綜采工作面大流量智能供液系統研究

司明， 鄔伯藩， 王子謙

（西安科技大學 計算機學院，陜西 西安 710054）

0 引言

供液系統作為綜采工作面的關鍵，為液壓支架和采煤機噴霧降塵提供液壓動力。《中國制造2025-能源裝備實施方案》中明確提出：要朝著向“智能化清潔高效集成供液系統”方向快速發展[1]，重點提升我國綜采工作面自動化開采和供液技術水平。近年來，7 m以上的大采高、超大采高[2-3]液壓支架的快速移架、安全防護、高工作阻力和高初撐力對供液系統的供液流量有了更高的需求，乳化液泵作為供液系統動力源，其供液能力不足是制約大流量供液技術發展的重要瓶頸。綜采工作面供液系統存在供液壓力波動大、壓力控制不精準等問題，無法達到精準供液的要求，因此供液系統穩壓控制技術是供液系統智能化控制技術的主要研究熱點[4]。

在倡導“礦井綠色生態、安全高產高效”理念[5-7]的背景下，許多學者對供液系統供液能力不足和穩壓供液的問題進行了研究。張占東等[8]、楊國來等[9]提出了一種乳化液泵站多泵并聯的流量調節方法，該方法根據液壓支架壓力變化，按需啟動乳化液泵進行供液，以達到穩壓供液目標。石建華等[10]將變頻器加入到乳化液泵站，通過變頻器控制電動機轉速，從而實現乳化液泵的流量與壓力調節。陳偉等[11]提出將電磁卸荷閥與變頻控制相結合的壓力調節方式，把6臺低流量乳化液泵改為2 臺大流量乳化液泵。上述基于多泵協同的控制方法雖在流量調節速度方面響應快，但存在流量控制精度低且不能實現無級調節的問題，加入變頻器對乳化液泵進行改進后，在應對壓力突變特征時，變頻調速執行時間會導致控制動作嚴重滯后。李文華等[12]、王建國等[13]提出了基于模糊PID（Proportion Integral Differential）的供液控制方法，通過模糊PID控制器輸出信號給伺服電動機驅動器，從而調節電動機轉速，改變泵流量。胡相捧等[14]提出了基于神經網絡的供液控制方法，采用梯度下降法和有監督的Hebb學習規則對輸出層和隱含層的權值系數進行調整，從而得到PID控制參數。基于智能算法的控制方法相較于多泵協同控制策略可更精確地調節供液流量，但當乳化液泵為單臺大流量泵時，乳化液泵負載變大，增加了變頻調節時間。

模糊神經網絡（Fuzzy Neural Network，FNN）算法將模糊邏輯與神經網絡相結合，動態響應快，控制精度高，具有較強的魯棒性和適應能力[15]，但易陷入局部極小值。免疫算法（Immune Algorithm，IA）克服了一般尋優過程中不可避免的“早熟”問題，可求得全局最優解。粒子群（Particle Swarm Optimization，PSO）算法是一種基于迭代的優化算法，通過迭代搜尋最優值。因此，本文將IA和PSO算法相結合，得到免疫粒子群（Immune PSO，IPSO）算法，并提出一種免疫粒子群優化模糊神經網絡PID（IPSO-FNN-PID）算法，設計了IPSO-FNN-PID控制器，將該控制器應用于供液系統穩壓控制，可有效減少變頻調節時間，大幅提高流量控制精度，達到供液系統穩壓控制目的。

1 供液系統結構

供液系統主要由智能控制中心、高壓大流量泵站模塊、乳化液配比模塊、水質處理模塊等組成，并通過電控線路和管液回路相互連接，如圖1所示。智能控制中心通過輸出智能策略控制高壓大流量泵站模塊執行乳化液輸出決策，乳化液配比模塊執行配比決策，水質處理模塊執行凈化軟化水的決策。

