CN117772407A - 一种重介分选密度调节自适应控制系统 - Google Patents
一种重介分选密度调节自适应控制系统 Download PDFInfo
- Publication number
- CN117772407A CN117772407A CN202410005842.XA CN202410005842A CN117772407A CN 117772407 A CN117772407 A CN 117772407A CN 202410005842 A CN202410005842 A CN 202410005842A CN 117772407 A CN117772407 A CN 117772407A
- Authority
- CN
- China
- Prior art keywords
- density
- sorting
- medium
- coal
- curve
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 claims abstract description 164
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000000926 separation method Methods 0.000 claims abstract description 44
- 238000012806 monitoring device Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 239000007788 liquid Substances 0.000 claims description 82
- 239000000047 product Substances 0.000 claims description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 60
- 239000000725 suspension Substances 0.000 claims description 60
- 239000000463 material Substances 0.000 claims description 52
- 238000002156 mixing Methods 0.000 claims description 44
- 230000001502 supplementing effect Effects 0.000 claims description 43
- 239000002956 ash Substances 0.000 claims description 42
- 239000000126 substance Substances 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 27
- 230000000875 corresponding effect Effects 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000007667 floating Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000010883 coal ash Substances 0.000 claims description 14
- 230000001105 regulatory effect Effects 0.000 claims description 14
- 230000001276 controlling effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005304 joining Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 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
- Separation Of Solids By Using Liquids Or Pneumatic Power (AREA)
Abstract
本发明提出一种重介分选密度调节自适应控制系统，涉及重介质选煤领域，包括监测装置用于监测分选过程中各设备运行参数信息，分析系统用于统计设备历史运行数据，建立分选模型，控制单元配合分析系统实现自适应PMC调节，执行单元对控制单元下达的指令进行执行操作。监测装置与分析系统通过网络连接，分析系统与控制单元通过网络连接，控制单元与执行单元通过导线连接。分析系统根据监测装置获取的生产工艺参数，结合建立的分选模型对整个系统进行前馈试调节，并持续优化训练模型，实现了重介分选密度的自适应调节控制，提高了重介分选系统的稳定性和及时性，具有较强的适应性。
Description
技术领域
本发明涉及重介质选煤领域，特别是一种重介分选密度调节自适应控制系统。
背景技术
随着智能化洗煤厂的不断推进，从国内外近几年的研究领域和方向上来看，物联网、大数据、云计算、数据挖掘、人工智能等技术在物流仓储、智慧城市等领域得到了广泛的研究和应用，矿业能源领域的数字矿山、感知矿山、智慧矿山等相关概念也陆续被提出。选煤工业作为矿业领域的一个重要组成部分，也进入了自动化、数字化与智能化并存的新阶段。煤炭行业虽然在近10余年取得了高速发展，但煤炭资源的加工利用仍较为粗放。虽然目前大部分选煤厂基本实现了自动化，主要体现在设备运行集中控制、工艺参数监控与调节、设备运行状态监控等方面，但在生产管理方面仍需要人工全过程参与，高度依赖人工经验，在信息化、智能化建设方面比较滞后。因此，进一步提高管理水平，降低生产成本，利用新技术提高企业的经济效益，对于选煤企业来说，变得尤为关键。
重介分选作为煤炭洗选中必不可少的环节，以自动补水及自动分流为主要控制对象的重介分选自动控制得到了较大的发展。但在实际生产中由于原煤煤质的变化以及灰分回控的发展，对密度的控制范围以及密度的调节速度提出了更高的要求，而目前的重介分选不能很好地满足这个需求。
发明内容
鉴于上述问题，本发明提出了一种重介分选密度调节自适应控制系统。
本发明实施例提供了一种重介分选密度调节自适应控制系统，所述重介分选密度调节自适应控制系统包括：监测装置、分析系统、控制单元、执行单元；
所述监测装置，用于获取各类设备的实时数据并传输至所述分析系统和所述控制单元；
所述分析系统，用于对所述实时数据进行筛选、分类统计储存，并实现实时数据展示和历史数据存储；
所述分析系统，还用于基于大数据分析算法模型，建立得到煤质与分选密度之间的关系模型，并根据所述关系模型建立分选模型，以及根据所述分选模型向所述控制单元反馈分选密度调整量；
所述控制单元，用于根据所述分选密度调整量向所述执行单元下达指令，以对实际分选密度进行调整；
所述执行单元，用于根据所述控制单元下达的指令，执行相应动作，对所述实际分选密度进行调整，并将调整后的实际分选密度反馈至所述分析系统；
