Development and exploration of intelligent dense medium separation technology for coal
-
摘要: 重介分选作为应用最广泛的选煤工艺，正在从自动化、信息化向智能化方向迈进。目前重介选煤厂智能化建设只是实现局部智能化，在整体智能化建设上还存在欠缺，在核心生产设备（重介质旋流器、浅槽等）智能化上发展不足。针对上述问题，从智能感知、智能控制与智能优化决策3个方面阐述了重介分选智能化研究现状，并剖析了重介分选在从自动化向智能化发展的过程中面临着诸多挑战性难题，包括原煤品质波动导致工况难以稳定运行、重介分选自身具有极高的复杂性、重介选煤厂智能化建设局限性等。为推进重介分选行业的智能化与绿色化，实现全场设备自主控制，减少运营人员甚至实现无人化，指出重介选煤厂应建设一套“智能感知、智能控制、智能优化决策”一体化的智能优化生产系统：智能感知作为智能化的基础实现选煤工艺数据的感知获取；智能控制获取传感器等数据对选煤工艺进行智能修正，确保对设定值的跟踪；智能优化决策分析智能控制模块中分选过程的运行状态、调整工艺指标设定值，实现工艺指标设定值的动态优化。感知、控制与决策相互协同，促进选煤厂智能化水平与生产效益提高，为未来实现重介分选生产全流程智能协同优化控制提供了一条新思路。Abstract: Dense medium separation, the most widely used coal preparation process, is moving from automation and informatization to intelligence. At present, the intelligent construction of dense medium coal preparation plant only realizes partial intelligent construction. It is deficient in the whole intelligent construction. The intelligent development of the core production equipment (dense medium cyclone and shallow groove) is insufficient. In order to solve the above problems, the research status of intelligent dense medium separation is described from three aspects of intelligent perception, intelligent control and intelligent optimization decision. The challenges faced by dense medium separation in the process of developing from automation to intelligence are analyzed. The challenges include the unstable operation caused by the fluctuation of raw coal quality, the high complexity of dense medium separation, and the limitations of intelligent construction of dense medium coal preparation plant. In order to promote the intelligence and greening of the dense medium separation industry, realize the autonomous control of the whole equipment, reduce the number of operators and even realize unmanned, a system is proposed. It is pointed out that the dense medium coal preparation plant should build a set of intelligent optimization production system with the integration of "intelligent perception, intelligent control and intelligent optimization decision". Intelligent perception, the basis of intelligence, is used to realize the perceptual acquisition of coal preparation process data. Intelligent optimization decision analyzes the operation state of the preparation process in the intelligent control module and adjusts the set value of the process index. Intelligent optimization decision analysis intelligent control module is used to sort process operating state, adjust the process indicators set value, so as to achieve dynamic optimization of the process indicators set value. The mutual coordination of perception, control and decision promotes the improvement of the intelligence level and production efficiency of the coal preparation plant. The coordination provides a new idea for realizing intelligent collaborative optimization control of the whole dense medium separation production process in the future.
