模糊神經網絡算法在煤炭裝車系統中的應用

王伯君,孫丁丁,崔義森

(中煤科工智能儲裝技術有限公司 自控所， 北京 100013)

0 引言

帶式輸送機是運送散裝物料的主要設備，如何控制上料速度減少設備能量損耗，并且在緩沖倉上料將近滿倉情況下能夠及時降低輸送帶轉速并停止給料機動作，這個過程中時間間隔的計算，受到皮帶秤精度與筒倉復雜環境因素制約，一般很難準確測量到物料的流動性。目前數據采集主要是雷達料位儀與皮帶秤，如圖1所示，雷達料位儀安裝在緩沖倉本體內，用來測量倉內物料高度。當雷達料位儀檢測到緩沖倉內物料高位信號，則PLC程序自動停止給料機運行，阻斷物料上料過程；當雷達料位儀檢測到緩沖倉內物料滿倉信號，降低輸送帶轉速，防止棚倉現象的發生；當雷達料位儀檢測到緩沖倉空倉信號，則PLC程序自動啟動給料機并給定頻率值自動上料。雷達料位儀屬于精密儀器儀表，受粉塵影響大，煤炭緩沖倉是密閉空間，倉內粉塵與煤炭顆粒對于儀表讀數的測量影響大，當倉內停止上料后，待粉塵逐漸下降雷達料位儀測量數據逐漸穩定。因此在煤炭裝車過程中，雷達料位儀測量的倉內物料數據會存在較大偏差。稱重傳感器的精度與復雜環境因素制約著輸送帶上料精度與穩定性。人工很難準確判定物料流動性，同時當輸送帶上方堆積殘留物料過多，PLC程序易發生誤判，造成帶式輸送機的提前啟動，增加設備空載運行時間。帶式輸送機有3個輸入信號：一個是瞬間輸送量或累計輸送量，通過皮帶秤來計算：這里P(t)是單位長度輸送帶上方物料重量，v(t)是輸送帶瞬時線速度，根據瞬時量數據可以計算物料瞬時流量：

F(t)=P(t)·V(t)[1]

(1)

圖1 雷達料位儀在緩沖倉中的安裝[2]

在時間T內帶式輸送機物料累積量可以這樣計算：

(2)

式中:W是物料累積量,kg或t;T是物料通過稱臺的時間,s或h;q(t)為輸送帶單位長度物料質量,kg/m;v(t)是物料在輸送帶上運行速度m/s。

在現有配料系統中，輸送帶上料速度要與給料機控制轉速成正比，輸送帶長度、物料粒度、濕度、溫度等外界因素影響大，會影響上料量的準確性，帶式輸送機物料流量控制有嚴重的非線性、灰色性以及滯后性，采用傳統PID調節很難適應工藝要求。將人工智能中模糊控制邏輯結合神經網絡技術，采用閉環控制來實時調節帶式輸送機轉速，可以很好地解決輸送帶上料速度與物流穩定性控制，實現自適應裝車過程。

1 模糊神經網絡控制算法的原理與實現

1.1 模糊控制的原理

模糊控制是一種基于規則的控制，采用語言控制規則，通過模糊邏輯以及近似推理的方法，將現場操作人員的控制經驗以及相關專家知識形式化、模型化，轉變為計算機可以接受的控制模型，讓計算機來替代人工有效干預。語言變量的概念可以作為手動控制策略的基礎，并在此基礎上發展出新型控制器——模糊控制器。

圖2中的Fgi為系統設定流量值，是精確量；Ffi是系統測量瞬時流量，是精確量，e與c是系統偏差以及偏差變化率，是精確量，也是模糊控制的輸入；E與C是經過模糊量化處理后偏差以及偏差變化率的模糊量；U是模糊量的偏差與偏差變化率經過模糊控制規則、近似推理處理后，得到輸出控制的模糊量；u是輸出控制的模糊量經過模糊判決后得到的精確控制量，控制被控對象；Fi是為系統的輸出。[3]

圖2 模糊控制結構

1.2 神經網絡控制算法的原理

神經網絡控制器是由常規PID控制器與神經網絡兩部分組成，常規PID控制可以根據被控對象輸出與預設值誤差閉環控制，參數由Kp、Ki、Kd可以根據系統運行狀況在線調整，而神經網絡根據控制系統的運行狀態不斷調節PID控制器參數，達到某種最優性能指標，輸出層神經元對于常規PID控制器可調控制參數，通過神經網絡自學習、加權系數調整與修訂，提高系統控制精度。神經網絡控制器結構如圖3所示。

網絡算法流程如圖4所示，具體實現步驟如下：

1) 確定神經網絡結構，確定輸入層節點與數目m與隱含層節點數目q，求得各層加權系數初始值wij(0)以及wli(0)，選定網絡學習速率η與慣性系數γ，其中令k=1。

