球磨机钢球动能与存煤量的关系研究

基于球磨机内泻落和抛落钢球的动能计算模型,采用图像边缘检测方法对不同煤量下钢球的运动轨迹及其力学特性进行分析,得到球磨机物理模型试验中运动钢球的位置坐标,确立球磨机运行过程中钢球动能与存煤量之间存在密切关联,为基于钢球动能的存煤量控制方法研究提供理论及试验依据。     

磨煤机存煤量与锅炉运行参数的关联分析

磨煤机的工作可靠性直接关系到整个制粉系统乃至锅炉机组工作的稳定性。基于存煤量与磨煤机各参数的关系,采用关联度分析和均衡度结合的方法,细致分析存煤量与锅炉系统中运行参数的变化规律,采用MATLAB和Origin软件仿真得到磨煤机适宜煤量下钢球实时冲击动能的变化曲线,为深入研究基于钢球动能的煤量控制方法以及提高锅炉效益提供理论和试验基础。     

钢球磨煤机制粉系统的预测控制

钢球磨煤机制粉系统是一典型的多变量大时滞非线性时变系统,各控制量之间存在着严重的耦合,针对这些特性,利用多变量预测控制算法对球磨机进行了仿真研究。结果表明,预测控制能有效地解除变量间的强耦合和大时滞问题,提高了球磨机的可靠性和经济性。     

基于神经网络与SOPC的球磨机负荷检测系统

提出“三因素”法检测球磨机的外部响应,应用神经网络建立球磨机内部负荷与外部参数之间的关系模型对负荷进行预测。同时,应用基于嵌入式处理器核Nios的SOPC(System On Programmable Chip)技术来完成球磨机负荷检测系统软硬件设计。测试结果表明该系统能实时、准确地检测球磨机负荷,为解决球磨机外部响应与内部负荷参数之间的建模问题提供了一种行之有效的方法。     

基于小波神经网络的球磨机煤位监测研究

球磨机是制粉系统中的主体设备,为保证制粉系统的自动控制和安全运行,有必要对球磨机简体中煤位进行自动监测。本文通过利用小波包技术分析球磨机振动声辐射信号,提取出反映煤位高低的声信号特征向量,结合神经网络技术,实现球磨机煤位的智能监测。     

球磨机钢球抛落运动中的第四种最优转速率研究

球磨机钢球抛落运动中落点的径向动能起主要碎磨作用,已经在文献中详加论证。进一步研究证明:抛落钢球落点的切向磨剥作用并非由切向分速度(绝对速度)直接来完成,而是决定于它相对于圆运动钢球的相对速度。这个相对速度形成的动能与径向分速度形成的动能之和才是真实的磨矿总动能,它比传统意义上的总动能大得多。由这样的总动能最大值求出对应的转速率才是真实的最优转速率。笔者把研究的重点落实在抛落钢球落点的切向分速度和它相对于圆运动钢球的相对速度的分析上,并以特定球磨机为例,重点阐明了一种优化的计算方法。     

球磨机装球量的准确计算

为了充分发挥球磨机的潜能,降低单位磨矿能耗,有必要更准确地计算球磨机装球量。从球磨机旋转过程中钢球的循环特性出发,通过计算筒体内参与循环运动的钢球总数来直接计算装球量。与传统计算方法相比,新的计算方法考虑了筒体衬板厚度和钢球直径大小对装球量的影响,因此更为准确。     

基于组合神经网络模型的球磨机数据插补方法研究

为了避免球磨机监控数据的缺失,更好地对球磨机进行监控维护,以球磨机出矿浓度缺失项为例,采用BP和LSTM2种神经网络模型组合的方式对球磨机的缺失数据进行预测插补。单独使用BP神经网络和LSTM神经网络预测时准确率分别为92%和96%,使用权重组合模型及基于平均误差的数据修正方法后预测的准确率为98%。组合模型将2种模型各自的优势结合在一起,取得了较好的预测成果,证明该方法切实可行。     

基于数据挖掘的钢球磨煤机运行特性建模和优化

利用火力电厂数据仓库中的128 065条历史记录,对一台双进双出球磨机的煤粉磨制过程进行数据挖掘建模,所建人工神经网络模型得到设备实际运行状态的验证;采用该模型对煤粉制备过程进行模拟分析,着重研究了料位参数的优化问题。研究结果表明,磨煤机通风量不变时,随着给煤量增加,磨内存煤量增加,磨煤机电流升高,电流上升到峰值后又有所下降,开始下降的区域对应的料位是最佳运行料位,此时,钢球间隙中刚好充满了煤粉颗粒,磨煤机接近最大功率运行,粉碎效率达到最高。给出的煤粉粉碎过程神经网络模型,不仅被大量实际运行数据所验证,而且模型推断与现有研究结论相符,是一个有良好概括性的健壮模型。     

基于小波神经网络的瓦斯涌出量预测

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波神经网络的权值学习中。仿真试验表明,提出的基于小波神经网络预测模型与传统的BP神经网络的预测模型相比,其预测值更为准确。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

矿井瓦斯涌出量的灰色小波神经网络预测模型

矿井瓦斯涌出量预测一直是煤矿生产过程中倍受关注的问题。它受众多因素的影响,而各因素之间的非线性关系错综复杂。近年来,许多的学者利用人工神经网络对非线性的对象建模预测,但是存在收敛速度慢,易陷入局部极小等缺点。本文将灰色理论引入小波神经网络模型中,其中灰色模型利用累加生成的新数据建模,突出趋势项影响,小波神经网络通过灰色模型的预测结果进行再预测,使得小波神经网络的非线性激励函数更加易于逼近,减小周期和随机成分,提高了涌出量预测精度,表明了该模型可靠性。     

