基于Sine-SSA-BP的永磁直聯帶式輸送系統功耗模型研究

袁志佳，朱桂英，郭進喜

(河北工程大學機械與裝備工程學院，河北 邯鄲 056038)

0 引言

帶式輸送機已被廣泛應用于煤礦行業。但由于產煤量的不確定性，輸送機會出現空載高速、過載等現象，導致其不能高效運行。輸送機的運行沒有充分利用變頻器調速功能，負載大小和驅動功率不匹配，造成了輸送機的不必要能源浪費。帶式輸送系統的節能優化實際上就是優化結構參數、減小運行阻力以及節能運行。由功率的計算公式可知，煤量與帶速會直接影響整個系統的能耗。因此，建立永磁直聯帶式輸送系統的功耗模型，找到煤量、帶速和功率之間的最優匹配關系，是實現帶式輸送機節能優化的關鍵。

對于功耗模型的建立，祝寶君、雷汝海[1-2]分別采用BP神經網絡構建了優化模型，減少了輸送機的能耗。孫偉等[3]采用BP網絡構建模型并用遺傳算法對模型參數進行優化，實現了帶式輸送機的節能運行。目前，針對永磁直聯帶式輸送系統建立功耗模型的研究較少。大多數功耗模型的研究均是針對傳統帶式輸送系統，并且未對所建立的神經網絡本身進行優化。

本文采用Sine-SSA-BP算法建立永磁直聯帶式輸送系統的功耗模型。在永磁直聯帶式輸送系統中，已知煤量后，經由優化訓練的網絡模型，便可找到與煤量匹配的最優帶速，達到系統節能的目的。

1 模型建立

1.1 BP神經網絡

BP神經網絡可映射復雜非線性關系，可以通過訓練和學習自動調整參數和結構，并且泛化能力較強[4]。

選取輸送機的帶速、煤量作為網絡模型的輸入，對應的網絡輸出為輸送系統的功率消耗。其3層網絡結構如圖1所示。

圖1 BP網絡結構圖

1.2 麻雀搜索算法(SSA)

麻雀搜索算法(SSA)是2020年提出的新的智能算法，有較好的魯棒性，尋優速度和能力都有較好的表現。算法通過模擬一部分麻雀發現豐富的食物區域，為其他麻雀提供位置和方向，其他麻雀加入到覓食行為中，當一些麻雀發現捕食者，麻雀規避危險或轉移到其他安全的區域進行覓食的行為和規則來實現[5]。

SSA算法中，麻雀個體在運動過程中位置變化可以分為以下3種，在數學上的定義如下。

1.2.1 發現者位置更新

(1)

式中，i：變量，取值為1，2，3，…，n；t：當前迭代次數；N：最大迭代次數；α：0～1的隨機數；R2：預警值，取值范圍在0～1；ST：安全值，取值在0.5～1；Q：服從正態分布的隨機數；L：一個1×d的矩陣，其中L矩陣中各元素均為1。

當R2

1.2.2 加入者位置更新

(2)

式中，j：變量，取值為1，2，3，…，n；Xpb：當前發現者的最優位置；Xgw：當前全局最差位置；A：一個1×d的矩陣，其中矩陣中的每個元素為1或-1，并且有A+=AT(AAT)-1。

當j>n/2時，意味著一些適應度值較低的加入者未獲得食物。

1.2.3 預警麻雀位置更新

(3)

式中，k：變量，取值為1，2，3，…，n；Xgb：當前全局的最優位置；β：服從標準正態分布的隨機數；K：麻雀移動的方向，同時是控制移動距離的參數，為-1～1的一個隨機數；fk：當前個體的適應度；fgb：當前全局的最佳適應度；fgw：當前全局的最差適應度；ε：一個較小的常數。

當fk>fgb時，表示麻雀正處于種群的邊緣，麻雀感受到危險會躲避風險。當fk=fgb時，處于種群中間位置的麻雀也意識到了危險，此時它們會躲避風險[6]。

1.3 基于Sine-SSA-BP的功耗模型

SSA算法需要通過一種初始化策略來生成初始種群，為后續演化提供初始解。通常，初始種群的選定會影響算法的進程和性能[7]。目前，大多數智能算法均采用偽隨機數生成器產生初始種群，而相對于偽隨機數生成器，采用混沌數生成器產生的初始種群可以豐富種群多樣性，在一定程度上提高算法的性能。因此本文采用Sine混沌映射初始化麻雀種群，選出適應度較好的麻雀個體作為初始種群。

