CN117705197B - 一种用于选煤厂智能加介系统的实时监测方法 - Google Patents
一种用于选煤厂智能加介系统的实时监测方法 Download PDFInfo
- Publication number
- CN117705197B CN117705197B CN202410148198.1A CN202410148198A CN117705197B CN 117705197 B CN117705197 B CN 117705197B CN 202410148198 A CN202410148198 A CN 202410148198A CN 117705197 B CN117705197 B CN 117705197B
- Authority
- CN
- China
- Prior art keywords
- time
- real
- coal preparation
- data
- preparation plant
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 160
- 238000002360 preparation method Methods 0.000 title claims abstract description 159
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 239000007788 liquid Substances 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011177 media preparation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及选煤厂智能加介监测领域，尤其涉及一种用于选煤厂智能加介系统的实时监测方法，包括：S1、基于激光测距获取选煤厂智能加介系统实时运行数据；S2、根据所述选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的多级综合筛选模型；S3、利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果，通过加介系统各系统部件数据，逐级分析处理建立整体系统状态监测，同时相互独立的两条监测判断线路，可从不同角度提供比对数据，避免单一数据源造成的结果干扰偏离，在无干扰情况下可进行实时自循环监测，节省人力提升加介系统监测效率与准确性。
Description
技术领域
本发明涉及选煤厂智能加介监测领域，具体涉及一种用于选煤厂智能加介系统的实时监测方法。
背景技术
全国大多数的选煤厂仍采用人工配介、就地操作的方式，虽然有一些选煤厂对智能加介技术进行了探索和实践，但只有极少数的几家选煤厂实现了重介质粉添加和浓介质配制的自动化，尤其是通过行车进行加介的方式，加介过程的实时定位和智能取料监测还不成熟，达不到选煤厂的预期效果。
发明内容
针对现有技术的不足，本发明提供了一种用于选煤厂智能加介系统的实时监测方法，通过对实时数据的双线独立分析比对，快速获取加介系统实施状态，准确高效自适应能力强。
为实现上述目的，本发明提供了一种用于选煤厂智能加介系统的实时监测方法，包括：
S1、基于激光测距获取选煤厂智能加介系统实时运行数据；
S2、根据所述选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的多级综合筛选模型；
S3、利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
优选的，所述基于激光测距获取选煤厂智能加介系统实时运行数据包括：
S1-1、获取当前时刻作为起始采集时刻t；
S1-2、获取起始采集时刻t的选煤厂智能加介系统的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3、利用所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据进行逐级验证处理得到选煤厂智能加介系统实时运行数据；
其中，所述介质堆实时数据为介质堆高度与介质堆重量，所述加介泵运行数据为加介泵流经液体浓度，所述浓介桶实时数据为浓介桶实时液位，所述合介桶实时数据为合介桶实时液位与实时重介分选密度。
进一步的，利用所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据进行逐级验证处理得到选煤厂智能加介系统实时运行数据包括：
S1-3-1、根据所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据分别获取对应t-1时刻的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3-2、判断所述起始采集时刻t的介质堆实时数据与t-1时刻的介质堆实时数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-3；
S1-3-3、判断所述起始采集时刻t的加介器位置数据与t-1时刻的加介器位置数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-4；
S1-3-4、判断所述起始采集时刻t的浓介桶实时数据与t-1时刻的浓介桶实时数据是否相同，若是，则利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，执行S1-3-5；
S1-3-5、判断所述起始采集时刻t的加介泵运行数据与合介桶实时数据是否对应，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，利用当前时刻作为更新的起始采集时刻t，并返回S1-1。
进一步的，根据所述选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的多级综合筛选模型包括：
S2-1、根据所述选煤厂智能加介系统实时运行数据获取对应历史选煤厂智能加介系统实时运行数据；