其中，所述分析系统接收到所述调整后的实际分选密度，结合所述监测装置采集的新实时数据向所述控制单元反馈新的分选密度调整量，以及所述控制单元根据新的分选密度调整量向所述执行单元下达新指令，所述执行单元根据新指令，执行相应动作，对实际分选密度继续进行调整的三个过程反复循环，直至所述执行单元调整产品煤灰分的当前值达到预设范围之内。
可选地，所述监测装置包括：原煤在线灰分仪、精煤在线灰分仪、压差式密度计、磁性物监测仪、合介桶液位传感器、稀介桶液位传感器、加介计量称；
所述原煤在线灰分仪、所述精煤在线灰分仪，分别用于实时获取原煤及各产品煤的灰分、水分、发热量值；
所述合介桶液位传感器、稀介桶液位传感器，分别用于实时获取合介桶、稀介桶的液位信息；
所述压差式密度计，用于实时获取悬浮液中的密度；
所述磁性物监测仪，用于实时获取所述悬浮液中的磁性物含量；
所述加介计量称，用于获取每次加入浓介桶中的介质重量；
所述灰分、所述水分、所述发热量值、所述液位信息、所述密度、所述磁性物含量、所述介质重量组成所述实时数据。
可选地，所述分析系统包括：数据中台、大数据分析算法模型；
所述数据中台，用于对所述实时数据进行筛选、分类统计存储，对无效数据进行筛除，实现所述实时数据展示和历史数据存储；
所述大数据分析算法模型，用于根据所述实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型；
所述大数据分析算法模型，还用于根据所述关系模型，结合分选密度、磁性物含量、合介桶桶位、稀介桶桶位、补水阀开度、分流阀开度各自的实时数据建立所述分选模型，以及根据所述分选模型向所述控制单元反馈分选密度调整量。
可选地，所述控制单元包括：控制台、PLC控制单元；
所述控制台，用于根据所述分选密度调整量配合所述PLC控制单元向所述执行单元下达指令，以对所述实际分选密度进行调整。
可选地，所述执行单元包括：加介泵、合介泵、稀介泵、加水阀、补水阀、分流阀、浅槽分选机；
在所述重介分选密度调节自适应控制系统处于稳态模式时，控制所述补水阀及所述分流阀的开度进行MPC调节；
在所述重介分选密度调节自适应控制系统处于加介模式时，所述浓介泵、所述补水阀开启，对所述合介桶进行补充加介，并通过所述监测装置的加介计量称计量加介的重量，同时监测悬浮液密度和所述合介桶液位，以及同时开启所述补水阀稳定分选密度，当所述合介桶液位达到预测高液位设定值时停止加介，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式；
在所述重介分选密度调节自适应控制系统处于紊乱模式、所述分选密度偏高时，通过调大所述补水阀开度和开启所述加水阀对所述悬浮液密度进行降低调整，同时监测合介桶液位，防止加水过量导致的冒桶现象，当达到合介桶预测高液位设定值时关闭所述加水阀，调整所述补水阀开度，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式；
在所述重介分选密度调节自适应控制系统处于紊乱模式、所述分选密度偏低时，通过调小所述补水阀开度和开启所述分流阀对所述悬浮液密度进行升高调整，同时监测稀介桶和合介桶液位，防止稀介桶冒桶现象，若通过打分流致使合介桶低于低液位预设值时触发所述加介模式，并结合所述监测装置中的悬浮液密度，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式。
可选地，所述大数据分析算法模型根据所述实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型的方法包括：
利用浮沉试验中的几个密度级产物量与质的数据，用图示的方法，将其曲线化，从而在一定密度范围内确定物料量与质的关系，通过原煤综合浮沉试验可选性曲线，可以及时了解原煤煤质特性，评定原煤可选性，进行精煤产率及灰分预测，确定理论分选密度；
利用拟合对所述原煤综合浮沉试验可选性曲线进行绘制，拟合浮物累计曲线β和密度曲线δ，其余三条曲线：灰分特性曲线λ、沉物累计曲线θ、密度±0.1曲线ε通过前面两条曲线计算得出；
其中，根据曲线β和曲线δ的形状，采用三种模型进行拟合：
①反正切模型
②双曲正切模型Y＝{a+c*th[k(x-x0)]}×100，式中
③复合双曲正切模型Y＝{a+bx+c*th[k(x-x0)]}*100
上三式中，x为浮煤累计灰分或密度，Y为浮煤累计出量；其它参数均为各自模型的参数，模型的参数用非线性拟合的方法求得，非线性拟合的目的是求出各自模型的参数，对同一模型，曲线的差别体现在参数的差别上，拟合的过程就是寻找最优参数的过程；
在重介分选过程中，按密度分选，只能得到两种产物：重产物和轻产物，则原煤在重介分选中的理想状态是：一切密度大于分选密度的高密度物料应百分百地分配到重产物中去，一切密度小于分选密度的低密度物料应百分百地分配到轻产物中去，而在实际中较好的分选结果是高密度物料大部分进入重产物，小部分进入轻产物；低密度物料大部分进入轻产物，小部分进入重产物，因此实际分配曲线可由七个模型拟合而成；
用公式表达产品预测思想为：
r＝∑Yi(X)*Di(X)
其中Y(X)为原煤资料，D(X)为分配曲线；
原煤在重介分选时，混入各产品中非规定成分的物料称为错配物，错配物总量等于各产品中不该混入的物料百分数之和，错配物曲线用来作为评定分选工艺效果的指标，计算公式为：
Mo＝Ml-Mh
式中，Mo为总错配物含量，％:Mt为密度小于分选密度的物料在重产品中的错配量，％:Mh为密度大于分选密度的物料在轻产品中的错配量，％；
计算错配物总量的分选密度采用分配密度[δρ]或等误密度[δe]，所述等误密度指在两重选产品中，错配物相等时的密度；
错配物曲线表示为：
式中，Mc为切割点在处时的错配物总量，％；ρmax、ρmin分别为料中最低、高密度物的密度，kg/L；C为切割点，kg/L；Yh(ρ)为重产品的密度分布函数，％；Yl(ρ)为轻产品的密度分布函数，％；ρ为密度，kg/L；式中右端第一项为损失曲线，第二项为污染曲线；
根据监测到的悬浮液密度值和悬浮液中磁性物含量值，推算出合介质桶中的煤泥含量，通过控制分流阀开启调整合介质桶中的煤泥含量，稳定悬浮液中的煤泥含量，保证煤泥含量在一个合理的区间范围，确保悬浮液的稳定性和流动性；
煤泥含量计算方法引用公式为：
G＝A(ρ-1000)-BF
式中，G为煤泥含量，kg/m3；F为磁性物含量，kg/m3；ρ为悬浮液密度，kg/m3；A为与煤泥有关的系数；B为与煤泥和磁性物有关的系数；
其中：
式中，δ煤泥为煤泥密度，kg/m3；δ磁为磁铁矿粉密度，kg/m3；因此，
当δ煤泥、δ磁各自取值确定后，计算出与煤泥有关的系数A的值，与煤泥和磁性物有关的系数B的值，磁性物含量通过磁性物监测仪读取，悬浮液密度ρ通过压差式密度计读取，通过以上公式即可实时获取煤泥含量的百分比；
综合上述公式得到所述煤质与分选密度之间的关系模型。
可选地，所述执行单元第一次执行相应动作后，将调整后的实际分选密度反馈至所述分析系统；
