灭火智能车辆

2024-11-23

灭火智能车辆（精选4篇）

灭火智能车辆篇1

智能车辆参与灭火与救援能够帮助人们解决很多问题, 同时减少了相关人员可能会遭受的各种风险。但是操纵智能车辆被看作是一个多输入、多输出、输入输出关系复杂多变、不确定多干扰源的复杂非线性系统的控制过程, 而且它对位移、速度和加速度都提出了一定的要求, 传统的PID控制对这些复杂过程和非线性系统不能进行有效的控制, 要使PID控制取得较好的控制效果, 需要找出比例、微分和积分3种控制作用形成控制量时的非线性关系, 这就使得智能控制理论和技术的研究进入智能车辆控制领域成为必然[1,2,8]。

近年来, 将BP神经网络应用于PID控制已成为一大研究热点[4]。本文将传统PID控制和BP神经网络控制结合在一起, 用于灭火智能车的速度闭环控制中, 既利用了PID控制的长处, 又考虑到神经网络独特的优势即神经网络可以充分逼近任意复杂的非线性关系, 具有模糊性、容错性和自学习的能力, 这样可以在线调整PID控制器的参数, 提高系统的应变能力, 在一定程度上克服了PID控制参数靠经验确定及难以对复杂系统或过程进行有效控制的不足。

1 灭火智能车的系统结构

1.1 灭火智能车的组成与控制策略

灭火智能车采用履带型结构, 车的底盘由履带、驱动轮、支重轮、托轮、引导轮和履带张紧装置等组成。驱动轮通过直流电机驱动。当驱动轮被最终传动2级被动齿轮带动时, 其齿轮拉动履带, 地面立即产生作用在履带上的反作用力, 使整车对地面产生向前或向后的运动, 整车也随之运动。这种结构使整个灭火智能车行走平稳, 动力强大。车上安装了灭火装置和检测火焰的红外传感器, 也可扩展安装摄像头、液晶显示器、数字罗盘、机械手臂等装置。车的前部和左右安装了用于避障的红外传感器。灭火智能车的任务是在危险而又复杂的火灾现场, 寻找火源, 并迅速扑灭火源。这要求灭火智能车能够通过寻找目标、识别目标、追踪目标、动态避障来完成灭火任务。因此, 采用基于行为的混合反映式控制, 将系统并行分解为巡航行为、避障行为、目标寻找行为3种。混合式控制方案如图1所示。在这里, 设定:避障行为的优先级最高;寻找行为次之;巡航行为最低;这样才能确保灭火智能车在火灾现场顺利找到火源并将其扑灭。

1.2 灭火智能车的硬件设计

灭火智能车是由控制器, 电源模块, 电机驱动模块, 传感器模块、测速模块和灭火模块组成的[5]。灭火智能车的总体构成如图2所示。

经过对以上各个模块的芯片选择和电路设计, 组建了灭火智能车, 同时也搭建了用于测试的场地。在速度测试时, 由于灭火智能车是通过控制器输出的PWM信号开环调节驱动轮的速度, 这就使得实际控制时, 轮子的转动速度并未达到位置环的输出, 达不到精确运动的要求, 因而有可能对整体的技术性能造成不利的影响。我们将在下节介绍如何弥补这种不利的影响。

2 神经网络PID控制

2.1 BP神经网络PID控制器结构

在传统的PID控制器的基础上加上一个BP神经网络, 利用其学习能力确定和调整PID参数, 应用在灭火智能车的速度闭环控制里, 其结构如图3所示。

2.2 控制算法

PID控制器一般采用经典增量式PID控制算法:

${\begin{cases} u (k) = u (k - 1) + Δ u (k) \\ Δ u (k) = Κ_{p} [e (k) - e (k - 1)] + Κ_{i} e (k) + \\ Κ_{d} [e (k) - 2 e (k - 1) + e (k - 2)] \end{cases} (1)$

