智能煤矸分选系统在唐口选煤厂的应用实践

针对唐口选煤厂大于300 mm大块煤矸处理粗放、资源利用率较低的问题,采取增加1套智能煤矸分选系统对大块煤矸进行高效分选的改进措施;实践证明,智能煤矸分选系统在唐口选煤厂应用良好,提高了选煤厂经济效益和稀缺炼焦配煤的资源利用率。

长平公司洗煤厂智能煤矸分选机器人技术研究

为了解决煤矸人工分拣工序工作效率低、安全性不高的问题,研发基于机器视觉的智能煤矸分选机器人,其具备自动识别、精确定位、快速选拣、分类投放等功能,达到煤矸高效分离、提高生产效率、替代人工的目的。

塔山煤矿井下煤矸智能分选方案设计

为解决塔山煤矿矸石无效提升的问题,实现矿井的安全、高效、绿色开采。根据塔山煤矿实际开采现状及生产系统,结合煤矸智能分选系统布置原则,提出将井下煤矸智能分选系统布置在井底搭接硐室附近。同时,通过对塔山煤矿生产能力及原煤粒径进行分析,结合智能分选系统的分选能力,对系统的设备布置方案及主要设备选型进行设计,实施井下煤矸智能分选后可解决矿井的矸石无效提升问题,实现生态环境与经济效益的和谐统一,并为类似条件矿井进行井下煤矸分选提供相关设计经验。

基于多通道数据耦合技术的智能机器人系统在煤矸分选中的研究与应用

针对原煤车间苦、脏、累、险的人工拣选工作,付村煤业有限公司选煤厂采用非放射性煤矸识别技术,设计开发了集物料识别系统、执行系统、控制系统以及管理系统为一体的智能煤矸分选系统,实现矸石及煤的自动识别、自动分拣、自动煤矸分流处理。生产实践表明:该系统使煤矸分选工艺环节从落后的人工控制方式转变为高效稳定的智能控制方式,煤矸分选效率≥98%。系统运行稳定可靠,提高了选煤厂自动化、智能化程度。

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明:YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值(mAP)达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低,YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近,但在运动模糊和低照度情况下,YOLOv5s-SDE模型整体检测效果更优。

GDRT煤矸智能分选系统在新维煤业公司的应用

概述了GDRT煤矸智能分选系统的工作原理与主要特点,论述了该系统在新维煤业公司的实际应用情况,对40~70 mm、70~200 mm粒级块原煤的分选效果良好,选后小于40 mm末原煤发热量提高约1.46 MJ/kg,末煤质量得到提高;大于40 mm粒级块精煤产量增加,销售收入提高;同时减少了选矸人工数量,降低了人工成本,减少了潜在的安全事故风险。

GDRT煤矸智能分选系统

根据煤炭开采大型化、高效化、现代化要求,对煤矿机械设备的要求也就越来越高。随着科技技术水平的发展提高,为采用新技术、新设备提供了条件。论述了GBRT煤矸智能分选系统的原理及主要特点;该系统在新维煤业的应用表明,不但选后煤中的含矸率和矸中的含煤率符合要求,而且可大幅度减少选矸人员,降低人工成本和潜在的安全事故风险,具有建设周期短、见效快、节能减排效果明显等优点。

GDRT型γ射线智能干法分选系统在六家煤矿的应用

论述了GDRT煤矸智能分选系统的原理及主要特点;该系统在六家煤矿的应用表明,不但选后煤中的含矸率和矸中的含煤率符合要求,而且可大幅度减少选矸人员,降低人工成本和潜在的安全事故风险,具有建设周期短、见效快、节能减排效果明显等优点。

煤矸图像识别网络的小波变换优化

为提高煤与矸石分选的自动化与智能化程度,针对煤与矸石在线识别的过程中,图像特征值需人工选取且模型鲁棒性差的问题,以现场采集的煤与矸石原始图像作为输入,建立了一种基于卷积神经网络的煤与矸石图像识别模型。通过反卷积对卷积神经网络进行可视化处理,分析了卷积神经网络提取煤与矸石图像特征的过程,并以此为基础在卷积神经网络中设置小波变换层,利用Biorthogonal小波对原始图像进行分解,将高频系数与原始图像结合后进行卷积操作,优化了模型的识别效果。结果表明:该识别模型能够对煤与矸石图像进行有效识别,设置小波变换层能够提升网络训练效率与识别准确率,且小波变换第二层高频系数与原始图像结合输入卷积层时,网络模型效果最优。在不同光照条件下,相比于传统识别模型,该模型有更好的适应能力,对测试集的识别准确率达到93%。

基于DSC-YOLOv5s的煤矸目标检测算法

针对现有的基于图像处理的煤矸分选检测方法准确度低、速度慢、参数量和计算量大等问题,提出了一种基于DSC-YOLOv5s的煤矸目标检测算法。实验结果表明:DSC-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升1.3%,参数量降低15.6%,浮点计算量降低2.5%,可为煤矸智能分选场景中的煤矸目标检测提供借鉴。

TDS智能干选机与GDT机械动筛跳汰机的对比应用

全面建设现代化高效能、低消耗、环保型矿井成为煤矿发展的必然趋势。本文主要分析了漳村煤矿选矸车间GDT机械动筛跳汰机的使用现状,从环保和经济效益角度对比TDS智能干选机与GDT机械动筛跳汰机的排矸工作原理、排矸特点。对比表明,TDS智能干选机排矸率高、辅助设备少、结构简单、易操作、没有水污染,使用TDS智能干选机能极大地节约运行成本、减少煤量损耗。