吳新忠，張芝超，王凱，韓正化，魏連江

(1. 中國(guó)礦業(yè)大學(xué)信息與控制工程學(xué)院，江蘇徐州，221116；2. 中國(guó)礦業(yè)大學(xué)安全工程學(xué)院，江蘇徐州，221116)

礦井通風(fēng)可向井下各用風(fēng)場(chǎng)所提供足夠的新鮮風(fēng)量，同時(shí)排出井下的污濁氣體，從而滿(mǎn)足礦井安全生產(chǎn)的需求[1]。在生產(chǎn)推進(jìn)過(guò)程中，礦井的通風(fēng)設(shè)施、風(fēng)網(wǎng)結(jié)構(gòu)等都會(huì)隨之改變，從而使得通風(fēng)系統(tǒng)中分支風(fēng)量也在逐漸變化，當(dāng)分支風(fēng)量變化超過(guò)一定范圍時(shí)就會(huì)引起某些分支發(fā)生粉塵積聚、瓦斯?jié)舛瘸薜葐?wèn)題，對(duì)礦井的安全生產(chǎn)帶來(lái)較大影響[2]。由于實(shí)際的礦井通風(fēng)系統(tǒng)巷道眾多、網(wǎng)絡(luò)結(jié)構(gòu)交錯(cuò)縱橫，使得礦井的日常管理及風(fēng)量調(diào)節(jié)變得更復(fù)雜。如果對(duì)每條分支進(jìn)行風(fēng)阻分析來(lái)調(diào)節(jié)系統(tǒng)各個(gè)分支的風(fēng)量，工作量會(huì)非常大且不易實(shí)現(xiàn)。因此，在滿(mǎn)足用風(fēng)地點(diǎn)的需風(fēng)量條件下，應(yīng)依據(jù)各分支在通風(fēng)網(wǎng)絡(luò)中的可調(diào)性以及合理性來(lái)選擇調(diào)節(jié)分支[3]，使得風(fēng)量調(diào)節(jié)后的各分支風(fēng)量均滿(mǎn)足安全生產(chǎn)要求。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)復(fù)雜通風(fēng)網(wǎng)絡(luò)解算與風(fēng)量調(diào)節(jié)技術(shù)展開(kāi)了深入研究。文獻(xiàn)[4]開(kāi)發(fā)了礦井通風(fēng)系統(tǒng)可視化管理平臺(tái)，提出了智能型通風(fēng)控制系統(tǒng)，從整體上提高了對(duì)復(fù)雜風(fēng)網(wǎng)解算和系統(tǒng)優(yōu)化的效率。文獻(xiàn)[5?6]從礦井通風(fēng)智能調(diào)控角度出發(fā)，構(gòu)建了智能型通風(fēng)控制系統(tǒng)，為礦井通風(fēng)系統(tǒng)智能化奠定了基礎(chǔ)。文獻(xiàn)[7]提出了通風(fēng)網(wǎng)絡(luò)風(fēng)量分配和風(fēng)流調(diào)控一體化的優(yōu)化思路，通過(guò)余樹(shù)弦風(fēng)量和回路矩陣來(lái)計(jì)算風(fēng)網(wǎng)風(fēng)量分配值和風(fēng)阻調(diào)節(jié)值，并基于典型通風(fēng)網(wǎng)絡(luò)實(shí)例驗(yàn)證了該方法的有效性和可行性。

雖然礦井通風(fēng)相關(guān)研究較多，但對(duì)需風(fēng)量變化實(shí)時(shí)處理和智能控制的研究較少。因此，本文通過(guò)風(fēng)網(wǎng)靈敏度求出最優(yōu)的可調(diào)分支集和風(fēng)阻調(diào)節(jié)范圍，經(jīng)差分灰狼算法(differential evolution grey wolf optimizer，DE?GWO)實(shí)現(xiàn)尋優(yōu)，得到需風(fēng)分支風(fēng)量可調(diào)范圍，提出根據(jù)分支風(fēng)量期望值來(lái)選擇不同調(diào)節(jié)分支的智能應(yīng)急調(diào)風(fēng)方案，并基于礦井智能控制系統(tǒng)實(shí)驗(yàn)平臺(tái)進(jìn)行驗(yàn)證，以期為礦井應(yīng)急調(diào)風(fēng)提供理論和實(shí)踐指導(dǎo)。

