基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的綜采面工藝參數(shù)優(yōu)化研究

王挨榮，陳漢章，郭 微，潘 濤，趙洪澤，賈靈強(qiáng)，徐洪洋

(1.國(guó)能神東煤炭集團(tuán) 上灣煤礦，內(nèi)蒙古 鄂爾多斯 017010；2.國(guó)能信息技術(shù)有限公司，北京 100011；3.中國(guó)礦業(yè)大學(xué)(北京)，北京 100011)

由于工作面生產(chǎn)系統(tǒng)是一個(gè)復(fù)雜的串聯(lián)系統(tǒng)，整個(gè)采礦流程是連續(xù)不間斷的，從而給動(dòng)態(tài)調(diào)整工藝控制參數(shù)造成了相當(dāng)大的困難。本研究以國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目《煤礦智能開(kāi)采安全技術(shù)與裝備研發(fā)》為依托，以綜采工作面生產(chǎn)過(guò)程為研究對(duì)象，針對(duì)該過(guò)程機(jī)理復(fù)雜、數(shù)學(xué)模型難以建立等問(wèn)題，利用神東煤炭集團(tuán)上灣煤礦首個(gè)智能超大采高8.8m工作面的歷史生產(chǎn)數(shù)據(jù)，通過(guò)數(shù)據(jù)挖掘和深度學(xué)習(xí)技術(shù)，深度挖掘隱藏在數(shù)據(jù)中的規(guī)律，通過(guò)智能建模技術(shù)和多目標(biāo)優(yōu)化技術(shù)，根據(jù)礦井綜合生產(chǎn)指標(biāo)對(duì)工藝控制參數(shù)進(jìn)行模擬[6]，以提升工作面生產(chǎn)效能為目的，選擇出優(yōu)化的、合理的工藝控制參數(shù)，為降低生產(chǎn)成本和能耗、提高生產(chǎn)效率提供智能決策方案，為礦山工作人員提供輔助決策方法。

1 綜采工作面生產(chǎn)系統(tǒng)耦合關(guān)系研究

綜采工作面采煤工藝包括采煤、裝煤、運(yùn)煤、支護(hù)、采空區(qū)治理五大工序。由采煤機(jī)切割的煤經(jīng)過(guò)刮板輸送機(jī)輸送到工作面底部，經(jīng)過(guò)裝載機(jī)和破碎機(jī)后，由平巷帶式輸送機(jī)輸送到出料系統(tǒng)。刮板輸送機(jī)和液壓支架需要與采煤機(jī)配套，才能使采煤機(jī)的生產(chǎn)能力最大化。刮板輸送機(jī)的輸送能力應(yīng)大于采煤機(jī)的生產(chǎn)能力，液壓支架的移動(dòng)速度應(yīng)大于采煤機(jī)的工作速度[7]。

綜采工作面生產(chǎn)系統(tǒng)是一個(gè)復(fù)雜的系列系統(tǒng)，可分為三個(gè)子系統(tǒng)，即設(shè)備子系統(tǒng)、環(huán)境子系統(tǒng)和采煤工藝子系統(tǒng)[8]。生產(chǎn)過(guò)程中的每個(gè)過(guò)程一般都包含多個(gè)過(guò)程控制參數(shù)。任何過(guò)程控制參數(shù)的波動(dòng)都會(huì)對(duì)后續(xù)的其他生產(chǎn)過(guò)程產(chǎn)生影響，從而影響礦山的綜合生產(chǎn)指標(biāo)[9]。綜采工作面生產(chǎn)系統(tǒng)過(guò)程與過(guò)程控制參數(shù)之間的耦合關(guān)系如圖1所示。

