CN115016313A - 一种煤重介的仿真控制方法及装置 - Google Patents

Abstract

本发明公开了一种煤重介的仿真控制方法及装置，涉及重介分选技术领域，该方法包括：AI系统自动识别当前流程的所有有效工艺，并记录有效工艺对应的数据；对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量、温度；基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中；重复AI系统自动识别当前流程的所有有效工艺的过程，直至得到该种产品煤对应的具有最低能耗的工艺。该方法利用数据重构和深度学习方式对工艺流程和方法逐步AI取代和完善，降低了选煤重介的能耗。

Description

一种煤重介的仿真控制方法及装置

技术领域

本发明涉及重介分选技术领域，尤其是一种煤重介的仿真控制方法及装置。

背景技术

在传统的重介分选过程中，只能通过技术人员查看和积累的经验才能获取重介分选相关数据，比如重介分选循环介质密度一直是根据操作人员人为给定的密度进行控制的，而操作人员要根据每小时一次的快灰确定给定密度。因此无法做到人为获取更精准的数据，这也意味着重介过程加料的不准确。

其次，在传统的重介分选过程中，操作人员无法做到精准控制重介机阀门或者料斗开合程度，导致分选失败。因此如何对重介生产系统进行全面智能化改造，减轻了人工劳动强度,提升产品质量的稳定性是有待解决的技术问题。

发明内容

本发明人针对上述问题及技术需求，提出了一种煤重介的仿真控制方法及装置，本发明的技术方案如下：

一种煤重介的仿真控制方法，包括如下步骤：

AI系统自动识别当前流程的所有有效工艺，并记录有效工艺对应的数据，当前流程指从原煤仓输出的煤流方向至重介机之前的流程，有效工艺包括工艺流程和工艺方法；

对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量、温度；

AI系统基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中；

重复AI系统自动识别当前流程的所有有效工艺的过程，直至得到该种产品煤对应的具有最低能耗的工艺；

AI系统基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度。

其进一步的技术方案为，记录有效工艺对应的数据，包括：

在当前流程需要监控数据的各部位安装传感器，传感器数据形成数据流存入重介服务器并进行建档，重介服务器对接AI系统；传感器包括压力传感器、灰分仪和皮带秤。

其进一步的技术方案为，对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，包括：

AI系统基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，分类包括当前工艺和产品煤的成分、精度、密度、含水量。

其进一步的技术方案为，AI系统基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，包括：

AI系统调取AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给AI系统，AI系统基于降低能耗的目的对每个煤流经过的工艺重新构建；比对分析内容包括对产品煤的温度变化进行实时分析、对产品煤的含水量进行实时分析、对产品煤的成分进行实时分析、对产品煤的大小进行实时分析、对产品煤的煤质进行实时分析。

其进一步的技术方案为，AI系统基于深度学习算法控制每个流程的重介机的各个阀门开闭程度，包括：

AI系统基于深度学习算法对当前流程的上下料数据进行分割，得到该种产品煤的成分及重介机的各个阀门的开闭程度，并传输至重介机的各个阀门的控制器中；

AI系统获取控制器推送的各个阀门的运转情况，并重复基于深度学习算法对下一流程的上下料数据进行分割的流程，得到该种产品煤的成分及优化后的重介机的各个阀门的开闭程度，直至各个阀门的控制精度满足预定要求。

其进一步的技术方案为，方法还包括：AI系统对整个厂房进行实时三维建模。

其进一步的技术方案为，AI系统对整个厂房进行实时三维建模，包括：

基于分布在设备、物品和厂房的摄像头采集的数据，AI系统实时计算建模数据流并进行数据整理；

AI系统用前端设备进行实时计算，在三维平台内基于实时计算的数据进行三维建模，并自动共享给客户端。

一种煤重介的仿真控制装置，该装置搭载于AI系统中，包括：

数据识别模块，用于自动识别当前流程的所有有效工艺，并记录有效工艺对应的数据，当前流程指从原煤仓输出的煤流方向至重介机之前的流程，有效工艺包括工艺流程和工艺方法；

数据整理模块，用于对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量；

工艺优化模块，用于基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中；

优化判别模块，用于重新调用数据识别模块，直至得到该种产品煤对应的具有最低能耗的工艺；

重介优化模块，用于基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度。

其进一步的技术方案为，数据整理模块包括：

整理拆分单元，用于基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，分类包括当前工艺和产品煤的成分、精度、密度、含水量、温度。

