综采液压支架中部跟机多模态人机协同控制系统

我国煤矿智能化综采工作面建设处于初级阶段,液压支架电液控自动化技术已广泛应用,但目前液压支架单一固化的自动化控制逻辑难以适应复杂、多变、动态的工作面生产场景,现场实际控制过程仍大多采用自动化+人工干预方式。针对综采工作面复杂场景中液压支架人机交互协作任务需求,提出液压支架中部跟机多模态人机协同控制系统的理论方法与技术原理。首先,设计了人工式、分工式、批准式、否决式4种人机协同模态,以煤层地质、瓦斯粉尘、采煤机速度、液压支架智能水平、系统状态、岗位工技术水平、任务负荷等为判别因素,构建了基于AOG的液压支架人机协同模态选择模型,实现了人工、机器偏好的模态选择。然后,设计了液压支架中部跟机人机协同控制决策机制,提出液压支架中部跟机再次调控策略AI推理技术思路,利用现场数据学习人工操作经验,分别构建了液压支架是否再次调控决策树分类模型和再次拉架时间贝叶斯回归模型,基于上述模型开发了液压支架人机协同控制决策程序,实现了基于多模态与或推理和再次调控策略AI推理的液压支架人机协同控制。最后,采用云-边-端架构软硬件技术,开发了液压支架多模态人机协同控制系统,实现了模型进化、运算推理、程序执行等液压支架多模态人机协同控制功能。该系统在沙曲二矿3404工作面进行了工业试运行,相比于系统使用前,该工作面液压支架中部跟机效率平均提高2%。

基于时间序列对齐和TCNformer的重介精煤灰分多步预测

由于在重介分选过程中各个传感器位置不同,导致重介分选主要工艺参数与灰分存在时间滞后,影响了精煤灰分结果。基于回归模型的灰分预测方法缺乏对时间序列信息的利用,无法捕捉重介生产过程随时间变化的动态特性;基于时间序列的灰分预测方法未能充分考虑灰分和重介分选主要工艺参数之间的时间依赖关系。针对上述问题,提出了一种基于时间序列对齐和TCNformer的重介精煤灰分多步预测方法。通过滞后相关性分析来量化灰分与重介分选主要工艺参数之间的滞后步长,依此对重介分选主要工艺参数在时间维度上进行移动,使得灰分和重介分选主要工艺参数时间序列对齐,消除灰分和重介分选主要工艺参数之间的时间滞后。在Transformer模型的基础上,引入时间卷积网络(TCN)提取特征,并将单向编码器扩展为双向编码器,构建了TCNformer模型来实现精煤灰分多步预测。将时间序列对齐得到的与未来时刻灰分数据对应的过程变量序列作为解码器的输入,以提升模型预测精度。实验结果表明:该方法的平均绝对误差为0.1579%,均方根误差为0.2152%,平均皮尔逊相关系数为0.5051,能有效提升精煤灰分预测精度。

山西焦煤集团选煤厂智能化建设的实践与思考

为了顺应我国“双碳”背景下煤炭清洁高效利用的国家战略,介绍了山西焦煤集团有限责任公司(以下简称“山西焦煤集团”)选煤厂智能化建设规划、顶层设计与具体举措,梳理了山西焦煤集团通过学习、实践、再提高的螺旋式提升选煤厂智能化水平的建设经验,详细阐述了山西焦煤集团围绕重介智能分选、智能浮选、煤泥水健康保障、智能采制化、智能配煤、产供销智能管理等选煤核心环节的建设方案、技术路线与实施效果,并对智能化选煤厂建设实践中存在的主要问题进行了分析研究,进一步推进选煤厂智能化建设提出了具体建议。

