熊樹寶，李 季，石建光，葉 干，寇 煒，銀海龍

(1.國能包頭能源有限責(zé)任公司 煤炭洗選分公司，內(nèi)蒙古 鄂爾多斯 017000；2.中煤科工集團(tuán)北京華宇工程有限公司，北京 100120；>3.鄂爾多斯市能源局，內(nèi)蒙古 鄂爾多斯 017000)

目前大多數(shù)散裝物料裝車系統(tǒng)采用的配煤策略均為多段逼近的控制方法。該方法的主要控制邏輯是以一定數(shù)量的配料閘門為控制對象，使用固定的閘門開關(guān)組合方式將緩沖倉里的物料配到定量倉中，達(dá)到配料標(biāo)載值。但是傳統(tǒng)的鐵路快速定量裝車系統(tǒng)在配煤方面存在一些問題，如：配煤精度不高，導(dǎo)致煤炭質(zhì)量波動(dòng)；配煤速度慢，無法滿足現(xiàn)代工業(yè)生產(chǎn)要求。這些問題使得配煤成為一個(gè)具有挑戰(zhàn)性的優(yōu)化問題，傳統(tǒng)的線性規(guī)劃模型難以有效解決這些問題[1-3]。

針對這些問題，研究者們開始嘗試將神經(jīng)網(wǎng)絡(luò)應(yīng)用于多閘門落料控制系統(tǒng)中，以提高系統(tǒng)的控制精度和魯棒性。當(dāng)前，基于神經(jīng)網(wǎng)絡(luò)的配料研究已經(jīng)得到了廣泛關(guān)注。研究者們通過對系統(tǒng)模型的分析和神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的多閘門落料控制模型。這種模型能夠根據(jù)物料的流量和落點(diǎn)等參數(shù)，預(yù)測出系統(tǒng)的輸出，并通過反向傳播算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而提高系統(tǒng)的控制精度。研究者們還通過對多種控制方法的比較，發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的多閘門落料控制方法能夠在控制精度和系統(tǒng)魯棒性方面優(yōu)于傳統(tǒng)控制方法。盡管一些學(xué)者已經(jīng)開始利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行配煤研究，但整體而言，這一領(lǐng)域仍然面臨著許多未被充分探索和解決的問題。本研究提出的方法為配煤領(lǐng)域的深入發(fā)展提供新的思路和方法。

1 基于BP神經(jīng)網(wǎng)絡(luò)的快速定量配料方法

傳統(tǒng)配料控制方法如下：將8片配料閘門的開關(guān)控制分為4個(gè)階段，第一階段開7片閘門，只有精配閘門關(guān)閉，這是快速配料階段；第二階段關(guān)閉5片閘門，并打開精配閘門，這是慢速配料階段；第三階段關(guān)閉2片閘門，只保留精確配料閘門，這是精確配料階段；第四階段精配閘門關(guān)半片，這是逼近標(biāo)載的階段。這種配料方式在煤量充足的情況下配料效果尚可，由于對每片閘門上方的物料狀態(tài)沒有評估，導(dǎo)致在煤量不夠充足的情況下會(huì)降低配煤速度。配料過程中出現(xiàn)閘門打開，但閘門上方物料不夠，需等待補(bǔ)料的情況；某一片閘門上方物料比較少，但配料時(shí)打開時(shí)間較長，導(dǎo)致配煤時(shí)間太長；以及閘門在開關(guān)過程中氣壓太大造成定量倉物料實(shí)時(shí)檢測值出現(xiàn)波動(dòng)影響后續(xù)配料過程和配料精度。為克服上述缺點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入到配料控制算法當(dāng)中，建立基于BP神經(jīng)網(wǎng)絡(luò)的快速定量配料方法，可以有效縮短配料時(shí)間，并提高配料精度。

