基于數據生命周期的煤泥浮選智能控制技術研究進展

周長春,溫智平,周脈強,徐 舸

(中國礦業大學 化工學院,江蘇 徐州 221116)

0 引 言

煤炭行業作為全球能源結構的重要組成部分,其副產品煤泥的處理和利用一直是關注焦點。煤泥通常由煤炭加工過程中產生的細粒煤組成,顆粒細小、含水量高難以實現有效分離和利用。隨著煤炭加工快速發展,煤泥產量顯著上升。我國煤泥產量近年來不斷增加,預計未來產量保持穩定增長態勢。盡管煤泥具有一定熱值,但其直接利用受到限制,主要由于其高含水量和細粒度導致燃燒效率低下。因此,作為煤泥有效處理的浮選環節是提高資源利用率的關鍵。

浮選是一種基于細粒礦物表面物理化學性質差異從混合礦物體系中分離出目的礦物的選礦技術[1],廣泛用于細粒精煤產品回收[2],已基本成熟。煤泥浮選技術有3個關鍵的技術領域:① 煤泥主要由細顆粒組成,優化粒度分布方法包括通過預處理步驟如篩分和離心分離去除極細顆粒,從而提高浮選效率。同時,微泡浮選技術作為一種創新手段,通過生成極小氣泡提高細粒回收率,顯著提升浮選過程的整體效率。② 考慮到傳統浮選過程中使用的化學藥劑對環境的負面影響,正積極尋找更高效、環保的替代品,如生物基表面活性劑,以減少環境污染并改進浮選性能。③ 人工智能技術的應用可提高浮選效率,降低人工成本。利用先進的傳感器和數據分析工具,可以實現對浮選過程的實時監控和調整,優化處理效果,同時減少藥劑消耗和精煤浪費。隨著這些技術進一步成熟和應用,煤泥浮選處理和回收預期更加高效、環保和經濟。但從工業生產與管理角度發現,當前煤泥浮選工藝系統生產過程粗糙、物料損耗嚴重、工作環境惡劣。針對上述問題,學者從指標預測[3]、過程變量監測[4]、藥劑添加控制和系統優化[5-6]等角度開展系列研究,以期建成煤泥浮選輔助決策控制系統,提升煤炭資源清潔利用效率,助力選煤廠智能化建設。

影響煤泥浮選效果變量主要包含入料流量、入料濃度、充氣量、電機轉速、起泡劑與捕收劑添加量、入料粒度、泡沫表層特性、礦漿性質、入料灰分、精煤灰分、尾礦灰分、補加水量等[7-8]。另一方面,實現煤泥浮選系統控制無需納入所有過程變量,如礦漿性質中pH、Eh和電導率等變量不適用浮選系統宏觀控制研究[9]。早期浮選過程控制模型研究始于20世紀,多采用經驗方程和動力學模型,其中經驗方程用來預測浮選生產指標,動力學模型著重研究浮選速率常數與浮選藥劑用量的關系[10]。隨后,有學者在浮選精煤/尾煤灰分在線預測取得突破,研究發現浮選泡沫/尾礦圖像的視覺特性能間接反饋浮選精煤/尾煤灰分變化[11],使煤泥浮選系統有望形成控制閉環。但目前煤泥浮選控制系統中涉及的控制算法魯棒性較低,通常是為特定浮選工藝或特定煤質設計開發,不具備普遍性。此外,復雜的動力學模型和部分機器學習模型無法直接部署在工業現有硬件上,模型在變量邊界區間預測誤差較大,同時,煤泥浮選指標檢測精度不夠,使許多現有浮選過程控制系統無法達到令人滿意的控制效果。

