CN116213095A - 一种基于重介质分选的精煤产品灰分智能调节方法及系统 - Google Patents
一种基于重介质分选的精煤产品灰分智能调节方法及系统 Download PDFInfo
- Publication number
- CN116213095A CN116213095A CN202310093579.XA CN202310093579A CN116213095A CN 116213095 A CN116213095 A CN 116213095A CN 202310093579 A CN202310093579 A CN 202310093579A CN 116213095 A CN116213095 A CN 116213095A
- Authority
- CN
- China
- Prior art keywords
- density
- real
- prediction model
- data
- ash content
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B5/00—Washing granular, powdered or lumpy materials; Wet separating
- B03B5/28—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation
- B03B5/30—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation using heavy liquids or suspensions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B13/00—Control arrangements specially adapted for wet-separating apparatus or for dressing plant, using physical effects
- B03B13/005—Methods or arrangements for controlling the physical properties of heavy media, e.g. density, concentration or viscosity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于重介质分选的精煤产品灰分智能调节方法及系统,该方法包括以下步骤:获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;重构输入输出样本数据并对数据进行归一化处理;构建密度给定预测模型及实时灰色密度预测模型;分别得到第一预测密度及第二预测密度;分析处理结合逆归一化处理得到最终预测密度;对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。本发明可以实时调节重介质的实时分选密度,不仅有效地降低了工作人员的劳动强度,提高工作效率,而且还有效地提高重介质实时分选密度的控制精度,使得重介质的实时分选密度更能满足选煤系统所需重介质的密度值。
Description
技术领域
本发明涉及重介质选煤技术领域,具体来说,涉及一种基于重介质分选的精煤产品灰分智能调节方法及系统。
背景技术
重介选煤技术又称重介质选煤技术,是现在选煤行业中重要的矿物质分选技术,采用重液或重悬浮液作介质实现分选的一种重力选煤方法。依所用介质不同,可分为重液选煤和重悬浮液选煤两大类。重液是指某些无机盐类的水溶液和高密度的有机溶液。重悬浮液是由加重质(高密度固体微粒)与水配制成具有特定密度呈悬浮状的两相流体。当原煤给入充满这种悬浮液分选机后,小于悬浮液密度的煤上浮,大于悬浮液密度的煤下沉,实现密度分选。重液选煤因介质腐蚀性大,回收难,成本高,工业上未能应用。目前,生产中广泛应用的是重悬浮液选煤,通称重介质选煤。
其中,基于模糊控制的重悬浮液密度控制系统属于较为常用的重介质选煤系统,该系统中基于Fuzy-PID模糊控制的重介质密度控器主要由模糊推理控制器和PID控制器两个单元成。如图2所示为模糊PID控制系统的结构框图。该系统通过将测量的悬浮液密度p(t)和给定密度p-set进行对比算,获得悬浮液密度的偏差e(t)和偏差变化Rec(t),然后Fuzzy-PID控制器根据偏差e(t)和差变化率Rec(t)的变化情况,结合模糊推理准则,形成相应的控制策略,传输到PID控制器中,实现重悬浮液密度的控制。
但是,上述基于模糊控制的重悬浮液密度控制系统在使用时普遍采用人工设定和调节所加重介质分选过程的密度,具体为:介质密度过高,则人工加清水进行稀释;反之,则人工加高密度介质稀释。通过人工的方法控制介质密度,一方面,工人的劳动强度较大,且工作效率低下;另一方面,人工加重介质时,重介质的密度受人为因素影响,从而容易造成相同选煤设备下选煤效果出现差异的问题,使得分选过程中煤质容易发生变化,导致产品质量不稳定的状况;此外,传统的重悬浮液密度控制系统不仅无法解决灰分仪精度不准或者缺少灰分仪的情况,而且不能及时根据设定密度和产品的要求,实时自动调整合格重介质的密度数据。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于重介质分选的精煤产品灰分智能调节方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于重介质分选的精煤产品灰分智能调节方法,该方法包括以下步骤:
S1、获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
S2、重构输入输出样本数据,并对数据进行归一化处理;
S3、基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
S4、输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
S5、利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
S6、将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。
进一步的,所述重构输入输出样本数据,并对数据进行归一化处理包括以下步骤:
S21、读取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
S22、依据经验对历史数据中的密度不合格数据进行剔除,并补齐缺失数据;
S23、利用训练数据集的均值和方差对历史数据进行归一化处理。
进一步的,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型包括以下步骤:
S31、获取归一化处理后的历史数据,并将其分为训练数据集和测试数据集;
S32、利用最小二乘支持向量机结合训练数据集训练并构建密度给定预测模型;
S33、利用训练数据集训练并构建实时灰色密度预测模型;
S34、利用测试数据集分别对密度给定预测模型及实时灰色密度预测模型进行测试验证,得到训练好的密度给定预测模型及实时灰色密度预测模型。
进一步的,所述利用最小二乘支持向量机结合训练数据集训练并构建密度给定预测模型包括以下步骤:
S321、利用交叉验证法确定密度给定预测模型的径向基参数和正则化因子;
S322、将训练数据集中的原煤灰分及精煤设定灰分作为输入,合格介质密度作为输出,并结合最小二乘支持向量机进行训练,建立合格介质密度给定值的密度给定预测模型。
进一步的,所述利用训练数据集训练并构建实时灰色密度预测模型包括以下步骤:
将训练数据集中上一时刻的合格介质密度作为输入,当前时刻的合格介质密度作为输出进行训练,构建实时灰色密度预测模型;
其中,所述实时灰色密度预测模型的公式如下:
进一步的,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型还包括以下步骤:
滚动更新历史数据中原煤灰分、精煤设定灰分及合格介质密度的实时数据,并每隔预设时间输入一个时间段内的历史数据对密度给定预测模型及实时灰色密度预测模型进行更新。
进一步的,所述输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度包括以下步骤:
S41、分别获取当前时刻的原煤灰分、当前时刻的精煤设定灰分及上一时刻合格介质密度的实时数据;
S42、将当前时刻的原煤灰分及当前时刻的精煤设定灰分输入密度给定预测模型,利用密度给定预测模型输出得到第一预测密度;
S43、将上一时刻合格介质密度输入实时灰色密度预测模型,利用实时灰色密度预测模型输出得到第二预测密度。
进一步的,所述获取当前时刻的原煤灰分时还包括以下步骤:
采用异常检测算法对快速灰分测定仪测量过程中出现的明显异常点进行检测并剔除,并采用自回归模型与滑动平均的方法对灰分进行矫正,最终得到快速灰分测定仪测量的原煤灰分。
进一步的,所述利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度包括以下步骤:
S51、分别获取第一预测密度及第二预测密度,利用预设置信度对第一预测密度及第二预测密度进行分析处理,得到初始预测密度;
S52、对分析得到的初始预测密度进行逆归一化处理得到最终预测密度;
其中,所述初始预测密度=第一预测密度*R+第二预测密度*(1-R),R为预先设定的置信度百分比,其取值范围为60%~90%。
根据本发明的另一个方面,提供了一种基于重介质分选的精煤产品灰分智能调节系统,该系统包括数据获取模块、数据处理模块、模型构建模块、预测密度输出模块、预测密度处理模块及产品灰分调节模块;
其中,所述数据获取模块用于获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
所述数据处理模块用于重构输入输出样本数据,并对数据进行归一化处理;
所述模型构建模块用于基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
所述预测密度输出模块用于输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
所述预测密度处理模块用于利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