-
0. 引言
煤炭作为我国的主体能源，是能源供给的“压舱石”[1-3]。近年来，我国煤矿智能化发展迅速，煤炭开采正在迈向“少人化、无人化”阶段[4-6]，对于实时检测的需求也逐渐从运输巷、变电所等简单场景转向采掘工作面等复杂场景。但受煤矿井下采掘工作面高粉尘、低照度等环境因素影响，传统的目标检测方法存在目标尺度跨度大、多目标间相互遮挡严重及检测精度低等问题，因此研究一种可以适应煤矿采掘工作面复杂环境的多目标检测算法，对煤矿井下的多目标检测具有重要意义。
基于深度学习的多目标检测算法逐渐成为研究热点[7-8]。基于深度学习的多目标检测算法可分为两阶段多目标检测算法和单阶段多目标检测算法[9]。两阶段多目标检测算法主要以Fast R−CNN[10]、Faster R−CNN[11]及Mask R−CNN[12]为代表。杨文斌[13]采用Faster R−CNN算法检测刮板输送机中的角铁和锚杆等多种异物，识别精度达90%以上。郭永存等[14]以Mask R−CNN模型为基础，通过引入压缩−激励模块与混合空洞卷积，提高了模型对煤矿井下巷道中的信号灯和小石块等多目标的检测精度。史凌凯等[15]采用K−meansⅡ聚类算法和Laplace算子优化Mask R−CNN模型，提高了模型对角铁、钢板及铁锹等异物的检测精度和检测速度。但上述算法模型体积大，检测速度慢，无法满足实时检测的需求。
单阶段多目标检测算法主要以YOLO[16]系列算法、SSD[17]系列算法、CornerNet[18]系列算法等为代表，其中YOLO系列算法检测效率高且泛化能力强[19]。王科平等[20]以YOLOv4为基础，通过引入残差自注意力机制和深度可分离卷积，平衡了模型的参数量、计算量及检测精度，并在此基础上提高了模型对综采工作面的采煤机、刮板输送机及行人等多目标的检测精度。杨艺等[21]先使用CSPDarknet网络、空间金字塔池化（Spatial Pyramid Pooling，SPP）模型及路径聚合网络（Path Aggregation Network，PANet）提取综采工作面视频特征，再使用深度可分离卷积对YOLOv4模型进行轻量化处理，从而提高了模型对线槽、采煤机、行人等6种目标的检测精度。郭永存等[22]采用K−means++算法、四尺度预测网络及SPP模块对YOLOv4−Tiny算法进行改进，提高了模型对矿井巷道中的碎石、行人及电机车等多目标的检测精度；樊红卫等[23]使用Partial Conv模块、Res2Net网络和ECA注意力机制优化YOLOv5模型，提高了模型对带式输送机中的煤、矸石和螺母等多目标的检测精度，降低了模型参数量和计算量。上述研究通过在YOLO系列算法中引入轻量化网络、注意力机制、深度可分离卷积等，一定程度上提升了煤矿多目标检测速度与精度，但其所针对的应用场景较为简单，而煤矿采掘工作面环境恶劣，同时还存在人机相互遮挡、目标尺度变化剧烈等复杂工况，容易引起误检、漏检与检测精度降低等问题。
因此，为实现煤矿井下复杂环境下的多目标实时检测任务，本文以YOLOv5s为基础，通过FasterNet网络、双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）、ECIoU损失函数对模型的各部分进行改进，提出了一种基于FBEC−YOLOv5s的采掘工作面多目标检测算法，并通过实验验证了该算法的有效性。
1. YOLOv5s算法
YOLOv5s网络主要包括输入端（input）、骨干网络（backbone）、颈部（neck）和预测端（head）4个部分。输入端主要是对数据进行预处理，包括Mosaic数据增强、图像大小缩放及预定义候选框尺寸计算等；骨干网络进行物体的特征提取，由跨阶段部分网络（Cross Stage Partial Network，CBS）、BottleneckCSP/C3卷积块及快速空间金字塔池化（Spatial Pyramid Pooling-Fast，SPPF）等组成；颈部能够连接不同尺度的特征层并进行特征融合，一般由特征金字塔网络（Feature Pyramid Network，FPN）和PANet组成；预测端对图像特征进行预测，生成边界框和预测类别。
2. FBEC−YOLOv5s算法
FBEC−YOLOv5s的网络结构如图1所示。
2.1 FasterNet