基于改进相似模型的采煤机轴承剩余寿命预测方法

采煤机轴承退化过程并非简单的线性或指数关系,应分为不同阶段进行分析。而目前的采煤机轴承剩余使用寿命(RUL)预测方法未充分考虑该因素。针对该问题,提出了一种基于改进相似模型的采煤机轴承剩余寿命预测方法。采用通用的相似模型描述设备退化过程,在此基础上通过对均方根聚类分析,将轴承退化过程划分为平稳运行阶段、初始退化阶段和加速退化阶段,借助传统相似模型思路分段计算采煤机轴承的健康状态并拟合得到退化曲线样本库,通过对离线样本库数据和在线采煤机实时数据进行数据预处理和相似性分析,最终得到采煤机轴承RUL。实验结果表明:基于改进相似模型的采煤机轴承RUL预测方法的误差绝对值均值较卷积门控循环单元(ConvGRU)、空间卷积长短时记忆神经网络(ConvLSTM)、卷积神经网络(CNN)、自组织映射神经网络(SOM)、循环神经网络(RNN)、传统相似模型分别降低了30.49%,7.54%,16.98%,24.74%,17.96%,9.49%,可以较好地预测轴承RUL。现场试验结果表明:对采煤机轴承连续监测87 d,轴承健康状态从0.997逐渐下降到0.972,与现场采煤机轴承实际使用情况基本吻合,验证了该方法的有效性。

基于多源异构信息融合的浮选精煤灰分在线检测技术研究与应用

针对目前选煤厂智能化建设过程中遇到的浮选精煤灰分难以在线快速精准检测的问题,进行了基于多源异构信息融合的浮选精煤灰分在线检测技术研究,通过多源异构信息融合,将实时浮选尾矿图像与浮选过程变量数据融合为11种特征作为输入变量,并使用IGWO-BP模型对浮选精煤灰分进行预测。通过对GWO算法中收敛系数和指导权重的优化,实现了对GWO算法的改进,并使用IGWO算法对BP神经网络的权值和阈值进行了优化。预测结果表明,与传统BP神经网络和GWO-BP模型相比,IGWO-BP模型的RMSE分别降低66%和44%,MAPE分别降低66%和47%,具有更高的预测精度。并进行了现场应用,通过检测流程的设计与开发,可以实现每3 min对精煤灰分进行1次检测,使用工业现场数据验证,检测结果RMSE=0.2473,MAPE=2.0832%,检测快速精准,为实现浮选过程透明化和浮选系统智能化提供了新方法。

基于EMD-RF算法的重介精煤灰分预测研究

针对煤炭重介分选控制过程中的精煤灰分测量延迟问题,基于随机森林算法(Random Forest,RF)与经验模态分解(Empirical Mode Decomposition,EMD)将工业现场实测的密度、磁性物含量、灰分数据进行降噪处理后,建立了重介分选系统数学模型;提出了灰分前置对应方法:用t时刻的输入(悬浮液密度值m、磁性物含量值n)对应t+T(T为延迟时间)时刻的输出(精煤灰分值h)进行模型训练。在对BP神经网络、随机森林算法以及基于最小二乘原理的算法进行对比寻优后,最终得出随机森林算法的建模效果最优。研究结果表明:可将随机森林估计值作为指导值用于煤炭分选工业现场,以提升重介分选效率,改善精煤煤质。

智能化选煤厂架构及关键技术

针对智能化选煤厂内涵,从物联网层、控制层、管理层和决策层方面介绍了智能化选煤厂架构;重点阐述了智能化选煤厂建设采用的关键技术,包括重介质分选过程智能化、浮选过程智能化、煤泥水健康保障系统智能化及选煤生产制造执行系统智能化,为将选煤厂从自动化、信息化向智能化方向发展奠定了技术基础。

适应液压支架动作的稳压供液技术研究

为提高工作面液压支架对采煤机的跟随能力,通过对支架供液过程的理论分析,揭示了支架动作速度与液压系统压力和供液流量的耦合关系;建立了工作面液压系统仿真模型并验证了模型的准确性,仿真分析了液压系统压力和供液流量对支架动作速度的作用规律;在此基础上,提出了一种适应支架动作的稳压供液技术,即以支架动作类型和液压系统压力限值等条件为判断依据,通过调整供液流量,使支架动作时液压系统压力缓慢平稳变化、略微上升,以提高支架动作速度。采用多泵+多变频供液系统对该技术进行了试验,结果验证了该技术的有效性。

