公开/公告号CN114841453A
专利类型发明专利
公开/公告日2022-08-02
原文格式PDF
申请/专利权人 中国矿业大学;
申请/专利号CN202210542985.5
申请日2022-05-18
分类号G06Q10/04(2012.01);G06Q10/06(2012.01);G06Q50/02(2012.01);G06V10/10(2022.01);
代理机构北京天达知识产权代理事务所(普通合伙) 11386;
代理人许志宏
地址 221116 江苏省徐州市铜山区大学路1号
入库时间 2023-06-19 16:14:25
法律状态公告日
法律状态信息
法律状态
2022-08-19
实质审查的生效 IPC(主分类):G06Q10/04 专利申请号:2022105429855 申请日:20220518
实质审查的生效
技术领域
本发明涉及选煤工业关键指标预测技术领域,尤其涉及一种浮选过程的精煤灰分预测方法。
背景技术
中国是煤炭生产和消费大国,随着“双碳”目标的提出,煤炭行业需要构建高效清洁利用体系,选煤厂向数字化、自动化和智能化转型成为必然。浮选是细粒煤分选使用最广泛的方法,主要是利用矿物表面疏水性的差异将细粒级的煤与矸石分离,是一个十分复杂、受多变量协同作用影响的物理化学过程。
然而一直以来,选煤厂监测精煤灰分都是通过快灰实验,而快灰实验流程至少需要一个小时,这对于指导浮选生产存在严重的滞后性。所以浮选过程主要依靠现场工人依据经验进行调控,但是这种方式主观性强、误差大、效率低,还会造成浮选药剂和矿产资源的浪费。
因此,如何对浮选精煤灰分进行有效、准确及快速的检测,对选煤厂减少药剂消耗和高效回收资源有重要的意义。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种浮选过程的精煤灰分预测方法,用以解决现有浮选精煤灰分无法实现有效、准确及快速检测的问题。
本发明公开了一种浮选过程的精煤灰分预测方法,包括:
实时采集数据,包括浮选泡沫图像、尾矿图像、浮选入料浓度、浮选入料流量及浮选液位;
将实时采集的浮选泡沫图像输入至训练好的精煤灰分预测主模型,处理后得到精煤灰分预测值;
对实时采集的尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位分别进行归一化处理,将归一化处理后的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位输入至训练好的精煤灰分预测补偿模型,处理后得到精煤灰分误差预测值;
用所述精煤灰分误差预测值对所述精煤灰分预测值进行补偿,得到最终的精煤灰分预测结果。
在上述方案的基础上,本发明还做出了如下改进:
进一步,通过以下方式训练所述精煤灰分预测主模型:
获取第一样本集,所述第一样本集中的每一组第一样本数据包括:浮选泡沫图像,精煤灰分实测值;
分别将每一组第一样本数据中精煤的浮选泡沫图像作为输入、精煤灰分实测值作为标签,对所述精煤灰分预测主模型进行训练,确定所述精煤灰分预测主模型的结构和参数,得到训练好的精煤灰分预测主模型。
进一步,通过以下方式训练所述精煤灰分预测补偿模型:
获取第二样本集,所述第二样本集中的每一组第二样本数据包括:浮选泡沫图像、尾矿图像、浮选入料浓度、浮选入料流量、浮选液位以及精煤灰分实测值;
分别将每一组第二样本数据中的浮选泡沫图像输入至训练好的精煤灰分预测主模型,得到精煤灰分预测值;
分别对每一组第二样本数据中的尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位分别进行归一化处理;
分别将每一组第二样本数据对应的归一化后的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位作为输入、将对应的精煤灰分实测值与精煤灰分预测值的差值作为标签,对所述精煤灰分预测补偿模型进行训练,确定所述精煤灰分预测补偿模型的结构和参数,得到训练好的精煤灰分预测补偿模型。
