用人工神经网络确定跳汰分选指标及最佳操作.pdf

中国矿业大学学报990 2 13 中国矿业大学学报 JO U RNA L O F CH I NA U NI VERSI T Y O F M I NI NG k 为输出单元数，k 1, 2 , ⋯，N；p 为样本数，p 1, 2 , ⋯, P . 取样本p , 其具 体过程如下［2 ］ 图1 所采用的神经网络结构 Fi g . 1 T h e s t r u c t u r e o f t h e n e t w o r k 1） 计算隐含层结点的输入 设W i j 为样本p 第i 个结点到第j 个隐含结点的权值，可 将其置为小的随机数，保证网络不被大的权值饱和. 隐含层各结点的输入值Xj j 为隐含 层结点数，j ＝1, 2 ，⋯，Q ）为 2 ） 计算隐含层结点的输出 对隐含结点的输入值经激发函数的处理得到该结点 的输出值，BP算法的隐含结点的输出值Yj为 f i l e / / / E| / q k / z g k y d x x b / z g k y 99/ z g k y 990 2 / 990 2 13. h t m （第 2 ／6 页）2 0 10 -3-2 3 15 57 12 中国矿业大学学报990 2 13 式中 θp j 为样本p 隐含结点的阈值. 3） 计算输出层结点的输入 设W j k 为样本p 第j 个隐含结点到第k 个输出结点的权 重，隐含层输出各结点值Yp j 可得输出层结点的输入值X′p k 为 4） 计算输出层结点的输出 输出层结点的输出值Y′p k 为 式中 θp k 为输出结点的阈值. 5） 调节权重 输出点误差Ep k ＝ Y′p k －Yp k 2，样本总误差为Ep ＝∑Nk ＝1Ep k ， 对p 个样本总误差. 训练误差为. 输出层权重调整为W p ＋1j k ＝W p j k ＋η δp k Y′p j ＋βδp －1kY′p －1j ，其中η为训练速 率，一般0 . 0 1～1，β为小于1的正数. 由输出层结点的误差反向推得隐含结点的误差，隐 含层权重调整为. 6 ） 返回到1），重复至5），直至满足一定精度要求. 2 实验及结果 利用实验室XZT T -12 0 / 2 40 8 0 0 梯形跳汰机进行分选实验，入料原煤的粒度为3～ 6 m m ，其可选性见图2 可选性曲线. 选择对跳汰分选有主要影响的溢流堰高度X1，冲程 X2，冲次X3，给水量X4，给料量X5，进行多水平实验，固定其它影响分选的量，利用 正交表L2 5 56）安排实验，把X1，X2，X3，X4，X5分别放在表1的1，2 ，3，4，5列，第 6 列为空白列，用于误差分析. 实验结果见表1. f i l e / / / E| / q k / z g k y d x x b / z g k y 99/ z g k y 990 2 / 990 2 13. h t m （第 3／6 页）2 0 10 -3-2 3 15 57 12 中国矿业大学学报990 2 13 图2 可选性曲线 Fi g . 2 Se l e c t i v i t y c u r v e 表1 试 验 结 果 T a b l e 1 Re s u l t s o f t h e e x p e r i m e n t 次数 因 素分选指标 次数 因 素分选指标 12345γ/ ％ w A / ％12345γ/ ％ w A / ％ 1 2 3 4 5 6 7 8 9 10 11 12 13 6 0 6 0 6 0 6 0 6 0 6 8 6 8 6 8 6 8 6 8 7 4 7 4 7 4 5. 0 7 . 5 10 . 0 12 . 5 15. 0 5. 0 7 . 5 10 . 0 12 . 5 15. 0 5. 0 7 . 5 10 . 0 2 0 5 2 40 2 6 0 2 8 2 32 8 2 40 2 6 0 2 8 2 32 8 2 0 5 2 6 0 2 8 2 32 8 2 0 0 350 50 0 6 50 8 0 0 50 0 6 50 8 0 0 2 0 0 350 8 0 0 2 0 0 350 10 0 16 0 2 2 0 2 50 2 8 0 2 50 2 8 0 10 0 16 0 2 2 0 16 0 2 2 0 2 50 8 6 . 0 1 8 5. 18 8 5. 2 1 8 3. 8 2 8 1. 0 3 8 7 . 12 8 7 . 