煤礦工作面需風(fēng)量預(yù)測(cè)及通風(fēng)機(jī)智能調(diào)速控制

石永寬

（西山煤電西銘礦， 山西 太原 030052）

0 引言

通風(fēng)機(jī)為煤礦綜采工作面的核心設(shè)備，其主要功能為降低綜采工作面的粉塵、瓦斯?jié)舛龋?duì)工作面的溫濕度進(jìn)行調(diào)節(jié)控制，以保證綜采工作面人員和設(shè)備處于一個(gè)相對(duì)舒適、干凈且安全的工作環(huán)境中。在實(shí)際生產(chǎn)中，煤礦綜采工作面的需風(fēng)量處于動(dòng)態(tài)變化狀態(tài)。因此，根據(jù)工作面的實(shí)時(shí)需風(fēng)量對(duì)通風(fēng)機(jī)設(shè)備進(jìn)行智能調(diào)速控制，以保證通風(fēng)量與需風(fēng)量的相互匹配，不僅有利于工作面的安全生產(chǎn)，而且對(duì)于通風(fēng)機(jī)的節(jié)能運(yùn)行具有重要意義。

1 工程概況

本文所研究的具體通風(fēng)機(jī)類型為局部通風(fēng)機(jī)，該局部通風(fēng)機(jī)主要對(duì)某掘進(jìn)工作面的通風(fēng)進(jìn)行調(diào)節(jié)控制。該掘進(jìn)工作面屬于獨(dú)頭巷道，在實(shí)際掘進(jìn)過(guò)程中會(huì)在現(xiàn)場(chǎng)產(chǎn)生相應(yīng)的瓦斯、二氧化碳等有害氣體，在局部通風(fēng)機(jī)的作用下將新鮮空氣注入其中，稀釋并排出現(xiàn)場(chǎng)的有害氣體[1-2]。

根據(jù)通風(fēng)機(jī)結(jié)構(gòu)的不同可將其分為壓入式通風(fēng)機(jī)和軸流式通風(fēng)機(jī)，對(duì)應(yīng)的通風(fēng)方式包括有壓入式通風(fēng)、抽出式通風(fēng)和混合式通風(fēng)三種[3-4]。本文所研究局部通風(fēng)機(jī)的具體型號(hào)為FBCDNO.7.5，該型通風(fēng)機(jī)屬于對(duì)旋式局部通風(fēng)機(jī)，具體參數(shù)如表1 所示。

表1 FBCDNO.7.5 對(duì)旋式局部通風(fēng)機(jī)參數(shù)

根據(jù)通風(fēng)機(jī)的慣性環(huán)節(jié)參數(shù)，并結(jié)合表1 中FBCDNO.7.5 對(duì)旋式軸流通風(fēng)機(jī)的具體參數(shù)，其在額定狀態(tài)對(duì)應(yīng)的通風(fēng)量為625 m3/min，可以得出其在不同轉(zhuǎn)速條件下對(duì)應(yīng)的通風(fēng)量計(jì)算如式（1）所示：

式中：Q2為通風(fēng)機(jī)的實(shí)時(shí)通風(fēng)量；n2為通風(fēng)機(jī)電動(dòng)機(jī)的實(shí)時(shí)轉(zhuǎn)速。

2 工作面需風(fēng)量的預(yù)測(cè)

對(duì)于某個(gè)實(shí)際工作的工作面而言，工作面的需風(fēng)量在很大程度上與實(shí)際掘進(jìn)過(guò)程中所涌出的瓦斯、二氧化碳等有害氣體的量相關(guān)，對(duì)應(yīng)的計(jì)算如式（2）所示：

式中：Q 為工作面的實(shí)際需風(fēng)量；q 為工作面瓦斯或二氧化碳的實(shí)際涌出量；K1為工作面瓦斯或二氧化碳涌出的不均勻的備用風(fēng)量系數(shù)；K2為工作面瓦斯質(zhì)量分?jǐn)?shù)不超過(guò)1%或二氧化碳質(zhì)量分?jǐn)?shù)不超過(guò)1.5%的換算系數(shù)。

