基于超深井提升系統模糊神經調速控制方式的研究

楊錦濤，吳金塵

（長沙礦山研究院有限責任公司，湖南 長沙 410000）

隨著國民經濟對礦產資源需求的日益增長和淺表資源的日漸枯竭，我國對地下更深層次的礦產資源的開采變得極為迫切，尤其是在金屬礦產資源領域，超深豎井礦山已經開始向1500m～2000m的深度開采[1]。

礦井提升機系統是一種具有時變、非線性和強耦合等特點的復雜不確定動態(tài)系統。同時，由于外界環(huán)境等不確定因素對工礦的影響，礦井提升的動力學參數也會隨之發(fā)生變化[2]。傳統的普通礦井提升機系統采用的PID控制系統，但是在超深井這種特殊的工礦環(huán)境下，礦井提升機將面對更加復雜的使用環(huán)境，不確定性的增加對礦井提升機的控制系統提出了更高的要求。如何在特殊工況環(huán)境下滿足礦井提升系統的需求，成為了目前亟待解決的問題。本文通過采用模糊控制和神經網絡控制結合的控制方式，提出了一種模糊神經網絡控制方式，充分利用了模糊控制的專家經驗性和神經網絡控制的可調整性，本文首先分析提升機控制系統動力學，從動力學研究中找到提升控制系統數學模型，從而研究適合的控制方式。

1 提升機控制系統動力學分析

1.1 提升機運行分析

提升機罐籠運行速度曲線分為：①主加速度階段。當罐籠啟動后，為提高運行效率，速度加快，以較大加速度運行，直至達到最大提升速度。②等速階段。罐籠在此階段以最大速度運行，直至罐籠接近井口減速段；③減速階段。罐籠斗接近井口時，開始以減速度運行，實現減速。④爬行階段。罐籠將要進入卸載曲軌時，為了減輕罐籠對井架的沖擊便于準確停車，以低速爬行，到達停車位后，提升機施閘制動停車。

1.2 提升機動力學數學模型建立

提升電動機輸出適當的拖動力，提升系統才會按照設計曲線進行運行。提升系統電動機作用在卷筒圓周處的力F應能克服提升系統產生的靜阻力和慣性力兩種力，其表達式為：

式中，Fd為提升控制系統中所有能產生運動部分作用在卷筒圓周處慣性力之和。慣性力Fd可用下式公式表示：

式中：Σm為提升控制系統所有能運動部分變位到卷筒圓周處總的變位質量，a為卷筒圓周處的線加速度。

Fj為提升系統靜阻力，提升系統靜阻力包括罐籠內裝載載荷、罐籠自重、提升鋼絲繩重量加上礦井阻力。礦井阻力包含罐籠在井筒中運行時，氣流對罐籠產生的阻力、滾輪罐耳與罐道產生的摩擦阻力以及提升機卷筒、天輪的軸承阻力等。在分析時近似認為井口至天輪的鋼絲繩重力等于鋼絲繩繩的重力，靜阻力Fj等于兩根鋼絲繩上因為不平衡載荷導致的靜拉力差，即Fj=Fs-Fx。

式中Fs為上升端鋼絲繩端產生的靜拉力；Fx為下降端鋼絲繩產生的靜拉力。在提升任一瞬間Fs為：

而下降端鋼絲繩靜拉力Fx為：

式中：Q為罐籠提升一次提升量，kg；Qz為罐籠本身自重，kg；p為鋼絲繩單位長度產生的重力，N/m；q為尾繩單位長度產生的重力，N/m；H為井筒提升高度，m；hx為提升開始至瞬間產生的距離，m；hw為井底車場至尾繩底部的距離，m；Gs為上升側礦井阻力，N；Gx為下放側礦井阻力,N。

Gs+Gx在礦山生產過程中近似認為礦井阻力為常數，可以以罐籠一次提升量Q為比例，

表1 模糊變量子集取值

式中k為礦井阻力系數，罐籠提升k=1.2。

1.3 變位質量

提升罐籠運行時，提升系統產生直線運動和旋轉運動。提升罐籠、載荷、鋼絲繩運動時的加速度就是卷筒圓周處的加速度，無需變位。天輪、卷筒、減速器齒輪、電動機轉子做旋轉運動，需要變位到卷筒圓周處，這樣可以獲得更簡便的計算，變位的前提是前后的動能必須相等。

