基于精煤灰分预测的重介悬浮液密度自动设定系统设计

孔利利

(中煤科工集团北京华宇工程有限公司，河南 平顶山 467000)

基于精煤灰分预测的重介悬浮液密度自动设定系统设计

孔利利

(中煤科工集团北京华宇工程有限公司，河南 平顶山 467000)

为了使重介悬浮液密度及时适应选煤生产的需要，设计出重介悬浮液密度自动设定系统。根据重介选煤厂实际操作情况，先设计训练精煤灰分预测的BP神经网络，再采用Wincc、Matlab编写程序实现重介悬浮液密度的自动设定。该系统可以对一系列密度数据下的精煤灰分进行预测，根据预测结果选择最佳密度设定值，有利于提高精煤灰分的可控性。生产结果表明：在该系统设定的密度值下，精煤灰分在要求的范围内，说明系统运行效果良好。

重介选煤；精煤灰分预测；悬浮液密度设定；BP神经网络

重介选煤中重介悬浮液密度[1](以下简称“悬浮液密度”)对选煤效果有很大影响，如果不能随生产状况及时调控悬浮液密度就会影响洗选产品质量。目前重介选煤厂悬浮液密度多采用人工设定，需要不断尝试和调整，且具有很强的主观性；另外，悬浮液密度设定居于整个选煤流程前段而精煤灰分检测位于末段，基于精煤灰分的悬浮液密度调控存在严重的滞后性，这就给重介司机的正确判断和及时调控造成很大困难。总的来说，人工设定悬浮液密度的工作量大，时间长，效果不理想。为此，设计出悬浮液密度自动设定系统，采用神经网络方法[2]根据生产数据对精煤灰分进行预测，通过对比生产要求和预测结果，确定悬浮液密度设定值。与传统的人工设定悬浮液密度[3]的方式相比，通过计算机实现悬浮液密度自动设定的方式，调控更及时、更可靠，不仅能够降低操作人员的劳动强度，提高工作效率，而且能够保持精煤灰分稳定，保证洗选产品质量。

1 BP神经网络

1.1 参数、训练样本选择

未经加工的煤炭是可燃的有机物和不可燃的无机物的混合物，重介选煤的目的是将其中可燃物含量不同的物质分开，从而使精煤产品的灰分符合要求。在重介选煤过程中，影响精煤灰分的因素很多，如原煤性质、设备运行状态、生产工艺参数等。实际生产过程中不可能实时控制所有的因素，在设计悬浮液密度自动设定系统时，应对影响因素做合适的取舍。一般来说，悬浮液密度、原煤灰分及单位时间内的原煤入选量对精煤产品质量有重要影响。故研究过程中以这三个因素作为BP预测模型的输入参数，以精煤灰分作为输出量。

在使用BP神经网络进行预测之前必须对网络进行训练[4]，训练样本的选择对于神经网络的学习至关重要，只有选择合适的训练样本才能保证预测的正确性[5]。生产过程中生产设备对原煤洗选效果的影响很复杂，无法用模型模拟或者量化描述，但是可以认为在一定时间内各设备运行状态变化不大。由于上述原因，研究中以距离预测网络训练时间最近的、有效的生产数据作为样本。

由于激发函数采用的是Sigmoid函数，在对数据进行归一化处理之前应该考虑使神经元的工作处于激发函数曲线斜率最大的区域。输入参数的归一化范围是(0.1～0.9)，归一化公式为：

式中：xk为第k个样本数据；x′k为第k个样本数据归一化后的值；xmax、xmin分别为样本数据的最大值和最小值。

1.2 网络结构设计

神经网络的结构在一定程度上决定了网络的映射能力和预测的精度[6-7]，根据实际要求，输入层参数分别为入选原煤灰分、单位时间内的原煤入选量、合格悬浮液密度三个节点，输出层为精煤灰分。此外，隐层数目对网络的映射能力有重要影响，增加隐层数目可以提高网络的非线性映射能力，但也会使网络复杂化，运行速度减慢。已有实例证明：只有一层隐层的神经网络优于有限数目维的非线性隐射，所以采用三层网络结构。另外，隐层节点数对训练效果有较大影响，数目太少精度降低，数目太多训练时间增长，且训练效果不一定好。隐层节点数目一般按照经验选取，经验式为：

