CN106933099B - 一种选煤厂浓缩机和压滤机药剂添加协同控制系统 - Google Patents

一种选煤厂浓缩机和压滤机药剂添加协同控制系统 Download PDF

Info

Publication number
CN106933099B
CN106933099B CN201710129383.6A CN201710129383A CN106933099B CN 106933099 B CN106933099 B CN 106933099B CN 201710129383 A CN201710129383 A CN 201710129383A CN 106933099 B CN106933099 B CN 106933099B
Authority
CN
China
Prior art keywords
concentration
filter press
data
thickener
coal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710129383.6A
Other languages
English (en)
Other versions
CN106933099A (zh
Inventor
王然风
董志勇
付翔
李伟
高红森
王跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Science And Technology Zhilian Technology Co ltd
Original Assignee
Shanxi Aidisen Electric Co ltd
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi Aidisen Electric Co ltd, Taiyuan University of Technology filed Critical Shanxi Aidisen Electric Co ltd
Priority to CN201710129383.6A priority Critical patent/CN106933099B/zh
Publication of CN106933099A publication Critical patent/CN106933099A/zh
Application granted granted Critical
Publication of CN106933099B publication Critical patent/CN106933099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D37/00—Processes of filtration
    • B01D37/03—Processes of filtration using flocculating agents
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D37/00—Processes of filtration
    • B01D37/04—Controlling the filtration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D37/00—Processes of filtration
    • B01D37/04—Controlling the filtration
    • B01D37/043—Controlling the filtration by flow measuring
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • C02F1/5209—Regulation methods for flocculation or precipitation
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control

Abstract

本发明属于煤泥水处理领域，具体涉及一种选煤厂浓缩机和压滤机药剂添加协同控制系统。本申请提供了一种基于自适应粒子群(APSO)算法求解最佳配合量的药剂协同自动添加系统，选取BP神经网络进行模型预测，同时作为APSO算法的适应度函数进行最优求解，实现联合加药，在保证煤泥水的处理速度、处理效果前提下，使药剂消耗量最低，经济效益最佳。

