神經網絡預測控制在礦井局部通風機上的應用

安 寧,邱瑋煒,戚 烜

(中國礦業大學)

神經網絡預測控制在礦井局部通風機上的應用

安 寧①,邱瑋煒,戚 烜

(中國礦業大學)

介紹了掘進工作面局部通風的要求,提出了一種新的礦井局部通風機控制策略,局部通風機的速度由神經網絡預測控制器根據工作狀態隨時調整。系統具有適應性強、控制靈活的優點,又具有較高的控制精度和較好的穩定性。

局部通風機;神經網絡;預測控制;應用

礦井局部通風機通風量主要由礦井瓦斯涌出量等因素決定。正常通風狀態,在滿足掘進工作面工作人員基本用風量的前提下,若瓦斯濃度增加,要求局部通風機轉速隨之上升,進而使瓦斯濃度降低,局部通風機轉速又隨之下降,但此時依然要滿足正常供風的要求[1]。對于這種自動控制的要求,必須尋找到瓦斯濃度與局部通風機轉速的對應關系。但在掘進工作面,巷道內瓦斯的涌出又是隨機的,瓦斯濃度與局部通風機轉速系統屬于非線性、多耦合、多干擾、純滯后系統,采用傳統的控制方法是不現實的,也很難取得滿意的控制效果。預測控制采用滾動式的有限時域優化策略,對模型時變、干擾和失配等影響能及時補償,放在復雜工業環境中更為實際且有效。而神經網絡可以精確描述非線性動態過程,故可采用神經網絡預測控制方法來實現局部通風機的自動控制。

1 神經網絡概述

人工神經網絡(ANN,Aritificial Neural Networks)簡稱神經網絡,是由人工神經元(簡稱神經元)互聯組成的網絡。神經網絡模型用于模擬人腦神經元活動的過程,其中包括對信息的加工、處理、搜索和存儲等過程,它具有以下幾個基本特點[2]:

1)具有分布式存儲信息的特點。2)對于信息的處理具有自組織、自學習的特點。3)具有可以逼近非線性函數的能力,因此,可以用來建立非線性系統的動態模型。4)對信息的處理及推理的過程具有并行的優點。

神經網絡控制(NNC),即基于神經網絡的控制,是指在控制系統中采用神經網絡這一工具對具有時變、非線性、不確定特性的復雜系統進行建模,或充當控制器,或優化計算,或進行推理,或故障診斷等,或同時具有以上幾種功能,將這種基于神經網絡的控制系統的控制方式稱為神經網絡控制。

2 神經網絡預測控制

預測控制是近年發展起來的一類新型控制算法,由于它不但利用當前和過去的偏差值,而且還通過預測模型來估計未來的偏差值,從而以滾動優化確定當前的最優控制策略,因而其控制效果好,適用于不易建立精確模型且比較復雜的的工業生產過程[3]。預測控制的基本原理可歸結為:預測模型、滾動優化和反饋校正。目前,線性系統的預測問題已經得到解決,但對于非線性系統,由于被控對象的非線性結構未知,因此,預測模型對其輸出難以做出精確的預報,從而可能導致控制失敗。由于神經網絡可以精確描述非線性動態過程,因此,可用神經網絡設計預測控制系統。

神經網絡預測控制系統的結構框圖見圖1。控制器有神經網絡模型和優化器組成。神經網絡模型作為預測器使用。它利用系統輸出y與神經網絡模型輸出ym之間的預測誤差e,作為其自身的訓練信號,最優化模塊通過最小化性能指標J確定控制信號u。反饋校正環節用于提高預報的精確性。

圖1 神經網絡預測控制系統結構圖

神經網絡預測控制器采用的性能指標為:

