如何提高煤质分析的准确性

介绍了煤质分析前制样的准备工作以及制备不同煤样的操作规范;从溶液配制、滴定分析仪器使用以及挥发分和全水分测定方面论述了煤质分析过程中应注意的问题;阐述了测定次数及有效数字处理方法;提出采用先进检测技术,减少人为误差,以提高煤质分析准确性。     

现代煤化工设计煤质确定方法的探讨

设计煤质数据是现代煤化工项目中重要的设计基础,直接影响到项目能否稳定运行。本文根据神华煤化工项目的建设经验,提出了原料煤设计煤质确定的程序方法。目前煤化工项目常用的煤气化技术包括:干粉气流床气化技术、水煤浆气化技术、固定床碎煤加压气化技术及流化床气化技术。根据不同气化技术对煤质的不同要求,归纳出了在煤化工项目确定设计煤质过程中所需的煤质分析项目。在煤样的采集与分析工作过程中,采集的煤样具有代表性是保证获得典型煤质数据的前提。文中根据项目配套的煤源矿井所处的生产阶段不同,提出了不同的煤样采集方案包括采样地点、煤样类型、采样质量、煤样粒度及采样方式等。同时对后续煤样制备与分析及最终数据校核工作进行了探讨。     

浅谈煤质化验技术的应用及常见问题解决

煤质化验工作作为煤矿企业工作体系中的重要环节,是一项操作步骤复杂、技术性要求较高的工作。以煤质化验的指标控制作为出发点,分析了煤质化验过程中注意的问题,并从加强煤样未燃尽问题和化验误差等方面探讨了优化煤质化验技术的应用途径,以期为煤质化验工作人员提供一些参考和意见。     

浅谈煤质检验中应注意的问题

测定全水分、发热量、煤灰熔融性以及分析工业、采取商品煤样、制备煤样等环节与项目都属于煤质检验的工作内容。为了保证煤质检验结果的准确度与可靠度,需在煤质检验工作中对技术和管理这两个层面的内容及问题加以高度重视。对此,笔者从煤质检验过程中的采取、制备、分析化验、测试人员四个方面出发,分别对其容易出现的问题进行了分析,并针对这些问题提出了相应的解决办法。     

煤质检验中应注意的问题分析

本文主要分析了煤质检验过程中容易出现的问题,重点介绍了煤质检验中应该注意的管理问题、提取制备煤样问题和分析化验煤样结果问题,强调每一个问题所涉及的工作的重要性和相应要求。值得注意的是,每一个值得注意的问题都需要相关工作人员具有认真严谨的工作态度、做好自己的本职工作。通过对煤质检验中应注意的问题进行分析,以期保障生产煤炭的质量,创造出良好的经济效益和社会效益。     

浅谈如何提高煤质分析的准确度

煤炭是现今社会生产和生活中的主要能源,但是煤的性质和成分都各不相同,为了有效、迅速而准确的控制煤炭加工产品的品质,必须进行煤质分析,因此煤质分析就成为煤炭工业生产和应用过程中的重要环节。文章主要介绍了煤质分析的定义和主要测定内容,并且简要地分析了在取样、制样和化验过程中应该注意的几个问题,并对可能产生的误差进行了分析。     

提高商品煤样分析准确性的浅谈

为了确定煤的各种性质,合理利用煤炭资源,对煤质进行准确分忻,是进行煤贸易或以煤为原料的焦化企业及以煤作为燃料的工业生产所必需的。在生产中要获得准确的煤质分析结果,通常要先对大批量的煤进行采样和制备,获得具有代表性的煤样,然后进行煤质化验。根据煤种的不同,检验人员采用不同的化验项目并提供相应的检验数据。这些检验数据即是判定产品质量的客观依据,因此检验数据必须具备真实性和精确性。在实践中如何提高检验数据精确度是煤质分析工作中必须高度重视的问题。     

水泥厂化验室制备一般分析煤样的探讨

通过两种快速制样法与目标制样法制备一般分析煤样的测试对比表明,不同粉磨方式及时间对灰分、挥发分和发热量的影响不大,均在误差范围内;对于内水<5%的烟煤水分的测定,建议采用快速制样法1制样,比较易于控制,但无论采取何种制样法,都必须使煤样达到空气湿度平衡状态后再测定。     

陕西省燃煤企业煤质成分分析及统计

通过近年来对陕西省燃煤企业用煤煤质成分中硫分、灰份、固定碳含量的分析,对煤样按等级分别进行划分,了解我省企业用煤煤质现状与分布。     

煤炭采制样常见问题分析及对策

煤炭采制样过程中常见问题主要有对采制样岗位的重视程度低,未按标准采制样,人工采制样工具及设备规格不统一,机械化采制样有混样现象等。针对上述问题,从采样和制样两方面提出了相应的对策。煤堆采样的子样点应按煤堆顶、腰、底分布,一般可按1∶3∶5的比例布点;火车顶部和汽车采样时,尽量采用机械化采样,按照"均匀布点,使每一部分煤均有机会被采出"的原则布置子样点;煤流采样时一般根据煤流量大小,以1次或分2～3次横截煤流断面采取一个子样,输送带采样应尽可能安装输送带机械化采样器。制备分析煤样时,对全水分超过10%以上的煤样,要进行初干燥;制备全水分煤样时首选水分损失最小的方法;制好的煤样应装入密闭玻璃瓶保存。加强采制化管理,规范采制样操作对于提高煤质分析准确性,保障优质原料煤供应具有重要意义。     