式中：N0为输入层节点数，N1为隐层节点数，N2为输出层节点数，ΔN为小于10的正整数。

研究中选择的隐层数量为7，据此构建的3×7×1 BP神经网络结构示意图如图1所示。其中，φ1、φ2分别为隐含层的第一个、第二个节点的激活函数，wi,j为输入层节点与隐含层节点的连接权值，wi为隐含层节点与输出层节点的连接权值。

图1 BP神经网络结构示意图

1.3 网络训练过程

对构建完善的网络进行训练，具体步骤如下：

(1)初始化。对网络连接权值、阈值、学习率进行初始化设置，为连接权值赋予[-0.1,0.1]之间的随机数，学习率赋予0.01，算法终止条件为误差E≤Emin=0.001。

(2)选择训练样本数据集，进行归一化处理，给出顺序赋值的输入向量X1，X2,……Xn和期望的输出响应Y1，Y2,……Yn。

(3)对于第k个样本，计算出神经网络输出值与期望值的偏差E。

(4)计算调整值Δwij和Δwi，并调整输入层和隐含层的连接权值wij、隐含层和输出层的连接权值wi。

(5)如果E≤Emin=0.001，终止训练；反之，重复步骤(3)，直至满足要求。

2 密度自动设定系统的实现

密度设定系统的实现分为四部分完成，即神经网络预测模型训练部分、神经网络预测与密度设定部分、数据存储部分(数据库)、人/机界面部分，如图2所示。

密度设定系统的数据流向示意图如图3所示。控制系统最底层的是PLC，其与执行器、传感器直接连接，用于获取、传递生产数据和控制信号；上一层是上位机监控软件Wincc，实现与PLC无缝连接，数据交换十分方便。Wincc与Matlab程序的数据交换需要借助SQL数据库完成[8-9]，Wincc将生产数据定时存储于SQL中，神经网络需要训练时，Matlab神经网络训练程序从SQL中读取样本数据训练网络。密度设定过程为：Wincc将系统参数存储于SQL，Matlab密度设定程序从SQL中读取该参数进行精煤灰分预测，根据预测结果设定悬浮液密度并存储于数据库中，Wincc从数据库中读取密度设定值。

图2 密度设定系统结构示意图

图3 系统数据流向示意图

Wincc存储数据的部分程序如下：

Dim cnn, strcnn

strcnn = “ Provider=SQLOLEDB.1;Persist Security Info=True;User ID=sa;Password=123;Initial Catalog=BP_data; Data Source=CHINA-2013G”

Set cnn = CreateObject(“ADODB.Connection”)

cnn.ConnectionString = strcnn

cnn.open

Dim issql

strsql = “insert into dbtable (ymhf,ymzl,pjmd,jmhf) Values (“&ymhf&”,“ &ymzl& ”,“ &pjmd& ”,“ &jmhf& ”)”

Set cdobj = CreateObject(“ADODB.Command”)

cdobj.CommandText = strsql

cdobj.Execute

Set cdobj = Nothing

cnn.Close

上述程序中strcnn为连接字符串，CHINA-2013G为数据库服务器名，BP_data为数据库名，strsql为存储数据的SQL语句，读取数据时只要改写该语句为读数据语句即可。

训练完成的神经网络即可预测精煤灰分，根据预测结果得到悬浮液密度设定值。密度设定程序流程如图4所示。按照设定的最小精度对系统设定的密度范围进行扫描，结合其他参数(原煤入选量、原煤灰分)预测相应的精煤灰分，查找与目标灰分值误差最小的预测值对应的悬浮液密度，该密度即为密度设定系统所要给定的值。

图4 密度设定程序流程图

用Matlab软件分别编写神经网络的训练程序的M文件BPxunlian.m和灰分预测、密度设定的程序BPgeiding.m，在Matlab命令窗口中输入“mcc-m-g BPxunlian”和“mcc-m-g BPgeiding”命令即可把相应的Matlab程序编译为BPxunlian.exe和BPgeiding.exe可执行程序。将以上两个程序存储于计算机E盘，在上位机编写程序时调用。

