秦少杰，王然風，付 翔

(太原理工大學 礦業(yè)工程學院，山西 太原 030024)

煤泥水濃縮作為選煤廠實現(xiàn)洗水閉路循環(huán)的關鍵環(huán)節(jié)，同時也是壓濾的前一道工序，在整個洗選流程中極其重要。在煤泥水中添加輔助藥劑(絮凝劑和凝聚劑)可促進煤泥水中懸浮顆粒的沉降。為合理添加藥劑，保證濃縮效果，楊津靈[1]提出基于灰色預測-模糊控制的絮凝劑自動添加系統(tǒng)，通過灰色模型對溢流水濁度預測結(jié)合模糊控制，調(diào)整藥劑添加量，僅考慮濃縮工序，而沒考慮之后的壓濾工序。 王衛(wèi)東[2]計算干煤泥量，通過干煤泥量控制藥劑添加量，但只做了前饋控制。梁波[3]采用了“前饋+反饋”控制策略，根據(jù)干煤泥量確定藥劑量作前饋控制，檢測溢流水的濁度，作為反饋量調(diào)整藥劑添加量，一定程度上提高了系統(tǒng)控制效果，然而實際生產(chǎn)中，濃縮過程歷時長滯后性大，工況改變需要一段時間才會引起溢流濁度的變化，因此溢流濁度作為反饋量不能保障系統(tǒng)的穩(wěn)定性。 基于此，本文以賀西礦選煤廠為背景，設計了一種煤泥水濃縮過程加藥系統(tǒng)，建立溢流濁度、底流濃度的預測模型，并以溢流濁度、底流濃度和藥劑成本為優(yōu)化目標，利用MOPSO算法進行優(yōu)化，得出PID控制器的最優(yōu)值，實現(xiàn)絮凝劑、凝聚劑在不同工況下的及時合理添加，在滿足濃縮效果要求的同時，提高壓濾效率，降低藥劑損、耗節(jié)約成本。

1 藥劑添加現(xiàn)狀與問題

目前賀西選煤廠藥劑添加方式如圖1所示。利用配藥箱配置合適濃度的絮凝劑凝聚劑藥劑溶液，利用螺桿泵添加到濃縮機入料管中，螺桿泵由變頻電機驅(qū)動，在入料管中和待處理的煤泥水混合一起進入濃縮機，崗位司機通過觀察溢流水的渾濁度判斷需要添加的藥劑量，利用控制柜的人機界面調(diào)整變頻電機的輸出頻率，調(diào)整藥劑添加量。

1—絮凝劑配藥箱；2—凝聚劑配藥箱；3—絮凝劑控制柜；4—凝聚劑控制柜；5—上位機；6—入料管；7—濃縮機；8—變頻電機圖1 賀西礦選煤廠濃縮處理加藥系統(tǒng)

現(xiàn)場生產(chǎn)實時中，由于缺乏有效的檢測手段，崗位司機不能實時獲知溢流水的水質(zhì)變化，無法及時調(diào)整藥劑添加量，影響煤泥水濃縮效果，造成濃縮機溢流不能滿足循環(huán)水使用要求，影響壓濾機效率，也可能造成藥劑浪費?，F(xiàn)場崗位司機僅以溢流水狀況作為判斷藥劑添加量的指標，較為單一。

2 系統(tǒng)原理

針對以上問題，本文設計了一種基于MOPSO的煤泥水濃縮過程加藥系統(tǒng)，該系統(tǒng)包括工況采集、多目標優(yōu)化和跟蹤控制模塊，控制原理如圖2所示。

圖2 基于MOPSO的煤泥水濃縮過程加藥系統(tǒng)原理

跟蹤控制作為系統(tǒng)的底層控制層，根據(jù)選煤廠現(xiàn)有的加藥方式設計了2個PID控制器，分別針對絮凝劑加藥量和凝聚劑加藥量，其各自的控制結(jié)構(gòu)見表1，由于溢流水的渾濁度和底流濃度在很大程度受到絮凝劑和凝聚劑加藥量的影響，因此可以通過改變絮凝劑和凝聚劑加藥量設定值LXset和LNset實現(xiàn)對溢流水濁度和底流濃度的優(yōu)化控制。工況采集由安裝在濃縮機入料管道上的傳感器完成。

表1 控制器控制結(jié)構(gòu)

