基于FWA-RFNN的散裝物料智能裝車系統(tǒng)

劉澤朝，李敬兆，歐陽其春，王冀寧

(1.安徽理工大學 電氣與信息工程學院， 安徽 淮南 232001；2.淮北礦業(yè)(集團)有限責任公司 鐵路運輸處， 安徽 淮北 235000)

0 引言

鐵路運輸以其價格和速度適中的特點在煤礦散裝物料運輸中一直占據(jù)主導地位。隨著散裝物料運量快速增長，散裝物料在裝車過程中出現(xiàn)偏載的現(xiàn)象更加突出[1-2]，嚴重影響裝車的安全與效率。將散裝物料快速、穩(wěn)定、均衡地裝入列車車廂是解決偏載問題的關(guān)鍵，因此需要在散裝物料裝車過程中實現(xiàn)智能化控制[3-4]。

國內(nèi)外學者針對裝車提出了許多控制方法。李佛垚等[5]將模糊控制技術(shù)運用到裝車系統(tǒng)中，易于實現(xiàn)，但裝車誤差較大。劉學東等[6]提出了定量粗裝與精準添加的分層裝車控制策略，上層監(jiān)督系統(tǒng)采用知識驅(qū)動技術(shù)給底層基礎(chǔ)控制系統(tǒng)設定初值，同時對牽引速度進行協(xié)調(diào)，基礎(chǔ)控制系統(tǒng)對監(jiān)督系統(tǒng)給出的設定初值進行定值跟蹤，但由于缺乏自學習性，無法實現(xiàn)裝車系統(tǒng)參數(shù)的自適應調(diào)整。本文利用煙花算法(Fireworks Algorithm，F(xiàn)WA)優(yōu)化遞歸模糊神經(jīng)網(wǎng)絡(Recursive Fuzzy Neural Network，RFNN)，提出了基于FWA-RFNN的散裝物料智能裝車系統(tǒng)。通過FWA-RFNN使系統(tǒng)具有強大的自學習能力，能根據(jù)實時的輸入?yún)?shù)不斷地自適應調(diào)整輸出的控制參數(shù)，實現(xiàn)散裝物料的無偏載裝車。

1 散裝物料智能裝車系統(tǒng)總體架構(gòu)

散裝物料智能裝車系統(tǒng)分為感知執(zhí)行層、網(wǎng)絡傳輸層、信息處理層和應用控制層，如圖1所示。

圖1 散裝物料智能裝車系統(tǒng)總體架構(gòu)Fig.1 Overall architecture of intelligent loading system for bulk materials

感知執(zhí)行層由感知和執(zhí)行兩大模塊組成。感知模塊主要通過激光測距儀、超聲波傳感器和電子軌道衡等實時采集車廂速度、物料高度和物料質(zhì)量等信息。執(zhí)行模塊主要通過中部槽控制煤流量，并利用牽引電動機控制牽引車的實時牽引速度，從而牽引車廂勻速行駛，實現(xiàn)散裝物料的無偏載裝車。

網(wǎng)絡傳輸層采用無線通信與有線通信相結(jié)合的方式。無線通信方式利用無線傳感器網(wǎng)絡將采集的數(shù)據(jù)傳輸至匯聚節(jié)點進行邊緣計算，計算結(jié)果再通過無線模塊上傳至網(wǎng)關(guān)。有線通信方式采用RS485總線、同軸電纜和工業(yè)以太網(wǎng)等，將上傳至網(wǎng)關(guān)的數(shù)據(jù)發(fā)送至服務器進行深層次數(shù)據(jù)處理。

信息處理層主要包含數(shù)據(jù)庫、散裝物料裝車計量模型和FWA-RFNN。數(shù)據(jù)庫存儲由各傳感器采集的數(shù)據(jù)。散裝物料裝車計量模型由偏載計數(shù)模型和多車廂分布裝載牽引模型組成，可反映車廂偏載狀況，以及散裝物料高度、質(zhì)量與牽引速度的動態(tài)關(guān)系。FWA-RFNN根據(jù)數(shù)據(jù)庫提供的數(shù)據(jù)進行訓練，使其自適應輸出精準的控制參數(shù)。