1 風(fēng)網(wǎng)靈敏度及其在風(fēng)量調(diào)節(jié)中的作用

1.1 靈敏度理論

在通風(fēng)網(wǎng)絡(luò)中，當(dāng)j分支的風(fēng)阻Rj發(fā)生變化，且變化量為ΔRj時(shí)，會(huì)使風(fēng)網(wǎng)中i分支的風(fēng)量Qi發(fā)生變化，若分支i風(fēng)量的變化量為ΔQi，當(dāng)|ΔRj|→0時(shí)，

式中：dij為分支i風(fēng)量相對(duì)于分支j風(fēng)阻變化的靈敏度[8]，靈敏度絕對(duì)值|dij|越大，表示分支j風(fēng)阻的變化對(duì)分支i風(fēng)量的影響程度越高。

1.2 靈敏度矩陣的求解

礦井通風(fēng)網(wǎng)絡(luò)在風(fēng)量調(diào)節(jié)過(guò)程中需遵循節(jié)點(diǎn)風(fēng)量平衡和回路風(fēng)壓平衡定律。節(jié)點(diǎn)風(fēng)量平衡定律是指在通風(fēng)網(wǎng)絡(luò)中任一節(jié)點(diǎn)的流入風(fēng)量之和等于流出風(fēng)量之和，其表達(dá)式為

式中：N為網(wǎng)絡(luò)中分支總數(shù)；M為通風(fēng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)。

回路風(fēng)壓平衡定律是指通風(fēng)網(wǎng)絡(luò)中任一閉合回路的各分支能量代數(shù)和為0，其表達(dá)式為：

式中：pj為j分支的風(fēng)機(jī)風(fēng)壓、自然風(fēng)壓的代數(shù)和，若無(wú)該項(xiàng)則取0。

通過(guò)式(2)和式(3)對(duì)分支風(fēng)阻Rj求偏導(dǎo)可得靈敏度微分方程組：

1.3 風(fēng)量調(diào)節(jié)點(diǎn)的選擇及調(diào)阻范圍的確定

對(duì)于具有n條分支的通風(fēng)網(wǎng)絡(luò)，經(jīng)過(guò)靈敏度微分方程組的求解，可計(jì)算出風(fēng)網(wǎng)靈敏度矩陣D：

風(fēng)網(wǎng)靈敏度矩陣D在某一固定狀態(tài)下是唯一的。

若風(fēng)網(wǎng)中需增加分支i的分配風(fēng)量，則選擇調(diào)節(jié)的分支j需滿(mǎn)足dij> 0；反之，若要減小分支i的風(fēng)量，則調(diào)節(jié)分支j需滿(mǎn)足dij< 0。當(dāng)采用增阻調(diào)節(jié)來(lái)增大分支i的風(fēng)量時(shí)，需要選擇靈敏度矩陣中第i行的較大值；反之，如果減少分支i的風(fēng)量，那么需選擇第i行的較小值[9]。當(dāng)通風(fēng)網(wǎng)絡(luò)參數(shù)變化時(shí)，風(fēng)網(wǎng)工作狀態(tài)也會(huì)隨之改變，靈敏度會(huì)隨著分支風(fēng)阻的變化而變化，靈敏度衰減率tij表示為

通過(guò)大量的風(fēng)網(wǎng)數(shù)據(jù)擬合與模擬分析發(fā)現(xiàn)，靈敏度dij與風(fēng)阻Rj之間存在如下關(guān)系：

式中：a和b為常數(shù)，可通過(guò)回歸方程分析求得。

通過(guò)靈敏度衰減率可知，隨著調(diào)節(jié)分支風(fēng)阻Rj增大，靈敏度dij在不斷減小，即風(fēng)量Qi的變化幅度在減小。當(dāng)風(fēng)阻Rj超過(guò)臨界值Rjmax時(shí)，風(fēng)量Qi的變化幅度很小，即調(diào)風(fēng)進(jìn)入了遲鈍的區(qū)域；當(dāng)分支風(fēng)阻Rj

