xiàng)則取0;J為風(fēng)網(wǎng)獨(dú)立回路數(shù)，J=N-M+1。

針對(duì)礦井風(fēng)網(wǎng)中某一特定用風(fēng)分支風(fēng)量供給不足問(wèn)題，一般采用調(diào)阻增風(fēng)方式來(lái)增大風(fēng)量，需風(fēng)量較小時(shí)采用單分支調(diào)阻即可，但當(dāng)需風(fēng)量過(guò)大時(shí)需對(duì)多條分支同時(shí)調(diào)阻。為了確定用風(fēng)分支風(fēng)量可調(diào)范圍，以風(fēng)網(wǎng)中用風(fēng)分支風(fēng)量可調(diào)最大作為風(fēng)網(wǎng)風(fēng)量調(diào)節(jié)的目標(biāo)函數(shù)。

為保證礦井風(fēng)網(wǎng)風(fēng)量調(diào)節(jié)的穩(wěn)定性和合理性，除了遵循節(jié)點(diǎn)風(fēng)量平衡定律和回路風(fēng)壓平衡定律外，還需建立主要通風(fēng)機(jī)工況點(diǎn)及分支風(fēng)量約束條件：① 通風(fēng)機(jī)實(shí)際工作風(fēng)壓Hf不高于最高風(fēng)壓Hfmax的90%。② 通風(fēng)機(jī)工作效率η不低于60%。③ 風(fēng)網(wǎng)各分支風(fēng)量滿(mǎn)足分支最小需風(fēng)量Qjmin，可調(diào)分支風(fēng)阻在合適的調(diào)節(jié)范圍，即Rjmin≤Rj≤Rjmax，Rjmin，Rjmax分別為分支j風(fēng)阻可調(diào)的最小、最大值。

由此可看出礦井風(fēng)量調(diào)節(jié)模型為非線性約束模型。針對(duì)該模型中風(fēng)量平衡、風(fēng)壓平衡及各分支最小需風(fēng)量等約束條件，采用不可微精確罰函數(shù)將其轉(zhuǎn)換為目標(biāo)模型中的懲罰項(xiàng)[8]，則加入懲罰項(xiàng)后的目標(biāo)函數(shù)為

λ|min{0,0.9Hfmax-Hf}+min{0,η-0.6}|+

|min{0,Qj-Qjmin}|

(3)

式中：Qdt為用風(fēng)分支風(fēng)量；γ，λ,μ為懲罰參數(shù)，即罰因子。

2 基于風(fēng)網(wǎng)靈敏度的風(fēng)量調(diào)節(jié)

2.1 風(fēng)網(wǎng)靈敏度求解

設(shè)分支j風(fēng)阻Rj變化量ΔRj引起的分支p風(fēng)量Qp變化量為ΔQp，當(dāng)|ΔRj|→0時(shí)，Qp相對(duì)于Rj變化的靈敏度[9]為

(4)

通過(guò)節(jié)點(diǎn)風(fēng)量平衡定律和回路風(fēng)壓平衡定律對(duì)風(fēng)網(wǎng)中任一分支q風(fēng)阻Rq求偏導(dǎo)，可建立分支靈敏度偏微分方程組，即

(5)

對(duì)于具有N條分支的風(fēng)網(wǎng)，通過(guò)求解式(5)可計(jì)算出風(fēng)網(wǎng)靈敏度矩陣：

(6)

2.2 風(fēng)量調(diào)節(jié)分析

若煤礦在實(shí)際生產(chǎn)過(guò)程中某一用風(fēng)地點(diǎn)(分支p)的風(fēng)量小于該分支需風(fēng)量，根據(jù)調(diào)阻增風(fēng)原則，可選擇增阻或降阻2種調(diào)節(jié)方式。由風(fēng)網(wǎng)靈敏度矩陣性質(zhì)可知，采用增阻調(diào)節(jié)方式時(shí)需選擇dp,j>0的分支，采用降阻調(diào)節(jié)方式時(shí)需選擇dp,j<0的分支。若分支p的風(fēng)量大于該分支需風(fēng)量，采用增阻調(diào)節(jié)方式時(shí)需選擇dp,j<0的分支，采用降阻調(diào)節(jié)方式時(shí)需選擇dp,j>0的分支。另外，在選擇調(diào)阻分支時(shí)，一般選擇靈敏度矩陣第p列中|dp,j|較大值對(duì)應(yīng)的分支，|dp,j|越大說(shuō)明對(duì)分支j調(diào)阻能夠在更大程度上改變分支p的風(fēng)量，或者說(shuō)分支j風(fēng)阻發(fā)生輕微變化時(shí)即可引起分支p的風(fēng)量發(fā)生很大變化。

