0、前言
球磨機(jī)是當(dāng)前國內(nèi)火電廠制粉系統(tǒng)中使用最多的磨煤設(shè)備，且廣泛應(yīng)用于采礦、冶金等其他行業(yè)。其優(yōu)點是容量大、運行可靠、煤種適應(yīng)性強(qiáng)、維護(hù)簡單、檢修費用低等；缺點是制粉電耗高、控制優(yōu)化難。球磨機(jī)是多變量、非線性、強(qiáng)耦合、大延遲對象，不僅特性復(fù)雜，且變量時變緩慢。目前，球磨機(jī)筒內(nèi)料位缺少有效可靠的檢測手段，一般是由運行人員通過對其數(shù)十個運行參數(shù)的監(jiān)控并結(jié)合平時的運行經(jīng)驗來間接判斷磨煤機(jī)中的料位是否過高或過低。現(xiàn)有的自動控制系統(tǒng)難以長期可靠投用，球磨機(jī)經(jīng)常運行于缺煤或是堵塞的工況，導(dǎo)致制粉電耗偏高。只有保持球磨機(jī)在最佳料位下運行，才能使磨煤過程中的無用功耗降低、提高磨煤效率。并且從保證鍋爐穩(wěn)定燃燒的角度出發(fā)，對其運行狀態(tài)進(jìn)行及時準(zhǔn)確的監(jiān)控亦具有非常重要的意義。因此，對球磨機(jī)料位的監(jiān)測是實現(xiàn)自動控制、運行優(yōu)化、節(jié)能降耗的關(guān)鍵所在。
本文以某大型電廠制粉系統(tǒng)（如圖一所示）中的球磨機(jī)（型號：MT2350/600）為研究對象，設(shè)計了一個基于BP神經(jīng)網(wǎng)絡(luò)的料位監(jiān)測系統(tǒng)。并利用Matlab 7.0強(qiáng)大的數(shù)據(jù)處理功能和其神經(jīng)網(wǎng)絡(luò)工具箱，編制了相應(yīng)的數(shù)據(jù)處理，特征值提取和BP神經(jīng)網(wǎng)絡(luò)的程序，流程圖如圖二所示。其主要功能為：正確監(jiān)測球磨機(jī)的料位狀態(tài)，預(yù)測可能發(fā)生的堵磨及缺煤情況，可以提高球磨機(jī)的運行效率，降低制粉單耗，具有良好的經(jīng)濟(jì)效益。
1、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及料位判定原理
神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)從輸入空間到輸出空間的非線性預(yù)測，即可以檢測出多變量之間的關(guān)系。它能夠識別各種狀態(tài)并對其進(jìn)行分類，這些狀態(tài)與網(wǎng)絡(luò)訓(xùn)練時所使用的數(shù)據(jù)相接近或相似。神經(jīng)網(wǎng)絡(luò)雖不能給出準(zhǔn)確的輸出信息，但所輸出的信息正好能夠接近于最佳答案。利用神經(jīng)網(wǎng)絡(luò)的這些優(yōu)點，可以建立動態(tài)的球磨機(jī)料位監(jiān)測系統(tǒng)。
本系統(tǒng)采用反向傳播模型(Back Propagation Model)，因其很好的逼近非線性映射能力和高度并行處理等，近年來被廣泛應(yīng)用于模式識別、圖像處理、預(yù)測等方面。它是一種多層前饋型網(wǎng)絡(luò)，根據(jù)Kolmogorv定理，給定任何一連續(xù)函數(shù)，都可由一個三層BP網(wǎng)絡(luò)來實現(xiàn)。輸入層與隱層各節(jié)點之間，隱層與輸出層各節(jié)點之間用可調(diào)整的權(quán)值來連接，三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖如圖二所示。其中，輸入層輸入制粉系統(tǒng)的11個運行參量（具體各參量見表一），輸出層輸出對料位高低的判斷結(jié)果。
2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
BP算法的實質(zhì)是一種以網(wǎng)絡(luò)誤差平方和為目標(biāo)函數(shù)，按梯度法求目標(biāo)函數(shù)達(dá)到最小值的算法。F1(·)和F2(·)分別為隱層和輸出層節(jié)點的激活函數(shù)。按照模式的順傳播和誤差的逆?zhèn)鞑シ▌t，網(wǎng)絡(luò)輸入與輸出的關(guān)系為