實際應用中，由于運動部位狀態(tài)不同，變位質量有一個變化量，但用于超深井大載重工況環(huán)境下，變化量可以忽略不計。所以理論計算公式如下：

式中g為重力加速度，Q為載荷,N；Qz為罐籠自重,N；n1為首繩根數，n2為尾繩根數，p為鋼絲繩單位長度的重力，N/m；q為尾繩單位長度的重力，N/m；Lp為首繩懸掛長度，m；Lp為尾繩懸掛長度，m；Gi為天輪的變位重力，N；Gj為卷筒變位重力，N；Gd為電機轉子變位重力，N。Gi、Gj、Gd一般由生產廠家參數表中已有提供。

通過分析提升控制系統動力學公式，得到提升系統電動機作用在卷筒圓周處的力F,由F可以得出調節(jié)控制信號M，使提升機的實際角速度輸出ω跟蹤設計好給定的理想速度曲線，使其在主加速度階段加速、等速階段、減速階段、爬行階段各階段都獲得較好的瞬態(tài)和穩(wěn)態(tài)跟蹤調節(jié)性能。

2 模糊神經網絡控制

神經網絡由很多種方式，我們本文設計的神經網絡是一種BP結構的多層神經網絡，信號傳輸特點是信號前向傳遞，而誤差后向傳播。神經網絡通過不斷調節(jié)網絡權重值，使得最終輸出與期望值輸出盡可能接近。模糊控制是將操作人員或專家經驗編成模糊規(guī)則，運用模糊規(guī)則去代替人對系統的控制。本文將模糊控制網絡和BP神經網絡相結合，利用BP神經網絡自學習能力來提取模糊控制網絡中的規(guī)則，通過上文中推導出的根據不同時刻的輸入力矩的誤差和誤差變化率運用模糊規(guī)則實時整定輸入參數。這樣既改善了單獨模糊控制系統的實時性不高，又使得BP神經網絡的學習有了指導依據。

2.1 模糊控制器結構

模糊控制器是二維的，其輸入是角速度輸出偏差和角速度變化率，輸出為控制量。K1、K2為量化因子，K3是控制量的比例因子。模糊變量E、ΔE的模糊子集取值為{PL PB PM PS O NS NM NB NL}{—6-5-4-3-2-1 0 1 2 3 4 5 6}其中，PL PB PM PS O NS NM NB NL分別表示正很大、正大、正中、正小、零、負小、負中、負大、負很大。論域分別取為 {—6-5-4-3-2-1 0 1 2 3 4 5 6}。

表2 模糊控制器的輸出偏差值

2.2 神經網絡結構

采用的神經網絡結構為BP神經網絡，反向傳播（BP）算法是一種有導師學習算法，BP算法的學習過程由正向傳播和反向傳播兩部分組成，在正向傳播過程中，輸入模式從輸入層經過隱含層神經元的處理后，傳向輸出層，每一層神經元的狀態(tài)只影響下一層神經元狀態(tài)。如果在輸出層得不到期望的輸出，則轉入反向傳播，此時誤差信號從輸出層向輸入層傳播并沿途調整各層間連接權值和閾值，以使得誤差不斷減小，直到達到精度要求。該算法實際上是求誤差函數的極小值，它通過多個樣本的反復訓練，并采用最快下降法使得權值沿著誤差函數的負梯度方向改變，并收斂于最小點。BP神經網絡借助模糊控制規(guī)則，實現神經網絡拓撲結構、同時控制系統利用神經網絡結構來彌補模糊規(guī)則的學習功能，模糊控制規(guī)則可以通過神經網絡來學習。神經網絡隱含層的節(jié)點數與模糊區(qū)間數一致。網絡結構采用三層，網絡隱含層的節(jié)點數與模糊區(qū)間數一致，而各節(jié)點上的接受函數就是對應的模糊區(qū)間的隸屬度函數。

3 結論

經過大量的實驗證明，采用模糊神經網絡組成的系統模糊神經網絡控制轉矩，轉矩響應快，控制精度高，系統結構簡潔明了，動靜態(tài)系統優(yōu)良。特別對于超深井、大載重這種特殊的工礦環(huán)境下的交流調速系統是一種有效的控制策略。