57 7 7 . 44 7 3. 2 6 8 0 . 2 5 8 0 . 6 3 7 8 . 14 7 6 . 2 9 14. 45 15. 18 16 . 0 8 16 . 31 16 . 0 1 17 . 36 17 . 49 12 . 13 12 . 7 4 14. 0 8 15. 32 14. 2 4 14. 17 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 7 4 7 4 8 3 8 3 8 3 8 3 8 3 92 92 92 92 92 12 . 5 15. 0 5. 0 7 . 5 10 . 0 12 . 5 15. 0 5. 0 7 . 5 10 . 0 12 . 5 15. 0 2 0 5 2 40 2 8 2 32 8 2 0 5 2 40 2 6 0 32 8 2 0 5 2 40 2 6 0 2 8 2 50 0 6 50 350 50 0 6 50 8 0 0 2 0 0 6 50 8 0 0 2 0 0 350 50 0 2 8 0 10 0 2 8 0 10 0 16 0 2 2 0 2 2 50 2 2 0 2 50 2 8 0 10 0 16 0 8 1. 96 7 2 . 0 5 7 7 . 90 6 7 . 8 9 7 4. 97 7 3. 43 6 9. 8 3 7 0 . 2 1 7 5. 7 3 7 1. 45 59. 7 2 58 . 36 16 . 15 12 . 6 6 16 . 13 10 . 58 13. 39 14. 0 9 12 . 36 14. 56 16 . 43 14. 6 4 9. 94 10 . 47 f i l e / / / E| / q k / z g k y d x x b / z g k y 99/ z g k y 990 2 / 990 2 13. h t m （第 4／6 页）2 0 10 -3-2 3 15 57 12 中国矿业大学学报990 2 13 3 用神经网络确定分选指标 根据神经网络的BP算法，设输入层各结点分别为溢流堰高度X1，冲程X2，冲次 X3，给水量X4和给料量X5等5个量，隐含层结点取15个，输出层结点分别为精煤产率Y1 和精煤灰分Y2 2 个量. 上机计算，训练2 50 0 0 0 次，经验算，输入以上2 5个样本，每点 计算结果都与所输入的分选指标符合的很好，见表2 . 对以上2 5个样本，精煤产率的计算 误差σγ＝0 . 46 3, 精煤灰分的计算误差σA＝0 . 2 16 . 表2 用神经网络算得各实验点的值 T a b l e 2 D a t a c a l c u l a t e d b y a r t i f i c i a l n e u r a l n e t w o r k 试验点123456789101112 γ/ ％8 5. 6 3 8 5. 0 7 8 5. 2 6 8 3. 8 4 8 1. 0 0 8 6 . 38 8 7 . 0 3 7 7 . 47 7 3. 46 8 0 . 2 1 8 0 . 56 7 8 . 16 w A / ％ 14. 34 15. 11 16 . 0 1 16 . 36 15. 39 17 . 16 17 . 35 12 . 13 12 . 8 1 14. 13 15. 2 9 14. 15 试验 点 131415161718192 02 12 22 32 42 5 γ/ 7 6 . 17 8 2 . 0 4 7 2 . 6 0 7 8 . 386 7 . 8 1 7 4. 90 7 3. 43 6 9. 6 7 7 0 . 2 5 7 5. 7 9 7 1. 44 6 0 . 6 859. 7 1 w A / 14. 0 9 16 . 2 1 12 . 7 3 16 . 8 2 10 . 7 9 13. 46 14. 0 4 12 . 40 14. 51 16 . 41 14. 6 810 . 0 5 10 . 6 3 对于不在以上试验点上的各操作因素，一旦选定其值，可用BP算法进行分选 结果的预测，设取溢流堰高X1＝8 0 m m ，冲程X2＝18 . 0 m m ，冲次X3＝2 0 5r / m i n , 给水量 X4＝40 0 L/ h , 给料量X5＝2 0 0 k g / h , 可算得产率Y′1＝7 1. 30 , 灰分Y′2＝11. 7 9. 