1.1 BP神經(jīng)網(wǎng)配料模型

在傳統(tǒng)的固定配料模型的基礎(chǔ)上，選用BP神經(jīng)網(wǎng)絡(luò)[4，5]建立配料系統(tǒng)模型，包括輸入層，隱藏層和輸出層，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，正向傳播時(shí)，把樣本的特征(料位重量，料位分布，配料載重，剩余待配，閘門狀態(tài))從輸入層輸入，信號經(jīng)過各個(gè)隱藏層處理后，從輸出層輸出。對于網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的誤差，把誤差信號從最后一層逐層反向傳播，從而獲得各個(gè)層的誤差學(xué)習(xí)信息，然后根據(jù)誤差學(xué)習(xí)信號來修正各層神經(jīng)元的權(quán)值。這種信號正向傳播與誤差反向傳播，各層的隱藏節(jié)點(diǎn)的權(quán)值不斷進(jìn)行調(diào)整，直至網(wǎng)絡(luò)輸出誤差減少到預(yù)先設(shè)置的閾值以下或超過預(yù)先設(shè)置的最大訓(xùn)練輪次。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中，x1—xn為輸入變量，包括緩沖倉料位重量，每片閘門上方料位分布，配料載重，剩余待配重量和閘門狀態(tài)；y1—yn為輸出變量，主要為緩沖倉配料閘門控制信號；其中隱藏層第j個(gè)神經(jīng)元的輸入為αj。

式中，vij為輸入特征的權(quán)值配置；xi為輸入變量；n為隱藏層節(jié)點(diǎn)個(gè)數(shù)。

輸出層第k個(gè)神經(jīng)元的輸入為βk：

式中，wij為上一層輸出特征的權(quán)值配置；bj為上一層輸出特征；m為隱藏層節(jié)點(diǎn)個(gè)數(shù)。

式中，ρ為學(xué)習(xí)速率或?qū)W習(xí)步長；α為動(dòng)量項(xiàng)系數(shù)，通過對上式進(jìn)行變換計(jì)算，得到配煤系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型最終權(quán)值和閾值修正公式：

1.2 快速定量配煤方法優(yōu)化控制

以BP神經(jīng)網(wǎng)絡(luò)配料模型優(yōu)化配料控制系統(tǒng)[8-10]，具體實(shí)施方案為：

1)根據(jù)雷達(dá)料位傳感器確定每個(gè)落料口上方的料位高度，結(jié)合緩沖倉結(jié)構(gòu)圖，建立緩沖倉實(shí)時(shí)動(dòng)態(tài)料位模型。

2)配料過程中，根據(jù)緩沖倉料位模型，結(jié)合配料實(shí)際工況，依據(jù)神經(jīng)網(wǎng)絡(luò)模型優(yōu)化控制邏輯，用于調(diào)整配料過程中閘門的開關(guān)狀態(tài)及開關(guān)順序，根據(jù)閘門上方料位模型，優(yōu)化配料流程中閘門的動(dòng)態(tài)變化過程，使得配料速度及精度都會(huì)得到改善，如圖2所示。

圖2 配煤系統(tǒng)優(yōu)化控制

3)當(dāng)緩沖倉料位值達(dá)到設(shè)定值，滿足配料條件后方可進(jìn)行配料流程，防止由于配料過程中由于物料不夠?qū)е驴刂葡到y(tǒng)長期處于等待狀態(tài)，所造成的設(shè)備受損，壽命降低等問題。

4)開始配料時(shí)，除線性控制閘門外，其余閘門全部打開，當(dāng)定量倉實(shí)時(shí)料位值達(dá)到慢速配料流程臨界值時(shí)，快速配料流程結(jié)束。

5)進(jìn)入慢速配料流程后，線性控制閘門打開，根據(jù)緩沖倉料位模型及自抗擾控制器模型計(jì)算出需要關(guān)閉的四片閘門，配料過程中可實(shí)時(shí)調(diào)整每個(gè)閘門的開關(guān)狀態(tài)，當(dāng)定量倉實(shí)時(shí)料位值達(dá)到精確配料流程臨界值時(shí)，慢速配料流程結(jié)束。

6)進(jìn)入精確配料流程后，只有線性控制閘門處于打開狀態(tài)，其余閘門全部處于關(guān)閉狀態(tài)，配料過程中，線性控制閘門打開幅度隨著定量倉實(shí)時(shí)料位值逼近配料標(biāo)載值逐漸減少，其減少幅值通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)計(jì)算得出，直至定量倉實(shí)時(shí)料位值達(dá)到標(biāo)載值，所有閘門全部關(guān)閉，配料結(jié)束。

配料系統(tǒng)控制流程[11]如圖3所示。

圖3 配料控制流程

2 基于BP神經(jīng)網(wǎng)絡(luò)的配煤模型訓(xùn)練

BP算法具備較強(qiáng)的非線性能力[12]，其中，網(wǎng)絡(luò)層級結(jié)構(gòu)設(shè)計(jì)和訓(xùn)練參數(shù)選擇是影響模型性能的重要因素。準(zhǔn)備111組數(shù)據(jù)，對數(shù)據(jù)進(jìn)行歸一化處理后進(jìn)行模型訓(xùn)練。部分原始訓(xùn)練數(shù)據(jù)見表1。

