基于超深井提升系统模糊神经调速控制方式的研究

杨锦涛，吴金尘

（长沙矿山研究院有限责任公司，湖南 长沙 410000）

随着国民经济对矿产资源需求的日益增长和浅表资源的日渐枯竭，我国对地下更深层次的矿产资源的开采变得极为迫切，尤其是在金属矿产资源领域，超深竖井矿山已经开始向1500m～2000m的深度开采[1]。

矿井提升机系统是一种具有时变、非线性和强耦合等特点的复杂不确定动态系统。同时，由于外界环境等不确定因素对工矿的影响，矿井提升的动力学参数也会随之发生变化[2]。传统的普通矿井提升机系统采用的PID控制系统，但是在超深井这种特殊的工矿环境下，矿井提升机将面对更加复杂的使用环境，不确定性的增加对矿井提升机的控制系统提出了更高的要求。如何在特殊工况环境下满足矿井提升系统的需求，成为了目前亟待解决的问题。本文通过采用模糊控制和神经网络控制结合的控制方式，提出了一种模糊神经网络控制方式，充分利用了模糊控制的专家经验性和神经网络控制的可调整性，本文首先分析提升机控制系统动力学，从动力学研究中找到提升控制系统数学模型，从而研究适合的控制方式。

1 提升机控制系统动力学分析

1.1 提升机运行分析

提升机罐笼运行速度曲线分为：①主加速度阶段。当罐笼启动后，为提高运行效率，速度加快，以较大加速度运行，直至达到最大提升速度。②等速阶段。罐笼在此阶段以最大速度运行，直至罐笼接近井口减速段；③减速阶段。罐笼斗接近井口时，开始以减速度运行，实现减速。④爬行阶段。罐笼将要进入卸载曲轨时，为了减轻罐笼对井架的冲击便于准确停车，以低速爬行，到达停车位后，提升机施闸制动停车。

1.2 提升机动力学数学模型建立

提升电动机输出适当的拖动力，提升系统才会按照设计曲线进行运行。提升系统电动机作用在卷筒圆周处的力F应能克服提升系统产生的静阻力和惯性力两种力，其表达式为：

式中，Fd为提升控制系统中所有能产生运动部分作用在卷筒圆周处惯性力之和。惯性力Fd可用下式公式表示：

式中：Σm为提升控制系统所有能运动部分变位到卷筒圆周处总的变位质量，a为卷筒圆周处的线加速度。

Fj为提升系统静阻力，提升系统静阻力包括罐笼内装载载荷、罐笼自重、提升钢丝绳重量加上矿井阻力。矿井阻力包含罐笼在井筒中运行时，气流对罐笼产生的阻力、滚轮罐耳与罐道产生的摩擦阻力以及提升机卷筒、天轮的轴承阻力等。在分析时近似认为井口至天轮的钢丝绳重力等于钢丝绳绳的重力，静阻力Fj等于两根钢丝绳上因为不平衡载荷导致的静拉力差，即Fj=Fs-Fx。

式中Fs为上升端钢丝绳端产生的静拉力；Fx为下降端钢丝绳产生的静拉力。在提升任一瞬间Fs为：

而下降端钢丝绳静拉力Fx为：

式中：Q为罐笼提升一次提升量，kg；Qz为罐笼本身自重，kg；p为钢丝绳单位长度产生的重力，N/m；q为尾绳单位长度产生的重力，N/m；H为井筒提升高度，m；hx为提升开始至瞬间产生的距离，m；hw为井底车场至尾绳底部的距离，m；Gs为上升侧矿井阻力，N；Gx为下放侧矿井阻力,N。

