煤礦帶式輸送機能耗影響因素分析及節能設計研究

摘 要：煤礦帶式輸送機具有運量大、能耗高的特點，為了實現低碳生產，首先分析了造成輸送機高能耗的原因，確定了煤流量和運行速度2個主因。其次，利用BP神經網絡算法構建輸送機節能控制模型，將煤流量和運行速度作為輸入層節點，電機工作頻率作為輸出層節點，并且運用改進粒子群算法優化節能控制模型中的權重和閾值，提高了模型的收斂速度，降低了模型對訓練數據的要求，借助該控制模型獲得不同煤流量下的最佳帶速取值。最后，從工程應用的角度出發，通過模糊控制器將節能控制模型引入帶式輸送機的控制系統，實現了算法落地。

關鍵詞：煤礦帶式輸送機；能耗影響因素；節能設計

中圖分類號：TD 63" 文獻標志碼：A

煤礦帶式輸送機節能控制屬于較復雜的系統性問題，其影響因素較多，需要確定主要因素和次要因素，再根據主因制定節能運行方案。神經網絡算法用于分析、解決復雜問題，能夠通過數據訓練建立能耗影響因素和電機工作頻率之間的最優關系，因此利用這類算法設計節能控制模型。

1 煤礦帶式輸送機能耗影響因素分析

1.1 煤礦帶式輸送機的結構及工作原理

1.1.1 結構組成

帶式輸送機的主要結構包括機架、轉向滾筒、驅動滾筒、托輥、卸料漏斗、張緊裝置以及傳送帶等，其動力裝置為電機，通過減速器、制動器控制速度[1]。托輥為傳送帶及物料提供支撐力。張緊裝置的作用是防止皮帶張力不足。驅動滾筒將電機產生的機械能轉化為皮帶的動能，轉向滾筒能夠控制皮帶的轉動方向。

1.1.2 工作原理

在帶式輸送機中的前后端分別設置驅動滾筒和轉向滾筒，傳送帶為環形封閉結構，套在滾筒外側，并且滾筒和傳送帶之間緊密貼合，形成了較大的摩擦力。當電機產生的動力作用在驅動滾筒時，滾筒轉動，再由摩擦力帶動傳送帶[2]。顯然，只有當滾筒和傳送帶的摩擦力小于驅動滾筒的轉動力時，才能確保傳送帶不打滑，并完成物料輸送任務。

1.2 能耗影響因素分析

1.2.1 運行阻力分析

1.2.1.1 基本阻力

傳送帶系統運行時受多種阻力影響，降低傳送效率及設備壽命。基本阻力主要來源于傳送帶與托輥、煤炭物料間的摩擦力。這些摩擦力導致傳送帶速度降低、能量損失并產生熱量，加劇磨損，影響使用壽命。

1.2.1.2 傾斜阻力

帶式輸送機易受環境和地基的影響，形成傾角，產生傾斜阻力。輸送帶與傳動滾筒間摩擦力分布不均也是傾斜阻力原因之一，導致輸送帶磨損加劇，縮短使用壽命。

1.2.1.3 附加阻力

工業生產中，附加阻力主要來源于驅動滾筒、改向滾筒和落料區。驅動滾筒受物料摩擦力、自身慣性和外部環境的影響；改向滾筒需要克服物料慣性和外部環境的影響；落料區物料受重力作用產生阻力，影響物料下降速度和生產線的運行效率[3]。

1.2.2 造成功率消耗的主要影響因素

在煤礦開采過程中，隨著掘進面不斷深入，帶式輸送機的傳輸距離持續增加，能耗呈快速增長的趨勢。以大運量、高轉速、長距離的帶式輸送機為研究對象，造成其功率消耗的影響因素如下。