表1 部分原始訓(xùn)練輸入數(shù)據(jù)

表2 部分原始訓(xùn)練輸出數(shù)據(jù)

訓(xùn)練模型的構(gòu)建方法如下：首先，需要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和拓?fù)?，確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3層，其中輸入節(jié)點(diǎn)的個(gè)數(shù)為15個(gè)，隱藏層節(jié)點(diǎn)的個(gè)數(shù)為13，輸出節(jié)點(diǎn)的個(gè)數(shù)為8。由于輸出的范圍在0～1之間，因此輸出層選定的激活函數(shù)的值域也要滿足這一要求，本研究設(shè)置輸出層的激活函數(shù)是“l(fā)ogsig”。隱藏層激活函數(shù)設(shè)為“tansig”，訓(xùn)練次數(shù)設(shè)為“1000”，訓(xùn)練誤差設(shè)為“1×10-6”，學(xué)習(xí)效率設(shè)為0.001，訓(xùn)練函數(shù)設(shè)為“trainlm”，采用111組訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。同上，隱藏層激活函數(shù)設(shè)為“l(fā)ogsig”時(shí)，訓(xùn)練得到的結(jié)果見表3。從表3中可以看到設(shè)定隱藏層激活函數(shù)為“tansig”時(shí)，訓(xùn)練時(shí)長為2 s，實(shí)際訓(xùn)練次數(shù)為186，均方誤差為8.43×10-7；設(shè)定隱藏層激活函數(shù)為“l(fā)ogsig”時(shí)，訓(xùn)練時(shí)長為7 s，實(shí)際訓(xùn)練次數(shù)為761，均方誤差為9.72×10-7?？梢娫诰秸`差接近的情況下，設(shè)定隱藏層激活函數(shù)為“tansig”時(shí)比設(shè)定隱藏層激活函數(shù)為“l(fā)ogsig”時(shí)，訓(xùn)練次數(shù)少575次，訓(xùn)練時(shí)間少5 s。因此選擇BP神經(jīng)網(wǎng)絡(luò)隱藏層激活函數(shù)為“tansig”。

訓(xùn)練結(jié)果測試集數(shù)據(jù)見表4，神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)見表5。以緩沖倉料位重量、4個(gè)料口料高、配料標(biāo)載、剩余待配、8個(gè)閘門狀態(tài)為輸入，使用BP神經(jīng)網(wǎng)絡(luò)輸出相應(yīng)的8個(gè)閘門的控制狀態(tài)，并使用這些輸出參數(shù)進(jìn)行配煤優(yōu)化過程仿真。

表4 測試集數(shù)據(jù)

表5 神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)

3 配煤過程仿真

在仿真軟件中搭建訓(xùn)練完成的配煤優(yōu)化模型如圖4所示，通過仿真找到最優(yōu)參數(shù)，并應(yīng)用于實(shí)際的配煤控制中。

圖4 配煤數(shù)據(jù)仿真優(yōu)化模型

為了直觀反映基于BP神經(jīng)網(wǎng)絡(luò)配煤效率的優(yōu)越性，依據(jù)1.2中介紹的配煤工藝流程，從時(shí)間維度對不同階段配料重量的變化進(jìn)行了檢測，結(jié)果如圖5所示，在配煤控制流程中引入神經(jīng)網(wǎng)絡(luò)后，配煤效率得到了大幅度提升。具體來說，第二階段的配煤時(shí)間縮減了2 s，進(jìn)一步縮短了單節(jié)車廂在整個(gè)配煤階段的總時(shí)長。盡管單車車廂僅縮短2 s的配煤時(shí)間，然而考慮到整列火車和全面裝車工作量，這一改進(jìn)顯著提高了整體工作效率。

4 結(jié) 論

本研究針對快速定量裝車系統(tǒng)配料過程模式單一，配料智能化程度低等問題，將BP神經(jīng)網(wǎng)絡(luò)技術(shù)引入到配煤系統(tǒng)中，結(jié)合配煤工藝，對配煤控制流程進(jìn)行建模，在保證配煤精度的基礎(chǔ)上，縮短了配煤時(shí)間，大幅提升了裝車效率，提高了快速定量裝車系統(tǒng)的智能化水平。