矿井通风网络风量智能调控研究

任子晖, 李昂, 吴新忠, 许嘉琳, 陈泽彭

任子晖，李昂，吴新忠，等. 矿井通风网络风量智能调控研究[J]. 工矿自动化，2022，48(11)：110-118. DOI: 10.13272/j.issn.1671-251x.2022040020
引用本文: 任子晖，李昂，吴新忠，等. 矿井通风网络风量智能调控研究[J]. 工矿自动化，2022，48(11)：110-118. DOI: 10.13272/j.issn.1671-251x.2022040020
shu
REN Zihui, LI Ang, WU Xinzhong, et al. Research on intelligent control of air volume of mine ventilation network[J]. Journal of Mine Automation，2022，48(11)：110-118. DOI: 10.13272/j.issn.1671-251x.2022040020
Citation: REN Zihui, LI Ang, WU Xinzhong, et al. Research on intelligent control of air volume of mine ventilation network[J]. Journal of Mine Automation，2022，48(11)：110-118. DOI: 10.13272/j.issn.1671-251x.2022040020
shu

矿井通风网络风量智能调控研究

  • 中国矿业大学 信息与控制工程学院, 江苏 徐州　221116

基金项目: 国家重点研发计划项目（2018YFC0808100）；江苏省重点研发计划项目（BE2016046）。
详细信息
    作者简介:

    任子晖（1962-），男，江苏徐州人，教授，博士，博士研究生导师，主要研究方向为矿井通风网络优化与自动化装置，E-mail：ren_zicumt@126.com

    通讯作者:

    李昂（1997-），男，江苏徐州人，硕士研究生，主要研究方向为矿井通风网络优化建模、智能优化算法，E-mail：1213686288@qq.com。

  • 中图分类号: TD724

Research on intelligent control of air volume of mine ventilation network

  • School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

HTML全文

    摘要
  • 摘要: 现有矿井通风网络风量智能优化算法在求解调风参数时普遍存在模型复杂、收敛速度慢、易陷入局部最优等缺陷，同时也缺乏与调风分支优化选择相结合的研究。针对上述问题，提出了一种基于改进天牛须搜索（BAS）算法的矿井通风网络风量智能调控方法。首先，以用风分支的风量需求为优化目标，构建风量优化调节数学模型，针对该模型中的风量调节约束条件，采用不可微精确罚函数并结合模拟退火算法优化惩罚项，实现模型的去约束化。然后，通过求解灵敏度矩阵，结合风量灵敏度和分支支配度理论选择最优的调节分支集，确定其风阻调节范围，并作为模型的初始解集。最后，基于改进BAS算法求解出最优调风参数，进而控制对应的调风设施，实现风量调控。基于矿井通风实验平台对该方法的可靠性进行实验验证，结果表明：相比于标准BAS算法和粒子群优化（PSO）算法，改进BAS算法综合寻优性能更优越，解得的风量平均值和最优解均高于PSO算法和标准BAS算法，平均运行时间虽略长于标准BAS算法，但远短于PSO算法，平均收敛代数最多，精度最高，容易跳出局部循环得到最优解；在设定风量调节目标后，基于改进BAS算法的矿井通风网络风量智能调控方法可快速精准求解出待调分支的风量最优值，调节后的分支风量满足矿井安全生产的调风要求，风量上调高达 46.5%。
    Abstract: The existing intelligent optimization algorithm of air volume of mine ventilation network has the defects of complex model, slow convergence speed, easy falling into local optimum when solving the air adjustment parameters. There is a lack of research on the combination of optimal selection of air adjustment branches. To solve the above problems, an intelligent control method of air volume of mine ventilation network based on improved beetle antennae search (BAS) algorithm is proposed. Firstly, the mathematical model of air volume optimal adjustment is established by taking the air volume demand of the air consumption branch as the optimization objective. In view of the air volume adjustment constraint conditions in the model, the non-differentiable exact penalty function and the simulated annealing algorithm are adopted to optimize the penalty term, so that the model is unconstrained. Secondly, by solving the sensitivity matrix and combining the theory of air volume sensitivity and branch dominance, the optimal adjustment branch set is selected. The air resistance adjustment range is determined as the initial solution set of the model. Finally, based on the improved BAS algorithm, the optimal air adjustment parameters are solved. The corresponding air adjustment facilities are controlled to realize air volume adjustment. The reliability of the method is verified by experiments based on the mine ventilation experimental platform. The results show that compared with the standard BAS algorithm and particle swarm optimization (PSO) algorithm, the improved BAS algorithm has superior comprehensive optimization performance. The average value and optimal solution of air volume are higher than those of the PSO algorithm and standard BAS algorithm. Although the average running time is slightly longer than the standard BAS algorithm, it is far shorter than the PSO algorithm. The average convergence algebra is the most, the precision is the highest, and it is easy to jump out of the local loop to get the optimal solution. After setting the air volume adjustment target, the intelligent control method of air volume of the mine ventilation network based on the improved BAS algorithm can quickly and accurately solve the optimal value of the air volume of the branch to be adjusted. The adjusted branch air volume meets the air volume adjustment requirements of mine safety production, and the air volume is increased up to 46.5%.
    • HTML全文

  • 0.   引言

    矿井通风系统作为煤矿的“血液循环系统”，不断向煤矿井下工作地点输送充足的新鲜空气，从而确保矿井安全回采及工作人员健康[1]。在煤矿开采过程中，矿井通风系统的巷道属性和通风网络结构等会随着回采、掘进而发生改变，任一巷道分支通风参数的改变都会使整个通风网络状态发生变化[2]，若通风系统失效、风量调控不及时，都将引发有毒有害气体污染范围扩大，严重时会导致人员中毒伤亡，威胁矿井安全生产。因此，为满足用风地点的风量需求，需要进行风量的按需智能调控。

    近年来，国内外学者对通风网络优化理论与风量智能调控技术开展了深入研究。文献[3]深入研究了回路风量法，提出了无初值化的Scott-Hinsley算法，优化了Scott-Hinsley算法的收敛性，使其适用于复杂矿井通风网络的解算。文献[4]构建了一种智能通风控制系统，提高了复杂矿井通风网络的解算效率；提出了矿井通风智能控制思想，奠定了矿井通风系统智能调控的基础。文献[5]研究了通风系统优化问题，应用遗传算法(Genetic Algorithm，GA)进行风量求解，在优化过程中评估和选择最具经济效益的解决方案，使得通风机的运行能耗最小。文献[6]以矿井通风网络的总功率最小为目标，结合改进的粒子群优化（Particle Swarm Optimization，PSO）算法实现通风网络寻优，使得通风系统总功率消耗明显降低，达到了节能目的。文献[7]引入灵敏度理论来量化可调分支风阻临界值，有针对性地通过改变分支风阻进行风量调节。文献[8]通过研究矿井风量智能调控的关键技术，指明了实现智能化矿井通风的重点研发方向。

