选煤厂原煤智能配比控制系统设计.pdf

工矿自动化 I n d u st r y a n d Min e Au t o ma t io n 第45卷第7期 2019年7月 Vo l, 45 No . 7 Ju l. 2019 文章编号1671-251X201907-0043-05DOI 10.13272/j. issn . 1671-251x . 17427 选煤厂原煤智能配比控制系统设计 袁鹏涛，王然风，付翔 （太原理工大学矿业工程学院，山西太原 030024） 扫码移动阅读 摘要针对选煤厂配煤入选过程中通过理论计算的原煤定值配比难以满足现场生产要求，而依据人工经 验调节原煤配比随机性大、精煤质量难以保证、人工劳动强度大等问题，设计了 一种选煤厂原煤智能配比控 制系统。利用最小二乘支持向量机建立原煤智能配比预测模型，并采用粒子群优化算法进行模型参数优化。 该系统以原煤灰分实测值、原煤硫分实测值、每小时原煤平均入选量、分选密度、精煤灰分实测值、精煤灰分 目标值、精煤硫分实测值和精煤硫分目标值作为模型输入变量，经模型计算得出相应的原煤配比预测值；通 过胶带秤测量给煤机的给煤量得到原煤配比实测值，并与预测值比较得出原煤配比偏差量；PI D控制器根据 偏差量控制给煤机的变频器频率，实现原煤配比精准调节。该系统应用后精煤灰分和硫分波动范围明显减 小，精煤质量稳定性良好；精煤灰分与灰分目标值差值控制在0. 2,精煤硫分与硫分目标值差值控制在 0.15,提高了精煤质量。 关键词选煤厂；配煤入选；原煤配比；精煤灰分；精煤硫分；最小二乘支持向量机；粒子群优化算法 中图分类号TD948 文献标志码A Design of intelligent ratio control system for raw coal in coal preparation plant YUAN Pen g t a o , WANG Ra n f en g , FU Xia n g Co lleg e o Min in g En g in eer in g , Ta iyu a n Un iv er sit y o Tec h n o lo g y, Ta iyu a n 030024, Ch in a Abstract I t is d if f ic u lt t o meet r eq u ir emen t o f ield pr o d u c t io n by t h eo r et ic a lly c a lc u la t in g f ix ed r a t io o r a w c o a l in blen d ed c o a l pr epa r a t io n pr o c ess o f c o a l pr epa r a t io n pla n t , a n d pr o blems su c h a s la r g e r a n d o mn ess, lo w q u a lit y o f c lea n c o a l a n d h ig h la bo r in t en sit y a r e ex ist ed in r a w c o a l r a t io a d ju st men t a c c o r d in g t o ma n u a l ex per ien c e. Ac c o r d in g t o a bo v e pr o blems, a n in t ellig en t r a t io c o n t r o l syst em f o r r a w c o a l in c o a l pr epa r a t io n pla n t w a s d esig n ed . Lea st sq u a r es su ppo r t v ec t o r ma c h in e is u sed t o est a blish a pr ed ic t io n mo d el o f in t ellig en t r a w c o a l r a t io , a n d pa r t ic le sw a r m o pt imiza t io n a lg o r it h m is a d o pt ed t o o pt imize mo d el pa r a met er s. Th e syst em t a k es mea su r ed a sh c o n t en t v a lu e o f r a w c o a l, mea su r ed su lf u r c o n t en t v a lu e o f r a w c o a l, a v er a g e f eed a mo u n t o f r a w c o a l per h o u r , sepa r a t io n d en sit y, mea su r ed a sh c o n t en t v a lu e o f c lea n c o a l, a sh c o n t en t t a r g e t v a lu e o f c lea n c o a l, mea su r ed su lf u r c o n t en t v a lu e o f c lea n c o a l a n d su lf u r c o n t en t t a r g e t v a lu e o f c lea n c o a l a s in pu t v a r ia bles o f t h e mo d el, so a s t o o bt a in pr ed ic t ed v a lu e o f r a w c o a l r a t io . Co a l f eed a mo u n t o f c o a l f eed er is mea su r ed by belt sc a le t o c a lc u la t e mea su r ed v a lu e o f r a w c o a l r a t io , a n d d ev ia t io n o r a w c o a l r a t io is o bt a in ed by c o mpa r in g t h e mea su r ed v a lu e w it h t h e pr ed ic t ed v a lu e. PI D c o n t r o ller c o n t r o ls f r eq u en c y c o n v er t er o f t h e c o a l f eed er a c c o r d in g t o t h e d ev ia t io n a mo u n t t o a c h iev e a c c u r a t e a d ju st men t o f r a w c o a l r a t io . Th e a c t u a l a pplic a t io n r esu lt s sh o w t h a t f lu c t u a t io n r a n g e o f a sh a n d su lf u r c o n t en t o f c lea n c o a l is sig n if ic a n t ly r ed u c ed a n d q u a lit y st a bilit y o f c lea n c o a l is g o o d . Dif f er en c e bet w een a sh c o n t en t o f c lea n c o a l a n d a sh c o n t en t t a r g et v a lu e is c o n t r o lled w it h in 收稿日期2019-04-20；修回日期2019-06-20；责任编辑盛男。 基金项目山西省科技计划研究项目201801D221358。 作者简介袁鹏涛1994 ，男，陕西兴平人，硕士研究生，主要研究方向为煤矿电气设备自动化,E-ma ilyu a n pen g t a o 00163. c o mQ 引用格式袁鹏涛，王然风，付翔选煤厂原煤智能配比控制系统设计[JZK工矿自动化,2019,45743-47. YUAN Pen g t a o, WANG Ra n f en g , FU Xia n g . Desig n o f in t ellig en t r a t io c o n t r o l syst em f o r r a w c o a l in c o a l pr epa r a t io n pla n t [J]. I n d u st r y a n d Min e Au t o ma t io n ,2019,457 43-47. 44 工矿自动化2019年第45卷 0.2, a n d d if f er en c e bet w een su lf u r c o n t en t o c lea n c o a l a n d su lf u r c o n t en t t a r g e t v a lu e is c o n t r o lled w it h in 0.15, w h ic h v er if y q u a lit y impr o v emen t o c lea n c o a l. Key wordsc o a l pr epa r a t io n pla n t; blen d ed c o a l pr epa r a t io n; r