對(duì)大量風(fēng)網(wǎng)數(shù)據(jù)進(jìn)行實(shí)際計(jì)算與模擬分析后得出，靈敏度dp,j與風(fēng)阻Rj之間呈以下關(guān)系：

(7)

式中y，x，z為常數(shù)，可通過(guò)回歸方程求得，x<0。

隨著分支j風(fēng)阻Rj增大，靈敏度dp,j不斷減小，即風(fēng)量Qp變化幅度減小。當(dāng)Rj超過(guò)臨界值Rjmax時(shí)，風(fēng)量Qp變化幅度很小，即風(fēng)量調(diào)節(jié)進(jìn)入遲鈍區(qū)域；當(dāng)Rj

(8)

3 改進(jìn)GWO算法

3.1 GWO算法

GWO算法是一種新型智能優(yōu)化算法[10]，是受灰狼種群的社會(huì)等級(jí)和狩獵行為啟發(fā)得到的?；依欠N群通過(guò)跟蹤、環(huán)繞逼近方式尋找獵物，其數(shù)學(xué)模型為

D(t)=|CX′(t)-X(t)|

(9)

X(t+1)=X′(t)-AD(t)

(10)

式中：D(t)為第t次迭代后獵物與灰狼之間的位置差值；C，A為控制參數(shù)；X′(t)，X(t)分別為第t次迭代后獵物的位置和灰狼個(gè)體位置。

(11)

C=2r2

(12)

式中：a為控制因子，在迭代過(guò)程中由2遞減到0；r1，r2為[0,1]間隨機(jī)數(shù)；Tmax為最大迭代次數(shù)。

高等級(jí)個(gè)體α，β，δ在進(jìn)攻階段負(fù)責(zé)定位獵物，并指引其他灰狼個(gè)體完成靠近、攻擊等行為。該過(guò)程通過(guò)式(9)、式(10)計(jì)算出其他灰狼個(gè)體與α，β，δ之間的距離(分別為X1(t)，X2(t)，X3(t))，并根據(jù)下式更新灰狼種群的個(gè)體位置。

X(t+1)=(X1(t)+X2(t)+X3(t))/3

(13)

3.2 改進(jìn)GWO算法

GWO算法具有優(yōu)化精度高、收斂速度快等特點(diǎn)，但在單獨(dú)求解復(fù)雜優(yōu)化問(wèn)題時(shí)易出現(xiàn)早熟現(xiàn)象[11-12]。為了提高GWO算法的全局搜索能力和優(yōu)化精度，對(duì)GWO算法進(jìn)行改進(jìn)，具體如下。

(1) 采用佳點(diǎn)集初始化種群。GWO算法采用隨機(jī)生成方法初始化種群，種群個(gè)體很難遍歷搜索空間，在一定程度上影響了算法的搜索效率。

佳點(diǎn)集是一種有效的均勻選點(diǎn)方法[13]，已成功應(yīng)用于遺傳算法、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)等智能優(yōu)化算法中。與隨機(jī)初始化種群相比，佳點(diǎn)集可使初始種群均勻分布在搜索空間，增加種群的多樣性，有助于改善算法的全局搜索能力。因此，采用佳點(diǎn)集對(duì)GWO算法進(jìn)行種群初始化。

(2) 與差分進(jìn)化(Differential Evolution，DE)算法融合。DE算法是基于種群進(jìn)化而提出的一種高效全局優(yōu)化算法[14]，具有控制參數(shù)少、執(zhí)行簡(jiǎn)單、魯棒性強(qiáng)等特點(diǎn)，可更好地處理搜索距離較長(zhǎng)的優(yōu)化問(wèn)題。DE算法包括變異、交叉、選擇3種操作。