式中:Kp 、Ki 、Kd 分别为比例、积分和微分系数。

BP神经网络采用输入层, 隐含层和输出层3层结构, 隐含层神经元的输入为所有输入的加权之和, 即:

$x_{j}^{(2)} = \sum_{i}^{Μ} w_{i j}^{(2)} x_{i}^{(1)} (i = 1, 2, \dots, Μ) (2)$

式中:上标 (1) 、 (2) 分别为输入层、隐含层;M为输入层神经元的个数, 即输入变量的个数, M的大小取决于被控系统的复杂程度。

隐层神经元的活化函数取S函数:

$f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}} (3)$

则隐含层神经元的输出:

$y_{j}^{(2)} = f (x_{j}^{(2)}) (4)$

输出层神经元的输入为:

$x_{k}^{(3)} = \sum_{j = 0}^{Q} w_{j k}^{(3)} y_{j}^{(2)} (5)$

式中:上标 (3) 为输出层;Q为隐含层神经元的个数。

输出层神经元的活化函数取非负的S函数:

$g (x) = \frac{e^{x}}{e^{x} + e^{- x}} (6)$

则输出层神经元的输出:

$y_{k}^{(3)} = g (x_{k}^{(3)}) (k = 1, 2, 3) (7)$

即

${\begin{cases} y_{1}^{(3)} = Κ_{p} \\ y_{2}^{(3)} = Κ_{i} \\ y_{3}^{(3)} = Κ_{d} \end{cases} (8)$

取性能指标函数

$E (k) = \frac{(r (k) - y (k))^{2}}{2} (9)$

则按照梯度下降法修正网络的权系数, 即按E (k) 对加权系数的负梯度方向搜索调整, 并附加一个使搜索快速收敛全局极小的惯性项, 若权值w的变化量记为Δw, 则隐含层和输出层之间权值的改变量为:

$Δ w_{j k}^{(3)} = - η \frac{\partial E (k)}{\partial w_{j k}^{(3)}} + α Δ w_{j k}^{(3} (k - 1) (10)$

式中:η为学习速率;α为惯性系数。

$\begin{array}{l} \frac{\partial E (k)}{\partial w_{j k}^{(3)}} = \frac{\partial E (k)}{\partial y (k)} \frac{\partial y (k)}{\partial Δ u (k)} \frac{\partial Δ u (k)}{\partial y_{k}^{(3)} (k)} \times \\ \frac{\partial y_{k}^{(3)} (k)}{\partial x_{k}^{(3)} (k)} \frac{\partial x_{k}^{(3)} (k)}{\partial w_{j k}^{(3)} (k)} (11) \end{array}$

由式 (4) 得到:

$\frac{\partial x_{k}^{(3)} (k)}{\partial w_{i j}^{(3)} (k)} = y_{j}^{(2)} (12)$

由于 $\frac{\partial y (k)}{\partial Δ u (k)}$ 未知, 可以用近似符号函数 $sgn (\frac{\partial y (k)}{\partial Δ u (k)})$ 取代, 因为 $\frac{\partial y (k)}{\partial Δ u (k)}$ 是权值变化中的一个公共因子, 最重要的是它的符号的正负, 符号的正负决定着权值的变化方向, 数值的大小只影响权值变化速度, 由此带来计算不精确影响, 可以调整学习速率η来补偿。则输出层权值调整算法如下:

w $_{j k}^{(3)}$ (k+1) =w $_{j k}^{(3)}$ (k) +ηδ (3) ky $_{j}^{(2)}$ +

α (w $_{j k}^{(3)}$ (k) -w $_{j k}^{(3)}$ (k-1) ) (13)

$\begin{array}{l} 式中 ∶ δ_{k}^{(3)} = e (k) sgn (\frac{\partial y (k)}{\partial Δ u (k)}) \frac{\partial Δ u (k)}{\partial y_{k}^{(3)}} g^{'} (x_{k}^{(3)} (k)) \\ (k = 1, 2, 3) (14) \end{array}$

如同上面的分析, 可得隐含层加权系数调整算法:

$\begin{array}{l} w_{i j}^{(2)} (k + 1) = w_{i j}^{(2)} (k) + η δ_{j}^{(2)} y_{i}^{(1)} + \\ α (w_{i j}^{(2)} (k) - w_{i j}^{(2)} (k - 1)) (15) \end{array}$

$\begin{array}{l} δ_{j}^{(2)} = \sum_{k = 1}^{3} δ_{k}^{(3)} f^{'} (x_{j}^{(2)} (k)) \\ (j = 1, 2, \dots, Q) (17) \end{array}$

基于BP神经网络的PID控制算法归纳如下:

1) 确定BP网络的结构, 选定学习速率η, 给各层加权系数赋初值w $_{i j}^{(2)}$ (0) 、w $_{j k}^{(3)}$ (0) , k=1。

2) 对r (k) 和y (k) 进行采样, 并计算实时误差e (k) =r (k) -y (k) 。

3) 计算BP神经网络各层神经元的输入、输出, BP神经网络输出层的输出即为PID控制器的3个可调参数Kp、Ki、Kd;

4) 根据公式 (1) 计算PID控制器输出u (k) , 参与控制和计算。

5) 通过神经网络学习在线调整w $_{i j}^{(2)}$ (k) 和w $_{j k}^{(3)}$ (k) , 实现PID控制参数自适应调整。

6) k=k+1, 返回到1) 。

3 系统仿真与分析

设被控对象的近似数学模型为:y (k+1) =0.8y (k) / (1+y2 (k) ) +u (k) , BP神经网路的结构选择为4-5-3, 4个输入分别是r (k) , y (k) , e (k) = r (k) - y (k) 和u (k-1) , 3个输出对应Kp、Ki、Kd, 学习速率η=0.01和惯性系数α=0.05, 加权系数初始值取[-0.5, 0.5]上的随机数。输入信号为r (k) =sin (πt) , 如图4, 基于BP神经网络PID控制下的输出跟踪曲线和误差曲线如图5和图6。

从图5和6可以看出, BP神经网络控制实现了对输人信号的几乎相同的跟踪, 有较好的快速性和适应性, 说明其具有很好的控制特性。另外, 稳态误差也小说明神经网络控制精度高, 具有很好的发展前景。

图7为BP神经网络PID控制跟踪正弦信号时的输出参数图, 由于神经网络的输出为PID的3个参数KP、KI、和KD, 通过神经网络的学习, 可以实现3个参数的在线调整, 使参数达到最优, 这也是常规PID所不能达到的功能。

4 结束语

基于BP神经网络的PID控制方法借助神经网络的自学习、自组织能力, 可实现参数的在线自整定和优化, 避免了人工整定参数的繁琐工作, 克服了经典PID控制对被控对象模型的过渡依赖, 是传统的PID控制与先进的智能控制算法相结合的有效方式, 为PID实现复杂的电机非线性控制提供了有效途径, 在合理选择隐含层和输出层激活函数的情况下, 算法具有很强的泛化能力。

本文的创新点为直接将神经网络算法运用于PID控制方法的研究中, 并进行加权系数修正, 实验仿真数据证明, 控制器输出超调小, 收敛快, 满足灭火智能车的精确运动要求和技术性能, 所得结果为进一步的理论和实验研究提供了借鉴和参考。

摘要：为满足灭火智能车辆在火灾现场所需的精确运动要求和技术性能, 充分利用BP神经网络能够逼近任意非线性系统的优点, 将BP神经网络和PID控制相结合, 把训练后的网络输出作为PID控制器输入, 并不断调整其P、I、D参数, 进而调整控制器的输出电压以控制灭火智能车辆的速度。

关键词：灭火智能车辆,BP神经网络,PID控制器

参考文献

[1]张其善, 吴今培, 杨东凯.智能车辆定位导航系统及其应用[M].北京:科学出版社, 2002

[2]Cao Jianbo, Cao Binggang, Chen Wenzhi, et al.Neural network self-adaptive PID control for drivingand regenerative braking of electric Vehicle[C]//2007 IEEE International Conference on Automationand Logistics, 2007:2 029-2 034

