1機器學習簡介

機器學習作為一門研究如何使用計算機模擬人類行為以獲取新的知識與技能的學科,是人工智能的核心。機器學習主要分為監(jiān)督學習和無監(jiān)督學習兩種(圖1)。監(jiān)督式機器學習旨在構建能夠根據(jù)存在不確定性的證據(jù)做出預測的模型。監(jiān)督式學習算法接受已知的輸入數(shù)據(jù)集和對數(shù)據(jù)的已知響應(輸出),然后訓練模型,讓模型能夠對新輸入數(shù)據(jù)的響應生成合理的預測:監(jiān)督式學習采用分類回歸和回歸技術預測模型。無監(jiān)督學習可發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式或內(nèi)在結構,其中聚類是一種最常用的無監(jiān)督機器學習技術。

目前,機器學習廣泛應用于人臉識別、圖像識別、數(shù)據(jù)挖掘、廣告投放、推薦系統(tǒng)、基于文本內(nèi)容的垃圾短信識別等領域。隨著選煤廠設備自動化、數(shù)字化水平的提高,選煤廠的數(shù)據(jù)采集越來越便捷,為機器學習在選煤廠的應用提供了有力的數(shù)據(jù)支持。

2機器學習在選煤工藝中的應用

2.1重選

對于選煤廠來說,在原煤質量確定的情況下,選煤工藝的選擇對于產(chǎn)品質量以及產(chǎn)率有著極大的決定性作用。目前,隨著煤質變差,越來越多的選煤廠采用重介質選煤工藝來提高產(chǎn)品的質量。在重介質選煤工藝中最為重要的三個變量分別是重介懸浮液的密度、煤泥含量和合格介質桶液位。

曹珍貫通過對重介選煤控制過程中數(shù)據(jù)反饋、參數(shù)設定、重介密度控制的研究,建立了對重介質密度進行預測的模型。在這個過程中,他利用LS-SVM算法,通過對樣本數(shù)據(jù)進行訓練建立了測灰儀校正模型,能夠對在線測灰儀檢測到的數(shù)據(jù)進行及時的校正。

孫小路以皮帶稱量、灰分儀和循環(huán)介質密度為輸入矩陣,選取神經(jīng)網(wǎng)絡、邏輯回歸算法和決策樹算法構建數(shù)據(jù)挖掘模型,并進行預測比較,得出神經(jīng)網(wǎng)絡算法更適合進行循環(huán)介質預測的結論。

目前,中國礦業(yè)大學研究出了重介分選過程智能控制系統(tǒng),該系統(tǒng)能將原煤灰分的動態(tài)變化實時傳遞到控制系統(tǒng),實現(xiàn)重介分選密度的智能控制。

2.2浮選

王光輝基于煤漿不同灰分的顏色表觀差異性,提出了基于圖像法的煤漿灰分在線監(jiān)測方法,建立了基于BP神經(jīng)網(wǎng)絡的煤漿灰分預測模型,實現(xiàn)了低灰分的浮選入料灰分的檢測。

曹文龍基于煤泥浮選泡沫圖像處理系統(tǒng),對得到的浮選圖像進行預處理,得到了基于BP神經(jīng)網(wǎng)絡浮選精煤的預測模型。

任浩針對晉煤集團煤泥水處理現(xiàn)狀,即煤礦洗煤廠煤泥水處理效率低、藥劑浪費嚴重等問題,設計了一種基于BP神經(jīng)網(wǎng)絡的濃縮機藥劑添加系統(tǒng)。通過該系統(tǒng)的應用,實現(xiàn)了自動預測加藥量并自動加藥,大大降低了藥劑使用量,提高了煤泥水處理的效果。

2.3煤質檢驗

張澤琳以太西無煙煤為研究對象,設計了一套基于機器視覺的原煤可選性實時預測和超純煤灰分實時預測系統(tǒng),經(jīng)過現(xiàn)場試驗,該系統(tǒng)能夠基本滿足現(xiàn)場環(huán)境的需求。

3機器學習在選煤設備中的應用

袁華聽提出了基于x射線圖像的煤研石智能分選系統(tǒng),該系統(tǒng)基于煤與研石的密度不同,通過用x射線源對運輸皮帶上的煤和研石進行透射,將采集到的射線信號轉化成對應的灰度圖像。對圖像進行一定的預處理后,使用圖像識別技術通過訓練等相關步驟,建立了煤與研石分揀的系統(tǒng)。