采用DE/rand/1變異策略實(shí)現(xiàn)變異操作，即

Xd(t+1)=Xr1(t)+R(Xr2(t)-Xr3(t))

(14)

式中：Xd(t+1)為變異后灰狼個(gè)體的位置；Xr1(t),Xr2(t),Xr3(t)為灰狼個(gè)體r1,r2,r3的位置，r1，r2，r3為[1,N1]內(nèi)的隨機(jī)整數(shù)，且r1≠r2≠r3,N1為種群規(guī)模；R為縮放因子，取值范圍為[0,1]。

采用二項(xiàng)式交叉策略實(shí)現(xiàn)交叉操作，即

(15)

式中：Xc(t+1)為交叉后的灰狼個(gè)體位置；hr為隨機(jī)交叉概率；h為交叉概率。

采用貪婪算法實(shí)現(xiàn)選擇操作，即

(16)

式中:Xs(t+1)為經(jīng)選擇后的灰狼個(gè)體位置;f(·)為優(yōu)化目標(biāo)函數(shù)。

(3) 優(yōu)化非線性控制參數(shù)。在GWO算法中，A為表征全局勘探和局部開(kāi)采的重要參數(shù)，|A|>1表示灰狼個(gè)體搜尋獵物過(guò)程，|A|<1表示灰狼個(gè)體圍捕獵物過(guò)程。由式(11)可知，A可通過(guò)控制因子a調(diào)節(jié)，因此對(duì)a進(jìn)行優(yōu)化設(shè)計(jì)：

a=2[1-(t/Tmax)2]

(17)

a優(yōu)化前后對(duì)比如圖1所示?？煽闯鰞?yōu)化后的a在迭代前期變化緩慢，以盡可能尋找全局最優(yōu)解，在迭代后期變化幅度較大，可改善局部搜索，加快算法尋優(yōu)速度。

圖1 控制因子a優(yōu)化前后對(duì)比Fig.1 Comparison of a before and after optimization

根據(jù)上述改進(jìn)策略，改進(jìn)GWO算法流程如下。

Step1：設(shè)置算法種群規(guī)模、最大迭代次數(shù)、尋優(yōu)維數(shù)、交叉概率、縮放因子等參數(shù)。

Step2：采用佳點(diǎn)集初始化灰狼種群。

Step3：計(jì)算種群個(gè)體的適應(yīng)度并按降序排列，將適應(yīng)度前3位的個(gè)體位置記為Xα，Xβ，Xδ。

Step4：更新參數(shù)a，A，C。

Step5：通過(guò)變異、交叉操作產(chǎn)生新的子代種群，再經(jīng)選擇操作選出父代和子代種群中更優(yōu)的個(gè)體進(jìn)入下一代種群。

Step6：不斷進(jìn)行迭代計(jì)算，若當(dāng)前迭代次數(shù)t

4 礦井風(fēng)量?jī)?yōu)化調(diào)節(jié)實(shí)驗(yàn)

4.1 實(shí)驗(yàn)平臺(tái)

基于礦山智能通風(fēng)實(shí)驗(yàn)平臺(tái)進(jìn)行風(fēng)量調(diào)節(jié)研究。該平臺(tái)參照某礦風(fēng)網(wǎng)拓?fù)浣Y(jié)構(gòu)以4∶1的比例搭建，如圖2所示。風(fēng)網(wǎng)模擬“一礦兩面”結(jié)構(gòu)，巷道為上下2層對(duì)稱(chēng)結(jié)構(gòu)，配置10余個(gè)智能風(fēng)門(mén)風(fēng)窗調(diào)節(jié)裝置，在關(guān)鍵分支中配置礦用高精度傳感器，以采集通風(fēng)參數(shù)。

圖2 實(shí)驗(yàn)平臺(tái)風(fēng)網(wǎng)巷道Fig.2 Ventilation network tunnel of experiment platform