[3]KuoL.Su.Automatic fire detection system using a-daptive fusion algorithm for fire fighting robot[C]//2006 IEEEInternational Conference on Systems, Man, and Cybernetics, 2006:966-971

[4]Zhang Mingguang, Qiang Minghui.Study of PIDneural network control for nonlinear system[C]//The 8th International Conference on Signal Process-ing, 2006:166-200

[5]初秀民, 严新平, 吴超仲, 等.汽车驾驶操作信息数据库与采集系统设计[J].中国安全科学学报, 2005, 15 (1) :29-33

[6]刘金锟.先进PID控制及MATLAB仿真[M].北京:电子工业出版社.2003

[7]黄金燕, 葛化敏, 唐明军.基于BP神经网络的PID控制方法的研究[J].微计算机信息, 2006 (26) :278-280

[8]赵兵, 王荣本, 李琳辉.基于激光雷达的无人驾驶车前方障碍物检测[J].交通与计算机, 2007 (2) :14-18

灭火智能车辆篇2

神东公司辅助运输车辆作为入井运输人员及材料的主要交通工具,一旦发生火灾可能引起煤矿瓦斯、煤尘爆炸等事故,防范火灾工作显得更为重要。目前,神东公司入井车辆全部安装了便携式手动灭火器,发生火灾时需要手动操作实施灭火,但由于手动灭火器的失效、卡死、不会使用灭火器等现象发生,导致火灾初期无法将其扑灭,从而造成了严重的后果。相比较于手动灭火器,自动灭火装置由电脑控制,两个探测器会实时监测发动机机仓的运行情况,发现异常情况时,会自动启动报警装置并开启灭火器喷头阀门,在火灾燃烧初期最佳灭火时间内自动进行灭火,有效控制火灾。为此,神东公司为入井的辅助运输车辆安装了自动灭火装置。

1车辆自动灭火装置的组成及工作原理

车辆自动灭火装置是一套主动探测车辆是否出现燃烧状况并能主动实施灭火的自主探测火灾、自动灭火警报装置,火灾探测器和灭火器喷头主要安装在发动机机仓等车辆易燃、易高温的部位。该装置能在车辆出现燃烧初期的最佳灭火时间内,进行灭火操作,能有效控制车体燃烧,可以为驾驶员提供火情警报和灭火操作,有效保障驾驶员人身安全,减少火灾损失。

1.1组成

如图所示,车辆自动灭火装置由紫外线火灾探测器、主控器及控制程序、报警器、灭火器喷头、灭火器罐(带电磁阀)、蓄电池电源、连接电缆、导管等附件组成。

1.2自动灭火

紫外线火灾异常情况发出指令开启灭火罐。

1.3特点

(1)快速探测火灾,报警时间不大于0.2s,自动灭火时间不大于0.3s;(2)采用超细干粉灭火剂,是普通灭火剂效果的数倍;(3)能够连续记录各种操作和异常情况2000条;(4)采用快速接头和防水设计;(5)装置拥有三种灭火操作方式:

A、自动灭火功能:自主探测火灾,快速灭火响应。

B、手动灭火功能:通过强开/强停按钮,开启灭火罐阀门,进行灭火操作。

C、在自动/手动电控失效的情况下,拔出快速接头,灭火罐可当普通灭火器使用。

2车辆自动灭火装置的应用

2013年4月份至7月份,在神东公司大柳塔矿6台10吨工程车上安装了6套自动灭火装置,哈拉沟矿4台10吨工程车安装了4套自动灭火装置,进行试用。试用期间,我们对10套自动灭火装置进行了9次灭火演练。其中,试用区间1m内出现火焰(打火机)、烟头、焊花等明火现象6次,导致控制器提前动作;有效扑灭发动机表面指定火焰现象2次;控制器延时(5s~8s)动作1次。

