基于復雜煤質機器學習的重介質洗選密度精準控制算法優化

劉 平，馮化一，于大偉，楚遵勇，張秀峰，高會穎

(1.國電建投內蒙古能源有限公司，內蒙古 鄂爾多斯 017000；2.天津美騰科技股份有限公司，天津 300000)

重介選煤方法具有分選效率高，煤質適應性強的優勢，在選煤工藝中應用廣泛。但是重介選煤工藝流程復雜，自動化水平比較低，國內大多數選煤廠還是使用人工控制的方式。即使部分選煤廠實現自動控制，但是算法一般采用經典控制算法，在實際應用中的工藝參數控制精度低，洗選過程中密度、磁性物含量均成波浪線性變化，產品指標不穩定。同時，目前選煤廠重介分選系統的密控調節，主要依賴化驗室定時采樣化驗，利用化驗灰分反饋調節，而化驗點灰一般會滯后約2 h；由于化驗點灰的滯后性，這種密度調節方式對生產的指導意義不是很大，不能有效保證產品的質量穩定。本文針對重介選煤工藝中的密度控制環節及洗選產品指標控制方式進行了研究，穩定洗選密度，精準預測煤質波動，實時調整洗選密度，是實現產品指標穩定，提升產品質量的重要方法。

1 重介洗選密度穩定方法及存在問題

目前，大多數選煤廠所采用的密度穩定方式主要分為以下幾種：

(1)隨著自動化控制的廣泛使用，可編程式控制器(PLC)被廣泛使用于密度控制。采用PLC內的PID控制補水閥開度，無分流回路。該方法由于沒有分流回路，并未考慮到重介懸浮液中的煤泥含量，重介懸浮液穩定性較差，從而降低分選效果；

(2)采用PLC內的PID控制補水閥開度，分流閥(箱)開度固定；該方法分流量固定，然而由于選煤廠入洗原煤性質的波動性和不均勻性，懸浮液中煤泥含量和磁性物含量也在不斷變化，固定的分流量不利于重介懸浮液的穩定，從而影響分選效果；

(3)采用PLC內的PID控制補水閥開度，分流量采用模糊控制方法。該控制方法精確度和靈敏度都較高，系統設計考慮到了重介懸浮液密度和穩定性，然而由于模糊控制的設計大都僅考慮了合介桶液位或者煤泥含量，而分流過程影響因素眾多，同時模糊控制系統設計較為復雜，從而降低了系統的穩定性和適應性。

綜上可以看出，上述集中方法大部分使用PLC內PID控制補水閥，分流閥控制非常單一或者甚至直接不控，系統穩定性和適應性非常差。且均使用組態軟件進行編程，界面比較粗獷，對用戶不友好[2-7]。此外目前針對復雜煤質的洗選密度設定也多是由具有豐富操作經驗的采樣、制樣人員在洗選生產線上均勻合理的采制樣品，然后交由化驗室進行燒灰、工業分析，得到原煤、產品煤的灰分，確定洗選過程中的密度。這種方式具有非常大的弊端：

(1)對采制樣人員的專業程度、經驗要求非常高。

(2)化驗室燒灰過程需要耗費大量的時間，延遲較大，實時性不能保證。

采制樣人員，需要對現場工藝非常了解，化驗人員送煤樣入馬弗爐燒灰[8]，一般需要耗費1 h，甚至更長時間，這個時間后根據產品1 h之前的化驗灰確定產品的質量，延遲非常嚴重，指導生產的價值大大降低?；谏鲜鲈?，產品指標也就沒辦法得到保證。

2 基于復雜煤質的機器學習算法穩定密度的方法原理

鑒于現有方法的各種弊端，重介洗選密度穩定的方法需要做出改進，其方法為：

(1)首先是洗選密度的設定，采用前饋加后饋的方法進行洗選密度預測。原煤的可選性分析，通過篩分、浮沉試驗可以得出兩組數據：相同物料粒度級、不同密度級物料的產率r(%) 和各自的灰分A(%)[9-13]。根據這些資料可以獲知原煤產率、灰分、密度之間的關系，因此，可以基于產品的目標灰分、目標產率即可以確定重介洗選的密度范圍，此為前饋。后饋則是基于實時灰分檢測設備對生產過程中產品灰分進行監測，然后比較產品灰分與目標灰分的差異情況，在較短時間內調整重介洗選目標密度。

(1)其次是密度穩定方法，利用高級語言編寫機器學習算法，根據當前密度情況、液位情況、煤泥含量、磁性物含量、自動加介泵的狀態等，綜合判斷，控制補水閥門及分流閥門，讓重介洗選密度無線趨近于目標密度，以此可以提升產品質量及精煤產率。

這種方法利用了原煤煤質資料，根據煤質特性精準預測了密度區間。并且增設了智能化實時監測設備，可以實現幾分鐘之內就對重介洗選密度進行一次預測及調整，極大地縮短了調整的周期。另外，這些智能化設備的引入減少了人員的介入，減少對經驗的依賴性，讓系統的調整更加可靠。密度穩定中機器學習算法的引入，綜合考慮了多種因素，保證密度調整的合理性、科學性。