Gs+Gx在矿山生产过程中近似认为矿井阻力为常数，可以以罐笼一次提升量Q为比例，

表1 模糊变量子集取值

式中k为矿井阻力系数，罐笼提升k=1.2。

1.3 变位质量

提升罐笼运行时，提升系统产生直线运动和旋转运动。提升罐笼、载荷、钢丝绳运动时的加速度就是卷筒圆周处的加速度，无需变位。天轮、卷筒、减速器齿轮、电动机转子做旋转运动，需要变位到卷筒圆周处，这样可以获得更简便的计算，变位的前提是前后的动能必须相等。

实际应用中，由于运动部位状态不同，变位质量有一个变化量，但用于超深井大载重工况环境下，变化量可以忽略不计。所以理论计算公式如下：

式中g为重力加速度，Q为载荷,N；Qz为罐笼自重,N；n1为首绳根数，n2为尾绳根数，p为钢丝绳单位长度的重力，N/m；q为尾绳单位长度的重力，N/m；Lp为首绳悬挂长度，m；Lp为尾绳悬挂长度，m；Gi为天轮的变位重力，N；Gj为卷筒变位重力，N；Gd为电机转子变位重力，N。Gi、Gj、Gd一般由生产厂家参数表中已有提供。

通过分析提升控制系统动力学公式，得到提升系统电动机作用在卷筒圆周处的力F,由F可以得出调节控制信号M，使提升机的实际角速度输出ω跟踪设计好给定的理想速度曲线，使其在主加速度阶段加速、等速阶段、减速阶段、爬行阶段各阶段都获得较好的瞬态和稳态跟踪调节性能。

2 模糊神经网络控制

神经网络由很多种方式，我们本文设计的神经网络是一种BP结构的多层神经网络，信号传输特点是信号前向传递，而误差后向传播。神经网络通过不断调节网络权重值，使得最终输出与期望值输出尽可能接近。模糊控制是将操作人员或专家经验编成模糊规则，运用模糊规则去代替人对系统的控制。本文将模糊控制网络和BP神经网络相结合，利用BP神经网络自学习能力来提取模糊控制网络中的规则，通过上文中推导出的根据不同时刻的输入力矩的误差和误差变化率运用模糊规则实时整定输入参数。这样既改善了单独模糊控制系统的实时性不高，又使得BP神经网络的学习有了指导依据。

2.1 模糊控制器结构

模糊控制器是二维的，其输入是角速度输出偏差和角速度变化率，输出为控制量。K1、K2为量化因子，K3是控制量的比例因子。模糊变量E、ΔE的模糊子集取值为{PL PB PM PS O NS NM NB NL}{—6-5-4-3-2-1 0 1 2 3 4 5 6}其中，PL PB PM PS O NS NM NB NL分别表示正很大、正大、正中、正小、零、负小、负中、负大、负很大。论域分别取为 {—6-5-4-3-2-1 0 1 2 3 4 5 6}。

表2 模糊控制器的输出偏差值

2.2 神经网络结构

采用的神经网络结构为BP神经网络，反向传播（BP）算法是一种有导师学习算法，BP算法的学习过程由正向传播和反向传播两部分组成，在正向传播过程中，输入模式从输入层经过隐含层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途调整各层间连接权值和阈值，以使得误差不断减小，直到达到精度要求。该算法实际上是求误差函数的极小值，它通过多个样本的反复训练，并采用最快下降法使得权值沿着误差函数的负梯度方向改变，并收敛于最小点。BP神经网络借助模糊控制规则，实现神经网络拓扑结构、同时控制系统利用神经网络结构来弥补模糊规则的学习功能，模糊控制规则可以通过神经网络来学习。神经网络隐含层的节点数与模糊区间数一致。网络结构采用三层，网络隐含层的节点数与模糊区间数一致，而各节点上的接受函数就是对应的模糊区间的隶属度函数。

3 结论

经过大量的实验证明，采用模糊神经网络组成的系统模糊神经网络控制转矩，转矩响应快，控制精度高，系统结构简洁明了，动静态系统优良。特别对于超深井、大载重这种特殊的工矿环境下的交流调速系统是一种有效的控制策略。