其中n為輸入層神經(jīng)元個數(shù)；p為隱層神經(jīng)元個數(shù)；yi為輸入層第i個神經(jīng)元與隱層第j個神經(jīng)元之間的權(quán)值；Wkj為隱層第j個神經(jīng)元與輸出層第k個神經(jīng)元之間的權(quán)值；xi為輸入層神經(jīng)元i的輸入；yk為輸出層第k個神經(jīng)元輸出。同時將隱層和輸出層的節(jié)點神經(jīng)元的閾值視為該節(jié)點神經(jīng)元的第0個輸入，而對應(yīng)的權(quán)值為-1。
3、磨煤機(jī)運行中的動態(tài)系統(tǒng)建模
網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目對網(wǎng)絡(luò)有一定的影響，神經(jīng)元數(shù)目太少會造成網(wǎng)絡(luò)的不適性，而數(shù)目太多又會引起網(wǎng)絡(luò)的過適性。所以考慮到網(wǎng)絡(luò)輸入和輸出之間存在的高度的非線性及一般的BP網(wǎng)絡(luò)設(shè)計原則，確定BP網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)為11：23：3，即輸入層、隱層、輸出層分別為11，23，3個節(jié)點，在實際訓(xùn)練中，如果訓(xùn)練結(jié)果不理想，還可以適當(dāng)增加或是減少隱層神經(jīng)元的數(shù)目。隱層節(jié)點的輸出函數(shù)采用Sigmoid函數(shù)，輸出
為100時表示料位過高，010時表示料位正常，001時表示料位過低。
3.1 樣本的選取
因為神經(jīng)網(wǎng)絡(luò)的泛化能力只是具有內(nèi)插功能，對外部數(shù)據(jù)的泛化能力很差，所以訓(xùn)練樣本對的選取對能否經(jīng)由訓(xùn)練得到合理、精確的模型來說是至關(guān)重要的。這里，采集了大量的數(shù)據(jù)，分別來自160、200、250、300 (MW)4個典型負(fù)荷點的工況。
由于選用了S函數(shù)，BP網(wǎng)絡(luò)的輸入節(jié)點物理量各不相同，數(shù)值相差甚遠(yuǎn)，若將這11個分量直接輸入到網(wǎng)絡(luò)中，則網(wǎng)絡(luò)判斷結(jié)果不穩(wěn)定會產(chǎn)生誤判，同時亦為了防止小數(shù)值信息被大數(shù)值信息淹沒，故對樣本對的輸入和輸出數(shù)據(jù)進(jìn)行如下的數(shù)據(jù)規(guī)格化處理。
將采集到的數(shù)據(jù)通過觀察數(shù)據(jù)的頻率分布圖或其他根據(jù)剔除了異常的數(shù)據(jù)對，因為這些會影響到網(wǎng)絡(luò)的學(xué)習(xí)。剩下的數(shù)據(jù)樣本分成2個部分，即訓(xùn)練樣本和測試樣本。這里我們準(zhǔn)備了120組訓(xùn)練樣本對，40組測試樣本對共160組數(shù)據(jù)。
3.2 網(wǎng)絡(luò)的訓(xùn)練
建立了網(wǎng)絡(luò)模型和采集了訓(xùn)練數(shù)據(jù)后，就可以進(jìn)行學(xué)習(xí)了。
首先要對初始參數(shù)賦初值。由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)是否達(dá)到局部最小，是否能夠收斂以及達(dá)到的訓(xùn)練速度的關(guān)系很大。這里取初始權(quán)值為（-1，1）的互不相等的隨機(jī)數(shù)。學(xué)習(xí)速率的選取也很重要，它和負(fù)梯度的乘積決定了權(quán)值和閾值的調(diào)整量，學(xué)習(xí)速率越大則調(diào)整步伐越大，但容易振蕩，這里設(shè)為0. 02。系統(tǒng)平均誤差設(shè)為0.05。
同時在訓(xùn)練過程中，應(yīng)重復(fù)選取多個初始點進(jìn)行訓(xùn)練，以保證訓(xùn)練結(jié)果的全局最優(yōu)性。
