关键词:
跳汰机
数据驱动
松散度控制
浮标配重预测
智能控制
摘要:
跳汰选煤是我国选煤厂使用的主要洗选工艺之一,但由于分选过程影响因素众多、机理复杂难以建立准确的数学模型,其过程具有大时变、强非线性等特点,严重影响了分选过程生产效率的提升和产品质量的控制。本文通过采集选煤厂跳汰分选过程历史生产数据,结合先进控制理论算法分析,建立了基于数据驱动的智能控制模型,构建了以精煤灰分为控制目标的跳汰分选过程智能控制系统,实现了对精煤产品质量的控制。数据来源的可靠性是实现智能控制的根源,本文首先对跳汰分选过程参数检测与采集进行了研究。其中,通过分析跳汰分选工艺流程以及BATAC跳汰分选机理,确定了入料性质、入料量、浮标配重、精煤灰分、风阀参数等影响跳汰分选过程控制的关键变量,且对关键变量的检测进行了研究,进而基于选煤厂现有的通讯设备,研究了数据采集与存储方法,并针对分选过程各类数据变化特性,制定了多样化数据采集策略,设计了实时数据库结构及数据表存储形式。根据采集得到的生产过程历史数据对跳汰机床层分层过程控制进行了研究。首先分析了床层分层状态影响因素,确定以床层松散度表征床层分层效果,研究了松散度在线检测方法,进而结合专家经验与现场实际提出了松散度模糊控制方案,设计了以松散度偏差与偏差变化率为输入,进排气期调节量为输出的模糊控制器,建立了松散度模糊控制模型。现场应用效果表明,建立的控制模型能够将矸石段松散度控制在0.20-0.40范围内,中煤段松散度控制在0.35-0.50范围内,为控制精煤产品质量提供了保障。当入洗原煤灰分突变时,通过建立的松散度模糊控制模型将床层控制在良好的松散状态后,快速、准确的调整中煤段浮标配重,是保证精煤产品质量稳定的关键。通过对历史生产数据进一步分析,确定了中煤段浮标配重预测模型结构。并通过异常值检测、缺失值插补、数据降噪等数据处理方法,对采集得到的历史数据进行了异常数据处理及时间滞后处理,为模型的建立提供了数据准备。在上述基础上,采用LS-SVM算法对样本数据进行训练,并采用GS-CV算法确定了模型最优超参数,进而训练得到了基于GS-CV优化的中煤段浮标配重LS-SVM预测模型。通过与基于GS优化的LS-SVM模型、ELM模型的对比分析,结果显示基于GS-CV优化的LS-SVM模型的预测能力最优,模型的平均绝对误差为57.05、均方根误差为75.19均小于人工调节配重的最小值,总体表明模型具有良好的预测能力,能够满足生产过程中煤段浮标配重的预测调节。基于建立的松散度控制模型、中煤段浮标配重预测模型,搭建了以精煤灰分为控制目标的跳汰机智能控制系统框架。为进一步提高系统控制精度,优化了调整中煤段浮标配重方案,设计了以实时精煤灰分偏差及偏差变化率为输入,中煤段浮标配重补偿量为输出的模糊补偿器,通过精煤灰分的实时反馈,实现对配重模型预测结果的补偿,从而控制精煤产品质量。进而采用组态王和AB1756 PLC设计了生产过程可视化监控界面和下位机逻辑控制程序,并采用MATLAB与PLC数据通讯方法,构建了一套以精煤灰分为控制目标的基于数据驱动的跳汰分选过程智能控制系统,为实现生产过程可视化与智能控制提供了保障。