其进一步的技术方案为，工艺优化模块包括：

比对分析单元，用于调取AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给工艺重构单元；其中，比对分析内容包括对产品煤的温度变化进行实时分析、对产品煤的含水量进行实时分析、对产品煤的成分进行实时分析、对产品煤的大小进行实时分析、对产品煤的煤质进行实时分析；

工艺重构单元，用于基于降低能耗的目的对每个煤流经过的工艺重新构建。

本发明的有益技术效果是：

本申请提出的仿真控制方法是基于数据驱动的思想，利用数据重构和深度学习方式对工艺流程和工艺方法进行逐步AI取代和完善，所利用的AI智能技术适用于正常加介、重介、浓缩、压滤等可通过AI自动控制的工艺及设备，克服了传统人工记录、人工操作等带来的问题，实现了无人值守，能够迅速对设备进行再完善、流程优化以及重介机精准控制的任务，使精煤产品质量的稳定性和精煤产率有所提高；进一步的，通过对厂房进行AI三维建模，使操作人员在远端就可以看到设备的各部位运作内容以及细节。

附图说明

图1是本申请提供的煤重介的仿真控制方法的流程图。

图2是本申请提供的煤重介的仿真控制方法中的步骤5的流程图。

图3是本申请提供的煤重介的仿真控制方法中的步骤6的流程图。

图4是本申请提供的煤重介的仿真控制装置的原理图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请提供了一种煤重介的仿真控制方法，该方法的流程图如图1所示，具体包括如下步骤：

步骤1：AI系统自动识别当前流程的所有有效工艺，并记录有效工艺对应的数据。

其中，当前流程指从原煤仓输出的煤流方向至重介机之前的流程，如从原煤仓到达某机器的产品煤的情况；有效工艺包括工艺流程和工艺方法。

其中，记录有效工艺对应的数据包括：在当前流程需要监控数据的各部位安装传感器，传感器数据形成数据流存入重介服务器并进行建档，重介服务器对接AI系统。传感器包括压力传感器、灰分仪和皮带秤。

步骤2：对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，具体包括：

AI系统基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，分类包括当前工艺和产品煤的成分、精度、密度、含水量。

其中，AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量、温度。可选的，还包括产品煤的煤损耗和能耗等内容。

步骤3：AI系统基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中，具体包括：

步骤31：AI系统调取AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给AI系统。

其中，比对分析内容包括对产品煤的温度变化进行实时分析、对产品煤的含水量进行实时分析、对产品煤的成分进行实时分析、对产品煤的大小进行实时分析、对产品煤的煤质进行实时分析。

步骤32：AI系统基于降低能耗的目的对每个煤流经过的工艺重新构建。

步骤4：重复AI系统自动识别当前流程的所有有效工艺的过程，也即重复步骤1，直至得到该种产品煤对应的具有最低能耗的工艺。

在本实施例中，通过分析煤流过程中的煤损耗、能耗、材料量、含水量、温度等内容进行数据整理，通过不断的整理和计算，AI最终可自己推断出所需产品煤的工艺，例如到达某机器过滤的速度、过滤的材料范围、筛选的程度等，通过自身推出的数据对整个洗煤流程进行再造，实现完全自动化的洗煤生产并且比现阶段的半人半工洗煤精度更高。

该方法还包括步骤5：AI系统基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度，如图2所示，具体包括：

步骤51：AI系统基于深度学习算法对当前流程的上下料数据进行分割，得到该种产品煤的成分及重介机的各个阀门的开闭程度，并传输至重介机的各个阀门的控制器中。

步骤52：AI系统获取控制器推送的各个阀门的运转情况，并重复基于深度学习算法对下一流程的上下料数据进行分割的流程，也即重复步骤51，得到该种产品煤的成分及优化后的重介机的各个阀门的开闭程度，直至各个阀门的控制精度满足预定要求。