近年來,各工業強國十分關注人工智能技術。我國政府于2015年5月印發《中國制造2025》對標德國的“工業4.0”,旨在加速完成工業化進程[12]。美國于2020年提出《國家人工智能計劃》,確保其在航空航天等眾多領域人工智能研究的優勢地位[13]。歐盟于2021年頒布《人工智能白皮書》,旨在重點工業領域大力發展人工智能[14]。2017年7月,國務院繼續發布《新一代人工智能發展規劃》,在國家層面明確提出到2030年使中國人工智能技術達到世界領先水平[15]。此外,國家部委針對礦業發展頒布了一系列文件以推進智能礦山建設的發展,其中煤礦智能化建設受到國家相關部門高度重視。2020年2月,國家發改委和能源局等八部委聯合印發《關于加快煤礦智能化發展的指導意見》,明確提出煤礦智能化的發展原則、目標、任務和保障措施,為我國煤礦智能化發展指明方向[16]。2020年9月,國家能源局、應急管理部和安監局在山東兗礦召開全國煤礦智能化推進會,再次強調煤礦智能化是必由之路。2020年10月,中國煤炭加工利用協會發布《智能化選煤廠建設通用技術規范》團體標準,定義煤炭分選加工和煤質管理智能化建設的技術標準[17]。隨后,國家能源局和安監局接連印發《煤礦智能化建設指南(2021版)和(2022版)》,為多種類型、不同模式下煤炭“采”“掘”“選”環節的智能化建設提供指導意見[18]。

煤泥浮選智能化建設是選煤廠智能化建設的重點和難點,受政策牽引、技術驅動和工業亟需等多方面原因推動,目前已有大量研究人員對煤泥浮選智能控制技術開展研究[19-21]。新一代人工智能技術作為新科技革命的核心,能將人工智能思想、模型、煤泥浮選過程控制因子與浮選知識相融合,利用浮選過程中大量視覺、數字和經驗數據,構建機器學習模型、智能推理和決策機制,在煤泥浮選指標預測、藥劑添加建模、過程變量監測控制等方面實現智能預測調控[22-25]。因此,未來基于新一代人工智能技術解決煤泥浮選系統智能控制問題是選煤廠智能化建設的核心問題之一。

綜上所述,當前煤泥浮選技術主要難點:① 浮選精煤灰分在線預測難度大,其中單一的視覺特征信息不足以提供可靠的預測。相比之下,尾礦灰分的預測技術更成熟和可靠。② 浮選藥劑添加量的調控復雜,藥劑添加量受到多個過程變量的影響,使其調控變得復雜。模型在整個工況區間的自適應性和泛化能力需進一步提升。③ 智能控制技術的局限性,浮選工業系統的智能控制技術發展受限于多個因素,包括灰分預測精度、傳感器檢測精度及藥劑添加精準度。這些限制因素影響了整個浮選過程的效率和效果。因此,筆者基于數據生命周期的煤泥浮選智能控制技術,從浮選精煤/尾煤灰分在線預測、浮選藥劑智能添加和煤泥浮選系統智能決策3個角度展開綜述。

1 浮選數據生命周期與智能控制技術概述

隨著工業大數據、互聯網、建模技術和硬件計算單元不斷迭代發展,浮選工藝系統全過程數據挖掘、系統數據全生命周期、系統數據云計算處理成為可能[26]。大數據的處理和分析是一個多學科問題,包括統計學、數據挖掘、建模預測、數據科學、數據分析、知識學習等多個領域[27-28]。

煤泥浮選系統數據庫是煤炭分選大數據的關鍵組成部分,分選指標受眾多過程變量影響。合理有序的歸類和預處理可提升煤泥浮選過程變量數據庫的利用效率,趙曉紅等[29]將影響煤泥浮選系統智能控制的變量按照屬性劃分為擾動變量、操縱變量、狀態變量和控制變量,其中擾動變量是不能被直接修改和控制的變量,或在某些特定情況下可被檢測的變量;操縱變量是可以改變浮選系統控制狀態的變量;狀態變量是浮選系統控制模型內部定義的變量;控制變量包括浮選指標或系統控制的目標變量。

在浮選原生數據集基礎上進行自動或半自動探索分析,發現控制決策機制的模式或規律是浮選系統數據分析的第1步——數據挖掘[30]。結合原生數據組建浮選系統數據庫是浮選系統智能控制的必要條件,在此基礎上大數據分析交叉各學科領域特點,形成浮選系統數據多學科研究分析模式,浮選系統數據多學科研究分布如圖1所示。作為浮選系統智能控制的核心技術,模式識別和機器學習解決了浮選系統中多個非線性離散關系模型的建立,浮選系統數據生命周期研究能建立浮選系統智能管理模式,與前二者共同組成煤泥浮選智能控制系統。

