RESEARCH ON THE QUALITY PRICE RATIO OF COKING COAL

If assortment priee parity of Clase coking coal and its qtalty price danrcnee is nonreasonable, it deren’t gulde in Anprotrig tbe quallry metaliurgical coking coal and may be influence theeconomic benefit of metallurgical enterprises. This paper propose the principles and mathematicmodel for determination aseortment party of clean cokingcoal and its quality difference of ash content in clean coking coal in order to urge wasbenes into producing superior clean coking cleal whichis under condition of consideration both interest waskeries and interest metallurgicai industry. It canbe used as a method in theory to make price strategies under condition of socialism maket economicfor washeries of clean coking

基于数据生命周期的煤泥浮选智能控制技术研究进展

随着国家政策和新一代人工智能技术的持续牵引,矿山智能化研究取得突破,其中,选煤厂智能化建设受到高度关注,煤泥浮选智能控制技术一直是阻碍选煤厂智能化建设的关键瓶颈之一。以煤泥浮选数据生命周期为主线,从浮选精煤/尾煤灰分在线预测、浮选药剂智能添加和煤泥浮选系统智能决策3个角度综述了煤泥浮选智能控制技术的研究进展,并展望未来煤泥浮选智能控制技术发展趋势。浮选精煤灰分在线预测困难重重,单一视觉特征信息并不可靠,尾矿灰分的预测技术相对更加成熟可靠;浮选药剂添加量受多个过程变量同时制约,模型性能在整个工况区间的自适应性和泛化能力还需进一步提升;当前浮选工业系统智能控制技术的进一步发展严重受限于浮选精煤/尾煤灰分等指标的预测精度、传感器检测精度、药剂添加精度等因素。浮选过程数据集维度更高,难以建立可靠的知识库,以深度学习为代表的新一代人工智能技术能适应这类数据结构。此外,已有浮选监测系统只针对特定矿物,唯一性较高。未来浮选智能控制系统应集中攻克指标预测、传感器检测精度等方面限制,建立多煤种、模板化的煤泥浮选智能控制资料大数据集和大模型。

潘集选煤厂脱泥两次浮选工艺的应用研究

针对潘集选煤厂2#原煤煤泥含量大、矸石易泥化,浮选入料中高灰细粒级含量大的问题,分析了原煤粒度组成和高灰细泥对浮选的危害,提出脱泥两次浮选工艺流程,介绍了浮选入料脱泥池的结构、原理和工艺效果。实践表明,经脱泥两次浮选工艺,可得到平均灰分为10.66%、产率为55.70%的浮选精煤,尾煤灰分、可燃体回收率和浮选完善指标分别为70.84%、79.40%和63.50%,生产指标良好,浮选精煤灰分符合要求,避免重介精煤“背灰”,总精煤产率进一步提高。

基于图像特征提取的煤浆灰分预测模型改进设计

针对煤浆灰分测量难度大、预测精度低的问题,提出了一种基于图像特征提取的煤浆灰分预测模型的改进设计方案。该方法分别从图像灰度均值、方差、能量等六个指标中提取煤浆的特征向量;分析BP神经网络预测模型的流程,引入高斯函数改进该模型,构建径向基神经网络,将特征向量作为网络输入参量,经过初始化、输出值运算和误差修正等过程,获得最终预测输出矩阵,完成预测模型的改进设计。仿真实验结果表明,改进模型的灰分预测结果与实际结果更接近,其误差更小。

煤泥直接回收与煤泥重介质旋流器回收工艺效果对比

针对当前煤炭洗选过程中粗煤泥在分选环节中效果不佳从而影响精煤产率和质量的问题,在对原煤及煤泥分选性和粒度分布进行研究的基础上,分别通过试验方式对比了粗煤泥直接回收和粗煤泥重介质旋流器回收工艺效果,并重点对比了两种回收工艺对应的精煤产率、灰分等指标,得出采用粗煤泥重介质旋流器回收工艺比直接回收工艺每年可直接增加收益1 080万元。

基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模

飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义。本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模。根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立。该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况。在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比。结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好。

煤炭浮选降灰试验研究

为研究浮选药剂对贵州盘县煤炭浮选效果的影响,在工业分析和密度组成分析基础上,以<0.075 mm粒级含量为80%的煤样进行浮选试验,考察起泡剂、捕收剂、抑制剂对浮选效果的影响。试验结果表明:在起泡剂松醇油用量为100 g/t、捕收剂柴油用量为500 g/t、组合抑制剂X用量为1 500 g/t的条件下,累计精煤产率可达69.62%,精煤灰分为4.12%,浮选效果较好。

