選煤廠浮選機自動化控制系統(tǒng)優(yōu)化設(shè)計改造

張振斌

（中煤科工集團北京華宇工程有限公司 平頂山分公司，平頂山 467000）

選煤廠浮選機工作效率直接影響到選煤廠的工作效率，進一步影響到選煤廠的經(jīng)營收入能力。浮選機的基本工作原理是尋找一種密度介于浮選泡沫與尾礦之間的浮選液，在充分混合攪拌過程中，浮選泡沫上升到浮選液頂部，而尾礦下沉到浮選液底部，使用出礦結(jié)構(gòu)將頂部泡沫和底部尾礦分別刮出，即可實現(xiàn)浮選過程[1]。浮選機前部為破碎機、球磨機、精選篩等機構(gòu)，提供粒徑足夠小的原礦石粉，浮選機后部為用于沖洗壓縮泡沫層的濃密機系統(tǒng)和用于壓濾燥化處理尾礦的尾礦機系統(tǒng)[2]。對該系統(tǒng)進行自動化控制，一方面需要控制攪拌轉(zhuǎn)速、壓氣流量、給料速度，同時控制浮選液穩(wěn)定性；另一方面需要實現(xiàn)與前置系統(tǒng)和后置系統(tǒng)的聯(lián)動控制。

早期研究中，使用模糊神經(jīng)網(wǎng)絡(luò)對系統(tǒng)參數(shù)進行整合控制，同時在各種協(xié)同算法的支持下實現(xiàn)選煤廠內(nèi)各系統(tǒng)的協(xié)同控制，可以將系統(tǒng)運行效率有效放大[3]，但這種自動化構(gòu)建模式使得控制系統(tǒng)較為龐大，控制系統(tǒng)的復雜性增加了系統(tǒng)的故障率，導致系統(tǒng)脆弱性增加，系統(tǒng)計劃外停車事故更為頻繁[4]。

本研究重點就已構(gòu)型浮選機控制系統(tǒng)硬件條件下的系統(tǒng)數(shù)據(jù)反饋模式進行研究，提升機器學習效能，實現(xiàn)系統(tǒng)學習能力的進一步提升，從而充分優(yōu)化系統(tǒng)的穩(wěn)定性，進一步提升系統(tǒng)自動化控制效率。

1 浮選機自動化控制策略

浮選機的基本工作原理，在浮選容器內(nèi)使用浮選液構(gòu)建浮選條件，在上部將經(jīng)過充分粉碎的精磨原礦石粉給入，在攪拌叉的攪拌作用中與浮選液充分混合，在壓氣氣泡的上浮輔助作用下，形成頂部泡沫層和底部尾礦層[5]，該控制過程如圖1 所示。

圖1 浮選機工作原理示意圖Fig.1 Working principle of flotation machine

壓氣源給入壓氣的壓力、流量控制，攪拌電機的轉(zhuǎn)速控制，給料口的給料速度控制，浮選液的成分穩(wěn)定性控制等，均為浮選機內(nèi)部控制目標。與壓氣機、精選篩、濃密機、尾礦處理機、浮選液制備機和浮選液回收機的配合控制，是其外部控制目標[6]，該系統(tǒng)配合模式如圖2 所示。

圖2 選煤廠整體系統(tǒng)架構(gòu)圖Fig.2 Overall system architecture of coal preparation plant

前置系統(tǒng)給出原礦石精磨微粒的效率，微粒存量與給進量的速率控制和浮選機最佳給料速率的控制相配合，后置系統(tǒng)消化浮選機輸出泡沫與尾礦的效率，2 個中間倉存量與后置系統(tǒng)最佳給料量的控制相配合，才可以實現(xiàn)選煤廠整體系統(tǒng)的有效控制[7]。即從聯(lián)合控制和數(shù)據(jù)反饋的角度進行綜合分析，需要控制3 個前置倉和3 個后置倉的倉位平衡，該平衡方式如圖3 所示。

圖3 浮選機控制平衡方式數(shù)據(jù)邏輯圖Fig.3 Data logic diagram of flotation machine control balance mode