    虽然矿井通风相关研究取得了众多成果，越来越多的智能优化算法被应用到通风网络优化研究中，但这些智能优化算法在求解调风参数时普遍存在模型复杂、收敛速度慢、易陷入局部最优等缺陷，也缺乏与调风分支优化选择相结合的研究。为此，本文将通风基础理论与煤矿具体通风需求相结合，提出了一种基于改进天牛须搜索(Beetle Antennae Search，BAS)算法的矿井通风网络风量智能调控方法。构建了通风网络风量优化模型，引入灵敏度和分支支配度理论确定风量调节分支集和风阻可调范围，采用改进BAS算法求解出最优的调风参数，进而控制对应的调风设施，实现风量调控。

    1.   通风网络风量优化调节数学模型构建

    1.1   风量调节数学模型

    在矿井生产推进过程中，当某一用风分支$ i $的风量供给不足时，容易导致瓦斯聚集而引起瓦斯浓度超限[9]。以该用风分支的风量需求最大值为优化目标，定义最大风量目标函数：$ {F}_{\mathrm{m}\mathrm{a}\mathrm{x}}={Q}_{{i}} $($ {Q}_{{i}} $为目标用风分支$ i $的风量，m3/s)。

    在矿井通风网络风量智能调控过程中需遵循回路风压平衡、节点风量平衡两大风量流动定律及满足通风网络分支最小需风量[10]。

    (1) 节点风量平衡定律：

    $$ \sum_{j = 1}^N {{a_{kj}}{Q_j}}= 0 $$ (1)

    式中：$ {a}_{kj} $为构成关联矩阵的元素， $ {a}_{kj}=1 $ 时表示节点$ k $（k=1，2，…，M，M为通风网络节点数）与分支$ j $（j=1，2，…，N， $ N $为通风网络分支数）正向关联，$ {a}_{kj}=-1 $ 时表示节点$ k $与分支$ j $负向关联，$ {a}_{kj}=0 $ 时表示节点$ k $与分支$ j $没有关联；$ {Q}_{j} $为分支$ j $的风量，m3/s。

    （2） 回路风压平衡定律：

    $$ \sum_{j = 1}^N {{b_{vj}}{{(}}{{{R}}_j}{{{Q}}_j}^{{2}}{{ - }}{{{P}}_j}{{)}}}= 0 $$ (2)

    式中：$ {b}_{vj} $为构成回路矩阵的元素, $ {b}_{vj}=1 $ 时表示分支$ j $在回路$ v $${{ (v}} = 1,2, \cdots ,N - M + 1{{)}} $中且同向，$ {b}_{vj}=-1$ 时表示分支$ j $在回路$ v $中且反向， $ {b}_{vj}=0 $ 时表示分支$ j $不属于回路$ v $；$ {R}_{j} $为分支$ j $的风阻，N·s2/m8；$ {P}_{j} $为分支$ j $各风压代数和，Pa。

    为了保证风量优化调节的安全与稳定，应使矿用通风机工作在工况点处，避免引发通风机喘振[11]。因此，矿用通风机的实际工作风压$ {H}_{{\rm{f}}} $应不高于最高风压${H}_{\mathrm{f}\,\mathrm{m}\mathrm{a}\mathrm{x}}$的90%，运行效率η应高于0.6。

    结合风量流动的基本定律及风量调节的约束条件分析可知，矿井通风网络风量优化调节数学模型是非线性、带有约束条件的，不利于计算求解。为此，应用精确罚函数将该风量优化调节数学模型求解转换为非线性无约束化类型问题的求解[12]。优化后的非线性无约束化的矿井通风网络风量优化调节数学模型为

    $$ \begin{split} {{F}}=&{{Q}}_{i}+\gamma {\displaystyle \sum\limits _{k=1}^{M}\left|{\displaystyle \sum\limits _{j=1}^{{N}}{a}_{kj}{{Q}}_{j}}\right|}+ \phi {\displaystyle \sum _{v=1}^{N-M+1}\left|{\displaystyle \sum _{j=1}^{{N}}{b}_{vj}{{(R}}_{j}{{Q}}_{j}{}^{{2}}-{{P}}_{j}{)}}\right|}+\\& {\tau }\left|{\min}\left\{{0}{，}{(0}{{.9H}}_{{{\rm{f\,max}}}}-{{H}}_{{{\rm{f}}}}{)}\right\}{+\min}\left\{{0}{，}{(\eta -0}{.6)}\right\}\right|+\\&\rho {\displaystyle \sum _{j=1}^{N}(}|{\min}\{{0}{，}{{(R}}_{j{{\rm{max}}}}-{{R}}_{j}{)}\}+{\min}\{{0}{，}{{(R}}_{j}-{{R}}_{j{\min}}{)}\}|+\\& |{\min}\{{0}{，}{{(Q}}_{j}-{{Q}}_{j{\min}}{)}\}|\\[-10pt] \end{split} $$ (3)

    式中：F为风量目标函数；$ \gamma $，$ \phi $，$ \tau $，$ \rho $均为惩罚因子；$ {R}_{j\mathrm{m}\mathrm{a}\mathrm{x}} $，$ {R}_{j\mathrm{m}\mathrm{i}\mathrm{n}} $分别为阻值可调节大小的上下限；$ {Q}_{j\mathrm{m}\mathrm{i}\mathrm{n}} $为各分支的最小需风量。

    惩罚因子的选取对算法成功实现有着重要意义，惩罚因子选取不当会导致算法无法收敛于最优解，失去惩罚的意义[12]。为克服上述缺陷，对惩罚因子进行改进，引入模拟退火算法，定义惩罚因子$ \sigma $：

    $$ \left\{ {\begin{array}{*{20}{l}} \sigma = \dfrac{1}{{{T_t}}} \\ {T_{t + 1}} = \bar \omega {T_t} \end{array}} \right. $$ (4)

    式中：$ {T}_{t} $为第$ t $（t=1，2，…，G，$ {G} $为总迭代次数）代的数学参数；$\bar \omega \in $[0,1]。

    随着$ {T}_{t} $逐渐减小，惩罚因子$ \sigma $在迭代过程中逐渐增大，趋于一个常量，使得解集收敛于所求极值。

    1.2   风量灵敏度理论

    矿井通风网络中，假设分支$ j $的风阻$ {R}_{j} $发生变化，改变量为$ \Delta {R}_{j} $，受此影响，通风网络分支$ i $的风量$ {Q}_{i} $发生变化，变化量为 $ {\Delta Q}_{i} $,当$ \left|\Delta {R}_{j}\right|\to 0 $ 时，有

    $$ {d}_{ij}=\underset{\left|\Delta {{R}}_{j}\right|\to 0}{\mathrm{lim}}\frac{\Delta {{Q}}_{i}}{\Delta {{R}}_{j}}=\frac{\partial {{Q}}_{i}}{\partial {{R}}_{j}} $$ (5)