兴隆庄选煤厂煤泥浮选参数优化

为使兴隆庄选煤厂的煤泥浮选参数处于最优状态,以该厂煤泥为研究对象,进行浮选药剂种类和用量选择试验,并确定最佳入浮矿浆浓度和加药方式,在最佳试验条件基础上进行浮选速度试验。试验结果表明:捕收剂选用TDS,用量为800 g/t,起泡剂选用HL-03A,用量为100 g/t,且采用一次加药方式,浮选效果最好;在最佳试验条件下,可获得产率为42.93%、灰分为9.83%的浮选精煤,浮选完善指标为42.48%,满足实际生产需求。

不同分选工段瘦精煤煤质分析与配伍性研究

为研究不同分选工段瘦精煤的配伍性,对山西沁新煤业有限公司选煤厂洗选的三种不同分选工段的瘦精煤进行了常规煤质与煤岩分析,并进行了配煤炼焦试验研究。研究结果表明:不同分选工段瘦精煤的煤质与配伍性存在较大差异,受洗选与灰分富集及煤岩有机相碎裂程度的影响,粗精煤的灰分、黏结指数在三种分选工段瘦精煤中较优;受灰分、黏结指数及煤岩活惰比指标影响,粗精煤与跳汰精煤的配伍性在三种分选工段瘦精煤中较优。以上研究结果对煤炭洗选生产及炼焦精煤采购具有积极的指导意义。

淮南矿业集团炼焦精煤质量稳定性控制实践

简要阐述了淮南矿业集团煤炭资源概况及炼焦煤生产状况,详细介绍了影响精煤指标稳定性的几个重要因素,通过原因分析,找出了解决方案,利用煤岩参数的可加和性,通过采取配煤入选等措施,确保了精煤产品挥发分、灰分和硫分的稳定。

选煤厂原煤智能配比控制系统设计

针对选煤厂配煤入选过程中通过理论计算的原煤定值配比难以满足现场生产要求,而依据人工经验调节原煤配比随机性大、精煤质量难以保证、人工劳动强度大等问题,设计了一种选煤厂原煤智能配比控制系统。利用最小二乘支持向量机建立原煤智能配比预测模型,并采用粒子群优化算法进行模型参数优化。该系统以原煤灰分实测值、原煤硫分实测值、每小时原煤平均入选量、分选密度、精煤灰分实测值、精煤灰分目标值、精煤硫分实测值和精煤硫分目标值作为模型输入变量,经模型计算得出相应的原煤配比预测值;通过胶带秤测量给煤机的给煤量得到原煤配比实测值,并与预测值比较得出原煤配比偏差量;PID控制器根据偏差量控制给煤机的变频器频率,实现原煤配比精准调节。该系统应用后精煤灰分和硫分波动范围明显减小,精煤质量稳定性良好;精煤灰分与灰分目标值差值控制在±0.2%,精煤硫分与硫分目标值差值控制在±0.15%,提高了精煤质量。

关于选煤厂精煤灰分批合格率和批稳定率的研究

精煤灰分批合格率和批稳定率是评价选煤厂生产技术管理水平的重要指标,随着选煤技术的发展,洗选精煤灰分能够得到精确控制,精煤灰分批合格率和批稳定率的计算方法已不能适应选煤技术的发展需要和煤炭市场对精煤灰分的要求。在对两项指标分析的基础上,指出其在实际应用中存在的问题,并结合实际情况对二者的计算方法提出了修正建议。

高灰难选煤泥分级浮选试验研究

针对开滦集团以高灰细粒级为主的难选煤泥,为降低精煤灰分,提高精煤质量和精煤产率,进行了分级浮选试验,以0.125 mm为分级粒度,分别进行了粗粒级和细粒级的分步释放浮选试验和浮选速度试验。试验结果表明,在灰分为11%左右时,分粒级浮选的精煤产率比全粒级浮选的精煤产率高约9个百分点,分粒级浮选的尾煤灰分比全粒级浮选的尾煤灰分高约6.5个百分点,分粒级浮选在精煤产率和尾煤灰分方面均优于全粒级浮选,从而说明了开滦高灰难选煤泥分级浮选的可行性。