其中6 個控制倉的16 個控制量與浮選機內(nèi)部5 個控制量之間有數(shù)據(jù)傳導關(guān)系，如浮選液廢液艙的出料速率影響浮選液制備艙的進料速率，壓氣罐壓力決定浮選機的壓氣流量，原礦石精磨顆粒倉的出料速率影響浮選機的進料速率，浮選機精煤泡沫回收速率影響精煤泡沫倉的進料速率，浮選機尾礦回收速率影響尾礦倉的進料速率。且每個倉的出料速率與進料速率差值等于其存量變化率[8]。浮選機攪拌轉(zhuǎn)速的控制策略為最復雜的控制過程，該過程與其他數(shù)據(jù)均有關(guān)聯(lián)關(guān)系。

2 浮選機控制一次系統(tǒng)及其數(shù)據(jù)鏈設(shè)計

浮選機中共有4 套電機系統(tǒng)，分別控制攪拌叉轉(zhuǎn)速、上部刮板轉(zhuǎn)速、下部刮板轉(zhuǎn)速和給料機螺桿轉(zhuǎn)速，另有3 套閥組系統(tǒng)，分別控制壓氣流量、浮選液給入流量、浮選液泵出流量，其中浮選液泵出流量控制系統(tǒng)中還包括一套浮選液泵機，浮選液給入流量的壓力源泵機位于浮選液制備系統(tǒng)中，不在該系統(tǒng)控制范圍內(nèi)[9]。上述控制一次系統(tǒng)結(jié)構(gòu)如圖4 所示。

圖4 浮選機控制一次系統(tǒng)拓撲圖Fig.4 Topology of primary control system of flotation machine

其中4 個電動機均為單向變頻控制，依次使用斷路器控制電源，變頻器控制轉(zhuǎn)速，接觸器控制啟停，總斷路器控制浮選機設(shè)備總電源，管路控制方面，3 條管路使用常閉截止閥開關(guān)控制管路，當系統(tǒng)掉電后，常閉截止閥自動切斷管路，而通過錐式限流閥控制流量[10]。實際控制策略中，4 個電動機存在啟停2 個狀態(tài)，為增加控制精度，變頻器檔位越多，控制精度越高，該設(shè)計中變頻器共5 個檔位，3 個閥組中，工作狀態(tài)下截止閥處于接通狀態(tài)，而通過限流閥加大和減少流量，當限流閥移動到閉合位時，可在截止閥接通狀態(tài)切斷管路。錐式限流閥不存在控制檔位，但可以通過步進電機的正反轉(zhuǎn)和步數(shù)控制限流閥實際流量狀態(tài)。所以上述控制邏輯可以優(yōu)化為圖5 所示。

圖5 自動化控制邏輯流程Fig.5 Logic flow chart of automatic control

電機控制和管路控制各構(gòu)成一個控制矩陣，矩陣指令由內(nèi)在控制系統(tǒng)進行分解并交由圖4 中控制一次系統(tǒng)執(zhí)行，而根據(jù)圖3 中各控制倉位的反饋數(shù)據(jù)，在該革新算法支持下形成控制策略。設(shè)備運行過程影響到各倉位數(shù)據(jù)，進而實現(xiàn)數(shù)據(jù)的反饋循環(huán)[11]。基于該算法，可以有效避免各設(shè)備均實現(xiàn)自動化控制后，設(shè)備控制參數(shù)之間的不協(xié)調(diào)問題，也避免全系統(tǒng)實現(xiàn)自動化整合控制后，因為算法結(jié)構(gòu)過于復雜導致系統(tǒng)故障率增加的問題。該控制邏輯的技術(shù)基礎(chǔ)為包括浮選機在內(nèi)的選煤廠全系統(tǒng)設(shè)備均完整構(gòu)建了針對設(shè)備自身的自動化控制系統(tǒng)，而該系統(tǒng)運行在以浮選機為核心的各設(shè)備自動化控制系統(tǒng)之上，通過優(yōu)化浮選機的運行過程，謀求全系統(tǒng)的高效協(xié)同[12]。

3 協(xié)同控制目標下浮選機自動化控制算法設(shè)計

3.1 數(shù)據(jù)的輸入與數(shù)據(jù)模糊化

圖3 中，該自動化控制系統(tǒng)共需要考慮16 個輸入項，但整體分析中，如果進行系統(tǒng)內(nèi)的數(shù)據(jù)挖掘，則只需要考慮6 個關(guān)聯(lián)倉的倉位數(shù)據(jù)，即5 個存量數(shù)據(jù)和1 個壓力數(shù)據(jù)，使用差值法計算出倉位的變化率，作為系統(tǒng)的輸入矩陣[13]。該數(shù)據(jù)輸入策略如圖6 所示。