1.2.2.1 確定主要因素

將帶式輸送機的牽引力記為F，如公式（1）所示。

（1）

式中：Wk為帶式輸送機在回程段的基本阻力；Wz為承重段的基本阻力；Wq為輸送機的傾斜阻力；f0i為關于輸送機速度的系數；ci為與輸送機速度有關的系數；v為輸送機的傳輸速度；li為輸送帶的長度；g為重力加速度；qi'為托輥的旋轉線密度；q為煤炭物料的線密度，并且有q=Q/3.6v（Q為煤流量）；qi\"為回程段托輥組的旋轉線密度；qd為輸送帶的線密度；βi為巷道的傾角。

在計算出牽引力F后，可按照P=Fv得到帶式輸送機的功率（P為功率）[4]。

例如，某煤礦購入的帶式輸送機，工作人員根據公式（1）計算器能耗（見表1）。

假設煤流量Q=500，輸送機的輸送量為500/3600。kg/h，即輸送機的輸送量為0.1389kg/s，q=0.1389/3.6×2.5=0.0198kg/m，計算重力牽引力為0.0198×1000×cos（5°）=188.6N；摩擦力為（0.1+0.08）×6×9.81×1000×cos（5°）=367.6N；總牽引力為200+350+150+0.02×2.5+0.0015×（2.5）2，即F=700.059375N。

1.2.2.2 帶速與煤流量匹配分析

當帶式輸送機處于正常的運行狀態時，如果煤流量Q保持不變，那么功率P與帶式輸送機的傳輸速度v成正比。在這一情況下，提高速度v會增加功耗[5]。但是輸送機的速度不可過低，否在會制約生產效率。將傳送帶能夠承受的最大物料線密度記為qm，煤流量最小值記為Qmin，則煤礦傳輸帶的速度v應滿足公式（2）的規定。

（2）

式中：vmin為帶式輸送機的最小可調傳輸速度。

分析公式（2）可以發現，煤礦傳輸帶的速度與功率成正比，影響功耗和生產效率的平衡，同時需要滿足輸送帶能夠承受的最大物料線密度和最小煤流量的要求。因此，應用速度v的計算公式時，需要根據具體的系統設計參數和操作條件來確定合適的速度范圍，以確保系統運行效率和安全性。

2 煤礦帶式輸送機節能控制模型設計

帶式輸送機的節能控制屬于較復雜的系統性問題，需要從系統功耗出發，合理確定煤流量與傳輸速度的取值，根據生產需求自動調節煤流量和傳輸速度，從而達到功耗最低的目標。以下基于BP神經網絡和改進粒子群算法建立和優化帶式輸送機節能控制模型，再通過PLC模糊控制器實現算法模型，達到智能調節的目的。

2.1 基于BP神經網絡的帶式輸送機節能控制建模

2.1.1 BP神經網絡模型概述

一個典型的BP神經網絡包括3層結構，分別為輸入層、隱藏層和輸出層，輸入層為待研究問題的主要影響因素，輸出層為研究目標，隱藏層在二者之間建立聯系[6]。將輸入層節點、隱藏層節點和輸出層節點分別記為xi、yj、zk，三者之間的關系如公式（3）所示。

（3）

式中：f（）為隱藏層的激活函數；wij為輸入層節點xi與隱藏層節點yj之間的權值；θj為隱藏層節點j的閾值。

輸出層節點與隱含層節點之間的關系如公式（4）所示。

（4）

式中：T1i為隱藏層節點與輸出層節點對應的權值。

其中，激活函數f（）可采用Sigmoid函數。

在BP神經網絡的隱藏層中，每個隱藏層節點yj的輸出如公式（5）所示。

（5）

式中：wij為輸入層節點xi到隱藏層節點yj的權重；θj為隱藏層節點yj的閾值。

Sigmoid函數的作用是將加權和z映射到一個在（0，1）的值，這種非線性映射使神經網絡能夠學習和表示復雜的非線性關系。在BP神經網絡的輸出層，如果網絡用于分類問題，通常也會采用Sigmoid函數作為輸出層的激活函數，輸出層節點zk如公式（6）所示。