2 風(fēng)量調(diào)節(jié)的數(shù)學(xué)模型

在礦井通風(fēng)網(wǎng)絡(luò)中，當(dāng)風(fēng)路i發(fā)生瓦斯超限時(shí)，若瓦斯?jié)舛瘸稣Ｖ捣容^小，通過(guò)對(duì)單條分支調(diào)阻就可以滿(mǎn)足需風(fēng)要求；但當(dāng)瓦斯?jié)舛瘸稣Ｖ捣容^大時(shí)，就需要對(duì)多條分支同時(shí)調(diào)阻來(lái)增大需風(fēng)分支的風(fēng)量。為了確定需風(fēng)分支風(fēng)量可調(diào)范圍，本文以通風(fēng)網(wǎng)絡(luò)中需風(fēng)分支風(fēng)量可調(diào)最大化作為通風(fēng)網(wǎng)絡(luò)優(yōu)化的目標(biāo)函數(shù)即Fmax=Qi，其中Qi為待調(diào)需風(fēng)分支的風(fēng)量。

風(fēng)量調(diào)節(jié)優(yōu)化過(guò)程中除了遵循節(jié)點(diǎn)風(fēng)量平衡、回路風(fēng)壓平衡以及滿(mǎn)足風(fēng)網(wǎng)分支最小需風(fēng)量之外，還要從安全方面考慮。通用礦用軸流式通風(fēng)機(jī)的特性曲線(xiàn)圖中會(huì)出現(xiàn)類(lèi)似馬鞍形狀的“馬鞍區(qū)”，礦用通風(fēng)機(jī)可以正常運(yùn)行在“馬鞍區(qū)”右側(cè)的工況點(diǎn)處，若因通風(fēng)系統(tǒng)中通風(fēng)阻力增大或通風(fēng)機(jī)風(fēng)量波動(dòng)導(dǎo)致工況點(diǎn)移至“馬鞍區(qū)”左側(cè)，則礦用通風(fēng)機(jī)可能會(huì)發(fā)生喘振，造成損失和危害[10]。一般軸流式扇風(fēng)機(jī)實(shí)際工作風(fēng)壓Hf不能高于最高風(fēng)壓Hfmax的90%，運(yùn)轉(zhuǎn)效率η下限為60%。

從上述條件可以看出，通風(fēng)網(wǎng)絡(luò)風(fēng)量調(diào)節(jié)優(yōu)化模型為非線(xiàn)性約束問(wèn)題，通常使用罰函數(shù)將約束條件以懲罰項(xiàng)的形式包含到適應(yīng)度函數(shù)中來(lái)簡(jiǎn)化該問(wèn)題。由于差分灰狼算法對(duì)目標(biāo)模型的可微性并無(wú)限制，從而避免了不可微精確罰函數(shù)[11]不能處理不可微函數(shù)的缺陷，能夠有效求解目標(biāo)函數(shù)可行的極值點(diǎn)。

加入懲罰項(xiàng)后的目標(biāo)函數(shù)F為

式中：γ，φ，λ和μ均為懲罰參數(shù)；Rjmin和Rjmax分別為Rj可調(diào)節(jié)的最小值和最大值；Qjmin為j分支的最小需風(fēng)量。

3 灰狼優(yōu)化與差分進(jìn)化混合算法

3.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法(grey wolf optimizer，GWO)是受灰狼種群的社會(huì)等級(jí)和狩獵行為啟發(fā)得到的一種新型種群智能優(yōu)化算法[12]。

3.1.1 社會(huì)等級(jí)制度

灰狼種群具有嚴(yán)格的社會(huì)階級(jí)架構(gòu)，一般劃分為4 個(gè)社會(huì)等級(jí)?；依侵猩鐣?huì)等級(jí)最高的狼是α，處于金字塔的頂端，為狼群的領(lǐng)導(dǎo)者，其次是β和δ，負(fù)責(zé)協(xié)助α的工作，而整個(gè)尋優(yōu)過(guò)程主要由最底層的狼ω來(lái)實(shí)現(xiàn)，ω狼負(fù)責(zé)完成高層狼交代的任務(wù)，不斷地搜索獵物的位置。α，β和δ這3種高等級(jí)個(gè)體共同負(fù)責(zé)指定ω移動(dòng)的方向，并根據(jù)ω不斷傳回的反饋信息實(shí)時(shí)更新自己的位置。

