机器学习在选煤厂的应用

dsvgdfsbv

1机器学习简介

) H% D( g2 i2 B3 f  |# `- Z　　机器学习是研究如何使用计算机模拟人类行为以获得新知识和技术的学科，是人工智能的核心。机器学习主要分为监督学习和无监督学习两种(图1)。监督式机器学习旨在根据存在不确定性的证据建立可预测的模型。监督学习算法接受已知的输入数据集和对数据的已知响应(输出)，然后对模型进行训练，使模型能够生成合理的预测，以响应新的输入数据。换句话说，监督学习使用分类回归和回归技术预测模型。没有监督的学习可以在数据中发现隐藏的模式或内部结构。其中聚类是最常用的无监督机器学习技术之一。

5 i+ a; K; \; z) i　　目前，机器学习广泛应用于人脸识别、图像识别、数据挖掘、广告投放、推荐系统、基于文本内容的垃圾邮件识别等领域。随着选煤厂设备自动化和数字化水平的提高，选煤厂的数据收集越来越方便，机器学习为其在选煤厂的应用提供了强有力的数据支持。
, r) ?  N5 Y6 X0 i7 |! ^; y
　　2机器学习在选煤工艺中的应用
) k( ^$ e4 z5 X/ A! V( D2 j
; ?: H0 t/ W8 J: f　　2.1连任
+ O) x8 y* A5 Y+ t+ F# e! U8 g
　　对于选煤厂来说，在原煤质量确定的情况下，监控和复位芯片选煤工艺的选择对产品质量和生产率具有很大的决定性作用。目前，随着煤炭质量的恶化，越来越多的选煤厂采用重介质选煤工艺，提高了产品质量。重质选煤工艺中最重要的三个变量是重质悬浮液的密度、煤泥含量和合格介质桶液位。
) w; O, L; z7 H  ^  U
5 B8 T" @* W* u! P! d- L( v　　曹珍贯通过对重介质选煤控制过程中数据反馈、参数设置、重介质密度控制的研究，AC DC 转换器，离线转换开关建立了预测重介质密度的模型。在此过程中，他利用LS-SVM算法对样本数据进行了训练，建立了灰色测量仪校正模型，可以对在线灰色测量仪中检测到的数据进行及时校正。

　　孙路径以皮带称重、灰分仪器和循环介质密度为输入矩阵，选择神经网络、逻辑回归算法和决策树算法建立数据挖掘模型，进行预测比较，得出神经网络算法更适合循环介质预测的结论。
* g6 z" {( a0 [/ E; p7 K
　　目前，中国矿业大学研究了重介分选过程智能控制系统，该系统将原煤灰分的动态变化实时传递给控制系统，栅极驱动器实现了重介分选密度的智能控制。
, A* z% f, j% W8 j
; j) q* V8 @. X- W- G+ L$ t9 M& _　　2.2扶养人
, X5 T# K) S0 ?$ u
1 J8 C% x8 Q3 f! Y. R6 N8 C! M　　基于王光辉水煤浆不同灰分颜色的表观差异，提出了基于图像的水煤浆灰分在线监测方法，建立了基于BP神经网络的水煤浆灰分预测模型，实现了低灰分曹文龙对基于煤泥浮选泡沫图像处理系统获得的浮选图像进行了预处理，得到了基于BP神经网络浮选精煤的预测模型。

　　任浩 晋煤针对集团煤泥处理现状，即煤矿洗涤厂煤泥处理效率低下、药剂浪费严重的问题，设计了基于BP神经网络的选矿厂药剂添加系统。通过该系统的应用，自动预测假药量，自动加药，大大减少了药剂使用量，提高了煤泥处理效果。
; r7 |- Y3 `* F: L/ V0 i; y
　　2.3煤炭质量检验

　　以张泽琳 Ethersey无烟煤为研究对象，设计了基于机器视觉的原煤选择性实时预测和超纯煤灰分实时预测系统。经过现场试验，基本可以满足现场环境的需要。
2 E& \+ Y4 n. {; ]# w1 @5 ?
1 Z( N4 j7 \4 n" P! m　　三机学习在选煤设备中的应用
2 w+ q% W2 ~' j) N" J& _
8 N+ b. W# Y. v2 b9 S! ?- G* ~) L" F　　袁华听提出了以x射线源为x射线源，以运输带的煤炭和研石密度为基础的x射线图像为基础的煤炭研石智能分类系统，对图像进行预处理后，使用图像识别技术，通过培训等相关步骤。

　　宋文革等设计了基于双能x射线识别和三维机器牵手目标研石的在线智能采摘系统。粒度对于300~50mm圆弹，皮带输送带速度为0.5~0.8m/S

& n& j. N2 ~4 z- u9 M　　TDS智能吹风机以仿双能源x射线为主要探测源(图2)，根据煤炭与研石的区别，利用图像识别技术建立数学模型，利用高压气体将模型识别为研石和煤炭。
8 f. ?4 i& j' @( S9 V
　　传统的锤击料位计、红外检测和超声波传感器在煤仓料位测试中存在不能反映煤仓实时图像的缺点，利用园内安装在煤仓顶部的摄像机，建立了基于SIFT和K均值聚类算法的机器视觉系统，实现了煤仓料位实时检测和监控。

　　目前，随着物联网技术的飞速发展，煤炭制造厂可以建立以全厂设备为基础的物联网系统，通过部署在设备上的监控传感器采集设备运行状态，将收集到的数据按时间顺序排列，传输到大型数据分析平台。通过算法分析和数据比较，形成设备执行曲线和动态监控报告，实现对潜在错误的警告和定位功能。此外，与智能专家诊断系统一起，还可以将设备运行状态和测试报告推送到集中控制系统和移动终端，以提供警报和警报服务。四机学习在选煤产品预测中的应用
# K7 `- l5 M0 F( {6 {! S9 ?
2 q2 q: Q. m# E) O$ _$ W  T3 D- i　　李云飞以石肥大选煤厂重质浅槽分级机、重质旋转机、螺旋分级机三种分类过程为研究对象，根据得到的实际生产数据，建立了各分类过程的产品预测模型，预测结果接近实际情况，可靠。

　　李科对原煤相关的煤质数据进行数学拟合，对选煤厂各分线工艺系统分别建立清洗产品预测模型，根据选煤厂特定工艺过程组合建立最终产品预测模型，为选煤厂产品结构调整提供有力指导。

1 O( ~- J9 d/ I' y- {7 s) w　　另外，在选煤过程中，选择不同的参数组合会产生不同的分选效果。您可以使用某些可调整的排序参数作为特征值，将生成的排序效果用作输出值。建立人工神经网络模型，使用不同的特征组合，选择合适的算法和网络模型，并通过训练得到预测排序效果的最优神经网络。例如，在跳跃分离过程中，煤被确定，跳跃器的分类效果只与跳跃器可以控制的参数有关。例如，溢流堰的高度、振幅、振动、供水、供水量等。因此，我们将这些因素作为输入特征值，将正诞生产率和正煤灰分

　　5结论

　　通过第四次产业革命浪潮和“中国制造2025”计划，中国制造业的良化(工业化和信息化)选煤厂可以利用机器学习等人工智能技术、大数据技术和物联网技术，进一步推进分类过程的智能、设备检测和维护的智能，提高管理调度的智能水平，提高选煤厂的生产力。
$ z. y7 ?2 g7 F