在實(shí)驗(yàn)平臺(tái)中搭建礦井智能通風(fēng)控制中心，其主要由電源高壓控制柜、PLC控制柜、人工操控平臺(tái)、上位機(jī)監(jiān)測(cè)平臺(tái)組成，可實(shí)現(xiàn)井下通風(fēng)環(huán)境監(jiān)測(cè)、工業(yè)以太網(wǎng)通信、地面遠(yuǎn)程監(jiān)控和風(fēng)量智能調(diào)節(jié)等功能。

4.2 風(fēng)量調(diào)節(jié)分支優(yōu)化

假設(shè)礦井安全監(jiān)控系統(tǒng)檢測(cè)到井下分支14的瓦斯體積分?jǐn)?shù)為1.5%(一般低于1%認(rèn)定為通風(fēng)安全)，若采用調(diào)阻增風(fēng)方式增加分支14的風(fēng)量，需要基于風(fēng)網(wǎng)靈敏度對(duì)風(fēng)量調(diào)節(jié)分支進(jìn)行優(yōu)化選擇。

實(shí)驗(yàn)平臺(tái)風(fēng)網(wǎng)拓?fù)淙鐖D3所示。該風(fēng)網(wǎng)中共有15個(gè)節(jié)點(diǎn)、21條分支、7條獨(dú)立回路，箭頭表示分支風(fēng)流流向，出風(fēng)節(jié)點(diǎn)與進(jìn)風(fēng)節(jié)點(diǎn)①之間的偽分支21以虛線表示，偽分支21風(fēng)阻為0。通風(fēng)機(jī)位于分支20，通風(fēng)機(jī)風(fēng)壓特性曲線為Hf=2 897.93+17.24Q-0.5Q2，其中Q為通風(fēng)機(jī)風(fēng)量。

圖3 風(fēng)網(wǎng)拓?fù)銯ig.3 Ventilation network topology

風(fēng)網(wǎng)初始參數(shù)見(jiàn)表1。實(shí)際礦井風(fēng)網(wǎng)受巷道位置、環(huán)境及其他條件的限制，無(wú)法實(shí)現(xiàn)所有分支均可調(diào)節(jié)。對(duì)于該實(shí)驗(yàn)平臺(tái)，分支1，2，3，9，11，13，14，19，20，21均不具有可調(diào)節(jié)性。

基于Matlab自制的風(fēng)網(wǎng)靈敏度矩陣計(jì)算程序，得出實(shí)驗(yàn)平臺(tái)風(fēng)網(wǎng)靈敏度矩陣，如圖4所示。每列數(shù)據(jù)表示風(fēng)網(wǎng)各分支的風(fēng)阻變化對(duì)該分支風(fēng)量的影響程度，每行數(shù)據(jù)表示該分支的風(fēng)阻變化對(duì)各分支風(fēng)量的影響程度。

表1 風(fēng)網(wǎng)初始參數(shù)Table 1 Initial parameters of ventilation network

圖4 風(fēng)網(wǎng)靈敏度矩陣Fig.4 Sensitivity matrix of ventilation network

采用風(fēng)網(wǎng)靈敏度理論對(duì)風(fēng)量調(diào)節(jié)分支進(jìn)行優(yōu)化選擇。根據(jù)圖4得出不同分支調(diào)阻對(duì)分支14風(fēng)量的靈敏度，見(jiàn)表2。

若通過(guò)增阻調(diào)節(jié)方式增大分支14風(fēng)量，需選擇可調(diào)分支中靈敏度d14,j>0的分支進(jìn)行調(diào)節(jié)。將表2中d14,j>0的分支按靈敏度降序排列，為12，17，15，7，13，4，8，由于分支13不具有可調(diào)性且分支4，8調(diào)阻對(duì)分支14風(fēng)量變化的靈敏度較其他可調(diào)分支小得多，對(duì)風(fēng)量調(diào)節(jié)的貢獻(xiàn)度不足，同時(shí)考慮減小風(fēng)量調(diào)節(jié)對(duì)風(fēng)網(wǎng)工作狀態(tài)的影響程度，選擇分支12，17，15，7作為最優(yōu)可調(diào)分支集。對(duì)選出的4個(gè)可調(diào)分支，依次計(jì)算分支風(fēng)阻設(shè)定為不同值時(shí)對(duì)應(yīng)的靈敏度，見(jiàn)表3。