圖1 煤泥浮選數據多學科研究分布

浮選系統數據生命周期是基于大數據、互聯網和人工智能技術實現煤泥浮選系統智能化控制的基礎,浮選系統數據生命周期與系統智能控制關系如圖2所示。筆者從浮選系統智能化建設角度出發,將浮選系統數據生命周期劃分為預處理、建模和應用分析3個主要模塊。首先,經過數據挖掘組建煤泥浮選系統數據庫,對于初始浮選系統數據利用自適應預處理方法進行規范化表征,為后續建模提供高質量的輸入數據,預處理過程可概括為插補降噪、多模態融合、高維異構融合、數據降噪和增強5部分;其次,第2個關鍵環節為浮選系統過程建模,根據目標任務提取核心特征數據,基于機器學習中匹配度較高的建模策略,建立浮選系統過程控制模型,為后續工業應用提供模型基礎;最后,結合煤泥浮選系統智能控制需求,面向實際問題建立工業應用模型及分析,包含指標在線預測、藥劑智能添加、過程變量調控和故障診斷分析。

圖2 煤泥浮選系統數據生命周期與智能控制

2 煤泥浮選系統智能控制

以煤泥浮選工藝系統中浮選系統數據的生命周期為依據,從浮選精煤/尾煤灰分實時在線預測、浮選藥劑智能添加、煤泥浮選系統智能決策3個主要環節綜述了煤泥浮選工藝系統智能化建設的研究現狀。

2.1 浮選精煤/尾煤灰分在線預測

精煤/尾煤灰分是度量煤泥浮選效率的關鍵指標,對應的煤泥浮選工藝過程中精煤產率、可燃體回收率和浮選完善指標等參數由灰分計算得到。但目前沒有可靠的工業灰分實時檢測手段,工業上浮選精煤/尾煤灰分由化驗室通過工業快灰法檢測,延誤了浮選工藝系統最佳調節窗口,浮選操作工人主要憑借浮選泡沫/尾煤視覺特征調整浮選機過程變量[31]。這種基于經驗的方法誤差較大,易造成浮選精煤和藥劑損失。此外,浮選精煤/尾煤灰分是實現煤泥浮選工藝系統控制環節中的關鍵參數,為實時在線檢測浮選精煤灰分,學者進行了大量研究[32-34]。浮選精煤/尾煤灰分預測主流技術主要有放射性同位素技術和計算機視覺技術2種技術路線,放射性同位素技術受限于環境保護和對人體潛在的危害約束了該方法的應用前景,相關研究較少。相反,計算機視覺技術在環保和時效性方面相對前者有更加出色的表現,受到關注。

目前,浮選過程灰分在線預測研究主要集中在浮選精煤,研究人員在浮選泡沫圖像上發現了眾多與精煤灰分相關的視覺特征,同時以擬合浮選泡沫圖像特征和精煤灰分的算法進行多次迭代,近年來煤泥浮選精煤灰分預測研究見表1。浮選尾礦灰分在線預測研究較少,但進展較快。目前,已經出現包括中國礦業大學、天津美騰科技有限公司在內的多個工業應用成果。將從特征工程、傳統機器學習模型和深度學習3個方面綜述選精煤/尾煤灰分在線預測研究。

表1 近年來煤泥浮選精煤灰分預測相關研究

2.1.1 特征工程

提取浮選泡沫/尾礦圖像的視覺特征向量是建立精煤/尾礦灰分預測模型的關鍵,特征工程是將特征提取和特征篩選相結合的過程,其最終目的是挖掘更豐富的泡沫/尾礦圖像特征,將圖像特征維度進行變換,剔除冗余特征信息,為預測模型提取到最佳輸入特征。特征工程中每個特征提取維度均有可能包含冗余、不相關的特征信息,降低特征維數對特征工程中提取有用信息非常重要,系統提取泡沫圖像的多維特征并選擇適當數量的特征主成分是準確預測煤浮選精礦灰分的必要條件。

