基于环境监测的煤炭堆场智能洒水系统研究

提出了一种更加高效节能的基于环境监测的采用堆栈自编码器和模糊控制模型的智能洒水系统。通过无线传感器网络将环境监测与洒水控制系统相连接,利用小型气象站实现对堆场环境的实时监测和预测分析,并依据环境中的风、温度等主要影响因素变化和趋势,智能控制洒水装置的开启、关闭以及洒水量。从实际应用效果来看,基于环境监测的智能洒水系统提高了抑尘效果,降低了用水量,粉尘控制效率达到90%,水资源利用率达到86%。

基于长短期记忆的煤炭含水率智能预测与实验研究

考虑影响煤炭含水率变化的温度、湿度和风力等主要天气因素,以神华黄骅港为例,研究港口煤垛堆场的煤炭含水率预测方法。该方法首先基于长短期记忆(Long Short-Term Memory,LSTM)神经网络建立煤炭含水率预测模型,然后通过对采集到的港口实时天气数据和煤堆不同煤种的含水率数据融合处理,使用LSTM网络对训练数据集进行训练,并用来测试数据集,最后确定煤炭含水率预测模型,从而实现对堆场的智能洒水。研究结果表明,该模型对煤港堆场含水率预测的准确率在85%以上,据此模型建立智能洒水策略,能有效抑制煤堆起尘。上述方法对节约港口用水和减少污水量,以及对煤炭绿色开采和绿色生态港口建设具有参考价值。

基于CNN-Bi-LSTM模型的煤含水率预测研究

煤含水率监测对降低储运煤的碳排放指标意义重大,针对港口煤场堆垛含水率监测需求,提出了一种基于CNN-Bi-LSTM网络的煤炭含水率预测方法,该方法基于卷积神经网络和双向长短期记忆网络,利用其特征提取及时间序列特征记忆能力,通过采集黄骅港煤炭转运堆场的海量煤含水率数据和场区气象数据,对多源数据训练学习和融合分析,实现对港口煤炭含水率预测,并进行了有效性实验验证。实验结果表明,与传统算法模型相比,所提出的CNN-Bi-LSTM混合神经网络模型在预测精度、收敛率和鲁棒性方面表现最优,使用该预测方法建立的洒水管控模型可有效降低煤炭堆场用水量,减少煤炭堆场的起尘概率,环境状况也得到有效改善。