基于精煤灰分預(yù)測的重介懸浮液密度自動設(shè)定系統(tǒng)設(shè)計(jì)

孔利利

(中煤科工集團(tuán)北京華宇工程有限公司，河南 平頂山 467000)

基于精煤灰分預(yù)測的重介懸浮液密度自動設(shè)定系統(tǒng)設(shè)計(jì)

孔利利

(中煤科工集團(tuán)北京華宇工程有限公司，河南 平頂山 467000)

為了使重介懸浮液密度及時(shí)適應(yīng)選煤生產(chǎn)的需要，設(shè)計(jì)出重介懸浮液密度自動設(shè)定系統(tǒng)。根據(jù)重介選煤廠實(shí)際操作情況，先設(shè)計(jì)訓(xùn)練精煤灰分預(yù)測的BP神經(jīng)網(wǎng)絡(luò)，再采用Wincc、Matlab編寫程序?qū)崿F(xiàn)重介懸浮液密度的自動設(shè)定。該系統(tǒng)可以對一系列密度數(shù)據(jù)下的精煤灰分進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果選擇最佳密度設(shè)定值，有利于提高精煤灰分的可控性。生產(chǎn)結(jié)果表明：在該系統(tǒng)設(shè)定的密度值下，精煤灰分在要求的范圍內(nèi)，說明系統(tǒng)運(yùn)行效果良好。

重介選煤；精煤灰分預(yù)測；懸浮液密度設(shè)定；BP神經(jīng)網(wǎng)絡(luò)

重介選煤中重介懸浮液密度[1](以下簡稱“懸浮液密度”)對選煤效果有很大影響，如果不能隨生產(chǎn)狀況及時(shí)調(diào)控懸浮液密度就會影響洗選產(chǎn)品質(zhì)量。目前重介選煤廠懸浮液密度多采用人工設(shè)定，需要不斷嘗試和調(diào)整，且具有很強(qiáng)的主觀性；另外，懸浮液密度設(shè)定居于整個(gè)選煤流程前段而精煤灰分檢測位于末段，基于精煤灰分的懸浮液密度調(diào)控存在嚴(yán)重的滯后性，這就給重介司機(jī)的正確判斷和及時(shí)調(diào)控造成很大困難。總的來說，人工設(shè)定懸浮液密度的工作量大，時(shí)間長，效果不理想。為此，設(shè)計(jì)出懸浮液密度自動設(shè)定系統(tǒng)，采用神經(jīng)網(wǎng)絡(luò)方法[2]根據(jù)生產(chǎn)數(shù)據(jù)對精煤灰分進(jìn)行預(yù)測，通過對比生產(chǎn)要求和預(yù)測結(jié)果，確定懸浮液密度設(shè)定值。與傳統(tǒng)的人工設(shè)定懸浮液密度[3]的方式相比，通過計(jì)算機(jī)實(shí)現(xiàn)懸浮液密度自動設(shè)定的方式，調(diào)控更及時(shí)、更可靠，不僅能夠降低操作人員的勞動強(qiáng)度，提高工作效率，而且能夠保持精煤灰分穩(wěn)定，保證洗選產(chǎn)品質(zhì)量。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 參數(shù)、訓(xùn)練樣本選擇

未經(jīng)加工的煤炭是可燃的有機(jī)物和不可燃的無機(jī)物的混合物，重介選煤的目的是將其中可燃物含量不同的物質(zhì)分開，從而使精煤產(chǎn)品的灰分符合要求。在重介選煤過程中，影響精煤灰分的因素很多，如原煤性質(zhì)、設(shè)備運(yùn)行狀態(tài)、生產(chǎn)工藝參數(shù)等。實(shí)際生產(chǎn)過程中不可能實(shí)時(shí)控制所有的因素，在設(shè)計(jì)懸浮液密度自動設(shè)定系統(tǒng)時(shí)，應(yīng)對影響因素做合適的取舍。一般來說，懸浮液密度、原煤灰分及單位時(shí)間內(nèi)的原煤入選量對精煤產(chǎn)品質(zhì)量有重要影響。故研究過程中以這三個(gè)因素作為BP預(yù)測模型的輸入?yún)?shù)，以精煤灰分作為輸出量。

