0、前言
    球磨機(jī)是當(dāng)前國(guó)內(nèi)火電廠制粉系統(tǒng)中使用最多的磨煤設(shè)備，且廣泛應(yīng)用于采礦、冶金等其他行業(yè)。其優(yōu)點(diǎn)是容量大、運(yùn)行可靠、煤種適應(yīng)性強(qiáng)、維護(hù)簡(jiǎn)單、檢修費(fèi)用低等；缺點(diǎn)是制粉電耗高、控制優(yōu)化難。球磨機(jī)是多變量、非線性、強(qiáng)耦合、大延遲對(duì)象，不僅特性復(fù)雜，且變量時(shí)變緩慢。目前，球磨機(jī)筒內(nèi)料位缺少有效可靠的檢測(cè)手段，一般是由運(yùn)行人員通過(guò)對(duì)其數(shù)十個(gè)運(yùn)行參數(shù)的監(jiān)控并結(jié)合平時(shí)的運(yùn)行經(jīng)驗(yàn)來(lái)間接判斷磨煤機(jī)中的料位是否過(guò)高或過(guò)低。現(xiàn)有的自動(dòng)控制系統(tǒng)難以長(zhǎng)期可靠投用，球磨機(jī)經(jīng)常運(yùn)行于缺煤或是堵塞的工況，導(dǎo)致制粉電耗偏高。只有保持球磨機(jī)在最佳料位下運(yùn)行，才能使磨煤過(guò)程中的無(wú)用功耗降低、提高磨煤效率。并且從保證鍋爐穩(wěn)定燃燒的角度出發(fā)，對(duì)其運(yùn)行狀態(tài)進(jìn)行及時(shí)準(zhǔn)確的監(jiān)控亦具有非常重要的意義。因此，對(duì)球磨機(jī)料位的監(jiān)測(cè)是實(shí)現(xiàn)自動(dòng)控制、運(yùn)行優(yōu)化、節(jié)能降耗的關(guān)鍵所在。
    本文以某大型電廠制粉系統(tǒng)（如圖一所示）中的球磨機(jī)（型號(hào)：MT2350/600）為研究對(duì)象，設(shè)計(jì)了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的料位監(jiān)測(cè)系統(tǒng)。并利用Matlab 7.0強(qiáng)大的數(shù)據(jù)處理功能和其神經(jīng)網(wǎng)絡(luò)工具箱，編制了相應(yīng)的數(shù)據(jù)處理，特征值提取和BP神經(jīng)網(wǎng)絡(luò)的程序，流程圖如圖二所示。其主要功能為：正確監(jiān)測(cè)球磨機(jī)的料位狀態(tài)，預(yù)測(cè)可能發(fā)生的堵磨及缺煤情況，可以提高球磨機(jī)的運(yùn)行效率，降低制粉單耗，具有良好的經(jīng)濟(jì)效益。
1、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及料位判定原理
    神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)從輸入空間到輸出空間的非線性預(yù)測(cè)，即可以檢測(cè)出多變量之間的關(guān)系。它能夠識(shí)別各種狀態(tài)并對(duì)其進(jìn)行分類(lèi)，這些狀態(tài)與網(wǎng)絡(luò)訓(xùn)練時(shí)所使用的數(shù)據(jù)相接近或相似。神經(jīng)網(wǎng)絡(luò)雖不能給出準(zhǔn)確的輸出信息，但所輸出的信息正好能夠接近于最佳答案。利用神經(jīng)網(wǎng)絡(luò)的這些優(yōu)點(diǎn)，可以建立動(dòng)態(tài)的球磨機(jī)料位監(jiān)測(cè)系統(tǒng)。
    本系統(tǒng)采用反向傳播模型(Back Propagation Model)，因其很好的逼近非線性映射能力和高度并行處理等，近年來(lái)被廣泛應(yīng)用于模式識(shí)別、圖像處理、預(yù)測(cè)等方面。它是一種多層前饋型網(wǎng)絡(luò)，根據(jù)Kolmogorv定理，給定任何一連續(xù)函數(shù)，都可由一個(gè)三層BP網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。輸入層與隱層各節(jié)點(diǎn)之間，隱層與輸出層各節(jié)點(diǎn)之間用可調(diào)整的權(quán)值來(lái)連接，三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖如圖二所示。其中，輸入層輸入制粉系統(tǒng)的11個(gè)運(yùn)行參量（具體各參量見(jiàn)表一），輸出層輸出對(duì)料位高低的判斷結(jié)果。
2  BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
    BP算法的實(shí)質(zhì)是一種以網(wǎng)絡(luò)誤差平方和為目標(biāo)函數(shù)，按梯度法求目標(biāo)函數(shù)達(dá)到最小值的算法。F1(·)和F2(·)分別為隱層和輸出層節(jié)點(diǎn)的激活函數(shù)。按照模式的順傳播和誤差的逆?zhèn)鞑シ▌t，網(wǎng)絡(luò)輸入與輸出的關(guān)系為
 