为提高模型检测精度与训练效率，本文在原YOLOv5s模型中引入FasterNet[24]网络（图2），凭借其残差连接与批标准化模块，增强模型的特征提取和语义信息捕捉能力，并减少数据传输中的噪声干扰与数据交错频次。FasterNet网络共有4个阶段，每个阶段前均有1个嵌入层（Embedding）或1个合并层（Merging），用于空间下采样及通道数扩展，且每个阶段均有少量FasterNet模块（FasterNet Block）以循环使用输入特征，最后的全局池化层（Global Pool）、卷积层（Conv 1×1）、全连接层（Full Connected，FC）则被用于特征分类。图2中，Cn（n=1，2，3，4）为FasterNet网络第n个阶段的通道数，h，w分别为输入图像的高和宽，ln为FasterNet网络第n个阶段的数量。
2.2 BiFPN
由于煤矿井下采掘工作面工作人员及采掘装备在多种作业场景中的姿态持续变化，导致多种目标尺度跨度增大，模型检测精度降低。BiFPN[25]能够进行高效的双向跨尺度连接与加权特征图融合操作，实现多尺度特征的快速捕捉与融合。因此，本文采用BiFPN结构替换PANet[26]结构，以增强YOLOv5s网络模型的多尺度适应能力，如图3所示。
![]()
图 3 不同特征金字塔网络结构对比Figure 3. Comparison of different features pyramid network structures2.3 ECIoU
YOLOv5s模型的损失函数由边框回归损失、置信度损失及分类概率损失3个部分组成。原YOLOv5s模型中主要采用CIoU[27]与EIoU[28]作为损失函数，其中，采用CIoU进行回归计算时，易限制模型检测框与真实框的相似性优化；当检测框存在较远边缘时，采用EIoU损失函数易引起模型收敛速度降低。因此，本文采用ECIoU[29]损失函数提升检测框定位精度和模型收敛速度。
ECIoU损失函数先采用CIoU调整预测框的长宽比，再采用EIoU调整预测框的每条边。
$$ E = 1 - I + \alpha v + \frac{{{\rho ^2}\left( {{b^{{\mathrm{gt}}}},b} \right)}}{{{a^2}}} + \frac{{{\rho ^2}\left( {{h^{{\mathrm{gt}}}},h} \right)}}{{d^2}} + \frac{{{\rho ^2}\left( {{w^{{\mathrm{gt}}}},w} \right)}}{{f^2}} $$ (1) $$ \nu = \frac{4}{{{{\text{π}} ^2}}}\left(\arctan \frac{{{w^{{\mathrm{gt}}}}}}{{{h^{{\mathrm{gt}}}}}} - \arctan \frac{w}{h}\right) $$ (2) 式中：I为预测框与真实框面积的交并比；$ \alpha $为平衡尺度的权重参数；$ \nu $为预测框和真实框间纵横比的一致性度量；$ {\rho }^{2}({b}^{{\mathrm{gt}}}， b) $为预测框和真实框中心点之间的欧几里得距离平方值；$ {\rho }^{2}({h}^{{\mathrm{gt}}}， h) $和$ {\rho }^{2}({w}^{{\mathrm{gt}}}， w) $分别为预测框和真实框高度和宽度的平方差值；$ a,{d},{f} $分别为两框最小闭包区域的对角线长度、高度和宽度；b为预测框中心；$ {w^{{\mathrm{gt}}}},{h^{{\mathrm{gt}}}},{b^{{\mathrm{gt}}}} $分别为真实框的宽、高、中心点。
3. 实验及结果分析
3.1 数据采集与标注
本文所使用的数据集来源于多个煤矿采掘工作面的生产监控视频，通过对视频进行抽帧处理，得到500张图像，再采用高斯噪声（noise）、随机对比度（contra）、水平翻转（H−flip）、垂直翻转（V−flip）、HSV变换及随机剪裁与填充（Cr−pad）等数据增强方法对图像进行处理，处理后的部分图像如图4所示，最终将500张原始图像扩充至2 000张图像，作为本文实验的数据集。
采用LabelImg工具对数据集进行标注，将标注后的2 000张图像按8∶1∶1的比例划分为训练集、验证集及测试集，分为person（行人）、R−cutting（掘进机截割头）、S−cutting（采煤机截割头）、A−juMibtolter（机载锚杆钻机）、H−juMibtolter（手持锚杆钻机）及Support（液压支架）。部分标注图像如图5所示。
3.2 参数配置及评价指标
