摘 要：煤礦帶式輸送機(jī)具有運(yùn)量大、能耗高的特點，為了實現(xiàn)低碳生產(chǎn)，首先分析了造成輸送機(jī)高能耗的原因，確定了煤流量和運(yùn)行速度2個主因。其次，利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建輸送機(jī)節(jié)能控制模型，將煤流量和運(yùn)行速度作為輸入層節(jié)點，電機(jī)工作頻率作為輸出層節(jié)點，并且運(yùn)用改進(jìn)粒子群算法優(yōu)化節(jié)能控制模型中的權(quán)重和閾值，提高了模型的收斂速度，降低了模型對訓(xùn)練數(shù)據(jù)的要求，借助該控制模型獲得不同煤流量下的最佳帶速取值。最后，從工程應(yīng)用的角度出發(fā)，通過模糊控制器將節(jié)能控制模型引入帶式輸送機(jī)的控制系統(tǒng)，實現(xiàn)了算法落地。

關(guān)鍵詞：煤礦帶式輸送機(jī)；能耗影響因素；節(jié)能設(shè)計

中圖分類號：TD 63" 文獻(xiàn)標(biāo)志碼：A

煤礦帶式輸送機(jī)節(jié)能控制屬于較復(fù)雜的系統(tǒng)性問題，其影響因素較多，需要確定主要因素和次要因素，再根據(jù)主因制定節(jié)能運(yùn)行方案。神經(jīng)網(wǎng)絡(luò)算法用于分析、解決復(fù)雜問題，能夠通過數(shù)據(jù)訓(xùn)練建立能耗影響因素和電機(jī)工作頻率之間的最優(yōu)關(guān)系，因此利用這類算法設(shè)計節(jié)能控制模型。

1 煤礦帶式輸送機(jī)能耗影響因素分析

1.1 煤礦帶式輸送機(jī)的結(jié)構(gòu)及工作原理

1.1.1 結(jié)構(gòu)組成

帶式輸送機(jī)的主要結(jié)構(gòu)包括機(jī)架、轉(zhuǎn)向滾筒、驅(qū)動滾筒、托輥、卸料漏斗、張緊裝置以及傳送帶等，其動力裝置為電機(jī)，通過減速器、制動器控制速度[1]。托輥為傳送帶及物料提供支撐力。張緊裝置的作用是防止皮帶張力不足。驅(qū)動滾筒將電機(jī)產(chǎn)生的機(jī)械能轉(zhuǎn)化為皮帶的動能，轉(zhuǎn)向滾筒能夠控制皮帶的轉(zhuǎn)動方向。

1.1.2 工作原理

在帶式輸送機(jī)中的前后端分別設(shè)置驅(qū)動滾筒和轉(zhuǎn)向滾筒，傳送帶為環(huán)形封閉結(jié)構(gòu)，套在滾筒外側(cè)，并且滾筒和傳送帶之間緊密貼合，形成了較大的摩擦力。當(dāng)電機(jī)產(chǎn)生的動力作用在驅(qū)動滾筒時，滾筒轉(zhuǎn)動，再由摩擦力帶動傳送帶[2]。顯然，只有當(dāng)滾筒和傳送帶的摩擦力小于驅(qū)動滾筒的轉(zhuǎn)動力時，才能確保傳送帶不打滑，并完成物料輸送任務(wù)。

1.2 能耗影響因素分析

1.2.1 運(yùn)行阻力分析

1.2.1.1 基本阻力

傳送帶系統(tǒng)運(yùn)行時受多種阻力影響，降低傳送效率及設(shè)備壽命?；咀枇χ饕獊碓从趥魉蛶c托輥、煤炭物料間的摩擦力。這些摩擦力導(dǎo)致傳送帶速度降低、能量損失并產(chǎn)生熱量，加劇磨損，影響使用壽命。

1.2.1.2 傾斜阻力

帶式輸送機(jī)易受環(huán)境和地基的影響，形成傾角，產(chǎn)生傾斜阻力。輸送帶與傳動滾筒間摩擦力分布不均也是傾斜阻力原因之一，導(dǎo)致輸送帶磨損加劇，縮短使用壽命。