圖1 各工序和工藝控制參數(shù)關(guān)系

在實(shí)際生產(chǎn)過(guò)程中，企業(yè)管理者在制定生產(chǎn)計(jì)劃時(shí)，將生產(chǎn)計(jì)劃量化為具體的生產(chǎn)目標(biāo)，然后技術(shù)人員根據(jù)自己的經(jīng)驗(yàn)將生產(chǎn)目標(biāo)分解為各生產(chǎn)設(shè)備的過(guò)程控制參數(shù)的初始設(shè)定值。設(shè)備操作員根據(jù)過(guò)程控制參數(shù)的設(shè)定值操作設(shè)備進(jìn)行生產(chǎn)。當(dāng)生產(chǎn)的實(shí)際值偏離預(yù)期值更多時(shí)，調(diào)度程序?qū)⑼ㄖ夹g(shù)人員。然后技術(shù)人員根據(jù)自己的經(jīng)驗(yàn)，調(diào)整各生產(chǎn)設(shè)備的過(guò)程控制參數(shù)，反饋給設(shè)備操作人員。這種人工設(shè)定和調(diào)整過(guò)程控制參數(shù)的方法缺乏科學(xué)依據(jù)。不利于提高礦山的生產(chǎn)效率，自動(dòng)化程度低，不僅不能充分發(fā)揮生產(chǎn)設(shè)備的性能，而且生產(chǎn)控制過(guò)程容易受到操作者的主觀影響。

數(shù)據(jù)集是由綜采工作面生產(chǎn)現(xiàn)場(chǎng)的傳感器采集到的各生產(chǎn)設(shè)備關(guān)鍵工藝控制參數(shù)的歷史生產(chǎn)數(shù)據(jù)，即采煤機(jī)牽引速度(PSS)、液壓支架移動(dòng)速度(HMS)、刮板輸送機(jī)鏈速(CSSC)、級(jí)裝載機(jī)鏈速(CSSL)、乳化液泵1出口壓力(EPOP1)、乳化液泵2出口壓力(EPOP2)、噴油泵1出口壓力(SPOP1)、噴油泵2出口壓力(SPOP2)，綜合生產(chǎn)指標(biāo)為每分鐘煤產(chǎn)量(OCPM)。

采用Pearson相關(guān)分析方法對(duì)歷史生產(chǎn)數(shù)據(jù)進(jìn)行分析，并初步分析參數(shù)之間的關(guān)系。PSS、HSMS和OCPM之間存在很高的線性相關(guān)性。SPOP1和SPOP2高度線性相關(guān)，在50-80的取值范圍內(nèi)上下波動(dòng)。EPOP1和EPOP2具有較高的線性相關(guān)性，在250-300范圍內(nèi)上下波動(dòng)。CSSC、CSSL與其他過(guò)程控制參數(shù)之間存在一定程度的相關(guān)性，但不是線性相關(guān)。從分析結(jié)果可以看出，綜采工作面生產(chǎn)系統(tǒng)中各生產(chǎn)設(shè)備的運(yùn)行機(jī)理非常復(fù)雜，難以建立準(zhǔn)確的過(guò)程機(jī)理模型來(lái)量化和建立各參數(shù)之間的聯(lián)系。綜上所述，綜采工作面生產(chǎn)系統(tǒng)運(yùn)行在惡劣的生產(chǎn)環(huán)境中，是一個(gè)多干擾、強(qiáng)耦合、非線性、大滯后、不確定的過(guò)程。

2 工藝控制參數(shù)優(yōu)化方法研究

遺傳算法(GA)以一個(gè)種群中的所有個(gè)體為對(duì)象，并利用隨機(jī)化技術(shù)指導(dǎo)對(duì)一個(gè)被編碼的參數(shù)空間進(jìn)行高效搜索[10]。其中，選擇、交叉和變異構(gòu)成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)、控制參數(shù)設(shè)定五個(gè)要素組成了GA的核心內(nèi)容。具體流程如圖2所示。

圖2 遺傳算法流程

根據(jù)算法流程圖，GA的實(shí)現(xiàn)步驟如下：

1)定義一個(gè)目標(biāo)函數(shù)。

2)將可行解群體在一定的約束條件下初始化，每一個(gè)可行解用一個(gè)向量x來(lái)編碼，稱(chēng)為一條染色體，向量的分量代表基因，它對(duì)應(yīng)可行解的某一決策變量。