从试用演练效果来看,该套装置主要存在以下问题:

(1)探测器区域内探测火焰灵敏度较高,控制器处于常闭位置,有效探测范围内出现明火容易产生误动作,8公斤灭火器将1次性喷出干粉。

整改措施:(1)增加常开、常闭按钮,车辆入井时处于常闭位置,升井时处于常开位置;(2)在驾驶室内增加一套自动或手动选择装置,当灭火器探测到有火焰或人为产生误动作时,灭火该装置发出警报声,提醒驾驶员发现火情,驾驶员可根据实际情况选择立即执行灭火或取消报警。如果驾驶员在规定时间内未操作灭火或取消报警,灭火器将自动实施灭火动作;(3)在探测器上增加滤波装置,对电焊机、日光等部分波段进行过滤,对影响系统运行、易产生误动作的波段通过滤波装置进行过滤,减少系统误动作,提高可靠性能。

通过上述三项措施,可以避免系统或人为原因误动作发生,提高设备可靠性能。

(2)控制器不防水,洗车时易进水,是导致控制器延时打开。

整改措施:自动灭火装置在试用阶段由于产品未定性,存在改进优化的空间,在试用结束后,系统运行达到稳定状态后将整套设备全部按照井工矿井环境进行制作加工,并取得了煤安证书。

(3)原试用设备由电源箱、控制器、显示器等设备组成,比较分散,部件分布在较多的点上,增加维护量。

整改措施:将所有部件全部集中在一个防护箱内,形成一整套完整的设备,减少设备维护量,减少占用空间,增加防护性能。

通过对试用期问题的整改,车辆自动灭火装置已形成稳定成熟产品。考虑到成本效益及车型的差异性,目前该装置只在神东公司的10座、20座和30座运车人上安装使用,运行状态良好。

3结束语

安全是煤矿企业的最大效益,是矿工的最大福利,是实现矿井安全可持续发展的根本保证。近年来,神东公司坚持从理念创新、管理创新、机制创新入手,深入践行安全文化建设,将自动灭火装置安装在易发生火灾的车辆上,经过考察调研、反复试用、整改完善等一系列实践后,目前已达到了有效地预防井下火灾的发生的预期效果。

摘要：神华神东煤炭集团有限责任公司(以下简称“神东公司”)13个井工矿共有辅助运输车辆约2200台,驾驶员2000多人,辅助运输车辆作为入井运人、运料的移动设备,运行在井下各个区域,涉及的点多、面广,为了辅助运输车辆财产及驾驶员人身的安全,神东公司为辅助运输车辆安装了自动灭火系统。

浅谈大空间智能灭火系统篇3

1 什么是大空间灭火

大空间灭火指建筑空间净空大于8m的工业与民用建筑等场所的火灾探测、预警、报警、控制、扑灭、排水。

在这类建筑空间中，传统烟感、温感、喷水系统由于空间高度大而且探测、报警、扑灭均为被动型，效果不理想;往往火灾已经开始漫延后可能还无法启动系统，即使启动自动喷淋系统，由于水量小很难扑灭火灾(失去了早期灭火作用);使用雨淋系统也需要较长时间才能灭火，而且会形成“水灾”，对于高层建筑及人员密集型场所的疏散很不利。在此情况下，利用红外传感探测技术引入了大空间智能主动灭火的系统。此系统当环境温度4～55时，可自动搜寻明火火灾，并自动调节喷水方向，力求以大水量充实水柱，及时扑灭火灾。