参数设置：图像大小为640×640，通道数为32，批次样本数为16，动量因子为0.937，迭代次数为300，权重衰减系数为0.000 5，学习率初始值为0.01。本文实验所有算法的训练、验证及测试均在同台计算机的ubuntu20.04上进行，环境配置见表1。
表 1 网络训练环境Table 1. Network training environment环境 配置参数 CPU 15 vCPU Intel（R） Xeon（R） Platinum 8358P CPU GPU RTX 3090（24 GB） 加速环境 Python3.8，Cuda11.3 语言环境 Python3.8 本文采用准确率、平均精度及平均检测精度均值作为模型的评价指标。
$$ P=\frac{N\mathrm{_{TP}}}{N\mathrm{_{TP}}+N\mathrm{_{FP}}} $$ (3) 式中：P为准确率；NTP为被正确检测为正确目标的采掘装备及工作人员数量；NFP为被错误检测为正确目标的采掘装备及工作人员数量。
平均精度是指模型对某个单一目标的平均检测精度，以精确率P为横坐标，召回率R为纵坐标，绘制P−R曲线，P−R曲线与横纵坐标轴围成的面积即为平均检测精度。
$$ M = \frac{{\displaystyle\sum Q }}{n} $$ (4) 式中：M为平均精度均值；Q为各分类的平均精度；n为待检测目标的类别数量。
3.3 消融实验
为验证各改进模块的有效性，本文以相同训练策略开展消融实验，结果见表2。可看出优化模型1（YOLOv5s+ECIoU）的准确率较YOLOv5s的准确率提升了0.7%，平均检测精度均值提升了0.8%，平均检测速度（Frames Per Second, FPS）提升了0.3帧/s；优化模型2（YOLOv5s+BiFPN）的准确率较YOLOv5s的准确率提升1.4%，平均检测精度均值提升了1.6%，参数量上升了1.06 MiB，FPS下降了5.6帧/s；优化模型3（YOLOv5s+FasterNet）的准确率较YOLOv5s的准确率提升了0.9%，平均检测精度均值提升了1%，参数量上升了1.03 MiB，FPS下降了3.8帧/s；优化模型4（YOLOv5s+ECIoU+BiFPN）的准确率较YOLOv5s的准确率提升了1.3%，平均检测精度均值提升了1.9%，参数量上升了1.06 MiB，FPS下降了5.6帧/s；优化模型5（YOLOv5s+ECIoU+FasterNet）的准确率较YOLOv5s的准确率提升了0.9%，平均检测精度均值提升了1.7%，参数量上升了1.03 MiB，FPS下降了10.7帧/s；优化模型6（YOLOv5s+BiFPN+FasterNet）的准确率较YOLOv5s的准确率提升了3.1%，平均检测精度均值提升 2.5%，参数量上升了1.12 MiB，FPS下降了13.5帧/s；优化模型7（YOLOv5s+ECIoU+BiFPN+FasterNet）即FBEC−YOLOv5s模型的准确率较YOLOv5s的准确率提升了3.6%，平均检测精度均值提升了2.8%，参数量上升了1.12 MiB, 提高了模型的检测精度，由于网络结构的改进使得网络层数增加，导致参数量上升1.12 MiB，FPS下降10.1帧/s，但仍满足煤矿井下实时检测的要求。
表 2 消融实验结果Table 2. Results of ablation experiments模型 ECIoU BiFPN FasterNet 准确率/% 平均检测精度均值/% 参数量/MiB FPS/（帧·s−1） YOLOv5s × × × 93.8 89.6 7.03 138.9 优化模型1 √ × × 94.5 90.4 7.03 139.2 优化模型2 × √ × 95.2 91.2 8.09 133.3 优化模型3 × × √ 94.7 90.6 8.06 135.1 优化模型4 √ √ × 95.1 91.5 8.09 133.3 优化模型5 √ × √ 94.7 91.3 8.06 128.2 优化模型6 × √ √ 96.9 92.1 8.15 125.4 优化模型7 √ √ √ 97.4 92.4 8.15 128.8 3.4 对比实验