3.3 xvl原BP網(wǎng)絡(luò)算法的改進(jìn)
由于在實用中BP算法存在三個主要的缺點[11]，即(1)收斂速度慢；(2)網(wǎng)絡(luò)容錯能力差；(3)容易出現(xiàn)局部最優(yōu)的問題。所以對現(xiàn)有的BP算法進(jìn)行一些改進(jìn)：
1)在加權(quán)系數(shù)調(diào)整時，增加一個慣性（動量）項可以加快收斂速度，加權(quán)系統(tǒng)變化更加平滑，公式如下
式中口是一個常數(shù)，它決定過去權(quán)重的變化對目前權(quán)值變化的影響程度。
2)除了使用附加動量法，還使用具有自適應(yīng)學(xué)習(xí)速率的梯度下降法，能夠增加穩(wěn)定性，提高速度和精度，公式如下：
3.4 網(wǎng)絡(luò)的測試結(jié)果及分析
通過對樣本對的反復(fù)學(xué)習(xí)，系統(tǒng)的誤差達(dá)到了設(shè)計的精度(0.05)，網(wǎng)絡(luò)昀權(quán)值調(diào)整完畢。為了檢驗網(wǎng)絡(luò)的正確性，將測試樣本對輸入網(wǎng)絡(luò)進(jìn)行測試。網(wǎng)絡(luò)對測試數(shù)據(jù)的識別的部分結(jié)果與實際情況的比較如表一所示。
由該表可以看出，網(wǎng)絡(luò)具有一定的泛化能力，在中低負(fù)荷的情況下，其判定結(jié)果的正確率要比運行人員的判斷要好，基本上能達(dá)到所要求的精度。但在高負(fù)荷的情況下準(zhǔn)確率不高。研究表明，是由于在高負(fù)荷的情況下，整個鍋爐系統(tǒng)的運行參數(shù)變化較大，耦合度較高，輸入的數(shù)據(jù)的不能夠完全及時地反映實際運行工況，致使網(wǎng)絡(luò)的誤判率增加。若能與其他傳統(tǒng)監(jiān)測方法相結(jié)合的話，網(wǎng)絡(luò)的容錯性、魯棒性和泛化能力會有進(jìn)一步的提高。
同時由于實際中參數(shù)的數(shù)據(jù)采集或現(xiàn)場測量儀表存在一定誤差，使有些測試樣本的輸入造成網(wǎng)絡(luò)
的輸出誤差，難以達(dá)到訓(xùn)練時誤差要求。
表一 磨煤機(jī)實際運行工況與神經(jīng)網(wǎng)絡(luò)輸出值比較
說明：1、以上參數(shù)系列均為在兩臺制粉系統(tǒng)運行、排粉機(jī)入口風(fēng)門開度不變、給煤機(jī)轉(zhuǎn)速不變的情況下。
2、以上12組數(shù)據(jù)中，“正常”、“缺煤”、“堵塞”各種現(xiàn)象只取了一組數(shù)據(jù)，故障程度適中，實際運行中的參數(shù)變化可能隨具體煤種、調(diào)節(jié)手段、環(huán)境溫度、設(shè)備特性、故障程度等的差異而有所變化。
4 、結(jié)論
由以上仿真可以看出，通過BP神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)的料位進(jìn)行監(jiān)測是切實可行的而且該網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)性、自適應(yīng)性和容錯性，是一種比較實用的方法。
當(dāng)燃用貧煤、無煙煤或其它煤種時，也可用這一網(wǎng)絡(luò)模型，但應(yīng)根據(jù)不同的運行特點，選取關(guān)鍵參數(shù)作為模型的輸入因子，對模型進(jìn)行訓(xùn)練，重新獲取相應(yīng)的模型參數(shù)，以對其運行工況進(jìn)行分析。
若能將BP神經(jīng)網(wǎng)絡(luò)模型與鍋爐控制的DCS建立接口，使其能夠進(jìn)行在線訓(xùn)練，則可對所關(guān)心的這種無法直接測量的重要運行參數(shù)進(jìn)行實時估算，并隨時提供預(yù)測結(jié)果給運行人員進(jìn)行參數(shù)調(diào)整。本文所研究的模型及方法可以應(yīng)用子電廠制粉系統(tǒng)的在線優(yōu)化運行。
三門峽富通新能源銷售球磨機(jī)、雷蒙磨、雷蒙磨粉機(jī)、雷蒙磨配件等。