2 设计要点

2.1 水力计算

2.1.1 管道水力计算仍然根据管材的不同，延用传统公式计算。

2.1.2 喷头水力计算参考厂家产品。现有智能灭火产品对明火火灾需要20S左右的探测反应时间，且对早期燃烟、蓄温反应效果较差，为实现早期灭火，弥补当今红外传感探测的缺陷;单个喷头一般设置水量5l/s，当工作压力0.6mPa时，保护半径20m，在工作压力0.25MPa时，保护半径6m(参考南海天雨智能灭火装置有限公司产品数据);力求以大流量充实水柱将火灾在1～3min内扑灭。并设定当红外传感探测确定火灾扑灭后，自动延时1min进行平面扫射，以降低环境温度防止火灾漫延及复燃。一般灭火耗时小于3min左右所需排放废水很少，仅考虑1个DN50地漏即可。在DBJ15-34-2004中水箱储备水量仍然按喷水1h考虑，作者认为既然红外传感可设置灭火后自动关闭电磁阀停止喷水且当距火灾最近喷头喷水后其它喷头自动处于待命状态而不是同时喷水，因此仍然按1小时考虑储水则没有道理而且严重耗用空间;如果说是考虑喷淋系统有1h的水量，消火栓系统也有1～3h水量，则误解了规范;在传统规范中，由于是被动探测火灾且需要人为判断火灾是否已被扑灭，为确保生命财产安全才储备较多的水量。如果说是考虑有多处火灾发生，需要同是启动多个喷头，则误解了大空间建筑功能;作为大空间构筑物多是体育馆、豪华宴会厅、展览馆、大型仓库等，这类场所都不是人群经常活动的场所，此类场所管理人员、通用设施较其它民用建筑齐备，永久性可燃设施不多，按国家现行制造标准，设施堆放不可能产生火灾;电力系统布置也比较简捷明快，除老化、误操作外没有发生火灾的可能性，若因为老化发生火灾，那么这样的失修建筑灭火系统也必然会失修，即使发生火灾也难以启用，若是误操作又是水能扑灭的火灾，必然也不会是多点。因此大空间建筑缺少发生多处火灾的必然性。若是多处火灾则必然不是偶然火灾，而是故意纵火，使用的燃火剂必然是水难以扑灭或用水扑灭作用不大。储水再多对于直接扑灭火灾也意义不大，只是降低环境温度。由于此类建筑已设有消火栓系统，足已降低环境温度。假如，使用大空间智能主动灭火系统代替消火栓系统避免人员灭火，则水量应按1～3h甚至更大计算 (当发生多处火灾或大面积火灾，多个喷头启动，其用水量将大于消火栓系统) 储备水量所占空间将更大;所有电力、控制线及元气件必须全部设置于不燃不升温空间内，以确保正常工作，但以现有材料很难做到;无法及时调节喷水方向，确保重要通道和物品免受损失;当环境温度大于55°C时，探测系统将不能正常工作。

如果设置储备水量，作者以为按有两个独立的防火分区同时有两处发生火灾，并且发生一次复燃，较为合适。即储备水量=24×60×5/1000=7.2m3;另外，在仓库空间内使用此系统效果不好。首先若是早期明露火灾，以单个喷头可以灭火;若是暗处或内空间火灾，由于对烟探测效果不好，且为其它物品阻挡，当出现明火时已基本形成大火灾，早期灭火降温效果很差;即使对烟感有探测效能，由于火灾隐蔽使用此系统也没用，这类空间还是应该使用雨淋设施配以消火栓系统更好。

2.2 系统配置

现有产品中，此技术实际上是一个开式喷头，需配以电磁阀做启闭之用。不能使用喷泉电磁阀，应使用水工电磁阀。电磁阀反应时间在0.5s左右，符合快速灭火的要求。基于制造原因，小于DN50电磁阀应用较多、技术比较成熟、维护简单，但大于DN50电磁阀应用甚少，主要是电磁驱动力难以满足阀门的开启。电磁阀驱动孔径在2mm左右，为免堵塞，输水管道应采用复合管或热镀锌钢管等不易产生锈蚀的管材，采用卡箍、套丝等连接方式并确保管内冲洗干净;并在输水主干管设置水处理器，截流杂质。减压孔板、减压阀应使用不锈钢材质。

