圓形煤場堆取料機智能控制策略的改進

鄒宜金，林宇華，郭凱旋，岳益鋒，高 偉，程永林，焦 莉，曲金星

（1.福建華電可門發電有限公司，福建 福州 350000；2.華電電力科學研究院有限公司，浙江 杭州 310030）

一直以來國內煤場的堆取料作業主要依靠人工操作現場堆取料設備完成，其主要原因為煤場面積大，無法提供作業煤堆的實時輪廓，部分具有煤堆三維數據的煤場，堆取料機無法和煤堆三維圖像進行交互，完成自動高效的堆取料作業。

在國外，自動堆取料作業研究較早，技術先進的國家經過試驗改造已完成了自動堆取料功能，在煤場底層設備安裝傳感設備并成功上線了自動控制系統。在日本，大田七尾發電成功應用半自動遠程控制的堆取料機。而位于荷蘭的鹿特丹港和德國的漢莎港都成功應用了無人值守的全自動控制的堆取料機，但其無人值守堆取料由于僅應用的激光掃描的方式對料堆進行識別，并未采用點云數據對堆取料機作業點進行精確定位，也沒有實時掃描并與堆取料策略交互。

國內的堆取料機自動控制研究，雖然近幾年研發了堆取料作業自動控制裝置，可以通過PLC 控制實現堆取料自動化，并有HMI 操作界面，但檢測料堆與大臂間的距離、精確定位、根據實際堆料情況計算料堆參數并給出針對煤種的作業參數，這些技術很難實現自動化，以上參數大多依靠堆取料司機人工調整。在料堆形狀不規則時無法自動尋找作業開層點、作業過程中無法實時判斷作業模式是否高效合理、作業時無法根據實際煤種進行作業參數調整，這也是造成燃煤電廠的堆取料作業一直為人工手動操作的最大原因。

為了對自動控制系統進行性能優化，目前傳感設備對煤場存煤情況的自動實時監測成為研究熱點，采用自動控制系統可以改善就地操作人員的工作環境。隨著三維重建技術與自動化技術的不斷發展，自動堆取料無人值守系統逐漸在煤場得到廣泛應用。我國的港口曾經采用微波雷達檢測、超聲波檢測、懸掛式傾斜開關檢測、單點式激光測距開關檢測、紅外線檢測等技術。但上述技術沒有針對不同煤場進行定制化建模，存在很多缺陷，由于三維數據無法與堆取料機自動控制系統實時交互，缺乏對堆料空隙、取料修坡以及堆料流量的檢測能力，并且還需要時常根據任務內容調整作業參數，故無法與PLC 配合實現真正意義上的無人化堆取料控制。

1 現有堆取料機自動控制功能與不足

1.1 現有自動控制系統功能

目前已經應用的堆取料機控制系統軟件界面可呈現激光盤煤儀三維成像的煤場三維模型，通過人工手動輸入作業起始點并下發給PLC 進行自動控制。堆取料自動控制過程中，激光掃描儀只在作業開始前后進行煤場整體掃描，為控制系統提供料場數據，作業過程中不再動作。自動堆取料控制采用固定模式作業，即堆料回轉角度、取料下俯角度回轉速度等參數均為固定值。而針對不同煤種，需在作業前憑經驗人工修改控制參數。作業過程不包括補堆功能、不包括邊界取料控制、取料恒流量控制等功能。控制軟件可實現設備狀態的展示、三維模型分析、參數修改等功能，但系統為獨立系統，并未與輸煤程控管理信息系統進行數據交互，管理數據需通過人工手動錄入。

1.2 現有控制系統的不足

（1）堆取煤計劃需人為制定與執行：目前堆取煤計劃制定所依據的信息為人工繪制的存煤圖和人工摻配經驗，沒有融合存煤數量、品質、位置、溫度及煤場堆形等數字化煤場信息系統作為支撐，更沒有摻配評價系統為摻配工作提供指導。軟件不能自動計算作業起始及結束坐標，需人工制定并輸入，無法做到全過程無人化干預。

