0 引言

中国大部分选煤厂采用重介质分选工艺，而重介质分选工艺的关键参数——分选密度由精煤质量要求和原煤煤质特性决定[1]。由于原煤来源不同导致原煤煤质特性差异较大[2]，所以单一不变的分选密度无法满足生产要求。分选密度决定重介质悬浮液密度，因此在重介质分选过程中需要大范围调节重介质悬浮液密度。

文献[3]提出了基于模糊控制的重介质悬浮液密度控制方法，将密度偏差、密度变化率、合格介质桶液位及液位变化率作为密度模糊控制的输入变量，实现了密度精确、稳定控制，但未考虑磁性物对分选过程的影响及密度调节时的阶跃响应。文献[4]提出了重介质悬浮液密度与液位PFC(Predcitive Functoinal Contorl，预测函数控制)-PID控制算法，实现了合格介质桶液位与重介质悬浮液密度的解耦，解决了密度控制滞后问题，但实际生产中合格介质桶缓冲能力有限，仅通过调节补水阀及分流阀的开度无法完成密度大范围调节。文献[5]考虑了重介质悬浮液密度控制过程中的阶跃响应，采用基于二次规划约束优化算法的动态矩阵预测控制器实现对重介质悬浮液密度及合格介质桶液位的联动控制，使重介质悬浮液密度与合格介质桶液位可迅速达到稳定值，但没有考虑实际应用时合格介质桶容量限制及密度控制时的稳态响应。

本文基于重介质分选反分流工艺，设计了一种重介质悬浮液密度宽域智能控制系统。利用BP神经网络建立合格介质桶液位预测模型，采用基于支持向量机的一对一多分类算法实现加介质、稳态、密度阶跃上升、密度阶跃下降控制模式切换，依据控制模式调整各类阀及泵动作，实现密度宽域调节。

1 重介质分选反分流工艺

通过调节补水阀及分流阀的开度实现重介质悬浮液密度控制时，密度与合格介质桶液位存在较强的相关关系，即密度上升时合格介质桶液位下降，密度下降时合格介质桶液位上升[6]。但合格介质桶缓冲能力有限，导致密度调节范围受限。因此，在重介质分选过程中采用反分流工艺，如图1所示。

当合格介质桶中悬浮液密度需要降低时，通过控制合格介质桶的加水阀往合格介质桶里加水，同时通过反分流泵将合格介质桶中悬浮液输送至浓介质桶中，从而在密度降低的同时合格介质桶液位不会升高。当合格介质桶中悬浮液密度需要上升时，打开浓介质泵往合格介质桶里加入浓介质，可迅速提升密度且合格介质桶液位不会降低。

图1 重介质分选反分流工艺
Fig.1 Reverse split technology of dense medium separation

2 重介质悬浮液密度宽域智能控制原理

重介质悬浮液密度宽域智能控制分为加介质、稳态、密度阶跃上升、密度阶跃下降4种模式，原理如图2所示。通过密度计采集合格介质桶输送到旋流器中的悬浮液密度实际值，并与现场工作人员根据经验给出的密度设定值进行比较，得出密度偏差值。将密度偏差值、合格介质桶液位实际值、分流阀开度及补水阀开度作为输入变量，利用合格介质桶液位预测模型计算出密度达到稳定时的合格介质桶液位预测值。根据密度偏差值、合格介质桶液位实际值和预测值，结合切换策略实现模式切换，并依据控制模式自动调整分流阀、补水阀、加水阀开度及浓介质泵、反分流泵开启时间，从而实现密度调节。

2.1 重介质悬浮液密度宽域智能控制模式

(1) 加介质模式。当重介质分选系统生产一段时间后，由于磁铁粉消耗，需要补充浓介质。通过浓介质泵补加浓介质会导致合格介质桶中悬浮液密度突然升高，为使加介质过程中悬浮液密度满足生产要求，通过调节合格介质桶与合格介质泵之间的补水阀及时降低密度。

(2) 稳态模式。当悬浮液密度已经达到分选密度附近时，需要稳定悬浮液密度，并且控制悬浮液中煤泥含量(煤泥含量通过悬浮液密度及磁性物含量计算)。调节补水阀开度来补水是调节悬浮液密度的重要手段，补水阀开度调节采用PID控制[7-10]。分流阀主要作用是排出重介质分选系统中多余煤泥，保证悬浮液黏度。分流阀开度调节采用模糊控制[11-12]，将补水阀开度、磁性物含量偏差值、密度偏差值及合格介质桶液位实际值作为模糊控制输入。根据补水阀开度可提前调节分流阀开度：当补水阀开度大时，减小分流阀开度；当补水阀开度小时，增大分流阀开度。

图2 重介质悬浮液密度宽域智能控制原理
Fig.2 Intelligent control principle of dense medium suspension density with wide domain

