球磨机是当前国内火电厂制粉系统中使用最多的磨煤设备，且广泛应用于采矿、冶金等其他行业。其优点是容量大、运行可靠、煤种适应性强、维护简单、检修费用低等；缺点是制粉电耗高、控制优化难。球磨机是多变量、非线性、强耦合、大延迟对象，不仅特性复杂，且变量时变缓慢。目前，球磨机筒内料位缺少有效可靠的检测手段，一般是由运行人员通过对其数十个运行参数的监控并结合平时的运行经验来间接判断磨煤机中的料位是否过高或过低。现有的自动控制系统难以长期可靠投用，球磨机经常运行于缺煤或是堵塞的工况，导致制粉电耗偏高。只有保持球磨机在最佳料位下运行，才能使磨煤过程中的无用功耗降低、提高磨煤效率。并且从保证锅炉稳定燃烧的角度出发，对其运行状态进行及时准确的监控亦具有非常重要的意义。因此，对球磨机料位的监测是实现自动控制、运行优化、节能降耗的关键所在。
本文以某大型电厂制粉系统（如图一所示）中的球磨机（型号：MT2350/600）为研究对象，设计了一个基于BP神经网络的料位监测系统。并利用Matlab 7.0强大的数据处理功能和其神经网络工具箱，编制了相应的数据处理，特征值提取和BP神经网络的程序，流程图如图二所示。其主要功能为：正确监测球磨机的料位状态，预测可能发生的堵磨及缺煤情况，可以提高球磨机的运行效率，降低制粉单耗，具有良好的经济效益。
1、BP神经网络结构及料位判定原理
神经网络能够实现从输入空间到输出空间的非线性预测，即可以检测出多变量之间的关系。它能够识别各种状态并对其进行分类，这些状态与网络训练时所使用的数据相接近或相似。神经网络虽不能给出准确的输出信息，但所输出的信息正好能够接近于最佳答案。利用神经网络的这些优点，可以建立动态的球磨机料位监测系统。
本系统采用反向传播模型(Back Propagation Model)，因其很好的逼近非线性映射能力和高度并行处理等，近年来被广泛应用于模式识别、图像处理、预测等方面。它是一种多层前馈型网络，根据Kolmogorv定理，给定任何一连续函数，都可由一个三层BP网络来实现。输入层与隐层各节点之间，隐层与输出层各节点之间用可调整的权值来连接，三层BP网络结构图如图二所示。其中，输入层输入制粉系统的11个运行参量（具体各参量见表一），输出层输出对料位高低的判断结果。
2 BP神经网络的学习算法
BP算法的实质是一种以网络误差平方和为目标函数，按梯度法求目标函数达到最小值的算法。F1(·)和F2(·)分别为隐层和输出层节点的激活函数。按照模式的顺传播和误差的逆传播法则，网络输入与输出的关系为
其中n为输入层神经元个数；p为隐层神经元个数；yi为输入层第i个神经元与隐层第j个神经元之间的权值；Wkj为隐层第j个神经元与输出层第k个神经元之间的权值；xi为输入层神经元i的输入；yk为输出层第k个神经元输出。同时将隐层和输出层的节点神经元的阈值视为该节点神经元的第0个输入，而对应的权值为-1。
3、磨煤机运行中的动态系统建模
网络隐层神经元的数目对网络有一定的影响，神经元数目太少会造成网络的不适性，而数目太多又会引起网络的过适性。所以考虑到网络输入和输出之间存在的高度的非线性及一般的BP网络设计原则，确定BP网络模型的拓扑结构为11：23：3，即输入层、隐层、输出层分别为11，23，3个节点，在实际训练中，如果训练结果不理想，还可以适当增加或是减少隐层神经元的数目。隐层节点的输出函数采用Sigmoid函数，输出
为100时表示料位过高，010时表示料位正常，001时表示料位过低。
3.1 样本的选取
因为神经网络的泛化能力只是具有内插功能，对外部数据的泛化能力很差，所以训练样本对的选取对能否经由训练得到合理、精确的模型来说是至关重要的。这里，采集了大量的数据，分别来自160、200、250、300 (MW)4个典型负荷点的工况。
