煤矿工作面需风量预测及通风机智能调速控制

石永宽

（西山煤电西铭矿， 山西 太原 030052）

0 引言

通风机为煤矿综采工作面的核心设备，其主要功能为降低综采工作面的粉尘、瓦斯浓度，并对工作面的温湿度进行调节控制，以保证综采工作面人员和设备处于一个相对舒适、干净且安全的工作环境中。在实际生产中，煤矿综采工作面的需风量处于动态变化状态。因此，根据工作面的实时需风量对通风机设备进行智能调速控制，以保证通风量与需风量的相互匹配，不仅有利于工作面的安全生产，而且对于通风机的节能运行具有重要意义。

1 工程概况

本文所研究的具体通风机类型为局部通风机，该局部通风机主要对某掘进工作面的通风进行调节控制。该掘进工作面属于独头巷道，在实际掘进过程中会在现场产生相应的瓦斯、二氧化碳等有害气体，在局部通风机的作用下将新鲜空气注入其中，稀释并排出现场的有害气体[1-2]。

根据通风机结构的不同可将其分为压入式通风机和轴流式通风机，对应的通风方式包括有压入式通风、抽出式通风和混合式通风三种[3-4]。本文所研究局部通风机的具体型号为FBCDNO.7.5，该型通风机属于对旋式局部通风机，具体参数如表1 所示。

表1 FBCDNO.7.5 对旋式局部通风机参数

根据通风机的惯性环节参数，并结合表1 中FBCDNO.7.5 对旋式轴流通风机的具体参数，其在额定状态对应的通风量为625 m3/min，可以得出其在不同转速条件下对应的通风量计算如式（1）所示：

式中：Q2为通风机的实时通风量；n2为通风机电动机的实时转速。

2 工作面需风量的预测

对于某个实际工作的工作面而言，工作面的需风量在很大程度上与实际掘进过程中所涌出的瓦斯、二氧化碳等有害气体的量相关，对应的计算如式（2）所示：

式中：Q 为工作面的实际需风量；q 为工作面瓦斯或二氧化碳的实际涌出量；K1为工作面瓦斯或二氧化碳涌出的不均匀的备用风量系数；K2为工作面瓦斯质量分数不超过1%或二氧化碳质量分数不超过1.5%的换算系数。

目前，工作面通风机运行主要面临的问题在于无法根据工作面的实时需风量对通风机的运行参数进行调节控制，不仅造成电能的浪费，更重要的是还存在通风机供风与实际工作面需风不相匹配的问题，从而导致在工作面存在瓦斯或二氧化碳急剧的问题，严重威胁工作面的安全生产。鉴于此，本文将基于神经网络算法对工作面通风机的需风量进行预测，并对通风机的运行状态进行提前控制。

2.1 工作面需风量预测过程

在实际生产中，工作面需风量在很大程度上与现场的瓦斯涌出量、煤尘浓度以及温湿度等指标相关，而且需风量与上述参数之间的关系一般相对复杂，为此采用GA 的神经网络算法对需风量进行精准预测。

1）基于GA 算法优化的神经网络模型，设计以时间为主线的1 个输入量节点，以瓦斯浓度、煤尘浓度、温湿度和需风量为5 个输出量节点。

2）将所采集的研究对象工作面需风量、瓦斯浓度、粉尘浓度以及温湿度的样本进行归一化操作处理，并设置相应的变量取值范围。

3）基于神经网络算法对样本数据进行优化训练。

4）将上述训练好的网络进行存储以备使用，并基于准备好的训练样本为基础对下一阶段需风量进行预测，并对预测结果与原始测量值进行对比，以验证上述模型的准确性。

5）重复上述2）—4）的步骤，通过不断迭代对训练网络进行不断的优化，以保证预测值与实测值的误差达到最小，最终得到通风量预测的模型。

2.2 工作面需风量预测结果

基于上述所设计的神经网络算法对需风量进行预测，并将预测结果与实际风量的测定值进行对比，对比结果如表2 所示。

表2 工作面需风量预测结果

如表2 所示，上述5 个序列中需风量预测在5 min 内完成的，即基于该算法可对5 min 后工作面的需风量进行预测，进而基于通风机智能调速控制策略实现对通风量的控制，达到了对工作面风量实时控制的目的。

3 工作面通风机的智能调速控制

传统针对工作面通风机控制的主要方式为手动通过挡风板和导向器对其风量进行调节，此种风量调节方式不仅自动化程度较低，而且还导致大量的电能浪费，而且控制存在延迟现象。基于可对工作面通风量精准提前预测的基础上，本文将基于模糊控制算法为核心对通风机进行调速控制，调速控制方式采用变频手段实现。

根据T-S 神经网络的控制原理结构并基于Simulink 软件建立工作面通风机智能调速控制的T-S神经网络控制模型，如图1 所示。

图1 T-S 神经网络控制模型

如图1 所示，上述神经网络控制模型的核心控制器为PID 控制器，主要思路为采用T-S 神经网络算法对PID 控制器中的系数进行调节控制。根据本文所研究局部通风机的具体参数和使用工况，确定控制器中比例环节系数为0.1，微分环节系数为0.000 5，积分环节系数为24。

对T-S 神经网络控制算法对应的控制效果进行仿真，仿真结果如图2 所示。

图2 T-S 神经网络控制系统控制效果

如图2 所示，通风机在10 s、20 s 和30 s 三个时刻点分别根据现场情况对通风机进行调速控制，在仿真过程中系统可对通风机的供风量进行实时控制，而且每次风量调节延时仅为2 s。而且，与传统PID 控制方式对比，基于T-S 神经网络控制系统具有调节时间快、超调量小以及供风稳定的优势。

4 结论

通风机为煤矿生产中的核心设备，其主要作用是为工作面人员和设备提供一个相对稳定、干净、舒适且安全的环境，对于煤矿高效、安全生产具有重要意义。本文工作面需风量预测和通风机的智能调速控制展开研究，并总结如下：

1）采用GA 优化的神经网络对构建需风量预测的模型，并通过不断迭代对模型网络进行优化，最终实现了可对5 min 后工作面需风量精准预测的功能。

2）采用T-S 神经网络算法对PID 控制器的系数进行调节，从而实现了对通风机供风量的实时、精准控制的目的。