3.1.2 狩獵行為

尋優(yōu)過(guò)程會(huì)通過(guò)跟蹤、環(huán)繞逼近的方式尋找獵物，環(huán)繞階段種群位置更新如下：

式中：D為灰狼個(gè)體與目標(biāo)獵物之間的距離；t為當(dāng)前迭代次數(shù)；Xp(t)和X(t)分別為第t次迭代后獵物的位置和搜索個(gè)體當(dāng)前位置；A和C為控制參數(shù)，

式中：Tmax為最大迭代次數(shù)；參數(shù)a在迭代過(guò)程中由2遞減到0；r1和r2為隨機(jī)數(shù)值，0≤r1，r2≤1[13]。

3種高等級(jí)個(gè)體α，β和δ在進(jìn)攻階段時(shí)負(fù)責(zé)定位獵物的位置，并指引其他搜索個(gè)體ω完成靠近、攻擊等行為，最終達(dá)到捕獲獵物的目的。該過(guò)程可表示為：

式中：Dα，Dβ和Dδ分別為α，β和δ與搜索個(gè)體ω間的距離；X1，X2和X3分別為搜索個(gè)體ω經(jīng)α，β和δ指引后下一步移動(dòng)的位置；Xα，Xβ和Xδ分別為第t次迭代后個(gè)體α，β和δ距離獵物的位置；X為搜索個(gè)體當(dāng)前位置；A1和C1為灰狼個(gè)體α對(duì)應(yīng)的控制參數(shù)；A2和C2為灰狼個(gè)體β對(duì)應(yīng)的控制參數(shù)；A3和C3為灰狼個(gè)體δ對(duì)應(yīng)的控制參數(shù)。

3.2 差分進(jìn)化算法（DE算法）

由于DE算法是一種全局尋優(yōu)效果極佳的進(jìn)化算法[14]，在求解非連續(xù)、多峰值等復(fù)雜優(yōu)化問(wèn)題時(shí)有著較好的優(yōu)化效果，常被用來(lái)與其他智能優(yōu)化算法進(jìn)行混合來(lái)改進(jìn)算法的優(yōu)化能力，因此，本文將DE算法融入GWO算法中，借助DE算法的全局搜索能力來(lái)提高GWO算法的優(yōu)化精度和搜索效率。DE算法的基本原理及數(shù)學(xué)模型如下。

3.2.1 變異操作

變異操作是使DE算法能夠擁有極強(qiáng)的全局搜索能力的核心步驟。差分變異策略有很多種，本文主要采用DE/rand/1的變異操作。

式中：Vi,g為經(jīng)變異操作后的個(gè)體位置；Xa,g，Xb,g和Xc,g分別為隨機(jī)從當(dāng)前種群中選擇的個(gè)體位置；Fr為縮放因子，其主要控制變量縮放偏差，取值范圍為[0, 1]。

3.2.2 交叉操作

DE 算法采用交叉操作來(lái)增加種群的多樣性，即控制新生個(gè)體加入原始種群。本文采用二項(xiàng)式交叉策略實(shí)現(xiàn)交叉操作。

式中：Ui,g+1為經(jīng)交叉操作后的個(gè)體位置；Cr∈[0,1]，為交叉概率；J為當(dāng)前維度；jrand為隨機(jī)選擇的維度。

3.2.3 選擇操作

選擇操作采用貪婪算法的選擇方式，通過(guò)將新產(chǎn)生的子代個(gè)體與父代個(gè)體進(jìn)行比較，選擇兩者之中更優(yōu)的個(gè)體進(jìn)入下一代種群，這種選擇方式可以保證下一代種群優(yōu)于當(dāng)前種群。

式中：Xi,g+1為經(jīng)選擇操作后的個(gè)體位置。

3.3 DE?GWO算法優(yōu)化流程

眾多學(xué)者研究發(fā)現(xiàn)，GWO算法雖然具有優(yōu)化精度高、收斂速度快的特點(diǎn)，但在單獨(dú)求解復(fù)雜優(yōu)化問(wèn)題時(shí)容易出現(xiàn)提前收斂[15?16]；而DE 算法的全局搜索能力強(qiáng)，但其性能對(duì)參數(shù)較敏感，且易陷入局部最優(yōu)[17?18]。為了發(fā)揮二者在尋優(yōu)過(guò)程中的優(yōu)點(diǎn)并克服其各自缺陷，本文提出一種DE?GWO混合優(yōu)化算法，其主要原理是在GWO算法對(duì)種群個(gè)體位置不斷迭代更新的基礎(chǔ)上，加入DE算法的變異、交叉、選擇操作，進(jìn)而維持種群的多樣性，以便提高其搜索能力和優(yōu)化性能。