S2-2、利用所述历史选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的状态分析模型；
S2-3、根据所述选煤厂智能加介系统的状态分析模型得到选煤厂智能加介系统的多级综合筛选模型。
进一步的，利用所述历史选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的状态分析模型包括：
S2-2-1、利用所述历史选煤厂智能加介系统实时运行数据建立历史数据集合作为训练集；
S2-2-2、利用所述训练集作为输入，所述训练集对应选煤厂智能加介系统的运行状态为输出，利用历史选煤厂智能加介系统实时运行数据对应数据类型的数量建立隐含层，基于深度学习多层神经网络进行训练得到初始状态分析模型；
S2-2-3、判断当前初始状态分析模型对应训练次数是否为n-1，若是，则输出当前初始状态分析模型作为选煤厂智能加介系统的状态分析模型，否则，返回S2-2-2；
其中，所述运行状态包括正常状态和异常状态，n为训练集的子集数量。
进一步的，根据所述选煤厂智能加介系统的状态分析模型得到选煤厂智能加介系统的多级综合筛选模型包括：
根据所述选煤厂智能加介系统的状态分析模型得到异常状态对应训练集作为异常节点训练集；
利用所述异常节点训练集作为输入，所述异常节点训练集对应异常状态的历史选煤厂智能加介系统实时运行数据作为输出，基于单层感知机算法进行训练得到异常分析模型；
利用所述选煤厂智能加介系统的状态分析模型作为一级模型，所述异常分析模型作为二级模型建立选煤厂智能加介系统的多级综合筛选模型。
进一步的，利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果包括：
S3-1、利用所述选煤厂智能加介系统实时运行数据对应数据类型建立选煤厂智能加介系统的监测节点；
S3-2、利用所述选煤厂智能加介系统的监测节点根据选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
进一步的，利用所述选煤厂智能加介系统实时运行数据对应数据类型建立选煤厂智能加介系统的监测节点包括：
利用所述选煤厂智能加介系统实时运行数据的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据依次建立第一节点、第二节点、第三节点、第四节点与第五节点；
根据所述第一节点、第二节点、第三节点、第四节点与第五节点分别建立第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值与第五时间阈值；
利用所述第一节点、第二节点、第三节点、第四节点、第五节点分别与第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值、第五时间阈值建立独立双向映射节点；
利用所述独立双向映射节点作为选煤厂智能加介系统的监测节点；
其中，所述时间阈值为选煤厂智能加介系统对应各节点的数据变化反应时间。
进一步的，利用所述选煤厂智能加介系统的监测节点根据选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果包括：
S3-2-1、判断所述选煤厂智能加介系统实时运行数据是否均未依次超过对应选煤厂智能加介系统的监测节点对应时间阈值，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则执行S3-2-2；
S3-2-2、利用所述选煤厂智能加介系统实时运行数据根据选煤厂智能加介系统的多级综合筛选模型得到多级综合筛选实时结果；
S3-2-3、判断所述多级综合筛选实时结果是否为正常状态，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则所述选煤厂智能加介系统实时监测结果为异常，利用所述多级综合筛选模型对应二级模型输出作为异常数据。
与最接近的现有技术相比，本发明具有的有益效果：
通过加介系统各系统部件数据，逐级分析处理建立整体系统状态监测，同时相互独立的两条监测判断线路，可从不同角度提供比对数据，避免单一数据源造成的结果干扰偏离，在无干扰情况下可进行实时自循环监测，节省人力提升加介系统监测效率与准确性。
附图说明
图1是本发明提供了一种用于选煤厂智能加介系统的实时监测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：本发明提供了一种用于选煤厂智能加介系统的实时监测方法，如图1所示，包括：
S1、基于激光测距获取选煤厂智能加介系统实时运行数据；
S2、根据所述选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的多级综合筛选模型；
S3、利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
S1具体包括：
S1-1、获取当前时刻作为起始采集时刻t；
S1-2、获取起始采集时刻t的选煤厂智能加介系统的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3、利用所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据进行逐级验证处理得到选煤厂智能加介系统实时运行数据；
其中，所述介质堆实时数据为介质堆高度与介质堆重量，所述加介泵运行数据为加介泵流经液体浓度，所述浓介桶实时数据为浓介桶实时液位，所述合介桶实时数据为合介桶实时液位与实时重介分选密度。
S1-3具体包括：
S1-3-1、根据所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据分别获取对应t-1时刻的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3-2、判断所述起始采集时刻t的介质堆实时数据与t-1时刻的介质堆实时数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-3；
S1-3-3、判断所述起始采集时刻t的加介器位置数据与t-1时刻的加介器位置数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-4；