宋文革等設計了一種基于雙能x射線識別和三維機械抓手抓取目標研石的在線智能揀研系統(tǒng),對于粒度300~50mm的原煤,帶式輸送機帶速為0.5~0.8m/S時,單次識別最多耗時3S,研石揀出率超過90%,研石誤揀率低于5%,單機系統(tǒng)處理能力達到100t/h左右。

TDS智能干選機以偽雙能x射線為主要探測源(圖2),根據(jù)煤與研石之間的區(qū)別,利用圖像識別技術建立數(shù)學模型,利用高壓氣體將模型識別為研石和煤分開。

針對傳統(tǒng)的重錘式料位計、紅外感應以及超聲波傳感器在煤倉料位檢測中都存在著無法反映煤倉中的實時圖像的缺點,于園園利用安裝在煤倉頂部的相機,建立了基于SIFT和K-meanS聚類算法的機器視覺系統(tǒng),實現(xiàn)了煤倉料位的實時檢測和監(jiān)控。

目前,隨著物聯(lián)網(wǎng)技術的飛速發(fā)展,選煤廠可以建立基于全廠設備的物聯(lián)網(wǎng)系統(tǒng),通過部署在設備上的監(jiān)測傳感器,對設備運行狀態(tài)進行采集,并將采集到的數(shù)據(jù)按時序排列,然后傳輸給大數(shù)據(jù)分析平臺。通過算法分析和數(shù)據(jù)比對,形成設備運行曲線和動態(tài)監(jiān)測報告,對潛在故障實施預警和定位。另外,可以進一步結合智能專家診斷系統(tǒng),將設備運行狀態(tài)和檢測報告推送給集控系統(tǒng)和移動終端,進而實現(xiàn)預警和報警服務。

4機器學習在選煤產(chǎn)品預測中的應用

李云飛以石比臺選煤廠重介淺槽分選機、重介旋流器和螺旋分選機三個分選流程為研究對象,以得到的實際生產(chǎn)數(shù)據(jù)為依據(jù),建立了各分選流程的產(chǎn)品預測模型,并且預測結果與實際情況接近,結果可靠。

李科以原煤的相關煤質資料進行數(shù)學擬合,對選煤廠各分選工藝系統(tǒng)分別建立了洗選產(chǎn)品預測模型,并根據(jù)選煤廠特定的工藝流程組合構建出最終的產(chǎn)品預測模型,為選煤廠的產(chǎn)品結構調整提供了有力指導。

另外,根據(jù)選煤分選過程中選擇不同的參數(shù)組合會產(chǎn)生不同的分選效果,可以將一些可調的分選參數(shù)作為特征值,產(chǎn)生的分選效果作為輸出值,建立人工神經(jīng)網(wǎng)絡模型,利用不同的特征組合,選擇合適的算法和網(wǎng)絡模型,通過訓練得到預測分選效果的最佳神經(jīng)網(wǎng)絡。比如跳汰分選過程中,在來煤確定的情況下,跳汰機的分選效果只與跳汰機可調的參數(shù)有關,比如溢流堰的高度、振幅、振次、給水量、給料量等,因此,我們可以把這些因素作為輸入特征值,把精煤產(chǎn)率和精煤灰分作為輸出值,在特征值可調范圍內(nèi),進行試驗模擬,并根據(jù)實際結果選擇合適的模型,為跳汰分選過程提供有力的參考依據(jù)。

5結語

借著第四次工業(yè)革命浪潮以及"中國制造2025"規(guī)劃,中國制造業(yè)的兩化(工業(yè)化和信息化)水平定能邁上新的臺階,這為選煤廠的智能化提供了有力的支持,不僅順應了國際發(fā)展潮流以及國家戰(zhàn)略計劃,還具有重要的戰(zhàn)略意義。選煤廠借助機器學習等人工智能技術、大數(shù)據(jù)技術以及物聯(lián)網(wǎng)技術,能夠進一步推動其分選過程的智能化、設備檢測與維護的智能化,改善管理調度的智能化水平,提高選煤廠的生產(chǎn)效率。