进一步,所述精煤灰分预测主模型选用基于卷积神经网络的精煤灰分预测主模型。
进一步,所述精煤灰分预测补偿模型选用基于径向基函数神经网络的预测补偿模型。
进一步,所述灰度特征值包括灰度平均值、方差、平滑度及能量熵;
所述灰度特征值通过对所述尾矿图像进行灰度直方图提取得到。
进一步,所述归一化处理选用最大值最小值归一化方法。
进一步,所述浮选泡沫图像由固定于浮选泡沫液面上方的泡沫图像采集系统采集得到;
所述泡沫图像采集系统内置CCD工业相机、在工业相机两侧固定有向下成45°的LED光源。
进一步,所述尾矿图像由尾矿图像采集系统采集得到;
所述尾矿图像采集系统内置CCD工业相机;
所述尾矿图像采集系统搭建在浮选尾矿槽旁,通过泵抽取实时浮选尾煤样品进入成像黑箱,黑箱中光源固定,通过CCD相机采集尾矿图像。
进一步,使用浓度计在浮选入料管道处实时检测浮选入料浓度;
使用流量计在浮选入料管道处实时检测浮选入料流量;
使用浮球液位仪实时检测浮选液位。
与现有技术相比,本发明至少可实现如下有益效果之一:
本发明提供的一种浮选过程的精煤灰分预测方法,具备如下优势:
第一,基于实时采集的浮选泡沫图像确定精煤灰分预测值,基于实时采集的尾矿图像、浮选入料浓度、浮选入料流量及浮选液位确定精煤灰分误差预测值,用所述精煤灰分误差预测值对所述精煤灰分预测值进行补偿,得到最终的精煤灰分预测结果,能够实现浮选精煤灰分的有效、准确及快速检测,以便选煤厂依据预测结果对煤泥浮选及时调控。
第二,能够实现浮选精煤灰分的实时在线连续检测,并且具有一定的自适应能力,能够通过生产情况矫正预测值。根据该预测值可及时调控浮选工况,减少药剂消耗,提高矿产资源利用率。
第三,本发明利用基于卷积神经网络的精煤灰分预测主模型和基于径向基函数神经网络的精煤灰分预测补偿模型,通过浮选生产过程中的泡沫图像和尾矿图像以及其他生产过程参数实现在线预测浮选精煤灰分,预测结果用于指导浮选生产过程的调控。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例提供的浮选过程的精煤灰分预测流程示意图;
图2为本发明实施例提供的浮选过程的精煤灰分预测主模型训练过程示意图;
图3为本发明实施例提供的浮选过程的精煤灰分预测补偿模型训练过程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种浮选过程的精煤灰分预测方法,流程图如图1所示,包括以下步骤:
步骤S1:实时采集数据,包括浮选泡沫图像、尾矿图像、浮选入料浓度、浮选入料流量及浮选液位;
步骤S2:将实时采集的浮选泡沫图像输入至训练好的精煤灰分预测主模型,处理后得到精煤灰分预测值;具体实施时,可以先对浮选泡沫图像做图像预处理(如滤波处理)、再将预处理后的浮选泡沫图像输入至至训练好的精煤灰分预测主模型,从而去除浮选泡沫图像中的杂波。
对实时采集的尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位分别进行归一化处理,将归一化处理后的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位输入至训练好的精煤灰分预测补偿模型,处理后得到精煤灰分误差预测值;具体实施时,可以先对尾矿图像做图像预处理(如滤波处理)、再通过灰度直方图处理得到灰度特征值。
步骤S3:用所述精煤灰分误差预测值对所述精煤灰分预测值进行补偿,得到最终的精煤灰分预测结果。
浮选泡沫图像中包含了丰富的泡沫颜色、泡沫纹理和泡沫尺寸特征,而上述特征与浮选精煤有很强的相关性,具体体现在:若浮选泡沫呈暗黑色、泡沫表面褶皱且纹理较多,单位面积上浮选泡沫数量多,代表当前浮选泡沫所携带精煤数量较多,此时精煤灰分较低;相反,若浮选泡沫呈亮黑色,泡沫表面光滑且大多是形状大的虚泡,代表当前泡沫所携带的精煤数量少,此时,浮选精煤大量流失,尾煤灰分降低,精煤灰分升高。因此,可以基于浮选泡沫图像进行精煤灰分的预测。