Description

一种选煤厂浓缩机和压滤机药剂添加协同控制系统
技术领域
本发明主要属于煤泥水处理领域，具体涉及一种选煤厂浓缩机和压滤机药剂添加协同控制系统。
背景技术
煤泥水处理过程大致为将粗煤泥加入浓缩池经沉降离心分为溢流和浓缩低流，浓缩低流进一步用压滤机压缩得回收煤泥，溢流进循环水池成为洗水。浓缩与压滤是煤泥水处理过程中两个重要的环节，大量煤泥细微颗粒影响着浓缩沉降、压滤脱水效果，如果在浓缩与压滤过程中煤泥不能快速沉降则溢流水浓度过高，直接影响洗水复用和闭路循环。为保证两环节中细粒级煤泥快速沉降，迅速脱水，降低循环水浓度，应加入相应的混凝药剂。混凝药剂包括絮凝剂与凝聚剂，其中絮凝剂的作用是与分散微粒发生理化反应形成絮团实现迅速沉降，凝聚剂是通过改变微粒表面电性质实现微粒间的聚合。煤泥水处理中，浓缩与压滤环节中混凝是个复杂的物化过程，影响混凝药剂用量因素主要包括入料(粗煤泥)浓度、入料流量、底流(浓缩底流)浓度、溢流浓度、压滤周期以及煤泥(压滤机滤饼)水分。同时药剂作用效果需要一定的时间才能显示出来，这是一个多变量、强耦合、大滞后的复杂过程。如何根据选煤过程中上述影响因素实时变化的情况，在不同阶段调价不同量的混凝药剂是煤泥水处理过程需解决的关键问题。
目前大多数选煤厂在煤泥水处理过程中，是针对单个环节进行药剂量的调节控制或者凭借人工现场经验寻找药剂的最佳配合方案。如杨津灵等提出了在煤泥水絮凝沉降过程中应用灰色预测-模糊算法对絮凝剂的实现自动添加控制。王亚南研究了一种基于改进型史密斯补偿控制的煤泥水絮凝剂添加自动控制系统。王达振通过絮凝剂、凝聚剂与溢流水硬度间的经验线性关系来寻找最佳配合比。上述方案中存在协同配合程度低，药剂添加粗放，药剂消耗量高，工人参与度大等缺点。
发明内容
针对上述问题，本申请提供了一种基于自适应粒子群(APSO)算法求解最佳配合量的药剂协同自动添加系统，选取BP神经网络进行模型预测，同时作为APSO算法的适应度函数进行最优求解，实现联合加药，在保证煤泥水的处理速度、处理效果前提下，使药剂消耗量最低，经济效益最佳。
本发明是通过以下技术方案实现的：
一种选煤厂浓缩机和压滤机药剂添加方法，所述方法包括以下步骤：
数据采集：采集N组浓缩机和压滤机工作历史数据；
构建预测模型：从N组数据中选择n组数据利用训练函数Newff分别建立絮凝剂与凝聚剂药剂用量预测模型NET1和NET2；
模型优化：利用剩余N-n组数据对模型的预测精度能力进行验证和优化调整，利用平均相对误差MRE和误差百分比来衡量模型预测精度，MRE值和误差百分比值越小模型越精确；
建立约束优化问题模型：结合浓缩与压滤过程中煤泥水的处理速度、处理效果及混凝药剂价格建立约束优化问题模型；
自适应粒子群算法计算：将约束优化问题模型的目标函数作为自适应粒子群算法的适应度函数，结合实时采集的数据，在限定的约束空间内，求解最优目标函数值即最优絮凝剂药剂用量与凝聚剂药剂用量；
药剂添加：根据自适应粒子群算法计算出的最优絮凝剂药剂用量与凝聚剂药剂用量添加絮凝剂与凝聚剂；
所述数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分。
进一步地，
O1，絮凝剂药剂添加量；O2，凝聚剂药剂添加量；x1，入料浓度；x2入料流量；x3溢流浓度；x4底流浓度；x5压滤周期；x6煤泥水分。
进一步地，约束优化问题模型如下：
min F＝K1f(x1，x2，x3，x4)+K2f(x4，x5，x6)
s.t.x3min≤x3≤x3max；x4min≤x4≤x4max；
x5min≤x5≤x5max；x6min≤x6≤x6max；
F为目标函数，K1絮凝剂药剂价格；K2凝聚剂药剂价格；x3min和x3max为浓缩机溢流浓度的边界条件，x4min和x4max为浓缩机底流浓度的边界条件，x5min和x5max为压滤机压滤周期的边界条件，x6min和x6max为压滤机煤泥水分的边界条件。
进一步地，煤泥水分的计算公式为，
式中，Σm，一个压滤周期内煤泥皮带称累计滤饼质量，t；
ΔL，入料时间内煤泥桶液位变化，m；
S，煤泥桶底面积，m2；
C，浓缩底流浓度，g/L；
W，煤泥水分，％。
进一步地，yi表示监测值；表示模型预测值。
进一步地，周期性间隔采集数据。
一种选煤厂浓缩机和压滤机药剂添加协同控制系统，所述系统包括设备层、控制层与管理层，设备层包括数据采集机构和执行机构，所述执行机构为混凝药剂添加设备；管理层与控制层通过以太网进行数据交换，控制层接收数据采集机构采集的数据并将数据传输至管理层，管理层分析处理数据利用自适应粒子群(APSO)算法得到最优混凝药剂添加值并将最优混凝药剂添加值传输至控制层，控制层结合最优混凝药剂添加值控制执行机构动作；
所述数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分。
进一步地，数据采集机构包括传感器和压滤机参数测量系统
所述传感器包括用来测量入料浓度与底流浓度的浓度传感器、测量入料流量的流量计、测量溢流浓度的浓度计；
所述压滤机参数测量系统测量压滤周期与煤泥水分。
进一步地，混凝药剂包括絮凝剂与凝聚剂；在浓缩机入料管道加入絮凝剂，在压滤机混料筒中加入凝聚剂；
进一步地，所述控制层包括以太网模块、模拟量输入与输出模块、数字量模块；
以太网模块用于控制层和管理层之间的数据传输；
模拟量输入与输出模块用于传感器信号的采集与执行机构的控制；
数字量模块用于开关量信号的采集与控制输出。
本发明的有益技术效果：本申请提供了一种基于BP-APSO算法的絮凝剂与凝聚剂药剂协同自动添加系统，建立了基于BP神经网络药剂添加量预测模型，利用PSO算法对依据预测模型建立的优化函数进行最小值求解，该系统能够在不同工况下求解出两种药剂最优添加量，在保证煤泥水处理速率与效果的基础上，降低了药剂消耗，经济指标降低4.68％左右，同时降低了工人劳动强度，提高了选煤厂自动化水平和生产效率，具有良好的经济效益。