應用控制層主要包括應用程序服務器、中心控制臺、顯示器等。應用程序服務器實時存儲FWA-RFNN輸出的控制參數(shù)，并將控制參數(shù)實時上傳至中心控制臺，實現(xiàn)與鐵路部門的協(xié)調(diào)運輸。工作人員根據(jù)FWA-RFNN輸出的控制參數(shù)，利用中心控制臺對散裝物料裝車進行控制，并通過顯示器實時觀察散裝物料裝車狀況。

2 散裝物料裝車計量模型

2.1 偏載計數(shù)模型

車廂上共有前后2個轉(zhuǎn)向架，每個轉(zhuǎn)向架都有對應的彈簧，通過激光測距儀測得彈簧形變量，通過計算可知車廂是否發(fā)生偏載。彈簧分別位于轉(zhuǎn)向架的4個方向上，設每個方向彈簧彈力分別為F1，F(xiàn)2，F(xiàn)3，F(xiàn)4，則轉(zhuǎn)向架所受壓力為[7]

Fb=F1+F2+F3+F4

(1)

根據(jù)彈簧彈力計算公式可得

Fb=kl1+kl2+kl3+kl4

(2)

式中：k為彈簧彈性系數(shù)；l1—l4為各方向上彈簧形變量。

通過計算車廂的左輪所受壓力Fzl與右輪所受壓力Fyl，判斷是否發(fā)生偏載。

Fzl=Fqb1+Fqb2+Fhb1+Fhb2

(3)

Fyl=Fqb3+Fqb4+Fhb3+Fhb4

(4)

式中：Fqb1—Fqb4分別為前轉(zhuǎn)向架4個方向的彈簧受力；Fhb1—Fhb4分別為后轉(zhuǎn)向架4個方向的彈簧受力。

當列車左右偏載時，|Fzl-Fyl|/(Fzl+Fyl)≥0.2。

2.2 多車廂分布裝載牽引模型

通過電子軌道衡可獲得短時間dt內(nèi)中部槽下放的散裝物料質(zhì)量m，利用m=ρV(ρ為物料密度)得到物料體積V；依據(jù)dt內(nèi)測得的車廂速度v，可近似得到dt內(nèi)車廂裝載物料的長度vdt；利用超聲波傳感器可測得已裝物料高度[8]，通過計算車廂高度與已裝物料高度的差值，獲得待裝物料高度H。由此可建立物料體積與車廂速度、物料高度的關(guān)系式：

(5)

式中W為車廂寬度。

車廂速度v與牽引電動機頻率f的關(guān)系式：

v=λfd

(6)

式中：λ為控制參數(shù)；d為車廂裝載過程中的行駛距離。

將式(6)代入式(5)，兩邊同時約去積分可得f與H，d的關(guān)系式：

f=V/(WλdH)

(7)

牽引電動機頻率f與牽引電動機轉(zhuǎn)速n的關(guān)系式[9]：

n=60f(1-s)/p

(8)

式中：s為牽引電動機轉(zhuǎn)差率；p為牽引電動機旋轉(zhuǎn)磁場的極對數(shù)。

由式(6)—式(8)可知，根據(jù)待裝物料高度H、物料質(zhì)量m及車廂裝載過程中的行駛距離d可動態(tài)調(diào)節(jié)牽引電動機頻率f，進而改變牽引電動機轉(zhuǎn)速n，從而實時控制車廂速度v，以實現(xiàn)散裝物料的多車廂分布均衡裝載。

3 基于FWA-FRNN的散裝物料裝車控制

3.1 FWA

FWA是一種新的群體智能優(yōu)化算法，可用于優(yōu)化求解問題，給出最佳的優(yōu)化結(jié)果。FWA主要步驟如下。

(1) 初始化煙花個體。根據(jù)所要求解的空間集合U，在U內(nèi)隨機產(chǎn)生一些煙花，每個煙花個體表示U中的1個解。

(2) 確定煙花爆炸半徑及火花數(shù)。U內(nèi)第i(i=1，2，…，N，N為煙花數(shù))個煙花個體xi爆炸后產(chǎn)生的爆炸半徑Ai和火花數(shù)Si分別為[10]

(9)

(10)