DE?GWO算法的具體流程如下。

Step 1：設(shè)置優(yōu)化算法中的種群規(guī)模N、迭代次數(shù)Tmax、尋優(yōu)維數(shù)d、交叉概率以及縮放因子上下限等相關(guān)參數(shù)，初始化父代種群、突變種群和子代種群；

Step 2：計(jì)算父代種群每個(gè)個(gè)體的適應(yīng)度函數(shù)值，并進(jìn)行降序排列，將目標(biāo)函數(shù)最優(yōu)值、次優(yōu)值、次次優(yōu)值對(duì)應(yīng)的3 個(gè)搜索個(gè)體位置記為Xα，Xβ和Xδ；

Step 3：根據(jù)式(11)和(12)更新參數(shù)A，C和a，然后通過(guò)式(13)～(15)計(jì)算種群其他搜索個(gè)體與位置Xα，Xβ和Xδ之間的相對(duì)距離，并不斷更新當(dāng)前搜索個(gè)體的位置，產(chǎn)生新一代的父代種群，并計(jì)算新種群個(gè)體的適應(yīng)度；

Step 4：通過(guò)式(16)產(chǎn)生變異種群，通過(guò)式(17)的交叉操作產(chǎn)生新的子代種群，計(jì)算新子代種群個(gè)體的適應(yīng)度，然后，經(jīng)式(18)的選擇操作，選出父代種群和子代種群更優(yōu)的個(gè)體進(jìn)入下一代種群；

Step 5：更新種群的最優(yōu)目標(biāo)函數(shù)值，確定新的Xα，Xβ和Xδ；

Step 6：不斷進(jìn)行迭代計(jì)算，若當(dāng)前迭代次數(shù)t

4 風(fēng)量調(diào)節(jié)的實(shí)現(xiàn)

本文基于礦井智能控制實(shí)驗(yàn)平臺(tái)進(jìn)行實(shí)例分析，該實(shí)驗(yàn)平臺(tái)主要參照某礦通風(fēng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)搭建而成，其通風(fēng)網(wǎng)絡(luò)設(shè)計(jì)模擬“一礦兩面”結(jié)構(gòu)，通風(fēng)網(wǎng)絡(luò)巷道為上下兩層對(duì)稱(chēng)結(jié)構(gòu)。實(shí)驗(yàn)平臺(tái)的通風(fēng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1 所示。由圖1 可見(jiàn)：該通風(fēng)網(wǎng)絡(luò)共有15 個(gè)節(jié)點(diǎn)(分別編號(hào)為節(jié)點(diǎn)①～○15)，21條分支(分別編號(hào)為1～21)，獨(dú)立回路數(shù)為7條，通風(fēng)機(jī)位于分支20 上，通風(fēng)機(jī)風(fēng)壓特性曲線(xiàn)為：Hf= 2 897.93+ 17.24Q- 0.5Q2(Q為風(fēng)機(jī)風(fēng)量)。圖中箭頭方向表示分支風(fēng)流流向，出風(fēng)節(jié)點(diǎn)○15與進(jìn)風(fēng)節(jié)點(diǎn)①之間的偽分支21 使用虛線(xiàn)表示，偽分支21的風(fēng)阻為0 N·s2/m8。

圖1 通風(fēng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Ventilation network topology

在該實(shí)驗(yàn)平臺(tái)中，本文構(gòu)建礦井遠(yuǎn)程應(yīng)急調(diào)風(fēng)與智能控制系統(tǒng)，如圖2所示，其主要包括井下分布式通風(fēng)環(huán)境參數(shù)監(jiān)控分站、以太網(wǎng)通信模塊、地面遠(yuǎn)程監(jiān)控中心和風(fēng)量智能調(diào)節(jié)裝置。基于該實(shí)驗(yàn)系統(tǒng)，本文所提智能應(yīng)急調(diào)風(fēng)方案的實(shí)施步驟如下：