所述产品灰分调节模块用于将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。
本发明的有益效果为:
1)通过利用原煤灰分、精煤设定灰分及合格介质密度的历史数据分别构建密度给定预测模型及实时灰色密度预测模型,并利用预设置信度对模型输出得到第一预测密度及第二预测密度进行分析处理,结合逆归一化处理得到最终预测密度,同时将在线测灰仪的数据作为反馈量,结合最终预测密度对实际分选密度进行实时反馈调整,从而可以实现产品灰分的精准及智能调节,相比于传统的人为设定方式,本发明可以实时调节重介质的实时分选密度,不仅有效地降低了工作人员的劳动强度,提高了工作效率,而且还有效地提高了重介质实时分选密度的控制精度,使得重介质的实时分选密度更能满足选煤系统所需重介质的密度值。
2)本发明通过分别利用密度给定预测模型及实时灰色密度预测模型输出得到第一预测密度及第二预测密度,并利用预设置信度结合逆归一化处理分析得到最终预测密度,从而使得本发明可以利用密度给定预测模型及实时灰色密度预测模型结合预设置信度来实现对重介质实时分选密度的精准预测,进而可以有效地提高重介质悬浮液的密度预测效果,更好地实现产品灰分的精准及智能调节。
3)相比于传统的重悬浮液密度控制系统,本发明通过对重介质实时分选密度的精准控制,不仅可以有效地降低重介质系统的重介质耗损,而且还可以有效地提高相同原煤性质条件下商品煤的产率,此外,本发明还可以有效地提高在线测灰仪的精度和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于重介质分选的精煤产品灰分智能调节方法的流程示意图;
图2是模糊PID控制系统的结构框图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于重介质分选的精煤产品灰分智能调节方法及系统。其以选煤厂原煤和重介生产为基础,通过重介分选特征分析,系统在线智能给定循环介质密度和入料压力等分选工艺参数;然后借助密度自动控制系统实现密度自动调控,以达到所需的分选密度;最后将重介精煤测灰仪数据作为反馈量,对实际分选密度进行反馈调整,实现产品灰分的精准控制和智能调节。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于重介质分选的精煤产品灰分智能调节方法,该方法包括以下步骤:
S1、获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
其中,获取原煤灰分、精煤设定灰分及合格介质密度的历史数据时采用间隔采样的方式进行获取,优选的,采样间隔的时间为1分钟。
S2、重构输入输出样本数据,并对数据进行归一化处理;
其中,在选煤生产过程中,组态监控软件实时采集的现场数据,由于现场的复杂性和人为操作的主观性,可造成实时采集的数据缺失、不够完整,因此要实现重介质密度的预测,必须对缺失数据进行补齐,因此重构相空间首先要补齐缺失数据,从而使相空间重构得到一个完备的时间序列数据。
具体的,所述重构输入输出样本数据,并对数据进行归一化处理包括以下步骤:
S21、读取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
S22、依据经验对历史数据中的密度不合格数据进行剔除,并补齐缺失数据;
S23、利用训练数据集的均值和方差对历史数据进行归一化处理。
S3、基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
其中,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型包括以下步骤:
S31、获取归一化处理后的历史数据,并将其分为训练数据集和测试数据集,且训练数据集和测试数据集的比例为8:2;
S32、利用最小二乘支持向量机(LS-SVM)结合训练数据集训练并构建密度给定预测模型;
其中,支持向量机的基本思想是选出训练集中的一组特征子集(称为支持向量,SV),这些特征子集能够将类分隔开,为分类器的生成提供了有利条件,并且在保证分类精度的同时降低了运算的复杂度。与经典分类算法相比,支持向量机在很多方面都具有明显优越性,比如防止训练过学习和运算速度等方面,但同时也存在局限。所以研究提出了许多的支持向量机的变形算法,这些变形算法主要是通过增加函数项、变量或系数等方法来变形公式,所以本章主要讲述其中的变形算法,最小二乘支持向量机(Least Squaressupport vector machine,LSSVM)是一种遵循结构风险最小化(structural riskminimization,SRM)原则的核函数学习机器,其算法是最小二乘法,其原理是结构风险最小化。
具体的,所述利用最小二乘支持向量机结合训练数据集训练并构建密度给定预测模型包括以下步骤:
S321、利用交叉验证法确定密度给定预测模型的径向基参数和正则化因子;
S322、将训练数据集中的原煤灰分及精煤设定灰分作为输入,合格介质密度作为输出,并结合最小二乘支持向量机进行训练,建立合格介质密度给定值的密度给定预测模型。
S33、利用训练数据集训练并构建实时灰色密度预测模型;