S1-3-4、判断所述起始采集时刻t的浓介桶实时数据与t-1时刻的浓介桶实时数据是否相同，若是，则利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，执行S1-3-5；
S1-3-5、判断所述起始采集时刻t的加介泵运行数据与合介桶实时数据是否对应，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，利用当前时刻作为更新的起始采集时刻t，并返回S1-1。
本实施例中，一种用于选煤厂智能加介系统的实时监测方法，S1-3-2、S1-3-3与S1-3-4的判断依据依次分别为加介系统是否存在加介操作、加介系统的加介器是否正在移动与加介系统的浓介桶是否正在混合物料，S1-3-5通过加介泵运行时，与合介桶内液位变化相对应。
S2具体包括：
S2-1、根据所述选煤厂智能加介系统实时运行数据获取对应历史选煤厂智能加介系统实时运行数据；
S2-2、利用所述历史选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的状态分析模型；
S2-3、根据所述选煤厂智能加介系统的状态分析模型得到选煤厂智能加介系统的多级综合筛选模型。
S2-2具体包括：
S2-2-1、利用所述历史选煤厂智能加介系统实时运行数据建立历史数据集合作为训练集；
S2-2-2、利用所述训练集作为输入，所述训练集对应选煤厂智能加介系统的运行状态为输出，利用历史选煤厂智能加介系统实时运行数据对应数据类型的数量建立隐含层，基于深度学习多层神经网络进行训练得到初始状态分析模型；
S2-2-3、判断当前初始状态分析模型对应训练次数是否为n-1，若是，则输出当前初始状态分析模型作为选煤厂智能加介系统的状态分析模型，否则，返回S2-2-2；
其中，所述运行状态包括正常状态和异常状态，n为训练集的子集数量。
S2-3具体包括：
S2-3-1、根据所述选煤厂智能加介系统的状态分析模型得到异常状态对应训练集作为异常节点训练集；
S2-3-2、利用所述异常节点训练集作为输入，所述异常节点训练集对应异常状态的历史选煤厂智能加介系统实时运行数据作为输出，基于单层感知机算法进行训练得到异常分析模型；
S2-3-3、利用所述选煤厂智能加介系统的状态分析模型作为一级模型，所述异常分析模型作为二级模型建立选煤厂智能加介系统的多级综合筛选模型。
S3具体包括：
S3-1、利用所述选煤厂智能加介系统实时运行数据对应数据类型建立选煤厂智能加介系统的监测节点；
S3-2、利用所述选煤厂智能加介系统的监测节点根据选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
S3-1具体包括：
S3-1-1、利用所述选煤厂智能加介系统实时运行数据的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据依次建立第一节点、第二节点、第三节点、第四节点与第五节点；
S3-1-2、根据所述第一节点、第二节点、第三节点、第四节点与第五节点分别建立第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值与第五时间阈值；
S3-1-3、利用所述第一节点、第二节点、第三节点、第四节点、第五节点分别与第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值、第五时间阈值建立独立双向映射节点；
S3-1-4、利用所述独立双向映射节点作为选煤厂智能加介系统的监测节点；
其中，所述时间阈值为选煤厂智能加介系统对应各节点的数据变化反应时间。
S3-2具体包括：
S3-2-1、判断所述选煤厂智能加介系统实时运行数据是否均未依次超过对应选煤厂智能加介系统的监测节点对应时间阈值，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则执行S3-2-2；
S3-2-2、利用所述选煤厂智能加介系统实时运行数据根据选煤厂智能加介系统的多级综合筛选模型得到多级综合筛选实时结果；
S3-2-3、判断所述多级综合筛选实时结果是否为正常状态，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则所述选煤厂智能加介系统实时监测结果为异常，利用所述多级综合筛选模型对应二级模型输出作为异常数据。
本实施例中，一种用于选煤厂智能加介系统的实时监测方法，所述智能加介系统的构成与数据采集过程如下：
1）通过安装激光测距传感器和编码器对加介电磁铁进行位置精准定位，通过无线称量传感器对每次加介量进行统计，并在后台数据库中留存；配置加介电磁铁防摇装置，减少电磁铁在加介过程中的晃动；
2）采用3D激光雷达绘制介质堆的三维立体网格和坐标系，根据三维立体网格和坐标系确定这一时刻介质堆的最高点和介质总重量，通过后台服务器将加介电磁铁的位置信息发送给控制器，控制器控制加介电磁铁移动到介质堆的最高点并抓取介质，称量传感器将加介电磁铁吸附的介质重量发送给控制器，控制器控制加介电磁铁将介质放入介质桶。
3）完成干粉介质补加后，加介泵开启循环模式，根据安装在浓介循环管路密度计测量值，参考设定浓介标准密度，系统自动调节补加清水，确保浓介密度达到设定值。
4）系统根据合介桶设定最低液位及重介分选密度，自动开启加介泵往合介桶补加介质，至最高液位停止补介。
5）浓介桶上方安装激光雷达，用于对浓介桶液位建模，实时监测浓介桶液位。
6）系统根据入库介质量，介质添加量，自动统计介质库剩余介质量，当介质库内介质剩余量低于预警值时，发出预警信息，在上位机端进行显示，并能够统计分析每年、每月的吨煤介耗。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种用于选煤厂智能加介系统的实时监测方法，其特征在于，包括：
S1、基于激光测距获取选煤厂智能加介系统实时运行数据；
S1-1、获取当前时刻作为起始采集时刻t；
S1-2、获取起始采集时刻t的选煤厂智能加介系统的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3、利用所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据进行逐级验证处理得到选煤厂智能加介系统实时运行数据；
