一种用于矿井通风机的神经网络自适应调速方法技术

本发明专利技术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。

Neural network adaptive speed regulating method for mine ventilator

The invention relates to a method for neural network adaptive control method, the mine ventilator includes: using gas concentration sensor, pressure sensor, laser tachometer measuring concentration of gas, wind pressure, motor speed and fan flow impact parameter information, and using the excellent nonlinear mapping ability of neural network, the nonlinear mapping relationship between fan speed factors and the effect of air volume, gain adaptive control model of mine ventilator. By using Elman neural network and adaptive genetic optimization method, combined with variable frequency speed regulation technology, the technical scheme realizes the accurate control of air flow of mine ventilator. The method has the advantages of fast convergence, high accuracy and good stability. It can save energy while achieving the required air flow.

【技术实现步骤摘要】
一种用于矿井通风机的神经网络自适应调速方法
本专利技术涉及矿井通风机智能控制
，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。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术采用如下技术方案，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：Xc(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，Xc(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，Xmin为原始数据最小值，Xmax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Pm进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；步骤七：根据终止条件计算完成后，得到最优的IGA-ENN耦合模型，并利用其对测试集进行训练。当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：X＝Z(Xmax-Xmin)+Xmin由此得到最优的通风机转速控制模型。所述步骤六中的对变异概率因子进行自适应选择公式为：式中，favg、fmax分别为适应度平均值及最大值，fa为要进行变异操作的染色体个体的适应度值。优选地，所述步骤五的适应度函数为：其中，为系统在t时刻N个数据样本的期望输出，y(t)为系统实际输出。进一步优选地，所述步骤六的自适应GA优化方法Elman神经网络参数过程为：1)随机初始化种群。种群规模M，D＝(D1,D2,...,DM)T，设定数据取值范围并利用插值法选取个体的一组实数集作为染色体，为使Elman网络的权值、阈值有较好的精度，选取二进制编码方式对染色体组进行编码组成基因组；2)设置自适应GA个体适应度函数。利用自适应GA算法的适应度函数计算出的种群D中每代个体的适用度值对个体进行筛选，最大进化次数为G；3)对种群个体进行选择运算。根据转盘策略，并以个体Di的适应度值选择遗传算子，则选择运算公式为：4)随机将种群中两个个体进行基因交换，产生新个体组成新种群，则交叉运算公式为：式中，Dmi表示第i位第m个染色体，将其与Dni进行基因交换，生成新的个体μ1、μ2为随机数，范围在[0,1]；5)将新个体的某些基因位进行替换，进行变异运算，公式为：式中，Dil表示基因位，Dil'为变异后的基因位，Dmax、Dmin表示Dil的上下确界，h为当前迭代次数，r∈[0,1]为随机数；6)当运算满足设定的最大迭代次数或者个体最优适应度值达到上限等约束条件时，自适应GA算法停止并输出最优解，且将最优解作为Elman神经网络的权值、阈值，否则返回3)。进一步优选地，所述自适应GA算法适应度函数为：式中，Ym(t)、YNm(t)为t时刻第m个样本相应的实际输出值及经耦合模型训练后的输出值。有益效果1、本专利技术基于矿井通风系统具有受多种因素的影响、难以进行准确的描述等特点，结合瓦斯浓度、风机转速、压力等影响因素，并利用变频调速技术，提出了一种基于自适应GA耦合Elman神经网络的矿井通风机智能调速方法，使风机可根据工况，自动调节通风机的转速，合理的控制输出风量，以达到对风量供需平衡的目的。2、按照本专利技术专利所提供的方法训练出的风机的控制转速使得矿井通风机可根据风量影响因素自适应调节风量，从而提高控制效率及准确性的同时达到节能的目的。3、本专利技术所提供的方法适用于复杂的、非线性、时变性、多耦合的矿井通风量自适应调节动态过程。4、本专利技术中步骤六中根据适应度值对GA算法中的变异概率因子Pm进行自适应选择，增强了遗传算法局部与全局搜索能力，提高了GA算法的精度。附图说明图1为本技术方案的工作原理示意图；图2为通风机调速控制模型结构图。具体实施方式下面将结合图1、图2，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种矿井通风机调速方法，以期达到更好的节能效果。为实现上述目的，本专利技术采用如下技术方案，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：Xc(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，Xc(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神经网本文档来自技高网...

【技术保护点】
一种用于矿井通风机的神经网络自适应调速方法，其特征在于，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：

【技术特征摘要】
1.一种用于矿井通风机的神经网络自适应调速方法，其特征在于，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：Xc(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，Xc(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，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；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，Xmin为原始数据最小值，Xmax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Pm进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；步骤七：根据终止条件计算完成后，得到最优的IGA-ENN耦合模型，并利用其对测试集进行训练。当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：X＝Z(Xmax-Xmin)+Xmin由此得到最优的通风机转速控制模型；所述步骤六中的对变异概率因子进行自适应选择公式为：式中，favg、fmax分别为适应度平均值及最大值，fa为要进行变异操作的染色体个体的适应度值。2.如权利要求1所述的方法，其特征在于，所述步骤五的适应度函数为：

【专利技术属性】
技术研发人员：李文华，杨子凝，柴博，张圣孝，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁,21