煤礦工作面需風量預測及通風機智能調速控制

石永寬

（西山煤電西銘礦， 山西 太原 030052）

0 引言

通風機為煤礦綜采工作面的核心設備，其主要功能為降低綜采工作面的粉塵、瓦斯濃度，并對工作面的溫濕度進行調節控制，以保證綜采工作面人員和設備處于一個相對舒適、干凈且安全的工作環境中。在實際生產中，煤礦綜采工作面的需風量處于動態變化狀態。因此，根據工作面的實時需風量對通風機設備進行智能調速控制，以保證通風量與需風量的相互匹配，不僅有利于工作面的安全生產，而且對于通風機的節能運行具有重要意義。

1 工程概況

本文所研究的具體通風機類型為局部通風機，該局部通風機主要對某掘進工作面的通風進行調節控制。該掘進工作面屬于獨頭巷道，在實際掘進過程中會在現場產生相應的瓦斯、二氧化碳等有害氣體，在局部通風機的作用下將新鮮空氣注入其中，稀釋并排出現場的有害氣體[1-2]。

根據通風機結構的不同可將其分為壓入式通風機和軸流式通風機，對應的通風方式包括有壓入式通風、抽出式通風和混合式通風三種[3-4]。本文所研究局部通風機的具體型號為FBCDNO.7.5，該型通風機屬于對旋式局部通風機，具體參數如表1 所示。

表1 FBCDNO.7.5 對旋式局部通風機參數

根據通風機的慣性環節參數，并結合表1 中FBCDNO.7.5 對旋式軸流通風機的具體參數，其在額定狀態對應的通風量為625 m3/min，可以得出其在不同轉速條件下對應的通風量計算如式（1）所示：

式中：Q2為通風機的實時通風量；n2為通風機電動機的實時轉速。

2 工作面需風量的預測

對于某個實際工作的工作面而言，工作面的需風量在很大程度上與實際掘進過程中所涌出的瓦斯、二氧化碳等有害氣體的量相關，對應的計算如式（2）所示：

式中：Q 為工作面的實際需風量；q 為工作面瓦斯或二氧化碳的實際涌出量；K1為工作面瓦斯或二氧化碳涌出的不均勻的備用風量系數；K2為工作面瓦斯質量分數不超過1%或二氧化碳質量分數不超過1.5%的換算系數。

目前，工作面通風機運行主要面臨的問題在于無法根據工作面的實時需風量對通風機的運行參數進行調節控制，不僅造成電能的浪費，更重要的是還存在通風機供風與實際工作面需風不相匹配的問題，從而導致在工作面存在瓦斯或二氧化碳急劇的問題，嚴重威脅工作面的安全生產。鑒于此，本文將基于神經網絡算法對工作面通風機的需風量進行預測，并對通風機的運行狀態進行提前控制。

2.1 工作面需風量預測過程

在實際生產中，工作面需風量在很大程度上與現場的瓦斯涌出量、煤塵濃度以及溫濕度等指標相關，而且需風量與上述參數之間的關系一般相對復雜，為此采用GA 的神經網絡算法對需風量進行精準預測。

1）基于GA 算法優化的神經網絡模型，設計以時間為主線的1 個輸入量節點，以瓦斯濃度、煤塵濃度、溫濕度和需風量為5 個輸出量節點。

2）將所采集的研究對象工作面需風量、瓦斯濃度、粉塵濃度以及溫濕度的樣本進行歸一化操作處理，并設置相應的變量取值范圍。

3）基于神經網絡算法對樣本數據進行優化訓練。

4）將上述訓練好的網絡進行存儲以備使用，并基于準備好的訓練樣本為基礎對下一階段需風量進行預測，并對預測結果與原始測量值進行對比，以驗證上述模型的準確性。

5）重復上述2）—4）的步驟，通過不斷迭代對訓練網絡進行不斷的優化，以保證預測值與實測值的誤差達到最小，最終得到通風量預測的模型。

2.2 工作面需風量預測結果

基于上述所設計的神經網絡算法對需風量進行預測，并將預測結果與實際風量的測定值進行對比，對比結果如表2 所示。

表2 工作面需風量預測結果

如表2 所示，上述5 個序列中需風量預測在5 min 內完成的，即基于該算法可對5 min 后工作面的需風量進行預測，進而基于通風機智能調速控制策略實現對通風量的控制，達到了對工作面風量實時控制的目的。

3 工作面通風機的智能調速控制

傳統針對工作面通風機控制的主要方式為手動通過擋風板和導向器對其風量進行調節，此種風量調節方式不僅自動化程度較低，而且還導致大量的電能浪費，而且控制存在延遲現象。基于可對工作面通風量精準提前預測的基礎上，本文將基于模糊控制算法為核心對通風機進行調速控制，調速控制方式采用變頻手段實現。

根據T-S 神經網絡的控制原理結構并基于Simulink 軟件建立工作面通風機智能調速控制的T-S神經網絡控制模型，如圖1 所示。

圖1 T-S 神經網絡控制模型

如圖1 所示，上述神經網絡控制模型的核心控制器為PID 控制器，主要思路為采用T-S 神經網絡算法對PID 控制器中的系數進行調節控制。根據本文所研究局部通風機的具體參數和使用工況，確定控制器中比例環節系數為0.1，微分環節系數為0.000 5，積分環節系數為24。

對T-S 神經網絡控制算法對應的控制效果進行仿真，仿真結果如圖2 所示。

圖2 T-S 神經網絡控制系統控制效果

如圖2 所示，通風機在10 s、20 s 和30 s 三個時刻點分別根據現場情況對通風機進行調速控制，在仿真過程中系統可對通風機的供風量進行實時控制，而且每次風量調節延時僅為2 s。而且，與傳統PID 控制方式對比，基于T-S 神經網絡控制系統具有調節時間快、超調量小以及供風穩定的優勢。

4 結論

通風機為煤礦生產中的核心設備，其主要作用是為工作面人員和設備提供一個相對穩定、干凈、舒適且安全的環境，對于煤礦高效、安全生產具有重要意義。本文工作面需風量預測和通風機的智能調速控制展開研究，并總結如下：

1）采用GA 優化的神經網絡對構建需風量預測的模型，并通過不斷迭代對模型網絡進行優化，最終實現了可對5 min 后工作面需風量精準預測的功能。

2）采用T-S 神經網絡算法對PID 控制器的系數進行調節，從而實現了對通風機供風量的實時、精準控制的目的。