基于模糊神經網絡的重介質懸浮液的密度和液位的控制

胡 娟 王振翀 王福忠

（1.中國礦業大學（北京），北京市海淀區，100083；2.河南理工大學，河南省焦作市，454191）

基于模糊神經網絡的重介質懸浮液的密度和液位的控制

胡 娟1王振翀1王福忠2

（1.中國礦業大學（北京），北京市海淀區，100083；2.河南理工大學，河南省焦作市，454191）

針對在重介質選煤過程中存在著時變、非線性和強耦合的控制環節，傳統的控制策略并不能很好的對其進行控制的問題，采用了模糊神經網絡控制算法，建立了重介質選煤過程的控制模型，該模型主要由模糊神經控制器控制主選分流執行閥和加介分流執行閥和清水閥來完成重介質選煤控制，對該控制策略進行工業試驗，結果表明，對于重介質懸浮液密度和合格介質桶的液位的控制，采用模糊神經網絡控制策略精度高，響應速度較快，可滿足生產工藝的控制要求。

重介質選煤 模糊神經網絡 介質懸浮液密度 合格介質桶液位

1 引言

在重介質選煤過程中，重介質懸浮液的密度和合格介質桶液位等參數是保證整個選煤過程穩定的重要工藝參數。由于密度和液位相互耦合，且主選分流執行器、加介分流執行器、清水閥等執行機構的特性參數具有非線性特征，傳統的控制方法PID控制顯然得不到理想的控制效果。對此，本文提出了模糊神經網絡控制策略，構建了重介質選煤過程的控制模型。

2 重介質選煤的基本控制原理

無壓三產品重介質旋流器選煤工藝如圖1所示，Mh為合格介質，Mx為稀釋介質，其介質的流向為：矸石和中煤產品經弧形篩、脫介篩一段排出的介質為合格介質，直接回合格介質桶；為了實現對介質懸浮液密度和合格介質桶液位的協調控制，要求在精煤段經弧形篩脫介的介質通過主洗分流執行器U1，再回流到稀介質桶和合格介質桶，其回流量的大小可由U1的開度來控制。而3種產品的脫介篩二段因用循環水噴水脫介而被稀釋，因而首先回稀釋介質桶經磁選機回收凈化，再返回合格介質桶。同時，在合格介質管路上安裝了密度計，在合格介質桶安裝液位計，在精煤產品帶式輸送機上安裝灰分儀。

圖1 無壓三產品重介質選煤工藝流程圖

進行分選的過程中，當精煤產品灰分高于設定值時，重介質懸浮液的密度需要降低；當精煤產品灰分低于給定值時，應適當提高懸浮液密度。在實際分選中，懸浮液密度與液位需要統一考慮，主要是通過各閥門的動作來完成對重介質懸浮液密度和合格介質桶液位的協調控制。如果重介質懸浮液密度較低時，加大主選分流器U1的開度，使更多密度低的介質進入稀介質桶，經磁選機回收凈化后再返回合格介質桶；如果重介質懸浮液的密度高時，打開清水閥U3；如果合格介質桶液位低，加大加介分流器U2；如果合格介質桶液位高，加大主選分流器U1的開度。

3 模糊神經網絡的建立

模糊神經網絡（Fuzzy neural network簡稱FNN），既有能利用有限的模糊信息進行強大的模糊邏輯推理和進行自學習建立模糊規則庫的能力，又有對非線性環節具有很好逼近的能力，同時還具備不易陷入局部最優的特性。

模糊神經網絡主要由5層構成，分別為：輸入層、模糊化層、模糊規則層、模糊判決層和去模糊化層（即輸出層）。通過不斷地在線進行反向傳播自學習尋找每層神經元之間最優權值，使得理想輸出與實際輸出的誤差盡量減到最小。在模糊神經網絡中，前4層的作用是，當輸入的模糊控制量完成時對其模糊化、建立模糊規則并推理得出合適的模糊輸出，在第五層進行在線重構去模糊化部分，完成解模糊得到實際控制量。

3.1 模糊神經網絡的結構

模糊神經網絡的結構如圖2所示。

圖2 模糊神經網絡的結構

整個模糊神經網絡的分析以及各層神經元之間的輸入輸出關系為：

（1）輸入層：

（2）模糊化層：

（3）模糊規則層：

（4）模糊判決層：

（5）去模糊化層：

mk、σk——高斯隸屬函數的均值和方差。在上面的分析中，液位偏差e1為實際液位值與給定液位值之差，液位誤差變化率ec1＝e1（k）－e1（k－1），密度偏差e2為實際密度值與給定密度值之差，密度誤差變化率ec2＝e2（k）－e2（k－1），k＝0，1，…n T為采樣時間。

在這個網絡中，前4層的權值都為1；n為輸入變量的模糊子集個數，這里輸入變量的模糊子集都一樣為：｛NB，NM，NS，Z0，PS，PM，PB｝，從左至右即負大、負中、負小、零、正小、正中、正大，它們的模糊論域也一樣劃為｛－6，－5，－4，－3，－2，－1，0，1，2，3，4，5，6｝這樣的13個等級。