圖2 礦井遠(yuǎn)程應(yīng)急調(diào)風(fēng)與智能控制系統(tǒng)Fig.2 Disaster remote emergency wind regulation and intelligent control system

1)在井下布置監(jiān)控分站來(lái)采集各巷道的通風(fēng)環(huán)境參數(shù)，包括風(fēng)速、風(fēng)壓、甲烷和煙霧濃度等。

2)井下監(jiān)控分站將采集到的數(shù)據(jù)通過(guò)以太網(wǎng)通信協(xié)議上傳到地面監(jiān)控中心，并在上位機(jī)的監(jiān)測(cè)界面進(jìn)行終端顯示；若監(jiān)測(cè)系統(tǒng)發(fā)現(xiàn)甲烷濃度或粉塵濃度超限，并經(jīng)決策平臺(tái)確定為異常情況時(shí)，則會(huì)立即啟動(dòng)遠(yuǎn)程應(yīng)急調(diào)風(fēng)操作；工控機(jī)會(huì)將收集到的數(shù)據(jù)通過(guò)OPC 協(xié)議發(fā)送到Matlab 中，Matlab 經(jīng)風(fēng)網(wǎng)解算、靈敏度矩陣的求解、智能優(yōu)化算法的迭代尋優(yōu)等步驟得到最優(yōu)的可調(diào)分支集，并反饋到監(jiān)測(cè)系統(tǒng)中。

3)根據(jù)最優(yōu)的調(diào)控方案，通過(guò)PLC 控制器對(duì)井下相關(guān)分支的風(fēng)門(mén)、風(fēng)窗等調(diào)節(jié)裝置進(jìn)行精準(zhǔn)控制，使得災(zāi)變分支的風(fēng)量能夠快速滿(mǎn)足應(yīng)急需風(fēng)要求，從而實(shí)現(xiàn)了多分支聯(lián)合調(diào)阻增風(fēng)的目的。

地面遠(yuǎn)程決策平臺(tái)是應(yīng)急調(diào)風(fēng)與智能控制系統(tǒng)的重要組成部分之一，該平臺(tái)通過(guò)分析通風(fēng)系統(tǒng)目前的狀況來(lái)指導(dǎo)和控制下一步操作。決策平臺(tái)可以通過(guò)分析煤礦瓦斯監(jiān)測(cè)數(shù)據(jù)來(lái)實(shí)現(xiàn)較為準(zhǔn)確的瓦斯?jié)舛阮A(yù)測(cè)，其實(shí)現(xiàn)方法主要參照文獻(xiàn)[19]中的瓦斯突出預(yù)測(cè)預(yù)警方法，該方法選用霍爾特指數(shù)平滑法對(duì)實(shí)時(shí)監(jiān)測(cè)的瓦斯體積分?jǐn)?shù)進(jìn)行預(yù)處理，并基于BP神經(jīng)網(wǎng)絡(luò)模型來(lái)提取監(jiān)測(cè)的瓦斯體積分?jǐn)?shù)的特征參數(shù)，結(jié)合人工檢測(cè)的防突檢測(cè)參數(shù)，構(gòu)建瓦斯突出預(yù)測(cè)預(yù)警模型?，F(xiàn)場(chǎng)實(shí)踐表明，該方法能夠較好地處理瓦斯監(jiān)測(cè)數(shù)據(jù)，突出預(yù)測(cè)預(yù)警結(jié)果可靠性高。雖然上述方法對(duì)瓦斯超限預(yù)測(cè)預(yù)警的結(jié)果比較準(zhǔn)確，但并不能完全預(yù)測(cè)到所有的瓦斯超限情況，因此，對(duì)于極少數(shù)未被預(yù)測(cè)到的情況，可以在發(fā)現(xiàn)瓦斯?jié)舛瘸薏⒋_定為真實(shí)異常情況下，通過(guò)礦井應(yīng)急調(diào)風(fēng)系統(tǒng)快速地將瓦斯?jié)舛冉档桨踩珴舛纫韵?，保證礦井生產(chǎn)安全。經(jīng)實(shí)驗(yàn)平臺(tái)的大量驗(yàn)證，上述2種方法的結(jié)合能夠滿(mǎn)足實(shí)際應(yīng)用需求。