为进一步验证FBEC−YOLOv5s算法的先进性，将其与YOLOv3−tiny、YOLOv5s、YOLOv7及YOLOv7−tiny模型进行对比实验，实验结果见表3。可看出与YOLOv5s模型相比，YOLOv3−tiny模型的平均检测精度均值下降了5.4%，参数量上升了1.65 MiB，FPS上升了17.4帧/s；YOLOv7模型的平均检测精度均值上升了1.2%，参数量上升了29.48 MiB，FPS下降了54.2帧/s；YOLOv7−tiny模型的平均检测精度均值下降了8.7%，参数量下降了1.01 MiB，FPS上升了41.6帧/s；FBEC−YOLOv5s模型的平均检测精度均值上升了2.8%，参数量上升了1.12 MiB，FPS下降了10.1帧/s。综合上述分析可见，FBEC−YOLOv5s模型的综合检测性能比其他模型好，平均检测精度均值为92.4%，能够满足实时检测要求。
表 3 对比实验结果Table 3. Comparison of experimental results模型 平均检测精度均值/% 参数量/MiB FPS/（帧·s−1） YOLOv5s 89.6 7.03 138.9 YOLOv3−tiny 84.2 8.68 156.3 YOLOv7 90.8 36.51 84.7 YOLOv7−tiny 80.9 6.02 180.5 FBEC−YOLOv5s 92.4 8.15 128.8 将不同模型在测试集上进行3组实验，部分检测结果如图6所示。第1组实验在环境恶劣（背景与待检测目标灰度值接近）的工况下进行，其中，YOLOv3−tiny和YOLOv7−tiny模型对person和S−cutting的检测精度较低，平均检测精度均值均低于86%，而YOLOv7、YOLOv5s及FBEC−YOLOv5s模型对person和S−cutting的检测精度相对一致。第2组在多目标间相互遮挡的工况下进行实验，YOLOv3−tiny模型出现漏检情况且检测精度低（平均检测精度均值＜86%），YOLOv7−tiny模型对被遮挡人员的检测精度低（平均检测精度均值＜82%），YOLOv5s和FBEC−YOLOv5s模型对被遮挡人员的检测精度高，平均检测精度均值分别为90%～95%和92%～93%，FBEC−YOLOv5s模型检测效果较优，而YOLOv7模型对被遮挡人员的平均检测精度均值高于97%，但其参数量约为FBEC−YOLOv5s模型的4.5倍，检测速度较慢（FPS=84.7帧/s），难以满足煤矿井下的实时检测需求。第3组在多目标位姿持续变化且尺度跨度大的工况下进行实验，YOLOv3−tiny和YOLOv7−tiny模型对工作人员的检测精度较低（平均检测精度均值＜86%），YOLOv7、YOLOv5s及FBEC−YOLOv5s模型对工作人员的检测精度分别为90%～97%、92%～95%和94%～95%，其中，FBEC−YOLOv5s模型对工作人员的检测精度范围跨度最小且鲁棒性最高。综合上述分析可知，本文提出的FBEC−YOLOv5s模型的综合检测性能最好，能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低等情况下表现出良好的实时检测能力且具有更好的鲁棒性。
4. 结论
1） 3种改进措施能够不同程度地提高模型的检测精度。在YOLOv5s模型主干网络中融合FasterNet网络，以增强模型的特征提取和语义信息捕捉能力，使得模型平均检测精度均值提升了1%；在YOLOv5s模型颈部引入BiFPN网络，以实现多尺度特征的快速捕捉与融合，使得模型平均检测精度均值提升了1.6%；采用ECIoU代替CIoU损失函数，以提升检测框定位精度和模型收敛速度，使得模型平均检测精度均值提升了0.8%。
2） 与YOLOv5s、YOLOv7−tiny及YOLOv7等其他YOLO系列算法相比，FBEC−YOLOv5s算法综合检测性能最好，平均检测精度均值达92.4%（最大提升2.8%），实时检测速度达128.8 帧/s。该算法能够为煤矿井下生产场景的智能感知与安全管理提供技术支持与有效保障。
【编者按】随着国家“碳达峰”和“碳中和”目标任务和工业 4.0 浪潮的不断推进，对选煤厂安全管理、生产能力、产品质量、效率、成本提出了更高的要求，智能化选煤成为选煤行业发展的必然趋势。当下，我国选煤行业智能化建设取得了一系列研究成果，但总的来说智能选煤技术在选煤厂尚未普及，在关键技术、工程应用方面需要进一步产学研结合共同攻关。为总结交流科研成果，探讨技术难题与技术发展方向，推动选煤领域智能化技术发展与应用，进而实现智慧选煤目标，《工矿自动化》编辑部特邀中国矿业大学代伟教授担任客座主编，董良教授、马小平教授担任客座副主编，于2022年第11期组织出版“煤炭智能分选技术与应用”专题。在专题刊出之际，衷心感谢各位专家学者的大力支持！ -