圖6 數(shù)據(jù)邏輯模式Fig.6 Data logic mode diagram

對6 個倉位探頭分別設(shè)置一個數(shù)據(jù)模糊化模塊和探頭數(shù)據(jù)卷積模塊，數(shù)據(jù)輸入部分重點討論該數(shù)據(jù)模糊化模塊的算法構(gòu)成。其中，使用差值法得到4 個時間節(jié)點之間的3 個數(shù)據(jù)差值和1 個當前實時數(shù)據(jù)值，對數(shù)據(jù)進行歸一化處理，對數(shù)據(jù)進行去量綱和重投影。該歸一化算法采用min max 算法實現(xiàn)，即確保數(shù)值值域較大的實時值與數(shù)值值域較小的差值均精確投影到［0，1］區(qū)間上。該算法基函數(shù)為

式中：xn為序列x 的歷史發(fā)生序列；xi為序列x 的第i 個輸入值；Fi（xn）為該函數(shù)依據(jù)歷史發(fā)生序列xn和第i 個輸入值xi給出的輸出值，為確保在最小算力支持條件下計算歷史最小值min（xn）和歷史最大值max（xn），該兩個值的判斷函數(shù)為

式中：數(shù)學符號含義同公式（1），即在該判斷函數(shù)中，僅需要比較當前輸入值與歷史最小值min（xn）和歷史最大值max（xn）的寄存數(shù)據(jù)關(guān)系，并不需要將之前數(shù)據(jù)進行重新統(tǒng)計計算。

經(jīng)過歸一化的數(shù)據(jù)輸入到探頭數(shù)據(jù)卷積模塊中，形成6 個倉位的數(shù)據(jù)卷積結(jié)果，作為后置多列神經(jīng)網(wǎng)絡(luò)的輸入值。

3.2 數(shù)據(jù)的輸出與解模糊

結(jié)合圖6 給出的數(shù)據(jù)邏輯模式，n個多列神經(jīng)網(wǎng)絡(luò)輸入項，均經(jīng)過了二值化模塊，可以認為經(jīng)過該神經(jīng)網(wǎng)絡(luò)后的數(shù)據(jù)，是在A：［0，1］區(qū)間上且接近0.000或接近1.000 的數(shù)據(jù)，設(shè)定一個卷積收斂空間B：［0.005，0.995］區(qū)間，輸出數(shù)據(jù)位于A 區(qū)間且不位于B 區(qū)間時，認為神經(jīng)網(wǎng)絡(luò)已經(jīng)充分收斂，當數(shù)據(jù)位于B 區(qū)間時認為神經(jīng)網(wǎng)絡(luò)收斂不徹底，需要對神經(jīng)網(wǎng)絡(luò)加強訓練[14]。而該解模糊策略為將二值化數(shù)據(jù)轉(zhuǎn)化為邏輯變量，如公式（3）所示：

式中：Fi為邏輯化后第i 個數(shù)據(jù)的輸出值；xi為第i個輸入值。

結(jié)合圖5 分析結(jié)果，該神經(jīng)網(wǎng)絡(luò)控制結(jié)果為2 個控制矩陣中合計23 個節(jié)點變量，當結(jié)果為True 時，執(zhí)行控制指令；反之當結(jié)果為Fault 時，不執(zhí)行相關(guān)指令。

3.3 核心算法模塊構(gòu)成

該多列模糊神經(jīng)網(wǎng)絡(luò)共分為3 個層次，其中：探頭數(shù)據(jù)卷積層共6 個模塊，針對6 個倉位探頭數(shù)據(jù)進行初步卷積操作，輸入變量4 個，輸出變量1個；多列層共23 個模塊，輸入數(shù)據(jù)均為探頭數(shù)據(jù)卷積層的6 個輸出結(jié)果，輸入變量6 個，輸出變量1個；二值化層共23 個模塊，輸入數(shù)據(jù)為對應(yīng)的多列模塊的輸出數(shù)據(jù)，輸入變量1 個，輸出變量1 個。每個層次的多個模塊結(jié)構(gòu)一致，但根據(jù)數(shù)據(jù)輸出需求進行分別訓練，使其內(nèi)置待回歸變量向不同方向收斂[15]。