a w c o a l r a t io; a sh c o n t en t o f c lea n c o a l; su lf u r c o n t en t o f c lea n c o a l; lea st sq u a r es su ppo r t v ec t o r ma c h in e; pa r t ic le sw a r m o pt imiza t io n a lg o r it h m 0引言 中国炼焦原煤资源总量处于稀缺状态，且炼焦 原煤煤质较差，难选和极难选原煤约占炼焦原煤总 量的623匚为合理利用煤炭资源，生产符合质 量要求的炼焦精煤，选煤厂应采用配煤技术实现难 选和极难选原煤入选，以降低优质炼焦原煤使用量。 针对不同煤种原煤混配后再入选的方式，文献 ［4-5］研究了不同煤种原煤可选性曲线及不同配比 下的精煤硫分和灰分，通过理论计算得出了原煤定 值配比;文献［6］以原煤和精煤的煤质信息作为约束 条件，以配煤成本为目标函数,建立了线性规划数学 模型，得出了原煤定值配比。然而原煤煤质随井下 开采情况发生变化，原煤定值配比难以满足现场多 变的生产要求，因此在实际生产过程中，根据原煤定 值配比及人工化验的精煤硫分和灰分控制原煤入选 配比，实现不同煤种原煤混配入选。但依靠人工经 验调节原煤配比的随机性较大，混配的原煤可选性 不稳定，精煤质量很难得到保证，且人工劳动强度较 大，无法实现原煤配比有效调节和精准控制。 本文基于配煤入选方式及原煤配比原则，设计 了一种原煤智能配比控制系统。利用最小二乘支持 向量机Lea st Sq u a r es Su ppo r t Vec t o r Ma c h in e, LSSVM建立原煤智能配比预测模型，并采用粒子 群优化Pa r t ic le Sw a r m Opt imiza t io n,PSO算法进 行模型参数优化。该系统以原煤灰分实测值、原煤 硫分实测值、每小时原煤平均入选量、分选密度、精 煤灰分实测值、精煤灰分目标值、精煤硫分实测值和 精煤硫分目标值作为模型输入变量，经模型计算得 出相应的原煤配比预测值，依据原煤配比预测值与 实测值的偏差量，通过PI D控制调整给煤机的变频 器频率，从而精确调节原煤配比。 1配煤入选方式及原煤配比原则 井下生产的原煤根据煤种不同堆放在不同煤 仓，通过调节煤仓底部给煤机的电动机转速控制原 煤给料，安装在原煤胶带机上的胶带秤对给煤机的 给煤量进行测量。配煤入选方式如图1所示。 配煤入选目的是低值原煤和优质原煤进行混 配，提高低值原煤的利用率，以缩小原煤分选密度的 调节范围，节约煤炭资源刀。原煤配比主要原则 煤仓 煤仓 煤仓 原煤胶带机 图1配煤入选方式 Fig . 1 Blen d ed c o a l pr epa r a t io n mo d e ①精煤灰分满足精煤灰分目标值的要求一不能 高于灰分目标值范围上限,否则影响精煤质量;不能 低于灰分目标值范围下限，否则影响精煤产率。当 分选密度一定时,若精煤灰分高于目标值范围上限, 则需要减小高灰原煤的入选量；若精煤灰分低于目 标值范围下限，则需要增大高灰原煤的入选量。 ②精煤硫分与硫分目标值差值高于允许误差范围 上限时，需要减小高硫原煤的入选量;精煤硫分与硫 分目标值差值低于允许误差范围下限时，需要增大 高硫原煤的入选量。③原煤分选密度对精煤灰分 影响较大一分选密度过高会导致精煤灰分增高， 精煤质量下降;分选密度较低会导致精煤灰分较低， 精煤产率下降。④当分选密度一定时，混合原煤灰 分影响精煤灰分，原煤配比不同则精煤灰分也不同， 若以灰分为依据配煤入选，则原煤灰分与分选密度 是原煤配比的重要依据;原煤硫分影响精煤硫分，原 煤中的硫可分为有机硫和无机硫，经过洗选只能减 少部分无机硫，难以降低有机硫含量,若以硫分为依 据配煤入选，则原煤硫分是影响原煤配比的重要因 素。但在实际生产过程中，以单一硫分或灰分作为 原煤配比依据的较少，而多数原煤煤质比较复杂，在 同时考虑硫分与灰分时，很难用简单的数学关系得 出精确配比。 2原煤智能配比控制原理 选煤厂原煤入选过程中，经重介质分选系统得 到的精煤产量占总精煤产量的70以上，因此根据 原煤配比原则，本文以原煤灰分实测值①、原煤硫 分实测值◎及重介质分选系统生产数据每小时原 煤平均入选量血、分选密度如、精煤灰分实测值 竝、精煤灰分目标值血、精煤硫分实测值和精煤 硫分目标值天作为基于PSO-LSSVM的原煤智能 2019年第7期袁鹏涛等选煤厂原煤智能配比控制系统设计 45 配比预测模型的输入变量，预测配比y作为模型输 出变量。通过胶带秤测量给煤机的给煤量得到实测 配比，并与预测配比进行比较，得出配比偏差量。 PI D控制器根据偏差量控制给煤机的变频器频 率血如，实现原煤配比精准调节。原煤智能配比控 制原理如图2所示。 