贵州无烟煤灰分与高位发热量相关性研究

煤的燃烧性能与煤中各物质的含量有密切关系。灰分的分析是煤工业分析的重要内容。为了快捷、省时、省力确定煤的发热量,以历年来采集的400组贵州无烟煤煤质数据为基础,通过计算,得到了灰分与发热量的回归方程。通过相关性检验发现:相关系数R为0.999,大于相关系数临界值,表明线性关系特别显著。通过误差检查,确定回归方程式推算误差置信范围为0.16。为了进一步验证回归方程的准确性,用贵州12个主要产煤区煤样的实测值与计算值进行比较,发现最大误差值为0.18,最小误差值为-0.01,远小于GB/T 213—2008《煤的发热量测定方法》规定的再现性临界差。     

低阶煤可浮性及浮选速率模型研究

针对低阶煤浮选困难的问题,采用煤质分析和筛分试验研究了低阶煤的可浮性。在此基础上进行了低阶煤浮选速度试验,并利用试验结果对低阶煤的浮选速率模型进行曲线拟合,经过MATLAB数值计算建立了最终的浮选速率模型。煤泥可浮性试验表明:低阶煤中挥发分、水分和O含量较高,亲水性强,可浮性很差。浮选速度试验表明,随着浮选时间的增加,精煤产率逐渐升高,尾煤产率逐渐降低,当精煤灰分为11.50%时,精煤产率仅为34.46%,尾煤产率高达65.54%,尾煤灰分仅为19.95%;2种浮选速率模型中,一级矩形分布模型计算误差较小,且相关系数平方R2更接近1,达到了很高的拟合精度,因此一级矩形分布模型是低阶煤最合适的浮选速率模型。     

燃煤分析数据处理程序的设计与应用

主要叙述燃煤分析数据处理程序的设计与应用。通过程序的运行，使分析人员能及时发现燃煤分析过程中的可疑数据，减少分析误差。程序的开发运用，大大提高了燃煤分析结果的有效性。     

粉煤气化系统中Cu、Ni、Zn等重金属元素迁移规律的研究

研究粉煤气化过程中潜在有毒微量元素的富集机理及其对环境的影响不仅有理论意义,且有很大的实际价值。以航天粉煤加压气化工艺系统为基础,依托某航天炉实际工厂运行数据,设计了痕量元素在线取样系统,采用分析化验的方法,研究了粉煤气化过程中Cu、Ni、Zn等重金属元素的迁移规律。结果表明:在航天粉煤气化过程中,煤中Cu、Ni、Zn迁移到固相中的比例分别为99.76%、96.82%、97.47%;迁移到液相中的比例分别为0.16%、0、0.95%;迁移到气相中的比例分别为0.08%、3.18%、1.58%。     

Na_2O_2差量法快速测定煤焦油水分方法的开发与应用

针对传统蒸馏法测定煤焦油水分存在的问题,提出了Na2O2差量法快速测定煤焦油水分的新方法。该方法耗时少,大大降低蒸馏误差和人为误差,提高了检验数据的准确性;此外该方法基本可以实现即时分析,可大大减轻劳动强度和改善检验环境,为快速测定煤焦油水分开辟了一条新的途径。     

XHSS采制样系统在田庄选煤厂的应用

论述了XHSS自动采制样系统的工作原理、在田庄选煤厂使用过程中的时间设定及应用效果,指出了系统本身在使用过程中存在的问题和相应的改进对策;该采样系统的应用,提高了入厂原煤采制样自动化水平,增强了化验数据的客观公正性,遏制了原煤掺杂使假现象的发生,具有显著的经济效益。     

汝箕沟煤矿煤发热量的回归分析研究

通过分析汝箕沟煤矿煤质得到了84组煤质分析数据,包括Ad,Mad,Vdaf,Qgr,d,并统一了各变量的基准;根据回归分析的原理,建立起煤的发热量与煤的工业分析参数之间的多元回归方程。通过F-检验和相关系数检验,说明回归方程是显著的,有实用价值;通过误差分析,表明回归分析的效果较好。     

交流电力测试系统中关键采样点的估计方法研究

以交流电压为例,分析了交流电力测试系统信号处理中关键采样点对特征参数的影响,提出了关键采样点基于误差最小均方法和拉格朗日插值法的估计方法,指出这些方法能提高测试的抗干扰能力,在不增加额外硬件开销的情况下有效提高测试系统的精确性和可靠性。实验结果表明,采用这些估计方法可减少2倍左右用于分析的采样点数,初始相位角的测试误差减小到原来的25%左右,干扰幅值的要求从小于信号幅值的5%可放宽到信号幅值的15%。     

Artificial neural network-based prediction of hydrogen content of coal in power station boilers

Artificial neural networks (ANN) are powerful tools that can be used to model and investigate various highly complex and non-linear phenomena. This paper describes the development and training of a feed-forward back-propagation artificial neural network (BPNN), which is used to predict the hydrogen content in coal from proximate analysis. The ultimate objective is to enhance the performance of the combustion control system with the aid of regularly obtained knowledge of the elemental content of coal.In the present work, network modelling was performed using MATLAB with the Levenberg–Marquardt algorithm. Nine-hundred and three sets of data from a diverse range of coals have been used to develop the neural network architecture and topology. Trials were performed using one or two hidden layers with the number of neurons varied from 4 to 30. Validation data has been adopted to evaluate each trial and better model structure is determined to combat the over-fitting problem. As a result, it was found that a 4-12-1 or 4-8-4-1 network could give the most accurate prediction for this particular study. The regression analysis of the model tested gave a 0.937 correlation coefficient and the mean squared error of 0.0087. The average relative error is 5.46%. This has demonstrated that artificial neural networks have good potential for predicting elemental content of coal from frequently available proximate analysis data in power utilities.