1.2.1.3 附加阻力

工業(yè)生產(chǎn)中，附加阻力主要來源于驅(qū)動滾筒、改向滾筒和落料區(qū)。驅(qū)動滾筒受物料摩擦力、自身慣性和外部環(huán)境的影響；改向滾筒需要克服物料慣性和外部環(huán)境的影響；落料區(qū)物料受重力作用產(chǎn)生阻力，影響物料下降速度和生產(chǎn)線的運(yùn)行效率[3]。

1.2.2 造成功率消耗的主要影響因素

在煤礦開采過程中，隨著掘進(jìn)面不斷深入，帶式輸送機(jī)的傳輸距離持續(xù)增加，能耗呈快速增長的趨勢。以大運(yùn)量、高轉(zhuǎn)速、長距離的帶式輸送機(jī)為研究對象，造成其功率消耗的影響因素如下。

1.2.2.1 確定主要因素

將帶式輸送機(jī)的牽引力記為F，如公式（1）所示。

（1）

式中：Wk為帶式輸送機(jī)在回程段的基本阻力；Wz為承重段的基本阻力；Wq為輸送機(jī)的傾斜阻力；f0i為關(guān)于輸送機(jī)速度的系數(shù)；ci為與輸送機(jī)速度有關(guān)的系數(shù)；v為輸送機(jī)的傳輸速度；li為輸送帶的長度；g為重力加速度；qi'為托輥的旋轉(zhuǎn)線密度；q為煤炭物料的線密度，并且有q=Q/3.6v（Q為煤流量）；qi\"為回程段托輥組的旋轉(zhuǎn)線密度；qd為輸送帶的線密度；βi為巷道的傾角。

在計算出牽引力F后，可按照P=Fv得到帶式輸送機(jī)的功率（P為功率）[4]。

例如，某煤礦購入的帶式輸送機(jī)，工作人員根據(jù)公式（1）計算器能耗（見表1）。

假設(shè)煤流量Q=500，輸送機(jī)的輸送量為500/3600。kg/h，即輸送機(jī)的輸送量為0.1389kg/s，q=0.1389/3.6×2.5=0.0198kg/m，計算重力牽引力為0.0198×1000×cos（5°）=188.6N；摩擦力為（0.1+0.08）×6×9.81×1000×cos（5°）=367.6N；總牽引力為200+350+150+0.02×2.5+0.0015×（2.5）2，即F=700.059375N。

1.2.2.2 帶速與煤流量匹配分析

當(dāng)帶式輸送機(jī)處于正常的運(yùn)行狀態(tài)時，如果煤流量Q保持不變，那么功率P與帶式輸送機(jī)的傳輸速度v成正比。在這一情況下，提高速度v會增加功耗[5]。但是輸送機(jī)的速度不可過低，否在會制約生產(chǎn)效率。將傳送帶能夠承受的最大物料線密度記為qm，煤流量最小值記為Qmin，則煤礦傳輸帶的速度v應(yīng)滿足公式（2）的規(guī)定。

（2）

式中：vmin為帶式輸送機(jī)的最小可調(diào)傳輸速度。

分析公式（2）可以發(fā)現(xiàn)，煤礦傳輸帶的速度與功率成正比，影響功耗和生產(chǎn)效率的平衡，同時需要滿足輸送帶能夠承受的最大物料線密度和最小煤流量的要求。因此，應(yīng)用速度v的計算公式時，需要根據(jù)具體的系統(tǒng)設(shè)計參數(shù)和操作條件來確定合適的速度范圍，以確保系統(tǒng)運(yùn)行效率和安全性。

2 煤礦帶式輸送機(jī)節(jié)能控制模型設(shè)計

帶式輸送機(jī)的節(jié)能控制屬于較復(fù)雜的系統(tǒng)性問題，需要從系統(tǒng)功耗出發(fā)，合理確定煤流量與傳輸速度的取值，根據(jù)生產(chǎn)需求自動調(diào)節(jié)煤流量和傳輸速度，從而達(dá)到功耗最低的目標(biāo)。以下基于BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)粒子群算法建立和優(yōu)化帶式輸送機(jī)節(jié)能控制模型，再通過PLC模糊控制器實現(xiàn)算法模型，達(dá)到智能調(diào)節(jié)的目的。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的帶式輸送機(jī)節(jié)能控制建模

