[發明專利]一種用于礦井通風機的神經網絡自適應調速方法

有效

• 申請號: 201611175707.1
• 申請日: 2016-12-19
• 公開（公告）號: CN106779071B
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 李文華;楊子凝;柴博;張圣孝
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F17/50
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種用于礦井通風機的神經網絡自適應調速方法，包括：利用瓦斯濃度傳感器、壓力傳感器、激光轉速儀分別測量巷道瓦斯濃度、風壓、電機的轉速等風機風量影響參數信息，并利用神經網絡優良的非線性映射能力，建立了所述風量影響因素與通風機轉速之間的非線性映射關系，獲得礦井通風機自適應控制模型。本技術方案通過應用Elman神經網絡和自適應遺傳優化方法，并結合變頻調速技術，實現了對礦井通風機風量的準確控制。該方法收斂速度快、精度高且具有較好的穩定性，在達到所需風量的同時有效節約了能源。

技術領域

本發明涉及礦井通風機智能控制技術領域，特別涉及一種用于礦井通風機的神經網絡自適應調速方法。

背景技術

礦井通風機是保證煤礦安全生產的關鍵設備之一，承擔著向礦井井下輸送新鮮空氣、沖淡有害氣體的濃度以及帶走煤塵的重任。由于需要長時間處于運轉狀態，再加上主通風機屬于大功率設備，其耗電量占煤礦作業總耗電量的比例約為15％-25％，帶來了巨大的經濟負擔。由國家發改委及環保局出臺的《煤炭工業節能減排工作意見》中明確提出要強化對礦井通風機的節能改造，合理選配高效節能的局部通風機。因此，智能通風機既需要具有可以根據煤礦現場進行合理控制以滿足生產要求的功能，又需節約能源，亦能防止因井下瓦斯濃度超標引起瓦斯爆炸。

傳統方法采用對出口閥的開啟程度或風葉安裝角度進行調節，進而控制風機的風量及壓力，雖然有一定的效果，但管道與閥門的摩擦阻力會浪費大量的能量，造成工作效率低下，極大的浪費了電能。隨著變頻調速技術的引入，通風機工作的節能性有所改善，但根據井下環境自適應調節效果仍不夠理想。

發明內容

有鑒于此，本發明提供了一種礦井通風機自適應調速方法，以期達到更好的節能效果。

為實現上述目的，本發明采用如下技術方案，一種用于礦井通風機的神經網絡自適應調速方法，包括以下步驟：

步驟一：采用Elman神經網絡對礦井通風量進行自適應控制調節，其網絡狀態表達式為：

X_c(t)＝S(t-1)

y(t)＝g(S(t))

其中，S(t)為隱藏層輸出，g為傳遞函數，U(t)為t時刻輸入層的外部輸入，X_c(t)為隱藏層自身反饋回來的狀態信息，y(t)為網絡輸出；

步驟二：網絡結構的確定：首先，由于礦井通風系統所需供應的通風量受多種因素影響，如風壓、轉速、瓦斯濃度、頻率、溫度、振動等因素影響，因此取五個主要因素，即瓦斯濃度、風壓、溫度、風速、風機轉速作為Elman神經網絡的輸入變量，以控制通風機的轉速為輸出變量，建立風量影響因素與通風機轉速之間的非線性動態映射關系，并根據礦井通風系統實際控制輸入量對模型進行隨機初始化，設置初始權值、閾值等網絡參數、約束條件、最大迭代次數等；

步驟三：訓練數據預處理：為了提高Elman神經網絡的泛化能力及收斂速度，對步驟二中采集到的通風量影響因素數據進行歸一化處理，使其全部映射到[-1,1]之間，公式為：

式中，Z為規格化后的數據，X_min為原始數據最小值，X_max為原始數據最大值，X為原始數據；

步驟四：將步驟三中處理好的樣本數據輸入到Elman神經網絡中進行訓練；

步驟五：計算Elman網絡實際輸出與樣本輸出值之間的訓練誤差，求得適應度函數值，并將智能控制系統上一時刻輸出值的引入到模型網絡的輸入層中，以提高模型的實時性；

步驟六：進行自適應GA(IGA)選擇、交叉、變異操作，并根據適應度值對GA算法中的變異概率因子P_m進行自適應選擇，以此對Elman神經網絡的權值、閾值進行尋優；