圖3 神經網絡控制器結構

2) 采樣計算rin(k)與yout(k)，計算輸入輸出誤差e(k)=rin(k)-yout(k)。

3) 計算神經網絡神經元在當前時刻的輸入輸出值，輸出節點對應PID控制器的參數Kp、Ki、Kd。

4) 計算PID控制器參數下輸出u(k)。

5) 進行網絡學習不斷加權系數wij(k)與wli(k)調整實現PID控制參數自適應。

6) 設k=k+1返回第一步計算。[5]

圖4 網絡算法流程圖

[6]

2 模糊神經網絡模型搭建與算法分析

對誤差進行實時分析并利用非線性神經網絡去逼近公式，建立緩沖倉料位儀與皮帶秤的神經網絡模型，需要建立數學模型驗證確定性后，用神經網絡去無限逼近并選擇合適的理論模型投入實際運行。安口南集運站項目由3條帶式輸送機構成，分布圖如圖5所示。上倉帶式輸送機825長度超過60 m，倉下受煤坑帶式輸送機819與儲煤棚帶式輸送機820長度均超過50 m。物料通過受煤坑圓盤給料機輸送通過819倉下帶式輸送機運輸到轉載點1后，下落到儲煤棚上方820帶式輸送機，通過該帶式輸送機下方犁式卸料器下落至儲煤棚內，之后通過圓盤給料機通過轉載點2運送至上倉帶式輸送機825，最終到達緩沖倉內，完成帶式輸送機的運輸物料環節。

2.1 模糊神經網絡控制誤差校正

通過倉下帶式輸送機819皮帶秤的上料量與上倉帶式輸送機825皮帶秤上料量與緩沖倉雷達料位儀米數數據分析，搭建皮帶秤測量簡化模型，q′瞬時流量是q、H、V、t、δ的函數，即q′=f(q，H，V，t，δ)，選用簡化模型，該模型直接影響神經網絡學習時間與誤差校正精確度：

圖5 安口南集運站項目設備分布圖

q′=Kq

(3)

式中：K是神經網絡輸出，這里使用B-P網絡結構，這里有5個輸入節點，7個隱節點，3個輸出節點，對應K1輸出節點輸出函數選乘2后的S型函數，K2與K3選擇輸出節點輸出函數向下平移半個單位后的S型函數，在模糊神經網絡學習前K1函數為1，K2與K3為0，同時在學習中限制K1的范圍在0.98～1.02內浮動，此方法能夠近似電子皮帶秤測量公式并與項目實際情況相符；

q′=K1q+K2H+K3t[7]

(4)

當倉下帶式輸送機819與上倉帶式輸送機825皮帶秤測量誤差在0.2%左右時，模糊神經網絡算法結果誤差在0.12%左右。通過長時間運行，皮帶秤誤差降到0.4%左右時，皮帶秤計量誤差結果在0.15%左右，最終獲得較好的校驗結果，測力傳感器的工作原理如圖6所示。

2.2 神經網絡與模糊控制算法的融合

神經網絡與模糊控制的融合主要是在神經結構

圖6 測力傳感器工作原理

模型中引入模糊邏輯控制，使之具有處理模糊信息的能力，同時利用神經網絡學習與映射分析的能力，實現模糊控制中的模糊化、模糊推理與反模糊化的過程。倉下帶式輸送機820與上倉帶式輸送機825皮帶秤讀數，結合緩沖倉雷達料位儀采集緩沖倉物料高度等數據形式化、模型化，變成計算機可接受控制模型并實現模糊控制過程：輸入量輸出量模糊化；建立模糊控制規則以及模糊控制規則表；輸出信息模糊判決。模糊控制采用增量式數字算法，參數按照整定規則進行優化。

通過對819倉下帶式輸送機以及825上倉帶式輸送機的皮帶秤數據優化，將每小時上料噸數實時采集，以及緩沖倉雷達料位儀的料位高米數匯總到模糊神經網絡輸入端，并對相關數據進行模糊處理，建立模糊控制規則以及輸出信息的模糊判決方法，通過數據優化整定，確定合適的819以及825帶式輸送機帶速以及頻率給定輸出，并確定啟停給料機的個數。

如圖6所示，Q1與Q2分別表示819倉下帶式輸送機以及825上倉帶式輸送機量化以后的變化因子，E表示偏差，Ep表示偏差變化率。在控制系統運行過程中，測力傳感器載荷信號以及旋轉編碼器的帶速信號，經過模糊神經網絡控制系統運算后，與配煤流量設定值比較，求出偏差率E以及偏差變化率Ep，之后采用偏差與偏差變化率作為輸入信號，控制系統根據智能模糊控制算法通過變頻器調節變頻電動機轉速、頻率等相關參數，從而將物料流量控制在穩定變化范圍內,模糊神經網絡智能配料系統控制原理如圖7所示。

圖7 模糊神經網絡智能配料控制系統

2.3 B-P算法神經網絡結構算法在項目中的應用

安口南集運站項目帶式輸送機多、長度長，采用傳統預測滾動優化算法無法滿足控制要求，故采用B-P算法。

3) 模糊化層，神經元個數c是模糊規則數，輸出代表輸入數據對規則的匹配度，即得到數據與數據庫資料的比較，即現場采集數據與數據庫數據的偏差比較，節點函數為：

(5)

