0、前言
    球磨機是當前國內火電廠制粉系統中使用最多的磨煤設備，且廣泛應用于采礦、冶金等其他行業。其優點是容量大、運行可靠、煤種適應性強、維護簡單、檢修費用低等；缺點是制粉電耗高、控制優化難。球磨機是多變量、非線性、強耦合、大延遲對象，不僅特性復雜，且變量時變緩慢。目前，球磨機筒內料位缺少有效可靠的檢測手段，一般是由運行人員通過對其數十個運行參數的監控并結合平時的運行經驗來間接判斷磨煤機中的料位是否過高或過低。現有的自動控制系統難以長期可靠投用，球磨機經常運行于缺煤或是堵塞的工況，導致制粉電耗偏高。只有保持球磨機在最佳料位下運行，才能使磨煤過程中的無用功耗降低、提高磨煤效率。并且從保證鍋爐穩定燃燒的角度出發，對其運行狀態進行及時準確的監控亦具有非常重要的意義。因此，對球磨機料位的監測是實現自動控制、運行優化、節能降耗的關鍵所在。
    本文以某大型電廠制粉系統（如圖一所示）中的球磨機（型號：MT2350/600）為研究對象，設計了一個基于BP神經網絡的料位監測系統。并利用Matlab 7.0強大的數據處理功能和其神經網絡工具箱，編制了相應的數據處理，特征值提取和BP神經網絡的程序，流程圖如圖二所示。其主要功能為：正確監測球磨機的料位狀態，預測可能發生的堵磨及缺煤情況，可以提高球磨機的運行效率，降低制粉單耗，具有良好的經濟效益。
1、BP神經網絡結構及料位判定原理
    神經網絡能夠實現從輸入空間到輸出空間的非線性預測，即可以檢測出多變量之間的關系。它能夠識別各種狀態并對其進行分類，這些狀態與網絡訓練時所使用的數據相接近或相似。神經網絡雖不能給出準確的輸出信息，但所輸出的信息正好能夠接近于最佳答案。利用神經網絡的這些優點，可以建立動態的球磨機料位監測系統。
    本系統采用反向傳播模型(Back Propagation Model)，因其很好的逼近非線性映射能力和高度并行處理等，近年來被廣泛應用于模式識別、圖像處理、預測等方面。它是一種多層前饋型網絡，根據Kolmogorv定理，給定任何一連續函數，都可由一個三層BP網絡來實現。輸入層與隱層各節點之間，隱層與輸出層各節點之間用可調整的權值來連接，三層BP網絡結構圖如圖二所示。其中，輸入層輸入制粉系統的11個運行參量（具體各參量見表一），輸出層輸出對料位高低的判斷結果。
2  BP神經網絡的學習算法
    BP算法的實質是一種以網絡誤差平方和為目標函數，按梯度法求目標函數達到最小值的算法。F1(·)和F2(·)分別為隱層和輸出層節點的激活函數。按照模式的順傳播和誤差的逆傳播法則，網絡輸入與輸出的關系為
 
    其中n為輸入層神經元個數；p為隱層神經元個數；yi為輸入層第i個神經元與隱層第j個神經元之間的權值；Wkj為隱層第j個神經元與輸出層第k個神經元之間的權值；xi為輸入層神經元i的輸入；yk為輸出層第k個神經元輸出。同時將隱層和輸出層的節點神經元的閾值視為該節點神經元的第0個輸入，而對應的權值為-1。

3、磨煤機運行中的動態系統建模
    網絡隱層神經元的數目對網絡有一定的影響，神經元數目太少會造成網絡的不適性，而數目太多又會引起網絡的過適性。所以考慮到網絡輸入和輸出之間存在的高度的非線性及一般的BP網絡設計原則，確定BP網絡模型的拓撲結構為11：23：3，即輸入層、隱層、輸出層分別為11，23，3個節點，在實際訓練中，如果訓練結果不理想，還可以適當增加或是減少隱層神經元的數目。隱層節點的輸出函數采用Sigmoid函數，輸出
為100時表示料位過高，010時表示料位正常，001時表示料位過低。
3.1  樣本的選取
    因為神經網絡的泛化能力只是具有內插功能，對外部數據的泛化能力很差，所以訓練樣本對的選取對能否經由訓練得到合理、精確的模型來說是至關重要的。這里，采集了大量的數據，分別來自160、200、250、300 (MW)4個典型負荷點的工況。
由于選用了S函數，BP網絡的輸入節點物理量各不相同，數值相差甚遠，若將這11個分量直接輸入到網絡中，則網絡判斷結果不穩定會產生誤判，同時亦為了防止小數值信息被大數值信息淹沒，故對樣本對的輸入和輸出數據進行如下的數據規格化處理。
 