重介质选煤过程先进控制:研究进展及展望

基于传统控制方法的重介质选煤过程自动控制存在能耗高、灰分含量波动大等问题,而先进控制能够改善过程动态性能,使系统运行接近最优状态。首先介绍了重介质选煤工艺流程,分析了重介质选煤过程的多时间尺度、多速率特性,并基于重介质选煤过程强非线性、多变量耦合、时变性、多干扰等因素,分析了重介质选煤过程先进控制在数学建模、运行指标跟踪控制、稳定性、关键参量精确感知等方面的难点;然后从重介质选煤过程建模、重介质悬浮液密度控制、精煤灰分控制等方面,综述了重介质选煤过程先进控制的研究进展;最后展望了重介质选煤过程先进控制未来的研究方向:基于大数据的重介质选煤可视化平台建设,面向重介质选煤过程的知识和数据混合驱动的智能优化与控制,产品质量与效率预测方法研究,重介质选煤虚拟实验平台搭建。

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。

高灰难浮煤泥二次浮选试验研究

为解决精煤泥两次浮选、双段脱水回收流程处理高灰难浮煤泥二次浮选精煤灰分偏高,重介精煤"背灰"严重的难题,文章提出采用旋流微泡浮选柱作为二次浮选分选设备并进行相关试验研究。试验结果表明:浮选柱能解决重介精煤"背灰"难题,相比于传统浮选机,在精煤产率相当时,浮选柱分选精煤灰分降低3.44%,尾煤灰分提高1.67%,浮选完善指标提高6.54%;在精煤灰分相当时,精煤产率提高10.27%,尾煤灰分提高6.91%,浮选完善指标提高5.14%。

汾西双柳矿煤泥浮选操作参数试验研究

为提高汾西矿业集团洗煤厂精煤产率,降低精煤灰分。在纳尔科捕收剂1 100 g/t、仲辛醇60 g/t、木质素磺酸钠75 g/t、煤浆浓度80 g/L和充气量0.25 m3/m2·min时达到最佳浮选效果。

基于随机森林变量选择的飞灰含碳量预测模型

针对目前几种飞灰含碳量软测量方法建模时未进行输入特征筛选以及建模方法较为单一的问题,提出花授粉算法优化随机森林的变量选择飞灰含碳量(FPA-RF)预测模型。采用影响飞灰含碳量的因素构成初始变量,利用基于随机森林的变量选择方法从中筛选最优变量。以最优变量为模型输入,训练随机森林并通过花授粉算法优化其参数。以某600 MW燃煤机组的分布式控制系统(DCS)数据为例,对本文FPA-RF预测模型和基于人工神经网络(ANN)和粒子群-支持向量机(PSO-SVM)的飞灰含碳量预测模型进行比较验证,结果表明:ANN预测模型的预测误差最大,泛化能力较弱;FPA-RF和PSO-SVM预测模型均取得较好的效果;但PSO-SVM预测模型平均训练时间为55 s,较FPA-RF长约30 s,说明本文FPA-RF预测模型具有更高的预测精度和更快的计算速度。

基于BP神经网络的CFB锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的重要指标,影响着机组的经济运行。建立一种基于Levenberg-Marquardt(L-M)算法改进的BP神经网络模型,对某电厂150 MW CFB锅炉的飞灰含碳量进行建模预测,包括1个母模型和3个子模型。母模型选取煤的工业分析、低位发热量等7个参数作为输入参数,子模型研究煤质参数偏差对母模型其他输入参数的影响。利用改进的BP神经网络分别对样本进行训练,预测飞灰含碳量。将训练结果与传统多项式回归法或经验方法得出的结果进行对比。结果表明,BP神经网络、多项式线性回归(PLR)、多项式非线性回归(PNR)的相关系数R2分别为0.9571、0.6051、0.7667,相对平均误差RME分别为4.84%、17.02%、12.46%。改进的BP神经网络模型对飞灰含碳量具有更高的预测精度和更好的泛化能力。

煤泥表面张力与浮选效果关系的研究

随着高灰细泥浮选入料的逐渐增高,煤泥分选效果恶化的问题越来越突出,添加浮选药剂改善煤炭的浮选效果是最重要的途径。本文分别选用煤油和柴油为捕收剂、仲辛醇和QPJ为起泡剂,测定添加浮选药剂后煤浆的表面张力,再使用煤油做捕收剂、仲辛醇做起泡剂,进行实验室浮选试验,从而探索了浮选药剂对煤浆表面张力和浮选效果影响的变化规律。结果表明:浮选过程中煤浆表面张力与浮选效果的关系密切,随着捕收剂或起泡剂用量的增加,煤浆表面张力有10mN/m左右的降低,可燃体回收率增加15%左右,并且表面张力最低时可燃体回收率是最高的。