附图说明
图1、BP网络输入/输出关系示意图；
图2、预测模型NET1和NET2测试集预测误差百分比示意图；
图3、APSO算法优化流程示意图；
图4、控制系统结构组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
一种选煤厂浓缩机和压滤机药剂添加方法，所述方法包括以下步骤：
数据采集：采集N＝100组浓缩机和压滤机工作历史数据；数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分。
构建预测模型：从100组数据中选择80组数据利用训练函数Newff分别建立絮凝剂与凝聚剂药剂用量预测模型NET1和NET2；BP网络输入/输出关系如图1所示，
O1，絮凝剂药剂添加量；O2，凝聚剂药剂添加量；x1，入料浓度；x2入料流量；x3溢流浓度；x4底流浓度；x5压滤周期；x6煤泥水分。
入料浓度、底流浓度、入料流量、溢流浓度采用传感器测量；
煤泥水分的计算公式为，
式中，Σm，一个压滤周期内煤泥皮带称累计滤饼质量，t；
ΔL，入料时间内煤泥桶液位变化，m；
S，煤泥桶底面积，m2；
C，浓缩底流浓度，g/L；
W，煤泥水分，％。
模型优化：利用剩余20组数据对模型的预测精度能力进行验证和优化。
yi表示实际测量值值；表示模型预测值。
由图2可知，NET1与NET2预测最大误差百分比分别在0.8％与0.6％左右，NET1的平均相对误差MRE＝0.4017％，NET2的平均相对误差MRE＝0.4497％表明预测值与实际值吻合情况很好，模型预测性能良好。
建立约束优化问题模型：结合浓缩与压滤过程中煤泥水的处理速度、处理效果及混凝药剂价格建立约束优化问题模型；
约束优化问题模型如下：
min F=K1f(x1，x2，x3，x4)+K2f(x4，x5，x6)
s.t.x3min≤x3≤x3max；x4min≤x4≤x4max；
x5min≤x5≤x5max；x6min≤x6≤x6max；
F为目标函数，K1絮凝剂药剂价格；K2凝聚剂药剂价格；x3min和x3max为浓缩机溢流浓度的边界条件，x4min和x4max为浓缩机底流浓度的边界条件，x5min和x5max为压滤机压滤周期的边界条件，x6min和x6max为压滤机煤泥水分的边界条件。
自适应粒子群算法计算：将约束优化问题模型的目标函数作为自适应粒子群算法的适应度函数，结合实时采集的数据，数据的采集周期为5min，即间隔5min采集一次数据，在限定的约束空间内，求解最优目标函数值即最优絮凝剂药剂用量与凝聚剂药剂用量；APSO算法优化流程如图3所示。
APSO算法迭代过程如下：
vid(k+1)＝ωkvid(k)+c1r1(Pbest，id(k)-xid(k))+c2r2(g_(best,d)(k)-x_id(k))；
xid(k+1)＝xid(k)+vi(k+1)；
式中，vid(k)表示在d维搜索空间中，第i粒子第k次迭代过程中的速度，xid(k)表示在d维搜索空间中，第i粒子第k次迭代过程中的位置。c1，c2为学习因子，r1，r2为0-1随机数，ω为惯性权重。
具体到本实施例中参数设置如表1所示。
表1
药剂添加：根据自适应粒子群算法计算出的最优絮凝剂药剂用量与凝聚剂药剂用量添加絮凝剂与凝聚剂。
一种选煤厂浓缩机和压滤机药剂添加协同控制系统，所述系统包括设备层、控制层与管理层，设备层包括数据采集机构和执行机构，所述执行机构为混凝药剂添加设备；管理层与控制层通过以太网进行数据交换，控制层接收数据采集机构采集的数据并将数据传输至管理层，管理层分析处理数据利用自适应粒子群(APSO)算法得到最优混凝药剂添加值并将最优混凝药剂添加值传输至控制层，控制层结合最优混凝药剂添加值控制执行机构动作；
该控制系统控制层利用上述浓缩机和压滤机药剂添加方法；
所述数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分。
控制系统结构组成如图4所示。
数据采集机构包括入料浓度与底流浓度均采用德国E+H型号FMD633压差式浓度传感器、入料流量采用德国科隆OPTIFLUX2100C型电磁流量计、溢流浓度采用超声波投入式浓度计、压滤周期与煤泥饼水分数据由压滤机控制系统中采集。
混凝药剂包括絮凝剂PAC与凝聚剂；在浓缩机入料管道加入絮凝剂，在压滤机混料筒中加入凝聚剂；执行机构为PAC加药泵，PAM变频螺杆泵。
控制层采用PLC控制柜，PLC控制器选用美国Rockwell公司ControlLogix系列，CPU选用ControlLogix 1756-L63；以太网模块选用1756-ENET/B，主要用于PLC和上位机之间的数据传输；模拟量输入与输出模块选用1756-OF8/IF8，用于传感器信号的采集与执行机构的控制；数字量模块选用1756-OB12/IB12,用于开关量信号的采集与控制输出。
管理层中硬件主要是ACP-4000研华工控机，软件部分主要为FT View组态软件与MATLAB数学软件，FT VIEW用于通过以太网读取实时数据，与人机可视化交互，同时FT View作为服务器，MATLAB作为客户端，通过OPC通讯协议进行数据交互。系统运行时，传感器采集数据进入PLC，然后通过WinCC中转进入MATLAB中作为模型的输入变量，MATLAB利用训练好的模型与算法求解得到最优值，反向输送至PLC中，从而控制相应的药剂泵动作。同时管理层还具有WEB端浏览器功能和通过EXCEL进行历史数据查询功能。
将本实施例的方法及系统在晋煤成庄矿选煤厂应用，晋煤成庄矿选煤厂对该控制系统应用效果表明，该系统能够在不同工况下求解出两种药剂最优添加量，在保证煤泥水处理速率与效果的基础上，药剂消耗降低了4.68％，同时降低了工人劳动强度，提高了选煤厂自动化水平和生产效率，具有良好的经济效益。