基于试验模态分析的整体振动筛动力学参数研究

应用试验模态分析技术,采用一点激振,多点拾振的测试方法,对大型整体实验振动筛进行了实测,并利用时域最小二乘复指数参数估计方法,获得了振动筛固有频率、阻尼比和主振型,并对每一阶主振型进行了详细分析,得出了初步结论,为振动筛动力学设计和动力学修改提供了参考。

对跳汰机用浮标传感器的再探讨

采用实验室用跳汰机对浮标行为进行了研究；根据试验及理论分析认为，形状和尺寸合理的浮标传感器完全可用于跳汰机二段床层排料的检测装置。

实现选煤综合自动化的几项关键技术

分析了国内外选煤厂自动化的现状 ,提出了实现选煤厂综合自动化亟待解决的几项关键技术 ,展望了这些关键技术在选煤厂的应用前景。

轧机自激振动诊断和结构动力学修改

轧机是计算机控制的复杂机电系统。由于设计问题、结构损伤或系统故障,在某种条件或干扰下,可能产生持续自激振动。轧机的这种运行故障严重影响产品质量,损坏设备,甚至使生产中断。提出一种基于多参数同步综合测试、系统辨识和动力学分析与修改的综合方法,从试验与理论上分析了轧机产生自激振动的原因与消除方法。在研究的工程实例中,由辊缝位移传感器安装结构的动力学特性造成辊缝位移信号的响应延迟,引发板厚液压控制系统(AGC)非线性自激振动,从而产生整机持续的剧烈强迫振动。通过结构动力学修改,最大限度地减小位移反馈信号的延迟时间,大幅度地提高了系统的闭环稳定性,消除了正常工作条件(或正常扰动)下的自激振动,从而保证了轧机高效、稳定地工作。

基于交叠协同逻辑的液压支架运行自适应稳压供液控制方法

液压支架智能化自动跟机运行是煤矿智采工作面建设的一项重要目标,针对目前液压支架跟机运行时供液流量适配不合理导致的动作执行速度和精度不足等问题,以液压支架群组跟机稳定运行为液压动力适配目标,提出协同液压支架控制策略的自适应稳压供液控制方法。基于根据支架动作特征提前适配合理供液流量的稳压供液原理,结合多泵+变频供液方式特点,提出供液与支架交叠协同控制逻辑;依据液压传动原理,推导交叠协同逻辑下液压支架跟机速度、液压系统压力变化率的求解方程,揭示供液流量调控策略与液压支架动作策略对上述两者的耦合作用机理;依据多响应优化问题求解理论,以液压支架跟机适速及其各动作压力平稳为多个目标,构建液压支架运行满意度函数并采用双层规划方法求解,实现自适应液压支架运行的供液流量调控智能决策;利用MATLAB与AMESim联合仿真,模拟相同液压支架运行动作过程的多泵联动、变频恒压、自适应稳压等不同供液控制方法,通过综合对比各方法在液压系统压力均值、压力方差、供液卸载次数、液压支架动作行程平均相对误差、供液作用效率等评价指标,验证了本文提出方法的优势。最后,通过工业级试验验证得出,自适应稳压供液控制方法具有较好的稳压效果,可行性较高。

热连轧机垂直振动的建模与仿真

针对某钢厂热连轧机在轧制过程中出现的异常振动现象,采用理论分析和试验模态分析,建立了一种较全面的分析热连轧机垂直振动的动态仿真模型。通过计算机仿真并与实际结合,得出轧机异常振动是由于传感器连接杆和传感器壳体的不合理相对运动耦合的结论。最后对传感器壳体进行结构动力学修改,修改后,消除了异常振动,解决了该热连轧机的自激振动。