在使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測之前必須對網(wǎng)絡(luò)進(jìn)行訓(xùn)練[4]，訓(xùn)練樣本的選擇對于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)至關(guān)重要，只有選擇合適的訓(xùn)練樣本才能保證預(yù)測的正確性[5]。生產(chǎn)過程中生產(chǎn)設(shè)備對原煤洗選效果的影響很復(fù)雜，無法用模型模擬或者量化描述，但是可以認(rèn)為在一定時(shí)間內(nèi)各設(shè)備運(yùn)行狀態(tài)變化不大。由于上述原因，研究中以距離預(yù)測網(wǎng)絡(luò)訓(xùn)練時(shí)間最近的、有效的生產(chǎn)數(shù)據(jù)作為樣本。

由于激發(fā)函數(shù)采用的是Sigmoid函數(shù)，在對數(shù)據(jù)進(jìn)行歸一化處理之前應(yīng)該考慮使神經(jīng)元的工作處于激發(fā)函數(shù)曲線斜率最大的區(qū)域。輸入?yún)?shù)的歸一化范圍是(0.1～0.9)，歸一化公式為：

式中：xk為第k個(gè)樣本數(shù)據(jù)；x′k為第k個(gè)樣本數(shù)據(jù)歸一化后的值；xmax、xmin分別為樣本數(shù)據(jù)的最大值和最小值。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)在一定程度上決定了網(wǎng)絡(luò)的映射能力和預(yù)測的精度[6-7]，根據(jù)實(shí)際要求，輸入層參數(shù)分別為入選原煤灰分、單位時(shí)間內(nèi)的原煤入選量、合格懸浮液密度三個(gè)節(jié)點(diǎn)，輸出層為精煤灰分。此外，隱層數(shù)目對網(wǎng)絡(luò)的映射能力有重要影響，增加隱層數(shù)目可以提高網(wǎng)絡(luò)的非線性映射能力，但也會使網(wǎng)絡(luò)復(fù)雜化，運(yùn)行速度減慢。已有實(shí)例證明：只有一層隱層的神經(jīng)網(wǎng)絡(luò)優(yōu)于有限數(shù)目維的非線性隱射，所以采用三層網(wǎng)絡(luò)結(jié)構(gòu)。另外，隱層節(jié)點(diǎn)數(shù)對訓(xùn)練效果有較大影響，數(shù)目太少精度降低，數(shù)目太多訓(xùn)練時(shí)間增長，且訓(xùn)練效果不一定好。隱層節(jié)點(diǎn)數(shù)目一般按照經(jīng)驗(yàn)選取，經(jīng)驗(yàn)式為：

式中：N0為輸入層節(jié)點(diǎn)數(shù)，N1為隱層節(jié)點(diǎn)數(shù)，N2為輸出層節(jié)點(diǎn)數(shù)，ΔN為小于10的正整數(shù)。

研究中選擇的隱層數(shù)量為7，據(jù)此構(gòu)建的3×7×1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。其中，φ1、φ2分別為隱含層的第一個(gè)、第二個(gè)節(jié)點(diǎn)的激活函數(shù)，wi,j為輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的連接權(quán)值，wi為隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)的連接權(quán)值。

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

1.3 網(wǎng)絡(luò)訓(xùn)練過程

對構(gòu)建完善的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體步驟如下：

(1)初始化。對網(wǎng)絡(luò)連接權(quán)值、閾值、學(xué)習(xí)率進(jìn)行初始化設(shè)置，為連接權(quán)值賦予[-0.1,0.1]之間的隨機(jī)數(shù)，學(xué)習(xí)率賦予0.01，算法終止條件為誤差E≤Emin=0.001。

(2)選擇訓(xùn)練樣本數(shù)據(jù)集，進(jìn)行歸一化處理，給出順序賦值的輸入向量X1，X2,……Xn和期望的輸出響應(yīng)Y1，Y2,……Yn。

(3)對于第k個(gè)樣本，計(jì)算出神經(jīng)網(wǎng)絡(luò)輸出值與期望值的偏差E。

(4)計(jì)算調(diào)整值Δwij和Δwi，并調(diào)整輸入層和隱含層的連接權(quán)值wij、隱含層和輸出層的連接權(quán)值wi。

(5)如果E≤Emin=0.001，終止訓(xùn)練；反之，重復(fù)步驟(3)，直至滿足要求。

2 密度自動設(shè)定系統(tǒng)的實(shí)現(xiàn)

密度設(shè)定系統(tǒng)的實(shí)現(xiàn)分為四部分完成，即神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練部分、神經(jīng)網(wǎng)絡(luò)預(yù)測與密度設(shè)定部分、數(shù)據(jù)存儲部分(數(shù)據(jù)庫)、人/機(jī)界面部分，如圖2所示。