[1] 石焕,程宏志,刘万超. 我国选煤技术现状及发展趋势[J]. 煤炭科学技术,2016,44(6):169-174. DOI: 10.13199/j.cnki.cst.2016.06.028 SHI Huan,CHENG Hongzhi,LIU Wanchao. Present status and development trend of China's coal preparation technology[J]. Coal Science and Technology,2016,44(6):169-174. DOI: 10.13199/j.cnki.cst.2016.06.028
[2] 王然风,高建川,付翔. 智能化选煤厂架构及关键技术[J]. 工矿自动化,2019,45(7):28-32. DOI: 10.13272/j.issn.1671-251x.17465 WANG Ranfeng,GAO Jianchuan,FU Xiang. Framework and key technologies of intelligent coal preparation plant[J]. Industry and Mine Automation,2019,45(7):28-32. DOI: 10.13272/j.issn.1671-251x.17465
[3] 匡亚莉. 智能化选煤厂建设的内涵与框架[J]. 选煤技术,2018(1):85-91. DOI: 10.16447/j.cnki.cpt.2018.01.022 KUANG Yali. The intension and framework for the construction of intelligent coal preparation plant[J]. Coal Preparation Technology,2018(1):85-91. DOI: 10.16447/j.cnki.cpt.2018.01.022
[4] 张月飞,王伟,代伟. 重介分选过程产品指标在线预测方法研究[J]. 煤炭工程,2021,53(增刊1):108-111. ZHANG Yuefei,WANG Wei,DAI Wei. On-line prediction of product indicators in dense medium coal separation[J]. Coal Engineering,2021,53(S1):108-111.
[5] 张凌智,代伟,马小平. 重介质选煤过程先进控制:研究进展及展望[J]. 工矿自动化,2020,46(8):21-27,69. DOI: 10.13272/j.issn.1671-251x.2020020001 ZHANG Lingzhi,DAI Wei,MA Xiaoping. Advanced control of dense medium coal separation process:research progresses and prospects[J]. Industry and Mine Automation,2020,46(8):21-27,69. DOI: 10.13272/j.issn.1671-251x.2020020001
[6] 曹现刚,李莹,王鹏,等. 煤矸石识别方法研究现状与展望[J]. 工矿自动化,2020,46(1):38-43. DOI: 10.13272/j.issn.1671-251x.2019060005 CAO Xiangang,LI Ying,WANG Peng,et al. Research status of coal-gangue identification method and its prospect[J]. Industry and Mine Automation,2020,46(1):38-43. DOI: 10.13272/j.issn.1671-251x.2019060005
[7] 董永胜,陈为高,侯佃平,等. 智能化选煤厂研究与建议[J]. 工矿自动化,2021,47(增刊1):26-31. DONG Yongsheng,CHEN Weigao,HOU Dianping,et al. Research and suggestions on intelligent coal preparation plant[J]. Industry and Mine Automation,2021,47(S1):26-31.