其中,由于原始灰色预测模型在表述上缺少当前时间和预测时间信息。这一缺陷在离线数据批量处理计算的应用案例中影响不大,但在过程控制应用时的在线实时数据处理场合,往往带来许多不便和误解。因此,本实施例中将实时时间变量t嵌人进模型中。这样就直接构成了实时灰色预测模型,更方便地满足在线实时应用中的需要。
假设,h为采样周期时间,t0为所论动态过程的初始时刻(所论动态过程指灰色预测模型当前计算所依据的n个数据表示的一段过程)。那么,当前时刻t可用公式t=t0+(n-1)h表示。于是,在当前时刻m步后的将来时刻可表示为t+mh,在当前时刻l步前的过去时刻可表示为t-lh。
基于对原始灰色预测模型的改进,可把原始灰色预测模型GM(1,1)表示为如下公式所示的实时灰色密度预测模型:
上述公式(1)是关键的灰色预测输出计算公式。用它可计算出从初始时刻t0起至将来时刻t+mh区间中任一采样时刻的灰色预测输出值。对于过程控制而言,最需要的是计算将来时刻t+mh的预测值。根据式(1)可导出t+mh时刻的灰色预测计算公式(2),若把变量m的定义扩展,并不限于指当前时刻的m步后,也可指当前时刻的m步前,则式(2)就成为当前时刻及m步前或后任一采样点的灰色预测计算公式。这时,若m>0,所算的就是对将来时刻的预测值,若m<0,所算的就是对过去时刻的回估值。
具体的,所述利用训练数据集训练并构建实时灰色密度预测模型包括以下步骤:
将训练数据集中上一时刻的合格介质密度作为输入,当前时刻的合格介质密度作为输出进行训练,构建实时灰色密度预测模型;
其中,所述实时灰色密度预测模型的公式如下:
S34、利用测试数据集分别对密度给定预测模型及实时灰色密度预测模型进行测试验证,得到训练好的密度给定预测模型及实时灰色密度预测模型。
此外,针对煤质变化问题,通过及时学习(just-in-time)方法在线建模,模型根据实时数据定期更新,保证建立的模型能够快速响应煤质的变化,防止模型性能退化,具体的,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型还包括以下步骤:
滚动更新历史数据中原煤灰分、精煤设定灰分及合格介质密度的实时数据,并每隔预设时间输入一个时间段内的历史数据对密度给定预测模型及实时灰色密度预测模型进行更新。
S4、输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
其中,所述输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度包括以下步骤:
S41、分别获取当前时刻的原煤灰分、当前时刻的精煤设定灰分及上一时刻合格介质密度的实时数据;
具体的,所述获取当前时刻的原煤灰分时还包括以下步骤:
采用异常检测算法对快速灰分测定仪测量过程中出现的明显异常点进行检测并剔除,考虑到精煤灰分的变化一般比较平稳,并采用自回归模型与滑动平均的方法对灰分进行矫正,得到快速灰分测定仪测量的原煤灰分,最终提高了快速灰分测定仪的实时测量精度。
S42、将当前时刻的原煤灰分及当前时刻的精煤设定灰分输入密度给定预测模型,利用密度给定预测模型输出得到第一预测密度;
S43、将上一时刻合格介质密度输入实时灰色密度预测模型,利用实时灰色密度预测模型输出得到第二预测密度。
S5、利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
其中,所述利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度包括以下步骤:
S51、分别获取第一预测密度及第二预测密度,利用预设置信度对第一预测密度及第二预测密度进行分析处理,得到初始预测密度;
S52、对分析得到的初始预测密度进行逆归一化处理得到最终预测密度;
其中,所述初始预测密度=第一预测密度*R+第二预测密度*(1-R),R为预先设定的置信度百分比,其取值范围为60%~90%。具体应用时,置信度百分比可以根据实际运行过程中不同选煤厂的具体情况进行适宜的选择。
S6、将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。
其中,以在线测灰仪数据为反馈量对实际分选密度调整,实现产品灰分的精准和智能调节,产品形态为接入快灰仪数据,通过该数据与设定灰分数据对比,调整工艺参数的软件程序。
根据本发明的另一个实施例,提供了一种基于重介质分选的精煤产品灰分智能调节系统,该系统包括数据获取模块、数据处理模块、模型构建模块、预测密度输出模块、预测密度处理模块及产品灰分调节模块;
其中,所述数据获取模块用于获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
所述数据处理模块用于重构输入输出样本数据,并对数据进行归一化处理;
所述模型构建模块用于基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
所述预测密度输出模块用于输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
所述预测密度处理模块用于利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