式中：a為用來控制最大爆炸半徑的常數(shù)；g(xi)為適應度函數(shù)值；gmin(xi)為煙花種群中適應度最小值；ε為用來避免分母為零的常數(shù)；b為用來限制火花數(shù)的常數(shù)；gmax(xi)為煙花種群中適應度最大值。

(3) 對爆炸后的煙花個體進行變異操作。

(11)

(4) 選擇新的煙花種群。將爆炸變異后產(chǎn)生的煙花個體與原煙花種群中的個體重新組合形成下一代候選煙花種群ω。ω內(nèi)適應度函數(shù)值最小的煙花個體直接保留為下一代，其余個體采用輪盤賭法進行隨機選擇，被選中的概率為[11]

(12)

式中D(xc)為ω中未被選中煙花個體xc(c=1,2,…,N,c≠i)之間的距離。

(5) 迭代終止判斷。若達到最大迭代次數(shù)，停止迭代，否則返回步驟(2)，繼續(xù)迭代。

3.2 RFNN

RFNN分為參數(shù)輸入層、隸屬度函數(shù)層、規(guī)則制定層、遞歸記憶層、后件T-S型層、參數(shù)輸出層[12]，如圖2所示。

圖2 RFNN結(jié)構(gòu)Fig.2 Structure of RFNN

參數(shù)輸入層：該層的各神經(jīng)元節(jié)點分別代表第j(j=1，2，…，q，q為輸入?yún)?shù)數(shù)量)個輸入?yún)?shù)Ij。

隸屬度函數(shù)層：該層的每個神經(jīng)元節(jié)點代表1個隸屬度函數(shù)，采用高斯函數(shù)作為隸屬度函數(shù)。

(13)

式中：uj為隸屬度函數(shù)值；Ej，σj分別為高斯函數(shù)的均值與方差。

規(guī)則制定層：該層的每個神經(jīng)元節(jié)點代表1個模糊邏輯規(guī)則，其輸出為

(14)

遞歸記憶層：在該層加入動態(tài)反饋調(diào)節(jié)，增強網(wǎng)絡動態(tài)能力，并引入反饋權(quán)重τj，采用線性加和函數(shù)作為激活函數(shù)[13]。

(15)

式中：ηj為激活函數(shù)值；θj為內(nèi)部變量，θj=δj+τj。

后件T-S型層：該層的每個神經(jīng)元節(jié)點代表δj與θj相乘得到的連接權(quán)重φj。

參數(shù)輸出層：該層先對Ij與模糊參數(shù)Ψj的乘積進行求和，再與φj相乘實現(xiàn)去模糊化，最終輸出精準的控制參數(shù)O。

(16)

3.3 FWA-RFNN

為了使RFNN能夠在對數(shù)據(jù)進行分析的基礎(chǔ)上依然具有強大的自學習能力，不斷自主調(diào)整參數(shù)，利用FWA優(yōu)化RFNN權(quán)重，具體步驟如下。

(1) 對權(quán)重進行初始化。設定RFNN權(quán)重初始化區(qū)間為[-1,1]，以每個煙花個體xi所處的位置表示RFNN的權(quán)重φxi，每一個煙花個體xi代表RFNN中的1個神經(jīng)元[14]。

(2) 計算適應度函數(shù)值。通過不斷的迭代運算使RFNN的實際輸出值與期望輸出值的差值越來越小，當達到理想的輸出值時獲得最優(yōu)的連接權(quán)重與反饋權(quán)重。煙花種群中每個煙花個體的適應度函數(shù)值為

(17)

(3) 煙花種群尋優(yōu)。通過式(9)、式(10)求得煙花個體爆炸后產(chǎn)生的煙花半徑和火花數(shù)，再利用式(11)對爆炸后的煙花個體進行變異操作，然后通過式(17)計算煙花種群中全部個體的適應度函數(shù)值，并依據(jù)式(12)選擇最優(yōu)的煙花個體組合成下一代新的煙花種群[15]。