    式中$ {d}_{ij} $为分支$ i $风量被分支$ j $风阻影响后的变化程度，称为风量灵敏度[11]。

    对已知具有$ n $条分支的矿井通风网络，分别利用节点风量平衡方程（式(1)）和回路风压平衡方程（式(2)）对风阻$ {{R}}_{j} $求偏导，联立求得各分支风量相对于风阻变化的灵敏度，由此构成通风网络风量灵敏度矩阵$ {\boldsymbol{D}} $：

    $$ {\boldsymbol{D}} = \left[ {\begin{array}{*{20}{c}} {{d_{11}}}&{{d_{12}}}& \cdots &{{d_{1n}}} \\ {{d_{21}}}&{{d_{22}}}& \cdots &{{d_{2n}}} \\ \vdots & \vdots & & \vdots \\ {{d_{n1}}}&{{d_{n2}}}& \cdots &{{d_{nn}}} \end{array}} \right] $$ (6)

    风量灵敏度矩阵中的元素$ \left|{d}_{ij}\right| $的值越大，表示分支$ j $的风阻$ {R}_{j} $变化对分支$ i $的风量$ {Q}_{i} $影响越大。

    1.3   分支支配度

    风量灵敏度矩阵中，$ j $列元素的改变对所有风支风量影响程度的总和称为分支$ j $的支配度：

    $$ {U} _{j}=\sum _{i=1}^{n}\left|{d}_{ij}\right| $$ (7)

    分支支配度${U} _{j}$的值越大，表示分支$ j $在通风网络中的影响程度越大，反之则越小。因此，为了保持矿井整体风量稳定，要保证高支配度分支阻值的稳定，不能轻易改变。

    1.4   调节分支集与风阻调节范围确定

    假设通风网络中想采用增阻调节方式来增大分支$ i $的风量，则需要以$ {d}_{ij} $>0为原则选择调阻分支$ j $并选取风量灵敏度矩阵$ {\boldsymbol{D}} $中第$ i $行中的较大值[11]。在实际确定增阻调节分支时，要综合考虑风量灵敏度和分支支配度的影响。

    确定风量调节分支的选择原则：① 风量灵敏度$ {d}_{ij} $的值越大越好。② 分支支配度$ {U} _{j} $的值越小越好。

    风量调节分支选择的具体步骤如下：

    （1） 将风量灵敏度矩阵$ {\boldsymbol{D}} $中第$ i $行元素降序排列，得到风支集合$ {E}_{1} $。

    （2） 将分支支配度$ {U} _{j} $中元素也降序排列，得到风支集合$ {E}_{2} $。

    （3） 结合矿井实际情况，在$ {E}_{1} $中去掉$ {E}_{1} $和$ {E}_{2} $的交集，最终确定调节分支集。

    确定风量调节分支集后，需要进一步求解分支风阻的调节范围，并以此为依据进行智能调风。

    根据大量通风网络模拟调节的数据发现，风量灵敏度$ {d}_{ij} $与调节风阻$ {R}_{j} $之间满足以下关系：

    $$ {d}_{ij}=x{R}_{j}^{y}+{\textit{z}}\;(y < 0) $$ (8)

    式中$ x $，$ y $，${\textit{z}}$均为常量，由拟合数据得到。

    当分支风阻$ {R}_{j}\mathrm{增}\mathrm{大}\mathrm{时}， $风量${{Q}}_{i}$也不断增加，同时灵敏度$ {d}_{ij}\mathrm{不}\mathrm{断} $衰减；当风阻$ {R}_{j} $增大并超过某一临界值$ {R}_{j\mathrm{m}\mathrm{a}\mathrm{x}} $后，灵敏度$ {d}_{ij} $将变得极小，此时调风进入不灵敏状态。所以，为使增阻调风更灵敏、高效，分支$ j $风阻$ {R}_{j} $必须维持在合理的调节范围$ \left[{R}_{j0},{R}_{j\mathrm{m}\mathrm{a}\mathrm{x}}\right] $内，$ {R}_{j0} $为分支$ j $的初始风阻。通过大量的通风网络调风数据分析，调节分支的风阻临界值$ {R}_{j\mathrm{m}\mathrm{a}\mathrm{x}} $应为灵敏度$ {d}_{ij} $衰减至初始风阻10%时所对应的风阻：

    $$ (x{{R}}_{j0}^{y}+{\textit{z}})\times 10\text{%}=x{{R}}_{j\mathrm{m}\mathrm{a}\mathrm{x}}^{y}+{\textit{z}} $$ (9)

    由此，便可求得风阻调控的最大临界值$ {R}_{j\mathrm{m}\mathrm{a}\mathrm{x}} $。

    2.   矿井通风网络风量智能调控方法

    初步确定调节分支集与风阻调节范围后，需调用优化算法对风量优化目标函数进行求解，并根据所求风量是否满足实际需求，进而确定最优调风参数。传统的优化算法要求目标函数必须是可微且连续的，无法求解矿井风量目标函数。为克服传统优化算法的缺陷与不足，许多智能优化算法被应用到矿井通风网络优化研究中[8]，如GA、PSO算法、灰狼优化(Grey Wolf Optimizer，GWO)算法、标准BAS算法等。目前，标准BAS算法作为一种新兴的生物启发式算法，因其模型简单、鲁棒性强、收敛速度快且不易陷入局部最优而广受欢迎[13]，其寻优性能明显优于PSO，GA，GWO等算法，故本文应用标准BAS算法对目标函数进行寻优，确定最优风量调控方法。

    2.1   标准BAS算法

    标准BAS算法是一种新型的智能优化算法，主要模仿天牛搜索食物、寻偶的机制建立的数学模型[14]。天牛在活动时，通过头顶左右2个触须准确探测周围环境中目标气味浓度的不同，确立目标的方位。

    （1） 天牛在$ W $维中头的朝向随机，产生随机向量$\boldsymbol{e}={\rm{rand}}(W，1)$，归一化得$\boldsymbol{e}=\boldsymbol{e}/{\rm{norm}}\left(\boldsymbol{e}\right)$。

    （2） 左右触须$ {X}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}} $、$ {X}_{\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}} $的位置由天牛位置$ {X}^{t} $两须间距$ {l}^{t} $和随机向量$ \boldsymbol{e} $共同决定。

    $$ \left\{ \begin{array}{l}{X}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}={X}^{t}-{l}^{t}\cdot \boldsymbol{e}\\ {X}_{\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}={X}^{t}+{l}^{t}\cdot \boldsymbol{e}\end{array}\right. $$ (10)

    （3） 计算适应度函数$ f\left(X\right) $并判断天牛两侧触须的气味浓度$ f\left({X}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}\right) $和$f\left({X}_{{\rm{right}}}\right)$大小，更新位置。

    $$ {X}^{t}={X}^{t-1}+{\delta }^{t}\cdot \boldsymbol{e}\cdot \mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}\left(f\left({X}_{{\rm{right}}}\right)-f\left({X}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}\right)\right) $$ (11)

    式中$ {\delta }^{t} $为第$ t $次迭代时天牛的搜索步长。

    2.2   改进BAS算法

    标准BAS算法在寻优过程中仅有单只天牛，缺乏种群多样性。在处理如矿井通风网络风量优化等高维复杂问题时，精度低且不易跳出局部极值。因此，为了提高标准BAS算法的综合优化性能，需要对标准BAS算法进行改进。