（2）控制參數無法自動實時調整：功能比較基礎、簡單，作業模式固定，僅能實現智能控制的基礎功能。整個堆取料自動控制過程激光掃描儀無法進行實時掃描及建模，沒有實時與堆取料機進行數據交互。由于沒有前端作業過程中的實時掃描的支撐，導致作業過程中不能根據堆取料的實際情況進行過程參數的自動調整，降低了料場的利用率及作業效率。

（3）無法針對不同煤種調整控制方式：沒有針對不同煤種的自然堆積角計算的不同限高以及回轉角度，或自然堆積角只取決于理論數值，不會針對實際情況調整限高、回轉角度，導致場地利用率低或燃料溢出到擋墻以外，造成污染。

2 改進的堆料自動控制方法

改進的控制系統結合煤場動態三維模型和堆取料機自動定位系統的實時數據，根據當前具體的堆取料需求，與煤質數據庫實現數據互通，根據不同煤種煤質數據給出堆取料機控制參數，規劃出堆取料大臂作業的回轉范圍，并將相關參數發送至堆取料機PLC 控制堆取料機進行堆料作業。

堆料過程作業優化方案：

S1：作業開始前，激光掃描儀對煤場進行整體掃描，得到煤場三維模型圖，通過點云數據計算，自動給出堆料起始位置坐標。

S2：激光掃描儀將通過智能算法計算得到的堆料起始坐標θ1、結束坐標θ2，并通過以太網通訊下發給PLC 控制系統，PLC 控制堆取料機動作，使堆取料機開始對位。

S3：堆取料機對位完成，進行定點堆料，啟動激光掃描儀并進行三維成像，根據實時形成的三維圖像自動計算出當前所堆煤種的自然堆積角α，為了使燃料不溢出到擋墻以外，又可最大程度地利用場地，如圖1 所示，限高H 計算公式為：

其中h1為擋墻高度，r0為堆料臂到擋墻距離，H0為最大限高。

若計算得到的HH0，則本次堆料限高為H0。根據堆料臂上安裝的超聲測距儀測得的料堆高度，堆料高度至限高H，定點堆料結束。

圖1 料堆與擋墻高度示意圖

S4：定點堆料結束后，堆料臂回轉一定角度并繼續定點堆料，重復S3 動作。回轉角度θ0根據不同料種有不同的計算公式。設定v 型空隙高度為1/8H，兩料堆定點距離為d，則

S5：在自動堆料過程中應將兩煤堆之間的v 型空隙填滿，保證同一區域的料堆頂面為一個平面，此時堆料臂在θ1+nθ0與θ1+（n+1）θ0之間回轉堆料，需要三維掃描儀的實時建模數據判斷補堆是否結束，并給出指令進行后續堆煤動作。

S6：若補堆結束，判斷堆料是否已到達結束地址或激光掃描儀實時判斷接近結束邊界位置或燃料全部卸完。

S7：在自動堆料控制中，系統需實時獲取堆料臂的位置，并與三維模型實時交互，檢測料堆的邊界位置坐標與結束作業地址間的距離。若料堆已接近作業結束地址，中控室控制畫面將提示報警信息，同時控制系統自動計算已堆料作業量及剩余空間內可堆積的最大體積。操作人員判斷是否可以繼續堆料作業直到結束，若滿足，則系統自動將剩余煤堆積完成；若不滿足，操作人員暫停自動堆料操作，重新啟用新地址區域開始對料作業，并下發給堆取料機。

其堆料過程作業參數優化流程如圖2 所示：

圖2 堆料過程作業參數優化流程

3 改進的取料自動控制方法

圓形煤場刮板取料過程為：取料臂行走小車圍繞中心立柱左右回轉，帶動取料刮板運作，啟動刮板機構并俯仰至一定角度，利用這些做著往復運動的刮板將物料逐層刮落至下部中央漏斗處，漏斗將物料轉運至地面皮帶機，并啟動地面皮帶系統將物料運至原煤倉。