在本实施例中，控制器将上下料的内容和料混合内容的结果数据反馈给AI系统，由AI系统逐步完善所有数据，得到优化后的各个阀门的优化开闭程度，并下发至控制器，实现了根据上下料的多少、上下料的内容等数据精准控制抓手动作，以完成一次重介流程。

该方法还包括步骤6：AI系统对整个厂房进行实时三维建模，如图3所示，具体包括：

步骤61：基于分布在设备、物品和厂房的摄像头采集的数据，AI系统实时计算建模数据流并进行数据整理。

步骤62：AI系统用前端设备进行实时计算，在三维平台内基于实时计算的数据进行三维建模，并自动共享给客户端，比如自动共享给集控室和系统相关人员。

在本实施例中，由于现有方法无法使操作人员在集控室就可以掌握全局操作，而且无法看到操作过程中机器/设备的实时变化。因此本申请利用AI对机器设备进行三维建模，使操作人员在远端就可以看到机器的各部位运作内容以及细节。

基于同样的发明构思，本申请还提供了一种煤重介的仿真控制装置，该装置搭载于AI系统中，其原理图如图4所示，包括数据识别模块、数据整理模块、工艺优化模块、重介优化模块和三维建模模块，其中：

数据识别模块，用于自动识别当前流程的所有有效工艺，并记录有效工艺对应的数据，当前流程指从原煤仓输出的煤流方向至重介机之前的流程，有效工艺包括工艺流程和工艺方法。

数据整理模块，用于对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量。

工艺优化模块，用于基于深度学习算法分析AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中。

优化判别模块，用于重新调用数据识别模块，直至得到该种产品煤对应的具有最低能耗的工艺。

重介优化模块，用于基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度。

三维建模模块，用于对整个厂房进行实时三维建模。

其中，数据整理模块包括整理拆分单元，用于基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，分类包括当前工艺和产品煤的成分、精度、密度、含水量、温度。

其中，工艺优化模块包括比对分析单元和工艺重构单元，具体的：

比对分析单元，用于调取AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给工艺重构单元；其中，比对分析内容包括对产品煤的温度变化进行实时分析、对产品煤的含水量进行实时分析、对产品煤的成分进行实时分析、对产品煤的大小进行实时分析、对产品煤的煤质进行实时分析；

工艺重构单元，用于基于降低能耗的目的对每个煤流经过的工艺重新构建。

其中，重介优化模块包括数据分割单元和控制优化单元，具体的：

数据分割单元，用于基于深度学习算法对当前流程的上下料数据进行分割，得到该种产品煤的成分及重介机的各个阀门的开闭程度，并传输至重介机的各个阀门的控制器中。

控制优化单元，用于获取控制器推送的各个阀门的运转情况，并重复调用数据分割单元，得到该种产品煤的成分及优化后的重介机的各个阀门的开闭程度，直至各个阀门的控制精度满足预定要求。

其中，三维建模模块包括数据整理单元和建模单元，具体的：

数据整理单元，用于基于分布在设备、物品和厂房的摄像头采集的数据，AI系统实时计算建模数据流并进行数据整理。

建模单元，用于采用前端设备进行实时计算，在三维平台内基于实时计算的数据进行三维建模，并自动共享给客户端，比如自动共享给集控室和系统相关人员。

该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故对上述选煤重介的仿真控制装置实施例中的具体限定可以参见上文中对于选煤重介的仿真控制方法的限定，在此不再赘述。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种煤重介的仿真控制方法，其特征在于，所述方法包括：

AI系统自动识别当前流程的所有有效工艺，并记录所述有效工艺对应的数据，所述当前流程指从原煤仓输出的煤流方向至重介机之前的流程，所述有效工艺包括工艺流程和工艺方法；

对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，所述AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量、温度；

所述AI系统基于深度学习算法分析所述AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中；

重复所述AI系统自动识别当前流程的所有有效工艺的过程，直至得到该种产品煤对应的具有最低能耗的工艺；

所述AI系统基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度。

2.根据权利要求1所述的煤重介的仿真控制方法，其特征在于，所述记录所述有效工艺对应的数据，包括：

在当前流程需要监控数据的各部位安装传感器，所述传感器数据形成数据流存入重介服务器并进行建档，所述重介服务器对接所述AI系统；所述传感器包括压力传感器、灰分仪和皮带秤。