    2.2.1   种群初始化

    标准BAS算法是单个个体搜索算法，处理高维复杂问题时很难遍历整个搜索空间，一定程度上影响了搜索效率。拉丁超立方抽样(Latin Hypercube Sampling，LHS)法基于逆函数转换法，可从决策空间中选取数目均匀、对称、具有全区域信息的样本点，目前已经成功应用到多种进化算法中[15]。为此，本文采用LHS法初始化生成天牛群，得到含有$ K $个随机分布在解空间中的天牛个体的初始种群，改善算法的全局搜索能力。

    假设$ W $维变量$ C $的各个元素相互独立，其概率分布为$ {L}_{{\text{θ}}} $。对每个元素进行$ K $次抽样，用抽样值生成$ K $个初始种群。定义$ K\times W $维矩阵$ {\boldsymbol{V}} $，数列$ \left\{\mathrm{1，2}，\cdots ， K\right\} $中元素随机构成$ {\boldsymbol{V}} $的列元素。令随机变量ξ服从区间$ \left[\mathrm{0，1}\right] $的随机分布，得到

    $$ {C_{ms}} = L_{\text{θ}}^{ - 1}\left[ {\left( {{V_{ms}} - 1 + {\xi _{ms}}} \right)/K} \right] $$ (12)

    式中：$ {C}_{ms} $为第$ s(s=\mathrm{1，2}，\cdots ，W) $个元素的第$m(m= \mathrm{1，2}，\cdots ，K)$次抽样值；$ {V}_{ms} $为矩阵$ {\boldsymbol{V}} $的$ m $行$ s $列元素。

    2.2.2   搜索步长更新

    天牛群的每次迭代都伴随着位置、搜索步长和两须间距的更新。但是，如果目标函数的适应度值较好，则应该只更新天牛群的位置，控制搜索步长和两须间距不变；反之，应改变搜索步长和两须间距。因此，设计一个基于反馈的两须间距和搜索步长的更新策略：假设存在一个极小的反馈概率$ p $，使得$ X $只天牛在概率$ p $下会以当前步长错过目标函数的更优位置，同时生成一个$ \left[\mathrm{0，1}\right] $的随机数$ {\rm{rand}}\left(1\right) $并与$ p $进行比较。若${\rm{rand}}\left(1\right) ＞ $$p $，表示在多数情况下，$ X $只天牛在当前步长下无法找到目标函数极值，则更新步长和两须之间的间距；若${\rm{rand}}\left(1\right)\leqslant $$p $，则表示在少数情况下保持步长和两须间距不变。步长更新规则如下：

    $$ \left\{ {\begin{array}{*{20}{l}} {\begin{array}{*{20}{l}} {{l^t} = \omega \alpha \cdot {l^{t - 1}} + {l^0}}\\ {{\delta ^t} = \beta \cdot {\delta ^{t - 1}} + {\delta ^0}} \end{array}\;\; \left( {{\rm{rand}}(1) ＞ p} \right)} \end{array}} \right. $$ (13)
    $$ \left\{ {\begin{array}{*{20}{l}} {\begin{array}{*{20}{l}} {{l^t} = {l^{t - 1}}}\\ {{\delta ^t} = {\delta ^{t - 1}}} \end{array}\;\; \left( {{\rm{rand}}(1) \leqslant p} \right)} \end{array}} \right. $$ (14)

    式中：$ \omega $为自适应权重；$ \alpha $和$ \;\beta $分别为$ l^t $和$ \delta ^t $的递减因子；${l^0} $，${\delta ^0} $分别为天牛两须间距和搜索步长的初始值。

    自适应权重可以动态控制算法的搜索特性，该参数设计的好坏会直接影响算法的收敛速度与寻优精度，降低搜索的盲目性。因此，设计动态自适应权重$ \omega $为

    $$ \omega ={\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-\frac{({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}})\cdot t}{{t}_{\mathrm{m}\mathrm{a}\mathrm{x}}} $$ (15)

    式中：$ {\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}} $，$ {\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}} $分别为最大、最小自适应权重；$ {t}_{\mathrm{m}\mathrm{a}\mathrm{x}} $为最大迭代次数。

    2.3   基于改进BAS算法的风量调控步骤

    基于改进BAS算法分析并结合智能矿井风量优化调节数学模型，基于改进BAS算法的风量调节寻优具体步骤如下：

    （1） 初始化天牛须种群信息和相关参数，包括种群规模、最大迭代次数、天牛搜索步长$ \delta ^t $、两须间距$ l^t $、递减因子$ \alpha $和$\; \beta $及自适应权重参数$ {\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}} $和$ {\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}} $。确定调节分支集和调阻范围、对应变量维数$ W $及上下限，利用LHS法生成初始种群$ X $。

    （2） 计算每只天牛的风量适应度$ {f}_{ɸ} $并排序，获得当前最大的适应度$ {f}_{{\rm{max}}} $及其对应的位置$ {X}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}^{t} $。

    （3） 天牛群按照式(10)、式(11)进行位置更新${X}_{}^{t}$，并按照式(13)−式(15)判断是否反馈更新天牛步长$ \delta ^t$和两须间距$ l^t $。

    （4） 基于贪婪规则，计算所有更新后天牛群的风量适应度$ {f}_{ɸ} $并与$ {f}_{{\rm{max}}} $比较，若${f}_{ɸ}＞ {f}_{{\rm{max}}}，$则用$ {f}_{ɸ} $替换${f}_{{\rm{max}}}$，$ {\mathrm{用}X}^{t} $替换$ {X}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}^{t} $。

    （5） 迭代计算。判断当前迭代是否达到最大迭代次数，若是则执行步骤（6），否则返回步骤（2）。

    （6） 返回最优天牛个体($ {X}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $,$ {F}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $)，$ {X}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $为最优调节分支集的风阻，$ {F}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $为需风分支可调风量最大值。

    3.   实验与结果分析

    3.1   矿井通风实验平台

    为验证本文提出的矿井通风网络风量智能调控方法的可行性，利用矿井通风实验平台进行实验测试。矿井通风实验平台参照某矿井通风系统的实际情况，模拟“一矿两面”结构进行设计，按照与实物1∶4的比例搭建而成。该实验平台通风网络巷道如图1所示，巷道的断面尺寸为1.2 m×1 m，整个通风网络巷道占地总面积约为180 m2。

    图  1  通风网络巷道
    Figure  1.  Ventilation network roadway
    下载: 全尺寸图片 幻灯片

    通风实验平台配套有智能通风控制中心，主要由高压控制柜、PLC智能监控柜和人工操作控制台3个部分组成，如图2所示，可实现通风巷道环境参数监测、数据分析和处理、通风故障报警和决策、通风设施调节控制等功能。

    图  2  智能通风控制中心
    Figure  2.  Intelligent ventilation control center
    下载: 全尺寸图片 幻灯片