工作面支架液压系统仿真与稳压供液技术

为提高工作面支架对采煤机的跟随特性,以支架运行过程不同动作供液需求特征为研究起点,基于工作面支架系统的液压原理,利用AMESim建立了支架液压系统的数学仿真模型。通过仿真液压支架动作的供液过程,分析总结了供液流量对支架动作速度和过程压力的作用规律,并提出了适应支架动作的稳压供液理念。通过理论分析稳压供液过程特性,推导出适应支架动作的稳压供液流量的数学计算公式,该公式表明:同一支架液压系统下,稳压供液流量主要由支架动作类型、动作行程、动作数量、卸载阀压力设定等因素决定。最后,在仿真模型中验证稳压供液技术,对比液压支架运行过程的额定供液与稳压供液方案效果,结果表明:稳压供液技术不仅保证了支架动作快速执行,同时减少了系统压力波动,减缓了支架液压系统的压力冲击。

重介分选过程分流自动控制系统设计

针对重介分选过程分流阀手动控制存在精确性差、介质消耗量大等问题,设计了一套重介分选过程分流自动控制系统,建立了基于最小二乘支持向量机的分流阀开度预测模型。该系统利用传感器采集悬浮液密度、煤泥含量、合介桶液位和补水阀开度等参数,作为分流阀开度预测模型的输入变量,经模型计算得出相应的分流阀开度输出值并输送至PLC,PLC根据分流阀开度值控制分流阀动作,从而实现分流量自动控制。实际应用表明,该系统可使重介悬浮液密度波动控制在±0.005g/cm3,吨煤介耗降低了0.216kg。

基于半监督聚类的煤泥浮选泡沫图像分类方法

针对选煤厂煤泥浮选过程加药量依靠人工干预存在主观性、滞后性和粗放性的问题,提出了一种基于半监督聚类的煤泥浮选泡沫图像分类方法。首先,采集已知加药比例与未知加药比例下的煤泥浮选泡沫图像样本,并对泡沫图像进行预处理,提取泡沫的气泡个数、气泡面积、气泡周长等形态特征;然后,对已知加药比例下泡沫图像形态特征样本进行标志,对未知加药比例下泡沫图像形态特征样本不做标志,并将已标志泡沫图像形态特征样本与未标志泡沫图像形态特征样本进行混合;最后,利用基于高斯混合模型的半监督聚类方法对混合样本进行聚类后得到各类簇,将各类簇内已标志泡沫图像形态特征样本的信息映射到未标志泡沫图像形态特征样本。应用结果表明,该方法可为煤泥浮选生产过程加药量调整提供指导,降低了药剂消耗量,提高了选煤厂浮选自动化水平和经济效益。

液压支架群组跟机推进行为的智能决策模型

智能决策模型支持的液压支架自组织协同控制是智能开采的关键技术之一,支架群组跟机行为的全局最优规划是智能决策模型的核心原理。提出了液压支架跟机行为的动作类型排序和动作速度调控的双层规划原理,以支架适应采煤机速度、液压系统压力稳定为多目标导控,设计了支架群组跟机推进行为智能决策模型,实现供液动力与支架动作协同全局最优控制序的动态决策。基于液压支架多类型单自由度的运动空间特性,根据时间世界模型的时间元关系约束定理,提出了液压支架群组跟机动作时序规划方法,设计了满足跟机工艺和空间约束的支架动作动态排序模型,以改进支架不同类型动作发生顺序和相互之间的时间逻辑。基于支架动作的稳压供液原理,构建了供液流量与支架组合动作执行时间的数学映射模型,构建了支架动作时压力状态模糊辨识模型,实现支架组合动作速度和压力稳定性的预测评价。通过示例的仿真和试验验证了决策模型的正确性和可行性,并得出结论,智能决策模型可根据采煤机速度自动生成支架与供液协同控制策略,提高了支架群组跟机适应能力,并一定程度地稳定了液压系统压力过程状态。研究形成的自适应采煤机速度支架群组跟机推进行为智能决策机制与框架,为实现支架自组织协同控制技术提供关键的决策支持。

煤矿乳化液泵变频/工频切换控制

针对煤矿乳化液泵站采用变频器"一拖多"的多泵联动方案时存在冲击电流大的问题,提出了乳化液泵变频/工频异步切换和同步切换控制方案。现场试验结果表明,变频/工频同步切换控制能更有效地避免冲击电流,真正实现乳化液泵变频至工频的无扰切换。

MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模型(GMM)在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型(SSGMM)泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.