基于Wincc的悬浮液密度自动设定系统操作界面如图5所示。界面的左半部分主要显示原煤入选量、入选原煤灰分、悬浮液密度、精煤灰分等选煤过程的工艺参数，这些数据由传感器检测得到，不需要人为更改。界面的右半部分显示悬浮液密度设定范围、最小密度变化值、期望灰分值等数据，这些参数由人工设定，是为系统提供密度设定的依据。界面下方有三个按钮，分别是网络训练、密度设定、激活本区域，网络训练时调用神经网络训练程序BPxunlian.exe进行神经网络训练，密度设定时调用密度设定程序BPgeiding.exe进行密度设定，激活本区域指的是将给定值作为控制系统设定值传送给PLC[10]。在本区域未激活前系统给定值只作为参考，并不传送给PLC作为实际的设定值。

图5 悬浮液密度自动设定系统操作界面Fig.5 Operation interface of automatic suspension density setting system

3 控制效果

该系统已在兖矿菏泽能化赵楼矿选煤厂投入使用，2014年1月7日0～2 h的生产数据历史趋势图如图6所示。

图6 生产数据历史趋势图

精煤灰分要求范围是8.0%～9.0%。图6中308密度表示实际的悬浮液密度，系统在0∶25和1∶37前后对悬浮液密度设定值进行了两次调整。图中701灰分表示精煤灰分，精煤灰分2 h内在8.0%～9.0%之间波动，但波动范围不大，能够满足生产要求。

4 结语

设计悬浮液密度自动设定系统时，首先要根据重介选煤工艺的实际情况，确定神经网络学习样本、网络结构、输入/输出参数，完成基于BP神经网络的精煤灰分预测模型的设计。基于精煤灰分预测的重介悬浮液密度自动设定系统，对于悬浮液密度的及时调控有着重要作用，生产数据直接说明了该系统的有效性。

[1] 孙武峰. 差压式重介悬浮液密度与粘度一体化测量方法研究[D].北京:清华大学，2010.

[2] 施 彦,韩力群, 廉小亲. 神经网络设计方法与实例分析[M].北京:北京邮电大学出版社,2009.

[3] 祁泽民,符东旭.选煤重介质悬浮液稳定性分析[J]. 煤炭科学技术，2008(6).

[4] 韩 广,乔俊飞,薄迎春.溶解氧浓度的前馈神经网络建模控制方法[J]. 控制理论与应用，2013，30(5).

[5] 黄 丽. BP神经网络算法改进及应用研究 [D].重庆:重庆师范大学,2008.

[6] 乔俊飞,李 淼,刘 江.一种神经网络快速修剪算法[J]. 电子学报，2010(4).

[7] Zhou Sheng-Gang, Sun Li-Da, Zhu Pei-Xian, et al. Application of BP Neural Network in Prediction of Cu-Pb Composite Plates Properties[J]. Journal of Harbin Institute of Technology,2013(5): 36-40.

[8] 杨 力,李月恒,于 智. 基于WinCC V6.2的VB脚本操作自定义SQL数据库[J].工业控制计算机,2010(9):7-8.

[9] 胡 赟. MATLAB与组态软件WinCC的数据交换技术[J].华东交通大学学报, 2008, 25(4):44-47.

[10] 刘耀元.机床电气与PLC应用技术[M].北京:北京理工大学出版社, 2011.

The design of dense medium suspension density setting system based on clean coal ash prediction

KONG Li-li

(CCTEG Beijing Huayu Engineering Co., Ltd., Pingdingshan, Henan 467000, China)

Dense medium suspension density setting system is designed to satisfy the requirement for production. In this system, according to the actual operation of heavy medium coal preparation plant, firstly, BP neural network for clean coal ash prediction is designed and trained, and then automatic setting of suspension density is realized by Wincc and Matlab programming. This system can predict ash of clean coal with different density and then select optimal setting, which can availably control ash of clean coal. The application shows that required clean coal ash is stable under the density setting value in this system, which suggests the system works well.

dense medium coal preparation; clean coal ash prediction; suspension density setting; BP neural network

TD948.9

A

1001-3571(2015)04-0068-04

2015-01-18

10.16447/j.cnki.cpt.2015.04.019

孔利利(1987—)，女，河南省平顶山市人，助理工程师，硕士，从事选煤厂电气设计工作。

E-mail:18639747779@163.com Tel:18639747779