    基于该平台，设计矿井通风网络风量智能调控方法的步骤如下：

    （1） 井下传感器实时监测矿井通风环境的风压、风速、甲烷浓度等参数，并将数据上传至智能通风控制中心。

    （2） 智能通风控制中心接收原始监测数据，并对数据进行滤波处理。

    （3） 智能通风控制中心通过OPC协议将数据上传至Matlab中进行通风网络解算，并判断当前通风系统的健康状态。当用风分支的风量不足时，通风系统随即调用风量调节数学模型进行风量调节。

    （4） 求解风量灵敏度矩阵，结合分支支配度确定最优调节分支集并求解其调阻范围。调用改进BAS算法进行风量寻优，确定最优调风参数后发出调风指令。

    （5） 智能通风控制中心根据具体指令调节风门、风窗等设施，直到最终用风分支的风量满足需求后停止调风。

    3.2   风量调节分支优化选择与调阻范围求解

    实验平台通风网络拓扑如图3所示。通风网络包含15个节点、21条分支、7个独立回路数。其中，1号分支和20号分支分别为通风网络的进风口和出风口分支，21号伪分支与大气相连通，其风阻为0，通风机安装在20号分支上，通风机的风压特性函数为$ {H}_{{\rm{f}}} $=2897.93+17.24$ Q $−0.5$ Q $2（$ Q $为通风机风量）。

    图  3  通风网络拓扑
    Figure  3.  Ventilation network topology
    下载: 全尺寸图片 幻灯片

    通风系统的通风网络初始参数见表1。包含分支编号、始末节点、风阻和初始风量及最小需风量。最小需风量表示实际风量不应低于此数值，否则可能带来通风问题或引发事故。

    表  1  通风网络初始参数
    Table  1.  Initial parameters of ventilation network
    分支
    编号    		始节点末节点风阻/
    (N·s2·m−8)    		初始风量/
    (m3 ·s−1)    		最小需风量/
    (m3 ·s−1)    		分支
    编号    		始节点末节点风阻/
    (N·s2·m−8)    		初始风量/
    (m3 ·s−1)    		最小需风量/
    (m3 ·s−1)
    1①②0.45543.3741.9212⑥⑩1.3765.482.59
    2②③0.20820.6016.8513⑦⑨1.2065.435.46
    3②④0.12422.7819.4314⑧⑩0.3365.624.26
    4③⑪1.1569.576.6515⑨⑪0.20914.799.94
    5③⑤0.19711.027.2916⑩⑬0.13711.116.71
    6④⑥0.04014.8811.2617⑪⑫0.07424.3720.38
    7④⑬1.0767.906.1418⑬⑫0.29619.0112.42
    8⑤⑨0.4159.366.0719⑫⑭0.12943.3741.92
    9⑦⑤0.3271.661.2420⑭⑮0.72743.3741.92
    10⑧⑦0.6473.772.1221⑮①043.3741.92
    11⑥⑧0.3499.397.34
    下载: 导出CSV 
    | 显示表格

    基于Matlab灵敏度计算程序，得到风量灵敏度矩阵，如图4所示。矩阵共有22行21列（本文截取22行10列），每行数据表示通风网络其他分支风阻变化时对该分支风量变化的影响程度，每列数据表示该分支的风阻变化对通风网络各分支风量的影响程度。第22行数据表示该分支在通风网络中支配度$ {U} _{j} $的大小。

    图  4  风量灵敏度矩阵
    Figure  4.  Sensitivity matrix of air volume
    下载: 全尺寸图片 幻灯片

    以分支4风量调节为例分析，若以增阻调节的方式来增大$ {Q}_{4} $，则需选择风量灵敏度矩阵中$ {d}_{4,j} ＞0 $的分支进行调节。从图4中导出分支4风量灵敏度$ {d}_{4,j} $及支配度$ {U} _{j} $，见表2。

    表  2  分支4风量的灵敏度和支配度
    Table  2.  Sensitivity and dominance of the air volume of branch 4
    分支编号灵敏度支配度分支编号灵敏度支配度
    13.2169124.3317120.05735.9822
    23.5545119.3313130.19696.2548
    33.4561146.8510140.152211.5349
    42.835815.6208154.229156.1725
    52.737440.1354160.829141.8228
    60.779178.3699176.8767152.2138
    70.196113.1203183.563190.9727
    81.108823.9805193.2169124.3317
    90.02711.1894203.2169124.3317
    100.04555.2998213.2169124.3317
    110.142429.8293
    下载: 导出CSV 
    | 显示表格

    由调节分支优化选择原则可得到最佳调节分支集为{15,18,5,8}。分别对选出的4个调节分支取10个不同阻值计算灵敏度，见表3。

    对表3中每条分支的10组数据进行拟合，以第2组灵敏度$ {d}_{\mathrm{4,18}} $与风阻$ {R}_{18} $的关系为例，通过Matlab处理得到拟合曲线，如图5所示。可看出，随着风阻$ {R}_{18} $不断增大，灵敏度$ {d}_{\mathrm{4,18}} $不断衰减，表明风阻$ {R}_{18} $对分支4风量$ {Q}_{4} $调控灵敏性不断下降。以相同的方式拟合其他3组数据，得到4条分支的灵敏度拟合公式：

    $$ \left\{\begin{array}{l} {d}_{\mathrm{4,15}}=1.789\;2{R}_{15}^{-0.645\;4}-0.509\;3\\{d}_{\mathrm{4,18}}=1.549\;1{R}_{18}^{-0.766\;4}-0.292\;3\\ {d}_{\mathrm{4,5}}=1.280\;2{R}_{5}^{-0.573\;6}-0.407\;3\\ {d}_{\mathrm{4,8}}=0.609\;1{R}_{8}^{-0.787\;3}-0.094\;3 \end{array}\right.$$ (16)

    结合式(9)得到各个待调分支风阻的可调节范围：${R}_{15}\in \left[\mathrm{0.209,2.745}\right]\text{，} {R}_{18}\in \left[\mathrm{0.296,3.114}\right] ， {R}_{5}\in [0.197, 3.004] , {R}_{8}\in [0.415, 4.005]$。

    表  3  灵敏度$ {d}_{4,j} $随$ {R}_{j} $的变化
    Table  3.  Variation of sensitivity $ {d}_{4,j} $ with $ {R}_{j} $
    ${\mathit{R} }_{15}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,15} $${\mathit{R} }_{18}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,18} $${\mathit{R} }_{5}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,5} $${\mathit{R} }_{8}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,8} $
    0.2094.22910.2963.56310.1972.73740.4151.1088
    0.3153.33230.4252.72330.2652.35620.5250.9211
    0.4252.70410.5252.28900.4251.75630.6150.8072
    0.6251.97850.6251.96580.6151.33030.7650.6664
    0.8551.48310.8751.43390.8251.03620.8750.5891
    1.2151.03791.1251.11341.1250.77551.2250.4253
    1.7550.69061.8750.63911.8750.45651.7650.2910
    2.2150.52542.1250.55372.1250.39742.1250.2376
    3.1150.34543.1450.34743.1250.25433.1250.1531
    4.0750.24484.1250.24844.1250.18164.1250.1101
    下载: 导出CSV 
    | 显示表格
    图  5  灵敏度$ {d}_{\mathrm{4,18}} $随风阻$ {R}_{18} $的变化
    Figure  5.  Variation of sensitivity $ {d}_{\mathrm{4,18}} $ with air resistance $ {R}_{18} $
    下载: 全尺寸图片 幻灯片