原煤灰分实测值 11 原煤硫分实测值七 每小时原煤平均入选量乃 分选密度勺 精煤灰分实测值心 - 精煤灰分目标值牝 精煤硫分实测值乃 精煤硫分目标值 xs 预测配比尹 基于PSO-LSSVM的原煤 智能配比预测模型 生产数据 PI D控制器 频率 变频器 转速 给煤机 实测配比 配比计算 给煤量 胶带秤 图2原煤智能配比控制原理 Fig . 2 Pr in c iple o f in t ellig en t r a t io c o n t r o l f o r r a w c o a l 3 基于PSO-LSSVM的原煤智能配比预测模型 3. 1 LSSVM 原理 给定一组样本集S｛a ,y）｝€R”XR,其中 d l,2,，N,N为样本数，竝为输入变量，y为输 出变量“为维数令乂｛竝｝,运用非线性映射 函数卩Q）将输入变量映射到高维特征空间，从而建 立回归函数 /（） 卩（丄） b （1） 式中o为权向量为偏移量，帀为第j个变量的第i 个样本值；Min Xj为第j个变量的最小值；Ma x x； 为第j个变量的最大值。 本文建模数据来自回坡底煤矿选煤厂生产数 据，选择140组具有代表性的数据作为样本。将 140组样本进行归一化处理后，再进行反归一化处 理，并将反归一化后数据分为训练组（110组）和测 试组（30组）。 模型预测精度与正则化参数7和核函数参数/ 有密切关系，参数大小影响函数拟合时间和误差。 PSO算法具有运算快捷、简单、拟合时间短等特点, 因此本文采用PSO算法对正则化参数7和核函数 参数/进行优化14-15] o PSO算法流程如图3所示, 相关参数见表1。 图3 PSO算法流程 Fig . 3 PSO a lg o r it h m f lo w 通过训练组对原煤智能配比预测模型训练后, 原煤配比预测值和测试组实际值对比结果如图4所 示，可看出原煤配比预测值与实际值吻合度较高。 采用均方根误差 RMSE 和平均绝对百分误差 0MAPE作为模型性能评价指标 ermse J专艺卩 yd2 7 46 工矿自动化 2019年第45卷 表1 PSO算法相关参数 Ta ble 1 Rela t ed pa r a met er s o f PSO a lg o r it h m 参数数值参数数值 局部学习因子1.25权向量最小值0. 8 全局学习因子 1.63权向量最大值1.2 粒子数110正则化参数最小值0. 01 最大迭代次数200正则化参数最大值1 000 粒子维度2核函数参数最小值0. 1 支持向量机交叉验证参数3核函数参数最大值100 图4原煤配比预测值和实际值对比 Fig . 4 Co mpa r iso n o f pr ed ic t ed v a lu e a n d a c t u a l v a lu e o r a w c o a l r a t io CMAPE 焉若 「如 x 100 8 式中yi为实际值。 由式7和式8可知，模型预测值与实际值的 均方根误差eRMSE 0. 216,平均绝对百分误差 eMAPE 6.85,模型预测精度为93. 15,表明模型 预测效果良好。 4原煤智能配比控制系统 原煤智能配比控制系统主要由设备层、控制层、 管理层组成，如图5所示。控制器采用Qu a n t u m系 列PLC；上位机选用I PC610L型工控机；组态软件 采用I FI X。 瞬时流量为4〜20 mA电流信号，由测速滚筒进行 测量；累计流量为脉冲信号，由称重传感器进行计 量。将胶带秤的瞬时流量、累计流量分别通过模拟 量模块、数字量模块接入自动配煤分站，其他设备分 站采集选煤厂重介质分选系统生产数据。分站将采 集的数据通过以太网通信模块上传至控制主站，控 制主站通过以太网将数据上传至I FI XO I FI X将数 据通过OPC通信方式传输至Ma t la b中，Ma t la b利 用原煤智能配比预测模型计算出原煤配比预测值， 并通过OPC通信方式传输至I FI XO I FI X通过以太 网通信方式将数据下发至控制主站，数据经过控制 主站PI D运算后通过以太网传输至自动配煤分站， 由自动配煤分站控制给煤机的变频器频率，从而实 现原煤配比精准控制。 5系统应用效果 原煤智能配比控制系统已应用在回坡底煤矿选 煤厂原煤入选生产环节。系统应用前后精煤灰分和 硫分对比如图6和图7所示。可看出系统应用后精 煤灰分和硫分波动范围明显减小，精煤质量稳定性 良好;精煤灰分与灰分目标值差值控制在0. 2, 精煤硫分与硫分目标值差值控制在0. 15,精煤 灰分和硫分均满足实际生产要求。 图6系统应用前后精煤灰分对比 Fig . 6 Co mpa r iso n o f a sh c o n t en t o f c lea n c o a l bef o r e a n d a f t er syst em a pplic a t io n 管理层 I FTX 工控机 OPC通信 Ma t la b PLC 以太网 图5原煤智能配比控制系统结构 Fig . 