選煤廠振動篩自動尋優(yōu)方案設(shè)計與應(yīng)用*

魏恩峰

(西山煤電鎮(zhèn)城底選煤廠，山西 古交 030203)

0 引 言

選煤廠用振動篩可實現(xiàn)煤料的篩選、分級和脫介脫水。據(jù)統(tǒng)計，國內(nèi)年篩分煤料可達數(shù)十億噸，因此，提升振動篩篩分效率意義重大。國內(nèi)對振動篩控制系統(tǒng)的研發(fā)有較大進展，如涂曉琴等[1]以雙層振動篩為研究對象，基于模糊PID控制技術(shù)對振動篩的篩分時間、物料大小進行在線自整定，實現(xiàn)振動篩最優(yōu)控制，但篩分效率提升不明顯。李丹菁等[2]提出的不確定性高通量篩選系統(tǒng)可將輸出結(jié)果反饋至控制系統(tǒng)并與補償項融合，該方法可達到提升篩分效率的目的，但理論性強，實現(xiàn)較復(fù)雜。沈國浪等[3]應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)對振動篩的數(shù)據(jù)空間進行全局尋優(yōu)并對振動參數(shù)進行組合優(yōu)化并完成仿真試驗，但未進行振動篩實際應(yīng)用測試，實際應(yīng)用效果未知。目前，振動篩控制系統(tǒng)還存在控制因素單一、實時性差、篩分效率不高等問題，對振動篩的工作效率以及安全運行帶來諸多不利和困難。筆者以重型直線振動篩為研究對象，采用遺傳與BP神經(jīng)網(wǎng)絡(luò)LM優(yōu)化混合算法，實現(xiàn)重型振動篩自動尋優(yōu)，達到篩分效率最優(yōu)的目的。

1 重型直線振動篩應(yīng)用概述

重型直線振動篩可用于原煤、石灰石煤、尾礦砂以及烘干后的污泥等物料的篩分，篩箱運動軌跡近似直線，具有結(jié)構(gòu)簡單、篩分能力大、能耗低、維護簡單的特點。重型直線振動篩篩面可進行多層布置，以滿足不同篩分作業(yè)要求，其基本工作原理為：系統(tǒng)上電后，型號、參數(shù)一致的振動電機做同步反向運動并產(chǎn)生激振力；激振力通過振動機機械部件傳導(dǎo)至篩箱，觸發(fā)篩箱做周期性振動；篩箱做周期性振動時篩面上的物料做定向跳躍式運動，孔徑小于篩面孔徑的物料落下并分離為篩下物，孔徑大于篩面孔徑的物料由排料口排出，實現(xiàn)物料分離篩分過程。

2 重型直線振動篩自動尋優(yōu)方案設(shè)計

2.1 模型及特性分析

重型直線振動篩的振動形式為近似直線運動，可將其運動分解為式(1)、(2)[4-5]：

Ax=Asinθ·sin (ωt-αx)

(1)

Ay=Asinθ·sin (ωt-αy)

(2)

式中：Ax為振動篩在垂直于振動篩方向的位移，mm；Ay為振動篩沿篩面方向的位移，mm；αx為垂直于振動篩方向的位移相位角差值，(°)；αy為沿篩面方向的位移相位角差值，(°)；A為振動篩振幅，mm；θ為振動方向角，(°)；ω為振動角速度，rad/s。

重型直線振動篩的篩分效率可表示為：

(3)

2.2 算法設(shè)計與實現(xiàn)

(1) BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

重型直線振動篩自動尋優(yōu)方案BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計原理如圖1所示，它包含輸入層、隱含層、輸出層三層網(wǎng)絡(luò)結(jié)構(gòu)，輸入信號為振動篩的振頻、振幅、方向角、擺頻、擺角；輸出信號為篩分效率。網(wǎng)絡(luò)權(quán)重需經(jīng)過遺傳算法優(yōu)化并以該權(quán)重作為初始權(quán)重來繼續(xù)訓(xùn)練網(wǎng)絡(luò)。應(yīng)使用LM優(yōu)化方法進行訓(xùn)練[6]，避免使用常規(guī)BP算法導(dǎo)致的收斂速度過慢甚至不收斂的情況。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

(2) 編碼策略

采用實數(shù)編碼，即用一個實數(shù)表示BP神經(jīng)元網(wǎng)絡(luò)的一個權(quán)值(基因)，各個權(quán)值按一定的順序聯(lián)為一個長串，每一個串定義為一個染色體。例如，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3-3-1 型 ，即輸入層有三個節(jié)點，隱層有三個節(jié)點，輸出層有一個節(jié)點。它共有3×3+3×1=12個權(quán)值，4個閾值。將各權(quán)值和閾值級聯(lián)在一起，便于特征的抽取和探測。