目前，工作面通風(fēng)機(jī)運(yùn)行主要面臨的問(wèn)題在于無(wú)法根據(jù)工作面的實(shí)時(shí)需風(fēng)量對(duì)通風(fēng)機(jī)的運(yùn)行參數(shù)進(jìn)行調(diào)節(jié)控制，不僅造成電能的浪費(fèi)，更重要的是還存在通風(fēng)機(jī)供風(fēng)與實(shí)際工作面需風(fēng)不相匹配的問(wèn)題，從而導(dǎo)致在工作面存在瓦斯或二氧化碳急劇的問(wèn)題，嚴(yán)重威脅工作面的安全生產(chǎn)。鑒于此，本文將基于神經(jīng)網(wǎng)絡(luò)算法對(duì)工作面通風(fēng)機(jī)的需風(fēng)量進(jìn)行預(yù)測(cè)，并對(duì)通風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行提前控制。

2.1 工作面需風(fēng)量預(yù)測(cè)過(guò)程

在實(shí)際生產(chǎn)中，工作面需風(fēng)量在很大程度上與現(xiàn)場(chǎng)的瓦斯涌出量、煤塵濃度以及溫濕度等指標(biāo)相關(guān)，而且需風(fēng)量與上述參數(shù)之間的關(guān)系一般相對(duì)復(fù)雜，為此采用GA 的神經(jīng)網(wǎng)絡(luò)算法對(duì)需風(fēng)量進(jìn)行精準(zhǔn)預(yù)測(cè)。

1）基于GA 算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)以時(shí)間為主線的1 個(gè)輸入量節(jié)點(diǎn)，以瓦斯?jié)舛取⒚簤m濃度、溫濕度和需風(fēng)量為5 個(gè)輸出量節(jié)點(diǎn)。

2）將所采集的研究對(duì)象工作面需風(fēng)量、瓦斯?jié)舛?、粉塵濃度以及溫濕度的樣本進(jìn)行歸一化操作處理，并設(shè)置相應(yīng)的變量取值范圍。

3）基于神經(jīng)網(wǎng)絡(luò)算法對(duì)樣本數(shù)據(jù)進(jìn)行優(yōu)化訓(xùn)練。

4）將上述訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行存儲(chǔ)以備使用，并基于準(zhǔn)備好的訓(xùn)練樣本為基礎(chǔ)對(duì)下一階段需風(fēng)量進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果與原始測(cè)量值進(jìn)行對(duì)比，以驗(yàn)證上述模型的準(zhǔn)確性。

5）重復(fù)上述2）—4）的步驟，通過(guò)不斷迭代對(duì)訓(xùn)練網(wǎng)絡(luò)進(jìn)行不斷的優(yōu)化，以保證預(yù)測(cè)值與實(shí)測(cè)值的誤差達(dá)到最小，最終得到通風(fēng)量預(yù)測(cè)的模型。

2.2 工作面需風(fēng)量預(yù)測(cè)結(jié)果

基于上述所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)算法對(duì)需風(fēng)量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際風(fēng)量的測(cè)定值進(jìn)行對(duì)比，對(duì)比結(jié)果如表2 所示。

表2 工作面需風(fēng)量預(yù)測(cè)結(jié)果

如表2 所示，上述5 個(gè)序列中需風(fēng)量預(yù)測(cè)在5 min 內(nèi)完成的，即基于該算法可對(duì)5 min 后工作面的需風(fēng)量進(jìn)行預(yù)測(cè)，進(jìn)而基于通風(fēng)機(jī)智能調(diào)速控制策略實(shí)現(xiàn)對(duì)通風(fēng)量的控制，達(dá)到了對(duì)工作面風(fēng)量實(shí)時(shí)控制的目的。