    其中n為輸入層神經(jīng)元個(gè)數(shù)；p為隱層神經(jīng)元個(gè)數(shù)；yi為輸入層第i個(gè)神經(jīng)元與隱層第j個(gè)神經(jīng)元之間的權(quán)值；Wkj為隱層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元之間的權(quán)值；xi為輸入層神經(jīng)元i的輸入；yk為輸出層第k個(gè)神經(jīng)元輸出。同時(shí)將隱層和輸出層的節(jié)點(diǎn)神經(jīng)元的閾值視為該節(jié)點(diǎn)神經(jīng)元的第0個(gè)輸入，而對(duì)應(yīng)的權(quán)值為-1。

3、磨煤機(jī)運(yùn)行中的動(dòng)態(tài)系統(tǒng)建模
    網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目對(duì)網(wǎng)絡(luò)有一定的影響，神經(jīng)元數(shù)目太少會(huì)造成網(wǎng)絡(luò)的不適性，而數(shù)目太多又會(huì)引起網(wǎng)絡(luò)的過(guò)適性。所以考慮到網(wǎng)絡(luò)輸入和輸出之間存在的高度的非線性及一般的BP網(wǎng)絡(luò)設(shè)計(jì)原則，確定BP網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)為11：23：3，即輸入層、隱層、輸出層分別為11，23，3個(gè)節(jié)點(diǎn)，在實(shí)際訓(xùn)練中，如果訓(xùn)練結(jié)果不理想，還可以適當(dāng)增加或是減少隱層神經(jīng)元的數(shù)目。隱層節(jié)點(diǎn)的輸出函數(shù)采用Sigmoid函數(shù)，輸出
為100時(shí)表示料位過(guò)高，010時(shí)表示料位正常，001時(shí)表示料位過(guò)低。
3.1  樣本的選取
    因?yàn)樯窠?jīng)網(wǎng)絡(luò)的泛化能力只是具有內(nèi)插功能，對(duì)外部數(shù)據(jù)的泛化能力很差，所以訓(xùn)練樣本對(duì)的選取對(duì)能否經(jīng)由訓(xùn)練得到合理、精確的模型來(lái)說(shuō)是至關(guān)重要的。這里，采集了大量的數(shù)據(jù)，分別來(lái)自160、200、250、300 (MW)4個(gè)典型負(fù)荷點(diǎn)的工況。
由于選用了S函數(shù)，BP網(wǎng)絡(luò)的輸入節(jié)點(diǎn)物理量各不相同，數(shù)值相差甚遠(yuǎn)，若將這11個(gè)分量直接輸入到網(wǎng)絡(luò)中，則網(wǎng)絡(luò)判斷結(jié)果不穩(wěn)定會(huì)產(chǎn)生誤判，同時(shí)亦為了防止小數(shù)值信息被大數(shù)值信息淹沒(méi)，故對(duì)樣本對(duì)的輸入和輸出數(shù)據(jù)進(jìn)行如下的數(shù)據(jù)規(guī)格化處理。
 
將采集到的數(shù)據(jù)通過(guò)觀察數(shù)據(jù)的頻率分布圖或其他根據(jù)剔除了異常的數(shù)據(jù)對(duì)，因?yàn)檫@些會(huì)影響到網(wǎng)絡(luò)的學(xué)習(xí)。剩下的數(shù)據(jù)樣本分成2個(gè)部分，即訓(xùn)練樣本和測(cè)試樣本。這里我們準(zhǔn)備了120組訓(xùn)練樣本對(duì)，40組測(cè)試樣本對(duì)共160組數(shù)據(jù)。
 
3.2  網(wǎng)絡(luò)的訓(xùn)練
    建立了網(wǎng)絡(luò)模型和采集了訓(xùn)練數(shù)據(jù)后，就可以進(jìn)行學(xué)習(xí)了。
    首先要對(duì)初始參數(shù)賦初值。由于系統(tǒng)是非線性的，初始值對(duì)于學(xué)習(xí)是否達(dá)到局部最小，是否能夠收斂以及達(dá)到的訓(xùn)練速度的關(guān)系很大。這里取初始權(quán)值為（-1，1）的互不相等的隨機(jī)數(shù)。學(xué)習(xí)速率的選取也很重要，它和負(fù)梯度的乘積決定了權(quán)值和閾值的調(diào)整量，學(xué)習(xí)速率越大則調(diào)整步伐越大，但容易振蕩，這里設(shè)為0. 02。系統(tǒng)平均誤差設(shè)為0.05。
    同時(shí)在訓(xùn)練過(guò)程中，應(yīng)重復(fù)選取多個(gè)初始點(diǎn)進(jìn)行訓(xùn)練，以保證訓(xùn)練結(jié)果的全局最優(yōu)性。
3.3  xvl原BP網(wǎng)絡(luò)算法的改進(jìn)
    由于在實(shí)用中BP算法存在三個(gè)主要的缺點(diǎn)[11]，即(1)收斂速度慢；(2)網(wǎng)絡(luò)容錯(cuò)能力差；(3)容易出現(xiàn)局部最優(yōu)的問(wèn)題。所以對(duì)現(xiàn)有的BP算法進(jìn)行一些改進(jìn)：
1)在加權(quán)系數(shù)調(diào)整時(shí)，增加一個(gè)慣性（動(dòng)量）項(xiàng)可以加快收斂速度，加權(quán)系統(tǒng)變化更加平滑，公式如下
 