其中，所述介质堆实时数据为介质堆高度与介质堆重量，所述加介泵运行数据为加介泵流经液体浓度，所述浓介桶实时数据为浓介桶实时液位，所述合介桶实时数据为合介桶实时液位与实时重介分选密度；
S2、根据所述选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的多级综合筛选模型；
S2-1、根据所述选煤厂智能加介系统实时运行数据获取对应历史选煤厂智能加介系统实时运行数据；
S2-2、利用所述历史选煤厂智能加介系统实时运行数据建立选煤厂智能加介系统的状态分析模型；
S2-2-1、利用所述历史选煤厂智能加介系统实时运行数据建立历史数据集合作为训练集；
S2-2-2、利用所述训练集作为输入，所述训练集对应选煤厂智能加介系统的运行状态为输出，利用历史选煤厂智能加介系统实时运行数据对应数据类型的数量建立隐含层，基于深度学习多层神经网络进行训练得到初始状态分析模型；
S2-2-3、判断当前初始状态分析模型对应训练次数是否为n-1，若是，则输出当前初始状态分析模型作为选煤厂智能加介系统的状态分析模型，否则，返回S2-2-2；
其中，所述运行状态包括正常状态和异常状态，n为训练集的子集数量；
S2-3、根据所述选煤厂智能加介系统的状态分析模型得到选煤厂智能加介系统的多级综合筛选模型；
S2-3-1、根据所述选煤厂智能加介系统的状态分析模型得到异常状态对应训练集作为异常节点训练集；
S2-3-2、利用所述异常节点训练集作为输入，所述异常节点训练集对应异常状态的历史选煤厂智能加介系统实时运行数据作为输出，基于单层感知机算法进行训练得到异常分析模型；
S2-3-3、利用所述选煤厂智能加介系统的状态分析模型作为一级模型，所述异常分析模型作为二级模型建立选煤厂智能加介系统的多级综合筛选模型；
S3、利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
2.如权利要求1所述的一种用于选煤厂智能加介系统的实时监测方法，其特征在于，利用所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据进行逐级验证处理得到选煤厂智能加介系统实时运行数据包括：
S1-3-1、根据所述加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据分别获取对应t-1时刻的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据；
S1-3-2、判断所述起始采集时刻t的介质堆实时数据与t-1时刻的介质堆实时数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-3；
S1-3-3、判断所述起始采集时刻t的加介器位置数据与t-1时刻的加介器位置数据是否相同，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，执行S1-3-4；
S1-3-4、判断所述起始采集时刻t的浓介桶实时数据与t-1时刻的浓介桶实时数据是否相同，若是，则利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，执行S1-3-5；
S1-3-5、判断所述起始采集时刻t的加介泵运行数据与合介桶实时数据是否对应，若是，则输出起始采集时刻t的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据作为选煤厂智能加介系统实时运行数据，否则，利用当前时刻作为更新的起始采集时刻t，并返回S1-1。
3.如权利要求1所述的一种用于选煤厂智能加介系统的实时监测方法，其特征在于，利用所述选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果包括：
S3-1、利用所述选煤厂智能加介系统实时运行数据对应数据类型建立选煤厂智能加介系统的监测节点；
S3-2、利用所述选煤厂智能加介系统的监测节点根据选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果。
4.如权利要求3所述的一种用于选煤厂智能加介系统的实时监测方法，其特征在于，利用所述选煤厂智能加介系统实时运行数据对应数据类型建立选煤厂智能加介系统的监测节点包括：
利用所述选煤厂智能加介系统实时运行数据的加介器位置数据、介质堆实时数据、加介泵运行数据、浓介桶实时数据与合介桶实时数据依次建立第一节点、第二节点、第三节点、第四节点与第五节点；
根据所述第一节点、第二节点、第三节点、第四节点与第五节点分别建立第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值与第五时间阈值；
利用所述第一节点、第二节点、第三节点、第四节点、第五节点分别与第一时间阈值、第二时间阈值、第三时间阈值、第四时间阈值、第五时间阈值建立独立双向映射节点；
利用所述独立双向映射节点作为选煤厂智能加介系统的监测节点；
其中，所述时间阈值为选煤厂智能加介系统对应各节点的数据变化反应时间。
5.如权利要求4所述的一种用于选煤厂智能加介系统的实时监测方法，其特征在于，利用所述选煤厂智能加介系统的监测节点根据选煤厂智能加介系统的多级综合筛选模型得到选煤厂智能加介系统实时监测结果包括：
S3-2-1、判断所述选煤厂智能加介系统实时运行数据是否均未依次超过对应选煤厂智能加介系统的监测节点对应时间阈值，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则执行S3-2-2；
S3-2-2、利用所述选煤厂智能加介系统实时运行数据根据选煤厂智能加介系统的多级综合筛选模型得到多级综合筛选实时结果；