2.1.1 BP神經(jīng)網(wǎng)絡(luò)模型概述

一個典型的BP神經(jīng)網(wǎng)絡(luò)包括3層結(jié)構(gòu)，分別為輸入層、隱藏層和輸出層，輸入層為待研究問題的主要影響因素，輸出層為研究目標(biāo)，隱藏層在二者之間建立聯(lián)系[6]。將輸入層節(jié)點、隱藏層節(jié)點和輸出層節(jié)點分別記為xi、yj、zk，三者之間的關(guān)系如公式（3）所示。

（3）

式中：f（）為隱藏層的激活函數(shù)；wij為輸入層節(jié)點xi與隱藏層節(jié)點yj之間的權(quán)值；θj為隱藏層節(jié)點j的閾值。

輸出層節(jié)點與隱含層節(jié)點之間的關(guān)系如公式（4）所示。

（4）

式中：T1i為隱藏層節(jié)點與輸出層節(jié)點對應(yīng)的權(quán)值。

其中，激活函數(shù)f（）可采用Sigmoid函數(shù)。

在BP神經(jīng)網(wǎng)絡(luò)的隱藏層中，每個隱藏層節(jié)點yj的輸出如公式（5）所示。

（5）

式中：wij為輸入層節(jié)點xi到隱藏層節(jié)點yj的權(quán)重；θj為隱藏層節(jié)點yj的閾值。

Sigmoid函數(shù)的作用是將加權(quán)和z映射到一個在（0，1）的值，這種非線性映射使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和表示復(fù)雜的非線性關(guān)系。在BP神經(jīng)網(wǎng)絡(luò)的輸出層，如果網(wǎng)絡(luò)用于分類問題，通常也會采用Sigmoid函數(shù)作為輸出層的激活函數(shù)，輸出層節(jié)點zk如公式（6）所示。

（6）

式中：Tjk為隱藏層節(jié)點yj到輸出層節(jié)點zk的權(quán)重；θk為輸出層節(jié)點zk的閾值。

在使用Sigmoid函數(shù)過程中，要著重注意2個問題。一方面，Sigmoid函數(shù)在輸入接近極端值（接近0或1）時，其導(dǎo)數(shù)接近0，可能導(dǎo)致梯度消失問題，這會影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。另一方面，Sigmoid函數(shù)的輸出范圍為（0，1），可能不適用于某些問題，例如需要輸出負(fù)數(shù)或超過單位間隔的值。

2.1.2 帶式輸送機(jī)節(jié)能控制模型構(gòu)建及訓(xùn)練

2.1.2.1 訓(xùn)練樣本采集

建模前需要收集模型訓(xùn)練所需的數(shù)據(jù)，以煤礦帶式輸送機(jī)的實際運(yùn)行情況為數(shù)據(jù)源，當(dāng)煤流量較穩(wěn)定時，檢測該時段對應(yīng)的煤流量，并求出均值，記為Qavg。調(diào)節(jié)輸送機(jī)的電機(jī)頻率，進(jìn)而改變帶式輸送機(jī)的傳輸速度，將輸送機(jī)的最小可調(diào)速度和最大可調(diào)速度分別記為vmin、vmax，使輸送機(jī)的速度從最小值逐漸增至最大值，在這一過程中觀察功率P的變化，將最小功率記為Pmin，并記錄該功率對應(yīng)的速度。研究過程按照以上方法檢測獲得60組試驗數(shù)據(jù)，在不同時段內(nèi)得到3組煤流量均值，分別為Qavg1、Qavg2、Qavg3，3種煤流量下對應(yīng)的最小功率分別為Pmin1、Pmin2、Pmin3，最小功率對應(yīng)的速度分別記為v1、v2、v3。

2.1.2.2 模型構(gòu)建及訓(xùn)練

當(dāng)構(gòu)建和訓(xùn)練模型時，需要編寫相應(yīng)的程序。研究過程利用MATLAB軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，輸入層設(shè)置2個節(jié)點，分別代表煤流量和帶式輸送機(jī)的傳輸速度，輸出層設(shè)置1個節(jié)點，即電機(jī)功耗，目標(biāo)是獲得特定煤流量下的最低功耗及其對應(yīng)的輸送機(jī)速度。根據(jù)隱含層節(jié)點數(shù)量的計算方法，該模型需要設(shè)置5個隱藏層節(jié)點。利用60組試驗數(shù)據(jù)進(jìn)行模型訓(xùn)練。