常見的浮選泡沫/尾礦圖像特征提取包含氣泡大小、灰度共生矩陣、灰度直方圖、氣泡數量、破裂率、顏色空間、穩定性、承載率和泡沫速度等[47-48]。WEN等[41]將其系統劃分為形態學特征、統計學特征和顏色空間特征,從圖像處理角度,系統研究了形態學特征(3個特征)、統計學特征(灰度直方圖特征(5個特征)、灰度共生矩陣特征(24個特征)、統計建模特征(48個特征))和色彩空間特征(18個特征)。該研究中煤泥浮選泡沫圖像特征工程相關性矩陣[41]如圖3所示,其中形態學與灰度的相關性最強(R=0.66),統計學模型特征自相關顯著,但與灰分相關性不高,最后基于主成分分析(Principal Component Analysis, PCA)對特征工程進行降維,最優均方根誤差(Root Mean Square Error,ERMS)為0.633 1。可以看出系統的特征工程具有較好性能,能準確預測浮選精礦灰分。但在不同煤質或分選工況突變的條件下,當前特征工程技術在浮選精煤灰分工業預測上存在明顯不足。

浮選尾礦圖像傳統特征的提取方法與浮選泡沫圖像方法基本一致,區別在于沒有浮選尾礦圖像提取形態學特征,這主要歸因于浮選尾礦圖像本身平面屬性。高博[49]提取了浮選尾礦圖像的灰度均值、方差、偏度、平衡度、能量、熵、亮斑平均面積和亮斑數目等8個圖像的特征值作為軟測量模型的輸入,基于PCA降維后前3個主元的累計貢獻率超過95%。王靖千[50]對比分析不同灰分的黑白圖像和彩色圖像信息,通過分析判斷原圖像中影響圖像特征提取的因素有噪聲和煤顆粒鏡面反射的亮點,從RGB顏色空間、YUV顏色空間和HIS顏色空間提取了浮選尾礦圖像的均值特征,結果發現特征工程主成分降至5個維度時對尾煤灰分的表達性最高。ZHANG等[51]研究了尾礦圖像灰度特征與灰分之間相關性,從灰度直方圖中提取特征值(平均灰度、方差、平滑度、能量和熵),隨灰分增加,平均灰度、方差和平滑度增強,能量降低。

2.1.2 傳統預測模型

隨著人工智能技術的普及,機器學習技術逐漸成為浮選精煤/尾礦灰分預測模型研究的主要方法,相較單一圖像特征的相關性分析,機器學習模型執行效率更高,可輸入特征數據維度更寬,模型性能更突出。

在浮選泡沫圖像研究中,神經網絡(Neural Networks,NN)是預測浮選精煤/尾礦灰分常用的方法,ZHANG等[51]和TANG等[43]基于煤泥浮選泡沫圖像特征選擇BP(Back Propagation)神經網絡預測浮選精煤灰分,模型的輸出結果與精煤灰分標簽有良好的相關性。此外,在金屬礦領域,WANG等[52]在鐵浮選中基于BP神經網絡預測鐵精礦品位,JAHEDSARAVANI等[53-54]基于BP神經網絡研究銅浮選精礦品位預測。在之后很長一段時間,人工神經網絡是浮選試驗數據建模、指標預測的最佳建模方式之一。CAO等[55]和HE等[56]使用基于結構風險最小化和最小二乘支持向量機(LS-SVM)的統計模型監測浮選過程指標,結果表明LS-SVM模型對于浮選指標預測的結果優于直接使用SVM模型。POPLI等[57]開發了泡沫浮選的動態模型,以此檢測浮選。WEN等[41]為煤浮選泡沫圖像建立特征工程,基于主成分分析(PCA)與支持向量回歸(SVR)建立煤泥浮選精煤灰分預測模型,模型在現有數據集上具有較好的預測趨勢,但預測誤差與工業應用還存在差距。