3)計(jì)算群體中每條染色體xi(i=1，2，…，n)所對(duì)應(yīng)的目標(biāo)函數(shù)值，并以此計(jì)算適應(yīng)值Fi，按Fi的大小來(lái)評(píng)價(jià)該可行解的好壞，如果滿足條件，輸出結(jié)果，如果不滿足，進(jìn)行步驟(4)。

4)以優(yōu)勝劣汰的機(jī)制，將適應(yīng)值差的染色體淘汰掉，對(duì)幸存的染色體根據(jù)其適應(yīng)值的好壞，按概率隨機(jī)選擇，進(jìn)行繁殖，形成新的群體。

5)通過(guò)交叉和變異的操作，產(chǎn)生子代。交叉是隨機(jī)選擇兩條染色體(雙親)，將某一點(diǎn)或多點(diǎn)的基因互換而產(chǎn)生兩個(gè)新個(gè)體，變異是交叉后產(chǎn)生的子代基因中某一點(diǎn)或多點(diǎn)發(fā)生突變。

6)對(duì)子代群體重復(fù)步驟3)—5)的操作，進(jìn)行新一輪遺傳進(jìn)化過(guò)程，直到迭代收斂(適應(yīng)值趨穩(wěn)定)即找到了最優(yōu)解或準(zhǔn)最優(yōu)解。

最優(yōu)化問(wèn)題的目標(biāo)函數(shù)和約束條件種類(lèi)繁多，有的是線性的，有的是非線性的；有的是連續(xù)的，有的是離散的；有的是單峰值的，有的是多峰值的。隨著研究的深入，很多復(fù)雜情況下要想完全精確地求出其全局最優(yōu)解較為困難，因而求出其近似最優(yōu)解或滿意解是主要著眼點(diǎn)之一。遺傳算法為解決這類(lèi)問(wèn)題提供了有效的途徑和通用框架。

通過(guò)智能建模方法和遺傳算法混合策略的集成智能優(yōu)化方法對(duì)工藝控制參數(shù)進(jìn)行優(yōu)化，其中智能建模方法擁有較強(qiáng)的非線性處理能力，適合于信息復(fù)雜、知識(shí)背景不清楚和推理規(guī)則不明確問(wèn)題的建模，可以解決復(fù)雜系統(tǒng)建模的困難，遺傳算法可以解決復(fù)雜系統(tǒng)中多目標(biāo)優(yōu)化的問(wèn)題[11]。采用遺傳算法作為多目標(biāo)優(yōu)化方法時(shí)，如何設(shè)計(jì)適應(yīng)度函數(shù)是難點(diǎn)，本方法直接利用人工神經(jīng)網(wǎng)絡(luò)[7]確定的最優(yōu)效能預(yù)測(cè)模型作為遺傳算法的適應(yīng)度函數(shù)，無(wú)需再為遺傳算法建立一個(gè)新的適應(yīng)度函數(shù)，從而可以解決黑盒多目標(biāo)優(yōu)化問(wèn)題中適應(yīng)度函數(shù)難以建立的問(wèn)題[12]。工藝控制參數(shù)優(yōu)化具體流程如圖3所示。

圖3 集成優(yōu)化流程

3 工作面產(chǎn)量預(yù)測(cè)模型構(gòu)建與評(píng)價(jià)

3.1 產(chǎn)量預(yù)測(cè)模型構(gòu)建

將經(jīng)過(guò)規(guī)范化處理的采煤機(jī)牽引速度、液壓支架移架速度、刮板輸送機(jī)轉(zhuǎn)速、轉(zhuǎn)載機(jī)轉(zhuǎn)速、乳化液泵出口壓力和噴霧泵出口壓力數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，每分鐘產(chǎn)煤量作為神經(jīng)網(wǎng)絡(luò)的輸出，建立基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)量預(yù)測(cè)模型[13]，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。將制作好的數(shù)據(jù)集按8∶2的比例分成兩部分，其中80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測(cè)試集，對(duì)產(chǎn)量預(yù)測(cè)模型進(jìn)行訓(xùn)練，其中產(chǎn)量預(yù)測(cè)算法流程如圖5所示。