所述产品灰分调节模块用于将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。
综上所述,借助于本发明的上述技术方案,通过利用原煤灰分、精煤设定灰分及合格介质密度的历史数据分别构建密度给定预测模型及实时灰色密度预测模型,并利用预设置信度对模型输出得到第一预测密度及第二预测密度进行分析处理,结合逆归一化处理得到最终预测密度,同时将在线测灰仪的数据作为反馈量,结合最终预测密度对实际分选密度进行实时反馈调整,从而可以实现产品灰分的精准及智能调节,相比于传统的人为设定方式,本发明可以实时调节重介质的实时分选密度,不仅有效地降低了工作人员的劳动强度,提高了工作效率,而且还有效地提高了重介质实时分选密度的控制精度,使得重介质的实时分选密度更能满足选煤系统所需重介质的密度值。
此外,本发明通过分别利用密度给定预测模型及实时灰色密度预测模型输出得到第一预测密度及第二预测密度,并利用预设置信度结合逆归一化处理分析得到最终预测密度,从而使得本发明可以利用密度给定预测模型及实时灰色密度预测模型结合预设置信度来实现对重介质实时分选密度的精准预测,进而可以有效地提高重介质悬浮液的密度预测效果,更好地实现产品灰分的精准及智能调节。
此外,相比于传统的重悬浮液密度控制系统,本发明通过对重介质实时分选密度的精准控制,不仅可以有效地降低重介质系统的重介质耗损,而且还可以有效地提高相同原煤性质条件下商品煤的产率,此外,本发明还可以有效地提高在线测灰仪的精度和稳定性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于重介质分选的精煤产品灰分智能调节方法,其特征在于,该方法包括以下步骤:
S1、获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
S2、重构输入输出样本数据,并对数据进行归一化处理;
S3、基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
S4、输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
S5、利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
S6、将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节;
其中,所述重构输入输出样本数据,并对数据进行归一化处理包括以下步骤:
S21、读取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
S22、依据经验对历史数据中的密度不合格数据进行剔除,并补齐缺失数据;
S23、利用训练数据集的均值和方差对历史数据进行归一化处理;
其中,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型包括以下步骤:
S31、获取归一化处理后的历史数据,并将其分为训练数据集和测试数据集;
S32、利用最小二乘支持向量机结合训练数据集训练并构建密度给定预测模型;
S33、利用训练数据集训练并构建实时灰色密度预测模型;
S34、利用测试数据集分别对密度给定预测模型及实时灰色密度预测模型进行测试验证,得到训练好的密度给定预测模型及实时灰色密度预测模型。
其中,所述利用最小二乘支持向量机结合训练数据集训练并构建密度给定预测模型包括以下步骤:
S321、利用交叉验证法确定密度给定预测模型的径向基参数和正则化因子;
S322、将训练数据集中的原煤灰分及精煤设定灰分作为输入,合格介质密度作为输出,并结合最小二乘支持向量机进行训练,建立合格介质密度给定值的密度给定预测模型;
其中,所述利用训练数据集训练并构建实时灰色密度预测模型包括以下步骤:
将训练数据集中上一时刻的合格介质密度作为输入,当前时刻的合格介质密度作为输出进行训练,构建实时灰色密度预测模型;
其中,所述实时灰色密度预测模型的公式如下:
2.根据权利要求1所述的一种基于重介质分选的精煤产品灰分智能调节方法,其特征在于,所述基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型还包括以下步骤:
滚动更新历史数据中原煤灰分、精煤设定灰分及合格介质密度的实时数据,并每隔预设时间输入一个时间段内的历史数据对密度给定预测模型及实时灰色密度预测模型进行更新。
3.根据权利要求1所述的一种基于重介质分选的精煤产品灰分智能调节方法,其特征在于,所述输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度包括以下步骤:
S41、分别获取当前时刻的原煤灰分、当前时刻的精煤设定灰分及上一时刻合格介质密度的实时数据;
S42、将当前时刻的原煤灰分及当前时刻的精煤设定灰分输入密度给定预测模型,利用密度给定预测模型输出得到第一预测密度;
S43、将上一时刻合格介质密度输入实时灰色密度预测模型,利用实时灰色密度预测模型输出得到第二预测密度。
4.根据权利要求3所述的一种基于重介质分选的精煤产品灰分智能调节方法,其特征在于,所述获取当前时刻的原煤灰分时还包括以下步骤:
采用异常检测算法对快速灰分测定仪测量过程中出现的明显异常点进行检测并剔除,并采用自回归模型与滑动平均的方法对灰分进行矫正,最终得到快速灰分测定仪测量的原煤灰分。
5.根据权利要求1所述的一种基于重介质分选的精煤产品灰分智能调节方法,其特征在于,所述利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度包括以下步骤:
S51、分别获取第一预测密度及第二预测密度,利用预设置信度对第一预测密度及第二预测密度进行分析处理,得到初始预测密度;
S52、对分析得到的初始预测密度进行逆归一化处理得到最终预测密度;
其中,所述初始预测密度=第一预测密度*R+第二预测密度*(1-R),R为预先设定的置信度百分比,其取值范围为60%~90%。
6.一种基于重介质分选的精煤产品灰分智能调节系统,用于权利要求1-5中任意一项所述的基于重介质分选的精煤产品灰分智能调节方法的步骤,其特征在于,该系统包括数据获取模块、数据处理模块、模型构建模块、预测密度输出模块、预测密度处理模块及产品灰分调节模块;
其中,所述数据获取模块用于获取原煤灰分、精煤设定灰分及合格介质密度的历史数据;
所述数据处理模块用于重构输入输出样本数据,并对数据进行归一化处理;
所述模型构建模块用于基于归一化处理后的历史数据分别训练构建密度给定预测模型及实时灰色密度预测模型;
所述预测密度输出模块用于输入原煤灰分、精煤设定灰分及上一时刻合格介质密度的实时数据,分别得到第一预测密度及第二预测密度;
所述预测密度处理模块用于利用预设置信度对第一预测密度及第二预测密度进行分析处理,并结合逆归一化处理得到最终预测密度;
所述产品灰分调节模块用于将在线测灰仪的数据作为反馈量,并结合最终预测密度对实际分选密度进行实时反馈调整,实现产品灰分的精准及智能调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093579.XA CN116213095B (zh) | 2023-02-09 | 2023-02-09 | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093579.XA CN116213095B (zh) | 2023-02-09 | 2023-02-09 | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116213095A true CN116213095A (zh) | 2023-06-06 |
CN116213095B CN116213095B (zh) | 2023-09-15 |
Family
ID=86570837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310093579.XA Active CN116213095B (zh) | 2023-02-09 | 2023-02-09 | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116213095B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705197A (zh) * | 2024-02-02 | 2024-03-15 | 天津德通电气有限公司 | 一种用于选煤厂智能加介系统的实时监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU4011685A (en) * | 1984-03-23 | 1985-10-31 | Fives-Cail Babcock | Dense medium washing prior to separation |
US6126014A (en) * | 1998-09-29 | 2000-10-03 | The United States Of America As Represented By The Department Of Energy | Continuous air agglomeration method for high carbon fly ash beneficiation |
CN110605178A (zh) * | 2019-09-23 | 2019-12-24 | 中国矿业大学 | 一种重介分选过程智能控制系统及方法 |
CN111604163A (zh) * | 2020-04-17 | 2020-09-01 | 天津德通电气股份有限公司 | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 |
CN112138861A (zh) * | 2020-08-21 | 2020-12-29 | 南京业恒达智能系统股份有限公司 | 重介智能控制方法及系统 |
CN114074022A (zh) * | 2021-11-24 | 2022-02-22 | 内蒙古工业大学 | 一种基于时间投影的重介质选煤过程控制变量预测方法 |
CN114548161A (zh) * | 2022-02-15 | 2022-05-27 | 山西理工智联科技有限公司 | 一种重介分选精煤灰分预测方法、装置、电子设备及介质 |
-
2023