傳統機器學習作為煤泥浮選精煤/尾煤灰分建模使用最廣泛的技術沿用至今,結合已有研究,模型類型大致劃分為線性回歸(LR)、多元線性回歸(MLR)、神經網絡(NN)、支持向量機(SVM/SVR)、小波神經網絡(WNN)、決策樹(DT)和隨機梯度下降(XGBoost)等。煤泥浮選精煤/尾煤灰分預測傳統機器學習模型的優缺點見表2。經多次迭代后現有模型的優勢主要表現為適用于非線性數據集、具備可解釋性和處理高維度數據,缺點主要表現在無法自動超參數尋優、容易過擬合、泛化能力不高。對應在工業上表現為模型精度低、模型自適應能力低。

表2 煤泥浮選精煤/尾煤灰分預測傳統機器學習模型的優缺點

隨機梯度下降(XGBoost)[62]可解釋性強,對高維數據擬合效果明顯,泛化能力較高,參數不易調整,輸入特征數據要求高,容易過擬合。

2.1.3 深度學習

深度學習屬于機器學習的一個子集,其結構靈感來自人腦對信息的處理模式。按照訓練方式可將深度學習分為監督學習、半監督學習和無監督學習。與傳統機器學習方式不同,深度學習具備從數據中自主發現特征的優勢,通過捕捉高維抽象的數據特征后進行建模。

HORN等[63]率先將深度學習技術應用于視覺監測鉑浮選研究,基于卷積神經網絡對不同品位的4種鉑浮選泡沫圖像分類,結果表明深度學習模型對于浮選泡沫圖像的分類效果優于傳統BP神經網絡算法。郭西進等[64]提出一個7層卷積神經網絡和softmax分類器將白天和夜晚工況下的煤泥浮選泡沫圖像分成良好、合格、不合格3類,模型準確率在94.01%以上。WANG等[47]提出一種基于圖像序列的兩步工況識別策略,采用深度學習技術對銻浮選槽分類準確率高達89%。保江等[65]基于Inception V1和ResNet網絡在銻礦浮選下冒槽、沉槽和正常3種工況進行遷移學習建模,準確率達95.4%。李中美等[66]結合卷積神經網絡和支持向量機診斷銻浮選過程中正常、過量藥劑、藥劑不足和紊亂4種工況,取得了99.2%的準確率。FU等[67]利用流行的卷積神經網絡對砷浮選工況進行分類,預測結果顯示ResNet網絡分類效果最佳。在煤泥浮選監測和控制方面,相關研究更少。ZARIE等[68]最近基于卷積神經網絡分類4種不同工況的浮選泡沫圖像,最終準確率高達93.1%,結果表明煤泥浮選精煤灰分受入料性質、浮選藥劑、充氣量、浮選機(柱)型號等多因素控制,這些參數改變均會引發浮選泡沫表面特征變化。PU等[69]開發了新的深度學習網絡Flotation Net,通過不同輸入和輸出變量之間的映射關系創建一個工業浮選數據集,結果顯示Flotation Net對鐵浮選品位預測非常有效,但對硅浮選品位預測略不足。深度學習兩步法提取浮選泡沫圖像特征建立灰分模型的一般流程如圖4所示。以CNN(Convolutional Neural Networks)為首的深度學習技術主要集中應用在浮選泡沫圖像建模過程中,在浮選尾礦應用較少,這可能歸因于浮選尾礦表面一致性較高,可被卷積池化操作提取的特征信息較少。

圖4 兩步浮選泡沫圖像識別流程[47]

在工業化應用方面,浮選精煤灰分預測建模研究滯后于浮選尾礦,但前者研究數據量遠大于后者,說明浮選泡沫圖像預測精煤灰分存在更多挑戰。目前,已有成熟的尾礦灰分智能檢測系統應用于選煤廠浮選車間,比較成熟的產品包含天津美騰科技股份有限公司的礦漿灰分儀、中國礦業大學的尾礦灰分智能檢測系統和江蘇仕能工業技術有限公司的礦漿灰分儀。3種產品的工業案例如圖5所示。