Claims (7)

1.一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，所述方法包括以下步骤：
数据采集：采集N组浓缩机和压滤机工作历史数据；所述工作历史数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分；
构建预测模型：从N组数据中选择n组数据利用用BP神经网络训练函数Newff分别建立絮凝剂与凝聚剂药剂用量预测模型NET1和NET2；N为不小于3的正整数，n为小于N的正整数；
模型优化：利用剩余N-n组数据对模型的预测精度能力进行验证和优化调整，利用平均相对误差MRE和误差百分比来衡量模型预测精度，MRE值和误差百分比值越小模型越精确；
建立约束优化问题模型：结合浓缩与压滤过程中煤泥水的处理速度、处理效果及混凝药剂价格建立约束优化问题模型；
自适应粒子群算法计算：将约束优化问题模型的目标函数作为自适应粒子群算法的适应度函数，结合实时采集的数据，在限定的约束空间内，求解最优目标函数值即最优絮凝剂药剂用量与凝聚剂药剂用量；
药剂添加：根据自适应粒子群算法计算出的最优絮凝剂药剂用量与凝聚剂药剂用量添加絮凝剂与凝聚剂。
2.如权利要求1所述一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，预测模型NET1和NET2为O1，絮凝剂药剂添加量；O2，凝聚剂药剂添加量；x1，入料浓度；x2入料流量；x3溢流浓度；x4底流浓度；x5压滤周期；x6煤泥水分。
3.如权利要求1所述一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，约束优化问题模型如下：
min F＝K1f(x1x2x3，x4)+K2f(x4，x5，x6)
s.t.x3min≤x3≤x3max；x4min≤x4≤x4max；
x5min≤x5≤x5max；x6min≤x6≤x6max；
F为目标函数，K1絮凝剂药剂价格；K2凝聚剂药剂价格；x3min和x3max为浓缩机溢流浓度的边界条件，x4min和x4max为浓缩机底流浓度的边界条件，x5min和x5max为压滤机压滤周期的边界条件，x6min和x6max为压滤机煤泥水分的边界条件。
4.如权利要求1-3任一所述一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，煤泥水分的计算公式为，
式中，∑m，一个压滤周期内煤泥皮带称累计滤饼质量，t；
ΔL，入料时间内煤泥桶液位变化，m；
S，煤泥桶底面积，m2；
C，浓缩底流浓度，g/L；
W，煤泥水分，％。
5.如权利要求1-3任一所述一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，yi表示监测值；表示模型预测值。
6.如权利要求1-3任一所述一种选煤厂浓缩机和压滤机药剂添加方法，其特征在于，周期性间隔采集数据。
7.一种基于权利要求1所述的选煤厂浓缩机和压滤机药剂添加方法的协同控制系统，其特征在于，所述系统包括设备层、控制层与管理层，设备层包括数据采集机构和执行机构，所述数据采集机构包括传感器和压滤机参数测量系统，所述执行机构为混凝药剂添加设备；管理层与控制层通过以太网进行数据交换，控制层接收数据采集机构采集的数据并将数据传输至管理层，管理层分析处理数据利用自适应粒子群(APSO)算法得到最优混凝药剂添加值并将最优混凝药剂添加值传输至控制层，控制层结合最优混凝药剂添加值控制执行机构动作；
所述传感器包括用来测量入料浓度与底流浓度的浓度传感器、测量入料流量的流量计、测量溢流浓度的浓度计；
所述压滤机参数测量系统测量压滤周期与煤泥水分；
所述数据包括入料浓度、底流浓度、入料流量、测量溢流浓度、压滤周期、煤泥水分；
所述混凝药剂包括絮凝剂与凝聚剂；在浓缩机入料管道加入絮凝剂，在压滤机混料筒中加入凝聚剂；
所述控制层包括以太网模块、模拟量输入与输出模块、数字量模块；
以太网模块用于控制层和管理层之间的数据传输；
模拟量输入与输出模块用于传感器信号的采集与执行机构的控制；
数字量模块用于开关量信号的采集与控制输出。
CN201710129383.6A 2017-03-06 2017-03-06 一种选煤厂浓缩机和压滤机药剂添加协同控制系统 Active CN106933099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710129383.6A CN106933099B (zh) 2017-03-06 2017-03-06 一种选煤厂浓缩机和压滤机药剂添加协同控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710129383.6A CN106933099B (zh) 2017-03-06 2017-03-06 一种选煤厂浓缩机和压滤机药剂添加协同控制系统

