機(jī)器學(xué)習(xí)在選煤廠的應(yīng)用

1機(jī)器學(xué)習(xí)簡(jiǎn)介

機(jī)器學(xué)習(xí)作為一門研究如何使用計(jì)算機(jī)模擬人類行為以獲取新的知識(shí)與技能的學(xué)科,是人工智能的核心。機(jī)器學(xué)習(xí)主要分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩種(圖1)。監(jiān)督式機(jī)器學(xué)習(xí)旨在構(gòu)建能夠根據(jù)存在不確定性的證據(jù)做出預(yù)測(cè)的模型。監(jiān)督式學(xué)習(xí)算法接受已知的輸入數(shù)據(jù)集和對(duì)數(shù)據(jù)的已知響應(yīng)(輸出),然后訓(xùn)練模型,讓模型能夠?qū)π螺斎霐?shù)據(jù)的響應(yīng)生成合理的預(yù)測(cè):監(jiān)督式學(xué)習(xí)采用分類回歸和回歸技術(shù)預(yù)測(cè)模型。無(wú)監(jiān)督學(xué)習(xí)可發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式或內(nèi)在結(jié)構(gòu),其中聚類是一種最常用的無(wú)監(jiān)督機(jī)器學(xué)習(xí)技術(shù)。

目前,機(jī)器學(xué)習(xí)廣泛應(yīng)用于人臉識(shí)別、圖像識(shí)別、數(shù)據(jù)挖掘、廣告投放、推薦系統(tǒng)、基于文本內(nèi)容的垃圾短信識(shí)別等領(lǐng)域。隨著選煤廠設(shè)備自動(dòng)化、數(shù)字化水平的提高,選煤廠的數(shù)據(jù)采集越來(lái)越便捷,為機(jī)器學(xué)習(xí)在選煤廠的應(yīng)用提供了有力的數(shù)據(jù)支持。

2機(jī)器學(xué)習(xí)在選煤工藝中的應(yīng)用

2.1重選

對(duì)于選煤廠來(lái)說,在原煤質(zhì)量確定的情況下,選煤工藝的選擇對(duì)于產(chǎn)品質(zhì)量以及產(chǎn)率有著極大的決定性作用。目前,隨著煤質(zhì)變差,越來(lái)越多的選煤廠采用重介質(zhì)選煤工藝來(lái)提高產(chǎn)品的質(zhì)量。在重介質(zhì)選煤工藝中最為重要的三個(gè)變量分別是重介懸浮液的密度、煤泥含量和合格介質(zhì)桶液位。

曹珍貫通過對(duì)重介選煤控制過程中數(shù)據(jù)反饋、參數(shù)設(shè)定、重介密度控制的研究,建立了對(duì)重介質(zhì)密度進(jìn)行預(yù)測(cè)的模型。在這個(gè)過程中,他利用LS-SVM算法,通過對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練建立了測(cè)灰儀校正模型,能夠?qū)υ诰€測(cè)灰儀檢測(cè)到的數(shù)據(jù)進(jìn)行及時(shí)的校正。

孫小路以皮帶稱量、灰分儀和循環(huán)介質(zhì)密度為輸入矩陣,選取神經(jīng)網(wǎng)絡(luò)、邏輯回歸算法和決策樹算法構(gòu)建數(shù)據(jù)挖掘模型,并進(jìn)行預(yù)測(cè)比較,得出神經(jīng)網(wǎng)絡(luò)算法更適合進(jìn)行循環(huán)介質(zhì)預(yù)測(cè)的結(jié)論。

目前,中國(guó)礦業(yè)大學(xué)研究出了重介分選過程智能控制系統(tǒng),該系統(tǒng)能將原煤灰分的動(dòng)態(tài)變化實(shí)時(shí)傳遞到控制系統(tǒng),實(shí)現(xiàn)重介分選密度的智能控制。

2.2浮選

王光輝基于煤漿不同灰分的顏色表觀差異性,提出了基于圖像法的煤漿灰分在線監(jiān)測(cè)方法,建立了基于BP神經(jīng)網(wǎng)絡(luò)的煤漿灰分預(yù)測(cè)模型,實(shí)現(xiàn)了低灰分的浮選入料灰分的檢測(cè)。

曹文龍基于煤泥浮選泡沫圖像處理系統(tǒng),對(duì)得到的浮選圖像進(jìn)行預(yù)處理,得到了基于BP神經(jīng)網(wǎng)絡(luò)浮選精煤的預(yù)測(cè)模型。

任浩針對(duì)晉煤集團(tuán)煤泥水處理現(xiàn)狀,即煤礦洗煤廠煤泥水處理效率低、藥劑浪費(fèi)嚴(yán)重等問題,設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的濃縮機(jī)藥劑添加系統(tǒng)。通過該系統(tǒng)的應(yīng)用,實(shí)現(xiàn)了自動(dòng)預(yù)測(cè)加藥量并自動(dòng)加藥,大大降低了藥劑使用量,提高了煤泥水處理的效果。

2.3煤質(zhì)檢驗(yàn)

張澤琳以太西無(wú)煙煤為研究對(duì)象,設(shè)計(jì)了一套基于機(jī)器視覺的原煤可選性實(shí)時(shí)預(yù)測(cè)和超純煤灰分實(shí)時(shí)預(yù)測(cè)系統(tǒng),經(jīng)過現(xiàn)場(chǎng)試驗(yàn),該系統(tǒng)能夠基本滿足現(xiàn)場(chǎng)環(huán)境的需求。