3 多目標數(shù)學模型建立

Suykens[4]利用等式約束替代了SVM中的不等式約束，提出LS-SVM，降低了算法復雜度，大大提高了算法的收斂速度，LS-SVM回歸建模原理如下：根據(jù)給定的樣本集S：{(x1，y1)…(xi，yi)}∈RN×R，i的取值是1…N，x、y分別為輸入變量和輸出變量，由于數(shù)據(jù)在低維空間線性不可分，需要引入映射函數(shù)ρ(x)實現(xiàn)線性可分，得到回歸模型如下：

f(x)=ωTρ(x)+b

(1)

式中，b為偏置量；ω為權向量，ω∈RN，b∈R。

根據(jù)真實風險最小化原則，回歸模型轉(zhuǎn)換成帶約束的二次規(guī)劃問題：

式中，J(ω，θi)為目標函數(shù)；γ為懲罰因子；θi為松弛變量。引入拉格朗日乘子α得到最終的回歸函數(shù)：

式中，K(xi，xj)為核函數(shù)，核函數(shù)應結(jié)構(gòu)簡單、適應性強，故本文選用徑向基函數(shù)作為核函數(shù)。

煤泥水濃縮過程中，濃縮機入料主要來源是浮選尾礦[5]，其濃度和流量影響著溢流水的濁度以及底流濃度，同時藥劑添加量也會對上述兩個指標產(chǎn)生影響[6]。因此，建立LSSVM預測模型時，輸入變量x=[x1，x2，x3，x4]選用濃縮機入料濃度和流量以及絮凝凝聚藥劑量，輸出變量y=[y1，y2]選取優(yōu)化目標溢流濁度和底流濃度，得到模型最終的輸入輸出式(1)、式(2)。建模數(shù)據(jù)來自工業(yè)現(xiàn)場濃縮過程收集的數(shù)據(jù)，現(xiàn)場通過PLC 收集的數(shù)據(jù)上傳到工控機并儲存，挑選100組具有代表性的數(shù)據(jù)，為提高的模型的精度，對挑選的數(shù)據(jù)進行min-max處理，見式(3)，使得模型輸入變量量綱一致。

y1=f1(x1，x2，x3，x4)

(5)

y2=f2(x1，x2，x3，x4)

(6)

通過均方根誤差(RMSE)和相對均方根誤差RRMSE評價模型預測精度，均方根誤差(RMSE)和相對均方根誤差(RRMSE)定義如下：

核算壓濾機的負載結(jié)合現(xiàn)場生產(chǎn)經(jīng)驗，壓濾機入料濃度600±50g/L時，壓濾效果最好，根據(jù)GB/T 35051—2018 選煤廠洗水閉路循環(huán)等級[7]，本文將洗水濃度確定在1500mg/L附近，符合選煤廠生產(chǎn)要求。f1=|f1(x)-1500|、f2=|f2(x)-600|，藥劑成本是根據(jù)藥劑添加量進行計算的，f3=f3(x1，x2，x3，x4)=0*x1+0*x2+ax3+bx4，其中a和b為絮凝劑和凝聚劑的經(jīng)濟指標，本文采用藥劑單價?，F(xiàn)場藥劑量調(diào)節(jié)是通過調(diào)整變頻電機的頻率，電機變頻范圍0～50Hz作為約束條件。整個優(yōu)化過程數(shù)學模型如下：

式中，X為決策空間；x為決策變量；F(X)為目標函數(shù)集。

Coello C A C[8]等在2004年提出了多目標粒子群算法(MOPSO)，是一種在粒子群算法(PSO)中引入pareto解集用于解決具有多個目標函數(shù)的優(yōu)化問題的進化算法，并且用4個標準多目標函數(shù)驗證了MOPSO算法解決多目標優(yōu)化問題的可行性。MOPSO算法流程如圖3所示，第一步對所有粒子進行初始化處理，計算初始化后各個粒子的適應度，按照支配關系把非劣解存儲在Pareto中，在Pareto選出全局最優(yōu)解，利用式(11)—式(13)對粒子位置和速度進行更新，再次計算適應度，更新個體最優(yōu)解和全局最優(yōu)解。在沒有達到預設次數(shù)時，利用線性遞減權重公式對粒子位置進行更新，循環(huán)直至達到預設停止條件[9，10]。

圖3 MOPSO流程圖

4 仿真實驗

仿真在MATLAB上運行，仿真測試溢流濁度以及底流濃度模型的適用性[12]，在前面數(shù)據(jù)中，隨機選出70組用于訓練搭建預測模型，其余的30組數(shù)據(jù)用于測試模型精度，預測值與測試樣本值對比如圖4、圖5所示，根據(jù)式(8)、式(9)計算溢流濁度預測值與溢流濁度測試值的RMSE、RRMSE和底流濃度預測值與底流濁度濃度測試值的RMSE、RRMSE，見表2。在Matlab上運行MOPSO算法，MOPSO算法設置100個粒子，終止迭代次數(shù)200，經(jīng)過算法運行得到Pareto解，如圖6所示。

