[发明专利]一种用于矿井通风机的神经网络自适应调速方法

说明书

本发明涉及一种用于矿井通风机的神经网络自适应调速方法，包括：利用瓦斯浓度传感器、压力传感器、激光转速仪分别测量巷道瓦斯浓度、风压、电机的转速等风机风量影响参数信息，并利用神经网络优良的非线性映射能力，建立了所述风量影响因素与通风机转速之间的非线性映射关系，获得矿井通风机自适应控制模型。本技术方案通过应用Elman神经网络和自适应遗传优化方法，并结合变频调速技术，实现了对矿井通风机风量的准确控制。该方法收敛速度快、精度高且具有较好的稳定性，在达到所需风量的同时有效节约了能源。

技术领域

本发明涉及矿井通风机智能控制技术领域，特别涉及一种用于矿井通风机的神经网络自适应调速方法。

背景技术

矿井通风机是保证煤矿安全生产的关键设备之一，承担着向矿井井下输送新鲜空气、冲淡有害气体的浓度以及带走煤尘的重任。由于需要长时间处于运转状态，再加上主通风机属于大功率设备，其耗电量占煤矿作业总耗电量的比例约为15％-25％，带来了巨大的经济负担。由国家发改委及环保局出台的《煤炭工业节能减排工作意见》中明确提出要强化对矿井通风机的节能改造，合理选配高效节能的局部通风机。因此，智能通风机既需要具有可以根据煤矿现场进行合理控制以满足生产要求的功能，又需节约能源，亦能防止因井下瓦斯浓度超标引起瓦斯爆炸。

传统方法采用对出口阀的开启程度或风叶安装角度进行调节，进而控制风机的风量及压力，虽然有一定的效果，但管道与阀门的摩擦阻力会浪费大量的能量，造成工作效率低下，极大的浪费了电能。随着变频调速技术的引入，通风机工作的节能性有所改善，但根据井下环境自适应调节效果仍不够理想。

发明内容

有鉴于此，本发明提供了一种矿井通风机自适应调速方法，以期达到更好的节能效果。

为实现上述目的，本发明采用如下技术方案，一种用于矿井通风机的神经网络自适应调速方法，包括以下步骤：

步骤一：采用Elman神经网络对矿井通风量进行自适应控制调节，其网络状态表达式为：

X_c(t)＝S(t-1)

y(t)＝g(S(t))

其中，S(t)为隐藏层输出，g为传递函数，U(t)为t时刻输入层的外部输入，X_c(t)为隐藏层自身反馈回来的状态信息，y(t)为网络输出；

步骤二：网络结构的确定：首先，由于矿井通风系统所需供应的通风量受多种因素影响，如风压、转速、瓦斯浓度、频率、温度、振动等因素影响，因此取五个主要因素，即瓦斯浓度、风压、温度、风速、风机转速作为Elman神经网络的输入变量，以控制通风机的转速为输出变量，建立风量影响因素与通风机转速之间的非线性动态映射关系，并根据矿井通风系统实际控制输入量对模型进行随机初始化，设置初始权值、阈值等网络参数、约束条件、最大迭代次数等；

步骤三：训练数据预处理：为了提高Elman神经网络的泛化能力及收敛速度，对步骤二中采集到的通风量影响因素数据进行归一化处理，使其全部映射到[-1,1]之间，公式为：

式中，Z为规格化后的数据，X_min为原始数据最小值，X_max为原始数据最大值，X为原始数据；

步骤四：将步骤三中处理好的样本数据输入到Elman神经网络中进行训练；

步骤五：计算Elman网络实际输出与样本输出值之间的训练误差，求得适应度函数值，并将智能控制系统上一时刻输出值的引入到模型网络的输入层中，以提高模型的实时性；

步骤六：进行自适应GA(IGA)选择、交叉、变异操作，并根据适应度值对GA算法中的变异概率因子P_m进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；