（6）

式中：Tjk為隱藏層節點yj到輸出層節點zk的權重；θk為輸出層節點zk的閾值。

在使用Sigmoid函數過程中，要著重注意2個問題。一方面，Sigmoid函數在輸入接近極端值（接近0或1）時，其導數接近0，可能導致梯度消失問題，這會影響神經網絡的訓練效果。另一方面，Sigmoid函數的輸出范圍為（0，1），可能不適用于某些問題，例如需要輸出負數或超過單位間隔的值。

2.1.2 帶式輸送機節能控制模型構建及訓練

2.1.2.1 訓練樣本采集

建模前需要收集模型訓練所需的數據，以煤礦帶式輸送機的實際運行情況為數據源，當煤流量較穩定時，檢測該時段對應的煤流量，并求出均值，記為Qavg。調節輸送機的電機頻率，進而改變帶式輸送機的傳輸速度，將輸送機的最小可調速度和最大可調速度分別記為vmin、vmax，使輸送機的速度從最小值逐漸增至最大值，在這一過程中觀察功率P的變化，將最小功率記為Pmin，并記錄該功率對應的速度。研究過程按照以上方法檢測獲得60組試驗數據，在不同時段內得到3組煤流量均值，分別為Qavg1、Qavg2、Qavg3，3種煤流量下對應的最小功率分別為Pmin1、Pmin2、Pmin3，最小功率對應的速度分別記為v1、v2、v3。

2.1.2.2 模型構建及訓練

當構建和訓練模型時，需要編寫相應的程序。研究過程利用MATLAB軟件構建BP神經網絡模型，輸入層設置2個節點，分別代表煤流量和帶式輸送機的傳輸速度，輸出層設置1個節點，即電機功耗，目標是獲得特定煤流量下的最低功耗及其對應的輸送機速度。根據隱含層節點數量的計算方法，該模型需要設置5個隱藏層節點。利用60組試驗數據進行模型訓練。

2.2 基于粒子群算法優化節能控制模型

2.2.1 改進粒子群算法

2.2.1.1 粒子群算法

改進粒子群算法是在粒子群算法（Particle Swarm Optimization，PSO）的基礎上進行改進的。PSO算法用于復雜問題智能尋優，其實施步驟為種群初始化→計算種群中個體的適應度值→更新粒子個體的最優位置→根據適應度值進行復制→判斷是否滿足終止條件，滿足時終止算法，否則回到第二步。

2.2.1.2 粒子群算法的改進

PSO算法中的參數具有一定的經驗性，缺乏客觀的依據，容易影響算法的精度，相關的參數為慣性因子和學習因子，改進方式如公式（7）所示。

（7）

式中：ω為改進的慣性因子；ωmin和ωmax為慣性因子的最小值和最大值；k為慣性因子的調節系數；kmax為調節系數的最大值。

在改進方法中，通過公式（7）提高慣性因子的自適應能力。公式（7）通過線性插值的方式，根據k和kmax的比例，使ω在ωmin和ωmax之間動態調整。當k=0時，ω=ωmax，當k=kmax時，ω=ωmin。傳統PSO算法中存在c1、c22個加速學習因子，通常取為定值，在改進粒子群算法中，按照公式（8）計算加速學習因子的取值。

c1=c1max-（c1max-c1min）cos（ω） （8）

式中：c1max和c1min分別為加速學習因子c1的最大值、最小值，c2的計算模式同c1。

通過線性插值的方式，根據k和kmax的比例，動態調整c1和c2的取值范圍。這種動態調整有助于在PSO算法中自適應地改變加速學習因子，以便更好地探索和利用搜索空間。

2.2.2 基于改進PSO算法的節能控制模型優化

2.2.2.1 模型優化步驟

利用改進PSO算法優化煤礦帶式輸送機的節能控制模型，其實施步驟如下。1）粒子群和節能控制模型的初始化。2）計算每一個粒子的適應度值，對比個體適應度值，確定全局最優值。3）計算改進的慣性因子ω和學習因子c1、c2。4）利用改進的慣性因子和學習因子更新粒子群算法中的個體，獲得最新的位置和速度。5）更新個體及全體最優值。6）判斷是否滿足條件，結束迭代操作。