密度設(shè)定系統(tǒng)的數(shù)據(jù)流向示意圖如圖3所示?？刂葡到y(tǒng)最底層的是PLC，其與執(zhí)行器、傳感器直接連接，用于獲取、傳遞生產(chǎn)數(shù)據(jù)和控制信號；上一層是上位機(jī)監(jiān)控軟件Wincc，實(shí)現(xiàn)與PLC無縫連接，數(shù)據(jù)交換十分方便。Wincc與Matlab程序的數(shù)據(jù)交換需要借助SQL數(shù)據(jù)庫完成[8-9]，Wincc將生產(chǎn)數(shù)據(jù)定時(shí)存儲于SQL中，神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練時(shí)，Matlab神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序從SQL中讀取樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。密度設(shè)定過程為：Wincc將系統(tǒng)參數(shù)存儲于SQL，Matlab密度設(shè)定程序從SQL中讀取該參數(shù)進(jìn)行精煤灰分預(yù)測，根據(jù)預(yù)測結(jié)果設(shè)定懸浮液密度并存儲于數(shù)據(jù)庫中，Wincc從數(shù)據(jù)庫中讀取密度設(shè)定值。

圖2 密度設(shè)定系統(tǒng)結(jié)構(gòu)示意圖

圖3 系統(tǒng)數(shù)據(jù)流向示意圖

Wincc存儲數(shù)據(jù)的部分程序如下：

Dim cnn, strcnn

strcnn = “ Provider=SQLOLEDB.1;Persist Security Info=True;User ID=sa;Password=123;Initial Catalog=BP_data; Data Source=CHINA-2013G”

Set cnn = CreateObject(“ADODB.Connection”)

cnn.ConnectionString = strcnn

cnn.open

Dim issql

strsql = “insert into dbtable (ymhf,ymzl,pjmd,jmhf) Values (“&ymhf&”,“ &ymzl& ”,“ &pjmd& ”,“ &jmhf& ”)”

Set cdobj = CreateObject(“ADODB.Command”)

cdobj.CommandText = strsql

cdobj.Execute

Set cdobj = Nothing

cnn.Close

上述程序中strcnn為連接字符串，CHINA-2013G為數(shù)據(jù)庫服務(wù)器名，BP_data為數(shù)據(jù)庫名，strsql為存儲數(shù)據(jù)的SQL語句，讀取數(shù)據(jù)時(shí)只要改寫該語句為讀數(shù)據(jù)語句即可。

訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)即可預(yù)測精煤灰分，根據(jù)預(yù)測結(jié)果得到懸浮液密度設(shè)定值。密度設(shè)定程序流程如圖4所示。按照設(shè)定的最小精度對系統(tǒng)設(shè)定的密度范圍進(jìn)行掃描，結(jié)合其他參數(shù)(原煤入選量、原煤灰分)預(yù)測相應(yīng)的精煤灰分，查找與目標(biāo)灰分值誤差最小的預(yù)測值對應(yīng)的懸浮液密度，該密度即為密度設(shè)定系統(tǒng)所要給定的值。

圖4 密度設(shè)定程序流程圖

用Matlab軟件分別編寫神經(jīng)網(wǎng)絡(luò)的訓(xùn)練程序的M文件BPxunlian.m和灰分預(yù)測、密度設(shè)定的程序BPgeiding.m，在Matlab命令窗口中輸入“mcc-m-g BPxunlian”和“mcc-m-g BPgeiding”命令即可把相應(yīng)的Matlab程序編譯為BPxunlian.exe和BPgeiding.exe可執(zhí)行程序。將以上兩個(gè)程序存儲于計(jì)算機(jī)E盤，在上位機(jī)編寫程序時(shí)調(diào)用。

基于Wincc的懸浮液密度自動設(shè)定系統(tǒng)操作界面如圖5所示。界面的左半部分主要顯示原煤入選量、入選原煤灰分、懸浮液密度、精煤灰分等選煤過程的工藝參數(shù)，這些數(shù)據(jù)由傳感器檢測得到，不需要人為更改。界面的右半部分顯示懸浮液密度設(shè)定范圍、最小密度變化值、期望灰分值等數(shù)據(jù)，這些參數(shù)由人工設(shè)定，是為系統(tǒng)提供密度設(shè)定的依據(jù)。界面下方有三個(gè)按鈕，分別是網(wǎng)絡(luò)訓(xùn)練、密度設(shè)定、激活本區(qū)域，網(wǎng)絡(luò)訓(xùn)練時(shí)調(diào)用神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序BPxunlian.exe進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，密度設(shè)定時(shí)調(diào)用密度設(shè)定程序BPgeiding.exe進(jìn)行密度設(shè)定，激活本區(qū)域指的是將給定值作為控制系統(tǒng)設(shè)定值傳送給PLC[10]。在本區(qū)域未激活前系統(tǒng)給定值只作為參考，并不傳送給PLC作為實(shí)際的設(shè)定值。

