浮选尾矿灰分检测系统与方法研究

摘要

煤泥浮选是分选和回收0.5mm以下粒级煤的最有效的选煤工艺。浮选效果的好坏，直接影响精煤质量和回收率及全厂的经济技术指标。目前现场判断浮选效果的途径主要是靠操作人员的经验，如通过观察泡沫层状态和尾矿的颜色来调节加药量，但由于人的判断存在主观差异和偏差，所以很难达到和保持浮选过程的最佳状态。尾矿灰分作为一个重要的反馈信息，是调节药剂量的依据，也是实现浮选过程自动控制必不可少的一个重要参数。本文以西山煤电集团西曲矿选煤厂使用的美国维姆克浮选机为对象，对基于机器视觉方法实现尾矿灰分的在线检测问题进行了研究。
　　本文首先根据浮选机尾矿池的结构设计了尾矿浆提升装置与图像采集装置。提升装置采用斗式提升结构，由机架、链盘、不锈钢链、料斗、翻斗节、联轴器、调速电机组成。提升装置将尾矿浆提升到合适的位置后，通过图像采集装置获取尾矿图像。图像采集装置由光源、工业像机、光强传感器组成。系统软件可自动采集尾矿图像与光强信息，并同时记录光圈、曝光时间和修正参数。为了研究浮选尾矿灰分与尾矿浆图像特征之间的关系，用该厂浮选精煤、浮选尾煤和矸石制作基础灰分样品，配制了灰分从20％到60％，灰分级差为2％，浓度分别为10 gL-1，20 gL-1和30 gL-1的样品63组。通过试验平台对样品进行了图像和光强等相关信息的采集，每组样品分别采集100幅图像和对应的入射光强、反射光强，共得到6300组样本数据。在此基础上，对得到的煤浆图像的灰度直方图进行了常规特征提取，计算灰度均值、方差、平滑度、歪斜度、能量和熵六个特征值，加入入射光强和反射光强，构成8维向量作为神经网络的输入，对应灰分值作为输出。但测试结果显示尾矿灰分识别结果不理想，误差较大，200个测试数据中误差≥±5的比例达到26％。为了提高尾矿灰分识别精度，本文进一步分析了尾矿样本图像的灰度直方图与样本灰分之间的关系，分析发现与样本灰分有显著相关性的是像素统计量在灰度区间上的分布，而不是灰度均值。为此，取灰度值区间50-170，子区间间隔为10，以12个子区间的像素点数量构建新的输入向量作为神经网络的输入，对应灰分值作为输出进行训练和测试。结果显示，灰分识别精度得到了大幅提高，误差全部≤±5，而且200个测试数据中误差≤±2的比例达到94％。为了减小图像采集时不均匀性带来的影响，本文采取在100组数据中随机提取10组求平均值，构成新的100组数据，以消尾矿浆随机运动的影响，使规律更加稳定。
　　本文研究了尾矿浆浓度对灰分识别精度的影响，用各浓度下建立的神经网络模型交叉识别各组数据，结果表明，识别本浓度数据结果较好，识别其他浓度效果较差。又进行了两组灰分为20％和60％，浓度从5 gL-1到30 gL-1间隔2.5 gL-1的两组实验，发现高灰分区20 gL-1以上浓度对灰度均值影响较大，低灰分区浓度影响较小。混合三组数据后分别进行每组数据单独识别效果较好，浓度对识别精度的影响也体现在其中，高浓度组高灰分区识别效果不好，低浓度组低灰分区识别效果一般。用同样的方法提取传统特征训练识别结果不理想。总体来说利用灰度值分布特征识别各浓度灰分的绝对误差在±5以内的占95％以上。本文设计的系统与提出的基于机器视觉的浮选尾矿灰分识别方法在实验室试验中取得了较好的效果，证明了基本原理的正确，且精度较高，可为自动控制系统提供反馈，为在线控制系统创造了条件。

目录

声明

摘要

第一章 绪论

1．1 课题概述

1．1．1 课题目的与意义

1．2 国内外研究现状

1．3 课题主要研究内容及技术路线

1．3．1 研究内容

1．3．2 技术路线

第二章 浮选尾矿灰分识别理论基础

2．1 尾矿浆成像过程理论

2．1．1 尾矿成分反射系数

2．1．2 物体表面光强和CCD表面光强关系

2．1．3 CCD表面光强和电压关系

2．1．4 灰度值的修正

2．2 本章小结

第三章 尾矿灰分检测系统设计

3．1 尾矿浆提取装置

3．1．1 浮选机尾矿槽简介

3．1．2 提升机构方案

3．1．3 提升机构设计

3．2 信息采集装置

3．2．1 光源

3．2．2 图像采集设备

3．2．3 光强采集装置设计

3．3 系统软件设计

3．3．1 输入

3．3．2 输出

3．3．3 处理过程

3．4 本章小结

第四章 尾矿灰分图像数据获取实验

4．1 实验平台

4．2 样本分布

4．3 平台调试

4．4 本章小结

第五章 尾矿灰分识别方法和数据分析

5．1 信息提取

5．1．1 传统信息提取

5．1．2 灰度值分布特征提取

5．1．3 数据均化处理

5．2 数据分析

5．2．1 神经网络调试

5．2．2 灰度值分布和传统特征识别结果对比

5．2．3 同浓度灰分识别分析

5．2．4 不同浓度交叉识别分析

5．2．5 浓度影响分析

5．2．6 数据混合识别结果

5．2．7 传统特征数据混合交叉识别结果

5．3 本章小结

第六章 结论与展望

6．1 结论

6．2 展望

参考文献

致谢

攻读学位期间发表学术论文目录