经试验验 证，在此操作条件下，精煤产率Y′1＝6 8 . 56 , 精煤灰分Y′2＝12 . 2 4, 产率和灰分的实 验误差为3. 96 ％和2 . 55％. 再取X1＝90 m m , X2＝2 2 m m , X3＝2 0 5r / m i n , X4＝40 0 L/ h , X5＝ 2 0 0 k g / h , 用此法可算得精煤产率Y′1＝6 0 . 2 8 , 精煤灰分Y′2＝10 . 57 . 在此条件下进 行实验得精煤产率57 . 94，精煤灰分10 . 51，这时产率和灰分的计算和实验结果的误 差为3. 8 8 和0 . 56 ％. 以上可见，两者误差非常小. 4 由设定的指标确定操作因素 在实际过程中，往往要根据精煤的质量和数量指标来确定操作因素［3］，这在实 际中是很难确定的，神经网络对实际的数据训练出的结果为我们提供了解决此问题的 途径. 在各参数的允许范围内，把每个操作因素的范围区间细化，把细化后的每个点都 进行计算，得到分选指标，在这些计算出的大量分选指标中，可从中筛选出符合要求 的指标，同一分选指标可由不同的多组操作因素组合得到，我们可根据实际情况选取 具体操作. 以上各参数的操作范围 6 0 ≤X1≤92 , 5. 0 ≤X2≤2 0 , 2 0 5≤X3≤32 8 , 2 0 0 ≤X4≤8 0 0 , 10 0 ≤X5≤2 8 0 . 对X1的细化为16 点， f i l e / / / E| / q k / z g k y d x x b / z g k y 99/ z g k y 990 2 / 990 2 13. h t m （第 5／6 页）2 0 10 -3-2 3 15 57 12 中国矿业大学学报990 2 13 间隔为2 m m ，X2细化为10 点，间隔为1m m ，X3细化为10 点，间隔为12 . 3r / m i n , X4细化为 2 0 点，间隔为30 L/ h ，X5细化为18 点，间隔为10 k g / h . 计算上述细化后的所有的点，选取满足分选指标要求的产率最高的点，此点为最 佳操作点. 设所要求的灰分指标为Y′2＝12 . 0 0 ，在计算结果灰分小于12 . 0 0 的范围内 取产率最高点，计算结果为X1＝8 0 m m ，X2＝18 m m ，X3＝32 8 r / m i n , X4＝40 0 L/ h 和X5＝ 2 0 0 k g / h . 在实际过程中，也可固定其中某些值的大小，使其它的约束条件变化，如固定溢 流堰高度为X1＝8 0 m m , 水量为X4＝40 0 L/ h ，给料量X5＝2 0 0 k g / h , 设所要求的分选 指标仍为此12 . 0 0 ，且上述方法可算得冲程X2＝19m m , 冲次X3＝2 0 5r / m i n , 产率为 6 9. 48 ，灰分为11. 8 7 . 5 结 论 1 在实验室跳汰机上进行的实验，获得了产品产率和灰分与各操作因素的数量关 系，利用人工神经网络训练以上关系，可预测不同操作时的分选指标，同时还可以寻 求一定灰分条件下的最佳产率. 2 用人工神经网络法进行分选指标的预测和最佳操作的选择，方法直观方便，不 需要建立数学模型，而基于实际的结果. 它可用选煤厂实际的生产资料，进行结果的预 测和操作的确定. 3 在目前没有较实用的模型情况下，根据现场的资料，可利用人工神经网络法进 行生产过程的监控，从而为自动控制跳汰机提供了一种新途径. *煤炭科学基金资助项目（97 地10 7 0 6 ） 作者简介 朱金波，男，196 3年生，副教授，工学硕士 作者单位朱金波 曹以龙 李贤国 贾长龄淮南工业学院材料科学系 淮南 2 32 0 0 1 陈 清 如中国矿业大学能源利用与化学工程系 徐州 2 2 10 0 8 参考文献 1 陈 迹编著. 跳汰选煤的理论和实践. 北京煤炭工业出版社，198 8 . 1～99，18 8 ～2 2 3 2 张立明编著. 人工神经网络模型及其应用. 上海复旦大学出版社，1993. 13～51 3 朱金波，李贤国. 跳汰过程经验数学模型及最佳操作的确定. 淮南矿业学院学报， 1990 ，10 （3）8 3～8 9 收稿日期1998 -0 4-0 1 f i l e / / / E| / q k / z g k y d x x b / z g k y 99/ z g k y 990 2 / 990 2 13. h t m （第 6 ／6 页）2 0 10 -3-2 3 15 57 12