基于复杂煤质机器学习的重介质洗选密度精准控制算法优化

刘 平，冯化一，于大伟，楚遵勇，张秀峰，高会颖

(1.国电建投内蒙古能源有限公司，内蒙古 鄂尔多斯 017000；2.天津美腾科技股份有限公司，天津 300000)

重介选煤方法具有分选效率高，煤质适应性强的优势，在选煤工艺中应用广泛。但是重介选煤工艺流程复杂，自动化水平比较低，国内大多数选煤厂还是使用人工控制的方式。即使部分选煤厂实现自动控制，但是算法一般采用经典控制算法，在实际应用中的工艺参数控制精度低，洗选过程中密度、磁性物含量均成波浪线性变化，产品指标不稳定。同时，目前选煤厂重介分选系统的密控调节，主要依赖化验室定时采样化验，利用化验灰分反馈调节，而化验点灰一般会滞后约2 h；由于化验点灰的滞后性，这种密度调节方式对生产的指导意义不是很大，不能有效保证产品的质量稳定。本文针对重介选煤工艺中的密度控制环节及洗选产品指标控制方式进行了研究，稳定洗选密度，精准预测煤质波动，实时调整洗选密度，是实现产品指标稳定，提升产品质量的重要方法。

1 重介洗选密度稳定方法及存在问题

目前，大多数选煤厂所采用的密度稳定方式主要分为以下几种：

(1)随着自动化控制的广泛使用，可编程式控制器(PLC)被广泛使用于密度控制。采用PLC内的PID控制补水阀开度，无分流回路。该方法由于没有分流回路，并未考虑到重介悬浮液中的煤泥含量，重介悬浮液稳定性较差，从而降低分选效果；

(2)采用PLC内的PID控制补水阀开度，分流阀(箱)开度固定；该方法分流量固定，然而由于选煤厂入洗原煤性质的波动性和不均匀性，悬浮液中煤泥含量和磁性物含量也在不断变化，固定的分流量不利于重介悬浮液的稳定，从而影响分选效果；

(3)采用PLC内的PID控制补水阀开度，分流量采用模糊控制方法。该控制方法精确度和灵敏度都较高，系统设计考虑到了重介悬浮液密度和稳定性，然而由于模糊控制的设计大都仅考虑了合介桶液位或者煤泥含量，而分流过程影响因素众多，同时模糊控制系统设计较为复杂，从而降低了系统的稳定性和适应性。

综上可以看出，上述集中方法大部分使用PLC内PID控制补水阀，分流阀控制非常单一或者甚至直接不控，系统稳定性和适应性非常差。且均使用组态软件进行编程，界面比较粗犷，对用户不友好[2-7]。此外目前针对复杂煤质的洗选密度设定也多是由具有丰富操作经验的采样、制样人员在洗选生产线上均匀合理的采制样品，然后交由化验室进行烧灰、工业分析，得到原煤、产品煤的灰分，确定洗选过程中的密度。这种方式具有非常大的弊端：

(1)对采制样人员的专业程度、经验要求非常高。

(2)化验室烧灰过程需要耗费大量的时间，延迟较大，实时性不能保证。

采制样人员，需要对现场工艺非常了解，化验人员送煤样入马弗炉烧灰[8]，一般需要耗费1 h，甚至更长时间，这个时间后根据产品1 h之前的化验灰确定产品的质量，延迟非常严重，指导生产的价值大大降低。基于上述原因，产品指标也就没办法得到保证。

2 基于复杂煤质的机器学习算法稳定密度的方法原理

鉴于现有方法的各种弊端，重介洗选密度稳定的方法需要做出改进，其方法为：

(1)首先是洗选密度的设定，采用前馈加后馈的方法进行洗选密度预测。原煤的可选性分析，通过筛分、浮沉试验可以得出两组数据：相同物料粒度级、不同密度级物料的产率r(%) 和各自的灰分A(%)[9-13]。根据这些资料可以获知原煤产率、灰分、密度之间的关系，因此，可以基于产品的目标灰分、目标产率即可以确定重介洗选的密度范围，此为前馈。后馈则是基于实时灰分检测设备对生产过程中产品灰分进行监测，然后比较产品灰分与目标灰分的差异情况，在较短时间内调整重介洗选目标密度。

(1)其次是密度稳定方法，利用高级语言编写机器学习算法，根据当前密度情况、液位情况、煤泥含量、磁性物含量、自动加介泵的状态等，综合判断，控制补水阀门及分流阀门，让重介洗选密度无线趋近于目标密度，以此可以提升产品质量及精煤产率。

这种方法利用了原煤煤质资料，根据煤质特性精准预测了密度区间。并且增设了智能化实时监测设备，可以实现几分钟之内就对重介洗选密度进行一次预测及调整，极大地缩短了调整的周期。另外，这些智能化设备的引入减少了人员的介入，减少对经验的依赖性，让系统的调整更加可靠。密度稳定中机器学习算法的引入，综合考虑了多种因素，保证密度调整的合理性、科学性。

