机器学习在选煤厂的应用

1机器学习简介

机器学习作为一门研究如何使用计算机模拟人类行为以获取新的知识与技能的学科,是人工智能的核心。机器学习主要分为监督学习和无监督学习两种(图1)。监督式机器学习旨在构建能够根据存在不确定性的证据做出预测的模型。监督式学习算法接受已知的输入数据集和对数据的已知响应(输出),然后训练模型,让模型能够对新输入数据的响应生成合理的预测:监督式学习采用分类回归和回归技术预测模型。无监督学习可发现数据中隐藏的模式或内在结构,其中聚类是一种最常用的无监督机器学习技术。

目前,机器学习广泛应用于人脸识别、图像识别、数据挖掘、广告投放、推荐系统、基于文本内容的垃圾短信识别等领域。随着选煤厂设备自动化、数字化水平的提高,选煤厂的数据采集越来越便捷,为机器学习在选煤厂的应用提供了有力的数据支持。

2机器学习在选煤工艺中的应用

2.1重选

对于选煤厂来说,在原煤质量确定的情况下,选煤工艺的选择对于产品质量以及产率有着极大的决定性作用。目前,随着煤质变差,越来越多的选煤厂采用重介质选煤工艺来提高产品的质量。在重介质选煤工艺中最为重要的三个变量分别是重介悬浮液的密度、煤泥含量和合格介质桶液位。

曹珍贯通过对重介选煤控制过程中数据反馈、参数设定、重介密度控制的研究,建立了对重介质密度进行预测的模型。在这个过程中,他利用LS-SVM算法,通过对样本数据进行训练建立了测灰仪校正模型,能够对在线测灰仪检测到的数据进行及时的校正。

孙小路以皮带称量、灰分仪和循环介质密度为输入矩阵,选取神经网络、逻辑回归算法和决策树算法构建数据挖掘模型,并进行预测比较,得出神经网络算法更适合进行循环介质预测的结论。

目前,中国矿业大学研究出了重介分选过程智能控制系统,该系统能将原煤灰分的动态变化实时传递到控制系统,实现重介分选密度的智能控制。

2.2浮选

王光辉基于煤浆不同灰分的颜色表观差异性,提出了基于图像法的煤浆灰分在线监测方法,建立了基于BP神经网络的煤浆灰分预测模型,实现了低灰分的浮选入料灰分的检测。

曹文龙基于煤泥浮选泡沫图像处理系统,对得到的浮选图像进行预处理,得到了基于BP神经网络浮选精煤的预测模型。

任浩针对晋煤集团煤泥水处理现状,即煤矿洗煤厂煤泥水处理效率低、药剂浪费严重等问题,设计了一种基于BP神经网络的浓缩机药剂添加系统。通过该系统的应用,实现了自动预测加药量并自动加药,大大降低了药剂使用量,提高了煤泥水处理的效果。

2.3煤质检验

张泽琳以太西无烟煤为研究对象,设计了一套基于机器视觉的原煤可选性实时预测和超纯煤灰分实时预测系统,经过现场试验,该系统能够基本满足现场环境的需求。

3机器学习在选煤设备中的应用

袁华听提出了基于x射线图像的煤研石智能分选系统,该系统基于煤与研石的密度不同,通过用x射线源对运输皮带上的煤和研石进行透射,将采集到的射线信号转化成对应的灰度图像。对图像进行一定的预处理后,使用图像识别技术通过训练等相关步骤,建立了煤与研石分拣的系统。

宋文革等设计了一种基于双能x射线识别和三维机械抓手抓取目标研石的在线智能拣研系统,对于粒度300~50mm的原煤,带式输送机带速为0.5~0.8m/S时,单次识别最多耗时3S,研石拣出率超过90%,研石误拣率低于5%,单机系统处理能力达到100t/h左右。

TDS智能干选机以伪双能x射线为主要探测源(图2),根据煤与研石之间的区别,利用图像识别技术建立数学模型,利用高压气体将模型识别为研石和煤分开。

针对传统的重锤式料位计、红外感应以及超声波传感器在煤仓料位检测中都存在着无法反映煤仓中的实时图像的缺点,于园园利用安装在煤仓顶部的相机,建立了基于SIFT和K-meanS聚类算法的机器视觉系统,实现了煤仓料位的实时检测和监控。

目前,随着物联网技术的飞速发展,选煤厂可以建立基于全厂设备的物联网系统,通过部署在设备上的监测传感器,对设备运行状态进行采集,并将采集到的数据按时序排列,然后传输给大数据分析平台。通过算法分析和数据比对,形成设备运行曲线和动态监测报告,对潜在故障实施预警和定位。另外,可以进一步结合智能专家诊断系统,将设备运行状态和检测报告推送给集控系统和移动终端,进而实现预警和报警服务。

4机器学习在选煤产品预测中的应用

李云飞以石比台选煤厂重介浅槽分选机、重介旋流器和螺旋分选机三个分选流程为研究对象,以得到的实际生产数据为依据,建立了各分选流程的产品预测模型,并且预测结果与实际情况接近,结果可靠。

李科以原煤的相关煤质资料进行数学拟合,对选煤厂各分选工艺系统分别建立了洗选产品预测模型,并根据选煤厂特定的工艺流程组合构建出最终的产品预测模型,为选煤厂的产品结构调整提供了有力指导。

另外,根据选煤分选过程中选择不同的参数组合会产生不同的分选效果,可以将一些可调的分选参数作为特征值,产生的分选效果作为输出值,建立人工神经网络模型,利用不同的特征组合,选择合适的算法和网络模型,通过训练得到预测分选效果的最佳神经网络。比如跳汰分选过程中,在来煤确定的情况下,跳汰机的分选效果只与跳汰机可调的参数有关,比如溢流堰的高度、振幅、振次、给水量、给料量等,因此,我们可以把这些因素作为输入特征值,把精煤产率和精煤灰分作为输出值,在特征值可调范围内,进行试验模拟,并根据实际结果选择合适的模型,为跳汰分选过程提供有力的参考依据。

5结语

借着第四次工业革命浪潮以及"中国制造2025"规划,中国制造业的两化(工业化和信息化)水平定能迈上新的台阶,这为选煤厂的智能化提供了有力的支持,不仅顺应了国际发展潮流以及国家战略计划,还具有重要的战略意义。选煤厂借助机器学习等人工智能技术、大数据技术以及物联网技术,能够进一步推动其分选过程的智能化、设备检测与维护的智能化,改善管理调度的智能化水平,提高选煤厂的生产效率。