5 St r u c t u r e o f in t ellig en t r a t io c o n t r o l syst em f o r r a w c o a l 胶带秤有瞬时流量和累计流量2种输出信号 图7系统应用前后精煤硫分对比 Fig . 7 Co mpa r iso n o f su lf u r c o n t en t o f c lea n c o a l bef o r e a n d a f t er syst em a pplic a t io n 6结语 原煤智能配比控制系统根据原煤煤质信息及重 介质分选系统生产数据得出原煤配比预测值，通过 2019年第7期袁鹏涛等选煤厂原煤智能配比控制系统设计 47 比较原煤配比预测值和实测值，得出原煤配比偏差 量,并利用PI D控制器控制给煤机的变频器频率， 实现原煤配比动态、准确调节。该系统应用后精煤 灰分和硫分波动范围明显减小，精煤质量稳定性良 好;精煤灰分与灰分目标值差值控制在0. 2,精 煤硫分与硫分目标值差值控制在士 0.15,提高了 精煤质量。 参考文献References [11赵林盛，彭垠，邢春芳，等优质稀缺炼焦中煤再选技 术的试验研究[J1中国煤炭,2013,39977-81. ZHAO Lin sh en g , PENG Yin , XI N Ch u n f a n g, et a l. Resea r c h o n sc a r c e a n d h ig h q u a lit y c o k in g mid d lin g s t ec h n o lo g ies]J]. Ch in a Co a l,2013,399 77-81. [2] 程子矍.我国煤炭洗选加工和煤质现状及“十三五”展 望[J1煤炭加工与综合利用,2017517-20. [3] 徐虎彪我国炼焦煤洗选工艺现状与展望[J].选煤技 术,2017687-90. XU Hu bia o . St a t e-o f -t h e-a r t a n d d ev elo pmen t pr o spec t o f Ch in a s c o k in g c o a l c lea n in g t ec h n o lo g y [J]. Co a l Pr epa r a t io n Tec h n o lo g y,20176 87-90. [4] 郭冬梅天宏选煤厂丁戊庚组煤配煤入选的探索与应 用[J1 煤炭工程,2018,502 84-86. GUO Do n g mei. Applic a t io n o f I V-V-VII g r o u p blen d ed c o a l pr epa r a t io n t ec h n o lo g y in Tia n h o n g Co a l Pr epa r a t io n Pla n t Qj]. Co a l En g in eer in g ,2008,502 84-86. [5] 员文娥屯兰矿选煤厂2号与8号原煤最佳配煤方案 研究[J1煤炭科学技术,2013,41增刊2409-411. YUAN Wen e・ St u d y o n t h e o pt imu m c o a l blen d in g pla n w it h No . 2 a n d No . 8 c o a l in Tu n la n Min e Co a l Pr epa r a t io n Pla n t [J]. Co a l Sc ien c e a n d Tec h n o lo g y, 2013,41S2 .409-411. [6] 孙景丹，杜新伟，李哲.基于线性规划法的配煤入选试 验[J1 洁净煤技术,2014,2021-4. SUN Jin g d a n , DU Xin w ei, LI Zh e. Co a l blen d in g ex per imen t ba sed o n lin ea r pr o g r a mmin g [ J]. Clea n Co a l Tec h n o lo g y, 2014,202 1-4. 7 ]刘敏，闵凡飞选配煤中心配煤入选提高低值煤经济 效益的实践[J].