表2 不同分支調(diào)阻對(duì)分支14風(fēng)量的靈敏度Table 2 Sensitivity of different branches to adjust wind resistance to air volume of branch 14

表3 靈敏度隨可調(diào)分支風(fēng)阻變化數(shù)據(jù) Table 3 Sensitivity change data with wind resistances of adjustable branches

R15/(N·s2·m-8)d14,15R17/(N·s2·m-8)d14,170.140.837 70.302.994 80.240.668 90.452.053 10.340.553 30.651.412 90.540.405 90.950.934 60.840.284 11.350.623 61.240.197 91.850.427 11.540.159 22.350.317 52.040.118 12.850.248 83.040.075 13.350.202 15.040.040 73.850.168 6

將表3中每個(gè)分支的10組數(shù)據(jù)通過(guò)Matlab軟件的Power冪函數(shù)進(jìn)行擬合處理，得到靈敏度隨風(fēng)阻變化曲線，其中d14,7隨風(fēng)阻R7的變化曲線如圖5所示。

通過(guò)圖5可求得d14,7和R7之間的函數(shù)關(guān)系：

(18)

圖5 靈敏度d14,7隨風(fēng)阻R7變化曲線Fig.5 Variation curve of sensitivity d14,7 with wind resistance R7

根據(jù)式(8)可求得分支7調(diào)阻的合理范圍為1.16～6.55 N·s2/m8。

同理可求出靈敏度隨分支12，15，17風(fēng)阻變化的函數(shù)關(guān)系及調(diào)阻合理范圍，見(jiàn)表4。

表4 靈敏度與分支風(fēng)阻的函數(shù)關(guān)系及調(diào)阻范圍Table 4 Function relationship between sensitivity and wind resistance of branch and adjustment range of wind resistance

4.3 可調(diào)風(fēng)量?jī)?yōu)化分析

確定對(duì)分支14風(fēng)量調(diào)節(jié)的最優(yōu)可調(diào)分支集和風(fēng)阻調(diào)節(jié)范圍后，分別采用GWO算法、PSO算法和改進(jìn)GWO算法求解分支14的最大可調(diào)風(fēng)量，確定分支14的最大可調(diào)風(fēng)量范圍。3種算法的主要參數(shù)設(shè)置：種群規(guī)模為30，優(yōu)化變量維數(shù)為4，最大迭代次數(shù)為200，交叉概率為0.2。為了避免尋優(yōu)效果存在偶然性，采用3種算法分別對(duì)模型優(yōu)化30次，結(jié)果見(jiàn)表5。

表5 3種算法優(yōu)化結(jié)果Table 5 Optimization results of three algorithms

從表5可看出，基于改進(jìn)GWO算法求解分支14風(fēng)量的優(yōu)化平均值和最優(yōu)解均優(yōu)于GWO算法、PSO算法，平均收斂代數(shù)高于GWO算法、小于PSO算法。改進(jìn)GWO算法總體優(yōu)化效果最佳，表現(xiàn)出更好的勘探能力，有效避免了局部最優(yōu)。

3種算法某次仿真結(jié)果如圖6所示?？煽闯龈倪M(jìn)GWO算法對(duì)分支14的最大調(diào)節(jié)風(fēng)量達(dá)10.78 m3/s。此時(shí)調(diào)節(jié)分支的風(fēng)阻分別為R7=5.64 N·s2/m8，R12=2.91 N·s2/m8，R15=0.31 N·s2/m8，R17=0.74 N·s2/m8，經(jīng)風(fēng)網(wǎng)解算驗(yàn)證，風(fēng)量調(diào)節(jié)后其他分支風(fēng)量滿(mǎn)足最小需風(fēng)分配要求，由此得到分支14風(fēng)量可調(diào)范圍為5.46～10.78 m3/s。