圖5 當前主流的浮選尾礦灰分在線檢測系統

2.2 浮選藥劑智能添加

浮選藥劑作為煤泥浮選工藝系統中關鍵控制點備受關注。SWAGAT[70]通過工業試驗,評價了浮選藥劑添加量對浮選指標的影響,建立了浮選藥劑與浮選指標之間的二階響應模型,得到了藥劑對應工況的預測設定值。ZHANG等[71]提出了一種針對陽離子浮選藥劑添加過程的專家系統最優控制方法,解決了復雜浮選工藝條件下藥劑自動調控問題,控制效果明顯提高。此外,包括煤泥浮選在內的眾多礦物浮選工藝系統中,浮選入料流量和礦漿濃度均是建立藥劑添加模型最重要的特征變量。GENG等[72]以浮選入料流量、入料濃度等特征變量作為控制決策的輸入,利用模擬人工經驗仿真技術推導出浮選過程中藥劑添加優化點和添加量,實現浮選藥劑添加量對操作變量的自適應變化。CHAI等[73]建立了浮選藥劑與浮選指標之間的非線性關系,提出了一種浮選藥劑反饋調節的混優方法。上述研究側重基于模型和在線分析進行藥劑進料控制,藥劑添加模型的建立主要依靠浮選過程變量作為模型輸入,重點是浮選入料濃度和入料流量。

研究人員認為浮選泡沫圖像的視覺特征同樣能有效反饋浮選藥劑添加量變化,可用于浮選藥劑添加模型的建立。在工業上,浮選泡沫圖像的視覺特征不僅能直接反饋浮選工況條件變化,也是人工調整藥劑添加量的依據。因此,為不斷優化浮選過程中藥劑添加控制模型,研究人員將浮選過程變量與浮選泡沫圖像特征相互融合,結合浮選過程專家知識和工人經驗建立浮選藥劑添加控制數據集,最后基于機器學習等建模技術建立浮選藥劑智能添加決策。置信網絡是一種基于證據理論、決策理論、模糊理論和傳統if-then規則庫的基于證據推理方法(RIMER)的擁塞控制算法(Bottleneck Bandwidth,BRB)。ZOU等[74]提出一種基于BRB的銻粗浮選藥劑進給量智能設定方法,利用浮選過程大量歷史數據,將浮選工況、泡沫圖像特征與藥劑進料之間的關系歸納為BRB結構策略,通過參數學習模型優化BRB參數。BRB藥劑預測模型的輸出主過程推導公式為

(1)

其中,f為浮選藥劑添加量;μ為BRB評價等級屬性參數;X為置信度等級;U為決策機制;i為第i條決策;Di為決策模型;βi為模型系數。在專家規則庫推導過程中,模型中初始參數由專家經驗確定,具有主觀性,無法適應情況變化。對此,YANG等[75]提出不同的BRB專家系統優化模型,該藥劑優化模型結構如圖6所示。其運算機制主要通過調整參數使誤差最小化,并利用最小誤差優化下一循環的參數。

圖6 BRB藥劑優化模型結構

煤泥浮選藥劑智能控制研究中,早期研究主要基于煤泥浮選入料濃度和入料流量等參數建立數學模型進行預測,后期研究則主要以專家系統和機器學習模型為主。何勝春等[76]通過研究邢臺選煤廠浮選工藝過程,使用浮選入料濃度和入料密度信息間接計算藥劑添加量,實現浮選加藥的前饋控制。郭西進等[77]針對現有煤泥浮選加藥量預測模型現場應用準確率低的問題,使用GA-BP神經網絡模型對藥劑添加量進行預測,并使用MIV值評價法篩選出對藥劑添加量影響較大的因素,在此基礎上建立了基于GA-BP神經網絡的加藥預測模型。李璐等[78]針對選煤廠中浮選過程藥劑的添加完全由人工操作的問題,設計了浮選自動加藥專家系統,該系統能以浮選入料濃度、浮選入料流量及單位藥劑添加量為基礎,自動判斷藥劑添加量,并實現藥劑自動添加。溫智平等[79]提出一種分段可解釋的煤浮選智能加藥方法,技術路線如圖7所示,該方法以入料濃度、流量、充氣量和尾礦灰分為特征變量,以捕收劑加藥量和起泡劑加藥量為目標變量,通過樹基模型XGBoost為基礎網絡結構,建立藥劑用量預測模型,通過可解釋學習框架SHAP計算煤泥浮選特征變量對浮選加藥量模型的貢獻,通過SHAP均值劃分加藥上下邊界,最終實現浮選藥劑智能添加。該方法采用分段調控方式,按照輸入變量區間劃分不同工況段,以適應不同的藥劑添加模型,結果表明,這種方式能更好適用于煤泥浮選全工況的加藥機制。

