選煤廠跳汰過(guò)程檢測(cè)信息在智能化生產(chǎn)中的應(yīng)用

任寶軍

（神木市煤礦安全和市場(chǎng)秩序保障中心，陜西榆林 719300）

0 引言

跳汰生產(chǎn)過(guò)程（以下簡(jiǎn)稱“跳汰過(guò)程”）是選煤廠煤炭加工的重要環(huán)節(jié)之一，也是影響煤炭產(chǎn)品質(zhì)量和產(chǎn)量的關(guān)鍵因素。為確保產(chǎn)品的質(zhì)量和產(chǎn)量達(dá)到預(yù)期目標(biāo)，該過(guò)程需要進(jìn)行多種檢測(cè)工作，不過(guò)由于傳統(tǒng)的檢測(cè)方法通常只能獲得局部、片面的信息，難以全面、準(zhǔn)確地評(píng)估整個(gè)生產(chǎn)過(guò)程的質(zhì)量和效率，因此相關(guān)研究人員嘗試將信息融合技術(shù)逐漸引入選煤廠跳汰過(guò)程。通過(guò)將不同來(lái)源的數(shù)據(jù)從多個(gè)傳感器或儀表進(jìn)行整合和處理，從而實(shí)現(xiàn)更全面、準(zhǔn)確、可靠的評(píng)估。

1 跳汰生產(chǎn)的狀態(tài)分析

跳汰生產(chǎn)是一種常用的粉體制造過(guò)程，其中顆粒的松散度是跳汰分選過(guò)程中非常重要的參數(shù)，會(huì)對(duì)產(chǎn)品的質(zhì)量和工藝性能產(chǎn)生重要影響。松散度是指顆粒間的間隙和空隙，它可以決定顆粒的分選效果。床層松散度指床層中顆粒間空隙所占比例，通常用于評(píng)價(jià)跳汰分選機(jī)的性能和效率[1]。

在跳汰過(guò)程分選中，顆粒通過(guò)振蕩床層來(lái)實(shí)現(xiàn)不同密度的顆粒之間的分離。床層的松散度直接影響床層中顆粒的運(yùn)動(dòng)情況，如果床層松散度太小，則會(huì)導(dǎo)致顆粒不能自由運(yùn)動(dòng)，從而降低分選效率；而松散度過(guò)大則會(huì)破壞原有的松散效果，導(dǎo)致已分好層的床層被破壞，也會(huì)降低分選效率。因此，在跳汰分選過(guò)程中，需要將床層松散度控制在一定范圍內(nèi)。一般來(lái)說(shuō)，床層松散度的大小與顆粒的形狀、密度、大小以及床層高度等有關(guān)。為了達(dá)到最佳的分選效果，需要綜合考慮這些因素，并通過(guò)調(diào)整床層的振幅和頻率等來(lái)控制床層松散度。其中，整床能夠達(dá)到的松散度Sv為：

其中，Sv0為密實(shí)期整床松散度；h0為整床厚度，h1與h2分別為整床上邊界、下邊界的高度。

操作參數(shù)對(duì)于分選效果的影響非常重要。雖然操作參數(shù)有很多，但是通過(guò)跳汰過(guò)程分析和人工操作經(jīng)驗(yàn)，可以確定一些關(guān)鍵的操作參數(shù)來(lái)實(shí)現(xiàn)調(diào)控，其中排料量、浮標(biāo)配重等非常重要。排料量可以控制床層中顆粒的密度和松散度，從而影響分選效果。而浮標(biāo)配重則可以控制顆粒的上升速度和停留時(shí)間，從而影響分選精度和品質(zhì)[2]。因此，在跳汰分選過(guò)程中，需要精確控制排料量和浮標(biāo)配重。

此外，床層松散度還會(huì)受到許多其他因素影響，如跳汰頻率、風(fēng)閥周期、給料量等。其中，跳汰頻率可以影響床層中顆粒的運(yùn)動(dòng)情況，從而影響分選效率和品質(zhì)；風(fēng)閥周期可以影響顆粒的干燥程度和流動(dòng)性，給料量則可以影響顆粒的密度和松散度，從而影響分選效果。

為了實(shí)現(xiàn)最佳的分選效果，相關(guān)工作人員需要整理并分析實(shí)時(shí)參數(shù)采集數(shù)據(jù)，以選擇最優(yōu)的操作參數(shù)組合來(lái)控制床層的松散度，進(jìn)而判斷當(dāng)前分選過(guò)程是否符合要求，并及時(shí)調(diào)整操作參數(shù)，以實(shí)現(xiàn)最佳的分選效果。