取料過程作業優化方案：

S1：通過與摻配煤系統以及燃料管理系統集成，系統能夠通過數據接口從信息管理系統接受當班作業計劃（作業計劃包括起止位置、煤種取煤噸位、取煤流量等信息）系統啟動自動取料作業模式，堆取料機進入自動取料狀態。

S2：取料作業任務下發后，取料機滿足自動對位要求，調用三維成像模型進行切入點計算，三維成像模型調用無人化系統堆料時，存儲在數據庫的料堆三維數據，對目標料堆進行三維計算，分析取料切入點位置，并將位置信息反饋給取料模型，開始自動對位。堆取料機上本地PLC 收到目標地址信息后，結合取料臂初始位，刮板取料臂上仰到最大角度，如果是大范圍回轉經過無料區域，回轉快速運行，當取料臂運行到進入料堆區域則減速為工作低速，直至實際位置信號與給定位置吻合，定位完成。

S3：取料作業開始之前根據取料切入點判斷料堆是否開過層，開過層的煤堆需在激光點云數據中有記錄，且進入步驟S5；未開層的煤堆進入步驟S4 的修坡過程。PLC 根據激光掃描儀給出的坐標H 確定取料臂的俯仰角γ 并進行下俯，取料臂長為R0，

S4：未開層的新料堆底層與中心柱有一段距離，需要進行修坡作業。修坡過程中，激光掃描儀提供的料堆數據起到關鍵作用，可以選取讀取煤堆多點的數據與取料臂俯仰角度進行比較，來判定修坡完成情況。隨著物料被刮向中心料斗，料堆山峰被逐漸削掉，山腳和中心料斗之間空間被逐漸填平。修坡完成的依據是激光掃描儀實時計算料堆頭部、中部、尾部等所組成的直線角度數據，并與堆取料機PLC 實時交互，PLC 判斷物料坡度數據與取料臂俯仰角度接近，并且，判斷已有煤落入皮帶（皮帶電流瞬間增大），此時修坡結束。進入步驟S5。

S5：刮板運行與俯仰機構組合，進行分層取料，用刮板俯仰控制進行分層，利用俯仰傳感器對取料臂俯仰角度進行定位。在開始取料時，首先進行最高層取料，取料臂下俯至三維模型定位的俯仰角度至煤堆表面，啟動刮板，行走小車驅動取料臂回轉，開始第一層取料作業；隨即，取料臂按照數據庫中取料煤種的特性參數調整下俯角度，進行下一層取料，以此類推，逐層取料。取料過程中，為了精準地控制取料臂的運動軌跡，取料恒流量系統控制的設計采用改進的PID 神經元網絡解耦取料恒流量控制方案對目標量進行跟蹤。

（1）刮板電流與皮帶秤關系擬合。將測得的實時刮板電機電流獲得實時取料量值作為系統的反饋值，并建立兩者之間的數學關系，采用BP 神經網絡的非線性函數擬合的方法確定關系曲線y=f（x，α，ρ，ω）。其中，α 為堆積角，ρ 為堆比重，w 為水分，x 為皮帶秤示數。算法流程如圖3 所示。

BP 神經網絡結構確定為4 輸入，1 輸出，隱含層有5個節點，因此BP 神經網絡結構為4-5-1。

（2）PID 神經元網絡結構。本文選取的三個控制量的PID 神經網絡有3 個并列的子網絡，網絡權值的作用是將子網絡相互聯系在一起。各子網絡的輸入神經元分別為接受控制的目標值和當前值。每個子網絡各有比例、積分、微分控制。網絡拓撲結構如圖4 所示：