圖1 供液系統結構Fig. 1 Liquid supply system structure

高壓大流量泵站由控制器、變頻箱、乳化液供液箱、大流量乳化液泵、高壓泵、乳化液泵等組成。當綜采工作面用液時，先變頻驅動乳化液泵進入工作狀態，若不滿足當前用液量，立即啟動工頻驅動大流量乳化液泵組進行供液。乳化液通過乳化液供液箱吸液口進入乳化液泵進行加壓，隨后由出液口向液壓支架供液。高壓泵用于提供大采高工作面高壓初撐壓力，智能控制中心向液壓支架系統發送指令，使乳化液進入液壓支架立柱下腔，從而將頂梁升起，當立柱下腔壓力達到高壓泵工作壓力且頂梁上部接觸到頂板后，高壓泵自動卸載，液控單向閥關閉，使立柱下腔乳化液被封閉，完成液壓支架的初撐階段。

2 乳化液泵近似模型

供液系統供液過程是個非常復雜的動態過程，支架動作時壓力和流量的波動與系統總管壓力、回液腔壓力、支架負載阻力和液壓流經管路、閥件等部件的壓力損失等有關。智能控制中心輸出控制信號到乳化液泵控制器，再由乳化液泵控制器控制乳化液泵輸出流量，因此重點研究乳化液泵近似模型。

在乳化液泵給液壓支架供液時，系統壓力變換分為恒壓和升壓2個階段，將變頻器和異步電動機近似為時間常數為T1的一階慣性環節，乳化液泵供液時恒壓階段壓力保持不變，升壓階段為時間常數為T2的一階慣性環節。系統其他環節（如變頻器調節、壓力檢測等）的時間常數和滯后時間均可等效為比例環節。

乳化液泵的近似模型為

式中：G為傳遞函數；s為壓力調節時間；D1為電動機速度增益；D2為供液系統增益；D3為壓力傳感器增益；τ為供液階段滯后常數。

3 IPSO-FNN-PID算法

IPSO-FNN-PID控制器（圖2）通過IPSO算法優化FNN參數，再利用BP神經網絡算法的自適應特性對輸入參數進行訓練，調整輸出最佳比例系數Kp、積分系數Ki、微分系數Kd，實現穩壓供液。圖2中E為壓力偏差，t為時間，y為流量輸出。

圖2 IPSO-FNN-PID控制器Fig. 2 IPSO-FNN-PID controller

3.1 FNN

3.1.1 FNN結構

FNN結構采用節點數為3-7-7-3的4層神經網絡結構。第1層為輸入層，Kp0，Ki0，Kd0為FNN的3個輸入量；第2層為模糊層，模糊層將輸入變量進行模糊化處理，通過高斯函數表達輸入變量的隸屬度，調整該層的閾值和權值，更改高斯函數的中心向量和寬度向量，進一步獲取不同位置、形狀的隸屬函數；第3層為模糊推理層，將第2層得到的隸屬度兩兩相乘，得到模糊規則的規則強度，再根據劃分的模糊子集確定模糊規則；第4層為輸出層，將優化后的參數Kp，Ki，Kd輸出。

3.1.2 隸屬度函數

以當前壓力偏差E、偏差的變化率EC作為輸入變量，設定E、EC及輸出變量U的7個模糊子集為{負大，負中，負小，零，正小，正中，正大}，簡記為{NB，NM，NS，ZO，PS，PM，PB}。使用高斯函數作為隸屬度函數，量化級分別為[-6, 6]，[-3, 3]，EC和U的隸屬度函數曲線如圖3所示?？煽闯霎斴斎?輸出變量在論域中變動時，輸入/輸出變量的隸屬度越接近于1，表示輸入/輸出變量屬于對應模糊集的程度越高。

圖3 輸入變量和輸出變量的隸屬度函數曲線Fig. 3 Membership function curves of input and output variable

