王伯君,孙丁丁,崔义森
(中煤科工智能储装技术有限公司 自控所, 北京 100013)
带式输送机是运送散装物料的主要设备,如何控制上料速度减少设备能量损耗,并且在缓冲仓上料将近满仓情况下能够及时降低输送带转速并停止给料机动作,这个过程中时间间隔的计算,受到皮带秤精度与筒仓复杂环境因素制约,一般很难准确测量到物料的流动性。目前数据采集主要是雷达料位仪与皮带秤,如图1所示,雷达料位仪安装在缓冲仓本体内,用来测量仓内物料高度。当雷达料位仪检测到缓冲仓内物料高位信号,则PLC程序自动停止给料机运行,阻断物料上料过程;当雷达料位仪检测到缓冲仓内物料满仓信号,降低输送带转速,防止棚仓现象的发生;当雷达料位仪检测到缓冲仓空仓信号,则PLC程序自动启动给料机并给定频率值自动上料。雷达料位仪属于精密仪器仪表,受粉尘影响大,煤炭缓冲仓是密闭空间,仓内粉尘与煤炭颗粒对于仪表读数的测量影响大,当仓内停止上料后,待粉尘逐渐下降雷达料位仪测量数据逐渐稳定。因此在煤炭装车过程中,雷达料位仪测量的仓内物料数据会存在较大偏差。称重传感器的精度与复杂环境因素制约着输送带上料精度与稳定性。人工很难准确判定物料流动性,同时当输送带上方堆积残留物料过多,PLC程序易发生误判,造成带式输送机的提前启动,增加设备空载运行时间。带式输送机有3个输入信号:一个是瞬间输送量或累计输送量,通过皮带秤来计算:这里P(t)是单位长度输送带上方物料重量,v(t)是输送带瞬时线速度,根据瞬时量数据可以计算物料瞬时流量:
F(t)=P(t)·V(t)[1]
(1)
图1 雷达料位仪在缓冲仓中的安装[2]
在时间T内带式输送机物料累积量可以这样计算:
(2)
式中:W是物料累积量,kg或t;T是物料通过称台的时间,s或h;q(t)为输送带单位长度物料质量,kg/m;v(t)是物料在输送带上运行速度m/s。
在现有配料系统中,输送带上料速度要与给料机控制转速成正比,输送带长度、物料粒度、湿度、温度等外界因素影响大,会影响上料量的准确性,带式输送机物料流量控制有严重的非线性、灰色性以及滞后性,采用传统PID调节很难适应工艺要求。将人工智能中模糊控制逻辑结合神经网络技术,采用闭环控制来实时调节带式输送机转速,可以很好地解决输送带上料速度与物流稳定性控制,实现自适应装车过程。
模糊控制是一种基于规则的控制,采用语言控制规则,通过模糊逻辑以及近似推理的方法,将现场操作人员的控制经验以及相关专家知识形式化、模型化,转变为计算机可以接受的控制模型,让计算机来替代人工有效干预。语言变量的概念可以作为手动控制策略的基础,并在此基础上发展出新型控制器——模糊控制器。
图2中的Fgi为系统设定流量值,是精确量;Ffi是系统测量瞬时流量,是精确量,e与c是系统偏差以及偏差变化率,是精确量,也是模糊控制的输入;E与C是经过模糊量化处理后偏差以及偏差变化率的模糊量;U是模糊量的偏差与偏差变化率经过模糊控制规则、近似推理处理后,得到输出控制的模糊量;u是输出控制的模糊量经过模糊判决后得到的精确控制量,控制被控对象;Fi是为系统的输出。[3]
图2 模糊控制结构
1.2 神经网络控制算法的原理
神经网络控制器是由常规PID控制器与神经网络两部分组成,常规PID控制可以根据被控对象输出与预设值误差闭环控制,参数由Kp、Ki、Kd可以根据系统运行状况在线调整,而神经网络根据控制系统的运行状态不断调节PID控制器参数,达到某种最优性能指标,输出层神经元对于常规PID控制器可调控制参数,通过神经网络自学习、加权系数调整与修订,提高系统控制精度。神经网络控制器结构如图3所示。
网络算法流程如图4所示,具体实现步骤如下:
1) 确定神经网络结构,确定输入层节点与数目m与隐含层节点数目q,求得各层加权系数初始值wij(0)以及wli(0),选定网络学习速率η与惯性系数γ,其中令k=1。
图3 神经网络控制器结构
2) 采样计算rin(k)与yout(k),计算输入输出误差e(k)=rin(k)-yout(k)。
3) 计算神经网络神经元在当前时刻的输入输出值,输出节点对应PID控制器的参数Kp、Ki、Kd。