圖4 產(chǎn)量預(yù)測(cè)模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5 產(chǎn)量預(yù)測(cè)算法流程

第一步：初始化權(quán)重W=[W1，1，W1，2，…，Wi，j]和閾值b=[b1，b2，…，bi]，為[-1，1]之間的隨機(jī)數(shù)，i表示層數(shù)，j表示每層的節(jié)點(diǎn)數(shù)。

第二步：隨機(jī)選取輸入樣本Y=[Y1，Y2，…，YJ]。

第三步：正向逐層計(jì)算每一層的輸入net與輸出Y。

Y(k)=f(k)，激活函數(shù)選用Sigmoid函數(shù)：

第四步：使用均方誤差計(jì)算輸出值Yi與標(biāo)簽值Ti的誤差。

第五步：使用隨機(jī)梯度逐層更新每一層的權(quán)重和閾值。

第六步：重復(fù)第三、四、五步，直到誤差滿足設(shè)定的值。

3.2 產(chǎn)量預(yù)測(cè)模型評(píng)價(jià)

本研究使用均方誤差作為模型的評(píng)估方法對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，均方誤差用來(lái)還原平方失真程度，是預(yù)測(cè)誤差平方之和的平均值，它避免了正負(fù)誤差不能相加的問(wèn)題，由于對(duì)誤差進(jìn)行了平方，加強(qiáng)了誤差在指標(biāo)中的作用，從而提高了這個(gè)指標(biāo)的靈敏度。經(jīng)過(guò)調(diào)參優(yōu)化，最終建立了一個(gè)包含3個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)，每個(gè)隱含層的節(jié)點(diǎn)數(shù)分別為6、4和2，優(yōu)化后的模型誤差變化如圖6所示，從誤差圖中可以發(fā)現(xiàn)模型在測(cè)試集和訓(xùn)練集上表現(xiàn)都很好，隨著訓(xùn)練代次數(shù)的增加，誤差最終在0附近平穩(wěn)的震蕩，說(shuō)明模型泛化能力較強(qiáng)。

圖6 優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型誤差

4 工藝控制參數(shù)優(yōu)化模型構(gòu)建

提出基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)[14]和遺傳算法混合策略的建模方法，首先利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建立工藝控制參數(shù)與生產(chǎn)目標(biāo)之間的耦合關(guān)系模型，并將該模型作為遺傳算法的目標(biāo)函數(shù)，其中各工藝控制[15]參數(shù)作為目標(biāo)函數(shù)的輸入，生產(chǎn)目標(biāo)作為目標(biāo)函數(shù)的輸出，然后將目標(biāo)函數(shù)的輸出值與生產(chǎn)目標(biāo)實(shí)際值之間的差值的絕對(duì)值設(shè)置為遺傳算法的適應(yīng)度函數(shù)，將適應(yīng)度函數(shù)最小化作為優(yōu)化目標(biāo)，最后采用遺傳算法根據(jù)優(yōu)化目標(biāo)對(duì)工藝控制參數(shù)進(jìn)行尋優(yōu)[16]。采用基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和遺傳算法混合策略建立工藝控制參數(shù)初始值設(shè)定模型：

第一步：初始化原始種群。種群中包含的個(gè)體數(shù)為100，由于本文要優(yōu)化的工藝控制參數(shù)有8個(gè)，所以每一個(gè)個(gè)體包含8條染色體，每一條染色體對(duì)應(yīng)一個(gè)工藝控制參數(shù)，種群迭代數(shù)設(shè)置為G=200。選擇算子采用輪盤(pán)賭選擇策略，交叉算子選擇模擬二進(jìn)制的單點(diǎn)交叉算子，變異算子為均勻變異，即分別用符合某一范圍內(nèi)均勻分布的隨機(jī)數(shù)，以某一較小的概率來(lái)替換個(gè)體編碼串中各個(gè)基因座上的原有基因值[17]。