所述分析系统根据调整后的实际分选密度和预设分选密度之间的差值，结合所述监测装置获取的合介桶液位和预测的合介桶液位，通过所述分选模型训练预先得到的支撑量，确定当前对悬浮液的密度进行控制所需的目标分选密度调整量，并将目标分选密度调整量发送至所述控制单元；
所述控制单元根据目标分选密度调整量，再次向所述执行单元下达新的指令；
所述执行单元根据新的指令，执行相应动作，对当前实际分选密度继续进行调整；
上述过程依次循环，直至所述产品煤灰分值与设定灰分值接近在允许误差范围为止，则所述执行单元调整产品煤灰分的当前值达到预设范围之内。
可选地，所述分选模型中根据实际生产工艺分为所述加介模式、所述稳态模式、所述紊乱模式三种策略模式；
所述加介模式指所述重介分选密度调节自适应控制系统生产运行一段时间之后，介质不断的消耗，通过打分流不能有效提高分选密度时，需要对合介桶进行补充介质的一种工作模式；
稳态模式指所述重介分选密度调节自适应控制系统在生产过程中，通过对所述分流阀、所述补水阀、所述合介桶液位、所述稀介桶液位MPC控制调节，使所述分选密度处于动态平衡的一种工作模式；
所述紊乱模式指分选过程中由于生产故障或人为干预导致分选密度偏高或偏低时，需要对分选密度进行快速反应调节的一种工作模式。
可选地，所述监测装置与所述分析系统通过网络连接，所述分析系统与所述控制单元通过网络连接，所述控制单元与所述执行单元通过导线连接。
可选地，当所述执行单元调整产品煤灰分的当前值达到预设范围之内，所述重介分选密度调节自适应控制系统进入所述稳态模式。
本发明提供的重介分选密度调节自适应控制系统，监测装置用于获取各类设备的实时数据并传输至分析系统；分析系统用于对实时数据进行筛选、分类统计储存，并实现实时数据展示和历史数据存储，同时将实时数据传输至控制单元。
分析系统还用于基于大数据分析算法模型，建立得到煤质与分选密度之间的关系模型，并根据关系模型建立分选模型，以及根据分选模型向控制单元反馈分选密度调整量。
控制单元用于根据分选密度调整量向执行单元下达指令，以对实际分选密度进行调整；执行单元，用于根据控制单元下达的指令，执行相应动作，对实际分选密度进行调整，并将调整后的实际分选密度反馈至分析系统。
这其中，分析系统接收到调整后的实际分选密度，结合监测装置采集的新实时数据向控制单元反馈新的分选密度调整量，以及控制单元根据新的分选密度调整量向执行单元下达新指令，执行单元根据新指令，执行相应动作，对实际分选密度继续进行调整的三个过程反复循环，直至执行单元调整产品煤灰分的当前值达到预设范围之内。
本发明所提重介分选密度调节自适应控制系统，通过接入监测装置各类传感器，对整个分选过程中的影响分选效果及系统稳定性的各项参数进行实时监测，确保分选过程中合介桶及稀介桶液位的稳定，同时可有效监测生产过程中的跑冒滴漏现象。
通过监测悬浮液中的密度及磁性物含量，推算出悬浮液中的煤泥含量，并通过分流阀进行控制打分流，调节分选密度，稳定悬浮液中的煤泥含量，保证煤泥含量在一个合理的区间范围，防止煤泥量过高时导致的浅槽抱团，以及煤泥量过低时的悬浮液不稳定等现象，确保悬浮液的稳定性和流动性。
通过分选模型实现了对重介浅槽分选密度的智能调节，可在生产过程中实时的对分选密度进行在线调节，具有更高的控制精度和更及时的反应速度，能够快速适应洗选过程的密度需求，适应能力好。
通过监测原煤及产品煤的煤质信息，进而建立分选模型，适应范围更广，若由于井下综采工作面更替，地质条件变化等原因引起的原煤性质发生变化，仅需通过本发明所提系统，对煤质数据采集，经大数据分析模算法型处理后，可迅速反应，匹配新的分选密度用来指导生产。
本发明所提重介分选密度调节自适应控制系统，解决了现有选煤厂重介分选系统的密度控制需要人工手动参与调节，解决了分选密度稳定性和及时性等问题，实现了重介分选密度的自适应调节控制，提高了重介分选系统的稳定性和及时性，具有较强的适应性和实用性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例一种较优的重介分选密度调节自适应控制系统架构图；
图2是本发明实施例中系统组态画面及重介智能控制示意图；
图3是本发明实施例中非线性拟合的一种流程；
图4是本发明实施例中一种分选模型的模型训练与更新、在线预测的算法架构图；
图5是本发明实施例中对应图4算法架构图的一种算法模型图；
图6是本发明实施例中基于强化学习的耦合模型对所有使用到的模型进行不断的优化处理的架构图；
图7是本发明实施例中在运行过程中通过机器学习对各个模型进行继续优化完善的架构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解，此处所描述的具体实施例仅用以解释本发明，仅仅是本发明一部分实施例，而不是全部的实施例，并不用于限定本发明。
本发明实施例的一种重介分选密度调节自适应控制系统，其包括：监测装置、分析系统、控制单元、执行单元。监测装置，用于获取各类设备的实时数据并传输至分析系统、控制单元；分析系统，用于对实时数据进行筛选、分类统计储存，并实现实时数据展示和历史数据存储；分析系统，还用于基于大数据分析算法模型，建立得到煤质与分选密度之间的关系模型，并根据关系模型建立分选模型，以及根据分选模型向控制单元反馈分选密度调整量。
控制单元，用于根据分选密度调整量向执行单元下达指令，以对实际分选密度进行调整；执行单元，用于根据控制单元下达的指令，执行相应动作，对实际分选密度进行调整，并将调整后的实际分选密度反馈至分析系统。
这其中，分析系统接收到调整后的实际分选密度，结合监测装置采集的精煤灰分实时数据向控制单元反馈新的分选密度调整量，以及控制单元根据新的分选密度调整量向执行单元下达新指令，执行单元根据新指令，执行相应动作，对实际分选密度继续进行调整的三个过程反复循环，直至执行单元调整产品煤灰分的当前值达到预设范围之内。
对于上述监测装置、分析系统、控制单元、执行单元，较优的选择为监测装置包括：原煤在线灰分仪、精煤在线灰分仪、压差式密度计、磁性物监测仪、合介桶液位传感器、稀介桶液位传感器、加介计量称；分析系统包括：数据中台、大数据分析算法模型；控制单元包括：控制台、PLC控制单元，执行单位元包括：加介泵、合介泵、稀介泵、加水阀、补水阀、分流阀、浅槽分选机等。为了更好的、更直观的理解整个系统，参照图1所示一种较优的重介分选密度调节自适应控制系统架构图，图1中智能分选模块指代煤质与分选密度之间的关系模型和分选模型两者；PLC控制器是指代PLC控制单元；浅槽补水阀指代补水阀；合介加水阀、浓介桶加水阀指代加水阀；浓介泵指代加介泵、合介泵、稀介泵。
监测装置与分析系统之间较优的选择是通过网络连接，分析系统与控制单元之间较优的选择是通过网络连接，控制单元与执行单元之间较优的选择是通过导线连接。
监测装置中原煤在线灰分仪、精煤在线灰分仪，分别用于实时获取原煤及各产品煤的灰分、水分、发热量值；合介桶液位传感器、稀介桶液位传感器，分别用于实时获取合介桶、稀介桶的液位信息；压差式密度计，用于实时获取悬浮液中的密度；磁性物监测仪，用于实时获取悬浮液中的磁性物含量；加介计量称，用于获取每次加入浓介桶中的介质重量。这些实时获取的信息组成监测装置获取的实时数据。