圖4 底流濃度預測值與測試樣本值對比圖

圖5 溢流濁度預測值與測試樣本值對比圖

圖6 Pareto解

由圖4、圖5可知，采用LS-SVM建立的溢流濁度和底流濃度預測模型預測值與測試樣本值曲線吻合度較高，預測模型的均方根誤差(RMSE)和相對均方根誤差(RRMSE)見表2，由此可知預測模型適用于溢流濁度和底流濃度預測。

表2 LS-SVM模型評價效果

5 現(xiàn)場工業(yè)運行試驗及結(jié)果分析

5.1 系統(tǒng)搭建

工業(yè)現(xiàn)場構(gòu)建藥劑添加系統(tǒng)，包括硬件搭建和軟件設計，硬件主要有傳感器、配藥箱、變頻電機以及底流泵、通訊線纜、工業(yè)計算機、控制柜，軟件包括PLC程序、各硬件之間的通訊以及工控機上的算法。整個系統(tǒng)結(jié)構(gòu)如圖7所示。

圖7 系統(tǒng)結(jié)構(gòu)

該系統(tǒng)需要的傳感器有流量計和濃度計以及濁度計，各個傳感器的安裝位置根據(jù)工業(yè)現(xiàn)場實際情況確定，包括入料管道的流量計和濃度計、濃縮池邊的濁度計(日本奧泰斯TSC-10S散亂光式濁度儀)、底流管的流量計和濃度計，絮凝劑和凝聚劑加藥管上的流量計。入料管的濃度計選用哈希Solitax sc+sc200，底流管的濃度計選用“E+H”的FMD78式差壓式濃度傳感器，流量計選用科隆的OPTIFLUX2300W智能診斷型流量計。

PLC控制柜包括觸摸屏(昆侖通態(tài)TPC1061TI)，現(xiàn)場工人可以進行人機交互，了解整個系統(tǒng)的運行情況以及各傳感器收集的信息。PLC選用西門子S7200系列，需要配置以太網(wǎng)模塊，以及用于接收傳感器信息和輸出控制信號的模擬量輸入輸出模塊。

執(zhí)行機構(gòu)為變頻電機，通過控制電機頻率達到控制藥劑流量的目的[13]。上位機選用研華IPC610L，上位機組態(tài)選用組態(tài)王，PLC和上位機之間通過以太網(wǎng)連接，PLC收集的數(shù)據(jù)在上位機上實時顯示。建立組態(tài)王與MATLAB之間的通訊，采用opc通訊方式，加藥系統(tǒng)運行時，PLC將收集到的傳感器信息上傳到上位機，作為MATLAB中模型的輸入變量，經(jīng)過算法程序得出計算結(jié)果，反向傳輸給PLC，由PLC去控制變頻器頻率。

5.2 運行效果分析

該系統(tǒng)在賀西煤礦選煤廠試運行，試運行期間溢流濁度和底流濃度與使用原系統(tǒng)時的數(shù)據(jù)進行對比。系統(tǒng)運行前后藥劑消耗見表3，底流濃度和溢流濁度對比如圖8、圖9所示。系統(tǒng)運行期間，整個煤泥水處理過程中溢流水濁度較為穩(wěn)定，解決了以往由于加藥量不能及時隨工況變化而調(diào)整造成的藥劑浪費，提高了選煤廠經(jīng)濟效益，同時也將底流濃度控制在合理的范圍，為下一步煤泥壓濾環(huán)節(jié)提供了良好的工況。

表3 系統(tǒng)運行前后藥劑消耗對比

圖9 溢流濁度對比

6 結(jié) 語

設計了一種基于MOPSO的煤泥水濃縮過程加藥系統(tǒng)，解決了原有加藥系統(tǒng)不能隨工況改變及時調(diào)整藥劑添加量以及加藥不準確的問題。同時將溢流水濁度穩(wěn)定在較低水平內(nèi)，滿足了生產(chǎn)環(huán)保要求，為后續(xù)壓濾環(huán)節(jié)提供了良好的工況，提高了壓濾機效率。系統(tǒng)運行前后絮凝劑消耗量降低了5.39%，凝聚劑消耗量降低了4.91%。