2.3 现状及发展

黄土防灭火智能注浆系统的设计篇4

黄泥灌浆防灭火措施在我国各个矿区已经实施了很长时间,但大多为半人工的工作方式,人员工作量较大、效率低,而且水土配比不易控制、配比变化范围大。此外,半人工灌浆系统制浆灌浆过程不连续,往往是先制浆再灌浆,自动化程度不高。所以,必须实现黄泥制浆灌浆控制系统的智能化、自动化,以降低工人的工作强度,提高工作效率,同时也使灌浆的质量大为提高。笔者设计了以可编程控制器为核心的黄泥防灭火注浆灌浆全自动智能化系统。

1 系统组成

黄泥注浆灌浆系统的平面布局如图1所示,系统主要由高速粉碎机、皮带输送机、细碎机、制浆机、储浆池、集渣池、注浆泵等设备构成。

黄土由粉碎机粉碎后经皮带输送机输送到地面,形成备用黄土原料。黄土原料通过铲车等方式由人工不停地运输到储土罐中,再由变频控制的输土机按设定的量稳定地输往制浆机。由变频控制的水泵则稳定输送清水,与黄土在制浆机中进行混合制浆,形成一定浓度的黄泥浆液,经过过滤网过滤后进入储浆池备用。为了防止浆液在储浆池中沉淀,储浆池的两端各有一台搅拌装置。搅拌好的浆液可以选择两种方式流入管道:一是自流方式,二是输浆泵泵送方式。

图2为黄土注浆灌浆系统的工艺流程及控制关系图。该系统的控制核心是可编程控制器,上位机是触摸屏人机界面。为了能处理水流量计、浆流量计以及储浆池液位计得到的4~20 mA的模拟量信号,系统配置了模数AD转换模块,转换成数字量后由可编程控制器处理运算。此外,可编程控制器要控制水泵变频器、输土机变频器、放浆调节器等模拟量驱动的设备,必须要有数模DA转换模块,将0~4 095的数字信号转换成4~20mA的模拟电流信号或0~10V的模拟电压信号。

图3为系统控制的触摸屏界面,各设备之间的关系如前所述。触摸屏界面上可以进行水土配比的设定、自流和泵送方式的选择、灌浆输出流量的设定,并可以控制注浆系统的启动和停止。此外,系统停止方式可以是按钮停止,也可以通过设定灌浆总量实现停机。

可编程控制器的控制电路图,如图4所示。控制器由一台PLC主机和两个含有4路AD转换通道、2路DA转换通道的模拟量扩展模块组成。PLC主机连接输入输出开关量,相应的端子分配表,如表1所示。X1和X2为系统启动和停止按钮输入端,X3为触摸屏控制和外部按钮开关控制选择开关。X4、X5和X6组合用于设置水土配比,分别作为二进制数的位权“1”、“2”、“4”,开关闭合表示该位有效。第1个模拟量扩展模块的4个模拟量输入分别为水流量计、浆流量计、浆液位计和流量设定电位器,2个模拟量输出为水泵和输土机的变频器。第2个扩展模块的2个模拟量输出为自流输浆阀调节器和输浆泵的变频器。

2 系统控制流程

系统开启前,先在人机界面上设置合适的水土配比、选择灌浆方式(自流和泵送)、到量停机设定。制作泥浆时,水土的比例是一个重要参数。水土比大,黄泥的浓度小,泥浆粘度小,易于输送,输送距离长,但容易造成土水分离和跑浆。反之,泥浆浓度越大,泥浆的黏度、稳定性与致密性也越高,包裹隔离的效果也越好。但是,当土水比过大时,流动性差,容易造成管道的堵塞和过度磨损。能否设置好水土配比是保证灌浆工作能否顺利进行的关键。