(5) 更新權(quán)重。通過最優(yōu)煙花種群對RFNN的權(quán)重進行更新。

3.4 基于FWA-RFNN的裝車控制策略

基于FWA-RFNN的裝車控制策略如圖3所示。將列車車廂速度的實測值v與設定值vref進行比較，得到偏差e作為RFNN控制器的輸入，通過RFNN控制器對e進行模糊化、動態(tài)記憶調(diào)節(jié)、去模糊化等處理，并利用FWA對RFNN權(quán)重進行優(yōu)化，使RFNN控制器自適應輸出修正后的控制參數(shù)λ；依據(jù)散裝物料裝車計量模型，根據(jù)各傳感器采集的物料質(zhì)量m、物料高度H、車廂裝載過程中的行駛距離d及RFNN控制器輸出的λ，求得所需調(diào)節(jié)的牽引電動機頻率f，進而改變牽引電動機轉(zhuǎn)速n，從而調(diào)整列車車廂速度，實現(xiàn)散裝物料的無偏載裝車。

圖3 基于FWA-RFNN的裝車控制策略 Fig.3 Loading control strategy based on FWA-RFNN

4 仿真驗證

為驗證FWA-RFNN的有效性，采用Matlab R2019b軟件進行仿真實驗。硬件環(huán)境：Intel Core i7-9750處理器，NVIDIA GeForce GTX1650顯卡，8 GB內(nèi)存。軟件環(huán)境：Windows10操作系統(tǒng)，Eclipse運行平臺。

使用200個樣本數(shù)據(jù)對RFNN進行訓練。實驗參數(shù)設置：初始煙花種群個數(shù)為40，每個煙花種群產(chǎn)生爆炸火花數(shù)為30，F(xiàn)WA終止條件為迭代次數(shù)大于300，F(xiàn)WA的學習率為0.03。為了評估FWA對RFNN的優(yōu)化效果，采用均方根誤差作為評估指標。FWA優(yōu)化RFNN前后均方根誤差曲線如圖4所示?？煽闯鼋?jīng) FWA優(yōu)化后的RFNN均方根誤差明顯減小，且收斂速度更快。

圖4 FWA優(yōu)化RFNN前后均方根誤差曲線Fig.4 Root mean square error curves before and after optimization of RFNN by FWA

分別利用RFNN與FWA-RFNN控制牽引電動機轉(zhuǎn)速，結(jié)果如圖5所示?？煽闯鯢WA-RFNN相對于RFNN能更快地調(diào)節(jié)牽引電動機轉(zhuǎn)速至恒定值，且牽引電動機轉(zhuǎn)速保持穩(wěn)定，表明FWA-RFNN在保持列車車廂行駛穩(wěn)定性方面具有良好的控制效果，滿足多車廂分布均衡裝載的要求。

圖5 FWA優(yōu)化RFNN前后牽引電動機轉(zhuǎn)速曲線Fig.5 Traction motor speed curves before and after optimization of RFNN by FWA

5 應用效果

基于FWA-RFNN的散裝物料智能裝車系統(tǒng)已應用于淮北礦業(yè)(集團)有限責任公司桃園煤礦。分別基于RFNN和FWA-RFNN控制的實際裝車效果對比見表1，可看出基于FWA-RFNN控制的裝車誤差明顯減小，提高了裝車精度。

表1 FWA優(yōu)化RFNN前后裝車效果對比Table 1 Loading effect comparison before and after optimization of RFNN by FWA

6 結(jié)語

基于FWA-RFNN的散裝物料智能裝車系統(tǒng)通過激光測距儀、超聲波傳感器和電子軌道衡等實時采集車廂速度、物料高度和物料質(zhì)量等信息；利用FWA對RFNN的權(quán)重進行優(yōu)化，RFNN控制器根據(jù)車廂速度實際值與設定值的偏差自適應輸出精準的控制參數(shù)；依據(jù)散裝物料裝車計量模型，根據(jù)采集的物料高度、物料質(zhì)量、車廂裝載過程中的行駛距離及RFNN控制器輸出的控制參數(shù)，動態(tài)調(diào)節(jié)牽引電動機頻率，進而改變牽引電動機轉(zhuǎn)速，從而實時控制車廂速度，以實現(xiàn)散裝物料的多車廂分布均衡裝載。結(jié)果表明，經(jīng)FWA優(yōu)化后的RFNN控制器可快速調(diào)節(jié)車廂速度，且保持速度穩(wěn)定，滿足多車廂分布均衡裝載的要求，同時提高了裝車精度。