式中:i=1,2,…,c;j=1,2,…,n;vij與δij是高斯隸屬函數中心以及寬度。

4) 模糊推理層，采用if…than…的形式計算，模糊神經網絡推理輸出是：

(6)

節點函數為：

反應過程中苯酚的殘余濃度隨時間的變化情況如圖3(a)所示。由該圖可知，反應液中苯酚的濃度在反應開始后急劇下降，5 min后即可達到90%的去除率，30 min后反應達到平衡，說明制備的Fe3O4-C空心微球具有較高的催化活性。以ln(Ct/C0)對t作圖，可得一條直線，見圖3(b)，說明苯酚的催化氧化降解反應符合偽一級反應動力學[8]。

(7)

5) 解模糊化，通過重心法解模糊化，網絡輸出是：

(8)

通過以上B-P神經網絡結構算法的應用，可以得到模糊神經網絡整定后的皮帶秤和緩沖倉料位儀數據。

2.4 確定皮帶秤與緩沖倉料位儀、模糊子集隸屬度

在測得煤炭帶式輸送機流量的基礎上，將給定值與實際測量值比較得到瞬時流量比較并計算偏差，通過調整電機勵磁電流控制電機轉速，使偏差趨于零。項目中上倉帶式輸送機和倉下帶式輸送機各安裝2組皮帶秤，分別由以上的模糊控制規則if…then…模糊條件語句構成，根據現場實際經驗值得到表1的模糊控制規則表。

表1 模糊控制規則(Rules of Fuzzy Control)

對隸屬度取小并在語言變量區域取截集，將對應輸入值有效規則推理控制量模糊截集取相并，根據中心法則進行模糊判決并求得控制量u。具體模糊隸屬度在安口南集運站中數據分析結果如表2所示。

u=∑(xi·μN(xi))∑μN(xi) (9)

3 現場應用

模糊神經網路算法在帶式輸送機物料運輸上可以實現帶式輸送機自適應調節，相比較傳統裝車系統上倉帶式輸送機到緩沖倉進料的過程中，當接近滿倉時停止全部給料機后帶式輸送機上總量無法準確預估，以及空倉后何時調整帶式輸送機電流以及轉速，將給定頻率調整到合適的上料速度，即上料速度與流量可以通過神經網絡以及模糊控制達到較好的匹配程度。

將模糊控制與神經網絡預測方式的長處結合起來形成模糊神經網絡預測控制，根據歷史控制量與輸出量變化對滯后狀態進行預測，將狀態反饋到模糊神經網絡，并訓練模糊神經達到有效控制。模糊神經網絡配料速度與流量控制模型如圖8所示。

圖8 模糊神經網絡配料速度與流量控制模型

安口南集運站項目設備主要通過819與820帶式輸送機上方皮帶秤數據，結合緩沖倉雷達料位儀數據綜合分析判斷，應用神經網絡與模糊控制的方法進行上料速度與流量控制的自適應調節過程。

通過調節帶式輸送機負載與之匹配的帶速，當此速度與軟啟動速度不匹配，需要通過神經網絡與模糊控制算法進行變頻調速，使上料速度與物料流量控制滿足智能化裝車系統的配料速度要求。由于帶式輸送機具有非線性、復雜性的特點，速度v(t)與加速度a(t)存在以下關系：

(10)

(11)

式中:td是速度變化Δv所需加速時間，v0是初始速度。為了減少空載運行時間與防止溢料情況的發生，加速度時間應盡量減小，最大加速度amax與最小加速度時間tdmin分別是：

(12)

(13)

通過順序運行帶式輸送機，采用模糊控制與神經網絡算法相結合的過程控制，實現帶式輸送機之間的聯動。

4 結論

神經網絡與模糊控制的融合提高了帶式輸送機上料速度以及流量控制的方法，提高了機器學習的自適應能力，預測控制的超前判斷能力，具有更廣泛的適用性。該模型能夠補償傳統預測控制基于線性模型的局限性，預測控制反饋校正使偏差變化率通過模糊神經網絡進一步修正，保證了煤炭上料的超前控制有效實現。人工神經網絡的自適應學習，處理泛化能力可以彌補模糊控制的缺陷并改善控制特征。對于煤炭上料速度以及流量控制，通過神經網絡以及模糊控制算法，可以提高上料的準確性與上料帶式輸送機運行有效性，對于具有時滯性與干擾的過程控制系統效果明顯。

經過在華亭安口南集運站的實驗與測試，可以通過神經網絡與模糊控制算法來自適應調節上料速度并精確控制物料流量，不會出現以前傳統裝車站中上料不足空倉需要裝車長時間等待補料、滿倉由于不能及時停止給料機減緩帶式輸送機運行速度導致棚倉現象，實現了自適應調節參數控制，提高裝車系統運行效率，滿足智能化煤炭裝車的需求。