引用本文

王前进, 杨春雨, 马小平, 张春富, 彭思敏. 基于随机配置网络的井下供给风量建模. 自动化学报, 2021, 47(8): 1963−1975 doi: 10.16383/j.aas.c190602

Wang Qian-Jin, Yang Chun-Yu, Ma Xiao-Ping, Zhang Chun-Fu, Peng Si-Min. Underground airflow quantity modeling based on SCN. Acta Automatica Sinica, 2021, 47(8): 1963−1975 doi: 10.16383/j.aas.c190602

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190602

关键词

主通风机，切换过程，井下供给风量，随机配置网络，正则化 

摘要

主通风机切换过程中, 取压风量测量作为监测井下供给风量的主要手段, 是矿井主扇通风系统安全、稳定与经济运行的重要保障. 然而, 由于取压孔极易出现堵塞现象, 需要频繁维护, 导致无法实时测量井下供给风量, 难以实现主通风机切换过程的闭环优化控制. 同时, 随着隐含层节点数的增加, 基于随机配置网络(Stochastic configuration network, SCN)的估计模型存在过拟合和泛化能力差的缺点. 为了解决上述问题, 结合正则化(Regularization, R)技术, 本文提出一种新型的改进SCN算法, 即RSC算法, 用于井下供给风量的建模. 基准回归分析和工业实验表明: 与SCN方法相比, 建立的RSC模型具有较高的模型精度和较好的泛化性能.

文章导读

主通风机切换过程(Main fan switchover process, MFSP)被广泛用来保证矿井的持续安全生产[1]. 矿井必须配有成对的主通风机, 采用轮流运行的工作模式. 其中, 运行的一台叫工作主通风机, 另一台叫备用主通风机. 井下供给风量作为主通风机切换过程的关键运行指标, 对井下作业影响很大, 因此有必要对其进行实时监测, 保证主通风机切换过程的平稳运行以提供充足的井下供给风量. 然而, 由于恶劣的井下工作环境, 取压孔容易出现堵塞现象, 导致无法实时准确地监测井下供给风量状态. 另外, 堵塞的取压孔必须等到大周期(一般半年或一年一次) 的主通风机检修才能进行取压孔的清理. 因此有必要建立井下供给风量的准确可靠性模型, 为矿井值守人员提供井下工作状况和供给风量信息.

目前井下供给风量模型主要分为两大类: 机理模型和数据驱动模型. 主通风机切换过程涉及到两大动力源的过渡, 涉及到4个风门的切换, 涉及到井下供给风流的控制等. 因此, 井下供给风量机理模型包括: 主通风机模型可用其特性曲线来表示[2]; 对于风门支路, 首先通过数据拟合方法建立风门风阻与风门开度之间的非线性关系, 再采用定常[3-4]或非定常[5-6]不可压缩Navier-Stokes方程来建模; 对于地下矿井, 由于复杂多变的井下工作环境和错综复杂的网络布局以及频繁变化的设备状态, 难以建立模型. 通常首先将其近似为一个长度确定的风流支路, 再采用类似于风门支路的建模方法来建模. 井下供给风量模型是由上述主要结构的子模型组成, 通过基尔霍夫风压和风流定律来建立. 然而, 由于机理模型一般是基于一定的理论假设而建立的, 如地下矿井的近似化处理, 实际主通风机切换过程要远远复杂于机理模型, 因此机理模型在实际主通风机切换过程中往往难以应用. 数据驱动的井下供给风量建模方法, 不需要掌握切换过程的复杂变化, 仅利用数据就可以建立井下供给风量的估计模型, 因此数据驱动井下供给风量建模是目前主通风机切换过程建模研究的热点. 如, 文献[7]利用静态工况下的井下供给风量和风门分支风门风阻的数据, 建立了基于RBF神经网络的井下供给风量模型.

