基于多元線性回歸-BP神經網絡的自移式破碎機生產能力預測

張崇欣，李克民，肖雙雙

（中國礦業(yè)大學礦業(yè)工程學院，煤炭資源與安全開采國家重點實驗室，江蘇 徐州 221116）

自移式破碎系統(tǒng)作為近年發(fā)展迅速的一種半連續(xù)生產系統(tǒng)，受到業(yè)界越來越多的關注，在國內礦山逐漸得到應用。該系統(tǒng)可使礦山物料在運輸過程中擺脫卡車的使用，避免了單斗卡車工藝昂貴的運輸費用和燃油費用［1］。

自移式破碎系統(tǒng)的生產能力受眾多因素影響，系統(tǒng)的正常運行需機械鏟、自移式破碎機和帶式輸機緊密配合，故其對礦山生產管理水平提出了更高的要求。管理者需要了解各因素對系統(tǒng)生產能力的影響，并能有效預測系統(tǒng)生產能力，才能合理調整生產計劃［2］。因此，建立各影響因素與系統(tǒng)生產能力之間的關系模型，進而預測系統(tǒng)生產能力對礦山正常生產具有重要意義。

1 自移式破碎機生產能力影響因素分析

通過現場實際分析，在設備參數和礦山地質條件一定的情況下，影響自移式破碎機系統(tǒng)生產能力的主要因素有：礦山設備管理與維護水平、電鏟司機的操作水平、穿爆質量、工藝參數設置、工作面準備情況，而這五個基礎指標又可用電鏟作業(yè)周期時間、炸藥單耗、系統(tǒng)正常運行時間三個指標量化反映［3］。如圖1所示。

圖1 影響系統(tǒng)生產能力因素

1.1 礦山設備管理與維護水平

自移式破碎機系統(tǒng)由電鏟、自移式破碎機、帶式輸送機多個環(huán)節(jié)組成，每個環(huán)節(jié)的設備使用情況都直接影響著整個系統(tǒng)的正常使用。只要一個環(huán)節(jié)設備出現問題，整個系統(tǒng)便無法使用，故礦山設備管理與維護水平對系統(tǒng)生產能力有很大影響。礦山設備管理與維護水平越高，各設備正常使用時間越長，系統(tǒng)時間利用系數就越大，其生產能力便越大［3］。

1.2 電鏟司機操作水平

電鏟的滿斗系數、采裝周期等直接受電鏟司機操作水平的影響，電鏟司機的操作水平越高，平均滿斗系數就越大，采裝周期就越短，相同時間內系統(tǒng)的生產能力也就越大［4］。同時，電鏟司機的操作水平還對工作面臺階的平整度有影響，這對后期系統(tǒng)工作面膠帶的移設效率有影響。

1.3 穿爆質量

穿爆質量主要體現在礦巖破碎塊度、爆堆幾何參數和爆堆松散程度［2］等指標上。在礦山生產中，絕大多數物料都需先經過爆破才能挖掘，爆破的質量直接影響著物料塊度大小。在用電鏟進行鏟裝操作時，其滿斗率受物料塊度的影響，故爆破質量直接影響著系統(tǒng)的生產能力。

在一定范圍內，炸藥單耗越大，爆堆的松散性越好，礦巖的破碎塊度越小，電鏟的滿斗系數就越大，系統(tǒng)的生產效率也就越高。

1.4 工藝參數設置

在設備參數一定的情況下，自移式破碎機工藝參數主要包括臺階開采組合方式（單臺階開采或多臺階組合開采）、采掘帶寬度、工作面膠帶移設周期、臺階坡面角、臺階高度、爆堆尺寸等，這些因素都會對系統(tǒng)生產能力造成影響。只有根據具體設備設置合理的系統(tǒng)工藝參數，才能最大限度發(fā)揮設備能力，提高設備產量。

如合理采掘帶寬度能減少電鏟回轉周期時間，提高單位之間電鏟鏟裝量；合理的臺階開采組合方式能有效降低工作面膠帶移設次數，提高系統(tǒng)有效工作時間，從而增加系統(tǒng)產量。

1.5 工作面準備情況

工作面膠帶是系統(tǒng)重要的組成部分，主要負責將經自移式破碎機破碎的物料運往端幫干線膠帶。工作面膠帶的特點在于其需隨著工作線的推進周期性移設，這就要求在工作面待移設位置為其準備好平整的基礎。因此，工作面的準備情況將直接影響工作面膠帶的移設周期，從而影響系統(tǒng)的有效利用率。

工作面準備情況主要與礦山爆破水平與采裝管理水平有關。爆破時產生拉底或采裝時下挖過深都會影響工作平盤的平整度，對工作面膠帶移設和系統(tǒng)運行產生不利影響。

2 多元線性回歸分析

根據上文分析，由于各影響因素對目標值產生直接影響，近似將其當做線性關系處理［5］。將三個量化指標作為自變量，以系統(tǒng)生產能力為因變量，構建三元線性回歸模型。