Publications (2)

Publication Number Publication Date
CN106933099A CN106933099A (zh) 2017-07-07
CN106933099B true CN106933099B (zh) 2019-12-10

Family

ID=59424073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710129383.6A Active CN106933099B (zh) 2017-03-06 2017-03-06 一种选煤厂浓缩机和压滤机药剂添加协同控制系统

Country Status (1)

Country Link
CN (1) CN106933099B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109574172A (zh) * 2019-02-11 2019-04-05 天津中新智冠信息技术有限公司 智能煤泥水系统
CN110090478B (zh) * 2019-05-06 2020-06-02 北京科技大学 一种充填场景下的深锥浓密机智能控制方法
CN110393954B (zh) * 2019-07-15 2020-05-12 北京科技大学 一种基于强化学习的浓密机在线控制方法
CN110426957B (zh) * 2019-07-31 2020-03-13 深圳信息职业技术学院 一种基于时延观测器的水厂投药系统自适应滑模控制方法
CN110824923A (zh) * 2019-11-25 2020-02-21 浙江嘉科电子有限公司 一种基于深度学习与云计算的污水处理控制方法及其系统
CN112445136B (zh) * 2020-12-16 2022-02-22 北京科技大学 一种基于连续时间神经网络的浓密机预测控制方法及系统
CN113599867B (zh) * 2021-08-25 2022-08-12 北京科技大学 一种微细粒粘滞物料压滤脱水过程检测控制装置及方法
CN117185443A (zh) * 2023-08-28 2023-12-08 扬州科苑化工有限公司 复合型新型污水脱泥剂及其智能化制备方法
CN117192973A (zh) * 2023-11-08 2023-12-08 山西智河水利科技有限公司 一种自动控制的黄河泥水回收系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102616907A (zh) * 2012-04-17 2012-08-01 中国矿业大学 一种尾煤压滤机滤液的澄清方法
CN102897950A (zh) * 2012-10-18 2013-01-30 中煤科工集团武汉设计研究院 一种长距离管道输煤终端煤泥水处理装置及方法
CN105435494A (zh) * 2015-12-11 2016-03-30 山西晋煤集团技术研究院有限责任公司 一种浓缩机药剂自动添加系统及方法
CN105858964A (zh) * 2016-05-17 2016-08-17 北京国华科技集团有限公司 一种湿法选煤厂尾煤泥水处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110277670A1 (en) * 2010-05-14 2011-11-17 Kyle Self Systems and methods for processing co2