基于T-S模型的模糊神经网络在地下硐室超挖预测中的应用

以山东某隧道为例, 运用基于T-S模型的模糊神经网络, 结合相关影响因素对地下硐室超挖进行了预测。预测模型根据工程实际情况选用了199组数据, 其中179组数据作为训练样本训练网络, 20组数据作为测试样本验证模型的预测结果。通过计算, 基于T-S模型模糊神经网络超挖预测的相关系数为0.962 8, 均方差为0.449, 平均相对误差为6.33%。与BP神经网络和回归模型的预测结果进行了比较分析, 结果表明基于T-S模型的模糊神经网络预测效果最好, 能精确预测地下硐室爆破超挖量, 对控制超挖量具有重要意义。     

基于数据融合的煤矿瓦斯涌出量预测系统设计

将基于小波神经网络的多传感器数据融合算法应用到煤矿瓦斯涌出量的预测系统中。实验结果表明:该预测系统可以及时、有效地预测瓦斯涌出量。     

基于Labview和Matlab的改进神经网络煤与瓦斯突出预测系统

为研究煤与瓦斯突出与其影响因素之间复杂的非线性关系并对其进行预测,基于共轭梯度法的改进神经网络,建立了煤与瓦斯突出预测模型。经过实际数据检验,此模型有很高的预测精度,避免了传统神经网络收敛速度慢的缺点。同时,为克服传统神经网络操作复杂和不便于现场使用的缺点,利用Labview图形化编程和数据采集能力以及Matlab强大的数值计算功能,通过ActiveX技术,实现了在Labview中调用神经网络工具箱,构建了一个煤与瓦斯突出预测系统,方便现场操作使用。最后指出使用Labview和Matlab混合开发可以极大缩短开发周期,为煤矿智能化系统的开发提供了一个新途径。     

球磨机自动加球模糊控制系统设计

为了使山东临沂矿业集团会宝岭铁矿选矿厂的球磨机实现自动加球,根据以往工人通过人工操作加球机进行钢球添加的实际经验和专家知识,设计了一套基于球磨机运行轴功率实时检测的钢球添加模糊控制系统。介绍了控制方案、系统组成、模糊控制器语言变量及其论域的确定、模糊控制规则的确定、输出量的逆模糊化以及系统的PLC实现。该模糊控制系统投入使用后,稳定了球磨机的运行电流,减少了能耗,提高了磨矿效率,取得了较好的运行效果。     

基于BP神经网络的煤自燃温度预测研究

为了研究煤在氧化升温过程中CO、CO2、CH4、C2H6、C2H4等气体对温度的反馈作用,并通过各气体的数据准确预测煤自燃的温度。以赵楼煤矿为背景,采集部分煤样,放入煤自然发火实验炉中,通过数控程序系统,模拟煤自然发火时的漏风强度和供氧量,收集指标气体和温度等相关数据。采用气体成分分析法和神经网络算法建立BP神经网络预测模型,选取CO、CO2、CH4、C2H6、C2H4气体浓度作为神经网络的输入层,煤温作为输出层,设置8个隐含层神经元对煤自燃情况进行预测。结果表明：经过训练后,预测温度与实际温度基本吻合,误差控制在0～0.00065,该预测模型的建立对于矿井煤自燃早期预报有着极其重要的指导意义。     

基于负载估计的带式输送机系统节能控制方法研究

目前常用的带式输送机节能控制方法是通过建立煤量与带速之间的匹配关系来控制运行速度以达到节能目的,但因其采用传感器测量实时煤量时,受到传感器安装位置及数据处理速度等因素的影响,导致检测信号与实时煤量信息不同步而引起滞后现象。当煤量突然增加时,易造成带式输送机无法及时提速引发堆煤或溢煤等故障。为解决上述问题,提出了一种新的节能控制方法:通过采用状态重构的方法建立带式输送机系统状态观测器估计输送带上各段张力值,并以机头传动滚筒处输送带张力值的变化率结合电子输送带秤检测的实时煤量信息,应用模糊推理与决策建立了节能控制系统,控制带式输送机在煤量增加时及时提速。基于此,以带式输送机启动过程线性定常系统模型为依托,建立了基于载荷变化的带式输送机时变系统动力学模型,并利用Simulink与LabVIEW软件结合NI CompactRIO-9038实时控制器做硬件在环实验验证,结果表明:在煤量无较大波动时,输送机仍保持恒定速度,说明系统抗干扰能力强;在煤量突变情况下,张力变化率辅助提速效果明显,解决了堆煤及溢煤故障。     

基于以太网的煤流优化控制系统设计及应用

针对大同某煤矿带式输送机煤流系统存在短时煤量过大,导致整体运载能力达不到额定生产能力等问题,设计了基于以太网的煤流优化控制系统,该系统主要通过采集和处理输煤系统沿线设备的数据,计算和预测主井带式输送机的煤量,再根据煤量情况来协调综采工作面的采放煤。然后通过实时煤量检测和优化算法,为原输煤集控系统提供调速和控制指令。重点介绍了系统的硬件结构和软件设计。通过工业性试验运行表明,该系统能满足矿井设计煤量,实现矿井增产节能,取得了良好的效果。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。