2.2.2.2 模型優化結果分析

分別利用傳統PSO算法和改進PSO算法優化PB神經網絡所建立的節能控制模型，得到算法模型中最佳的權值和閾值，共進行50次迭代。結果顯示，經傳統PSO算法優化的模型在第24次迭代時完成收斂，而改進PSO算法優化的模型在第16次時完成收斂。說明改進PSO算法提高了節能控制模型的運行效率，并且后者對模型訓練數據量的需求也更低。利用節能控制模型得到煤流量與帶式輸送機最佳速度的關系，見表2。

3 帶式輸送機節能控制系統模糊控制器設計

在建立節能控制模型后，還需要以特定的方式將其植入帶式輸送機的控制系統中，研究過程利用模糊算法及模糊控制器實現相關功能。

3.1 模糊控制器基本原理

模糊控制器由知識庫、推理庫組成，將給定信號輸入控制器后，先進行模糊化處理，再經過模糊推理，產生清晰化的信號，進而作用于被控制的對象，整個過程由傳感器實時獲得被控變量，并反饋至輸入端。

3.2 模糊控制設計要點

3.2.1 模糊控制器的輸入和輸出設計

從上文的分析可知，在煤流量確定的情況下，節能控制的關鍵是確定與之匹配的最佳帶速。將模糊控制器引入節能控制模型，帶式輸送機具有電子稱量功能，可檢測煤流量，與其對應的速度記為v0，利用傳感器采集皮帶速度v，計算v0和v的偏差e，同時計算對應時間段內的偏差變化率ec，將e和ec輸入模糊控制器，模糊控制器的輸出結果為變頻器的頻率f。

3.2.2 設置模糊論域和比例因子

在模糊控制器中，變量e、ec、f對應的符號為E、EC、F。針對這3個變量設置相同的模糊論域{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。3個變量的迷糊集見表3。3個變量對應的比例因子分別記為ke、kec、kf，則有ke=6/e，kec=6/ec，kf=6/f。

3.2.3 模糊控制表查詢

在速度傳感器檢測出偏差e和偏差變化率ec后，再根據模糊控制表查詢相應的頻率f，進而完成模糊輸出與控制。根據論域、比例因子、模糊控制規則等，設計模糊控制表，見表4。此處僅展示模糊論域中-1～-6的取值，表格中的數值為f的取值。

3.2.4 模糊控制系統整體實現

模糊控制系統的整體工作流程如下：獲得給定值v0，對比傳感器檢測速度v→將偏差e和偏差變化率ec輸入模糊控制器→輸出電機頻率f→由PLC控制器發出信號，控制變頻器→將信號f作用于電機→改變皮帶運行速度。

4 結語

從研究內容可知，影響煤礦帶式輸送機能耗水平的主要因素為煤流量和皮帶運行速度，在煤流量確定的情況下，存在一個最佳帶速，能夠使電機功耗最低。研究過程利用BP神經網絡建立帶式輸送機節能控制模型，并且借助改進PSO算法優化模型中的關鍵參數，進而確定不同煤流量范圍下的最佳帶速取值。本文還設計了相關的模糊控制器，可以將其引入PLC變頻控制系統中，以實現節能控制模型的工程應用。

參考文獻

[1]王利國.煤礦帶式輸送機能耗優化控制系統的設計與應用[J].礦業裝備，2023（9）：204-205.

[2]范惠凱.變頻節能系統在帶式輸送機中的應用研究[J].石化技術，2023，30（7）：275-276.

[3]王循明，單巖，張煒.基于模糊PID的液壓驅動帶式輸送機能耗優化[J].煤炭技術，2023，42（5）：207-209.

[4]蔣思中，郭宏濤，安軻，等.基于PSO-BP神經網絡的帶式輸送機能耗優化研究[J].煤炭技術，2022，41（11）：234-236.

[5]劉憲兵，張偉.礦井帶式輸送機節能控制系統研究[J].內蒙古煤炭經濟，2023（5）：69-71.

[6]馬曉琳.基于計算機視覺技術礦山運輸智能調速控制系統研究[J].中國礦山工程，2021，50（5）：67-70.