基于多元线性回归-BP神经网络的自移式破碎机生产能力预测

2013-07-25张崇欣李克民肖双双

中国矿业 2013年10期

张崇欣，李克民，肖双双

（中国矿业大学矿业工程学院，煤炭资源与安全开采国家重点实验室，江苏徐州 221116）

自移式破碎系统作为近年发展迅速的一种半连续生产系统，受到业界越来越多的关注，在国内矿山逐渐得到应用。该系统可使矿山物料在运输过程中摆脱卡车的使用，避免了单斗卡车工艺昂贵的运输费用和燃油费用［1］。

自移式破碎系统的生产能力受众多因素影响，系统的正常运行需机械铲、自移式破碎机和带式输机紧密配合，故其对矿山生产管理水平提出了更高的要求。管理者需要了解各因素对系统生产能力的影响，并能有效预测系统生产能力，才能合理调整生产计划［2］。因此，建立各影响因素与系统生产能力之间的关系模型，进而预测系统生产能力对矿山正常生产具有重要意义。

1 自移式破碎机生产能力影响因素分析

通过现场实际分析，在设备参数和矿山地质条件一定的情况下，影响自移式破碎机系统生产能力的主要因素有：矿山设备管理与维护水平、电铲司机的操作水平、穿爆质量、工艺参数设置、工作面准备情况，而这五个基础指标又可用电铲作业周期时间、炸药单耗、系统正常运行时间三个指标量化反映［3］。如图1所示。

图1 影响系统生产能力因素

1.1 矿山设备管理与维护水平

自移式破碎机系统由电铲、自移式破碎机、带式输送机多个环节组成，每个环节的设备使用情况都直接影响着整个系统的正常使用。只要一个环节设备出现问题，整个系统便无法使用，故矿山设备管理与维护水平对系统生产能力有很大影响。矿山设备管理与维护水平越高，各设备正常使用时间越长，系统时间利用系数就越大，其生产能力便越大［3］。

1.2 电铲司机操作水平

电铲的满斗系数、采装周期等直接受电铲司机操作水平的影响，电铲司机的操作水平越高，平均满斗系数就越大，采装周期就越短，相同时间内系统的生产能力也就越大［4］。同时，电铲司机的操作水平还对工作面台阶的平整度有影响，这对后期系统工作面胶带的移设效率有影响。

1.3 穿爆质量

穿爆质量主要体现在矿岩破碎块度、爆堆几何参数和爆堆松散程度［2］等指标上。在矿山生产中，绝大多数物料都需先经过爆破才能挖掘，爆破的质量直接影响着物料块度大小。在用电铲进行铲装操作时，其满斗率受物料块度的影响，故爆破质量直接影响着系统的生产能力。

在一定范围内，炸药单耗越大，爆堆的松散性越好，矿岩的破碎块度越小，电铲的满斗系数就越大，系统的生产效率也就越高。

1.4 工艺参数设置

在设备参数一定的情况下，自移式破碎机工艺参数主要包括台阶开采组合方式（单台阶开采或多台阶组合开采）、采掘带宽度、工作面胶带移设周期、台阶坡面角、台阶高度、爆堆尺寸等，这些因素都会对系统生产能力造成影响。只有根据具体设备设置合理的系统工艺参数，才能最大限度发挥设备能力，提高设备产量。

如合理采掘带宽度能减少电铲回转周期时间，提高单位之间电铲铲装量；合理的台阶开采组合方式能有效降低工作面胶带移设次数，提高系统有效工作时间，从而增加系统产量。

1.5 工作面准备情况

工作面胶带是系统重要的组成部分，主要负责将经自移式破碎机破碎的物料运往端帮干线胶带。工作面胶带的特点在于其需随着工作线的推进周期性移设，这就要求在工作面待移设位置为其准备好平整的基础。因此，工作面的准备情况将直接影响工作面胶带的移设周期，从而影响系统的有效利用率。

工作面准备情况主要与矿山爆破水平与采装管理水平有关。爆破时产生拉底或采装时下挖过深都会影响工作平盘的平整度，对工作面胶带移设和系统运行产生不利影响。

2 多元线性回归分析

根据上文分析，由于各影响因素对目标值产生直接影响，近似将其当做线性关系处理［5］。将三个量化指标作为自变量，以系统生产能力为因变量，构建三元线性回归模型。

2.1 多元线性回归模型

多元线性回归模型为

式（1）中，β0、β1、…、βm、σ2称为回归系数，现得到n个独立观测数据（yi，xi1，…，xim），i＝1，…，n，n＞m，由式（1）得

2.2 参数估计

式（1）中，参数β0、β1、…、βm用最小二乘法估计，选取估计值，使当βj＝，j＝0，1，2，…，m时，误差平方和达到最小。误差平方和计算公式见式（3）。

当矩阵X为列满秩时，XTX为可逆方阵，式（4）的解为

将伊敏露天煤矿某年月生产记录数据带入，则可求解此模型。如表1所示。

表1 伊敏露天煤矿自移式破碎机系统生产参数

计算得＝［327.12 －6.23 77.60 0.11］T，即。设显著性水平α＝0.05，F＝87＞F0.05（3，8）＝4.07，所以拒绝H0，即自变量与因变量之间线性关系显著，模型合理［6－7］。计算本模型模型误差约为7%。

图2 多元线性回归模型预测结果

3 BP神经网络模型残差修正

BP神经网络模型在拟合数据时有三大优点：可模仿包括非线性、分段等多种函数；不需要预先假设数据间的函数关系类型和参数分布；信息利用率高，避免了系统数据辨识方法在序列累加时因正负抵消而产生信息失真现象［8］。BP神经网络与线性模型组合使用，可综合反映数据线性及非线性特征，体现数据变化过程中的趋势性、周期性和随机性特征［9］。因此，本文采用BP神经网络对多元线性回归模型进行残差修正，提出多元线性回归-BP神经网络组合预测模型。

3.1 模型建立

模型建立具体步骤如下所示。

2）BP网络模型修正残差序列。设｛e（0）（T）｝为多元线性回归模型的残差序列，预测阶数为S，即用e（0）（t－1）、e（0）（t－2）、…、e（0）（t－S）（t＝ 1，2，3…，n）的信息来预测t时刻的值，将e（0）（t－1）、e（0）（t－2）、…、e（0）（t－S）的值作为网络训练的输入样本数据，e（0）（t）的值作为BP网络训练的输出样本。采用BP神经网络模型算法，通过一定量的残差序列数据作为样本数据训练这个网络［10］。