3 工作面通風(fēng)機(jī)的智能調(diào)速控制

傳統(tǒng)針對(duì)工作面通風(fēng)機(jī)控制的主要方式為手動(dòng)通過(guò)擋風(fēng)板和導(dǎo)向器對(duì)其風(fēng)量進(jìn)行調(diào)節(jié)，此種風(fēng)量調(diào)節(jié)方式不僅自動(dòng)化程度較低，而且還導(dǎo)致大量的電能浪費(fèi)，而且控制存在延遲現(xiàn)象。基于可對(duì)工作面通風(fēng)量精準(zhǔn)提前預(yù)測(cè)的基礎(chǔ)上，本文將基于模糊控制算法為核心對(duì)通風(fēng)機(jī)進(jìn)行調(diào)速控制，調(diào)速控制方式采用變頻手段實(shí)現(xiàn)。

根據(jù)T-S 神經(jīng)網(wǎng)絡(luò)的控制原理結(jié)構(gòu)并基于Simulink 軟件建立工作面通風(fēng)機(jī)智能調(diào)速控制的T-S神經(jīng)網(wǎng)絡(luò)控制模型，如圖1 所示。

圖1 T-S 神經(jīng)網(wǎng)絡(luò)控制模型

如圖1 所示，上述神經(jīng)網(wǎng)絡(luò)控制模型的核心控制器為PID 控制器，主要思路為采用T-S 神經(jīng)網(wǎng)絡(luò)算法對(duì)PID 控制器中的系數(shù)進(jìn)行調(diào)節(jié)控制。根據(jù)本文所研究局部通風(fēng)機(jī)的具體參數(shù)和使用工況，確定控制器中比例環(huán)節(jié)系數(shù)為0.1，微分環(huán)節(jié)系數(shù)為0.000 5，積分環(huán)節(jié)系數(shù)為24。

對(duì)T-S 神經(jīng)網(wǎng)絡(luò)控制算法對(duì)應(yīng)的控制效果進(jìn)行仿真，仿真結(jié)果如圖2 所示。

圖2 T-S 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)控制效果

如圖2 所示，通風(fēng)機(jī)在10 s、20 s 和30 s 三個(gè)時(shí)刻點(diǎn)分別根據(jù)現(xiàn)場(chǎng)情況對(duì)通風(fēng)機(jī)進(jìn)行調(diào)速控制，在仿真過(guò)程中系統(tǒng)可對(duì)通風(fēng)機(jī)的供風(fēng)量進(jìn)行實(shí)時(shí)控制，而且每次風(fēng)量調(diào)節(jié)延時(shí)僅為2 s。而且，與傳統(tǒng)PID 控制方式對(duì)比，基于T-S 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)具有調(diào)節(jié)時(shí)間快、超調(diào)量小以及供風(fēng)穩(wěn)定的優(yōu)勢(shì)。

4 結(jié)論

通風(fēng)機(jī)為煤礦生產(chǎn)中的核心設(shè)備，其主要作用是為工作面人員和設(shè)備提供一個(gè)相對(duì)穩(wěn)定、干凈、舒適且安全的環(huán)境，對(duì)于煤礦高效、安全生產(chǎn)具有重要意義。本文工作面需風(fēng)量預(yù)測(cè)和通風(fēng)機(jī)的智能調(diào)速控制展開研究，并總結(jié)如下：

1）采用GA 優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)構(gòu)建需風(fēng)量預(yù)測(cè)的模型，并通過(guò)不斷迭代對(duì)模型網(wǎng)絡(luò)進(jìn)行優(yōu)化，最終實(shí)現(xiàn)了可對(duì)5 min 后工作面需風(fēng)量精準(zhǔn)預(yù)測(cè)的功能。

2）采用T-S 神經(jīng)網(wǎng)絡(luò)算法對(duì)PID 控制器的系數(shù)進(jìn)行調(diào)節(jié)，從而實(shí)現(xiàn)了對(duì)通風(fēng)機(jī)供風(fēng)量的實(shí)時(shí)、精準(zhǔn)控制的目的。