第二步：編碼。每一條染色體用二進(jìn)制進(jìn)行編碼，根據(jù)變量要求的精度以及取值范圍，可以計(jì)算其對(duì)應(yīng)編碼的長(zhǎng)度[18]。

第三步：計(jì)算適應(yīng)度函數(shù)F=[F1，F(xiàn)2，…，F(xiàn)P]。將所有個(gè)體的編碼依次輸入到基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)工藝控制參數(shù)耦合關(guān)系模型中，將模型輸出值與優(yōu)化目標(biāo)值的差值的絕對(duì)值作為遺傳算法適應(yīng)度函數(shù)，把適應(yīng)度函數(shù)最小化作為優(yōu)化目標(biāo)。

第四步：以輪盤(pán)賭選擇策略選擇個(gè)體，適應(yīng)值低的被選擇的機(jī)會(huì)更大。

第五步：對(duì)選出的個(gè)體進(jìn)行交叉操作，產(chǎn)生子代個(gè)體。

第六步：對(duì)子代個(gè)體進(jìn)行變異操作，產(chǎn)生新的子代個(gè)體。

第七步：重復(fù)第四、五、六步，直到達(dá)到設(shè)定的進(jìn)化代數(shù)。

第八步：將輸出結(jié)果進(jìn)行反歸一化，得到的即為優(yōu)化后的工藝參數(shù)解集。

5 模型驗(yàn)證

本方法已將代碼進(jìn)行封裝，并開(kāi)發(fā)了函數(shù)接口，使用時(shí)只需給函數(shù)接口(optimize)傳入計(jì)劃產(chǎn)煤量，即可輸出優(yōu)化后的工藝控制參數(shù)解集，技術(shù)人員可以根據(jù)實(shí)際情況選擇一組參數(shù)指導(dǎo)生產(chǎn)[19]。優(yōu)化前后的采煤機(jī)軌跡如圖7、圖8所示，對(duì)比兩圖中的結(jié)果，可以發(fā)現(xiàn)優(yōu)化后的各工藝參數(shù)數(shù)據(jù)均優(yōu)于歷史數(shù)據(jù)，可以用于指導(dǎo)實(shí)際生產(chǎn)[20]。

圖7 優(yōu)化前采煤機(jī)軌跡

圖8 優(yōu)化后采煤機(jī)軌跡

6 結(jié) 論

1)利用交叉熵代價(jià)函數(shù)對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高了模型的學(xué)習(xí)速度，減少了模型的迭代次數(shù)。改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型對(duì)過(guò)程控制參數(shù)的耦合關(guān)系擬合精度更高，更適合于建立過(guò)程控制參數(shù)與生產(chǎn)目標(biāo)之間的非線性關(guān)系。

2)提出了一種基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法混合策略的過(guò)程控制參數(shù)優(yōu)化方法，將基于神經(jīng)網(wǎng)絡(luò)的過(guò)程控制參數(shù)耦合關(guān)系模型作為遺傳算法的適應(yīng)度函數(shù)。它充分結(jié)合了人工神經(jīng)網(wǎng)絡(luò)的非線性建模能力和遺傳算法的全局優(yōu)化能力。該方法可以在不受人為干擾的情況下快速優(yōu)化綜采工作面工藝控制參數(shù)，解決了傳統(tǒng)優(yōu)化方法效率低的問(wèn)題。并在生產(chǎn)現(xiàn)場(chǎng)進(jìn)行了驗(yàn)證，將每次切割切割時(shí)間縮短了8min，提高了工作面生產(chǎn)效率。

3)提出了常規(guī)優(yōu)化綜采工作面各工藝控制參數(shù)初值的方法。當(dāng)工作環(huán)境發(fā)生變化時(shí)，過(guò)程控制參數(shù)也會(huì)發(fā)生波動(dòng)。因此，未來(lái)的研究還應(yīng)該增加過(guò)程控制參數(shù)的動(dòng)態(tài)調(diào)整模型，動(dòng)態(tài)調(diào)整各個(gè)過(guò)程控制參數(shù)，以響應(yīng)工作環(huán)境的變化。