- 2023-02-09 CN CN202310093579.XA patent/CN116213095B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU4011685A (en) * | 1984-03-23 | 1985-10-31 | Fives-Cail Babcock | Dense medium washing prior to separation |
US6126014A (en) * | 1998-09-29 | 2000-10-03 | The United States Of America As Represented By The Department Of Energy | Continuous air agglomeration method for high carbon fly ash beneficiation |
CN110605178A (zh) * | 2019-09-23 | 2019-12-24 | 中国矿业大学 | 一种重介分选过程智能控制系统及方法 |
CN111604163A (zh) * | 2020-04-17 | 2020-09-01 | 天津德通电气股份有限公司 | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 |
CN112138861A (zh) * | 2020-08-21 | 2020-12-29 | 南京业恒达智能系统股份有限公司 | 重介智能控制方法及系统 |
CN114074022A (zh) * | 2021-11-24 | 2022-02-22 | 内蒙古工业大学 | 一种基于时间投影的重介质选煤过程控制变量预测方法 |
CN114548161A (zh) * | 2022-02-15 | 2022-05-27 | 山西理工智联科技有限公司 | 一种重介分选精煤灰分预测方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
杨晓鸿;刘亿;郭崇涛;袁明朋;: "临涣选煤厂重介质选煤灰分闭环控制技术改造", 选煤技术, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705197A (zh) * | 2024-02-02 | 2024-03-15 | 天津德通电气有限公司 | 一种用于选煤厂智能加介系统的实时监测方法 |
CN117705197B (zh) * | 2024-02-02 | 2024-04-26 | 天津德通电气有限公司 | 一种用于选煤厂智能加介系统的实时监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116213095B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN116213095B (zh) | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN111982302A (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
CN108776831A (zh) | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN102069095A (zh) | 一种基于统计学习的精轧终轧温度预测和控制方法 | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 | |
CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
CN114139446A (zh) | 一种用于特殊精馏过程组分在线检测软测量方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN110851897A (zh) | 一种多因素关联下的渡槽应力应变预测方法 | |
CN116821695B (zh) | 一种半监督神经网络软测量建模方法 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN107766880B (zh) | 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
Nielsen et al. | Novel strategies for predictive particle monitoring and control using advanced image analysis | |
CN116734174A (zh) | 一种电动阀的控制方法及系统 | |
CN116505556A (zh) | 基于一次调频的风电场功率控制系统及方法 | |
Zhao et al. | Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description |
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 |