圖3 BP 神經網絡擬合建模流程圖

圖4 PID 神經元網絡拓撲結構圖

圖中，X11，X21，X31是控制量的目標值，即俯仰鋼絲繩拉力、刮板電流和大臂回轉電流；X12，X22，X32是控制量的當前值；Y1，Y2，Y3是通過PID 神經元網絡計算得到的控制規律；ωsij，ωsjk是網絡權值。

輸入層的神經元，輸出數據xsi（k）=Xsi（k）

隱含層包含9 個神經元，計算公式為

隱層的神經元輸出公式如下：

以上公式中，h 為輸出層神經元序號；s 為子網的序號，s=1，2，3；i 表示輸入層神經元節點的標識號，i=1，2；表示所述隱含層神經元組中神經元節點的標識號，j=1，2，3；usj（k）為隱含層各神經元輸出值；xsi（k）為各子網輸入層神經元輸出值；ωsij為各子網絡輸入層至隱含層的連接權重，ωsjk為隱含層至輸出層的連接權重值。

取料過程參數優化流程如圖5 所示：

圖5 取料過程參數優化流程圖

4 改進控制策略的優勢

基于點云數據的圓形煤倉建模與作業控制參數優化，利用馬道上固定的三維掃描儀實時對煤堆形態進行動態實時三維建模，實現刮板堆取料機依據三維建模數據與不同煤種煤質優化控制參數。同時，將模型測量的煤堆關鍵信息，如三維模型圖、煤堆體積、質量等關鍵數據提供給煤場管理系統。

通過三維模型的實時空間數據，計算起始料堆的實時自然堆積角；并利用實時自然堆積角和煤場的實時空間數據，計算煤場能夠堆積此料堆的最高高度，并進行控制參數的調整，控制預設限高、堆料回轉角度。精準控制堆料限高，避免料堆溢出擋墻造成污染，同時調整回轉角度也可以最大程度利用場地，提高場地利用率。

增加自動擋控制的補堆過程，通過實時三維模型對煤堆間空隙進行智能判斷，并自動精準定位到煤堆空隙進行補堆操作。通過掃描模型實時判斷是否完成補堆過程以及是否到達堆料邊界，并給予報警。

取料過程中激光掃描儀以模型數據呈現的角度實時判斷是否完成修坡過程。加入取料臂回轉速度、俯仰角度、刮板速度為控制量，采用改進的PID 神經元網絡解耦控制算法，根據不同煤種擬合出刮板電流與皮帶秤顯示數值的具體關系式，更精確、快速的控制取料流量，并包含邊界取料策略，使整個取料過程更高效、安全。

改進的PID 神經元網絡解耦取料恒流量控制效果如下圖6 所示。可以看出，改進的PID 神經元網絡控制方案對取料恒流量控制取得了滿意的效果，控制量可以快速接近控制目標，且響應時間較短。

圖6 改進的PID 神經元網絡控制結果

在作業過程中掃描儀進行實時建模并與PLC 進行數據交互，根據不同煤種與實際情況調整作業參數，如堆料限高、回轉角度，補堆完成判斷、修坡完成判斷、邊界判斷，以提高作業效率，提高場地利用率，提高作業穩定性，增加安全性。

5 結論

改進控制方案采用固定式激光盤煤儀進行實時掃描，在作業過程中實時建模并與PLC 進行數據交互。在堆料過程中，定點堆料初期利用激光掃描儀計算實際自然堆積角，并利用此參數計算相應堆料限高、堆料回轉角度。掃描儀實時判斷是否完成補堆過程以及是否到達堆料邊界，并給予報警。取料過程中，激光掃描儀以模型數據呈現的角度實時判斷是否完成修坡過程。

優化的控制方案可根據不同煤種與實際情況調整作業參數，如堆料限高、回轉角度，補堆完成判斷、修坡完成判斷，邊界判斷，以提高作業效率，提高場地利用率，提高作業穩定性，增加安全性。