3.1.3 模糊規則

根據系統輸入特性，以消除壓力偏差為目的，根據管理人員的日常經驗及相應準則，歸納整理成模糊規則庫，見表1。

表1 模糊控制規則Table 1 Fuzzy control rules

3.1.4 激活函數

輸入層及模糊推理層激活函數分別為

式中：xo為 第o個輸入變量，o=1，2，3；woj為高斯函數中的第o個輸入變量的第j個模糊集隸屬度函數的均差，j=1，2，…，7； ηoj為標準差。

將模糊化的輸入變量進行兩兩相乘，得到模糊推理層的輸出結果，激活函數為

式中N為模糊集個數。

Kp，Ki，Kd的 輸出為

式中 ω為模糊推理層與輸出層之間的連接權值。

3.2 IPSO算法

將PSO算法與IA相結合可保證粒子群的多元化，加入疫苗接種和良種選擇2種算子，導入待求解問題的先驗知識，可提升算法的全局收斂速度，有效避免陷入局部最優解。用算子優化粒子抗體種群H（n）（n為迭代次數）的流程如下：首先，呈遞抗原，即輸入目標函數和約束條件；其次，通過隨機方法生成初始抗體種群，每個抗體為一個可行解，抗體種群H(0)=[h1(0),h2(0),… ,hl(0)]，l為 粒 子 編 號，l=1，2，…，m，m為粒子總個數；然后，進行疫苗抽取，通過處理問題經驗，抽取抗體內分量的經驗特征；最后，通過適配值衡量抗原與抗體的適應度，判斷是否達到粒子群收斂目標，如未達到粒子群收斂目標，則進行疫苗接種，生成種群Y（n），進一步通過良種選擇生成種群Z（n+1），再進行適配值計算，判斷是否達到收斂目標，依此往復循環，直到粒子群達到收斂目標，算法結束。

為驗證IPSO算法的有效性，在供液過程中選取800組數據作為訓練集，IPSO-FNN算法的初始參數：單個粒子群規模為60，粒子群維數為6，最大迭代次數為400。

IPSO算法尋優粒子位置如圖4所示，（X,Y）為粒子位置坐標。可看出 IPSO算法并無早熟現象，且當迭代次數n為345時，IPSO算法將所有粒子推向全局最優點。

圖4 IPSO算法粒子尋優位置Fig. 4 IPSO algorithm particle optimization position

3.3 IPSO-FNN算法

通過IPSO算法對標準差 ηoj、 均差woj和連接權值 ω進行優化。

設粒子群的粒子數量為Q，將待優化參數看作每個粒子的位置，按行展開可得alk=（ η11， η12， …， ηlk，w11，w12， …，wlk， ω11， ω12， …， ωlk），k為r維向量第k個分量，k=1,2,…,7， IPSO-FNN算法步驟如下。

（1） 對模糊神經網絡進行初始化操作。確定模糊神經網絡連接權值 ω、輸入輸出訓練樣本集、標準差 ηoj和 均 差woj。

（2） 對粒子群算法進行初始化操作并開始尋優。

（3） 通過適應度函數對當前進化代中每個粒子的最優位置qk(n)和迭代過程中每個粒子的最優位置qlk(n)進行評價。

式中：J為粒子適應度值；yzl為第l個粒子第z個輸出節點的期望輸出值；為第l個粒子第z個輸出節點的實際輸出值。

（4） 衡量粒子多樣性。若第n代粒子的多樣性程度div（n）小于設定值δ，說明粒子需要免疫算法來增強多樣性，此時進入免疫算法部分；若div（n）大于設定值δ，則轉入下一步。

式中pb(n)為第n代第b個粒子良種選擇概率。

（5） 更新粒子群參數，判斷最大迭代數，若達到最大迭代數，則輸出qlk(n)，否則轉入步驟（3），直到找到全局最優解。

4 仿真與結果分析

4.1 控制器階躍響應性能驗證

為驗證IPSO-FNN-PID控制器在控制效果上的優勢，選取傳統PID控制器、Fuzzy-PID控制器、FNN-PID控制器作為對照組，在Matlab-Simulink軟件中進行仿真。通過對數據的擬合整理，確定電動機速度增益D1、供液系統增益D2及壓力傳感器增益D3三 者乘積為D=10， 電動機的時間常數T1與升壓階段時間常數T2的 乘積為11，T1與T2之和為60，供液階段滯后常數τ= 2，將上述值代入式（1），可得

PID的3個 輸 出 參 數Kp= 3.215，Ki= 4.583，Kd=4.112，模糊PID的3個輸出參數通過模糊規則進行修正，FNN算法、IPSO-FNN算法均采用反向傳播標準梯度下降法進行訓練，各控制器的階躍響應曲線如圖5所示。可看出IPSO-FNN-PID控制器對乳化液泵的控制效果最佳，其他3種控制器的上升時間tr、 峰值時間tp及 調節時間ts比IPSO-FNN-PID控制器長，最大超調量 σ均大于IPSO-FNN-PID控制器。