(3) 群體設(shè)定

群體規(guī)模值取為100。該算法操作的對象為BP神經(jīng)網(wǎng)絡(luò)的層與層之間的權(quán)值與閾值，將產(chǎn)生[-1，1]之間的若干組隨機數(shù)(個體)作為遺傳算法的初始種群。

(4) 適應(yīng)度函數(shù)設(shè)計

采用的適應(yīng)度函數(shù)設(shè)計方法是：在遺傳操作的每一代中，對每一條染色體進行譯碼，計算出權(quán)向量和閾值，然后求出每條染色體相應(yīng)的實際輸出值ck(k=1,2,…,m)，其中m為BP神經(jīng)網(wǎng)絡(luò)輸入輸出的樣本對數(shù)，計算出實際輸出值與期望的輸出之間的誤差平方和以及神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的總體誤差[7-8]，如式(4)、(5)所示：

(4)

(5)

由式(4)、(5)可以看出， 函數(shù)f(En)將輸出誤差En的極小值轉(zhuǎn)化為f(En)的極大值。

(5) 遺傳算子選擇

選擇算子采用最佳個體保存方法，即首輪按照輪盤選擇法執(zhí)行遺傳算法的選擇操作，然后將當前群體中適應(yīng)度最高的個體結(jié)構(gòu)完整地復(fù)制到下一代群體中。交叉算子選用基于方向的交叉，減少人為限值并增加局部微調(diào)能力。

(6) 算法實現(xiàn)

重型直線振動篩自動尋優(yōu)方案算法實現(xiàn)流程如圖2所示，關(guān)鍵步驟由以下六步組成。

圖2 GA-BP算法流程圖

① 根據(jù)采用的診斷方法，由給定的輸入、輸出訓(xùn)練樣本集確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括網(wǎng)絡(luò)層數(shù)，各層節(jié)點數(shù)，以及傳遞函數(shù)等[9-10]。

② 定義振動尋優(yōu)算法的種群規(guī)模為n，并采用實數(shù)編碼模式。定義算法的交叉概率為Pc、變異概率為Pm，并完成對應(yīng)的交叉、變異運算，并執(zhí)行t=t+1。當t=T時，開始訓(xùn)練設(shè)計的BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化各層的權(quán)值和閾值。

③ 計算并更新種群X(t)、個體Xt(t)，同時計算總體誤差平方Ei、適應(yīng)度fit=f(Xt(t))、適應(yīng)度最大值fmax、適應(yīng)度平均值favg以及適應(yīng)度最小值fmin。

④ 采用方向交叉算子進行交叉操作，采用定向變異算子進行變異操作，完成Pc、Pm自適應(yīng)調(diào)整。

⑤ 當t=T時，遺傳算法流程結(jié)束，可輸出優(yōu)化結(jié)果至BP神經(jīng)網(wǎng)絡(luò)輸入端，進入步驟7；當t≠T時，執(zhí)行t=t+1并轉(zhuǎn)步驟3。

⑥ 將遺傳算法結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)輸入信號，基于LM方法對BP神經(jīng)網(wǎng)絡(luò)各層的權(quán)值和閾值進行訓(xùn)練和優(yōu)化，并達到誤差最優(yōu)。

3 仿真與測試

3.1 系統(tǒng)仿真

基于仿真軟件，搭建重型直線振動篩自動尋優(yōu)方案仿真平臺，并與常規(guī)BP算法比較，從圖3所示的自動尋優(yōu)仿真曲線可以看出，用混合算法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)，初始權(quán)值和閾值經(jīng)過優(yōu)化后誤差較小；與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法相比，GA-BP混合算法收斂速度、執(zhí)行時間較短，效果較好。

圖3 自動尋優(yōu)方案仿真曲線

3.2 系統(tǒng)測試

在試驗室完成系統(tǒng)測試，應(yīng)用該自動尋優(yōu)方案后，能保證振動篩在最大振幅工作時振幅穩(wěn)定、振頻較小。最優(yōu)條件為：振幅2 mm、振頻26 Hz、方向角46°、擺頻21 Hz、擺角1°、篩分效率0.760 1。該自動尋優(yōu)方案對提升選煤廠振動篩篩分效率有一定的指導(dǎo)意義。

4 結(jié) 論

以選煤廠重型直線振動篩為研究對象，采用遺傳與BP神經(jīng)網(wǎng)絡(luò)LM優(yōu)化混合算法對振動篩自動尋優(yōu)模型和算法實現(xiàn)進行了分析并完成系統(tǒng)仿真與試驗，所得重點結(jié)果如下。

(1) 設(shè)計的振動篩自動尋優(yōu)方案以振幅、振頻、方向角、擺角、擺頻為輸入信號，應(yīng)用GA-BP混合算法，實現(xiàn)了振動篩篩分效率最優(yōu)。

(2) 仿真及試驗結(jié)果表明，該方案收斂速度快、訓(xùn)練精度高、實現(xiàn)了全局最優(yōu)，對提升振動篩篩分效率具有一定的參考意義。