分析系统中数据中台，用于对实时数据进行筛选、分类统计存储，对无效数据进行筛除，实现实时数据展示和历史数据存储，并将实时数据传输至控制单元。
分析系统中大数据分析算法模型，用于根据实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型；还用于根据关系模型，结合分选密度、磁性物含量、合介桶桶位、稀介桶桶位、补水阀开度、分流阀开度各自的实时数据建立分选模型，以及根据分选模型向控制单元反馈分选密度调整量。
控制单元中控制台根据分选密度调整量配合PLC控制单元向执行单元下达指令，以对实际分选密度进行调整。
对于执行单元，在重介分选密度调节自适应控制系统处于稳态模式时，控制补水阀及分流阀的开度进行MPC调节；在重介分选密度调节自适应控制系统处于加介模式时，浓介泵、加水阀开启，对合介桶进行补充加介，并通过监测装置的加介计量称计量加介的重量，同时监测悬浮液密度和合介桶液位，以及同时开启补水阀稳定分选密度，当合介桶液位达到预测高液位设定值时停止加介，使重介分选密度调节自适应控制系统尽快进入稳态模式。
在重介分选密度调节自适应控制系统处于紊乱模式且分选密度偏高时，通过调大补水阀开度和开启加水阀对悬浮液密度进行降低调整，同时监测合介桶液位，防止加水过量导致的冒桶现象，当达到合介桶预测高液位设定值时关闭加水阀，调整补水阀开度，使重介分选密度调节自适应控制系统尽快进入稳态模式。
在重介分选密度调节自适应控制系统处于紊乱模式且分选密度偏低时，通过调小补水阀开度和开启分流阀对悬浮液密度进行升高调整，同时监测稀介桶和合介桶液位，防止稀介桶冒桶现象，若通过打分流致使合介桶低于低液位预设值时触发加介模式，并结合监测装置中的悬浮液密度，使重介分选密度调节自适应控制系统尽快进入稳态模式。
上述整个工作过程可以参照图2所示的系统组态画面及重介智能控制示意图得到更好的理解。监测装置获取原煤灰分、精煤灰分、悬浮液密度、磁性物含量、合介桶液位、稀介桶液位、介质计量称各自的实时数据，输入进入分析系统。
分析系统除了对实时数据进行筛选、分类统计存储，对无效数据进行筛除，实现实时数据展示和历史数据存储以外，还利用大数据分析算法模型建立煤质与分选密度之间的关系模型、分选模型。图2中分析系统框中示出的为分选模型计算的预测值(即分选密度调整量)与BP神经网络计算预测值对比分析后，再输出预测值。分选模型计算预测值示例性的以LSTM为例进行示出，对于数据采集得到的实时数据，进行核心要素提取、隐藏层层数、隐藏层节点、时间同步、LSTM网络配置、变量输入LSTM网络训练学习、终止条件为迭代500次，最终得到一个预测值，而采用BP神经网络直接对实时数据进行计算得到另一个预测值，两者对比分析后输出预测值至控制单元。
控制单元接收预测值后，根据分选密度调整量配合PLC控制单元向执行单元(图2中示例性示出加介泵、合介泵、稀介泵、加水阀、补水阀、分流阀、浅槽分选机)下达指令，以对实际分选密度进行调整。
调整后继续由监测装置再次获取实时数据，分析系统根据调整后的实际分选密度和预设分选密度之间的差值，结合监测装置获取的合介桶液位和预测的合介桶液位，通过分选模型训练预先得到的支撑量，确定当前对悬浮液的密度进行控制所需的目标分选密度调整量，并将目标分选密度调整量发送至控制单元。
控制单元根据目标分选密度调整量，再次向执行单元下达新的指令；执行单元根据新的指令，执行相应动作，对当前实际分选密度继续进行调整。整个过程依次循环，直至产品煤灰分值与设定灰分值接近在允许误差范围为止，则执行单元调整产品煤灰分的当前值达到预设范围之内。而当执行单元调整产品煤灰分的当前值达到预设范围之内，重介分选密度调节自适应控制系统进入稳态模式。
上述大数据分析算法模型根据实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型的方法包括：
利用浮沉试验中的几个密度级产物量与质的数据，用图示的方法，将其曲线化，从而在一定密度范围内确定物料量与质的关系，通过原煤综合浮沉试验可选性曲线，可以及时了解原煤煤质特性，评定原煤可选性，进行精煤产率及灰分预测，确定理论分选密度。
利用拟合对原煤综合浮沉试验可选性曲线进行绘制，拟合浮物累计曲线β(即β曲线)和密度曲线δ(即δ曲线)，其余三条曲线：灰分特性曲线λ(即λ曲线)、沉物累计曲线θ(即θ曲线)、密度±0.1曲线ε(即ε曲线)通过前面两条曲线计算得出；
其中，根据β曲线和δ曲线的形状，采用三种模型进行拟合：
①反正切模型
②双曲正切模型Y＝{a+c*th[k(x-x0)]}×100，式中
③复合双曲正切模型Y＝{a+bx+c*th[k(x-x0)]}*100
上三式中，x为浮煤累计灰分或密度，Y为浮煤累计出量；其它参数均为各自模型的参数，模型的参数用非线性拟合的方法求得。
其中，非线性拟合的目的是求出各自模型的参数，对同一模型，曲线的差别体现在参数的差别上，拟合的过程就是寻找最优参数的过程。如图3所示为非线性拟合的一种流程。选择任一模型，输入模型参数初值，计算拟合误差，判断误差是否满足要求。
满足则直接打印结果，流程结束。不满足则用优化方法改变模型参数，并返回计算拟合误差及其后续的步骤。
在重介分选过程中，按密度分选，只能得到两种产物：重产物和轻产物，则原煤在重介分选中的理想状态是：一切密度大于分选密度的高密度物料应百分百地分配到重产物中去，一切密度小于分选密度的低密度物料应百分百地分配到轻产物中去，而在实际中较好的分选结果是高密度物料大部分进入重产物，小部分进入轻产物；低密度物料大部分进入轻产物，小部分进入重产物，因此实际分配曲线可由七个模型拟合而成；
用公式表达产品预测思想为：
r＝∑Yi(X)*Di(X)
其中Y(X)为原煤资料，D(X)为分配曲线。
原煤在重介分选时，混入各产品中非规定成分的物料称为错配物，错配物总量等于各产品中不该混入的物料百分数之和，错配物曲线用来作为评定分选工艺效果的指标，计算公式为：
Mo＝Ml-Mh
式中，Mo为总错配物含量(占入料)，％；Ml为密度小于分选密度的物料在重产品中的错配量(占入料)，％；Mh为密度大于分选密度的物料在轻产品中的错配量(占入料)，％。
计算错配物总量的分选密度采用分配密度[δρ]或等误密度[δe]，等误密度指在两重选产品中，错配物相等时的密度；
错配物曲线表示为：
式中，Mc为切割点在处时的错配物总量(占入料)，％；ρmax、ρmin分别为料中最低、高密度物的密度，kg/L；C为切割点，kg/L；Yh(ρ)为重产品的密度分布函数(占入料)，％；Yl(ρ)为轻产品的密度分布函数(占入料)，％；ρ为密度，kg/L；式中右端第一项为损失曲线，第二项为污染曲线。
根据监测到的悬浮液密度值和悬浮液中磁性物含量值，推算出合介质桶中的煤泥含量，通过控制分流阀开启调整合介质桶中的煤泥含量，稳定悬浮液中的煤泥含量，保证煤泥含量在一个合理的区间范围，确保悬浮液的稳定性和流动性；
煤泥含量计算方法引用公式为：
G＝A(ρ-1000)-BF
式中，G为煤泥含量(非磁性物)，kg/m3；F为磁性物含量，kg/m3；ρ为悬浮液密度，kg/m3；A为与煤泥有关的系数；B为与煤泥和磁性物有关的系数；