4.1 風(fēng)量調(diào)節(jié)分支優(yōu)化選擇

假設(shè)該通風(fēng)網(wǎng)絡(luò)中分支14發(fā)生瓦斯?jié)舛瘸?，急需通過(guò)調(diào)阻增風(fēng)的方式來(lái)增大分支14 的風(fēng)量，下面通過(guò)求解得出分支14 的風(fēng)量可調(diào)范圍。表1所示為初始通風(fēng)網(wǎng)絡(luò)參數(shù)。

表1 初始通風(fēng)網(wǎng)絡(luò)參數(shù)Table 1 Initial parameters of ventilation network

本文基于Matlab 自制的計(jì)算通風(fēng)網(wǎng)絡(luò)靈敏度矩陣程序，得出不同分支調(diào)阻對(duì)分支14 風(fēng)量的靈敏度，如表2所示。

表2 所有分支風(fēng)阻對(duì)分支14的靈敏度Table 2 Sensitivity of all branch wind resistances to branch 14

若通過(guò)增阻調(diào)節(jié)的方式來(lái)增大Q14，則需選擇可調(diào)分支中靈敏度d14,j的分支進(jìn)行調(diào)節(jié)。按照分支靈敏度的影響權(quán)重從大到小順序排列為分支12，17，15，7，13，4 和8。由于分支15，7，13，4和8 的靈敏度相對(duì)于分支12 和17 的靈敏度過(guò)小，對(duì)調(diào)風(fēng)的貢獻(xiàn)度不足，且考慮到減小調(diào)風(fēng)量對(duì)風(fēng)網(wǎng)工作狀態(tài)的影響程度，選擇分支12和17作為最優(yōu)的可調(diào)分支集。

對(duì)選出的調(diào)阻分支12，依次計(jì)算其風(fēng)阻被設(shè)定為0.42，0.52，0.72，0.92，1.12，1.32，1.82，2.32，2.82，3.82，4.82，5.82 時(shí)的靈敏度，對(duì)這12 組樣點(diǎn)數(shù)據(jù)通過(guò)Matlab 軟件中的Power 冪函數(shù)擬合處理得到靈敏度d14,12隨風(fēng)阻R12變化的曲線(xiàn)，如圖3所示。

圖3 靈敏度d14,12隨風(fēng)阻R12的變化Fig.3 Variation of sensitivity d14,12 with wind resistance R12

由此可求得靈敏度d14,12與風(fēng)阻R12的關(guān)系：d14,12= 1.141R-1.16412。通過(guò)上述方法，也可求出靈敏度d14,17與風(fēng)阻R17的關(guān)系：d14,17= 0.861R-1.36217。由此，根據(jù)式(7)可求出分支12 和17 對(duì)Q14進(jìn)行增阻調(diào)風(fēng)的合理范圍：R12∈[0.42, 3.04] N·s2/m8，R17∈[0.30, 1.63]N·s2/m8。

4.2 風(fēng)量調(diào)節(jié)優(yōu)化結(jié)果分析

對(duì)分支14 風(fēng)量調(diào)節(jié)的最優(yōu)可調(diào)分支集和風(fēng)阻調(diào)節(jié)范圍確定后，采用DE 算法、GWO 算法、DE?GWO 算法分別對(duì)該分支風(fēng)量進(jìn)行尋優(yōu)，確定分支14 可調(diào)風(fēng)量的最大值。主要參數(shù)設(shè)計(jì)如下：設(shè)種群規(guī)模為20，優(yōu)化變量維數(shù)為2，進(jìn)化迭代150 次，交叉概率Cr=0.2。為了避免尋優(yōu)效果存在偶然性，同時(shí)也為了證明DE?GWO算法在優(yōu)化過(guò)程中的穩(wěn)定性，采取3 種算法分別對(duì)模型優(yōu)化30次，優(yōu)化結(jié)果見(jiàn)表3。從表3可以看出，DE?GWO算法的收斂速度雖然不如GWO 算法和DE 算法的收斂速度快，但其尋優(yōu)效果優(yōu)于GWO 算法和DE算法的尋優(yōu)效果，表現(xiàn)出更強(qiáng)的搜索能力，有效地避免了局部最優(yōu)。不同算法所得分支14 風(fēng)量某次優(yōu)化效果如圖4 所示。由圖4 可見(jiàn)，相對(duì)于DE算法和GWO 算法而言，使用DE?GWO 算法對(duì)風(fēng)量調(diào)節(jié)優(yōu)化的效果更好，對(duì)分支14 的最大調(diào)節(jié)風(fēng)量可達(dá)8.51 m3/s。