此外,尾矿图像、浮选入料浓度、浮选入料流量及浮选液位对精煤灰分的预测也存在不同程度的影响,具体体现在:
(1)不同灰分的尾矿图像的灰度特征存在明显差异:尾煤灰分越低,对应的尾矿图像越暗,否则,对应的尾矿图像越亮;同时,在入料灰分波动不大情况下,尾煤灰分与精煤灰分存在极强的线性相关,具体公式如下:
其中,Ad
Ad
由公式(2)可知,尾煤灰分与精煤灰分存在相关性,并且,这种相关性可以通过分析尾矿图像的灰度特征值进行评估;
(2)浮选入料浓度和浮选入料流量实时反映浮选系统的当前处理量,当处理量在合理的范围时,精煤灰分结果相对较低;而当处理量增大而其他条件不变情况下,会造成浮选精煤流失,此时浮选精煤灰分会随之升高;而当处理量减少时,会将脉石矿物也带入精矿中,浮选精煤灰分也会升高;
(3)浮选液位反映了浮选设备当前运行工况,液位高会降低精矿品位,液位低会使泡沫刮出量少,精煤回收率降低;
基于以上分析可知,可以基于尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位对精煤灰分的补偿值进行评估。然后,用所述精煤灰分误差预测值对所述精煤灰分预测值进行补偿,得到最终的精煤灰分预测结果。因此,通过上述方式得到的浮选过程的精煤灰分预测结果准确性高。
优选地,所述浮选泡沫图像由固定于浮选泡沫液面上方的泡沫图像采集系统采集得到;所述泡沫图像采集系统内置CCD工业相机、在工业相机两侧固定有向下成45°的LED光源;以确保浮选泡沫图像不受外界因素干扰。优选地,所述尾矿图像由尾矿图像采集系统采集得到;所述尾矿图像采集系统内置CCD工业相机;所述尾矿图像采集系统搭建在浮选尾矿槽旁,通过泵抽取实时浮选尾煤样品进入成像黑箱,黑箱中光源固定,通过CCD相机采集尾矿图像。该系统处于密闭空间,保证采集尾矿图像不受外界干扰。此外,使用浓度计在浮选入料管道处实时检测浮选入料浓度;使用流量计在浮选入料管道处实时检测浮选入料流量;使用浮球液位仪实时检测浮选液位。
在实施上述方案之前,先要完成精煤灰分预测主模型和精煤灰分预测补偿模型的训练,具体实现方式介绍如下:
(1)通过以下方式训练所述精煤灰分预测主模型,训练过程如图2所示:
步骤A1:获取第一样本集,所述第一样本集中的每一组第一样本数据包括:浮选泡沫图像,精煤灰分实测值;具体地,通过以下方式获得第一样本集:
步骤A11:采集大量浮选泡沫图像及对应时间的精煤实际灰分;
步骤A12:对采集到的浮选泡沫图像进行筛选,选出清晰度高的浮选泡沫图像;并对筛选出的浮选泡沫图像进行预处理,去除浮选泡沫图像的噪声;
步骤A13:对预处理后的浮选泡沫图像进行裁剪,得到合适尺寸的浮选泡沫图像;
步骤A14:将裁剪后的每一浮选泡沫图像及对应时间的精煤实际灰分,分别作为一组第一样本数据;汇总所有第一样本数据,形成第一样本集。
步骤A2:分别将每一组第一样本数据中精煤的浮选泡沫图像作为输入、精煤灰分实测值作为标签,对所述精煤灰分预测主模型进行训练,确定精煤灰分预测主模型的结构和参数,得到训练好的精煤灰分预测主模型。
在训练精煤灰分预测主模型的过程中,能够建立起浮选泡沫图像中的泡沫颜色、泡沫纹理和泡沫尺寸特征与精煤灰分实测值之间的映射关系,这种映射关系通过精煤灰分预测主模型的结构和参数来体现。因此,在实时处理过程中,可以将实时采集的浮选泡沫图像输入至训练好的精煤灰分预测主模型,处理后得到精煤灰分预测值。
优选地,所述精煤灰分预测主模型选用基于卷积神经网络的精煤灰分预测主模型。精煤灰分预测主模型的训练过程中,卷积神经网络将通过梯度下降得到的误差进行反向传播,逐层更新卷积神经网络各个层的参数,经过多轮迭代训练,最终确定精煤灰分预测主模型的结构和参数。
