煤泥浮選過程模型仿真及控制研究.pdf

1、隨著原煤入洗量的增大、入洗原煤的煤質變化波動較大以及市場對煤炭產品品質要求日益嚴格的形勢下，作為煤炭洗選過程的主要環(huán)節(jié)，浮選過程的自動化水平則越來越被人們重視。但是，在煤泥浮選自動化實施的過程中面臨著一些難題，阻礙著浮選過程自動化發(fā)展的步伐。首先，煤泥浮選過程變量的檢測設備和手段嚴重滯后于控制策略的研究；其次，缺乏有效實用的控制模型來指導浮選過程的自動控制；再次，雖然控制理論的研究已經十分成熟，但是真正應用于浮選過程的控制策略還不完善。

2、因此，論文分別從煤泥浮選過程變量檢測、浮選過程建模和浮選過程控制系統(tǒng)構建三個方面進行了研究。
　　論文是在選煤廠實際生產環(huán)境下進行研究的。
　　論文以薛湖選煤廠浮選設備浮選床及其配套設施為研究對象，針對該廠浮選過程中存在的實際問題進行系統(tǒng)分析，結合煤泥浮選過程控制變量分析，確定了以浮選入料灰分、浮選入料流量和浮選入料濃度為干擾變量；捕收劑和起泡劑的添加量為操作變量；尾礦灰分為被控變量的控制結構。
　　為了建立煤泥浮選過

3、程的藥劑添加量模型，制定了離線試驗方案，在現(xiàn)場進行連續(xù)20天的采樣，采樣數據包括原煤灰分、浮選入料灰分、浮選入料流量、浮選入料濃度、浮選精煤和尾礦灰分、捕收劑和起泡劑的加藥量。通過對數據的整理分析發(fā)現(xiàn)，在采樣期間內，原煤灰分和浮選入料灰分波動大，并且保持著較好的相關性；浮選入料流量由于工藝流程的原因，波動范圍較大；浮選入料濃度波動范圍較?。桓∵x精煤灰分比要求指標都偏低并且保持在一個較好的水平；尾礦灰分一般偏低并且波動較大。最終確定了以滿

4、足尾礦灰分為主要目標。
　　利用原煤-1.4gcm和+1.8/3gcm兩個密度級的基礎灰分樣品，配制灰分從6.58％到/385%不同灰分級的煤漿樣品，分別對兩組樣品在CIE推薦的（0/45）反射樣品測量的標準照明和觀察幾何條件下進行圖像采集。每組樣品中不同灰分級的煤漿圖像在表觀上已經有了良好的區(qū)分度，并且隨著灰分的增高，圖像的灰度也呈現(xiàn)增大的趨勢。對其中一組樣品進行XRD分析，結果表明，隨著煤漿樣品灰分的升高，其高嶺石的含量也相應

5、增加，煤漿樣品圖像的灰度也相應增大，因此可以用煤漿樣品圖像的灰度來預測煤漿的灰分含量。通過原煤灰分和浮選入料灰分采樣的數據的分析表明：原煤灰分與浮選入料的灰分保持著相同的變化趨勢，因此可以建立原煤灰分和浮選入料灰分的預測模型，通過原煤灰分儀在線預測浮選入料的灰分。
　　搭建了煤泥浮選控制系統(tǒng)的硬件平臺。通過建立的數據采集模塊將原煤灰分儀的數據采集到浮選控制系統(tǒng)中，結合浮選入料的軟測量模型實現(xiàn)浮選入料灰分的在線監(jiān)測。改進了煤漿灰分的

6、在線檢測傳感器，實現(xiàn)了尾礦灰分的在線檢測。
　　應用光照模型，推導了圖像灰度值和光強之間的模型，確定了煤漿圖像灰度值的大小的主要影響參數是漫反射系數aK和鏡面反射系數SK，這兩個系數都與被拍攝物質的基本光學屬性決定，驗證了建立煤漿圖像的灰度與煤漿灰分之間的軟測量模型來實現(xiàn)煤漿灰分檢測的可能性。
　　選取灰度圖像的平均灰度值、方差、平滑度、偏度、能量、熵六個特征值作為煤漿灰度圖像特征，對利用基礎灰分樣品得到的兩組煤漿圖片的灰度

7、直方圖進行分析表明，隨著煤漿灰分增大，灰度直方圖的平均灰度值、方差、平滑度不斷增大，能量則隨著灰分的增大不斷減小，偏度和熵隨著灰分的增大并沒有呈現(xiàn)很強的規(guī)律性。對煤漿灰度圖像的6個特征值進行相關性分析表明：除了灰度圖像的偏度與實際灰分值之間的相關性不顯著之外，其它5個灰度圖像的特征值均與煤漿的實際灰分值之間存在著較強的相關關系。將灰度平均值、方差、平滑度、熵和能量這5個特征向量作為煤漿灰分BP神經網絡訓練模型的輸入建立煤漿灰分的軟測量模

8、型。
　　將用最小二乘法得到的煤漿灰分預測模型和利用BP神經網絡建立的模型的MSE和R值對比得到：利用BP神經網絡得到的煤漿灰分的軟測量模型的準確程度更高。但是對于浮選入料等灰分比較低的煤漿，該方法建立的軟測量模型誤差較大。建立了原煤灰分與浮選入料之間的關系模型，實現(xiàn)了浮選入料灰分的預測。
　　將浮選入料流量、濃度灰分和浮選尾礦灰分作為煤泥浮選藥劑添加量模型的輸入，捕收劑和起泡劑的藥劑流量作為該模型的輸出。采樣得到的浮選入料

9、流量、濃度灰分和浮選尾礦灰分與浮選藥劑添加量之間的關系呈離散狀態(tài)。對浮選藥劑添加量模型的輸出進行PCA分析表明：輸入變量的前三個特征維的貢獻率的總和超過了90%，故選取前三個特征維作為煤泥浮選藥劑添加量模型的輸入。利用采樣得到的94組實驗數據建立了煤泥浮選過程藥劑添加量的GA-SVMR模型，誤差分析表明：GA-SVMR的預測能力強于SVMR獲得的預測模型。
　　在建立的GA-SVMR煤漿灰分預測模型的基礎上建立的基于模型參考的模糊

10、自適應控制系統(tǒng)，通過仿真表明設計的基于模型參考的模糊自適應控制系統(tǒng)，能夠隨著對象的變化，自適應地調整自身的結構參數，彌補模型預測中存在的偏差，因此能夠有效地和預測模型相結合對系統(tǒng)實現(xiàn)較好的控制性能。
　　應用串口通訊協(xié)議，開發(fā)了基于COM口單向數據流的灰分數據采集模塊，實現(xiàn)了灰分儀數據與控制系統(tǒng)數據的無縫銜接。構建了基于OPC協(xié)議的MATLAB與iFix接口通訊協(xié)議，實現(xiàn)了MATLAB與上位機之間的數據共享。
　　該論文有圖