其中：
式中，δ煤泥为煤泥密度，kg/m3；δ磁为磁铁矿粉密度，kg/m3；因此，
当δ煤泥、δ磁各自取值确定后，计算出与煤泥有关的系数A的值，与煤泥和磁性物有关的系数B的值，例如：当δ煤泥取1.5g/cm3；、δ磁取4.5g/cm3，可计算出与煤泥有关的系数A＝3，与煤泥和磁性物有关的系数B＝2.33，磁性物含量通过磁性物监测仪读取，悬浮液密度ρ通过压差式密度计读取，通过以上公式即可实时获取煤泥含量的百分比；
综合上述公式即可得到煤质与分选密度之间的关系模型。
对于分选模型，其是根据监测的分选密度、磁性物含量、合介桶桶位、稀介桶桶位、补水阀开度、分流阀开度等数据，建立得到分选密度与磁性物含量、液位、各阀门开度之间的一个算法模型，其可通过反馈机制，对模型进行对比优化。例如图4示出的一种分选模型的模型训练与更新、在线预测的架构图。模型训练与更新中，读取历史精煤灰分及合格介质密度数据，对数据进行清洗，对灰分数据进行矫正，再数据归一化，采用XGBOOST模型训练分选模型，可以每分钟更新一次。
在线预测中，读取当前时刻精煤灰分及合格介质密度数据，重新输入输出样本数据，再数据归一化，采用当前XGBOOST模型训练分选模型，最终输出密度设定值(即分选密度调整量)。
图5示出了对应图4的算法构架的算法模型，其中输入量U1、U2、U3分别为精煤灰分、悬浮液密度、磁性物含量值，G11(s)、G21(s)、G31(s)分别为设定的范围值，G12(s)、G22(s)、G32(s)为超出设定范围的值，Y1为控制单元输出量，Y2为反馈到分析系统需要调整的值。在此模型中当输入量即实时监测数据在系统设定范围之内时，则直接反馈至控制单元进入稳态模式，当输入量即监测数据不在设定范围内时，将数据反馈至分析系统，进行数据再次对比分析，调整系统参数再次循环。
需要说明的是，上述图4、5仅是为了更好的理解对分选模型的优化而举例的，并不表示对分选模型的优化仅能采用这样的方式。本领域技术人员可以采用其它方式对分选模型进行优化，只需要分选模型可以实现其功能即可。
分选模型中根据实际生产工艺分为加介模式、稳态模式、紊乱模式三种策略模式；分选模型可以根据重介分选密度调节自适应控制系统当前的情况，自动的选择对应的模式，以使得执行单元按照对应策略执行相应动作。
加介模式指重介分选密度调节自适应控制系统生产运行一段时间之后，介质不断的消耗，通过打分流不能有效提高分选密度时，需要对合介桶进行补充介质的一种工作模式；稳态模式指重介分选密度调节自适应控制系统在生产过程中，通过对分流阀、补水阀、合介桶液位、稀介桶液位MPC控制调节，使分选密度处于动态平衡的一种工作模式；紊乱模式指分选过程中由于生产故障或人为干预导致分选密度偏高或偏低时，需要对分选密度进行快速反应调节的一种工作模式。
此外，本发明还针对所使用的各个模型，提出了建立基于强化学习的耦合模型对所有使用到的模型进行不断的优化处理，使实际监测的产品煤灰分的当前值不断接近设定灰分值，达到可以指导生产的稳态模式。
参照图6示意性的示出了基于强化学习的耦合模型对所有使用到的模型进行不断的优化处理的架构图。以对分选模型优化为例，强化学习的耦合模型对分选模型优化在图6中被定义为液位密度耦合模型，基于新概念密度函数确定控制参数，而更新概念密度函数有利于强化学习。同时引入评价函数，具有奖罚机制。具体的为：
设定每个参数的区间、计算耦合模型参数初始概率密度分布、计算耦合模型参数、执行耦合模型、计算目标函数、计算奖惩值、更新每个参数的概率密度分布、最后判断是否结束学习，不结束则返回计算耦合模型参数及其之后的步骤。
所有模型优化完成之后，接入控制单元，对整个重介分选密度调节自适应控制系统进行测试运行，并在运行过程中通过机器学习对各个模型进行继续优化完善。
参照图7示意性的示出了在运行过程中通过机器学习对各个模型进行继续优化完善的架构图。以原煤灰分、精煤设定灰分作为输入条件，以合介桶、稀介桶液位作为设定范围值(设定液位)，以补水阀、加水阀、分流阀、合介泵、稀介泵、加介泵、悬浮液密度、磁性物含量值历史运行数据作为参考轨迹，通过模型训练(密度液位耦合模型)，结合选出的产品精煤灰分反馈值(反馈预测期)，对整个系统模型进行反馈调整，持续训练优化，直至精煤监测灰分与设定灰分误差在允许范围之内。
需要说明的是，上述图6、7仅是为了更好的理解对各个模型的优化而举例的，并不表示对各个模型的优化仅能采用这样的方式。本领域技术人员可以采用其它方式对各个模型进行优化，只需要各个模型可以实现其功能即可。
一般情况下，在重介分选密度调节自适应控制系统处于稳态模式时，控制单元控制补水阀及分流阀的开度进行MPC调节。在稳态模式下，影响产品煤质量的主要因素有分选密度、磁性物含量、煤泥含量，其中，分选密度可以通过补水阀的开度进行调节，补水阀开度的大小可以及时反应悬浮液密度的大小；通过对分流阀的开度调节，可以调整悬浮液磁性物含量及煤泥含量的大小，保证悬浮液的黏度和稳定性。而补水阀与分流阀之间存在负相关性，当补水阀门开度大时，减小分流阀门；当补水阀门小时，开大分流阀门。
当重介分选密度调节自适应控制系统通过打分流提升密度时，监测到合介桶液位达到预测低液位设定值时，说明系统中的介质不足，需要补加介质。分选模型将触发加介模式，控制单元下达指令给执行单元中的浓介泵、补水阀开启，对合介桶进行补充加介，并通过监测装置加介计量称计量加介的重量，同时监测悬浮液密度和合介桶液位，在加介过程中会导致合介桶密度上升，需同时开启补水阀稳定分选密度，当合介桶液位达到预测高液位设定值时停止加介，使重介分选密度调节自适应控制系统尽快进入稳态模式，并将监测数据反馈给分析系统。
当重介分选密度调节自适应控制系统处于紊乱模式分选密度偏高时，通过调大补水阀开度和开启合介加水阀对悬浮液密度进行降低调整，同时监测合介桶液位，防止加水过量导致的冒桶现象。结合悬浮液密度监测装置，当达到合介桶预测高液位设定值时关闭加水阀，调整补水阀开度，使重介分选密度调节自适应控制系统尽快进入稳态模式，并将监测数据反馈给分析系统。
当重介分选密度调节自适应控制系统处于紊乱模式分选密度偏低时，通过调小补水阀开度和开启分流阀对悬浮液密度进行升高调整，同时监测稀介桶和合介桶液位，防止稀介桶冒桶现象，若通过打分流致使合介桶低于低液位预测设置值时触发加介模式。结合悬浮液密度监测装置，使重介分选密度调节自适应控制系统尽快进入稳态模式，并将监测数据反馈给分析系统。
综上所述，本发明所提重介分选密度调节自适应控制系统，通过接入监测装置各类传感器，对整个分选过程中的影响分选效果及系统稳定性的各项参数进行实时监测，确保分选过程中合介桶及稀介桶液位的稳定，同时可有效监测生产过程中的跑冒滴漏现象。
通过监测悬浮液中的密度及磁性物含量，推算出悬浮液中的煤泥含量，并通过分流阀进行控制打分流，调节分选密度，稳定悬浮液中的煤泥含量，保证煤泥含量在一个合理的区间范围，防止煤泥量过高时导致的浅槽抱团，以及煤泥量过低时的悬浮液不稳定等现象，确保悬浮液的稳定性和流动性。
通过分选模型实现了对重介浅槽分选密度的智能调节，可在生产过程中实时的对分选密度进行在线调节，具有更高的控制精度和更及时的反应速度，能够快速适应洗选过程的密度需求，适应能力好。