基于卷积神经网络的精煤灰分预测主模型能够对浮选精煤灰分进行初步预测,但是由于浮选工况复杂、图像采集过程误差和图像反映的信息有限等因素无法获得高精度的预测结果。同时,前面也分析了浮选精煤灰分的其他影响因素,因此,根据浮选精煤灰分的这些影响因素,训练精煤灰分预测补偿模型,以预测出精煤灰分预测主模型的精煤灰分预测值的偏差。
(2)通过以下方式训练所述精煤灰分预测补偿模型,训练过程如图3所示:
步骤B1:获取第二样本集,所述第二样本集中的每一组第二样本数据包括:浮选泡沫图像、尾矿图像、浮选入料浓度、浮选入料流量、浮选液位以及精煤灰分实测值;具体地,通过以下方式获得第二样本集:
步骤B11:获取多个时间节点的采样数据,包括:浮选泡沫图像、尾矿图像、浮选入料浓度、浮选入料流量、浮选液位以及精煤灰分实测值;
步骤B12:筛选采样数据,仅保留浮选泡沫图像和尾矿图像清晰度都比较高的采样数据,作为备选采样数据;
步骤B13:对备选采样数据中的浮选泡沫图像和尾矿图像进行裁剪,得到合适尺寸的浮选泡沫图像;
步骤B14:将每一组裁剪后的备选采样数据分别作为一组第二样本数据;汇总所有第二样本数据,形成第二样本集。
步骤B2:分别将每一组第二样本数据中的浮选泡沫图像输入至训练好的精煤灰分预测主模型,得到精煤灰分预测值;
步骤B3:分别对每一组第二样本数据中的尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位分别进行归一化处理;
具体地,在本实施例中,尾矿图像的灰度特征值包括灰度平均值、方差、平滑度及能量熵;灰度特征值通过对所述尾矿图像进行灰度直方图提取得到。优选地,选用最大值最小值归一化方法,对尾矿图像的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位分别进行归一化处理。经过归一化处理后,所有数据转换到到[0,1]区间内,使得各指标属于同一量级。
步骤B4:分别将每一组第二样本数据对应的归一化后的灰度特征值、浮选入料浓度、浮选入料流量及浮选液位作为输入、将对应的精煤灰分实测值与精煤灰分预测值的差值作为标签,对所述精煤灰分预测补偿模型进行训练,确定精煤灰分预测补偿模型的结构和参数,得到训练好的精煤灰分预测补偿模型。
优选地,精煤灰分预测补偿模型可以选用基于径向基函数神经网络的预测补偿模型。精煤灰分预测补偿模型的训练过程中,可以采用交叉验证、梯度下降的放大确定径向基函数神经网络的结构和参数。
综上,与现有技术相比,本实施例提供的一种浮选过程的精煤灰分预测方法,具备如下优势:
第一,基于实时采集的浮选泡沫图像确定精煤灰分预测值,基于实时采集的尾矿图像、浮选入料浓度、浮选入料流量及浮选液位确定精煤灰分误差预测值,用所述精煤灰分误差预测值对所述精煤灰分预测值进行补偿,得到最终的精煤灰分预测结果,能够实现浮选精煤灰分的有效、准确及快速检测,以便选煤厂依据预测结果对煤泥浮选及时调控。
第二,能够实现浮选精煤灰分的实时在线连续检测,并且具有一定的自适应能力,能够通过生产情况矫正预测值。根据该预测值可及时调控浮选工况,减少药剂消耗,提高矿产资源利用率。
第三,本发明利用基于卷积神经网络的精煤灰分预测主模型和基于径向基函数神经网络的精煤灰分预测补偿模型,通过浮选生产过程中的泡沫图像和尾矿图像以及其他生产过程参数实现在线预测浮选精煤灰分,预测结果用于指导浮选生产过程的调控。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
机译: 用于通过浮选处理高灰分煤浆的方法和设备,特别是用于处理难以浮选的气煤和明火煤的方法和设备
机译: 浮选法处理富含灰分的碳渣的方法和装置,特别是对于浮选困难的气体和烟气煤的处理
机译: 预测燃煤锅炉中灰分粘附的方法和装置,防止燃煤锅炉中灰分粘附的方法和装置以及运行燃煤锅炉的方法和装置