基于BP神经网络的刮板输送机负载预测的研究

煤矿开采是我国的主要资源型产业之一，伴随着资源匮乏日益明显，煤矿资源的合理开采以及高效利用就变得尤为重要[1-2]。刮板输送机是井下主要的综采设备之一，工作过程中容易受到采煤量以及井下恶劣的环境影响，因此故障率较高。以往关于刮板输送机的负载研究多数以起动工况为主，而对于正常输送过程中不断变化的采煤量影响的研究较少，这就造成无法对输送过程的负载进行明确掌握，从而不能使刮板输送机的故障进行有效控制[3-4]。刮板输送机是采煤机工作的轨道，采煤过程是依靠采煤机与刮板输送机的配合进行。采煤机的位置和速度都影响着刮板输送机的负载[5-6]。在没有精确的计算模型下，刮板机的额定负载往往使用最大负载量，因此有可能造成采煤机与输送机的匹配不良，造成刮板输送机故障发生。本文以采煤过程刮板输送机的负载变化为研究对象，对送煤量的进行了计算研究，在此基础上运用BP 神经网络技术建立了刮板机的负载预测模型，并对其进行了验证。

1刮板输送机载煤量计算模型

刮板输送机的载煤量与采煤机的割煤过程直接

相关，双向割煤在井下采煤工作中应用广泛，本文以此割煤方式为例，双向割煤采煤工作过程如图1

所示。由图1可以看出，采煤机运行轨道有直线和斜线2种方式，因此应对2种的同向和反向运行过程载煤量进行计算。

图1双向割煤采煤机工作图

直线运行轨迹运行时，刮板输送机的正向为尾部到头部，采煤机正向为上顺槽至下顺槽。刮板输送机的正向和反向运行过程如图2所示，设开始采煤到开始落煤时间为t 1，经过时间t 2后刮板输送机卸煤完成，以此计算刮板输送机的载煤量。当采煤机割煤过程中，刮板机开始卸煤，载煤量计算公式为：

Q=q s v s t 0≤t ≤t 1q s v s t-q c v c (t-t 1)

t 1≤t ≤t s q w v s t s -q c v c (t-t 1)

t s ≤t ≤t 2

⎧⎩

⏐

⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐⏐（1）

采煤机斜向运行时，刮板输送机运煤量逐渐加大，其余过程与直线采煤类似，设采煤机斜向割煤长度为N ，载煤量的计算公式如下：

基于BP 神经网络的刮板输送机负载预测的研究

郝斌

（同煤集团轩岗煤电有限责任公司，山西原平034114）

摘

要

本文针对当前刮板输送机的发展现状，详细介绍了刮板输送机的负载特性。通过对采煤过

程中刮板输送机送煤量的变化情况进行分析，得出了刮板输送机电流与负载之间的联系。通过利用BP 神经网络的方法，建立了负载与电流的预测模型，对输送机负载情况进行了预测，为井下刮板输送机与采煤机协同工作提供了参考依据。关键字

刮板输送机；负载预测；

神经网络；电流中图分类号：TD63+.42

文献标志码：A

文章编号：1009-0797（2018）03-0087-03

Research on Load Forecasting of Scraper Conveyor Based on BP Neural Network

Hao bin

（Datong Coal Mine Group Xuangang coal limited liability company ,Shanxi Yuanping 0350053）

Abstract ：

In this paper,the current situation of scraper conveyor is introduced,and the load characteristics of scraper conveyor are introduced in detail.Through the analysis of the change of the amount of coal feeding in the scraper conveyor,the relationship between the current and the load of the scraper conveyor is obtained.By using the BP neural network method,the prediction model of load and current is established,and the load condition of the conveyor is forecasted,which provides a reference for the cooperation between the scraper conveyor and the coal miner.Key words:Scraper conveyor ;Load forecasting ;Neural network ;Current

87··

Q=

q s v 2s t 2

2N

0≤t ≤t s 12q s

N t s ≤t ≤t 1

12q s

N-(T-t 1)2

q s v 2

v v 2

s

2N(v c -v s )

2

t 1≤t ≤t 2

⎧⎩

⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐（2）

（a ）同向运行

（b ）方向运行图2

刮板输送机运煤过程

刮板输送机负载主要指的是运行阻力，

包括机头到机尾的空载阻力和从机尾到机头的重载阻力。这些阻力针对不同运行段种类也不同，总体有移动阻力、弯曲阻力以及自重分力等等。刮板机为双端驱动，负载转矩的表达公式为：

T=12·Wv ωηc =WR

2n n n n η

c

（3）

式中：v 为链条速度，ω为电机运行角速度；n 为链轮转速；R 为链轮半径；W 为运行总阻力。

刮板输送机的电机特征计算公式，电磁转矩计算公式为：

T=C M Ф1Icos φ

（4）

式中：C M 为刮板输送机转矩系数；I 为转子电流；

Ф1为每极磁通量；cos φ表示功率因素。

由式（4）可以看出，由磁通量和功率因素就可根据载煤量Q 及电磁力矩推导出电机负载电流，载煤量越大，则电机电流也相应的增大，但实际工作过程中电机转速不稳定，传动系摩擦系数随环境不断变化，电机电流与负载并不能完全线性表示出来，因此需要采用预测方法对负载状态进行预判断。2

基于BP 神经网络的刮板机负载预测

标准BP 算法可能会由于学习速率过小或过大

都会使系统的计算受到影响，

因此采用自适应学习速率法，通过权值进行速率调整。本次预测选取的样本数据为150组输送机电流工程数据，时间间隔

500ms ，为了减少奇异样本数据产生的误差，将数据归一化处理到[1]区间。将150个样本数据中连续8个

作输入向量，

第9个作目标向量，设定100组训练样本，前108数据为训练样本，测试样本为后42个数据。采用时间序列预测，把测试样本期望值放入输入

向量，预测后面10s 的电流变化情况，

通过对比预测数据与样本数据来分析预测结果。采用3层BP 神经

网络，6个输入层神经元节，1个输出层神经元节点，选用8神经元节点的但隐含层神经网络。通过MATLAB 仿真，训练误差为0.01，学习速率初始值0.02，最大训练次数为1000，采用自适应学习速率的BP 神经网络函数，网络训练结果如图3所示。

图3均方误差变化图

图4预测电流和实际电流对比图

由图3可看出训练数据、验证数据及测试数据自动划分，迭代150次时训练均方误差减小，迭代215次后均方误差为最优值。利用训练好的BP 神经网络对刮板机负载电流进行预测，结果如图4所示。将预

（下转第92页

）

88··