圖6 分支14風(fēng)量適應(yīng)度曲線Fig.6 Fitness curves of air volume of branch 14

針對(duì)實(shí)際礦井風(fēng)網(wǎng)，可根據(jù)分支14的需風(fēng)量對(duì)可調(diào)分支的靈敏度大小采取不同的調(diào)節(jié)方法，優(yōu)先選擇靈敏度大的分支進(jìn)行調(diào)節(jié)。在不同的可調(diào)分支數(shù)下，分支14的最大可調(diào)風(fēng)量見(jiàn)表6。

表6 可調(diào)分支數(shù)不同時(shí)分支14最大可調(diào)風(fēng)量Table 6 The maximum adjustable air volume of branch 14 under different number of adjustable branches

4.4 實(shí)驗(yàn)驗(yàn)證

將瓦斯注入實(shí)驗(yàn)平臺(tái)分支14中至瓦斯體積分?jǐn)?shù)為1.5%，此時(shí)安裝在分支14中的瓦斯傳感器檢測(cè)到當(dāng)前環(huán)境中瓦斯?jié)舛瘸蓿瑢⑼L(fēng)異常情況反饋至上位機(jī)監(jiān)測(cè)平臺(tái)進(jìn)行分析，之后得出最優(yōu)風(fēng)量調(diào)節(jié)方案，向智能風(fēng)門(mén)風(fēng)窗調(diào)節(jié)裝置發(fā)出控制指令進(jìn)行風(fēng)量調(diào)節(jié)操作。若上位機(jī)監(jiān)測(cè)平臺(tái)優(yōu)先采用增阻調(diào)節(jié)方式來(lái)增大分支14風(fēng)量，使瓦斯體積分?jǐn)?shù)降至0.8%，通過(guò)計(jì)算可得分支14的最小風(fēng)量為8.26 m3/s。由表6可知，當(dāng)只對(duì)分支12進(jìn)行調(diào)阻時(shí)，分支14的最大可調(diào)風(fēng)量為7.19 m3/s，不滿(mǎn)足風(fēng)量調(diào)節(jié)要求，而對(duì)分支12，17進(jìn)行聯(lián)調(diào)增阻時(shí)，分支14的最大可調(diào)風(fēng)量為8.51 m3/s，符合風(fēng)量調(diào)節(jié)需求，此時(shí)R12=2.48 N·s2/m8，R17=0.63 N·s2/m8。風(fēng)量調(diào)節(jié)后上位機(jī)監(jiān)測(cè)界面如圖7所示，通過(guò)分支14中安裝的風(fēng)速傳感器讀取Q14=8.48 m3/s，滿(mǎn)足礦井安全生產(chǎn)的分支需風(fēng)要求，驗(yàn)證了智能風(fēng)量調(diào)節(jié)方案的可行性。

圖7 上位機(jī)監(jiān)測(cè)界面Fig.7 Monitoring interface of host computer

5 結(jié)論

(1) 為了滿(mǎn)足礦井風(fēng)網(wǎng)某一特定用風(fēng)分支的風(fēng)量需求，以用風(fēng)分支風(fēng)量可調(diào)最大為目標(biāo)，建立了礦井風(fēng)量調(diào)節(jié)模型。為了確定最優(yōu)的風(fēng)量調(diào)節(jié)方案，采用風(fēng)網(wǎng)靈敏度矩陣選擇最優(yōu)可調(diào)分支集和風(fēng)阻調(diào)節(jié)范圍，并基于改進(jìn)GWO算法實(shí)現(xiàn)尋優(yōu)。優(yōu)化結(jié)果表明，采用改進(jìn)GWO算法得到的風(fēng)量?jī)?yōu)化平均值和最優(yōu)解均優(yōu)于GWO，PSO算法。

(2) 提出了一種根據(jù)分支需風(fēng)量選擇不同調(diào)節(jié)分支數(shù)的智能風(fēng)量調(diào)節(jié)方案，并基于礦山智能通風(fēng)實(shí)驗(yàn)平臺(tái)進(jìn)行驗(yàn)證。結(jié)果表明，在滿(mǎn)足其他分支最小需風(fēng)量的條件下，調(diào)節(jié)后的分支風(fēng)量滿(mǎn)足礦井安全風(fēng)量要求，驗(yàn)證了智能風(fēng)量調(diào)節(jié)方案的可行性和實(shí)用性。