圖5 懸浮液密度自動設(shè)定系統(tǒng)操作界面Fig.5 Operation interface of automatic suspension density setting system

3 控制效果

該系統(tǒng)已在兗礦菏澤能化趙樓礦選煤廠投入使用，2014年1月7日0～2 h的生產(chǎn)數(shù)據(jù)歷史趨勢圖如圖6所示。

圖6 生產(chǎn)數(shù)據(jù)歷史趨勢圖

精煤灰分要求范圍是8.0%～9.0%。圖6中308密度表示實(shí)際的懸浮液密度，系統(tǒng)在0∶25和1∶37前后對懸浮液密度設(shè)定值進(jìn)行了兩次調(diào)整。圖中701灰分表示精煤灰分，精煤灰分2 h內(nèi)在8.0%～9.0%之間波動，但波動范圍不大，能夠滿足生產(chǎn)要求。

4 結(jié)語

設(shè)計(jì)懸浮液密度自動設(shè)定系統(tǒng)時(shí)，首先要根據(jù)重介選煤工藝的實(shí)際情況，確定神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本、網(wǎng)絡(luò)結(jié)構(gòu)、輸入/輸出參數(shù)，完成基于BP神經(jīng)網(wǎng)絡(luò)的精煤灰分預(yù)測模型的設(shè)計(jì)?；诰夯曳诸A(yù)測的重介懸浮液密度自動設(shè)定系統(tǒng)，對于懸浮液密度的及時(shí)調(diào)控有著重要作用，生產(chǎn)數(shù)據(jù)直接說明了該系統(tǒng)的有效性。

[1] 孫武峰. 差壓式重介懸浮液密度與粘度一體化測量方法研究[D].北京:清華大學(xué)，2010.

[2] 施 彥,韓力群, 廉小親. 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009.

[3] 祁澤民,符東旭.選煤重介質(zhì)懸浮液穩(wěn)定性分析[J]. 煤炭科學(xué)技術(shù)，2008(6).

[4] 韓 廣,喬俊飛,薄迎春.溶解氧濃度的前饋神經(jīng)網(wǎng)絡(luò)建?？刂品椒╗J]. 控制理論與應(yīng)用，2013，30(5).

[5] 黃 麗. BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究 [D].重慶:重慶師范大學(xué),2008.

[6] 喬俊飛,李 淼,劉 江.一種神經(jīng)網(wǎng)絡(luò)快速修剪算法[J]. 電子學(xué)報(bào)，2010(4).

[7] Zhou Sheng-Gang, Sun Li-Da, Zhu Pei-Xian, et al. Application of BP Neural Network in Prediction of Cu-Pb Composite Plates Properties[J]. Journal of Harbin Institute of Technology,2013(5): 36-40.

[8] 楊 力,李月恒,于 智. 基于WinCC V6.2的VB腳本操作自定義SQL數(shù)據(jù)庫[J].工業(yè)控制計(jì)算機(jī),2010(9):7-8.

[9] 胡 赟. MATLAB與組態(tài)軟件WinCC的數(shù)據(jù)交換技術(shù)[J].華東交通大學(xué)學(xué)報(bào), 2008, 25(4):44-47.

[10] 劉耀元.機(jī)床電氣與PLC應(yīng)用技術(shù)[M].北京:北京理工大學(xué)出版社, 2011.

The design of dense medium suspension density setting system based on clean coal ash prediction

KONG Li-li

(CCTEG Beijing Huayu Engineering Co., Ltd., Pingdingshan, Henan 467000, China)

Dense medium suspension density setting system is designed to satisfy the requirement for production. In this system, according to the actual operation of heavy medium coal preparation plant, firstly, BP neural network for clean coal ash prediction is designed and trained, and then automatic setting of suspension density is realized by Wincc and Matlab programming. This system can predict ash of clean coal with different density and then select optimal setting, which can availably control ash of clean coal. The application shows that required clean coal ash is stable under the density setting value in this system, which suggests the system works well.

dense medium coal preparation; clean coal ash prediction; suspension density setting; BP neural network

TD948.9

A

1001-3571(2015)04-0068-04

2015-01-18

10.16447/j.cnki.cpt.2015.04.019

孔利利(1987—)，女，河南省平頂山市人，助理工程師，碩士，從事選煤廠電氣設(shè)計(jì)工作。

E-mail:18639747779@163.com Tel:18639747779