系统运行的控制流程,如图5所示。在进行必须的设置之后,按下启动按钮时先关闭放浆调节阀,同时开启储浆池的搅拌机和制浆机,为制浆和储浆做好准备。再启动变频水泵,使之全量运行,以最大泵水量送水。同时,按配比计算得到输土机的变频器频率,从而使输送黄土的速度符合设定的配比要求。此时制浆机得到的黄泥浆液不断地通过过滤器进入储浆池并进行搅拌,液位不断上升,直到最高液位的70%时开启输浆泵或放浆调节阀开始注浆。与此同时,控制系统通过智能PID算法自动调节水土的供应量,从而使系统注浆时维持液位在70%。如果按下停止按钮或注浆量已达设定值时,先关闭水泵、输土机和制浆机,使浆液位下降至5%以下,再关闭搅拌机、放浆调节阀或输浆泵,系统结束。

3 典型程序

在系统启动之前,须先进行水土配比的设定。配比设定可以由外部开关和触摸屏两种方式得到,两种方式的选择由PLC主机的X3确定。选择外部操作时M10闭合、选择触摸屏方式时M10断开。D25寄存器用于存储配比,选择外部操作即M10闭合时,其低3位分别对应X4、X5和X6,作为二进制数的位权“1”、“2”、“4”,开关闭合表示该位有效。因此,可以得到1∶1至7∶1的7种配比。触摸屏设定时直接输入配比值。

系统需要实时显示浆的瞬时流量及本次开机的累积灌浆量。浆流量计与第1块模拟量扩展模块的第1个AD转换通道连接,其分配的寄存器为ID10000,并将其数据送至普通寄存器D1后进行浮点数强制转换,得到的浮点数存于D104。由于扩展模块的AD转换位数为14位,数据范围为0~16 383。将转换得到的数据与16 383进行浮点数除法后与浆流量计的最大量程(75m3/h)作浮点数乘法,即可得到黄土浆液的实际瞬时流量,存于D108中,进一步可以显示于触摸屏上。将D108中的每小时流量除以3 600,可以得到每秒流量,并在特殊功能继电器秒时钟SM13的上升沿驱动下实现每秒更新当前累加的灌浆量D112。

流量设定有两种方式,即触摸屏按键调整和外部电位器旋钮调整。系统上电时将D170置数16 383,使流量设定的初始值为最大值60m3/h,每m3/h对应的数据为273.049 98。选择触摸屏方式时,由触摸屏上的上调和下调按钮调节流量,对应的PLC动作位分别为M50和M51。当设定值小于最大值时,M50的上升沿使D170的流量设定值加1m3/h;M51的上升沿使流量设定值减1,取整后得到整数型式的数据,存于D172。

4 结语

黄泥防灭火注浆灌浆全自动智能化系统已经产品化并应用于多个煤矿的防灭火实践,采煤之后通过输送管路送往可能发生自燃的采空区,黄泥凝固后起到了隔离氧气、散热的作用,从而防止了自燃火灾的发生。实践应用表明,该系统可以大为降低工人的工作强度,提高工作效率,可以实现制浆灌浆的连续性,自动化、智能化程度高,同时也使灌浆的质量大为提高。

摘要：介绍用于煤矿防灭火的黄泥注浆灌浆系统。针对半人工控制方式灌浆的工作量较大、效率低、水土配比变化范围大、制浆灌浆过程不连续问题,设计以可编程控制器和触摸屏为核心的黄泥防灭火注浆灌浆全自动智能化系统。介绍系统的结构组成、控制关系、工作原理、典型程序。实践应用表明该系统可降低工人的工作强度,提高工作效率和灌浆的质量。

关键词：黄泥,防灭火,注浆,智能化系统,控制流程,典型程序,灌浆质量

参考文献

[1]秦波涛,王德明.矿井防灭火技术现状及研究进展[J].中国安全科学学报,2007,(12):80-85.

[2]郭晓刚.新型黄泥制浆设备在煤矿防灭火的应用[J].煤矿现代化,2012,(6):22-23.

[3]马衍颂,肖兴明.智能型黄泥灌浆给料系统设计[J].煤矿机械,2011,32(8):150-151.

[4]吴丽.电气控制与PLC应用技术[M].北京:机械工业出版社,2011.

【灭火智能车辆】推荐阅读：

智能车辆12-11