第三層隱層節點的個數等于模糊規則的條數，在模糊規則庫里面，模糊規則條數為n4，由輸入變量的模糊子集數共同決定；m為輸出變量的最大模糊子集個數，在重介質選煤過程中，控制系統的輸出為主選分流器U1、加介分流器U2、清水閥U3的開度。由于主選分流閥U1動作的頻繁，因此對它的模糊子集的劃分比較精細，為：｛NB，NM，NS，Z0，PS，PM，PB｝，其模糊論域為｛－7，－6，－5，－4，－3，－2，－1，0，1，2，3，4，5，6，7｝這樣的15個等級。對加介分流器U2和清水閥U3模糊子集的劃分都為｛Z0，PS，PM，PB｝，其模糊論域都為｛0，1，2，3，4｝這樣的5個等級。即在本文中的模糊神經網絡中n＝7，m＝7，n4＝74。

任何一個模糊控制都有一個模糊規則庫，它是根據輸入和輸出的關系建立的。在該神經網絡中，由于輸入是4個變量，輸出為3個變量，所以每條規則的一般形式為：

（2）模糊神經網絡的權值學習算法。模糊神經網絡控制器運行前，要對控制模型有基本要求，預先調節參數aij、βij和。

訓練誤差函數為：

同理，第3層反傳函數為：

第二層的反傳誤差為：

通過上面的權值計算方法就可以尋找到神經網絡各層的最優權值，將調整好的模糊神經網路用于重介質選煤控制過程就能對系統進行很好的控制。

4 運行試驗結果

為檢驗控制器的控制效果，實驗中所選取的選煤系統以3NWXl200／850型無壓給料三產品重介質旋流器為主選設備。實驗過程中，液位運行在50%。為檢驗模糊神經網絡控制算法的控制精度與響應速度，將其與標準PID控制器進行比較，在系統運行過程中（180min處）突然改變密度給定，即密度給定由1.3g／cm3突變到1.4g／cm3。圖3為采用標準PID控制器的介質懸浮液密度控制曲線，圖4為采用模糊神經網絡控制算法的介質懸浮液密度控制曲線。由圖3、圖4看出，采用標準PID時，由于系統狀態發生變化，PID參數未及時調整，當給定突變后，系統經過振蕩后，失去穩定。而采用模糊神經網絡控制算法時，由于其控制參數能跟蹤系統狀態變化而調整，當給定發生變化后，系統能保持穩定，且密度控制精度較高（其波動小于正負0.009g／cm3），超調量少。

5 結束語

從運行結果中可以看出，在重介質選煤過程中，使用模糊神經網絡控制器可以在系統處于不同運行情況下大幅增加系統的穩定性，保證了重介質懸浮液密度的控制精度，同時避免了執行機構的頻繁動作，其實用性強。本文中采用反向誤差法對模糊神經網絡各層的權值進行尋優，通過實驗結果證實了對重介質懸浮液的密度和合格介質桶液位等強耦合、非線性控制對象來說采用這種策略是有效的，而且在線對模糊神經網路的權值進行調整，提高了該控制方法的精確性。

［1］ 馬文清，丁恩杰等.跳汰機選煤生產過程智能控制［J］.中國礦業大學學報，2002（3）

［2］ 孟凡芹等.重介質工藝懸浮液密度和液位的多變量模糊控制方法研究［J］.中國礦業大學學報，2005（2）

［3］ 劉峰.重介質旋流器選煤技術的現狀及在我國的新發展［J］.選煤技術，2004（5）

［4］ 孫華峰，丁利華.重介質旋流器分選磷礦的工藝研究與實踐［J］.中國煤炭，2009（3）

［5］ 徐永生.新型無壓給料三產品重介質旋流器的流場模擬研究［J］.中國煤炭，2011（8）

［6］ 馬建，葉大武.我國選煤工業主要技術裝備現狀與今后發展的建議［J］.選煤技術，2003（2）

［7］ 謝廣元等.選礦學［M］.徐州：中國礦業大學，2001

［8］ Yang Gao.Adaptive intelligent control of MIMO nonlinear systems based on generalized fuzzy neural network［R］.Proceedings of the 2002International Joint Conference on Neural Networks，2002

［9］ Kumpati S，Narendra，Kannan Parthasarathy.Gradient Methods for the Optimization of Dynamical Systems Containing Neural Networks［J］.IEEE Transactions on Neural Networks，1991（2）

［10］ Bhat N.，Mcavoy T J.Use of Neural Nets for Dynamically Modeling and Contorl of Chemical Process Systems［J］.Computer Chem 1990（4～5）

Control of density and liquid level of heavy－medium suspension based on fuzzy neural network

Hu Juan1，Wang Zhenchong1，Wang Fuzhong2
（1.China University of Mining and Technology（Beijing），Beijing 100083，China；2.Henan Polytechnic University，Jiaozuo，Henan 454191，China）

In the heavy－medium coal separation，some control links with time－varying，nonlinear and strong coupling cannot be controlled well by the traditional control strategies.In view of this，the fuzzy neural network algorithm was adopted，and the control model was established for the heavy－medium coal processing.The by－pass valve for main separation，the by－pass valve for medium adding and the water outlet valve were controlled by the fuzzy neural controller to complete the heavy－medium coal separation.The commercial tests showed that the control of density of heavy－medium suspension and the liquid level of qualified medium bucket would be high accuracy with rapid response speed，which could meet the requirements of the control on the production technology.

heavy－medium coal preparation，fuzzy neural network，density of medium suspension，liquid level of qualified medium bucket

TD942.7

A

胡娟（1979－），女，安徽壽縣人，工程師，博士研究生，從事選煤過程控制的研究。

（責任編輯 梁子榮）