將采集到的數據通過觀察數據的頻率分布圖或其他根據剔除了異常的數據對，因為這些會影響到網絡的學習。剩下的數據樣本分成2個部分，即訓練樣本和測試樣本。這里我們準備了120組訓練樣本對，40組測試樣本對共160組數據。
 
3.2  網絡的訓練
    建立了網絡模型和采集了訓練數據后，就可以進行學習了。
    首先要對初始參數賦初值。由于系統是非線性的，初始值對于學習是否達到局部最小，是否能夠收斂以及達到的訓練速度的關系很大。這里取初始權值為（-1，1）的互不相等的隨機數。學習速率的選取也很重要，它和負梯度的乘積決定了權值和閾值的調整量，學習速率越大則調整步伐越大，但容易振蕩，這里設為0. 02。系統平均誤差設為0.05。
    同時在訓練過程中，應重復選取多個初始點進行訓練，以保證訓練結果的全局最優性。
3.3  xvl原BP網絡算法的改進
    由于在實用中BP算法存在三個主要的缺點[11]，即(1)收斂速度慢；(2)網絡容錯能力差；(3)容易出現局部最優的問題。所以對現有的BP算法進行一些改進：
1)在加權系數調整時，增加一個慣性（動量）項可以加快收斂速度，加權系統變化更加平滑，公式如下
 
式中口是一個常數，它決定過去權重的變化對目前權值變化的影響程度。
2)除了使用附加動量法，還使用具有自適應學習速率的梯度下降法，能夠增加穩定性，提高速度和精度，公式如下：
 
3.4  網絡的測試結果及分析
    通過對樣本對的反復學習，系統的誤差達到了設計的精度(0.05)，網絡昀權值調整完畢。為了檢驗網絡的正確性，將測試樣本對輸入網絡進行測試。網絡對測試數據的識別的部分結果與實際情況的比較如表一所示。
    由該表可以看出，網絡具有一定的泛化能力，在中低負荷的情況下，其判定結果的正確率要比運行人員的判斷要好，基本上能達到所要求的精度。但在高負荷的情況下準確率不高。研究表明，是由于在高負荷的情況下，整個鍋爐系統的運行參數變化較大，耦合度較高，輸入的數據的不能夠完全及時地反映實際運行工況，致使網絡的誤判率增加。若能與其他傳統監測方法相結合的話，網絡的容錯性、魯棒性和泛化能力會有進一步的提高。
    同時由于實際中參數的數據采集或現場測量儀表存在一定誤差，使有些測試樣本的輸入造成網絡
的輸出誤差，難以達到訓練時誤差要求。
  表一    磨煤機實際運行工況與神經網絡輸出值比較
 
說明：1、以上參數系列均為在兩臺制粉系統運行、排粉機入口風門開度不變、給煤機轉速不變的情況下。
    2、以上12組數據中，“正常”、“缺煤”、“堵塞”各種現象只取了一組數據，故障程度適中，實際運行中的參數變化可能隨具體煤種、調節手段、環境溫度、設備特性、故障程度等的差異而有所變化。
4  、結論
    由以上仿真可以看出，通過BP神經網絡對磨煤機的料位進行監測是切實可行的而且該網絡具有很強的自學習性、自適應性和容錯性，是一種比較實用的方法。
    當燃用貧煤、無煙煤或其它煤種時，也可用這一網絡模型，但應根據不同的運行特點，選取關鍵參數作為模型的輸入因子，對模型進行訓練，重新獲取相應的模型參數，以對其運行工況進行分析。
    若能將BP神經網絡模型與鍋爐控制的DCS建立接口，使其能夠進行在線訓練，則可對所關心的這種無法直接測量的重要運行參數進行實時估算，并隨時提供預測結果給運行人員進行參數調整。本文所研究的模型及方法可以應用子電廠制粉系統的在線優化運行。
    三門峽富通新能源銷售球磨機、雷蒙磨、雷蒙磨粉機、雷蒙磨配件等。