圖5 各控制器階躍響應曲線Fig. 5 Step response curve of each controller

在實際工作環境中，供液流量會受到未知條件干擾和影響，為了驗證IPSO-FNN-PID控制器的魯棒性，在系統運行6 s時給4種控制器加入擾動，4種控制器的擾動仿真結果如圖6所示?？煽闯鲈诩尤霐_動信號后，IPSO-FNN-PID控制器具有較好的自適應性和魯棒性，恢復到平穩狀態僅用了1.2 s，能及時地起到控制作用。

圖6 各控制器擾動仿真結果Fig. 6 Disturbance simulation results of each controller

4.2 控制器動態性能驗證

各算法PID控制參數包括：Kp，Ki，Kd，動態性能指標包括最大超調量 σ、上升時間tr、 峰值時間tp及調節時間ts，見表2。

表2 各控制器PID控制參數及動態特性比較Table 2 Comparison of PID control parameters and dynamic characteristics of each controller

由表2可得：

（1） 采用傳統PID控制器對乳化液泵進行控制時，振蕩幅度明顯，調節時間過長且最大超調量達41.2%，在受到外界干擾情況下，振蕩幅度較大且收斂較慢。

（2） 采用Fuzzy-PID控制器對乳化液泵進行控制時，最大超調量為22.3%，在受到擾動信號干擾時，振蕩雖略有減弱，但趨于平緩時間與傳統PID控制器趨于平緩時間基本相同，所以采用模糊PID控制器依舊存在很大問題。

（3） 采用FNN-PID控制器對乳化液泵進行控制時，調節時間縮短至2.68 s，這是因為在FNN-PID控制器中加入了模糊控制的過程，導致控制精度增加，但同時增加了計算量和網絡的復雜度，在接收到擾動信號時，振蕩明顯減弱，收斂速度也略有提升。

（4） 采用IPSO-FNN-PID控制器對乳化液泵進行控制時，系統的最大超調量為5.22%，曲線接近理想狀態，幾乎無振蕩，調節時間為2.61 s，系統很快進入穩定狀態。這是因為在IPSO-FNN-PID控制器中加入了模糊控制及IA，保證了粒子的多樣性，同時引入疫苗接種和良種選擇2種算子，進而導入待求解問題的先驗知識，可提升算法的全局收斂速度，避免了模糊過程中帶來的冗余計算量，加快了網絡收斂速度，可盡快抑制系統的超調量。在受到擾動信號時，負載干擾對IPSO-FNN-PID控制器的影響較小，且控制器收斂迅速，魯棒性大大提升，表明IPSOFNN-PID控制器具備良好的抗擾動及擾動補償能力，可滿足供液系統的穩壓控制要求。

5 結論

（1） 為了更好滿足綜采工作面供液系統的控制需求，提出了一種IPSO-FNN-PID算法。針對FNN算法易陷入局部尋優問題，引入PSO算法，同時在PSO算法中加入IA的疫苗接種和良種選擇2種算子，通過疫苗接種生成種群Y（n），進一步通過良種選擇生成Z（n+1）代種群，以提高PSO算法的收斂性，達到優化FNN算法的目的，實現最優Kp，Ki，Kd參數輸出。

（2） IPSO-FNN-PID控制器對乳化液泵的控制效果最佳，PID，Fuzzy-PID，FNN-PID控制器的上升時間、峰值時間和調節時間比IPSO-FNN-PID控制器長，最大超調量均大于IPSO-FNN-PID控制器。

（3） 以乳化液泵的數學模型作為控制對象，在系統運行6 s時給PID，Fuzzy-PID，FNN-PID和IPSOFNN-PID 控制器加入擾動，IPSO-FNN-PID控制器具有更好的自適應性和魯棒性，恢復到平穩狀態僅用了1.2 s，能及時地起到控制作用。

（4） 采用IPSO-FNN-PID控制器對乳化液泵進行控制時，幾乎無振蕩，超調量僅為5.22%，調節時間縮短至2.61 s，遇到干擾信號時穩定性更強，且收斂迅速，魯棒性大大提升，表明IPSO-FNN-PID控制器具備良好的抗擾動及擾動補償能力，可滿足供液系統的穩壓控制要求。