(3) 密度阶跃上升模式。当密度设定值需要大幅上升时，由于密度与合格介质桶液位的耦合关系及分流的滞后性，通过分流阀和补水阀已无法及时调节密度。因此通过浓介质泵和分流阀进行控制：若合格介质桶液位高，则通过分流阀降低液位，同时通过浓介质泵补加浓介质；若合格介质桶液位低，则仅通过浓介质泵补加浓介质。

(4) 密度阶跃下降模式。当密度设定值需要大幅下降时，通过补水阀虽可及时降低密度，但补水阀开度过大会导致合格介质桶液位上升，且由于补水阀在合格介质泵与合格介质桶之间，合格介质桶液位上升存在一定滞后，所以容易引起合格介质桶液位过高,导致溢流及加水量超调。因此通过加水阀和反分流泵进行控制：当合格介质桶液位低时，通过加水阀直接加水来降低密度；当合格介质桶液位高时，通过加水阀加水的同时,通过反分流泵降低合格介质桶液位。

2.2 合格介质桶液位预测模型

由于重介质悬浮液密度与合格介质桶液位的相关关系，密度偏差值越大，液位的阶跃响应幅值也会越大，合格介质桶容量可能无法满足密度控制要求，所以需要预测合格介质桶液位。利用BP神经网络建立合格介质桶液位预测模型，采用随机梯度下降方式训练神经网络，流程如图3所示。初始化权重并给定输入输出向量，通过正向传播激活每个神经元，通过比较神经网络输出向量与给定的输出向量计算损失函数，通过反向传播对每个权重进行更新，重复以上步骤直至最大迭代次数或模型偏差满足要求[13-15]。

图3 神经网络训练流程
Fig.3 Neural network training flow

本文建模数据来自新柳选煤厂，选取120组具有代表性的数据作为样本，采用S函数作为激活函数。为提高模型预测准确性，对数据进行归一化处理：由于数据均为正数，使用线性函数归一化，使数据映射到[0，1]区间内。随机选取其中100组数据作为训练集，20组数据作为测试集。经过多次训练，最终确定隐含层为1层、节点数为11时，训练得到的模型预测效果最好，如图4所示。

2.3 切换策略

不同重介质悬浮液密度宽域智能控制模式对应的合格介质桶液位及密度偏差不同：加介质模式对应的合格介质桶液位低、密度偏差小；稳态模式对应的密度偏差小、合格介质桶液位变化小；密度阶跃上升/下降模式对应的密度偏差大、合格介质桶液位变化大[16]。因此可根据模式不同特点，通过切换策略实现模式切换。

图4 合格介质桶液位预测值与实际值对比
Fig.4 Comparison of predicted value and actual value of liquid level of qualified medium barrel

本文通过基于支持向量机的一对一多分类算法实现模式识别。加介质模式、稳态模式、密度阶跃上升模式和密度阶跃下降模式对应的类别标签分别为1，2，3，4。一对一多分类算法是在任意两类之间建立1个分类器，因此本文构建6个训练集，并利用支持向量机对这6个训练集进行学习，产生6个分类器。通过6个分类器对样本进行分类，分类后对样本所属类别进行投票，得票最多的类别即为该样本类别[17]。

3 重介质悬浮液密度宽域智能控制系统

重介质悬浮液密度宽域智能控制系统由设备层、控制层、管理层组成，如图5所示。设备层由压差式密度计、合格介质桶液位计、各类阀及泵组成；控制层即PLC,由CPU、通信模块、模拟量模块及数字量模块组成；管理层由工控机组态软件、Matlab及MySQL数据库组成。设备层采集的合格介质桶液位、分流阀开度、补水阀开度、密度等数据传输至PLC，并通过以太网上传至工控机，Matlab利用训练好的合格介质桶液位预测模型计算相应的控制模式，反向传输至控制层，控制各类阀及泵动作，实现密度大范围自动控制。

4 应用效果

新柳选煤厂原来通过手动控制分流阀来调节重介质悬浮液密度，存在密度波动范围大、调节时间长的问题。该选煤厂应用重介质悬浮液密度宽域智能控制系统后，效果如图6、图7所示。可看出在稳态阶段，密度波动范围稳定在±0.005 g/cm3；密度调节时间短，当密度下调0.02 g/cm3，用时3 min左右，当密度上调0.06 g/cm3，用时15 min左右。

图5 重介质悬浮液密度宽域智能控制系统结构
Fig.5 Structure of intelligent control system for dense medium suspension density with wide domain

图6 密度设定值下调
Fig.6 Density setting value decreases

图7 密度设定值上调
Fig.7 Density setting value increases

5 结语

在重介质分选反分流工艺基础上，重介质悬浮液密度宽域智能控制系统根据悬浮液密度实际值与设定值的偏差、合格介质桶液位实际值、分流阀开度及补水阀开度，利用基于BP神经网络的合格介质桶液位预测模型得出合格介质桶液位预测值；根据合格介质桶液位偏差与密度偏差，通过基于支持向量机的一对一多分类算法实现控制模式切换，并依据控制模式自动调整分流阀、补水阀、加水阀开度及浓介质泵、反分流泵开启时间，从而实现密度大范围调节。该系统应用后密度波动范围稳定在±0.005 g/cm3，密度调节时间短。

参考文献( References)：

[1] 刘彦丽,樊民强.从煤矸石中回收煤系高岭岩的重介分选技术[J].中国矿业,2017,26(10):142-145.