根據BP神經網絡的原理，BP神經網絡的權值和閾值對所建立的模型會有較大的影響。因此，選用Sine混沌映射優化過的SSA算法對BP網絡的權值和閾值進行優化，得到Sine-SSA-BP功耗模型。

首先將功率P、帶速v、煤量Q數據集進行歸一化處理，并將[P，v，Q]分為訓練集和驗證集。給定SSA算法的參數：種群數量M、最大迭代次數N、安全閥值ST=0.6、意識到危險的麻雀數量比重SD=0.2、發現者麻雀數量比重PD=0.7。BP網絡的輸入層為2，輸出層為1，隱含層數最優值由算法選出。Sine混沌映射初始化麻雀種群，然后將[P，v，Q]訓練集導入到Sine-SSA-BP功耗模型中對模型訓練，隨著算法的迭代，由式(1)～(3)不斷更新麻雀個體的位置。

選用均方誤差(MSE)作為算法的適應度函數，算法每循環一次，比較當前麻雀和上一代麻雀最優適應度值大小，若大于上一代值，則更新麻雀位置，否則不更新，最終迭代到滿足條件為止，得到全局最優值和最佳適應度。Sine-SSA-BP的流程圖如圖2所示。

圖2 Sine-SSA-BP流程圖

2 實例分析

為驗證基于Sine-SSA-BP建立的功耗模型的有效性和準確性，本文選用了在永磁直聯帶式輸送系統進行試驗所得的數據進行仿真驗證。永磁直聯帶式輸送系統的布置示意圖如圖3所示。

1—永磁電機；2—聯軸器；3—皮帶機主體；4—負載模擬系統；5—聯軸器；6-冷卻系統。

由圖3可見，永磁直聯帶式輸送系統由永磁電機通過聯軸器驅動滾筒，滾筒帶動皮帶運行，煤量由負載模擬系統模擬。可通過上位機通信變頻器控制永磁電機轉速。

在永磁直聯帶式輸送系統上，首先給定煤量，煤量由負載模擬系統模擬。然后依據煤量，給定皮帶初始經驗速度，令系統在—較小功率下運行。通過不斷調整負載模擬系統負載和帶速，保證煤量不變，直到找到使最小的最優速度，由此得到一組最優的數據。依梯度改變煤量，重復此方法得到242組數據。將數據帶入到Sine-SSA-BP功耗模型中進行仿真實驗，并選取標準BP神經網絡進行對比，得到的仿真結果對比如圖4所示。

圖4 Sine-SSA-BP與BP仿真結果對比

由圖4(a)可見，Sine-SSA-BP功耗模型預測的功率曲線與驗證集的實際功率曲線基本吻合，而標準BP神經網絡擬合效果相較較差。圖4(b)(c)所示，Sine-SSA-BP功耗模型的預測誤差和絕對百分比誤差更小，即Sine-SSA-BP功耗模型預測更加準確。同時，選取均方根誤差(RMSE)進行對比分析，計算結果如表1所示。

表1 計算結果對比

上述實驗結果表明，采用Sine-SSA算法優化BP神經網絡的參數，可以提高網絡的性能，由此算法建立的功耗模型，可以有效地尋找永磁直聯帶式輸送系統帶速和煤量的最優匹配關系，為節能控制、降低能耗提供一定的理論支持。

3 結論

1)本文針對永磁直聯帶式輸送系統啟動后以恒高速運行無法依載調速的問題，提出了一種基于Sine-SSA-BP算法的功耗模型。該模型能夠根據測得的煤量，通過尋找令功率最小的最優帶速，實現永磁直聯帶式輸送系統的節能優化。

2)算法采用Sine混沌映射產生SSA種群，豐富了種群多樣性；采用Sine-SSA優化BP網絡，提高了模型的收斂速度和預測精度。

3)與標準BP模型進行了對比。結果表明：Sine-SSA-BP算法建立的模型精度更高，效果更佳，驗證了模型的可行性，可以較好地應用到永磁直聯帶式輸送系統上。