3 基于复杂煤质与产品质量监测预测密度的数学方法

利用复杂煤质资料与产品质量监测预测重介洗选密度的方法主要流程如图1所示。

首先确定产品煤灰分区间，然后确定煤质情况，煤质不一样，其可选性曲线也不一样。确定煤质后，利用原煤煤质资料确定重介洗选密度范围。利用可选性分析过程中生成的数据可以知道原煤产率、灰分、密度之间的关系[14]。本文以察哈素煤矿生产为例，开展研究工作。察哈素煤矿洗选工艺为200～25 mm浅槽入洗，-25 mm作为末煤产品销售。根据重介洗选工艺，采用察哈素煤矿3层煤生产煤样进行了可选性分析。自然级200～25 mm粒级物料浮沉试验结果见表1

图1 重介洗选密度预测流程

表1 可选性曲线绘制数据

利用表1中数据拟合出来的曲线可以非常直观的看到产率、灰分、密度之间的关系。如图2所示。

图2 可选性曲线

根据图2及选煤厂对商品煤的要求、对生产的要求等，可以计算出重介洗选密度的上下限。例如，如果要求商品煤灰分在9%左右，则生产密度需要定义为1.5～1.6 g/cm3范围内，但是这时的产率只有22.59%，如图2中虚线标明。如果对产率有要求，如产率需要到60%，则密度上下限定位为1.9～2 g/cm3。但是灰分会非常高，约在45%。因此，根据煤质资料与生产目标，可以设定洗选密度对应的区间。

密度区间确认好好后，计算出密度区间的中值，使用密度中值进行洗选。在生产过程中需要利用实时在线灰分预测洗选密度。实时在线灰分监测装备，主要利用X光穿透煤层后，由于煤中元素种类不同、含量不同造成射线的衰减情况不同[15-16]。基于此原理，依托于机器学习的算法，在线灰分检测装备可以稳定、实时的检测出带式输送机上面的煤样灰分，如表2，可以针对煤样进行快速的计算及展示。

表2 灰分仪历史灰分查询

通过在线实时灰分检测设备，检测实时灰分，累计N分钟计算平均值A，判断A与产品煤的目标值之间差异A，然后根据选煤厂密度调节步长Δρ和当前密度ρ0，计算目标密度ρ1应该设定为多少。公式：ρ1=ρ0+ΔA×Δρ。其中，ΔA计算时需要判断，当前灰分Ad是否大于灰分合理区间上限A上，如果满足这个条件，则ΔA的计算公式为ΔA=A下-Ad，其中A下为灰分合理区间下限；如果不满足上述条件，则继续下一步判断，当前灰分Ad是否大于灰分合理区间下限A下，如果满足这个条件，则ΔA的计算公式为ΔA=A上-Ad，其中A上为灰分合理区间下限。

4 自动密度控制方法及原理

洗选目标密度根据煤质、产品煤质量进行预测、设定后，利用密度控制方法稳定密度，此方法主要是服务器利用数据协议转换工具获取各个仪表的读数，包括但不限于密度计、磁性物含量计、合介桶液位计、稀介桶液位计、分选设备的压力值、电机电流值、补水阀开度、补水阀设定开度、分流阀开度、分流阀设定开度、合介泵的频率、自动加介泵的运行状态等。然后利用机器学习算法动态计算补水阀、分流阀的设定开度，从而达到稳定密度的作用。主要流程如图3所示。

图3 密度稳定控制流程

不同于以往的密度控制方法，该方法运行于服务器，使用Java等高级语言编写，数据存储于MYSQL及MongoDB数据库。相比较传统PLC控制方法，可以调用的计算资源更加丰富，数据存储时间也较长，可以形成有效的历史数据查询功能；参考指标也更加全面，可以更加科学、有效的控制密度的稳定性。此外，构建精美的操作、展示界面，用户使用简单、方便。

5 基于机器学习方法的密度预测及密度控制效果

相比较于行业内目前常用的重介洗选密度预测方法，基于煤质资料地前馈计算更加精准，基于煤质的可选性曲线分析，在传统选煤中，一般都是采用筛分、做浮沉试验来完成可选性曲线的绘图，从而可以得出选煤厂的分选密度。

由于煤质资料的研究非常严谨、准确，所以基于原煤煤质资料的前馈也是非常准确地。而基于实时在线灰分检测设备的灰分监测在前馈的基础上增加了快速有效的后馈手段。专业的设备解放了人力，摆脱了对人员的专业度、操作经验的依赖，更加客观、有效。另外，监测的实时性极大地提高了这种预测方法的时效性，由原来的最短60 min变更为新方法中的5 min甚至是1 min。预测效率提高了近15倍。这就使得预测的相关性得到了极大地提高。

同时，使用基于机器学习的密度控制方法，与传统控制方法相比，可以有效的参考各个因素，极大地减小了密度控制的波动范围，可以实现密度差在0.005 g/cm3范围内的占比达到85%，具体见表3。因此基于机器学习方法的密度预测及密度控制方法可以极大地提高产品的指标。

表3 基于机器学习方法的密度预测及密度控制对比

6 结语及展望

基于机器学习方法的密度预测及密度控制方法核心在于煤质资料的准确性、在线灰分监测的准确性、密度控制的及时性和稳定性。此方法可以有效提升产品煤的指标。未来可以通过加大原煤煤质分析频率来校正原煤煤质的特性，可以经过提升在线灰分监测的精度来提升此方法的准确度，让预测更加精准、更加有指导意义，可以通过优化密度控制算法，提升计算频率等手段，提升密度控制的稳定性，让产品煤指标更好，资源回收率更高。