通过监测原煤及产品煤的煤质信息，进而建立分选模型，适应范围更广，若由于井下综采工作面更替，地质条件变化等原因引起的原煤性质发生变化，仅需通过本发明所提系统，对煤质数据采集，经大数据分析模算法型处理后，可迅速反应，匹配新的分选密度用来指导生产。
本发明所提重介分选密度调节自适应控制系统，解决了现有选煤厂重介分选系统的密度控制需要人工手动参与调节，解决了分选密度稳定性和及时性等问题，实现了重介分选密度的自适应调节控制，提高了重介分选系统的稳定性和及时性，具有较强的适应性和实用性。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种重介分选密度调节自适应控制系统，其特征在于，所述重介分选密度调节自适应控制系统包括：监测装置、分析系统、控制单元、执行单元；
所述监测装置，用于获取各类设备的实时数据并传输至所述分析系统和所述控制单元；
所述分析系统，用于对所述实时数据进行筛选、分类统计储存，并实现实时数据展示和历史数据存储；
所述分析系统，还用于基于大数据分析算法模型，建立得到煤质与分选密度之间的关系模型，并根据所述关系模型建立分选模型，以及根据所述分选模型向所述控制单元反馈分选密度调整量；
所述控制单元，用于根据所述分选密度调整量向所述执行单元下达指令，以对实际分选密度进行调整；
所述执行单元，用于根据所述控制单元下达的指令，执行相应动作，对所述实际分选密度进行调整，并将调整后的实际分选密度反馈至所述分析系统；
其中，所述分析系统接收到所述调整后的实际分选密度，结合所述监测装置采集的新实时数据向所述控制单元反馈新的分选密度调整量，以及所述控制单元根据新的分选密度调整量向所述执行单元下达新指令，所述执行单元根据新指令，执行相应动作，对实际分选密度继续进行调整的三个过程反复循环，直至所述执行单元调整产品煤灰分的当前值达到预设范围之内。
2.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述监测装置包括：原煤在线灰分仪、精煤在线灰分仪、压差式密度计、磁性物监测仪、合介桶液位传感器、稀介桶液位传感器、加介计量称；
所述原煤在线灰分仪、所述精煤在线灰分仪，分别用于实时获取原煤及各产品煤的灰分、水分、发热量值；
所述合介桶液位传感器、稀介桶液位传感器，分别用于实时获取合介桶、稀介桶的液位信息；
所述压差式密度计，用于实时获取悬浮液中的密度；
所述磁性物监测仪，用于实时获取所述悬浮液中的磁性物含量；
所述加介计量称，用于获取每次加入浓介桶中的介质重量；
所述灰分、所述水分、所述发热量值、所述液位信息、所述密度、所述磁性物含量、所述介质重量组成所述实时数据。
3.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述分析系统包括：数据中台、大数据分析算法模型；
所述数据中台，用于对所述实时数据进行筛选、分类统计存储，对无效数据进行筛除，实现所述实时数据展示和历史数据存储；
所述大数据分析算法模型，用于根据所述实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型；
所述大数据分析算法模型，还用于根据所述关系模型，结合分选密度、磁性物含量、合介桶桶位、稀介桶桶位、补水阀开度、分流阀开度各自的实时数据建立所述分选模型，以及根据所述分选模型向所述控制单元反馈分选密度调整量。
4.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述控制单元包括：控制台、PLC控制单元；
所述控制台，用于根据所述分选密度调整量配合所述PLC控制单元向所述执行单元下达指令，以对所述实际分选密度进行调整。
5.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述执行单元包括：加介泵、合介泵、稀介泵、加水阀、补水阀、分流阀、浅槽分选机；
在所述重介分选密度调节自适应控制系统处于稳态模式时，控制所述补水阀及所述分流阀的开度进行MPC调节；
在所述重介分选密度调节自适应控制系统处于加介模式时，所述浓介泵、所述补水阀开启，对所述合介桶进行补充加介，并通过所述监测装置的加介计量称计量加介的重量，同时监测悬浮液密度和所述合介桶液位，以及同时开启所述补水阀稳定分选密度，当所述合介桶液位达到预测高液位设定值时停止加介，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式；
在所述重介分选密度调节自适应控制系统处于紊乱模式、所述分选密度偏高时，通过调大所述补水阀开度和开启所述加水阀对所述悬浮液密度进行降低调整，同时监测合介桶液位，防止加水过量导致的冒桶现象，当达到合介桶预测高液位设定值时关闭所述加水阀，调整所述补水阀开度，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式；
在所述重介分选密度调节自适应控制系统处于紊乱模式、所述分选密度偏低时，通过调小所述补水阀开度和开启所述分流阀对所述悬浮液密度进行升高调整，同时监测稀介桶和合介桶液位，防止稀介桶冒桶现象，若通过打分流致使合介桶低于低液位预设值时触发所述加介模式，并结合所述监测装置中的悬浮液密度，使所述重介分选密度调节自适应控制系统尽快进入所述稳态模式。
6.根据权利要求3所述的重介分选密度调节自适应控制系统，其特征在于，所述大数据分析算法模型根据所述实时数据及历史数据进行分析对比，结合原煤综合浮沉试验可选性曲线、分配曲线、错配物曲线，建立煤质与分选密度之间的关系模型的方法包括：
利用浮沉试验中的几个密度级产物量与质的数据，用图示的方法，将其曲线化，从而在一定密度范围内确定物料量与质的关系，通过原煤综合浮沉试验可选性曲线，可以及时了解原煤煤质特性，评定原煤可选性，进行精煤产率及灰分预测，确定理论分选密度；
利用拟合对所述原煤综合浮沉试验可选性曲线进行绘制，拟合浮物累计曲线β和密度曲线δ，其余三条曲线：灰分特性曲线λ、沉物累计曲线θ、密度±0.1曲线ε通过前面两条曲线计算得出；
其中，根据曲线β和曲线δ的形状，采用三种模型进行拟合：
①反正切模型
②双曲正切模型Y＝{a+c*th[k(x-x0)]}×100，式中
③复合双曲正切模型Y＝{a+bx+c*th[k(x-x0)]}*100
上三式中，x为浮煤累计灰分或密度，Y为浮煤累计出量；其它参数均为各自模型的参数，模型的参数用非线性拟合的方法求得，非线性拟合的目的是求出各自模型的参数，对同一模型，曲线的差别体现在参数的差别上，拟合的过程就是寻找最优参数的过程；
在重介分选过程中，按密度分选，只能得到两种产物：重产物和轻产物，则原煤在重介分选中的理想状态是：一切密度大于分选密度的高密度物料应百分百地分配到重产物中去，一切密度小于分选密度的低密度物料应百分百地分配到轻产物中去，而在实际中较好的分选结果是高密度物料大部分进入重产物，小部分进入轻产物；低密度物料大部分进入轻产物，小部分进入重产物，因此实际分配曲线可由七个模型拟合而成；