    3.3   风量调节优化结果分析

    确定了对分支4风量调节的最优可调分支集和风阻调节范围后，采用改进BAS算法对该分支风量进行寻优，确定分支4可调风量的最大值。同时为验证改进BAS算法的效果，分别与PSO算法和标准BAS算法进行对比。PSO算法作为一种经典的群智能优化算法，目前已被广泛应用于函数优化、神经网络训练、工业优化控制等领域，具有一定代表性。所以本文选择PSO算法进行对比。各算法的主要参数设置如下：种群规模为10，变量维数为4。改进BAS算法的反馈概率$ {p}_{} $=0.02，迭代次数为150。为避免单次运行算法在求解时出现偶然性结果，3种算法均对模型优化50次，并对最优收敛结果取平均值，结果见表4。可看出，改进BAS算法优化求解分支4风量时，解得的风量平均值和最优解均高于PSO算法和标准BAS算法；平均运行时间虽略长于标准BAS算法，但远短于PSO算法；其平均收敛代数最多，精度最高，容易跳出局部循环，得到最优解。因此，从整体上看，改进BAS算法在搜索能力和寻优效果上均优于其他2种算法，运算性能强大。

    表  4  不同算法优化结果
    Table  4.  Optimization results of different algorithms
    算法风量优化平
    均值/(m3∙s−1)    		风量优化最优
    解/(m3∙s−1)    		平均收敛
    代次数    		平均运行
    时间/s
    PSO算法13.201513.31485616.71
    标准BAS算法13.416313.5067879.46
    改进BAS
    算法    		13.981714.01859310.13
    下载: 导出CSV 
    | 显示表格

    3种算法的某次仿真结果如图6所示。可以直观看出，改进BAS算法对分支4调节风量的最大值优于标准BAS和PSO算法，可以达到14.0185 m3/s。

    图  6  不同算法所得分支4风量适应度曲线
    Figure  6.  Air volume fitness curves of branch 4 obtained by different algorithms
    下载: 全尺寸图片 幻灯片

    此时各调节分支的风阻分别为${R}_{15}= $$ 1.19\;\mathrm{N}\cdot{\mathrm{s}}^{2}/{\mathrm{m}}^{8}$，${R}_{18} = 0.99\;\mathrm{N}\cdot {\mathrm{s}}^{2}/{\mathrm{m}}^{8}$，${R}_{5} = 0.20\;{\rm{N}}\cdot {{\rm{s}}}^{2}/{{\rm{m}}}^{8}$，${R}_{8} = 1.18\;\mathrm{N}\cdot {\mathrm{s}}^{2}/{\mathrm{m}}^{8}$，并由通风网络解算可求得其他各分支的风量，见表5。

    表  5  优化调节后各分支风量分配
    Table  5.  Air volume distribution of each branch after optimal adjustment m3/s
    分支
    编号    		最小
    需风量    		调节后
    风量    		分支
    编号    		最小
    需风量    		调节后
    风量
    141.9242.41122.594.99
    216.8521.33135.465.98
    319.4321.08144.264.26
    46.6514.02159.9412.05
    57.297.31166.719.26
    611.2613.991720.3826.07
    76.147.081812.4216.34
    86.076.071941.9242.41
    91.241.242041.9242.41
    102.124.742141.9242.41
    117.348.99
    下载: 导出CSV 
    | 显示表格

    通过对比表1发现，联合增阻调风后的其他各分支均能够满足最小需风量要求，符合按需分风的要求。由此得到分支4风量可调范围为[9.57，14.02]，风量上调高达 46.5%。

    3.4   实验验证

    基于上述理论分析，使用矿井通风实验平台对分支4进行实验验证。在通风过程中，假设某时刻分支4的瓦斯浓度有增大趋势，为安全起见，用CO2代替瓦斯气体实验，注入气体使得分支4瓦斯绝对涌出量为0.09 m3/s。根据计算可知[16]，分支4的安全风量需要增大并维持在13.5 m3/s以上，同时要避免风流增加导致瓦斯携带量变大，分支4通风量不得大于最小安全风量的20%（风量≤16.2 m3/s），且其他分支风量均要满足最小需风量要求。智能通风控制中心检测到分支4的瓦斯体积分数超过1%后报警，并立即启动风量智能调控方法：以增阻调风方式增大分支4需风量，将瓦斯体积分数降低至0.5%以下。由表4可知，采用改进BAS算法对15，18，5，8分支进行联合增阻时，平均最大风量可调至13.9817 m3/s，符合调风要求。

    通过Matlab进行通风网络解算后可得，当分支${R}_{15}=1.17\;{\rm{N}}\cdot {{\rm{s}}}^{2}/{{\rm{m}}}^{8}$，${R}_{18}= 0.97\;{\rm{N}}\cdot {{\rm{s}}}^{2}/{{\rm{m}}}^{8}$，${R}_{5}= 0.22\;{\rm{N}}\cdot {{\rm{s}}}^{2}/{{\rm{m}}}^{8}$，${R}_{8}=1.20\;{\rm{N}}\cdot {{\rm{s}}}^{2}/{{\rm{m}}}^{8}$ 时，分支4的风量可达13.98 m3/s，由此确定本次调风方案。此时，智能通风控制中心将调风参数下发给PLC控制模块，PLC控制模块控制分支15，18，5，8的风门和风窗开度，使风阻达到目标值，使分支4的风量能稳定增大至需风量，并不断降低瓦斯浓度，从而保证矿井通风安全。

    分支4的瓦斯体积分数随风量变化的曲线如图7所示。可看出，从设定风量优化目标到最终完成调风，中间仅用时13 s。表明该风量智能调控方法在矿井发生风量异常情况时能够迅速做出响应，满足矿井按需分风的要求。

    图  7  分支4瓦斯体积分数随风量变化曲线
    Figure  7.  Change curves of gas volume fraction in branch 4 with air volume
    下载: 全尺寸图片 幻灯片

    4.   结论

    （1） 研究了风量流动定律，结合风量调节时的约束条件，建立了矿井通风网络风量优化调节的非线性无约束化数学模型，并采用精确罚函数对该模型进行优化。

    （2） 利用风量灵敏度和分支支配度理论优化选择调节分支，并确定调节分支调阻范围。

    （3） 提出了一种多策略改进的BAS算法，有效提高了种群多样性，增强了全局与局部寻优能力，面对矿井通风复杂问题求解时综合性能显著提升。实验结果表明：相比于标准BAS算法和PSO算法，改进BAS算法综合寻优性能更优越，设定风量调节目标后可对风量目标模型进行快速精准寻优。

    （4） 利用矿井通风实验平台验证基于改进BAS算法的矿井通风网络风量智能调控方法的可靠性。结果表明，在设定风量调节目标后，该方法可快速精准地求解出待调分支的风量最优值，调节后的分支风量满足矿井安全生产的调风要求，风量上调高达46.5%，可迅速将有毒有害气体排出，保证用风地点安全。