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102616907A (zh) * 2012-04-17 2012-08-01 中国矿业大学 一种尾煤压滤机滤液的澄清方法
CN102897950A (zh) * 2012-10-18 2013-01-30 中煤科工集团武汉设计研究院 一种长距离管道输煤终端煤泥水处理装置及方法
CN105435494A (zh) * 2015-12-11 2016-03-30 山西晋煤集团技术研究院有限责任公司 一种浓缩机药剂自动添加系统及方法
CN105858964A (zh) * 2016-05-17 2016-08-17 北京国华科技集团有限公司 一种湿法选煤厂尾煤泥水处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《煤炭工程》;王然风 等;《浓缩机与压滤机药剂添加协同控制系统研究》;20170731;第129-131、135页 *

Also Published As

Publication number Publication date
CN106933099A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
CN106933099B (zh) 一种选煤厂浓缩机和压滤机药剂添加协同控制系统
CN101659462B (zh) 一种混凝剂自动加药控制系统及操作方法
CN103601342B (zh) 一种化学除磷工艺优化控制装置
JP6074340B2 (ja) 水処理制御方法及び水処理制御装置
CN101717143A (zh) 一种絮凝剂自动加药控制方法
CN105301960A (zh) 一种自来水凝絮剂投加量的控制方法
CN111320246A (zh) 一种基于多变量控制的混凝剂智能精确投加控制系统
CN114545985A (zh) 一种基于絮体特征监测及过程反馈的加药系统及方法
CN113705898A (zh) 自来水混凝剂加药量的预测方法及系统
CN110357236B (zh) 一种基于突变反演出水预测模型的污水厂智慧操控方法
CN114380379A (zh) 一种煤泥水的加药控制方法及系统
CN112132700A (zh) 用于调控水质的配方决策方法
CN201749385U (zh) 前馈-反馈复合控制的水厂投药控制系统
CN214693460U (zh) 一种预臭氧投加控制系统
CN114781249A (zh) 基于多维评分模型的高密度澄清池加药量预测及控制方法
Adgar et al. Enhancement of coagulation control using the streaming current detector
CN116235600A (zh) 用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质
CN101301538A (zh) 水处理药剂投加模糊智能控制系统
CN112759063A (zh) 一种预臭氧投加控制方法及其控制系统
Bello et al. Nonlinear model predictive control of a coagulation chemical dosing unit for water treatment plants
CN115375009B (zh) 一种建立混凝智能监控联动系统的方法
Evans et al. Intelligent based auto-coagulation control applied to a water treatment works
Pandilov et al. Application of intelligent optimization tools in determination and control of dosing of flocculent in water treatment
CN106886154B (zh) 基于区间数的湿法冶金全流程建模方法与优化方法
CN114713381A (zh) 基于浮选尾煤矿浆检测的浮选智能加药系统及加药方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210112

Address after: 030032 room 703-1, 7 / F, block a, Shengjiu building, No. 52, Longsheng street, Tanghuai Park, Taiyuan comprehensive reform demonstration zone, Taiyuan City, Shanxi Province

Patentee after: SHANXI PINDONG INTELLIGENT CONTROL Co.,Ltd.

Address before: 030024 No. 79 West Main Street, Taiyuan, Shanxi, Yingze

Patentee before: Taiyuan University of Technology

Patentee before: SHANXI AIDISEN ELECTRIC Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211013

Address after: 030032 plant 2, No. 51, Zhengyang Street, Tanghuai Park, Taiyuan comprehensive reform demonstration zone, Taiyuan, Shanxi Province

Patentee after: SHANXI ZHIZHUO ELECTRICAL Co.,Ltd.

Address before: 030032 room 703-1, 7 / F, block a, Shengjiu building, No. 52, Longsheng street, Tanghuai Park, Taiyuan comprehensive reform demonstration zone, Taiyuan City, Shanxi Province

Patentee before: SHANXI PINDONG INTELLIGENT CONTROL Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220209

Address after: 030032 4th floor, building a401, antaixin science and Technology Industrial Park, No. 12, Dachang South Road, Tanghuai Industrial Park, transformation and comprehensive reform demonstration zone, Taiyuan, Shanxi Province

Patentee after: Shanxi science and technology Zhilian Technology Co.,Ltd.

Address before: 030032 plant 2, No. 51, Zhengyang Street, Tanghuai Park, Taiyuan comprehensive reform demonstration zone, Taiyuan, Shanxi Province

Patentee before: SHANXI ZHIZHUO ELECTRICAL Co.,Ltd.

TR01 Transfer of patent right