选煤技术,2018583-85. LI U Min, MI N Fa n f ei. Pr a c t ic e o f sepa r a t io n o lo w - g r a d e c o a l t h r o u g h blen d in g f o r impr o v ed ec o n o mic r esu lt a t t h e c o a l pr epa r a t io n blen d in g c en t er [J]. Co a l Pr epa r a t io n Tec h n o lo g y,20185 83-85. [8]姜雪，刘思哲,李志强数字PI D控制器在配煤系统中 的应用[J1山东科技大学学报自然科学版,2006, 25147-4 JI ANG Xu e, LI U Sizh e, LI Zh iq ia n g . Applic a t io n o f d ig it a l PI D c o n t r o ller in c o a l-blen d in g syst em [J]. Jo u r n a l o f Sh a n d o n g Un iv er sit y o f Sc ien c e a n d Tec h n o lo g yNa t u r a l Sc ien c e ,2006,251 47-48. [9] 王吉刚.基于PI D算法的井下自动配煤系统研究 LD].青岛山东科技大学,2012. [10] 刘春梅基于PI D控制器的配煤控制系统设计与实现 [J].通信技术,2013,46251-54. LI U Ch u n mei, Desig n a n d implemen t a t io n o f c o a l blen d in g c o n t r o l syst em ba sed o n PI D c o n t r o ller [J Co mmu n ic a t io n s Tec h n o lo g y,2013,462 51-54. LU]王安义，郭世坤■基于LS-SVM的矿井巷道场强预测 [J1 工矿自动化,2014,401036-40. WANG An yi, GUO Sh ik u n . Pr ed ic t io n o f f ield in t en sit y in min e t u n n el ba sed o n LS-SVM [J]. I n d u st r y a n d Min e Au t o ma t io n ,2014,4010 36-40, [12] 王新,孟玲玲基于EEMDLSSVM的超短期负荷预 测[J].电力系统保护与控制,2015,43161-66. WANG Xin , MENG Lin g lin g . Ult r a -sh o r t -t er m lo a d f o r ec a st in g ba sed o n EEMD-LSSVM [J]. Po w er Syst em Pr o t ec t io n a n d Co n t r o l,2015,431 -61-66・ [13] 方必武，刘涤尘，王波，等基于小波变换和改进萤火 虫算法优化LSSVM的短期风速预测[J].电力系统 保护与控制,2016,448 37-43. FANG Biw u , LI U Dic h en , WANG Bo , et a l. Sh o r t t er m w in d speed f o r ec a st in g ba sed o n WD-CFA- LSSVM mo d el [ J ]. Po w er Syst em Pr o t ec t io n a n d Co n t r o l,2016,44837-43. [14] 杨柳，孙金华，冯仲科，等基于PSO-LSSVM的森林 地上生物量估测模型[J1农业机械学报,2016,47 8273-279. YANG Liu , SUN Jin h u a , FENG Zh o n g k e, et a l. Est ima t io n mo d el o f f o r est a bo v e-g r o u n d bio ma ss ba sed o n PSO-LSSVM [J]. Tr a n sa c t io n s o f t h e Ch in ese So c iet y o f Ag r ic u lt u r a l Ma c h in er y, 2016,47 8273-279. [15] 彭娟，程健，韩仿仿，等基于粒子群算法的自动配煤 系统多目标优化[J1工矿自动化，2009, 35 10 25-28・ PENG Ju a n , CHENG Jia n , HAN Fa n g f a n g , et a l. Mu lt i-t a r g et o pt imiza t io n f o r a u t o ma t ic blen d in g c o a l syst em ba sed o n PSO a lg o r it h m [ J ]. I n d u st r y a n d Min e Au t o ma t io n ,2009,3510 25-28.