選煤廠跳汰過程檢測信息在智能化生產中的應用

任寶軍

（神木市煤礦安全和市場秩序保障中心，陜西榆林 719300）

0 引言

跳汰生產過程（以下簡稱“跳汰過程”）是選煤廠煤炭加工的重要環節之一，也是影響煤炭產品質量和產量的關鍵因素。為確保產品的質量和產量達到預期目標，該過程需要進行多種檢測工作，不過由于傳統的檢測方法通常只能獲得局部、片面的信息，難以全面、準確地評估整個生產過程的質量和效率，因此相關研究人員嘗試將信息融合技術逐漸引入選煤廠跳汰過程。通過將不同來源的數據從多個傳感器或儀表進行整合和處理，從而實現更全面、準確、可靠的評估。

1 跳汰生產的狀態分析

跳汰生產是一種常用的粉體制造過程，其中顆粒的松散度是跳汰分選過程中非常重要的參數，會對產品的質量和工藝性能產生重要影響。松散度是指顆粒間的間隙和空隙，它可以決定顆粒的分選效果。床層松散度指床層中顆粒間空隙所占比例，通常用于評價跳汰分選機的性能和效率[1]。

在跳汰過程分選中，顆粒通過振蕩床層來實現不同密度的顆粒之間的分離。床層的松散度直接影響床層中顆粒的運動情況，如果床層松散度太小，則會導致顆粒不能自由運動，從而降低分選效率；而松散度過大則會破壞原有的松散效果，導致已分好層的床層被破壞，也會降低分選效率。因此，在跳汰分選過程中，需要將床層松散度控制在一定范圍內。一般來說，床層松散度的大小與顆粒的形狀、密度、大小以及床層高度等有關。為了達到最佳的分選效果，需要綜合考慮這些因素，并通過調整床層的振幅和頻率等來控制床層松散度。其中，整床能夠達到的松散度Sv為：

其中，Sv0為密實期整床松散度；h0為整床厚度，h1與h2分別為整床上邊界、下邊界的高度。

操作參數對于分選效果的影響非常重要。雖然操作參數有很多，但是通過跳汰過程分析和人工操作經驗，可以確定一些關鍵的操作參數來實現調控，其中排料量、浮標配重等非常重要。排料量可以控制床層中顆粒的密度和松散度，從而影響分選效果。而浮標配重則可以控制顆粒的上升速度和停留時間，從而影響分選精度和品質[2]。因此，在跳汰分選過程中，需要精確控制排料量和浮標配重。

此外，床層松散度還會受到許多其他因素影響，如跳汰頻率、風閥周期、給料量等。其中，跳汰頻率可以影響床層中顆粒的運動情況，從而影響分選效率和品質；風閥周期可以影響顆粒的干燥程度和流動性，給料量則可以影響顆粒的密度和松散度，從而影響分選效果。

為了實現最佳的分選效果，相關工作人員需要整理并分析實時參數采集數據，以選擇最優的操作參數組合來控制床層的松散度，進而判斷當前分選過程是否符合要求，并及時調整操作參數，以實現最佳的分選效果。

2 構建松軟度測量模型

2.1 LS-SVM 算法

LS-SVM（Least Squares Support Vector Machines，最小二乘支持向量機）算法是SVM（Support Vector Machines，支持向量機）算法的一種衍生算法，屬于回歸算法類型。與常用的各種神經網絡算法（Neural Network）相比，LS-SVM 的優勢在于訓練結果隨機性低、訓練時間短。因此，本次研究中，工作人員在構建松軟度測量模型時引入LS-SVM 算法。

設模型訓練樣本集合為（xi，yi），將一個非線性映射量φ（x）引入該模型，利用φ（x）完成向量輸入空間Rd到特征向量空間的映射，并在特征向量空間中計算最優函數：

LS-SVM 算法采用了很多的核函數，包括多項式核、RBF（Radial Basis Function）徑向基核等（表1）。在實際使用過程中，需要根據具體需求以及使用場景靈活調用[3]。

表1 LS-SVM 算法常用核函數

在本次研究中，考慮到松軟度測量實際需求，工作人員采用RBF 徑向基核函數（Radial Basis Function，RBF kernel），給定該函數中的參量σ 及正規化參數c，在給定σ 與c 初始值之后，其他參數可以通過模型的線性求解得到。