3機(jī)器學(xué)習(xí)在選煤設(shè)備中的應(yīng)用

袁華聽提出了基于x射線圖像的煤研石智能分選系統(tǒng),該系統(tǒng)基于煤與研石的密度不同,通過用x射線源對(duì)運(yùn)輸皮帶上的煤和研石進(jìn)行透射,將采集到的射線信號(hào)轉(zhuǎn)化成對(duì)應(yīng)的灰度圖像。對(duì)圖像進(jìn)行一定的預(yù)處理后,使用圖像識(shí)別技術(shù)通過訓(xùn)練等相關(guān)步驟,建立了煤與研石分揀的系統(tǒng)。

宋文革等設(shè)計(jì)了一種基于雙能x射線識(shí)別和三維機(jī)械抓手抓取目標(biāo)研石的在線智能揀研系統(tǒng),對(duì)于粒度300~50mm的原煤,帶式輸送機(jī)帶速為0.5~0.8m/S時(shí),單次識(shí)別最多耗時(shí)3S,研石揀出率超過90%,研石誤揀率低于5%,單機(jī)系統(tǒng)處理能力達(dá)到100t/h左右。

TDS智能干選機(jī)以偽雙能x射線為主要探測(cè)源(圖2),根據(jù)煤與研石之間的區(qū)別,利用圖像識(shí)別技術(shù)建立數(shù)學(xué)模型,利用高壓氣體將模型識(shí)別為研石和煤分開。

針對(duì)傳統(tǒng)的重錘式料位計(jì)、紅外感應(yīng)以及超聲波傳感器在煤倉(cāng)料位檢測(cè)中都存在著無(wú)法反映煤倉(cāng)中的實(shí)時(shí)圖像的缺點(diǎn),于園園利用安裝在煤倉(cāng)頂部的相機(jī),建立了基于SIFT和K-meanS聚類算法的機(jī)器視覺系統(tǒng),實(shí)現(xiàn)了煤倉(cāng)料位的實(shí)時(shí)檢測(cè)和監(jiān)控。

目前,隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,選煤廠可以建立基于全廠設(shè)備的物聯(lián)網(wǎng)系統(tǒng),通過部署在設(shè)備上的監(jiān)測(cè)傳感器,對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行采集,并將采集到的數(shù)據(jù)按時(shí)序排列,然后傳輸給大數(shù)據(jù)分析平臺(tái)。通過算法分析和數(shù)據(jù)比對(duì),形成設(shè)備運(yùn)行曲線和動(dòng)態(tài)監(jiān)測(cè)報(bào)告,對(duì)潛在故障實(shí)施預(yù)警和定位。另外,可以進(jìn)一步結(jié)合智能專家診斷系統(tǒng),將設(shè)備運(yùn)行狀態(tài)和檢測(cè)報(bào)告推送給集控系統(tǒng)和移動(dòng)終端,進(jìn)而實(shí)現(xiàn)預(yù)警和報(bào)警服務(wù)。

4機(jī)器學(xué)習(xí)在選煤產(chǎn)品預(yù)測(cè)中的應(yīng)用

李云飛以石比臺(tái)選煤廠重介淺槽分選機(jī)、重介旋流器和螺旋分選機(jī)三個(gè)分選流程為研究對(duì)象,以得到的實(shí)際生產(chǎn)數(shù)據(jù)為依據(jù),建立了各分選流程的產(chǎn)品預(yù)測(cè)模型,并且預(yù)測(cè)結(jié)果與實(shí)際情況接近,結(jié)果可靠。

李科以原煤的相關(guān)煤質(zhì)資料進(jìn)行數(shù)學(xué)擬合,對(duì)選煤廠各分選工藝系統(tǒng)分別建立了洗選產(chǎn)品預(yù)測(cè)模型,并根據(jù)選煤廠特定的工藝流程組合構(gòu)建出最終的產(chǎn)品預(yù)測(cè)模型,為選煤廠的產(chǎn)品結(jié)構(gòu)調(diào)整提供了有力指導(dǎo)。

另外,根據(jù)選煤分選過程中選擇不同的參數(shù)組合會(huì)產(chǎn)生不同的分選效果,可以將一些可調(diào)的分選參數(shù)作為特征值,產(chǎn)生的分選效果作為輸出值,建立人工神經(jīng)網(wǎng)絡(luò)模型,利用不同的特征組合,選擇合適的算法和網(wǎng)絡(luò)模型,通過訓(xùn)練得到預(yù)測(cè)分選效果的最佳神經(jīng)網(wǎng)絡(luò)。比如跳汰分選過程中,在來(lái)煤確定的情況下,跳汰機(jī)的分選效果只與跳汰機(jī)可調(diào)的參數(shù)有關(guān),比如溢流堰的高度、振幅、振次、給水量、給料量等,因此,我們可以把這些因素作為輸入特征值,把精煤產(chǎn)率和精煤灰分作為輸出值,在特征值可調(diào)范圍內(nèi),進(jìn)行試驗(yàn)?zāi)M,并根據(jù)實(shí)際結(jié)果選擇合適的模型,為跳汰分選過程提供有力的參考依據(jù)。

5結(jié)語(yǔ)

借著第四次工業(yè)革命浪潮以及"中國(guó)制造2025"規(guī)劃,中國(guó)制造業(yè)的兩化(工業(yè)化和信息化)水平定能邁上新的臺(tái)階,這為選煤廠的智能化提供了有力的支持,不僅順應(yīng)了國(guó)際發(fā)展潮流以及國(guó)家戰(zhàn)略計(jì)劃,還具有重要的戰(zhàn)略意義。選煤廠借助機(jī)器學(xué)習(xí)等人工智能技術(shù)、大數(shù)據(jù)技術(shù)以及物聯(lián)網(wǎng)技術(shù),能夠進(jìn)一步推動(dòng)其分選過程的智能化、設(shè)備檢測(cè)與維護(hù)的智能化,改善管理調(diào)度的智能化水平,提高選煤廠的生產(chǎn)效率。