2.2 基于粒子群算法優(yōu)化節(jié)能控制模型

2.2.1 改進(jìn)粒子群算法

2.2.1.1 粒子群算法

改進(jìn)粒子群算法是在粒子群算法（Particle Swarm Optimization，PSO）的基礎(chǔ)上進(jìn)行改進(jìn)的。PSO算法用于復(fù)雜問題智能尋優(yōu)，其實施步驟為種群初始化→計算種群中個體的適應(yīng)度值→更新粒子個體的最優(yōu)位置→根據(jù)適應(yīng)度值進(jìn)行復(fù)制→判斷是否滿足終止條件，滿足時終止算法，否則回到第二步。

2.2.1.2 粒子群算法的改進(jìn)

PSO算法中的參數(shù)具有一定的經(jīng)驗性，缺乏客觀的依據(jù)，容易影響算法的精度，相關(guān)的參數(shù)為慣性因子和學(xué)習(xí)因子，改進(jìn)方式如公式（7）所示。

（7）

式中：ω為改進(jìn)的慣性因子；ωmin和ωmax為慣性因子的最小值和最大值；k為慣性因子的調(diào)節(jié)系數(shù)；kmax為調(diào)節(jié)系數(shù)的最大值。

在改進(jìn)方法中，通過公式（7）提高慣性因子的自適應(yīng)能力。公式（7）通過線性插值的方式，根據(jù)k和kmax的比例，使ω在ωmin和ωmax之間動態(tài)調(diào)整。當(dāng)k=0時，ω=ωmax，當(dāng)k=kmax時，ω=ωmin。傳統(tǒng)PSO算法中存在c1、c22個加速學(xué)習(xí)因子，通常取為定值，在改進(jìn)粒子群算法中，按照公式（8）計算加速學(xué)習(xí)因子的取值。

c1=c1max-（c1max-c1min）cos（ω） （8）

式中：c1max和c1min分別為加速學(xué)習(xí)因子c1的最大值、最小值，c2的計算模式同c1。

通過線性插值的方式，根據(jù)k和kmax的比例，動態(tài)調(diào)整c1和c2的取值范圍。這種動態(tài)調(diào)整有助于在PSO算法中自適應(yīng)地改變加速學(xué)習(xí)因子，以便更好地探索和利用搜索空間。

2.2.2 基于改進(jìn)PSO算法的節(jié)能控制模型優(yōu)化

2.2.2.1 模型優(yōu)化步驟

利用改進(jìn)PSO算法優(yōu)化煤礦帶式輸送機(jī)的節(jié)能控制模型，其實施步驟如下。1）粒子群和節(jié)能控制模型的初始化。2）計算每一個粒子的適應(yīng)度值，對比個體適應(yīng)度值，確定全局最優(yōu)值。3）計算改進(jìn)的慣性因子ω和學(xué)習(xí)因子c1、c2。4）利用改進(jìn)的慣性因子和學(xué)習(xí)因子更新粒子群算法中的個體，獲得最新的位置和速度。5）更新個體及全體最優(yōu)值。6）判斷是否滿足條件，結(jié)束迭代操作。

2.2.2.2 模型優(yōu)化結(jié)果分析

分別利用傳統(tǒng)PSO算法和改進(jìn)PSO算法優(yōu)化PB神經(jīng)網(wǎng)絡(luò)所建立的節(jié)能控制模型，得到算法模型中最佳的權(quán)值和閾值，共進(jìn)行50次迭代。結(jié)果顯示，經(jīng)傳統(tǒng)PSO算法優(yōu)化的模型在第24次迭代時完成收斂，而改進(jìn)PSO算法優(yōu)化的模型在第16次時完成收斂。說明改進(jìn)PSO算法提高了節(jié)能控制模型的運(yùn)行效率，并且后者對模型訓(xùn)練數(shù)據(jù)量的需求也更低。利用節(jié)能控制模型得到煤流量與帶式輸送機(jī)最佳速度的關(guān)系，見表2。

3 帶式輸送機(jī)節(jié)能控制系統(tǒng)模糊控制器設(shè)計

在建立節(jié)能控制模型后，還需要以特定的方式將其植入帶式輸送機(jī)的控制系統(tǒng)中，研究過程利用模糊算法及模糊控制器實現(xiàn)相關(guān)功能。

