安 宁,邱玮炜,戚 烜

(中国矿业大学)

神经网络预测控制在矿井局部通风机上的应用

安 宁①,邱玮炜,戚 烜

(中国矿业大学)

介绍了掘进工作面局部通风的要求,提出了一种新的矿井局部通风机控制策略,局部通风机的速度由神经网络预测控制器根据工作状态随时调整。系统具有适应性强、控制灵活的优点,又具有较高的控制精度和较好的稳定性。

局部通风机;神经网络;预测控制;应用

矿井局部通风机通风量主要由矿井瓦斯涌出量等因素决定。正常通风状态,在满足掘进工作面工作人员基本用风量的前提下,若瓦斯浓度增加,要求局部通风机转速随之上升,进而使瓦斯浓度降低,局部通风机转速又随之下降,但此时依然要满足正常供风的要求[1]。对于这种自动控制的要求,必须寻找到瓦斯浓度与局部通风机转速的对应关系。但在掘进工作面,巷道内瓦斯的涌出又是随机的,瓦斯浓度与局部通风机转速系统属于非线性、多耦合、多干扰、纯滞后系统,采用传统的控制方法是不现实的,也很难取得满意的控制效果。预测控制采用滚动式的有限时域优化策略,对模型时变、干扰和失配等影响能及时补偿,放在复杂工业环境中更为实际且有效。而神经网络可以精确描述非线性动态过程,故可采用神经网络预测控制方法来实现局部通风机的自动控制。

1 神经网络概述

人工神经网络(ANN,Aritificial Neural Networks)简称神经网络,是由人工神经元(简称神经元)互联组成的网络。神经网络模型用于模拟人脑神经元活动的过程,其中包括对信息的加工、处理、搜索和存储等过程,它具有以下几个基本特点[2]:

1)具有分布式存储信息的特点。2)对于信息的处理具有自组织、自学习的特点。3)具有可以逼近非线性函数的能力,因此,可以用来建立非线性系统的动态模型。4)对信息的处理及推理的过程具有并行的优点。

神经网络控制(NNC),即基于神经网络的控制,是指在控制系统中采用神经网络这一工具对具有时变、非线性、不确定特性的复杂系统进行建模,或充当控制器,或优化计算,或进行推理,或故障诊断等,或同时具有以上几种功能,将这种基于神经网络的控制系统的控制方式称为神经网络控制。

2 神经网络预测控制

预测控制是近年发展起来的一类新型控制算法,由于它不但利用当前和过去的偏差值,而且还通过预测模型来估计未来的偏差值,从而以滚动优化确定当前的最优控制策略,因而其控制效果好,适用于不易建立精确模型且比较复杂的的工业生产过程[3]。预测控制的基本原理可归结为:预测模型、滚动优化和反馈校正。目前,线性系统的预测问题已经得到解决,但对于非线性系统,由于被控对象的非线性结构未知,因此,预测模型对其输出难以做出精确的预报,从而可能导致控制失败。由于神经网络可以精确描述非线性动态过程,因此,可用神经网络设计预测控制系统。

神经网络预测控制系统的结构框图见图1。控制器有神经网络模型和优化器组成。神经网络模型作为预测器使用。它利用系统输出y与神经网络模型输出ym之间的预测误差e,作为其自身的训练信号,最优化模块通过最小化性能指标J确定控制信号u。反馈校正环节用于提高预报的精确性。

图1 神经网络预测控制系统结构图

神经网络预测控制器采用的性能指标为:

式中:

yr—未来输出的期望值;yp(t+j)—系统输出预测值,由模型预测ym(t+j)和模型偏差e(t)两部分组成,即yp(t+j)=ym(t+j)+h·e(k);λ—控制量加权系数,表示对控制能量变化的重视程度;m—预测时域长度(最大输出预报区间),表明待优化的未来输出跟踪的时间范围;n—为控制时域长度,表明要纳入考虑的未来控制的范围[4]。

神经网络预测器在控制系统中用于提供输出的预报值:yp(t+j),(j=k,k+1,…,m)。如果同时知道了未来输出的期望值yr(t+j),优化性能指标J就可以得到未来的控制量。在每个采样点根据控制长度算出未来范围的控制量有一定的时间长度。然而,实时施加的控制量只能是计算出来的第一个控制值u(t),因为控制是一步一步向前推进的,在下一个t时刻,这些量与在此之前优化得到的控制量相比一般不一致。因此,必须进行滚动优化。

3 风机控制系统

局部通风机神经网络预测控制系统结构见图2,在局部通风机神经网络预测控制系统中,实时监测的数据为掘进工作面的瓦斯浓度。

图2 神经网络预测控制系统图

该控制系统主要包括瓦斯浓度的检测及转换装置和神经网络预测控制器以及变频器和局部通风机等几个部分。其中神经网络预测控制器包括具有自学习能力的神经网络模型、优化器以及反馈校正环节,其功能可由PLC与上位机实现。将瓦斯传感器安装于掘进工作面,然后将瓦斯传感器实时采集的瓦斯浓度以及其对应的控制信号输入神经网络预测控制器,通过其神经网络预测算法计算出所需的控制量的大小并输出,进而调节局部通风机的转速。神经网络预测控制器的算法如下[5]:

1)由控制要求获得期望输出序列值。

2)预先测量得到被控对象的开环输入输出数据,把它们作为神经网络辨识器的样本,对神经网络进行离线训练,得到满意的神经网络模型。

3)利用神经网络模型产生的输出,经模型偏差校正后得到系统的预报输出。

4)计算与未来时刻期望值的误差。

5)极小化性能指标J,获得控制的最优序列。

6)将第一控制量施加于系统,返回步骤3。

4 结 语

本文针对矿井掘进工作面矿井局部通风机控制问题,考虑到其数学模型难以建立,采用神经网络预测控制的方法,以瓦斯浓度为参数,对风机的转速进行实时调节。控制系统不但具有预测控制的超前预测能力,而且具有神经网络对非线性系统的建模能力,具有较高的控制精度和较好的稳定性。

[1] 祝龙记,王汝琳.矿用变频调速局部通风机的模糊控制技术[J].煤炭科学技术,2003(4):07-09.

[2] 宋胜利.智能控制技术概论[M].北京:国防工业出版社,2008:151-152.

[3] 师 黎,陈铁军,李晓媛,等.智能控制理论及应用[M].北京:清华大学出版社,2009:206-207.

[4] 张国忠.智能控制系统及应用[M].北京:中国电力出版社,2007:163-164.

[5] 邱秀君,姚加飞,冉 康.神经网络预测控制在变风量空调系统中的应用[J].低压电器,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 宁 男 1988年出生 2007年中国矿业大学在读本科生 徐州 221116