S3-2-3、判断所述多级综合筛选实时结果是否为正常状态，若是，则所述选煤厂智能加介系统实时监测结果为正常，利用当前时刻作为更新的起始采集时刻t，并返回S1-1，否则，则所述选煤厂智能加介系统实时监测结果为异常，利用所述多级综合筛选模型对应二级模型输出作为异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148198.1A CN117705197B (zh) | 2024-02-02 | 2024-02-02 | 一种用于选煤厂智能加介系统的实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148198.1A CN117705197B (zh) | 2024-02-02 | 2024-02-02 | 一种用于选煤厂智能加介系统的实时监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117705197A CN117705197A (zh) | 2024-03-15 |
| CN117705197B true CN117705197B (zh) | 2024-04-26 |
Family
ID=90162721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410148198.1A Active CN117705197B (zh) | 2024-02-02 | 2024-02-02 | 一种用于选煤厂智能加介系统的实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117705197B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109718945A (zh) * | 2018-12-29 | 2019-05-07 | 中国神华能源股份有限公司 | 重介质选煤厂智能加介系统和方法 |
| CN110328049A (zh) * | 2019-07-02 | 2019-10-15 | 太原理工大学 | 重介悬浮密度控制系统及其控制方法 |
| CN110639686A (zh) * | 2019-08-07 | 2020-01-03 | 华电电力科学研究院有限公司 | 一种煤炭分选重介质密度自动调节系统及工作方法 |
| 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 |
| CN112926805A (zh) * | 2021-04-12 | 2021-06-08 | 中国石油大学(北京) | 基于深度强化学习的直井试井智能解释方法及装置 |
| CN215278640U (zh) * | 2021-03-17 | 2021-12-24 | 泰戈特（北京）工程技术有限公司 | 选煤厂智能介质抓取系统 |
| CN216094219U (zh) * | 2021-08-24 | 2022-03-22 | 中煤科工集团信息技术有限公司 | 一种全自动智能调控加介系统 |
| CN114463357A (zh) * | 2022-01-27 | 2022-05-10 | 枣庄矿业(集团)付村煤业有限公司 | 一种在重介质选煤中实时确定介质堆动态信息的方法 |
| CN114522800A (zh) * | 2022-04-24 | 2022-05-24 | 天津中新智冠信息技术有限公司 | 加介方法及系统 |
| CN114911206A (zh) * | 2022-05-11 | 2022-08-16 | 南京业恒达智能系统股份有限公司 | 一种基于物联网的选煤厂智能化预测维护系统 |
| CN115016313A (zh) * | 2022-04-18 | 2022-09-06 | 中国中煤能源集团有限公司 | 一种煤重介的仿真控制方法及装置 |
| CN115155788A (zh) * | 2022-08-04 | 2022-10-11 | 华电电力科学研究院有限公司 | 一种重介分选加介系统 |
| CN116213095A (zh) * | 2023-02-09 | 2023-06-06 | 无锡雪浪数制科技有限公司 | 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 |
| CN116351547A (zh) * | 2023-03-13 | 2023-06-30 | 中煤科工开采研究院有限公司 | 选煤厂智能加介方法及系统 |
| CN116371584A (zh) * | 2023-04-20 | 2023-07-04 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 选煤厂重介系统加介装置 |
-
2024
- 2024-02-02 CN CN202410148198.1A patent/CN117705197B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109718945A (zh) * | 2018-12-29 | 2019-05-07 | 中国神华能源股份有限公司 | 重介质选煤厂智能加介系统和方法 |
| CN110328049A (zh) * | 2019-07-02 | 2019-10-15 | 太原理工大学 | 重介悬浮密度控制系统及其控制方法 |
| CN110639686A (zh) * | 2019-08-07 | 2020-01-03 | 华电电力科学研究院有限公司 | 一种煤炭分选重介质密度自动调节系统及工作方法 |
| 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 |
| CN215278640U (zh) * | 2021-03-17 | 2021-12-24 | 泰戈特（北京）工程技术有限公司 | 选煤厂智能介质抓取系统 |
| CN112926805A (zh) * | 2021-04-12 | 2021-06-08 | 中国石油大学(北京) | 基于深度强化学习的直井试井智能解释方法及装置 |
| CN216094219U (zh) * | 2021-08-24 | 2022-03-22 | 中煤科工集团信息技术有限公司 | 一种全自动智能调控加介系统 |
| CN114463357A (zh) * | 2022-01-27 | 2022-05-10 | 枣庄矿业(集团)付村煤业有限公司 | 一种在重介质选煤中实时确定介质堆动态信息的方法 |