3 基于復雜煤質與產品質量監測預測密度的數學方法

利用復雜煤質資料與產品質量監測預測重介洗選密度的方法主要流程如圖1所示。

首先確定產品煤灰分區間，然后確定煤質情況，煤質不一樣，其可選性曲線也不一樣。確定煤質后，利用原煤煤質資料確定重介洗選密度范圍。利用可選性分析過程中生成的數據可以知道原煤產率、灰分、密度之間的關系[14]。本文以察哈素煤礦生產為例，開展研究工作。察哈素煤礦洗選工藝為200～25 mm淺槽入洗，-25 mm作為末煤產品銷售。根據重介洗選工藝，采用察哈素煤礦3層煤生產煤樣進行了可選性分析。自然級200～25 mm粒級物料浮沉試驗結果見表1

圖1 重介洗選密度預測流程

表1 可選性曲線繪制數據

利用表1中數據擬合出來的曲線可以非常直觀的看到產率、灰分、密度之間的關系。如圖2所示。

圖2 可選性曲線

根據圖2及選煤廠對商品煤的要求、對生產的要求等，可以計算出重介洗選密度的上下限。例如，如果要求商品煤灰分在9%左右，則生產密度需要定義為1.5～1.6 g/cm3范圍內，但是這時的產率只有22.59%，如圖2中虛線標明。如果對產率有要求，如產率需要到60%，則密度上下限定位為1.9～2 g/cm3。但是灰分會非常高，約在45%。因此，根據煤質資料與生產目標，可以設定洗選密度對應的區間。

密度區間確認好好后，計算出密度區間的中值，使用密度中值進行洗選。在生產過程中需要利用實時在線灰分預測洗選密度。實時在線灰分監測裝備，主要利用X光穿透煤層后，由于煤中元素種類不同、含量不同造成射線的衰減情況不同[15-16]?；诖嗽?，依托于機器學習的算法，在線灰分檢測裝備可以穩定、實時的檢測出帶式輸送機上面的煤樣灰分，如表2，可以針對煤樣進行快速的計算及展示。

表2 灰分儀歷史灰分查詢

通過在線實時灰分檢測設備，檢測實時灰分，累計N分鐘計算平均值A，判斷A與產品煤的目標值之間差異A，然后根據選煤廠密度調節步長Δρ和當前密度ρ0，計算目標密度ρ1應該設定為多少。公式：ρ1=ρ0+ΔA×Δρ。其中，ΔA計算時需要判斷，當前灰分Ad是否大于灰分合理區間上限A上，如果滿足這個條件，則ΔA的計算公式為ΔA=A下-Ad，其中A下為灰分合理區間下限；如果不滿足上述條件，則繼續下一步判斷，當前灰分Ad是否大于灰分合理區間下限A下，如果滿足這個條件，則ΔA的計算公式為ΔA=A上-Ad，其中A上為灰分合理區間下限。

4 自動密度控制方法及原理

洗選目標密度根據煤質、產品煤質量進行預測、設定后，利用密度控制方法穩定密度，此方法主要是服務器利用數據協議轉換工具獲取各個儀表的讀數，包括但不限于密度計、磁性物含量計、合介桶液位計、稀介桶液位計、分選設備的壓力值、電機電流值、補水閥開度、補水閥設定開度、分流閥開度、分流閥設定開度、合介泵的頻率、自動加介泵的運行狀態等。然后利用機器學習算法動態計算補水閥、分流閥的設定開度，從而達到穩定密度的作用。主要流程如圖3所示。

圖3 密度穩定控制流程

不同于以往的密度控制方法，該方法運行于服務器，使用Java等高級語言編寫，數據存儲于MYSQL及MongoDB數據庫。相比較傳統PLC控制方法，可以調用的計算資源更加豐富，數據存儲時間也較長，可以形成有效的歷史數據查詢功能；參考指標也更加全面，可以更加科學、有效的控制密度的穩定性。此外，構建精美的操作、展示界面，用戶使用簡單、方便。

5 基于機器學習方法的密度預測及密度控制效果

相比較于行業內目前常用的重介洗選密度預測方法，基于煤質資料地前饋計算更加精準，基于煤質的可選性曲線分析，在傳統選煤中，一般都是采用篩分、做浮沉試驗來完成可選性曲線的繪圖，從而可以得出選煤廠的分選密度。

由于煤質資料的研究非常嚴謹、準確，所以基于原煤煤質資料的前饋也是非常準確地。而基于實時在線灰分檢測設備的灰分監測在前饋的基礎上增加了快速有效的后饋手段。專業的設備解放了人力，擺脫了對人員的專業度、操作經驗的依賴，更加客觀、有效。另外，監測的實時性極大地提高了這種預測方法的時效性，由原來的最短60 min變更為新方法中的5 min甚至是1 min。預測效率提高了近15倍。這就使得預測的相關性得到了極大地提高。

同時，使用基于機器學習的密度控制方法，與傳統控制方法相比，可以有效的參考各個因素，極大地減小了密度控制的波動范圍，可以實現密度差在0.005 g/cm3范圍內的占比達到85%，具體見表3。因此基于機器學習方法的密度預測及密度控制方法可以極大地提高產品的指標。

表3 基于機器學習方法的密度預測及密度控制對比

6 結語及展望

基于機器學習方法的密度預測及密度控制方法核心在于煤質資料的準確性、在線灰分監測的準確性、密度控制的及時性和穩定性。此方法可以有效提升產品煤的指標。未來可以通過加大原煤煤質分析頻率來校正原煤煤質的特性，可以經過提升在線灰分監測的精度來提升此方法的準確度，讓預測更加精準、更加有指導意義，可以通過優化密度控制算法，提升計算頻率等手段，提升密度控制的穩定性，讓產品煤指標更好，資源回收率更高。