[8] RAO B V,KAPUR P C,KONNUR R. Modeling the size-density partition surface of dense-medium separators[J]. International Journal of Mineral Processing,2003,72(1/2/3/4):443-453. DOI: 10.1016/S0301-7516(03)00118-2
[9] WANG B,CHU K W,YU A B,et al. Modeling the multiphase flow in a dense medium cyclone[J]. Industrial & Engineering Chemistry Research,2009,48(7):3628-3639.
[10] NARASIMHA M,BRENNAN M S,HOLTHAM P N. A review of flow modeling for dense medium cyclones[J]. Coal Preparation,2006,26(2):55-89. DOI: 10.1080/07349340600619733
[11] MEYER E J,CRAIG I K. The development of dynamic models for a dense medium separation circuit in coal beneficiation[J]. Minerals Engineering,2010,23(10):791-805. DOI: 10.1016/j.mineng.2010.05.020
[12] ZHANG Lijun,XIA Xiaohua,ZHU Bing. A dual-loop control system for dense medium coal washing processes with sampled and delayed measurements[J]. IEEE Transactions on Control Systems Technology,2017,25(6):2211-2218. DOI: 10.1109/TCST.2016.2640946
[13] 陈龙,刘全利,王霖青,等. 基于数据的流程工业生产过程指标预测方法综述[J]. 自动化学报,2017,43(6):944-954. DOI: 10.16383/j.aas.2017.c170136 CHEN Long,LIU Quanli,WANG Linqing,et al. Data-driven prediction on performance indicators in process industry:a survey[J]. Acta Automatica Sinica,2017,43(6):944-954. DOI: 10.16383/j.aas.2017.c170136
[14] 李文正,孙伟,郑车晓,等. 应用模糊神经网络对重介质密度进行估算[J]. 矿山机械,2011,39(9):96-99. DOI: 10.16816/j.cnki.ksjx.2011.09.027 LI Wenzheng,SUN Wei,ZHENG Chexiao,et al. Estimation on dense-medium density with fuzzy neural network[J]. Mining & Processing Equipment,2011,39(9):96-99. DOI: 10.16816/j.cnki.ksjx.2011.09.027
[15] 李停. 基于无模型自适应的重介悬浮液密度控制[D]. 徐州: 中国矿业大学, 2016. LI Ting. Density control of dense medium suspension based on the model-free adaptive control[D]. Xuzhou: China University of Mining and Technology, 2016.
[16] DAI Wei,LI Depeng,ZHOU Ping,et al. Stochastic configuration networks with block increments for data modeling in process industries[J]. Information Sciences,2019,484:367-386. DOI: 10.1016/j.ins.2019.01.062
[17] DAI Wei,HU Jincheng,CHENG Yuhu,et al. RVFLN-based online adaptive semi-supervised learning algorithm with application to product quality estimation of industrial processes[J]. Journal of Central South University,2019,26(12):3338-3350. DOI: 10.1007/s11771-019-4257-6
[18] 柴天佑. 复杂工业过程运行优化与反馈控制[J]. 自动化学报,2013,39(11):1744-1757. DOI: 10.3724/SP.J.1004.2013.01744 CHAI Tianyou. Operational optimization and feedback control for complex industrial processe[J]. Acta Automatica Sinica,2013,39(11):1744-1757. DOI: 10.3724/SP.J.1004.2013.01744
[19] 赵春祥,叶桂森. 重介质选煤过程控制模型及控制算法的研究[J]. 煤炭学报,2000,25(增刊1):196-200. DOI: 10.13225/j.cnki.jccs.2000.s1.045 ZHAO Chunxiang,YE Guisen. Study of heavy medium coal preparation process control model and control algorithmn[J]. Journal of China Coal Society,2000,25(S1):196-200. DOI: 10.13225/j.cnki.jccs.2000.s1.045
[20] 邱佳楷,王然风,付翔. 重介质悬浮液密度宽域智能控制系统设计[J]. 工矿自动化,2019,45(7):33-37. DOI: 10.13272/j.issn.1671-251x.17429 QIU Jiakai,WANG Ranfeng,FU Xiang. Design of intelligent control system for dense medium suspension density with wide domain[J]. Industry and Mine Automation,2019,45(7):33-37. DOI: 10.13272/j.issn.1671-251x.17429
[21] 曹珍贯. 重介分选煤过程中重介质的密度预测控制研究[D]. 徐州: 中国矿业大学, 2014. CAO Zhenguan. Study of prediction control on heavy medium density in the process of coal preparation[D]. Xuzhou: China University of Mining and Technology, 2014.