圖7 一種分段可解釋的煤浮選智能加藥方法[79]

浮選藥劑添加受選煤廠工藝、浮選設備壽命、入浮煤質等多因素共同影響,現有研究結果暫無法實現藥劑添加量的智能決策,未來煤泥浮選藥劑智能添加還有很多問題亟需解決。在以機器學習為主的加藥模型中加入浮選專家的人工決策經驗,通過多區間、分段控制藥劑添加量的模式可作為未來浮選藥劑實現智能添加的可行路徑之一。

2.3 煤泥浮選過程智能決策

煤泥浮選系統智能決策是實現煤泥浮選工藝系統智能控制中最關鍵的一環,當前浮選工藝系統主流的智能決策機制均基于模型預測控制策略,該機制一般包含多個控制模型,模型間相互協同作用,最終目的是使浮選過程控制的目標函數最小化,使受控變量保持在最佳浮選工況的期望工作值上。基于模型預測控制浮選系統控制策略包含預測模型、目標函數、控制邏輯等模塊。其中,預測模型是核心組成部分,直接關系到主要控制變量的動作區間,此外,預測模型應避免復雜化,可使浮選工藝系統在盡可能短的時間內對目標變量求解。根據已有研究,浮選工藝系統常見控制模型可分為經驗模型、動力學模型、現象模型、混合模型和機器學習模型[80]。浮選工藝系統智能決策的研究方案如圖8所示。

圖8 煤泥浮選工藝系統智能決策的研究方案

經驗模型是浮選工藝系統工業生產和指標數據基于統計學方法利用該數據庫分析開發,這類模型通常使用多元線性回歸方法或樣條回歸方法,從中獲取對浮選系統具備調控意義的過程參數[81]。經驗模型所需數據可通過在線或離線方法收集,一般通過在線儀器或檢測設備獲得,允許實時更新模型中的經驗參數。動力學模型是將浮選工藝過程看作類似化學反應過程而建立的控制模型。LYNCH[82]考慮2種類型的碰撞來描述浮選中氣泡間的碰撞、礦漿中疏水顆粒與氣泡之間的碰撞。但簡單的動力學描述可能忽略浮選泡沫對浮選精煤和矸石礦物傳輸的作用,所以動力學模型用以描述礦物從礦漿到泡沫層,以及因氣泡間排水過程從泡沫相轉移到漿相中的過程。在實際工業控制中,動力學模型應用相對較少,這是由于實時輸入控制模型的過程變量很難在線量化檢測。現象模型基于連續性控制方程,JMS-JOUNELA等[83]利用這一模型實現了6個浮選池礦漿液位的動態控制策略,研究驗證了1個單輸入單輸出控制器和3個不同多輸入多輸出控制器。混合模型通過使用連續變量和離散變量表示浮選過程,該機制利用連續變量中產生變化的不同操作條件/模式制定控制邏輯規則。PUTZ等[84]最早開發了PWARX(Piece Wise Autoreg Ressivee Xogenous)浮選混合模型,其在不同操作條件下使用線性化模型近似非線性過程動力學。機器學習模型在浮選智能控制系統中最常用,具備良好的非線性和自學習處理能力,同時適用于多輸入多輸出的浮選系統控制任務。AI等[85]提出一種雙層最優控制方法,包含穩態設定點計算和浮選藥劑試劑控制,依次進行模糊化、模糊推理和去模糊化計算浮選穩態,使用神經網絡推導Argmax控制策略。

