李国辉，孙经平，梁 鑫

（山东鲁能菏泽煤电开发有限公司，山东 菏泽 274000）

目前，重介质选煤工艺以其工艺简化、分选精度高在我国选煤行业得到了广泛推广应用。在重介选煤生产过程，重介悬浮液密度的控制对于分选效果至关重要。然而，目前国内尚有不少选煤厂仍采用人工来控制重介悬浮液的密度，重介悬浮液密度给定值大多由人工凭经验得到。该方法不仅费时、费力，而且不够精确。为解决此问题，提出了对重介悬浮液密度进行自动控制并进行智能给定的智能给定系统设计，以提高产品质量与分选效率。

1 BP神经网络简介

在20世纪80年代时，D.E.Rumelhart以及J.L.McCelland两位专家最先提出BP神经网络算法。该算法属于一种前馈网络方式，但不同于普通前馈网络方式，它还包含隐含层，且是多层前馈网络［1］。在控制系统中，可以利用反向传播而得到的误差来进行网络中连接权值的调整。总的来说，该神经网络可以对多层网络中各层的神经元中的连接权值进行有效地系统调整。

如图1所示，BP神经网络结构是由多层神经元组成，神经元之间都是由节点进行连接的，而且输入的信号是按照从左到右的顺序进行传输，且是一组输入信号，分别穿过输入层、隐含层以及输出层。由此可见，BP神经网络属于多层神经网络［2］。

通过图1可以看出，在BP神经网络中有两种信号，它们分别是从左向右的一组函数信号和从右往左传输的误差信号。对于函数信号而言，其向右传输时传到输入层，输入层中的神经元将其接收，接着传给中间层;中间层属于隐含层，它的结构就是单隐层或是多隐层的结构;最后，函数信号由隐含层传到输出层中，由输出层中的各神经元进行接收。这个过程就是函数信号从输入到输出的过程，该过程也是一次正向传播进行学习处理的过程，最后通过输出层给外界一个结果。倘若在输出层中得到的结果跟实际的结果不一致，那么就会进入误差信号阶段:误差信号透过输出层，然后根据误差梯度下降的方法对各层的权值来进行修改，再依次传入隐含层、输入层。函数信号以及误差信号不断地在BP神经网络中进行传输，不断地调整各层的权值，这种过程就叫做神经网络学习训练的过程，就像人的大脑一样，不断运转进行思考。这种训练过程一直进行到误差在可接受的范围内或者是在设定好的运行次数达到之后才能停止，否则将会不断进行训练［3］。

图1 BP神经网络结构图Fig.1 Structure diagram of the BP neural network

2 BP神经网络控制悬浮液密度给定值的实现

以郭屯选煤厂重介悬浮液密度自动控制系统的设计为实例来进行说明。

在郭屯选煤厂悬浮液密度自动控制系统设计过程中，悬浮液密度受很多因素的干扰，比如精煤灰分、分选压力、原煤的性质以及设备运行时的状态等等，其中有一部分还无法进行控制，如原煤的性质，这是人工无法改变的。为此，在考虑对悬浮液密度产生影响的因素时，需要对一些干扰因素进行取舍。在研究中，选取了磁性物含量、分选压力、悬浮液的密度、分流开度、原煤流量以及精煤快灰这6个变量作为BP神经网络的输入进行预测，而其输出只有一个，即悬浮液的密度，隐含层则有8个节点。

在利用BP神经网络进行预测之前，先需要部分数据来进行训练。为此，选取了60组数据，对其中的40组数据先进行训练，而后面的20组则用于预测。表1所示为研究选取的部分数据。

表1 BP神经网络预测选取的部分数据Table 1 Predicted data by BP neural network

在本研究中，所用的激发函数为Sigmoid函数，一般来说，在BP神经网络进行数据归一化之前需要让该函数的曲线能处于最大的斜率上［4］。因此，将归一化的范围设在0.1～0.9之间。归一化表达式如下:

式中:xk为其中第k个数据;x'k为k个数据进行归一化处理之后的数值;xmin、xmax分别为40组数据中的最大值与最小值。

由前述可知，本研究悬浮液密度给定值预测的BP神经网络有6个输入值，其输出只有悬浮液的密度，为此构建的神经网络结构如图2所示。

根据BP神经网络的原理，对40组悬浮液密度数据进行训练［5］，训练步骤如下:第一步是进行初始化设置。对神经网络中的阈值、连接权值等进行初始化，并且让连接权的取值范围在 －0.1～0.1之间，而网络中的学习率则可以被设置为0.01。由于该算法也是一直循环的，为此，还需要设置一个终止算法的条件，即误差E≤0.005，也即当E≤0.005时，就可以终止神经网络的运行;第二步是归一化处理数据。在对选定的60组数据进行训练处理时，为了能够让计算机处理数据更加快捷，需将这60组数据转换至0.1～0.9之间;第三步是取得误差值;第四步是求出δk、δi值;第五步是求出Δwki、Δwij值;第六步是终止循环。当达到设定误差≤0.005时，就可以终止训练，否则需要跳到第三步重新进行循环。

图2 悬浮液密度智能给定BP神经网络结构图Fig.2 Structure diagram of BP neural network for intelligent qiven density of suspension

利用Matlab软件对选定的60组样本数据进行仿真，其程序如图3所示。

图3 悬浮液密度给定值训练预测程序图Fig.3 Program graph of training and prediction for the density set value of suspension

确定上述程序无误后，对其中的40组数据进行训练，训练结束后可以得到如图4的所示界面。

图4 利用Matlab软件进行训练的界面图Fig.4 Training interface of the Matlab

图4表明，对40组数据进行训练一共运行了9次，说明样本数据比较好。

训练完毕后，对剩下的20组数据进行了预测，所得的部分结果与实际输出之间的误差值如表2所示。由表2可知，利用BP神经网络进行预测，数据的误差值不超过0.005，说明利用神经网络设置密度给定值的效果比较不错。为了更加直观，根据表2数据绘出悬浮液密度实际输出与预测输出的曲线，如图5所示。

表2 BP神经网络预测的悬浮液密度数据Table 2 Predicted density data of suspension by BP neural network

图5 悬浮液密度实际输出与预测输出曲线图Fig.5 Comparative curves between actual output density of suspension and prediction value

由图5能够清楚地看出预测值跟实际值之间的误差并不是很大。因此可以表明，利用BP神经网络对重介悬浮液密度值进行智能给定是完全可行的。

3 结语

文章介绍了一种利用BP神经网络智能控制算法对选煤厂重介悬浮液密度进行智能给定的方法。根据从郭屯选煤厂采集的数据样本，对悬浮液密度进行了训练与预测，结果表明预测值与实际值之间的误差并不是很大，说明利用BP神经网络对重介悬浮液密度值进行智能给定是完全可行的，从而为选煤厂重介悬浮液密度的智能给定提供了一种技术途径。目前，该方法正在处于试验阶段，需要在实际的生产过程中得到进一步的验证。

［1］胡世鹏，吴小林，马利敏，等.基于BP神经网络和遗传算法的天然气脱水装置能耗优化［J］.天然气工业，2012，32(11):89－90.

［2］任 敏，王明芳，任 英.模糊神经网络PID控制器在污水处理中的应用［J］.吉林大学学报:信息科学版，2011，29(6):595－599.

［3］胡 娟，王振娜，王福忠.基于模糊神经网络的重介质悬浮液的密度和液位的控制［J］.中国煤炭，2012，38(2):88－91.

［4］T K Teng，J S Shieh，C S Chen.Genetic algorithms applied in online autotuning PID parameters of a liquid－level control system ［J］.Transactions of the Institute of Measurement and Control，2003，25(5):443－450.

［5］吴宝强，孙 炜，曹 成.柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法［J］.机械工程学报，2012，48(19):23－28.