由于选用了S函数，BP网络的输入节点物理量各不相同，数值相差甚远，若将这11个分量直接输入到网络中，则网络判断结果不稳定会产生误判，同时亦为了防止小数值信息被大数值信息淹没，故对样本对的输入和输出数据进行如下的数据规格化处理。
将采集到的数据通过观察数据的频率分布图或其他根据剔除了异常的数据对，因为这些会影响到网络的学习。剩下的数据样本分成2个部分，即训练样本和测试样本。这里我们准备了120组训练样本对，40组测试样本对共160组数据。
3.2 网络的训练
建立了网络模型和采集了训练数据后，就可以进行学习了。
首先要对初始参数赋初值。由于系统是非线性的，初始值对于学习是否达到局部最小，是否能够收敛以及达到的训练速度的关系很大。这里取初始权值为（-1，1）的互不相等的随机数。学习速率的选取也很重要，它和负梯度的乘积决定了权值和阈值的调整量，学习速率越大则调整步伐越大，但容易振荡，这里设为0. 02。系统平均误差设为0.05。
同时在训练过程中，应重复选取多个初始点进行训练，以保证训练结果的全局最优性。
3.3 xvl原BP网络算法的改进
由于在实用中BP算法存在三个主要的缺点[11]，即(1)收敛速度慢；(2)网络容错能力差；(3)容易出现局部最优的问题。所以对现有的BP算法进行一些改进：
1)在加权系数调整时，增加一个惯性（动量）项可以加快收敛速度，加权系统变化更加平滑，公式如下
式中口是一个常数，它决定过去权重的变化对目前权值变化的影响程度。
2)除了使用附加动量法，还使用具有自适应学习速率的梯度下降法，能够增加稳定性，提高速度和精度，公式如下：
3.4 网络的测试结果及分析
通过对样本对的反复学习，系统的误差达到了设计的精度(0.05)，网络昀权值调整完毕。为了检验网络的正确性，将测试样本对输入网络进行测试。网络对测试数据的识别的部分结果与实际情况的比较如表一所示。
由该表可以看出，网络具有一定的泛化能力，在中低负荷的情况下，其判定结果的正确率要比运行人员的判断要好，基本上能达到所要求的精度。但在高负荷的情况下准确率不高。研究表明，是由于在高负荷的情况下，整个锅炉系统的运行参数变化较大，耦合度较高，输入的数据的不能够完全及时地反映实际运行工况，致使网络的误判率增加。若能与其他传统监测方法相结合的话，网络的容错性、鲁棒性和泛化能力会有进一步的提高。
同时由于实际中参数的数据采集或现场测量仪表存在一定误差，使有些测试样本的输入造成网络
的输出误差，难以达到训练时误差要求。
表一 磨煤机实际运行工况与神经网络输出值比较
说明：1、以上参数系列均为在两台制粉系统运行、排粉机入口风门开度不变、给煤机转速不变的情况下。
2、以上12组数据中，“正常”、“缺煤”、“堵塞”各种现象只取了一组数据，故障程度适中，实际运行中的参数变化可能随具体煤种、调节手段、环境温度、设备特性、故障程度等的差异而有所变化。
4 、结论
由以上仿真可以看出，通过BP神经网络对磨煤机的料位进行监测是切实可行的而且该网络具有很强的自学习性、自适应性和容错性，是一种比较实用的方法。
当燃用贫煤、无烟煤或其它煤种时，也可用这一网络模型，但应根据不同的运行特点，选取关键参数作为模型的输入因子，对模型进行训练，重新获取相应的模型参数，以对其运行工况进行分析。
若能将BP神经网络模型与锅炉控制的DCS建立接口，使其能够进行在线训练，则可对所关心的这种无法直接测量的重要运行参数进行实时估算，并随时提供预测结果给运行人员进行参数调整。本文所研究的模型及方法可以应用子电厂制粉系统的在线优化运行。
三门峡富通新能源销售球磨机、雷蒙磨、雷蒙磨粉机、雷蒙磨配件等。