式中:

yr—未來輸出的期望值;yp(t+j)—系統輸出預測值,由模型預測ym(t+j)和模型偏差e(t)兩部分組成,即yp(t+j)=ym(t+j)+h·e(k);λ—控制量加權系數,表示對控制能量變化的重視程度;m—預測時域長度(最大輸出預報區間),表明待優化的未來輸出跟蹤的時間范圍;n—為控制時域長度,表明要納入考慮的未來控制的范圍[4]。

神經網絡預測器在控制系統中用于提供輸出的預報值:yp(t+j),(j=k,k+1,…,m)。如果同時知道了未來輸出的期望值yr(t+j),優化性能指標J就可以得到未來的控制量。在每個采樣點根據控制長度算出未來范圍的控制量有一定的時間長度。然而,實時施加的控制量只能是計算出來的第一個控制值u(t),因為控制是一步一步向前推進的,在下一個t時刻,這些量與在此之前優化得到的控制量相比一般不一致。因此,必須進行滾動優化。

3 風機控制系統

局部通風機神經網絡預測控制系統結構見圖2,在局部通風機神經網絡預測控制系統中,實時監測的數據為掘進工作面的瓦斯濃度。

圖2 神經網絡預測控制系統圖

該控制系統主要包括瓦斯濃度的檢測及轉換裝置和神經網絡預測控制器以及變頻器和局部通風機等幾個部分。其中神經網絡預測控制器包括具有自學習能力的神經網絡模型、優化器以及反饋校正環節,其功能可由PLC與上位機實現。將瓦斯傳感器安裝于掘進工作面,然后將瓦斯傳感器實時采集的瓦斯濃度以及其對應的控制信號輸入神經網絡預測控制器,通過其神經網絡預測算法計算出所需的控制量的大小并輸出,進而調節局部通風機的轉速。神經網絡預測控制器的算法如下[5]:

1)由控制要求獲得期望輸出序列值。

2)預先測量得到被控對象的開環輸入輸出數據,把它們作為神經網絡辨識器的樣本,對神經網絡進行離線訓練,得到滿意的神經網絡模型。

3)利用神經網絡模型產生的輸出,經模型偏差校正后得到系統的預報輸出。

4)計算與未來時刻期望值的誤差。

5)極小化性能指標J,獲得控制的最優序列。

6)將第一控制量施加于系統,返回步驟3。

4 結 語

本文針對礦井掘進工作面礦井局部通風機控制問題,考慮到其數學模型難以建立,采用神經網絡預測控制的方法,以瓦斯濃度為參數,對風機的轉速進行實時調節?？刂葡到y不但具有預測控制的超前預測能力,而且具有神經網絡對非線性系統的建模能力,具有較高的控制精度和較好的穩定性。

[1] 祝龍記,王汝琳.礦用變頻調速局部通風機的模糊控制技術[J].煤炭科學技術,2003(4):07-09.

[2] 宋勝利.智能控制技術概論[M].北京:國防工業出版社,2008:151-152.

[3] 師 黎,陳鐵軍,李曉媛,等.智能控制理論及應用[M].北京:清華大學出版社,2009:206-207.

[4] 張國忠.智能控制系統及應用[M].北京:中國電力出版社,2007:163-164.

[5] 邱秀君,姚加飛,冉 康.神經網絡預測控制在變風量空調系統中的應用[J].低壓電器,2009(12):27-30.

Application of Neural Network Predictive Control in Mine Local Fan

An Ning,Qiu Wei-wei,Qi Xuan

Introduces the ventilation requirements of the mine local fan used in mine roadway excavation face,proposes a new adaptive control strategy of mine local fan,the mine local fan speed is adjusted according to working conditions by the neural network predictive controller.Excellent flexibility and adaptability as well as high precision and good robustness are obtained by the proposed strategy.

Mine local fan;Neural network;Predictive control;Application

book=6,ebook=28

TD724.4

A

1672-0652(2010)06-0017-02

2010-04-20

安 寧 男 1988年出生 2007年中國礦業大學在讀本科生 徐州 221116