2 構(gòu)建松軟度測(cè)量模型

2.1 LS-SVM 算法

LS-SVM（Least Squares Support Vector Machines，最小二乘支持向量機(jī)）算法是SVM（Support Vector Machines，支持向量機(jī)）算法的一種衍生算法，屬于回歸算法類型。與常用的各種神經(jīng)網(wǎng)絡(luò)算法（Neural Network）相比，LS-SVM 的優(yōu)勢(shì)在于訓(xùn)練結(jié)果隨機(jī)性低、訓(xùn)練時(shí)間短。因此，本次研究中，工作人員在構(gòu)建松軟度測(cè)量模型時(shí)引入LS-SVM 算法。

設(shè)模型訓(xùn)練樣本集合為（xi，yi），將一個(gè)非線性映射量φ（x）引入該模型，利用φ（x）完成向量輸入空間Rd到特征向量空間的映射，并在特征向量空間中計(jì)算最優(yōu)函數(shù)：

LS-SVM 算法采用了很多的核函數(shù)，包括多項(xiàng)式核、RBF（Radial Basis Function）徑向基核等（表1）。在實(shí)際使用過(guò)程中，需要根據(jù)具體需求以及使用場(chǎng)景靈活調(diào)用[3]。

表1 LS-SVM 算法常用核函數(shù)

在本次研究中，考慮到松軟度測(cè)量實(shí)際需求，工作人員采用RBF 徑向基核函數(shù)（Radial Basis Function，RBF kernel），給定該函數(shù)中的參量σ 及正規(guī)化參數(shù)c，在給定σ 與c 初始值之后，其他參數(shù)可以通過(guò)模型的線性求解得到。

2.2 構(gòu)建LS-SVM 模型

跳汰過(guò)程中，原煤的質(zhì)量和數(shù)量、跳汰周期、風(fēng)閥周期是影響分層效果的關(guān)鍵操作變量。研究人員為了更好地控制排料，使用浮標(biāo)裝置，該裝置會(huì)隨著床層一同運(yùn)動(dòng)并參與分層過(guò)程?；谶@一特點(diǎn)，研究人員通過(guò)分析浮標(biāo)裝置的運(yùn)動(dòng)軌跡，就能夠判斷物料在交替水流中的分選狀況[4]。因此，研究人員收集浮標(biāo)裝置發(fā)送的信號(hào)，判斷含床層松散度具體參數(shù)并建立床層松散度LS-SVM 模型：

該模型的工作流程如圖1 所示。

2.3 床層松軟度測(cè)量實(shí)現(xiàn)

本次研究中，工作人員使用Sklearn 工具包創(chuàng)建LS-SVM 床層松軟度測(cè)量模型，使用85%的樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，剩余15%數(shù)據(jù)則作為測(cè)量數(shù)據(jù)對(duì)該模型分析精準(zhǔn)性進(jìn)行驗(yàn)證，其結(jié)果如表2 所示。

表2 LS-SVM 床層松軟度測(cè)量模型預(yù)測(cè)結(jié)果誤差分析

由表2 可以發(fā)現(xiàn)，當(dāng)床層松散度小于0.5 時(shí)，模型的預(yù)測(cè)值與實(shí)際值之間的擬合度較好；當(dāng)床層松散度大于0.5 時(shí)，預(yù)測(cè)值的殘差擴(kuò)大，且樣本擬合度下降。

3 跳汰過(guò)程檢測(cè)信息融合

3.1 信息融合體系

跳汰檢測(cè)信息融合是一個(gè)針對(duì)生產(chǎn)過(guò)程的控制系統(tǒng)，其基于生產(chǎn)過(guò)程數(shù)據(jù)，結(jié)合離線數(shù)據(jù)、監(jiān)控圖像等多種結(jié)構(gòu)化數(shù)據(jù)，借助床層松散度模型融合數(shù)據(jù)信息，能夠準(zhǔn)確診斷生產(chǎn)過(guò)程的狀態(tài)并對(duì)跳汰過(guò)程中出現(xiàn)的異常進(jìn)行評(píng)價(jià)，實(shí)現(xiàn)智能控制與智能診斷，提高跳汰檢測(cè)效率。具體而言，該系統(tǒng)可以通過(guò)綜合分析各種數(shù)據(jù)源得到更加準(zhǔn)確和全面的生產(chǎn)過(guò)程狀態(tài)信息，并根據(jù)這些信息進(jìn)行決策和預(yù)測(cè)，最終幫助企業(yè)實(shí)現(xiàn)更好的生產(chǎn)管理和控制（圖2）。