  • 图  1   通风网络巷道

    Figure  1.   Ventilation network roadway

    下载: 全尺寸图片 幻灯片

    图  2   智能通风控制中心

    Figure  2.   Intelligent ventilation control center

    下载: 全尺寸图片 幻灯片

    图  3   通风网络拓扑

    Figure  3.   Ventilation network topology

    下载: 全尺寸图片 幻灯片

    图  4   风量灵敏度矩阵

    Figure  4.   Sensitivity matrix of air volume

    下载: 全尺寸图片 幻灯片

    图  5   灵敏度$ {d}_{\mathrm{4,18}} $随风阻$ {R}_{18} $的变化

    Figure  5.   Variation of sensitivity $ {d}_{\mathrm{4,18}} $ with air resistance $ {R}_{18} $

    下载: 全尺寸图片 幻灯片

    图  6   不同算法所得分支4风量适应度曲线

    Figure  6.   Air volume fitness curves of branch 4 obtained by different algorithms

    下载: 全尺寸图片 幻灯片

    图  7   分支4瓦斯体积分数随风量变化曲线

    Figure  7.   Change curves of gas volume fraction in branch 4 with air volume

    下载: 全尺寸图片 幻灯片

    表  1   通风网络初始参数

    Table  1   Initial parameters of ventilation network

    分支
    编号    		始节点末节点风阻/
    (N·s2·m−8)    		初始风量/
    (m3 ·s−1)    		最小需风量/
    (m3 ·s−1)    		分支
    编号    		始节点末节点风阻/
    (N·s2·m−8)    		初始风量/
    (m3 ·s−1)    		最小需风量/
    (m3 ·s−1)
    1①②0.45543.3741.9212⑥⑩1.3765.482.59
    2②③0.20820.6016.8513⑦⑨1.2065.435.46
    3②④0.12422.7819.4314⑧⑩0.3365.624.26
    4③⑪1.1569.576.6515⑨⑪0.20914.799.94
    5③⑤0.19711.027.2916⑩⑬0.13711.116.71
    6④⑥0.04014.8811.2617⑪⑫0.07424.3720.38
    7④⑬1.0767.906.1418⑬⑫0.29619.0112.42
    8⑤⑨0.4159.366.0719⑫⑭0.12943.3741.92
    9⑦⑤0.3271.661.2420⑭⑮0.72743.3741.92
    10⑧⑦0.6473.772.1221⑮①043.3741.92
    11⑥⑧0.3499.397.34
    下载: 导出CSV

    表  2   分支4风量的灵敏度和支配度

    Table  2   Sensitivity and dominance of the air volume of branch 4

    分支编号灵敏度支配度分支编号灵敏度支配度
    13.2169124.3317120.05735.9822
    23.5545119.3313130.19696.2548
    33.4561146.8510140.152211.5349
    42.835815.6208154.229156.1725
    52.737440.1354160.829141.8228
    60.779178.3699176.8767152.2138
    70.196113.1203183.563190.9727
    81.108823.9805193.2169124.3317
    90.02711.1894203.2169124.3317
    100.04555.2998213.2169124.3317
    110.142429.8293
    下载: 导出CSV

    表  3   灵敏度$ {d}_{4,j} $随$ {R}_{j} $的变化

    Table  3   Variation of sensitivity $ {d}_{4,j} $ with $ {R}_{j} $

    ${\mathit{R} }_{15}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,15} $${\mathit{R} }_{18}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,18} $${\mathit{R} }_{5}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,5} $${\mathit{R} }_{8}/(\rm{N}\cdot {\rm{s} }^{2}\cdot {\rm{m} }^{-8})$$ {\mathit{d}}_{4,8} $
    0.2094.22910.2963.56310.1972.73740.4151.1088
    0.3153.33230.4252.72330.2652.35620.5250.9211
    0.4252.70410.5252.28900.4251.75630.6150.8072
    0.6251.97850.6251.96580.6151.33030.7650.6664
    0.8551.48310.8751.43390.8251.03620.8750.5891
    1.2151.03791.1251.11341.1250.77551.2250.4253
    1.7550.69061.8750.63911.8750.45651.7650.2910
    2.2150.52542.1250.55372.1250.39742.1250.2376
    3.1150.34543.1450.34743.1250.25433.1250.1531
    4.0750.24484.1250.24844.1250.18164.1250.1101
    下载: 导出CSV

    表  4   不同算法优化结果

    Table  4   Optimization results of different algorithms

    算法风量优化平
    均值/(m3∙s−1)    		风量优化最优
    解/(m3∙s−1)    		平均收敛
    代次数    		平均运行
    时间/s
    PSO算法13.201513.31485616.71
    标准BAS算法13.416313.5067879.46
    改进BAS
    算法    		13.981714.01859310.13
    下载: 导出CSV

    表  5   优化调节后各分支风量分配

    Table  5   Air volume distribution of each branch after optimal adjustment m3/s

    分支
    编号    		最小
    需风量    		调节后
    风量    		分支
    编号    		最小
    需风量    		调节后
    风量
    141.9242.41122.594.99
    216.8521.33135.465.98
    319.4321.08144.264.26
    46.6514.02159.9412.05
    57.297.31166.719.26
    611.2613.991720.3826.07
    76.147.081812.4216.34
    86.076.071941.9242.41
    91.241.242041.9242.41
    102.124.742141.9242.41
    117.348.99
    下载: 导出CSV
    • 参考文献(16)
  • [1]

    ZHOU Lihong,YUAN Liming,THOMAS R,et al. Determination of velocity correction factors for real-time air velocity monitoring in underground mines[J]. International Journal of Coal Science & Technology,2017,4(4):322-332.
    [2] 周福宝,魏连江,夏同强,等. 矿井智能通风原理、关键技术及其初步实现[J]. 煤炭学报,2020,45(6):2225-2235. DOI: 10.13225/j.cnki.jccs.zn20.0338

    ZHOU Fubao,WEI Lianjiang,XIA Tongqiang,et al. Principle,key technology and preliminary realization of mine intelligent ventilation[J]. Journal of China Coal Society,2020,45(6):2225-2235. DOI: 10.13225/j.cnki.jccs.zn20.0338
    [3] 钟德云,王李管,毕林,等. 基于回路风量法的复杂矿井通风网络解算算法[J]. 煤炭学报,2015,40(2):365-370. DOI: 10.13225/j.cnki.jccs.2014.0286

    ZHONG Deyun,WANG Liguan,BI Lin,et al. Algorithm of complex ventilation network solution based on circuit air-quantity method[J]. Journal of China Coal Society,2015,40(2):365-370. DOI: 10.13225/j.cnki.jccs.2014.0286
    [4]

    KARACAN C O. Development and application of reservoir models and artificial neural networks for optimizing ventilation air requirements in development mining of coal seams[J]. International Journal of Coal Geology,2007,72(3/4):221-239.
    [5]

    BABU V R, MAITY T, BURMAN S. Energy saving possibilities of mine ventilation fan using particle swarm optimization[C]. IEEE International Conference on Electrical, Electronics, and Optimization Techniques （ICEEOT）, Chennai, 2016: 676-681.
    [6] 吴新忠,张兆龙,程健维,等. 矿井通风网络的多种群自适应粒子群算法优化研究[J]. 煤炭工程,2019,51(2):75-81.