[22] ZHANG Lijun,XIA Xiaohua. A model predictive control for coal beneficiation dense medium cyclones[J]. IFAC Proceedings Volumes,2014,47(3):9810-9815. DOI: 10.3182/20140824-6-ZA-1003.02218
[23] 代伟,张凌智,褚菲,等. 重介质选煤过程模型与数据混合驱动的自适应运行反馈控制[J]. 控制理论与应用,2020,37(2):283-294. DOI: 10.7641/CTA.2019.80852 DAI Wei,ZHANG Lingzhi,CHU Fei,et a1. Model-data hybrid driven adaptive operational feedback control of dense medium coal preparation process[J]. Control Theory & Applications,2020,37(2):283-294. DOI: 10.7641/CTA.2019.80852
[24] 张凌智, 代伟, 陆文捷, 等. 非线性工业过程多速率分层运行优化控制及选煤过程应用研究[C]. 第30届中国过程控制会议, 昆明, 2019: 287. ZHANG Lingzhi, DAI Wei, LU Wenjie, et al. Multi-rate layered optimal operational control of nonlinear industrial processes[C]. Proceedings of the 30th Chinese Process Control Conference, Kunming, 2019: 287.
[25] SUN Xiaolu,CAO Zhenguan,YUE Yuanhe,et al. Online prediction of dense medium suspension density based on phase space reconstruction[J]. Particulate Science and Technology,2018,36(8):989-998. DOI: 10.1080/02726351.2017.1333180
[26] 袁鹏涛. 可变煤质的重介分选过程悬浮液密度设定智能决策与控制研究[D]. 太原: 太原理工大学, 2020. YUAN Pengtao. Study on intelligent decision and control of susupension density setting in heavy medium separation process with variable coal quality[D]. Taiyuan: Taiyuan University of Technology, 2020.
[27] 胡金良,李彤昀,王光辉. 基于强化学习的重介质选煤过程优化控制[J]. 煤炭工程,2022,54(1):137-141. HU Jinliang,LI Tongyun,WANG Guanghui. Optimal control of dense medium coal preparation process based on reinforcement learning[J]. Coal Engineering,2022,54(1):137-141.
[28] 陶志达. 选煤厂智能化建设现状调查与分析[J]. 煤炭加工与综合利用,2022(1):66-70. DOI: 10.16200/j.cnki.11-2627/td.2022.01.013 TAO Zhida. Investigation and analysis on the current situation of intelligent construction in coal preparation plant[J]. Coal Processing & Comprehensive Utilization,2022(1):66-70. DOI: 10.16200/j.cnki.11-2627/td.2022.01.013
[29] 桂卫华,岳伟超,谢永芳,等. 铝电解生产智能优化制造研究综述[J]. 自动化学报,2018,44(11):1957-1970. DOI: 10.16383/j.aas.2018.c180198 GUI Weihua,YUE Weichao,XIE Yongfang,et al. A review of intelligent optimal manufacturing for aluminum reduction production[J]. Acta Automatica Sinica,2018,44(11):1957-1970. DOI: 10.16383/j.aas.2018.c180198
-
期刊类型引用(1)
1. 问永忠，贾澎涛，夏敏高，张龙刚，王伟峰. 基于改进YOLOv8n的井下人员多目标检测. 工矿自动化. 2025(01): 31-37+77 . 
本站查看
其他类型引用(0)
下载:
计量
- 文章访问数: 540
- HTML全文浏览量: 53
- PDF下载量: 90
- 被引次数: 1