3.1 模糊控制器基本原理

模糊控制器由知識庫、推理庫組成，將給定信號輸入控制器后，先進(jìn)行模糊化處理，再經(jīng)過模糊推理，產(chǎn)生清晰化的信號，進(jìn)而作用于被控制的對象，整個過程由傳感器實時獲得被控變量，并反饋至輸入端。

3.2 模糊控制設(shè)計要點

3.2.1 模糊控制器的輸入和輸出設(shè)計

從上文的分析可知，在煤流量確定的情況下，節(jié)能控制的關(guān)鍵是確定與之匹配的最佳帶速。將模糊控制器引入節(jié)能控制模型，帶式輸送機(jī)具有電子稱量功能，可檢測煤流量，與其對應(yīng)的速度記為v0，利用傳感器采集皮帶速度v，計算v0和v的偏差e，同時計算對應(yīng)時間段內(nèi)的偏差變化率ec，將e和ec輸入模糊控制器，模糊控制器的輸出結(jié)果為變頻器的頻率f。

3.2.2 設(shè)置模糊論域和比例因子

在模糊控制器中，變量e、ec、f對應(yīng)的符號為E、EC、F。針對這3個變量設(shè)置相同的模糊論域{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。3個變量的迷糊集見表3。3個變量對應(yīng)的比例因子分別記為ke、kec、kf，則有ke=6/e，kec=6/ec，kf=6/f。

3.2.3 模糊控制表查詢

在速度傳感器檢測出偏差e和偏差變化率ec后，再根據(jù)模糊控制表查詢相應(yīng)的頻率f，進(jìn)而完成模糊輸出與控制。根據(jù)論域、比例因子、模糊控制規(guī)則等，設(shè)計模糊控制表，見表4。此處僅展示模糊論域中-1～-6的取值，表格中的數(shù)值為f的取值。

3.2.4 模糊控制系統(tǒng)整體實現(xiàn)

模糊控制系統(tǒng)的整體工作流程如下：獲得給定值v0，對比傳感器檢測速度v→將偏差e和偏差變化率ec輸入模糊控制器→輸出電機(jī)頻率f→由PLC控制器發(fā)出信號，控制變頻器→將信號f作用于電機(jī)→改變皮帶運(yùn)行速度。

4 結(jié)語

從研究內(nèi)容可知，影響煤礦帶式輸送機(jī)能耗水平的主要因素為煤流量和皮帶運(yùn)行速度，在煤流量確定的情況下，存在一個最佳帶速，能夠使電機(jī)功耗最低。研究過程利用BP神經(jīng)網(wǎng)絡(luò)建立帶式輸送機(jī)節(jié)能控制模型，并且借助改進(jìn)PSO算法優(yōu)化模型中的關(guān)鍵參數(shù)，進(jìn)而確定不同煤流量范圍下的最佳帶速取值。本文還設(shè)計了相關(guān)的模糊控制器，可以將其引入PLC變頻控制系統(tǒng)中，以實現(xiàn)節(jié)能控制模型的工程應(yīng)用。

參考文獻(xiàn)

[1]王利國.煤礦帶式輸送機(jī)能耗優(yōu)化控制系統(tǒng)的設(shè)計與應(yīng)用[J].礦業(yè)裝備，2023（9）：204-205.

[2]范惠凱.變頻節(jié)能系統(tǒng)在帶式輸送機(jī)中的應(yīng)用研究[J].石化技術(shù)，2023，30（7）：275-276.

[3]王循明，單巖，張煒.基于模糊PID的液壓驅(qū)動帶式輸送機(jī)能耗優(yōu)化[J].煤炭技術(shù)，2023，42（5）：207-209.

[4]蔣思中，郭宏濤，安軻，等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的帶式輸送機(jī)能耗優(yōu)化研究[J].煤炭技術(shù)，2022，41（11）：234-236.

[5]劉憲兵，張偉.礦井帶式輸送機(jī)節(jié)能控制系統(tǒng)研究[J].內(nèi)蒙古煤炭經(jīng)濟(jì)，2023（5）：69-71.

[6]馬曉琳.基于計算機(jī)視覺技術(shù)礦山運(yùn)輸智能調(diào)速控制系統(tǒng)研究[J].中國礦山工程，2021，50（5）：67-70.