基于Neurosystems的跳汰床层松散度软测量系统

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于Neurosystems的跳汰床层松散度软测量系统范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】神经元网络控制系统在许多领域都有应用，其有多种网络结构和激励函数；根据不同的应用选用不同的网络结构与激励函数。不同的应用实现的软件及硬件平台也各有不同。本文详细阐述了基于neurosystems的跳汰床层松散度软测量系统。

【关键词】跳汰机 床层松散度 神经元系统 目标系统 网络结构 激励函数

一、引言

跳汰选煤是主要的分选工艺之一，而跳汰机是分选的主要工艺设备，根据不完全统计，全世界每年入选的原煤中，约50%以上采用的是跳汰选煤，而在我国，60%以上的精煤来自跳汰选煤。

入洗原煤进入跳汰机后，在风水的作用下跳跃前进；在不断地跳跃前进过程中，轻物料（精煤）上浮，而重物料（矸石）下沉，实现了按密度分层，待物料运动到矸石段和中煤段的排料口处，通过排料装置及时地将矸石排出。

要对一个工艺过程即一个系统进行有效控制，就要有对工艺过程的实时评价指标，对于跳汰机来说，床层松散度或者说床层松散状况可以作为适时在线评价指标 。床层松散度定义为：跳汰床层中孔隙体积占床层总容积的百分比。

跳汰床层松散（跳汰、着床、分层）过程是一个极为复杂的过程，影响因素众多：有风水制度、跳汰周期、跳汰幅度、给料快慢、物料粒度、物料组分，要想得到床层松散度的解析表达式是非常困难的。因此，采用神经网络来测量床层松散度。

二、Neurosystems

Neurosysytems是德国SIEMENS公司推出的神经网络控制系统开发工具，支持阶跃函数、非对称Sigmoid函数、对称Sigmoid函数、线性函数等各种激励函数；支持多层感知器神经网络（MLP）、径向基函数神经网络（RBF）、模糊神经网络（NFN）等三种网络结构；支持运行于SIMATIC S7功能块、SIMATIC WinCC、 ActiveX控件、OPC等四种运行模块的S7-4K、S7-20K、WinCC 、ActiveX、OPC、CFC-4K，、CFC-20K等七种目标系统。目标运行系统不具备自学习功能，不能够在线学习。

三、跳汰床层松散度神经元网络软测量系统

1.辅助变量的选择

跳汰机浮标传感器形状为流线型，密度可以配置成为所需要的密度值。作为一种特殊的物料颗粒，浮标在跳汰床层中为相同密度层的物料，在风、水的作用下，随着床层的交变运动与其他物料一起运动，并参与分层。它的运动轨迹实际上反映了物料在交变水流作用下的分选情况。在浮标输出的信号中，选取如下几个主要参数作为辅助变量：

Vo――上升水流初速度；

Ho――紧密期床层厚度；

H ――浮标跳动最大幅度；

T ――床层从上升开始到下降至紧密时的时间。

2.神经网络模型结构

神经网络的输入为辅助变量，输出为主导变量P，表征床层松散度，神经网络采用3层的多层感知器神经网络。网络分为：输入层1层含4个输入量，隐含层1层采用10个神经元，输出层1层含1个输出量。见图一。系统采用EBP误差反向传播算法对神经网络进行训练；仿真研究结果表明了控制方法的有效性。下一步我们采用德国SIEMENS公司推出的Neurosysytems软件来进行工程实现，并研究其实时性。

3.教师信号即期望值P（k）的获取

采用EBP算法对神经网络进行训练，很重要的一点是要有教师信号，教师信号通过跳汰机分选效果的实验室评价指标：可能偏差Ep、不完善度I、数量效率η及错配物总量Cx等。选取两个重要的指标：不完善度I及错配物总量Cx进行模糊综合获得。见表一。

四、用Neurosystems软件实现跳汰床层松散度软测量

1.创建Neurosystems应用程序

在Neurosystems中建立跳汰床层松散度软测量工程，即创立“跳汰松散度.Snl”文件，编辑输入量和输出量同时定义各量的取值范围，选择网络类型为多层感知器神经网络（MLP）；确定网络层数为3，即隐含层数为1层；确定隐含层的神经元个数为10，至此得与图一神经网络模型结构图对应的Neurosystems神经网络程序图，如图二。

图二 Neurosystems神经网络程序图

Fig. 2. Neurosystems Neural network programming

2.目标系统的选择

Neurosystems程序可以运行于SIEMENS公司的S7-300、S7-400PLC上，也可以运行于WinCC计算机上，或者通过Active X控件或者OPC协议与别的软件协同工作。本文根据工程的实际情况以及7种目标系统的性能对比情况结合实际需要。

目标系统的性能指标主要有输入量的个数、输出量的个数、神经网络数、权重数等。当然间接指标还有网络的类型、网络的层数、不同运行模块下的运行速度等。

3.网络的训练

根据Neurosystems的规范，将表一的数据制作成神经网络的训练信号；根据Neurosystems的规范，系统设计成多层感知器网络（MLP）时，自动采用误差反向传播算法EBP对网络进行训练，训练完成后存盘。

4.将Neurosystems程序下装到PLC运行

S7-300 PLC要运行神经网络控制系统必须采用CPU314-1以上的CPU模块。此时可通过SOFTNET网络软件，MPI接口卡将Neurosystems编制的神经网络应用软件下载到S7-300 PLC运行。

五、结束语

在实际生产过程中，对于块煤或易选煤分选，宜采用低频（30～40次/min）跳汰；对于末煤和较难选煤，宜采用高频（50～60/min）跳汰，即全部跳汰周期在1～2s之间。换言之，跳汰信号的频率在 ～ 1 之间。神经网络控制程序的典型处理时间为58ms，处理频率约为17HZ。根据香农采样定理（Shannon）：ω >2ω 就能保证信号处理的实时性。所以系统完全满足跳汰分选的实时性要求。

用此技术来对床层的松散度进行分析，能够得到准确、有效的控制信息，可对跳汰机的排料系统、风阀各气室的风量和水量进行自动控制，实现跳汰过程的自动化和智能化，提高选煤效率。

参考文献：

[1]林明星.张永忠.杜长龙，等.跳汰床层松散度的计算机检测系统.煤矿机电.2000，（2）：9-11.

[2]张荣曾，付晓恒，韦鲁滨，等.跳汰床层松散度与分层的流体动力学研究.煤炭学报.2003.28

（2）：193-198.

[3]林明星.张永忠.杜长龙，等.跳汰床层适当松散的表示形式及检测方法.矿山机械.2000，（4）：46-46.

[4]SIEMENS AG ， I&S. NEUROSYSTEMS user’s Manual. 2006.