ZARAGOZA等[86]使用經濟指標作為目標函數,考慮了銅的價格、精礦品位的懲罰參數和試劑成本(即起泡劑價格和捕收劑價格)。此外,該目標函數還考慮浮選性能指標,如回收率、精礦品位和操作變量(銅質量流量、起泡流量和捕收器流量)。PUTZ等[84]開發一個尾煤灰分預測目標函數,將尾煤灰分(y4(k))作為輸出,但必須遵循給定的對照函數(r(k)),輸出控制閾值(Δu1(k)、Δu2(k)、Δu3(k))的變化也被考慮在內。MALDONADO等[87]在目標函數中將追蹤誤差(即軌跡(rj(k+α/k))與預測控制變量(yj(k+α)k)之間的差值)設為加權項,被操縱變量則以(Δup(k+α))為加權項。MALDONADO等[87]將目標函數定義為銅尾煤品位的最小值,盡管尾煤品位易測量,但通過降低尾煤品位最大限度提高回收率能最大程度提高經濟效益。

基于模型的浮選預測控制在工業規模上已有成功案例,但由于模型表達能力太過單一,無法準確預測浮選過程變量的動作值,未實現有效應用。煤泥浮選過程由于缺乏基于模型的浮選預測控制基礎理論,很難用簡單模型準確表示,工業應用困難。浮選過程精準控制預測模型較多,但精度和時效性無法達到工業現場應用需求。

綜上,專家控制系統無需精確的數學模型,且在理論結構上已成熟,應用于浮選等控制領域,但預測精度不高。傳統浮選控制主要利用過程操作變量、圖像特征和冶金參數之間的相關性評估浮選過程變量,變量預測值被微調以縮小實際過程輸出和設定值之間的偏差。對于更高維的浮選過程數據集,很難建立可靠的知識庫。深度學習能有效適應這種數據結構,如強化學習可利用大容量網絡輕松適應高維數據空間,但強化學習的數據捕獲可能在現實浮選過程中難以實施。已開發的浮選視覺監測系統只針對特定礦物浮選工藝,專一性很強。浮選過程變量和工況不同使浮選泡沫特征參數和浮選性能之間關系不一致。因此,對于煤泥浮選工藝,應尋求浮選過程建模方法和控制浮選系統新方案。

3 結語及展望

選煤廠智能化建設受國家政策持續牽引、新技術驅動和工業迫切需求等多因素推動,是煤炭分選工業未來產業升級的必由之路,而浮選工藝作為復雜度較高的環節,一直是重點課題。當前煤泥浮選工藝系統智能控制技術在浮選精煤/尾煤灰分在線預測、浮選藥劑智能添加和煤泥浮選系統智能決策等多方面取得突破,其中以深度學習為代表的新一代人工智能建模技術表現出色。但煤泥浮選工藝是一個復雜的工業系統,受煤質變化、設備折舊率、變量檢測技術精度影響,在工業上批量化實現煤泥浮選智能控制系統還需持續攻關。

1)相較浮選尾礦灰分,浮選精煤灰分預測研究是未來研究重點,工業浮選泡沫圖像易發生兼并撕裂,這些干擾因素降低了實際泡沫表層特征與精煤灰分之間的相關性,考慮到精煤礦漿本身攜帶特征信息,未來應從稀釋精煤礦漿的視覺信息和外加檢測媒介(如射線等)方面提取更多維度的特征信息進行灰分建模。浮選尾礦灰分未來研究重點是持續提高預測模型的精度和魯棒性。

2)浮選藥劑添加受多個浮選工況變量同時制約,盡管機器學習模型近幾年嶄露頭角,但模型在整個工況區間的適應性和泛化能力還需進一步提升。未來應將浮選工況劃分多段建模,通過模型匹配機制制定智能浮選藥劑添加策略。

3)煤泥浮選智能控制系統受浮選精煤/尾煤灰分指標預測精度、傳感器檢測精度、藥劑添加精度等方面限制,對比金屬礦物浮選智能控制系統建設,煤泥浮選智能控制技術未來除構建高效、精準的預測模型外,還需借鑒專家經驗,結合多維度特征變量融合建模技術開發煤泥浮選智能控制系統。

4)煤泥浮選智能控制技術很容易受煤質信息影響產生波動,因此未來應在多煤種、多地質結構和不同礦區間建立煤泥浮選智能控制資料大數據集,結合基因選礦部分方法,實現控制模型在不同煤種和工況條件下的自適應切換。