煤矿监控图像增强算法的分析与实现

针对煤矿井下粉尘多、光照差的恶劣环境使得矿井监控图像偏暗、对比度低、视觉效果差的特点,提出了一种基于小波变换和模糊理论的图像增强算法。该算法选择小波变换为工具分解图像,应用新的模糊隶属度和增强算子对高频信息进行模糊处理,利用直方图均衡化对低频信息进行处理,最后对图像进行重构。处理结果较好地增强了图像细节信息,从整体上改善了图像效果。     

煤矿井下高压降尘供水系统监控装置的研制

根据煤矿井下高压降尘系统对供水的要求,研制了一种基于PIC18F4580单片机的井下高压降尘供水系统监控装置,介绍了该装置的硬件和软件设计。该装置可实时监测水箱水位、压力、运行状态,并可将这些保护状态信息通过CAN总线接口和转换单元并入煤矿监测监控网,实现远程监测。实验结果表明,该监控装置达到了设计要求,能保证高压降尘供水系统的实时监测与安全运行。     

煤矿应急通信保障系统的设计

提出了一种煤矿应急通信保障系统的设计方案。该系统的核心即应急救援软件平台通过中继网关、专用转换器等设备整合井下扩播电话机、小灵通、WiFi手机、调度电话机、井下广播系统,从而实现各通信系统间的互联互通;该系统通过应急救援软件平台实现与矿井人员定位系统的互联互通、与矿井工业以太网的综合接入。实际测试结果表明,该系统具有线路管理、音频播放、一键通、广播及应急通信救援等功能,提高了应急救援工作的效率。     

新型矿用智能水压传感器的设计

介绍了一种基于STM32F103RBT6微控制器的新型矿用智能水压传感器的总体结构、主要硬件电路及软件设计方案。该传感器采用低功耗电路设计方式以及分时上电的供电方式,在空闲状态下功耗仅为0.006 mA,在采集发送状态下功耗约为0.5 mA。     

煤炭企业决策支持信息系统

以龙口矿业集团有限公司的决策支持信息系统为例,详细介绍了煤炭企业决策支持信息系统的总体架构、系统数据来源及处理、关键指标信息、系统功能。该系统通过DTS、中间件等技术获取数据;采用面向主题的数据仓库多维表结构和与业务系统对应的ODS层表结构存储数据;通过分析各种数据指标的类型及属性,建立起一套共包含45个关键指标的企业关键指标体系结构;并采用同比分析、环比分析、趋势分析等数学模型对数据进行分析和展现,从而实现辅助决策。     

智能集中润滑系统在平朔矿区的应用

分析了平朔矿区原有破碎机润滑系统使用中存在的问题,介绍了一种智能集中润滑系统的工作原理及其在平朔矿区应用中的系统配置、系统应用方案及系统维护。该智能集中润滑系统将PC和PLC与现场多点润滑泵、智能仪表和智能传感器相结合,采用多点润滑泵实现对破碎机多个点的集中润滑,采用电动加油泵实现自动补脂。实际应用表明,该智能集中润滑系统运行稳定、可靠,提高了设备使用效率,减少了日常维修工作量。     

基于BP神经网络的加药控制系统研究

浮选是最重要的选矿方法之一,煤矿浮选工艺自动加药控制问题是影响浮选效果的重要因素;传统加药控制主要是由加药工根据生产经验来控制,为了解决浮选精度低这一问题,文中提出采用BP神经网络作为加药控制系统加药量的预测模型,并采用动量项方法对其进行优化,通过仿真得出动量项法网络和测试样误差曲线,说明带动量项改进的神经网络更容易满足网络精度的要求,并且该方法能够有效地降低误差、减小浪费。     

金选别工艺的发展与深化

本文阐述了充分考虑矿石性质,探索出混合浮选的分步流程,恰当的施用多元扑收剂所产出的“协同效应”,稳定和强化选别工艺,收到提高选金技术指标的效果。     

导热油换热器预热煤粉气流的试验研究

提出在煤粉进入燃烧室之前对煤粉气流进行预热处理的新型工艺,减轻一次风对炉膛的冷却效应,加速煤粉燃烧. 设计采用导热油预热煤粉气流的带翅板管壳式换热器,搭建中试规模试验台,通过实验研究油温、油质量流量、风温、风速、煤风质量比对系统换热特性及试验台阻力特性的影响. 试验结果验证了该换热器采用导热油来预热一次风煤粉气流的技术可行性,提出的新型预热工艺具有环保节能的现实意义. 试验结果表明,当煤风质量比为0.15时,190 ℃的导热油可以将煤粉气流从58.4 ℃预热到113 ℃以上. 提出的预热工艺有利于改善煤粉气流的着火性能,促进煤粉锅炉的低负荷稳燃.     

Interpretable modeling of metallurgical responses for an industrial coal column flotation circuit by XGBoost and SHAP-A “conscious-lab” development

Surprisingly, no investigation has been explored relationships between operating variables and metallurgical responses of coal column flotation (CF) circuits based on industrial databases for under operation plants. As a novel approach, this study implemented a conscious-lab “CL” for filling this gap. In this approach, for developing the CL dedicated to an industrial CF circuit, SHapley Additive exPlanations (SHAP) and extreme gradient boosting (XGBoost) were powerful unique machine learning systems for the first time considered. These explainable artificial intelligence models could effectively convert the dataset to a basis that improves human capabilities for better understanding, reasoning, and planning the unit. SHAP could provide precise multivariable correlation assessments between the CF dataset by using the Tabas Parvadeh coal plant (Kerman, Iran), and showed the importance of solid percentage and washing water on the metallurgical responses of the coal CF circuit. XGBoost could predict metallurgical responses (R-square > 0.88) based on operating variables that showed quite higher accuracy than typical modeling methods (Random Forest and support vector regression).