4) 计算PID控制器参数下输出u(k)。
5) 进行网络学习不断加权系数wij(k)与wli(k)调整实现PID控制参数自适应。
6) 设k=k+1返回第一步计算。[5]
图4 网络算法流程图
[6]
对误差进行实时分析并利用非线性神经网络去逼近公式,建立缓冲仓料位仪与皮带秤的神经网络模型,需要建立数学模型验证确定性后,用神经网络去无限逼近并选择合适的理论模型投入实际运行。安口南集运站项目由3条带式输送机构成,分布图如图5所示。上仓带式输送机825长度超过60 m,仓下受煤坑带式输送机819与储煤棚带式输送机820长度均超过50 m。物料通过受煤坑圆盘给料机输送通过819仓下带式输送机运输到转载点1后,下落到储煤棚上方820带式输送机,通过该带式输送机下方犁式卸料器下落至储煤棚内,之后通过圆盘给料机通过转载点2运送至上仓带式输送机825,最终到达缓冲仓内,完成带式输送机的运输物料环节。
通过仓下带式输送机819皮带秤的上料量与上仓带式输送机825皮带秤上料量与缓冲仓雷达料位仪米数数据分析,搭建皮带秤测量简化模型,q′瞬时流量是q、H、V、t、δ的函数,即q′=f(q,H,V,t,δ),选用简化模型,该模型直接影响神经网络学习时间与误差校正精确度:
图5 安口南集运站项目设备分布图
q′=Kq
(3)
式中:K是神经网络输出,这里使用B-P网络结构,这里有5个输入节点,7个隐节点,3个输出节点,对应K1输出节点输出函数选乘2后的S型函数,K2与K3选择输出节点输出函数向下平移半个单位后的S型函数,在模糊神经网络学习前K1函数为1,K2与K3为0,同时在学习中限制K1的范围在0.98~1.02内浮动,此方法能够近似电子皮带秤测量公式并与项目实际情况相符;
q′=K1q+K2H+K3t[7]
(4)
当仓下带式输送机819与上仓带式输送机825皮带秤测量误差在0.2%左右时,模糊神经网络算法结果误差在0.12%左右。通过长时间运行,皮带秤误差降到0.4%左右时,皮带秤计量误差结果在0.15%左右,最终获得较好的校验结果,测力传感器的工作原理如图6所示。
神经网络与模糊控制的融合主要是在神经结构
图6 测力传感器工作原理
模型中引入模糊逻辑控制,使之具有处理模糊信息的能力,同时利用神经网络学习与映射分析的能力,实现模糊控制中的模糊化、模糊推理与反模糊化的过程。仓下带式输送机820与上仓带式输送机825皮带秤读数,结合缓冲仓雷达料位仪采集缓冲仓物料高度等数据形式化、模型化,变成计算机可接受控制模型并实现模糊控制过程:输入量输出量模糊化;建立模糊控制规则以及模糊控制规则表;输出信息模糊判决。模糊控制采用增量式数字算法,参数按照整定规则进行优化。
通过对819仓下带式输送机以及825上仓带式输送机的皮带秤数据优化,将每小时上料吨数实时采集,以及缓冲仓雷达料位仪的料位高米数汇总到模糊神经网络输入端,并对相关数据进行模糊处理,建立模糊控制规则以及输出信息的模糊判决方法,通过数据优化整定,确定合适的819以及825带式输送机带速以及频率给定输出,并确定启停给料机的个数。
如图6所示,Q1与Q2分别表示819仓下带式输送机以及825上仓带式输送机量化以后的变化因子,E表示偏差,Ep表示偏差变化率。在控制系统运行过程中,测力传感器载荷信号以及旋转编码器的带速信号,经过模糊神经网络控制系统运算后,与配煤流量设定值比较,求出偏差率E以及偏差变化率Ep,之后采用偏差与偏差变化率作为输入信号,控制系统根据智能模糊控制算法通过变频器调节变频电动机转速、频率等相关参数,从而将物料流量控制在稳定变化范围内,模糊神经网络智能配料系统控制原理如图7所示。
图7 模糊神经网络智能配料控制系统
2.3 B-P算法神经网络结构算法在项目中的应用
安口南集运站项目带式输送机多、长度长,采用传统预测滚动优化算法无法满足控制要求,故采用B-P算法。
3) 模糊化层,神经元个数c是模糊规则数,输出代表输入数据对规则的匹配度,即得到数据与数据库资料的比较,即现场采集数据与数据库数据的偏差比较,节点函数为:
(5)
式中:i=1,2,…,c;j=1,2,…,n;vij与δij是高斯隶属函数中心以及宽度。
4) 模糊推理层,采用if…than…的形式计算,模糊神经网络推理输出是:
(6)
节点函数为:
反应过程中苯酚的残余浓度随时间的变化情况如图3(a)所示。由该图可知,反应液中苯酚的浓度在反应开始后急剧下降,5 min后即可达到90%的去除率,30 min后反应达到平衡,说明制备的Fe3O4-C空心微球具有较高的催化活性。以ln(Ct/C0)对t作图,可得一条直线,见图3(b),说明苯酚的催化氧化降解反应符合伪一级反应动力学[8]。
(7)
5) 解模糊化,通过重心法解模糊化,网络输出是:
(8)
通过以上B-P神经网络结构算法的应用,可以得到模糊神经网络整定后的皮带秤和缓冲仓料位仪数据。
在测得煤炭带式输送机流量的基础上,将给定值与实际测量值比较得到瞬时流量比较并计算偏差,通过调整电机励磁电流控制电机转速,使偏差趋于零。项目中上仓带式输送机和仓下带式输送机各安装2组皮带秤,分别由以上的模糊控制规则if…then…模糊条件语句构成,根据现场实际经验值得到表1的模糊控制规则表。
表1 模糊控制规则(Rules of Fuzzy Control)
对隶属度取小并在语言变量区域取截集,将对应输入值有效规则推理控制量模糊截集取相并,根据中心法则进行模糊判决并求得控制量u。具体模糊隶属度在安口南集运站中数据分析结果如表2所示。
u=∑(xi·μN(xi))∑μN(xi) (9)
模糊神经网路算法在带式输送机物料运输上可以实现带式输送机自适应调节,相比较传统装车系统上仓带式输送机到缓冲仓进料的过程中,当接近满仓时停止全部给料机后带式输送机上总量无法准确预估,以及空仓后何时调整带式输送机电流以及转速,将给定频率调整到合适的上料速度,即上料速度与流量可以通过神经网络以及模糊控制达到较好的匹配程度。
将模糊控制与神经网络预测方式的长处结合起来形成模糊神经网络预测控制,根据历史控制量与输出量变化对滞后状态进行预测,将状态反馈到模糊神经网络,并训练模糊神经达到有效控制。模糊神经网络配料速度与流量控制模型如图8所示。
图8 模糊神经网络配料速度与流量控制模型
安口南集运站项目设备主要通过819与820带式输送机上方皮带秤数据,结合缓冲仓雷达料位仪数据综合分析判断,应用神经网络与模糊控制的方法进行上料速度与流量控制的自适应调节过程。
通过调节带式输送机负载与之匹配的带速,当此速度与软启动速度不匹配,需要通过神经网络与模糊控制算法进行变频调速,使上料速度与物料流量控制满足智能化装车系统的配料速度要求。由于带式输送机具有非线性、复杂性的特点,速度v(t)与加速度a(t)存在以下关系:
(10)
(11)
式中:td是速度变化Δv所需加速时间,v0是初始速度。为了减少空载运行时间与防止溢料情况的发生,加速度时间应尽量减小,最大加速度amax与最小加速度时间tdmin分别是:
(12)
(13)
通过顺序运行带式输送机,采用模糊控制与神经网络算法相结合的过程控制,实现带式输送机之间的联动。
神经网络与模糊控制的融合提高了带式输送机上料速度以及流量控制的方法,提高了机器学习的自适应能力,预测控制的超前判断能力,具有更广泛的适用性。该模型能够补偿传统预测控制基于线性模型的局限性,预测控制反馈校正使偏差变化率通过模糊神经网络进一步修正,保证了煤炭上料的超前控制有效实现。人工神经网络的自适应学习,处理泛化能力可以弥补模糊控制的缺陷并改善控制特征。对于煤炭上料速度以及流量控制,通过神经网络以及模糊控制算法,可以提高上料的准确性与上料带式输送机运行有效性,对于具有时滞性与干扰的过程控制系统效果明显。
经过在华亭安口南集运站的实验与测试,可以通过神经网络与模糊控制算法来自适应调节上料速度并精确控制物料流量,不会出现以前传统装车站中上料不足空仓需要装车长时间等待补料、满仓由于不能及时停止给料机减缓带式输送机运行速度导致棚仓现象,实现了自适应调节参数控制,提高装车系统运行效率,满足智能化煤炭装车的需求。