基于浮选泡沫图像识别的精煤灰分预测系统

为实现浮选过程的实时监测,柳湾煤矿选煤厂安装了一套智能浮选泡沫图像识别系统,通过在浮选机第1槽和第3槽安装图像拍摄系统,采集浮选机第1槽和第3槽泡沫图像,提取气泡颜色、气泡坍塌度、气泡尺寸及形状、气泡移动速度等特征,采用支持向量回归算法,建立了灰分预测模型。结果表明,第1槽和第3槽预测灰分与实际灰分的误差绝对值分别为0.34%和0.37%。

基于精煤灰分预测的重介悬浮液密度自动设定系统设计

为了使重介悬浮液密度及时适应选煤生产的需要,设计出重介悬浮液密度自动设定系统。根据重介选煤厂实际操作情况,先设计训练精煤灰分预测的BP神经网络,再采用Wincc、Matlab编写程序实现重介悬浮液密度的自动设定。该系统可以对一系列密度数据下的精煤灰分进行预测,根据预测结果选择最佳密度设定值,有利于提高精煤灰分的可控性。生产结果表明:在该系统设定的密度值下,精煤灰分在要求的范围内,说明系统运行效果良好。

基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究

针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。

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。