    WU Xinzhong,ZHANG Zhaolong,CHENG Jianwei,et al. Optimization of multi-group self-adaptive particle swarm algorithm for mine ventilation network[J]. Coal Engineering,2019,51(2):75-81.
    [7] 崔传波,蒋曙光,王凯,等. 基于风量可调度的矿井风量调节[J]. 工矿自动化,2016,42(2):39-43.

    CUI Chuanbo,JIANG Shuguang,WANG Kai,et al. Adjustment of mine air volume based on air volume dispatchable model[J]. Industry and Mine Automation,2016,42(2):39-43.
    [8] 卢新明,尹红. 矿井通风智能化理论与技术[J]. 煤炭学报,2020,45(6):2236-2247. DOI: 10.13225/j.cnki.jccs.ZN20.0365

    LU Xinming,YIN Hong. The intelligent theory and technology of mine ventilation[J]. Journal of China Coal Society,2020,45(6):2236-2247. DOI: 10.13225/j.cnki.jccs.ZN20.0365
    [9] 王凯,蒋曙光,马小平,等. 瓦斯爆炸致灾通风系统实验及应急救援方法[J]. 中国矿业大学学报,2015,44(4):617-622,643.

    WANG Kai,JIANG Shuguang,MA Xiaoping,et al. Experimental of the ventilation systems hazard by gas explosion and the methods of emergency rescue[J]. Journal of China University of Mining & Technology,2015,44(4):617-622,643.
    [10] 尹晓玉,谢贤平,李建功. 矿井通风网路的线性解算法及其程序设计[J]. 安全与环境学报,2015,15(4):69-73. DOI: 10.13637/j.issn.1009-6094.2015.04.015

    YIN Xiaoyu,XIE Xianping,LI Jiangong. Linear algorithm for the mining ventilation network and program[J]. Journal of Safety and Environment,2015,15(4):69-73. DOI: 10.13637/j.issn.1009-6094.2015.04.015
    [11] 丰胜成,付华. 矿井通风网络风量调节分支的优化选择[J]. 辽宁工程技术大学学报(自然科学版),2019,38(6):513-516.

    FENG Shengcheng,FU Hua. The optimal selection of air flow adjustment branch of mine ventilation network[J]. Journal of Liaoning Technical University (Natural Science),2019,38(6):513-516.
    [12]

    ZHOU Hongbing,ZENG Xianlin,HONG Yiguang. Adaptive exact penaly design for constrained distributed optimization[J]. IEEE Transactions on Automatic Control,2019,64(11):4661-4667. DOI: 10.1109/TAC.2019.2902612
    [13]

    KHAN A H,CAO X W,LI S,et al. BAS-ADAM:an ADAM based approach to improve the performance of beetle antennae search optimizer[J]. IEEE/CAA Journal of Automatica Sinica,2020,7(2):461-471. DOI: 10.1109/JAS.2020.1003048
    [14]

    JIANG Xiangyuan, LI Shuai. BAS: beetle antennae search algorithm for optimization problems[J]. International Journal of Robotics and Control, 2018, 1（1）. DOI: 10.5430/ijrc.v1n1p1.
    [15] 戴英彪. 基于拉丁超立方试验设计的事故再现结果不确定性分析[D]. 长沙: 长沙理工大学, 2011.

    DAI Yingbiao. Uncertainty analysis of accident recurrence results based on Latin hypercube experimental design[D]. Changsha: Changsha University of Science and Technology, 2011.
    [16]

    FAN Chaojun,LI Sheng,LUO Mingkun,et al. Coal and gas outburst dynamic system[J]. International Journal of Mining Science and Technology,2017,27(1):49-55. DOI: 10.1016/j.ijmst.2016.11.003
    • 相关文章
    • 施引文献(20)

  • 期刊类型引用(10)

    1. 张浪，刘彦青. 矿井智能通风与关键技术研究. 煤炭科学技术. 2024(01): 178-195 . 百度学术
    2. 庞峥. 自动化与智能化技术在磨煤机风量智能分析测量装置中的应用. 装备维修技术. 2024(02): 24-28 . 百度学术
    3. 王进美. 煤矿深井通风网络建模与智能控制系统研究. 科技资讯. 2024(04): 183-185 . 百度学术
    4. 吴奉亮，寇露. 用于矿井通风网络解算的通风机风压性能曲线自动识别方法. 工矿自动化. 2024(04): 103-111 . 本站查看
    5. 寇子明，高贵军，薛羽宁，赵晋辰. 矿井智能通风系统关键技术及其应用研究. 煤炭工程. 2024(10): 71-81 . 百度学术
    6. 党进才. 基于SA-BP算法优化矿井自动通风系统. 电气传动自动化. 2024(05): 27-32 . 百度学术
    7. 王运敏，李刚，徐宇，任甲泽，贾敏涛，周伟. 我国深部矿井热环境调控研究近20 a进展及展望. 金属矿山. 2023(03): 1-13 . 百度学术
    8. 罗波远，陈建崇，张远志，王少龙. 红庆梁煤矿矿井通风阻力测定及优化. 内蒙古煤炭经济. 2023(11): 37-39 . 百度学术
    9. 王磊，王凯. 长距离掘进工作面局部通风智能联动调控研究. 工矿自动化. 2023(09): 55-63 . 本站查看
    10. 张仲达，张华磊，鲁海文. 智能化“一通三防”与安全监控系统的工程应用. 山东煤炭科技. 2023(11): 162-165 . 百度学术

    其他类型引用(10)

    • 资源附件(0)
图(7)  /  表(5)
计量
  • 文章访问数:  337
  • HTML全文浏览量:  72
  • PDF下载量:  46
  • 被引次数: 20
出版历程
  • 收稿日期:  2022-04-08
  • 修回日期:  2022-11-05
  • 网络出版日期:  2022-08-11
  • 刊出日期:  2022-11-24

目录

摘要
HTML全文

  • 0.   引言

  • 1.   通风网络风量优化调节数学模型构建

  • 1.1   风量调节数学模型

  • 1.2   风量灵敏度理论

  • 1.3   分支支配度

  • 1.4   调节分支集与风阻调节范围确定

  • 2.   矿井通风网络风量智能调控方法

  • 2.1   标准BAS算法

  • 2.2   改进BAS算法

  • 2.2.1   种群初始化
  • 2.2.2   搜索步长更新

  • 2.3   基于改进BAS算法的风量调控步骤

  • 3.   实验与结果分析

  • 3.1   矿井通风实验平台

  • 3.2   风量调节分支优化选择与调阻范围求解

  • 3.3   风量调节优化结果分析

  • 3.4   实验验证

  • 4.   结论

参考文献(16)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

苏ICP备 05016349号-2

本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1223717    百度统计