表3 不同算法優(yōu)化結(jié)果Table 3 Optimization results of different algorithms

圖4 不同算法所得分支14風(fēng)量適應(yīng)度曲線(xiàn)Fig.4 Branch 14 air volume fitness curve obtained by different algorithms

當(dāng)分支14的風(fēng)量通過(guò)增阻調(diào)節(jié)到最大值時(shí)(即Q14= 8.51 m3/s)，此時(shí)的R2= 2.48 N?s2/m8，R17=0.63 N?s2/m8，通過(guò)風(fēng)網(wǎng)解算可求得其他各分支的風(fēng)量，見(jiàn)表4。經(jīng)對(duì)比發(fā)現(xiàn)，調(diào)風(fēng)后的其他各分支能夠滿(mǎn)足最小需風(fēng)量合理分配的要求，由此得到分支14 風(fēng)量可調(diào)范圍為[5.46，8.51]m3/s，風(fēng)量可上調(diào)55.9%。

表4 優(yōu)化調(diào)節(jié)后各分支風(fēng)量分配Table 4 Air volume distribution of each branch after optimal adjustment

4.3 實(shí)例驗(yàn)證

根據(jù)上述理論分析，下面使用礦井智能控制實(shí)驗(yàn)平臺(tái)進(jìn)行實(shí)例驗(yàn)證。假定監(jiān)測(cè)到井下分支14的瓦斯體積分?jǐn)?shù)為1.5%，經(jīng)地面監(jiān)測(cè)中心的決策平臺(tái)判定為瓦斯?jié)舛瘸藓?，需啟?dòng)應(yīng)急調(diào)控系統(tǒng)。計(jì)算得出分支14 最小需風(fēng)量為7.96 m3/s(瓦斯體積分?jǐn)?shù)稀釋至1%)。由于使用單分支調(diào)節(jié)時(shí)，分支14 的最大可調(diào)風(fēng)量為7.19 m3/s，不滿(mǎn)足分支14的需風(fēng)要求，所以，可采取多分支聯(lián)調(diào)的方式。由本文4.2節(jié)可知，對(duì)分支12和17進(jìn)行聯(lián)調(diào)增阻時(shí)，最大風(fēng)量可調(diào)至8.51 m3/s，符合本次調(diào)風(fēng)范圍。經(jīng)Matlab 風(fēng)網(wǎng)解算后可知，當(dāng)R12=1.82 N?s2/m8，R17=0.58 N?s2/m8時(shí)，分支14的風(fēng)量為8.04 m3/s，此時(shí)，礦井應(yīng)急調(diào)控系統(tǒng)通過(guò)PLC 控制器調(diào)節(jié)分支12 和17的風(fēng)門(mén)或風(fēng)窗開(kāi)度，使分支12和17的風(fēng)阻達(dá)到預(yù)設(shè)值。經(jīng)應(yīng)急調(diào)控操作后，分支14 的風(fēng)量滿(mǎn)足該分支的應(yīng)急增風(fēng)要求。

5 結(jié)論

1)本文提出的DE?GWO 算法克服了GWO 算法易陷入局部最優(yōu)以及易提前收斂的缺陷，提高了算法在迭代過(guò)程中的全局搜索能力，在尋優(yōu)性能和穩(wěn)定性方面都得到了顯著提高。

2)通過(guò)分支風(fēng)量期望值來(lái)選擇不同調(diào)節(jié)分支的智能應(yīng)急調(diào)風(fēng)方案是可行的，既能保證調(diào)風(fēng)經(jīng)濟(jì)性和礦井安全生產(chǎn)要求，又能滿(mǎn)足用風(fēng)分支的需風(fēng)量，可快速將有毒有害氣體從井下排出。