3.根据权利要求1所述的煤重介的仿真控制方法，其特征在于，所述对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，包括：

AI系统基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，所述分类包括当前工艺和产品煤的成分、精度、密度、含水量。

4.根据权利要求1所述的煤重介的仿真控制方法，其特征在于，所述AI系统基于深度学习算法分析所述AI学习文件以重构当前流程数据，得到优化后的工艺，包括：

所述AI系统调取所述AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给所述AI系统，所述AI系统基于降低能耗的目的对每个煤流经过的工艺重新构建；比对分析内容包括对所述产品煤的温度变化进行实时分析、对所述产品煤的含水量进行实时分析、对所述产品煤的成分进行实时分析、对所述产品煤的大小进行实时分析、对所述产品煤的煤质进行实时分析。

5.根据权利要求1所述的煤重介的仿真控制方法，其特征在于，所述AI系统基于深度学习算法控制每个流程的重介机的各个阀门开闭程度，包括：

所述AI系统基于深度学习算法对当前流程的上下料数据进行分割，得到该种产品煤的成分及所述重介机的各个阀门的开闭程度，并传输至所述重介机的各个阀门的控制器中；

所述AI系统获取所述控制器推送的所述各个阀门的运转情况，并重复基于深度学习算法对下一流程的上下料数据进行分割的流程，得到该种产品煤的成分及优化后的重介机的各个阀门的开闭程度，直至所述各个阀门的控制精度满足预定要求。

6.根据权利要求1-5任一所述的煤重介的仿真控制方法，其特征在于，所述方法还包括：所述AI系统对整个厂房进行实时三维建模。

7.根据权利要求6所述的煤重介的仿真控制方法，其特征在于，所述AI系统对整个厂房进行实时三维建模，包括：

基于分布在设备、物品和厂房的摄像头采集的数据，所述AI系统实时计算建模数据流并进行数据整理；

所述AI系统用前端设备进行实时计算，在三维平台内基于实时计算的数据进行三维建模，并自动共享给客户端。

8.一种煤重介的仿真控制装置，其特征在于，所述装置搭载于AI系统中，包括：

数据识别模块，用于自动识别当前流程的所有有效工艺，并记录所述有效工艺对应的数据，所述当前流程指从原煤仓输出的煤流方向至重介机之前的流程，所述有效工艺包括工艺流程和工艺方法；

数据整理模块，用于对上述数据进行逆向整理得到产品煤的种类，并对该种产品煤进行拆分，再整合成AI学习文件，所述AI学习文件包括当前工艺和产品煤的种类、成分、精度、密度、含水量；

工艺优化模块，用于基于深度学习算法分析所述AI学习文件以重构当前流程数据，得到优化后的工艺，并应用于下一流程中；

优化判别模块，用于重新调用所述数据识别模块，直至得到该种产品煤对应的具有最低能耗的工艺；

重介优化模块，用于基于深度学习算法控制每个流程下的重介机的各个阀门开闭程度。

9.根据权利要求8所述的煤重介的仿真控制装置，其特征在于，所述数据整理模块包括：

整理拆分单元，用于基于已知产品煤的组分密度、通过对比分析整理得到产品煤的种类，并按照不同分类对该种产品煤进行智能拆分，所述分类包括当前工艺和产品煤的成分、精度、密度、含水量、温度。

10.根据权利要求8所述的煤重介的仿真控制装置，其特征在于，所述工艺优化模块包括：

比对分析单元，用于调取所述AI学习文件与AI系统自身推出的数据进行实时比对分析并校验，将结果反馈给工艺重构单元；其中，比对分析内容包括对所述产品煤的温度变化进行实时分析、对所述产品煤的含水量进行实时分析、对所述产品煤的成分进行实时分析、对所述产品煤的大小进行实时分析、对所述产品煤的煤质进行实时分析；

工艺重构单元，用于基于降低能耗的目的对每个煤流经过的工艺重新构建。

Images