近年, 由于具有极快的学习速度, 且能有效地解决传统神经网络收敛速度慢、易陷入局部极小的问题, 增量式随机权网络(Incremental random weight network, IRWN)已被广泛用于复杂工业过程的建模[8-10]. IRWN本质上是一种采用构造算法得到的单隐层前馈神经网络(Single layer feedforward neural network, SLFNN), 比传统神经网络具有更简单的结构和更高的计算效率[11]. 针对IRWN收敛性问题, 文献[12]通过对一类IRWN进行理论分析和仿真研究, 得出一个结论: IRWN的万能逼近能力只有在一定的约束条件下才能得到保证. 因此, 寻找保证IRWN收敛性的约束条件是建立IRWN的关键. 如, 文献[13]提出了一种基于不等式约束条件的随机配置网络(Stochastic configuration network, SCN), 其不仅具有万能逼近能力, 而且具有较快的学习速度. 与标准IRWN相比, SCN算法具有较快的学习速度和较高的模型精度, 但是SCN算法依然存在如下的问题:

问题. 随着隐含层节点数目的增加, SCN算法可能存在过拟合和泛化性能差的问题. 由于隐含层节点的增加, 使得模型学习时结构较复杂, 致使模型对已知训练数据表现较好, 而对未知数据具有较差的测试效果, 造成过拟合的问题. 由于过拟合的存在, 使得模型鲁棒性不足、泛化能力差, 难以实际应用.

另外, PLC控制系统已广泛应用于主通风机切换过程[14]. 由于受PLC存储空间、运行效率等的限制, 需要建立一个先进的小尺寸网络来减轻计算和存储压力. 因此有必要建立高质量、小尺寸的井下供给风量估计模型.

针对上述问题, 在SCN算法的基础上, 结合正则化(Regularization, R)技术, 本文提出一种新型的改进SCN算法, 即RSC算法. 该算法包含两个版本: RSC-I和RSC-II. 两个版本的算法在相同的不等式约束条件下随机分配隐性参数, 但采用不同的方式计算输出权重. RSC-I算法通过求解局部正则化最小二乘问题来确定输出权重, 而RSC-II算法采用全局正则化最小二乘法计算输出权重. 基准回归分析和工业实验表明: 相比SCN算法, 本文方法不仅具有较高的建模精度和较好的泛化能力, 而且还减轻了PLC存储和计算的压力.

图 1  主通风机切换过程示意图

图 2  不同C下RSC-II和SCN-III算法对函数近似的训练与测试精度结果对比

图 4  平均两种算法在测试数据集上的测试RMSE

针对SCN算法建模时存在过拟合和泛化能力差的问题, 本文结合正则化技术, 提出一种新型的RSC算法, 用于建立主通风机切换过程井下供给风量的估计模型. 与SCN算法相比, 建立的RSC-II模型不仅具有更高的模型精度, 而且具有更好的泛化能力. 尤为重要的是RSC-II算法可以有效避免SCN算法存在的过拟合问题. 同时, RSC-II算法具有与SCN算法相同的小尺寸特性. 因此, 基于所提算法建立的模型具有尺寸小、鲁棒性强、泛化性能好的优点, 能够应用到实际主通风机切换过程进行井下供给风量估计.

作者简介

王前进

盐城工学院电气工程学院讲师. 2018年获得中国矿业大学博士学位. 主要研究方向为数据驱动建模与控制, 机器学习算法. E-mail: wangqianjinabc@163.com

杨春雨

中国矿业大学信息与控制工程学院教授. 2009年获得东北大学博士学位. 主要研究方向为广义系统和鲁棒控制. E-mail: chunyuyang@cumt.edu.cn

马小平

中国矿业大学信息与控制工程学院教授. 主要研究方向为过程控制, 网络控制系统, 故障诊断. 本文通信作者. E-mail: xpma@cumt.edu.cn

张春富

盐城工学院电气工程学院副教授. 2007年获得哈尔滨工业大学博士学位. 主要研究方向为自动化测控. E-mail: zhangchunfu@hit.edu.cn

彭思敏

盐城工学院副教授, IEEE高级会员. 2013年获得上海交通大学电力系统及其自动化专业博士学位. 主要研究方向为新能源发电, 电池储能系统及微电网控制技术. E-mail: psmsteven@163.com