探頭數(shù)據(jù)卷積模塊使用對數(shù)函數(shù)進行節(jié)點設(shè)計，輸入層4 個節(jié)點，設(shè)置3 個隱藏層分別為5 節(jié)點、11 節(jié)點、3 節(jié)點，輸出層1 個節(jié)點，其節(jié)點量共24 個，節(jié)點基函數(shù)為

式中：Xi為前一層結(jié)構(gòu)的第i 個輸入項；Y 為節(jié)點輸出項；e 為自然常數(shù)；A，B 為待回歸變量。

多列模塊同樣使用對數(shù)函數(shù)進行節(jié)點設(shè)計，輸入層6 個節(jié)點，設(shè)置3 個隱藏層分別為13 節(jié)點、7節(jié)點、3 節(jié)點，輸出層1 個節(jié)點。其節(jié)點量共30 個，節(jié)點基函數(shù)如公式（4）。

二值化模塊采用二值化函數(shù)作為節(jié)點基函數(shù)，輸入層1 個節(jié)點，設(shè)置3 個隱藏層分別為3 節(jié)點、7節(jié)點、3 節(jié)點，輸出層1 個節(jié)點，其節(jié)點量共15 個，節(jié)點基函數(shù)為

式中：數(shù)學符號含義同公式（4）。

4 自動化控制效能驗證

采用仿真驗證法驗證該自動化控制算法，在CAE 系統(tǒng)中部署SimuWorks 仿真模塊，在模塊中完整構(gòu)建選煤廠工藝流程系統(tǒng)，采用值域隨機數(shù)法構(gòu)建系統(tǒng)運行參數(shù)，考察各模塊獨立自動化控制模式（傳統(tǒng)方案）與加載該系統(tǒng)后的自動化控制模式（革新方案）的控制結(jié)果，比較分析選煤廠產(chǎn)量、噸煤能耗、開關(guān)動作頻率等控制參數(shù)，結(jié)果見表1。

表1 自動化控制效能比較Tab.1 Comparison of automation control efficiency

表1 中，使用SPSS 數(shù)據(jù)分析軟件對兩組數(shù)據(jù)進行對比分析，對比方法為雙變量t 校驗法，讀取比較結(jié)果的Value 值作為t 值，當t＜10.000 時認為數(shù)據(jù)存在統(tǒng)計學差異； 讀取比較結(jié)果的Log 值作為P 值，當P＜0.05 時認為比較結(jié)果處于置信空間，當P＜0.01時認為比較結(jié)果有顯著的統(tǒng)計學意義。實際數(shù)據(jù)分析中，發(fā)現(xiàn)革新方案日均產(chǎn)量提升9.92%，噸煤能耗下降30.89%，開關(guān)動作頻率下降36.54%，可見該自動化算法可以有效提升浮選機的工作效率，降低能耗的同時提升了系統(tǒng)總產(chǎn)量，且因為該算法具有一定的數(shù)據(jù)前瞻性并可實現(xiàn)系統(tǒng)資源綜合調(diào)度，可以使開關(guān)動作頻率顯著降低，有利于延長開關(guān)設(shè)備和其他電氣設(shè)備的壽命，進一步提升系統(tǒng)綜合效益。

5 結(jié)語

本研究對浮選機的自動化控制系統(tǒng)升級算法，并未對相關(guān)開關(guān)、閥門自動化控制系統(tǒng)進行升級，而是完整保留了其控制系統(tǒng)。本革新為充分整合該系統(tǒng)相關(guān)物料的輸出和輸出倉位控制，實現(xiàn)浮選機與選煤廠其他系統(tǒng)之間的充分協(xié)同。仿真研究表明，該自動化控制系統(tǒng)可以有效提升系統(tǒng)的運行效率，可以有效提升產(chǎn)量和壓縮成本。而本技術(shù)提升在于加強浮選機與相關(guān)系統(tǒng)的協(xié)同控制水平，在后續(xù)研究中，如果對其他相關(guān)設(shè)備均實現(xiàn)該協(xié)同控制，可以進一步提升選煤廠的控制效率。