2.1 多元線性回歸模型

多元線性回歸模型為

式（1）中，β0、β1、…、βm、σ2稱為回歸系數，現得到n個獨立觀測數據（yi，xi1，…，xim），i＝1，…，n，n＞m，由式（1）得

2.2 參數估計

式（1）中，參數β0、β1、…、βm用最小二乘法估計，選取估計值，使當βj＝，j＝0，1，2，…，m時，誤差平方和達到最小。誤差平方和計算公式見式（3）。

當矩陣X為列滿秩時，XTX為可逆方陣，式（4）的解為

將伊敏露天煤礦某年月生產記錄數據帶入，則可求解此模型。如表1所示。

表1 伊敏露天煤礦自移式破碎機系統(tǒng)生產參數

計算得＝［327.12 －6.23 77.60 0.11］T，即。設顯著性水平α＝0.05，F＝87＞F0.05（3，8）＝4.07，所以拒絕H0，即自變量與因變量之間線性關系顯著，模型合理［6－7］。計算本模型模型誤差約為7%。

圖2 多元線性回歸模型預測結果

3 BP神經網絡模型殘差修正

BP神經網絡模型在擬合數據時有三大優(yōu)點：可模仿包括非線性、分段等多種函數；不需要預先假設數據間的函數關系類型和參數分布；信息利用率高，避免了系統(tǒng)數據辨識方法在序列累加時因正負抵消而產生信息失真現象［8］。BP神經網絡與線性模型組合使用，可綜合反映數據線性及非線性特征，體現數據變化過程中的趨勢性、周期性和隨機性特征［9］。因此，本文采用BP神經網絡對多元線性回歸模型進行殘差修正，提出多元線性回歸-BP神經網絡組合預測模型。

3.1 模型建立

模型建立具體步驟如下所示。

2）BP網絡模型修正殘差序列。設 ｛e（0）（T）｝為多元線性回歸模型的殘差序列，預測階數為S，即用e（0）（t－1）、e（0）（t－2）、…、e（0）（t－S）（t＝ 1，2，3…，n）的信息來預測t時刻的值，將e（0）（t－1）、e（0）（t－2）、…、e（0）（t－S）的值作為網絡訓練的輸入樣本數據，e（0）（t）的值作為BP網絡訓練的輸出樣本。采用BP神經網絡模型算法，通過一定量的殘差序列數據作為樣本數據訓練這個網絡［10］。

3.2 模型求解

由前文多元線性回歸模型得出的殘差序列為

對式 ｛e（0）（T）｝建立BP網絡模型，設計采用輸入層3個節(jié)點，隱含層1層，隱含層7個節(jié)點，輸出節(jié)點數為1個，學習率為0.6，收斂率為0.01，均方差誤差限制在0.01的網絡［11］。利用 MATLAB神經網絡工具性編程實現網絡訓練和測試，最后得出4～12月產量的殘差序列預測值。

組合模型模型預測值誤差為1.42%，明顯優(yōu)于多元線性回歸模型。組合模型模型預測結果與真實值對比見圖3。

通過上面實例可見組合模型預測精度明顯提高。

圖3 組合模型預測結果

4 結論

1）自移式破碎機半連續(xù)系統(tǒng)作為一個生產能力受眾多因素影響的綜合系統(tǒng)，對其生產能力影響因素的分析以及對生產能力進行合理預測，對于合理安排露天礦生產進度計劃，保證露天礦生產的正常進行具有重要意義。

2）影響自移式破碎機半連續(xù)系統(tǒng)生產能力的主要因素有：礦山設備管理與維護水平、電鏟司機的操作水平、穿爆質量、工藝參數設置、工作面準備情況，而這五個基礎指標又可用電鏟作業(yè)周期時間、炸藥單耗和系統(tǒng)正常運行時間三個指標量化反映。

3）自移式破碎機半連續(xù)系統(tǒng)生產能力與影響因素之間既有線性關系，又有非線性關系，其中以線性關系為主。利用多元線性回歸-BP神經網絡模型組合預測系統(tǒng)生產能力，預測結果較為準確。

4）礦山管理人員可根據本文提供的方法對自移式破碎機系統(tǒng)生產能力進行預測，也可以通過系統(tǒng)生產能力與各影響因素之間的關系，在系統(tǒng)生產能力及部分影響因素確定的情況下，通過對剩余指標的調整使得系統(tǒng)順利完成既定生產任務。如某月設備出動率不足，可適當提高爆破質量來保證系統(tǒng)完成計劃產量。

［1］張國營，才慶祥，周偉，等.伊敏河露天煤礦自移式破碎機半連續(xù)系統(tǒng)可靠性研究［J］.煤炭工程，2010（7）：42-44.

［2］張達賢，張幼蒂.露天采礦新工藝［M］.徐州：中國礦業(yè)大學出版社，1992.

［3］駱中州.露天采礦學（上冊）［M］.徐州：中國礦業(yè)學院出版社，1986.

［4］張建平.露天礦電鏟鏟裝效率影響因素的分析［J］.化工礦山技術，1995，24（5）：8-10.

［5］王惠文，孟潔.多元線性回歸的預測建模方法［J］.北京航空航天大學學報，2007，33（4）：500-504.

［6］Fisher R A.The use of multiple measurementsin taxonomic problems［J］.Ann of Eugenics，1936（7）：179-188.

［7］Roger A H，Charles R J.Translated by YangQi.Matrix Analysis［M］.Beijing：Machinery Industry Press，2005.

［8］王旭，王宏，王文輝.人工神經元網絡原理與應用［M］.沈陽：東北大學出版社，2007.

［9］李國勇.神經模糊控制理論及應用［M］.北京：電子工業(yè)出版社，2009.

［10］朱大奇，史慧.人工神經網絡原理及應用［M］.北京：科學出版社，2006.

［11］董四輝，史卓屾.道路交通事故BP神經網絡預測研究［J］.中國安全科學學報，2010，20（9）：15-19.