用公式表达产品预测思想为：
r＝∑Yi(X)*Di(X)
其中Y(X)为原煤资料，D(X)为分配曲线；
原煤在重介分选时，混入各产品中非规定成分的物料称为错配物，错配物总量等于各产品中不该混入的物料百分数之和，错配物曲线用来作为评定分选工艺效果的指标，计算公式为：
Mo＝Ml-Mh
式中，Mo为总错配物含量，％:Mt为密度小于分选密度的物料在重产品中的错配量，％:Mh为密度大于分选密度的物料在轻产品中的错配量，％；
计算错配物总量的分选密度采用分配密度[δρ]或等误密度[δe]，所述等误密度指在两重选产品中，错配物相等时的密度；
错配物曲线表示为：
式中，Mc为切割点在处时的错配物总量，％；ρmax、ρmin分别为料中最低、高密度物的密度，kg/L；C为切割点，kg/L；Yh(ρ)为重产品的密度分布函数，％；Yl(ρ)为轻产品的密度分布函数，％；ρ为密度，kg/L；式中右端第一项为损失曲线，第二项为污染曲线；
根据监测到的悬浮液密度值和悬浮液中磁性物含量值，推算出合介质桶中的煤泥含量，通过控制分流阀开启调整合介质桶中的煤泥含量，稳定悬浮液中的煤泥含量，保证煤泥含量在一个合理的区间范围，确保悬浮液的稳定性和流动性；
煤泥含量计算方法引用公式为：
G＝A(ρ-1000)-BF
式中，G为煤泥含量，kg/m3；F为磁性物含量，kg/m3；ρ为悬浮液密度，kg/m3；A为与煤泥有关的系数；B为与煤泥和磁性物有关的系数；
其中：
式中，δ煤泥为煤泥密度，kg/m3；δ磁为磁铁矿粉密度，kg/m3；因此，
当δ煤泥、δ磁各自取值确定后，计算出与煤泥有关的系数A的值，与煤泥和磁性物有关的系数B的值，磁性物含量通过磁性物监测仪读取，悬浮液密度ρ通过压差式密度计读取，通过以上公式即可实时获取煤泥含量的百分比；
综合上述公式得到所述煤质与分选密度之间的关系模型。
7.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述执行单元第一次执行相应动作后，将调整后的实际分选密度反馈至所述分析系统；
所述分析系统根据调整后的实际分选密度和预设分选密度之间的差值，结合所述监测装置获取的合介桶液位和预测的合介桶液位，通过所述分选模型训练预先得到的支撑量，确定当前对悬浮液的密度进行控制所需的目标分选密度调整量，并将目标分选密度调整量发送至所述控制单元；
所述控制单元根据目标分选密度调整量，再次向所述执行单元下达新的指令；
所述执行单元根据新的指令，执行相应动作，对当前实际分选密度继续进行调整；
上述过程依次循环，直至所述产品煤灰分值与设定灰分值接近在允许误差范围为止，则所述执行单元调整产品煤灰分的当前值达到预设范围之内。
8.根据权利要求5所述的重介分选密度调节自适应控制系统，其特征在于，所述分选模型中根据实际生产工艺分为所述加介模式、所述稳态模式、所述紊乱模式三种策略模式；
所述加介模式指所述重介分选密度调节自适应控制系统生产运行一段时间之后，介质不断的消耗，通过打分流不能有效提高分选密度时，需要对合介桶进行补充介质的一种工作模式；
稳态模式指所述重介分选密度调节自适应控制系统在生产过程中，通过对所述分流阀、所述补水阀、所述合介桶液位、所述稀介桶液位MPC控制调节，使所述分选密度处于动态平衡的一种工作模式；
所述紊乱模式指分选过程中由于生产故障或人为干预导致分选密度偏高或偏低时，需要对分选密度进行快速反应调节的一种工作模式。
9.根据权利要求1所述的重介分选密度调节自适应控制系统，其特征在于，所述监测装置与所述分析系统通过网络连接，所述分析系统与所述控制单元通过网络连接，所述控制单元与所述执行单元通过导线连接。
10.根据权利要求8所述的重介分选密度调节自适应控制系统，其特征在于，当所述执行单元调整产品煤灰分的当前值达到预设范围之内，所述重介分选密度调节自适应控制系统进入所述稳态模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005842.XA CN117772407A (zh) | 2024-01-02 | 2024-01-02 | 一种重介分选密度调节自适应控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005842.XA CN117772407A (zh) | 2024-01-02 | 2024-01-02 | 一种重介分选密度调节自适应控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117772407A true CN117772407A (zh) | 2024-03-29 |
Family
ID=90401740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410005842.XA Pending CN117772407A (zh) | 2024-01-02 | 2024-01-02 | 一种重介分选密度调节自适应控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117772407A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1271918A (zh) * | 1999-04-27 | 2000-11-01 | 路迈西 | 原煤可选性曲线和重选分配曲线的数学模型 |
| US20170100722A1 (en) * | 2014-12-30 | 2017-04-13 | Gongmin Li | Dry method heavy medium separator adopting dry method heavy medium separation bed and separation device |
| CN106964483A (zh) * | 2017-04-28 | 2017-07-21 | 中国矿业大学 | 一种无压给料重介旋流器选煤过程自动控制方法及系统 |
| CN108993762A (zh) * | 2018-07-20 | 2018-12-14 | 西安科技大学 | 一种重介质选煤用密度和液位控制装置和协调控制方法 |
| 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 |
| 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 |
| CN112642584A (zh) * | 2021-01-28 | 2021-04-13 | 丹东东方测控技术股份有限公司 | 一种基于模糊控制和pid控制的重介精煤灰分控制方法 |
| CN115138472A (zh) * | 2022-06-14 | 2022-10-04 | 国能智深控制技术有限公司 | 分选悬浮液密度给定方法及系统 |
| CN115238971A (zh) * | 2022-07-01 | 2022-10-25 | 华电电力科学研究院有限公司 | 一种选煤厂智慧大脑分析处理系统 |