圖2 跳汰生產(chǎn)過(guò)程中檢測(cè)信息融合體系

3.2 數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)

在進(jìn)行跳汰過(guò)程數(shù)據(jù)采集工作之前，工作人員需要先進(jìn)行勘察，對(duì)現(xiàn)場(chǎng)工況以及重要參數(shù)進(jìn)行采集與整理。在此基礎(chǔ)上，研究人員基于OPC 協(xié)議以及工控系統(tǒng)PLC 控制器實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)傳輸。在跳汰過(guò)程中，變量數(shù)據(jù)通過(guò)傳感器檢測(cè)后，按照4～20 mA 信號(hào)接入到PLC 控制器，并根據(jù)檢測(cè)需求對(duì)信號(hào)進(jìn)行轉(zhuǎn)換，通過(guò)這種方式將電信號(hào)轉(zhuǎn)變?yōu)樽兞繑?shù)據(jù)。最終，這些數(shù)據(jù)通過(guò)以太網(wǎng)、光纖等方式與上位機(jī)的連接。設(shè)計(jì)該系統(tǒng)過(guò)程中，研究人員為了確保數(shù)據(jù)的實(shí)時(shí)性與準(zhǔn)確性，基于OPC 協(xié)議設(shè)置數(shù)據(jù)采集標(biāo)簽，確定PLC 控制器地址。需要注意的是，一些企業(yè)使用iFix 組態(tài)軟件，這樣可以直接使用iFix 服務(wù)器設(shè)置數(shù)據(jù)標(biāo)簽，無(wú)需額外購(gòu)買OPC 服務(wù)器軟件。通過(guò)這些步驟，跳汰過(guò)程數(shù)據(jù)將被準(zhǔn)確地采集并用于后續(xù)的分析和處理[5]。

本次研究中，工作人員基于.NET 平臺(tái)開(kāi)發(fā)設(shè)計(jì)數(shù)據(jù)采集客戶端。該客戶端主要包含以下5 個(gè)功能模塊：

（1）顯示模塊。用于實(shí)時(shí)顯示當(dāng)前系統(tǒng)成功讀取數(shù)據(jù)次數(shù)。

（2）采集模塊。點(diǎn)擊按鈕即可啟動(dòng)計(jì)時(shí)器，系統(tǒng)會(huì)自動(dòng)讀取相關(guān)數(shù)據(jù)。

（3）參數(shù)配置模塊。該模塊的主要作用是配置數(shù)據(jù)參數(shù)，主要包括OPC 服務(wù)器、SQLServer 服務(wù)器配置參數(shù)。在存儲(chǔ)設(shè)置中，用戶可以根據(jù)跳汰周期過(guò)程檢測(cè)實(shí)際需要，靈活設(shè)置標(biāo)簽采集頻率。

（4）初始化模塊。對(duì)各模塊數(shù)據(jù)進(jìn)行初始化處理，為數(shù)據(jù)采集做好準(zhǔn)備。

（5）自動(dòng)采集模塊。設(shè)置自動(dòng)采集功能，提高數(shù)據(jù)采集效率。

通過(guò)這些功能模塊，數(shù)據(jù)采集客戶端可以實(shí)現(xiàn)對(duì)跳汰過(guò)程數(shù)據(jù)的快速采集，并且具有靈活的參數(shù)配置和自動(dòng)化操作優(yōu)點(diǎn)，使數(shù)據(jù)采集和處理變得更加高效和便捷。

4 結(jié)束語(yǔ)

跳汰過(guò)程中的檢測(cè)信息在選煤廠智能化生產(chǎn)中的應(yīng)用，可以有效提高生產(chǎn)效率與產(chǎn)品質(zhì)量。通過(guò)傳感器采集和處理煤炭的物理和化學(xué)參數(shù)，實(shí)現(xiàn)對(duì)煤質(zhì)的在線檢測(cè)和分析，從而及時(shí)調(diào)整工藝參數(shù)，優(yōu)化生產(chǎn)流程。同時(shí)，利用人工智能算法對(duì)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，可以實(shí)現(xiàn)故障預(yù)警、生產(chǎn)計(jì)劃優(yōu)化等功能，進(jìn)一步提高生產(chǎn)自動(dòng)化水平和管理效率，為企業(yè)帶來(lái)更好的經(jīng)濟(jì)效益和社會(huì)效益。