| CN115016313A (zh) * | 2022-04-18 | 2022-09-06 | 中国中煤能源集团有限公司 | 一种煤重介的仿真控制方法及装置 |
| CN114522800A (zh) * | 2022-04-24 | 2022-05-24 | 天津中新智冠信息技术有限公司 | 加介方法及系统 |
| CN114911206A (zh) * | 2022-05-11 | 2022-08-16 | 南京业恒达智能系统股份有限公司 | 一种基于物联网的选煤厂智能化预测维护系统 |
| CN115155788A (zh) * | 2022-08-04 | 2022-10-11 | 华电电力科学研究院有限公司 | 一种重介分选加介系统 |
| CN116213095A (zh) * | 2023-02-09 | 2023-06-06 | 无锡雪浪数制科技有限公司 | 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 |
| CN116351547A (zh) * | 2023-03-13 | 2023-06-30 | 中煤科工开采研究院有限公司 | 选煤厂智能加介方法及系统 |
| CN116371584A (zh) * | 2023-04-20 | 2023-07-04 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 选煤厂重介系统加介装置 |
Non-Patent Citations (4)
| Title |
|---|
| 基于BP模糊神经网络的重介过程控制;韦民红;邵芬;赵勇;;淮北师范大学学报(自然科学版);20130310(01);全文 * |
| 智能密度控制系统在门克庆选煤厂的研究与应用;郝建强;《煤炭加工与综合利用》;20231025;说明书第1-6页 * |
| 激光雷达传感器在选煤厂重介质自动添加系统中的应用;周增宏;;洁净煤技术;20191115(S1);全文 * |
| 郝建强.智能密度控制系统在门克庆选煤厂的研究与应用.《煤炭加工与综合利用》.2023,说明书第1-6页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117705197A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263988B (zh) | 一种基于电厂脱硫系统的数据运行优化方法 | |
| CN109305534B (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
| CN105302096B (zh) | 一种工厂智能调度方法 | |
| CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN111679952A (zh) | 告警阈值生成方法及装置 | |
| CN111103565A (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
| CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
| US20230258599A1 (en) | Method for determining the geometry of a defect and for determining a load limit | |
| CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
| CN117705197B (zh) | 一种用于选煤厂智能加介系统的实时监测方法 | |
| CN109615115B (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| CN109726068A (zh) | 一种数据检测方法及装置 | |
| CN109753729A (zh) | 实时优化钻井作业参数的方法及装置、电子设备 | |
| CN116253085B (zh) | 一种多款式箱体自动码垛方法及系统 | |
| CN114904798B (zh) | 一种基于图像识别的煤矸石自动分拣方法、系统及介质 | |
| CN115115469A (zh) | 一种立体库调度效率评价方法、系统及存储介质、终端 | |
| Łangowski et al. | Optimised robust placement of hard quality sensors for robust monitoring of quality in drinking water distribution systems | |
| CN115510998A (zh) | 交易异常值检测方法及装置 | |
| Gómez et al. | A knowledge based application for industrialization design | |
| Yugma et al. | A smart sampling scheduling and skipping simulator and its evaluation on real data sets | |
| Nautiyal et al. | Optimal designs by means of genetic algorithms | |
| ZHENG et al. | Optimization algorithm of ship dispatching in container terminals with two-way channel | |
| Schattka et al. | Framework for simulation-based performance assessment and resilience improvement | |
| CN110197031A (zh) | 一种用于高密度聚乙烯串级聚合反应的软测量方法 |
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 |