浮選尾礦灰分檢測系統(tǒng)與方法研究.pdf

1、煤泥浮選是分選和回收0.5mm以下粒級煤的最有效的選煤工藝。浮選效果的好壞，直接影響精煤質(zhì)量和回收率及全廠的經(jīng)濟技術(shù)指標(biāo)。目前現(xiàn)場判斷浮選效果的途徑主要是靠操作人員的經(jīng)驗，如通過觀察泡沫層狀態(tài)和尾礦的顏色來調(diào)節(jié)加藥量，但由于人的判斷存在主觀差異和偏差，所以很難達到和保持浮選過程的最佳狀態(tài)。尾礦灰分作為一個重要的反饋信息，是調(diào)節(jié)藥劑量的依據(jù)，也是實現(xiàn)浮選過程自動控制必不可少的一個重要參數(shù)。本文以西山煤電集團西曲礦選煤廠使用的美國維姆克浮選

2、機為對象，對基于機器視覺方法實現(xiàn)尾礦灰分的在線檢測問題進行了研究。
　　本文首先根據(jù)浮選機尾礦池的結(jié)構(gòu)設(shè)計了尾礦漿提升裝置與圖像采集裝置。提升裝置采用斗式提升結(jié)構(gòu)，由機架、鏈盤、不銹鋼鏈、料斗、翻斗節(jié)、聯(lián)軸器、調(diào)速電機組成。提升裝置將尾礦漿提升到合適的位置后，通過圖像采集裝置獲取尾礦圖像。圖像采集裝置由光源、工業(yè)像機、光強傳感器組成。系統(tǒng)軟件可自動采集尾礦圖像與光強信息，并同時記錄光圈、曝光時間和修正參數(shù)。為了研究浮選尾礦灰分與尾

3、礦漿圖像特征之間的關(guān)系，用該廠浮選精煤、浮選尾煤和矸石制作基礎(chǔ)灰分樣品，配制了灰分從20％到60％，灰分級差為2％，濃度分別為10 gL-1，20 gL-1和30 gL-1的樣品63組。通過試驗平臺對樣品進行了圖像和光強等相關(guān)信息的采集，每組樣品分別采集100幅圖像和對應(yīng)的入射光強、反射光強，共得到6300組樣本數(shù)據(jù)。在此基礎(chǔ)上，對得到的煤漿圖像的灰度直方圖進行了常規(guī)特征提取，計算灰度均值、方差、平滑度、歪斜度、能量和熵六個特征值，加入

4、入射光強和反射光強，構(gòu)成8維向量作為神經(jīng)網(wǎng)絡(luò)的輸入，對應(yīng)灰分值作為輸出。但測試結(jié)果顯示尾礦灰分識別結(jié)果不理想，誤差較大，200個測試數(shù)據(jù)中誤差≥±5的比例達到26％。為了提高尾礦灰分識別精度，本文進一步分析了尾礦樣本圖像的灰度直方圖與樣本灰分之間的關(guān)系，分析發(fā)現(xiàn)與樣本灰分有顯著相關(guān)性的是像素統(tǒng)計量在灰度區(qū)間上的分布，而不是灰度均值。為此，取灰度值區(qū)間50-170，子區(qū)間間隔為10，以12個子區(qū)間的像素點數(shù)量構(gòu)建新的輸入向量作為神經(jīng)網(wǎng)絡(luò)的

5、輸入，對應(yīng)灰分值作為輸出進行訓(xùn)練和測試。結(jié)果顯示，灰分識別精度得到了大幅提高，誤差全部≤±5，而且200個測試數(shù)據(jù)中誤差≤±2的比例達到94％。為了減小圖像采集時不均勻性帶來的影響，本文采取在100組數(shù)據(jù)中隨機提取10組求平均值，構(gòu)成新的100組數(shù)據(jù)，以消尾礦漿隨機運動的影響，使規(guī)律更加穩(wěn)定。
　　本文研究了尾礦漿濃度對灰分識別精度的影響，用各濃度下建立的神經(jīng)網(wǎng)絡(luò)模型交叉識別各組數(shù)據(jù)，結(jié)果表明，識別本濃度數(shù)據(jù)結(jié)果較好，識別其他濃度

6、效果較差。又進行了兩組灰分為20％和60％，濃度從5 gL-1到30 gL-1間隔2.5 gL-1的兩組實驗，發(fā)現(xiàn)高灰分區(qū)20 gL-1以上濃度對灰度均值影響較大，低灰分區(qū)濃度影響較小。混合三組數(shù)據(jù)后分別進行每組數(shù)據(jù)單獨識別效果較好，濃度對識別精度的影響也體現(xiàn)在其中，高濃度組高灰分區(qū)識別效果不好，低濃度組低灰分區(qū)識別效果一般。用同樣的方法提取傳統(tǒng)特征訓(xùn)練識別結(jié)果不理想?？傮w來說利用灰度值分布特征識別各濃度灰分的絕對誤差在±5以內(nèi)的占95