式中口是一個(gè)常數(shù)，它決定過(guò)去權(quán)重的變化對(duì)目前權(quán)值變化的影響程度。
2)除了使用附加動(dòng)量法，還使用具有自適應(yīng)學(xué)習(xí)速率的梯度下降法，能夠增加穩(wěn)定性，提高速度和精度，公式如下：
 
3.4  網(wǎng)絡(luò)的測(cè)試結(jié)果及分析
    通過(guò)對(duì)樣本對(duì)的反復(fù)學(xué)習(xí)，系統(tǒng)的誤差達(dá)到了設(shè)計(jì)的精度(0.05)，網(wǎng)絡(luò)昀權(quán)值調(diào)整完畢。為了檢驗(yàn)網(wǎng)絡(luò)的正確性，將測(cè)試樣本對(duì)輸入網(wǎng)絡(luò)進(jìn)行測(cè)試。網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)的識(shí)別的部分結(jié)果與實(shí)際情況的比較如表一所示。
    由該表可以看出，網(wǎng)絡(luò)具有一定的泛化能力，在中低負(fù)荷的情況下，其判定結(jié)果的正確率要比運(yùn)行人員的判斷要好，基本上能達(dá)到所要求的精度。但在高負(fù)荷的情況下準(zhǔn)確率不高。研究表明，是由于在高負(fù)荷的情況下，整個(gè)鍋爐系統(tǒng)的運(yùn)行參數(shù)變化較大，耦合度較高，輸入的數(shù)據(jù)的不能夠完全及時(shí)地反映實(shí)際運(yùn)行工況，致使網(wǎng)絡(luò)的誤判率增加。若能與其他傳統(tǒng)監(jiān)測(cè)方法相結(jié)合的話(huà)，網(wǎng)絡(luò)的容錯(cuò)性、魯棒性和泛化能力會(huì)有進(jìn)一步的提高。
    同時(shí)由于實(shí)際中參數(shù)的數(shù)據(jù)采集或現(xiàn)場(chǎng)測(cè)量?jī)x表存在一定誤差，使有些測(cè)試樣本的輸入造成網(wǎng)絡(luò)
的輸出誤差，難以達(dá)到訓(xùn)練時(shí)誤差要求。
  表一    磨煤機(jī)實(shí)際運(yùn)行工況與神經(jīng)網(wǎng)絡(luò)輸出值比較
 
說(shuō)明：1、以上參數(shù)系列均為在兩臺(tái)制粉系統(tǒng)運(yùn)行、排粉機(jī)入口風(fēng)門(mén)開(kāi)度不變、給煤機(jī)轉(zhuǎn)速不變的情況下。
    2、以上12組數(shù)據(jù)中，“正常”、“缺煤”、“堵塞”各種現(xiàn)象只取了一組數(shù)據(jù)，故障程度適中，實(shí)際運(yùn)行中的參數(shù)變化可能隨具體煤種、調(diào)節(jié)手段、環(huán)境溫度、設(shè)備特性、故障程度等的差異而有所變化。
4  、結(jié)論
    由以上仿真可以看出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)磨煤機(jī)的料位進(jìn)行監(jiān)測(cè)是切實(shí)可行的而且該網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)性、自適應(yīng)性和容錯(cuò)性，是一種比較實(shí)用的方法。
    當(dāng)燃用貧煤、無(wú)煙煤或其它煤種時(shí)，也可用這一網(wǎng)絡(luò)模型，但應(yīng)根據(jù)不同的運(yùn)行特點(diǎn)，選取關(guān)鍵參數(shù)作為模型的輸入因子，對(duì)模型進(jìn)行訓(xùn)練，重新獲取相應(yīng)的模型參數(shù)，以對(duì)其運(yùn)行工況進(jìn)行分析。
    若能將BP神經(jīng)網(wǎng)絡(luò)模型與鍋爐控制的DCS建立接口，使其能夠進(jìn)行在線訓(xùn)練，則可對(duì)所關(guān)心的這種無(wú)法直接測(cè)量的重要運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)估算，并隨時(shí)提供預(yù)測(cè)結(jié)果給運(yùn)行人員進(jìn)行參數(shù)調(diào)整。本文所研究的模型及方法可以應(yīng)用子電廠制粉系統(tǒng)的在線優(yōu)化運(yùn)行。
    三門(mén)峽富通新能源銷(xiāo)售球磨機(jī)、雷蒙磨、雷蒙磨粉機(jī)、雷蒙磨配件等。