| CN116882849A (zh) * | 2023-09-07 | 2023-10-13 | 天津美腾科技股份有限公司 | 一种测算精煤产率的方法及装置 |
-
2024
- 2024-01-02 CN CN202410005842.XA patent/CN117772407A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1271918A (zh) * | 1999-04-27 | 2000-11-01 | 路迈西 | 原煤可选性曲线和重选分配曲线的数学模型 |
| US20170100722A1 (en) * | 2014-12-30 | 2017-04-13 | Gongmin Li | Dry method heavy medium separator adopting dry method heavy medium separation bed and separation device |
| CN106964483A (zh) * | 2017-04-28 | 2017-07-21 | 中国矿业大学 | 一种无压给料重介旋流器选煤过程自动控制方法及系统 |
| CN108993762A (zh) * | 2018-07-20 | 2018-12-14 | 西安科技大学 | 一种重介质选煤用密度和液位控制装置和协调控制方法 |
| 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 |
| 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 |
| CN112642584A (zh) * | 2021-01-28 | 2021-04-13 | 丹东东方测控技术股份有限公司 | 一种基于模糊控制和pid控制的重介精煤灰分控制方法 |
| CN115138472A (zh) * | 2022-06-14 | 2022-10-04 | 国能智深控制技术有限公司 | 分选悬浮液密度给定方法及系统 |
| CN115238971A (zh) * | 2022-07-01 | 2022-10-25 | 华电电力科学研究院有限公司 | 一种选煤厂智慧大脑分析处理系统 |
| CN116882849A (zh) * | 2023-09-07 | 2023-10-13 | 天津美腾科技股份有限公司 | 一种测算精煤产率的方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 李华;路迈西;杨旸;侯燕;李建光;田立新;: "可选性曲线与分配曲线的绘制及相关内容分析", 煤炭加工与综合利用, no. 06, 25 December 2008 (2008-12-25), pages 28 - 31 * |
| 李学琨: "确定错配物总量的数值解法", 选煤技术, no. 03, 25 June 2000 (2000-06-25), pages 54 - 55 * |
| 申永强: "迈耶尔曲线的数学建模及应用", 煤炭加工与综合利用, no. 3, 31 March 2023 (2023-03-31), pages 37 - 40 * |
| 雷小平 等: "基于GIS"一张图"的煤机装备全生命周期管理系统研究", 煤炭技术, vol. 41, no. 05, 31 May 2022 (2022-05-31), pages 216 - 218 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110605178B (zh) | 一种重介分选过程智能控制系统及方法 | |
| Forster | Optimal consumption planning in a polluted environment | |
| CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
| CN110328049B (zh) | 重介悬浮密度控制系统及其控制方法 | |
| CN103197539B (zh) | 污水处理智能优化控制曝气量的方法 | |
| CN106824501B (zh) | 一种重介旋流器分选过程悬浮液密度自动控制系统 | |
| CN102985149B (zh) | 用于监测含水流的性质的方法和系统 | |
| CN112642584B (zh) | 一种基于模糊控制和pid控制的重介精煤灰分控制方法 | |
| CN111604163A (zh) | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 | |
| CN101183260A (zh) | 选矿全流程自动控制方法 | |
| CN110090478B (zh) | 一种充填场景下的深锥浓密机智能控制方法 | |
| CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
| CN115238971A (zh) | 一种选煤厂智慧大脑分析处理系统 | |
| Chen et al. | Expert system based adaptive dynamic matrix control for ball mill grinding circuit | |
| CN115318431A (zh) | 重介浅槽系统的控制方法、装置和处理器 | |
| CN100394163C (zh) | 球磨机磨矿系统溢流粒度指标软测量方法 | |
| FI20195894A1 (en) | Method and system for monitoring the process | |
| CN115108617A (zh) | 混凝加药方法及系统 | |
| CN110577091A (zh) | 基于人工智能稳定混匀矿质量的方法、系统及介质 | |
| CN116256974A (zh) | 复杂供水网络引分水口联合自动的智能控制方法、系统及装置 | |
| CN113608510A (zh) | 一种选煤单机设备智能控制系统控制方法 | |
| US4428505A (en) | Sand classification plant with process control system | |
| CN117772407A (zh) | 一种重介分选密度调节自适应控制系统 | |
| Zhou et al. | Grinding circuit control: A hierarchical approach using extended 2-DOF decoupling and model approximation | |
| CN208066531U (zh) | 一种重介灰分闭环控制系统 |
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 |