LIU Yanli,FAN Minqiang.Separation of coal bearing kaolinite using dense medium cyclone[J].China Mining Magazine,2017,26(10):142-145.

[2] 周明磊,张德鹏.原煤的可选性及其入洗可行性分析[J].煤矿安全,2012,43(5):173-177.

ZHOU Minglei,ZHANG Depeng.Feasibility analysis of raw coal washability and its washing[J].Safety in Coal Mines,2012,43(5):173-177.

[3] 孔繁苗,徐康,陈浙锐,等.基于模糊控制的重介质悬浮液密度控制方法[J].工矿自动化,2018,44(6):101-104.

KONG Fanmiao,XU Kang,CHEN Zherui,et al.Density control method for dense-medium suspension based on fuzzy control[J].Industry and Mine Automation,2018,44(6):101-104.

[4] 郭西进,邵宏清,杨春宝,等.重介悬浮液密度与液位PFC-PID控制算法研究[J].工矿自动化,2018,44(1):89-95.

GUO Xijin,SHAO Hongqing,YANG Chunbao,et al.Research on PFC-PID control algorithm of density and liquid level in heavy medium suspension[J].Industry and Mine Automation,2018,44(1):89-95.

[5] 薛东彪,杨洁明.QP-DMC算法在重介液密度控制中的应用[J].机械设计与制造,2017(4):169-172.

XUE Dongbiao,YANG Jieming.Application of QP-DMC algorithm in the heavy medium suspension density control system[J].Machinery Design & Manufacture,2017(4):169-172.

[6] 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.

ZHAO Chunxiang,YE Guisen.Study of heavy medium coal preparation process control model and control algorithm[J].Journal of China Coal Society,2000,25(S1):196-200.

[7] 董志勇,王然风,樊民强,等.重介分选过程分流自动控制系统设计[J].工矿自动化,2017,43(7):23-27.

DONG Zhiyong,WANG Ranfeng,FAN Minqiang,et al.Design of automatic shunt control system in dense-medium separation process[J].Industry and Mine Automation,2017,43(7):23-27.

[8] 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.

[9] 曹珍贯.重介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.

[10] 付翔.重介选煤灰分自动控制系统的设计与实现[D].太原:太原理工大学,2012.

[11] 王波,张致维,王然风.重介悬浮液密度自动控制系统的设计[J].控制工程,2011,18(增刊1):67-69.

WANG Bo,ZHANG Zhiwei,WANG Ranfeng.Design of automation system for heavy medium suspension[J].Control Engineering of China,2011,18(S1):67-69.

[12] 郭西进,高警卫,岳广礼,等.重介选煤工艺多参数模糊控制方法研究[J].工矿自动化,2012,38(9):1-4.

GUO Xijin,GAO Jingwei,YUE Guangli,et al.Research of fuzzy control method for multi-parameter in dense-medium separation process[J].Industry and Mine Automation,2012,38(9):1-4.

[13] 王功鹏,段萌,牛常勇.基于卷积神经网络的随机梯度下降算法[J].计算机工程与设计,2018,39(2):441-445.

WANG Gongpeng,DUAN Meng,NIU Changyong.Stochastic gradient descent algorithm based on convolution neural network[J].Computer Engineering and Design,2018,39(2):441-445.

[14] 张晋晶.基于随机梯度下降的神经网络权重优化算法[D].重庆:西南大学,2018.

[15] 梁斌昌,赵建章,田树丹,等.基于BP神经网络的循环介质密度控制系统设计[J].选煤技术,2017(2):62-66.

LIANG Binchang,ZHAO Jianzhang,TIAN Shudan,et al.Design of circulating medium density control system based on BP neural network[J].Coal Preparation Technology,2017(2):62-66.

[16] 张智焕,王树青.基于多模型切换的大范围预测函数控制[J].浙江大学学报(工学版),2002,36(3):290-292.

ZHANG Zhihuan,WANG Shuqing.Global predictive function control based on the switching of multiple models[J].Journal of Zhejiang University(Engineering Science),2002,36(3):290-292.

[17] 荆双喜,华伟.基于小波-支持向量机的矿用通风机故障诊断[J].煤炭学报,2007,32(1):98-102.

JING Shuangxi,HUA Wei.The mine ventilator fault diagnosis based on wavelet packet and support vector machine[J].Journal of China Coal Society,2007,32(1):98-102.