2.2 構建LS-SVM 模型

跳汰過程中，原煤的質量和數量、跳汰周期、風閥周期是影響分層效果的關鍵操作變量。研究人員為了更好地控制排料，使用浮標裝置，該裝置會隨著床層一同運動并參與分層過程。基于這一特點，研究人員通過分析浮標裝置的運動軌跡，就能夠判斷物料在交替水流中的分選狀況[4]。因此，研究人員收集浮標裝置發送的信號，判斷含床層松散度具體參數并建立床層松散度LS-SVM 模型：

該模型的工作流程如圖1 所示。

2.3 床層松軟度測量實現

本次研究中，工作人員使用Sklearn 工具包創建LS-SVM 床層松軟度測量模型，使用85%的樣本數據對模型進行訓練，剩余15%數據則作為測量數據對該模型分析精準性進行驗證，其結果如表2 所示。

表2 LS-SVM 床層松軟度測量模型預測結果誤差分析

由表2 可以發現，當床層松散度小于0.5 時，模型的預測值與實際值之間的擬合度較好；當床層松散度大于0.5 時，預測值的殘差擴大，且樣本擬合度下降。

3 跳汰過程檢測信息融合

3.1 信息融合體系

跳汰檢測信息融合是一個針對生產過程的控制系統，其基于生產過程數據，結合離線數據、監控圖像等多種結構化數據，借助床層松散度模型融合數據信息，能夠準確診斷生產過程的狀態并對跳汰過程中出現的異常進行評價，實現智能控制與智能診斷，提高跳汰檢測效率。具體而言，該系統可以通過綜合分析各種數據源得到更加準確和全面的生產過程狀態信息，并根據這些信息進行決策和預測，最終幫助企業實現更好的生產管理和控制（圖2）。

圖2 跳汰生產過程中檢測信息融合體系

3.2 數據采集系統設計

在進行跳汰過程數據采集工作之前，工作人員需要先進行勘察，對現場工況以及重要參數進行采集與整理。在此基礎上，研究人員基于OPC 協議以及工控系統PLC 控制器實現數據的實時傳輸。在跳汰過程中，變量數據通過傳感器檢測后，按照4～20 mA 信號接入到PLC 控制器，并根據檢測需求對信號進行轉換，通過這種方式將電信號轉變為變量數據。最終，這些數據通過以太網、光纖等方式與上位機的連接。設計該系統過程中，研究人員為了確保數據的實時性與準確性，基于OPC 協議設置數據采集標簽，確定PLC 控制器地址。需要注意的是，一些企業使用iFix 組態軟件，這樣可以直接使用iFix 服務器設置數據標簽，無需額外購買OPC 服務器軟件。通過這些步驟，跳汰過程數據將被準確地采集并用于后續的分析和處理[5]。

本次研究中，工作人員基于.NET 平臺開發設計數據采集客戶端。該客戶端主要包含以下5 個功能模塊：

（1）顯示模塊。用于實時顯示當前系統成功讀取數據次數。

（2）采集模塊。點擊按鈕即可啟動計時器，系統會自動讀取相關數據。

（3）參數配置模塊。該模塊的主要作用是配置數據參數，主要包括OPC 服務器、SQLServer 服務器配置參數。在存儲設置中，用戶可以根據跳汰周期過程檢測實際需要，靈活設置標簽采集頻率。

（4）初始化模塊。對各模塊數據進行初始化處理，為數據采集做好準備。

（5）自動采集模塊。設置自動采集功能，提高數據采集效率。

通過這些功能模塊，數據采集客戶端可以實現對跳汰過程數據的快速采集，并且具有靈活的參數配置和自動化操作優點，使數據采集和處理變得更加高效和便捷。

4 結束語

跳汰過程中的檢測信息在選煤廠智能化生產中的應用，可以有效提高生產效率與產品質量。通過傳感器采集和處理煤炭的物理和化學參數，實現對煤質的在線檢測和分析，從而及時調整工藝參數，優化生產流程。同時，利用人工智能算法對數據進行分析和預測，可以實現故障預警、生產計劃優化等功能，進一步提高生產自動化水平和管理效率，為企業帶來更好的經濟效益和社會效益。