A fast detection method for slime water flocculation and sedimentation rate based on image grayscale recognition
-
摘要:
目前矿物组成等影响煤泥水絮凝沉降效果的重要参数缺乏有效的在线检测手段，而浓缩池溢流浊度和界面又存在滞后性问题，限制了选煤厂煤泥水智能加药的发展。针对该问题，提出了基于图像灰度识别的煤泥水絮凝沉降速率快速检测方法。利用CCD相机在线采集煤泥水沉降过程图像，并通过均值滤波法进行降噪，计算图像的平均灰度和平均灰度变化率，利用沉降速率与平均灰度变化率的关系得到沉降速率。通过絮凝沉降实验提取图像的灰度、能量、对比度、方差和相关度等特征值，进行分析验证。分析结果表明：① 5种图像特征中，平均灰度的变化符合煤泥水批次沉降过程中沉降速率的变化规律，即存在缓冲区、线性区和稳定区，且变化特征可以在30 s内获得。② 平均灰度变化率与沉降速率存在较好的线性相关性，煤泥水质量浓度为20 g/L时，不同絮凝剂添加量下图像平均灰度变化率与沉降速率的线性相关系数达0.977 2；煤泥水质量浓度5～25 g/L、絮凝剂添加量为0.1～0.2 kg/t条件下，图像平均灰度变化率与沉降速率的线性相关系数为0.944 1。③ 平均灰度变化率可以在较大范围内适应煤泥水絮凝沉降状态的变化，可用于快速检测煤泥水絮凝沉降速率并作为煤泥水加药智能调节的依据。
Abstract:At present, there is a lack of effective online detection methods for important parameters such as mineral composition that affect the flocculation and sedimentation effect of slime water. There are also lagging issues in the turbidity and interface of the overflow of the concentration tank, which limits the development of intelligent dosing for slime water in coal preparation plants. In order to solve the above problems, a fast detection method for slime water flocculation and sedimentation rate based on image grayscale recognition is proposed. Using a CCD camera to collect images of the sedimentation process of slime water online, and using the mean filtering method for noise reduction, the average grayscale and average grayscale change rate of the image are calculated. The sedimentation rate is obtained by using the relationship between the sedimentation rate and the average grayscale change rate. The method extracts feature values such as grayscale, energy, contrast, variance, and cross-correlation from images through flocculation sedimentation experiments for analysis and verification. The analysis results show the following points. ① Among the five image features, the change in grayscale mean conforms to the variation law of sedimentation rate during the sedimentation process of slime water batches. There are buffer zones, linear zones, and stable zones, and the variation features can be obtained within 30 seconds. ② There is a good linear correlation between the average grayscale change rate and sedimentation rate. When the concentration of slime water is 20 g/L, the linear correlation coefficient between the average grayscale change rate of the image and sedimentation rate under different flocculant addition amounts is 0.977 2. Under the conditions of slime water concentration of 5-25 g/L and flocculant addition amounts of 0.1-0.2 kg/t, the linear correlation coefficient between the two is 0.944 1. ③ The average grayscale change rate can adapt to the changes in the flocculation and sedimentation state of slime water within a large range. The average grayscale change rate can be used to quickly detect the flocculation and sedimentation rate of slime water and serve as the basis for intelligent adjustment of slime water dosing.
-
0. 引言
煤自燃是在煤炭开采和储运过程中常见的重大灾害之一，严重威胁煤矿安全生产和矿工生命安全[1-3]。为减少煤自燃引发的瓦斯爆炸、粉尘爆炸、矿井火灾等灾害，煤自燃预测成为防治煤自燃灾害的关键[4-5]，其中最有效的方式是研究煤自燃过程中温度与指标气体浓度之间的规律[6-7]，建立煤自燃温度预测模型。
近年来随着人工智能技术的快速发展，已有许多学者将传统机器学习和深度学习与煤自燃指标气体相结合，对煤自燃温度进行预测。赵琳琳等[8]利用主成分分析法（Principal Component Analysis，PCA）提取O2浓度等指标的主成分，并将主成分作为自适应增强（Adaptive Boosting，AdaBoost）算法输入参数，发火情况作为AdaBoost算法输出参数，建立了不均衡数据下采空区自然发火PCA−AdaBoost预测模型，提高了采空区自然发火预测准确率。昝军才等[9]建立了BP神经网络预测模型，选取CO，CO2，CH4，C2H4，C2H6气体浓度作为特征，对煤自燃温度进行预测。郑学召等[10]采用随机森林算法构建了基于向量机的煤自燃温度预测模型。汪伟等[11]将粒子群优化（Particle Swarm Optimization，PSO）算法和改进反向传播神经网络（Back Propagation Neural Network，BPNN）结合，构建了基于PSO−BPNN的煤自燃预测模型，克服了收敛速度慢、易陷入局部最优的缺点。基于机器学习的方法具有泛化能力好、计算效率高等优点，但在预测准确性方面还有待进一步提高。随着深度学习的发展，一些学者将简单循环单元（Simple Recurrent Unit，SRU）[12]、长短期记忆网络（Long Short-Term Memory，LSTM）[13]、门控循环单元（Gated Recurrent Unit，GRU）[14]、Transformer[15]模型等应用于煤自燃温度预测，取得了较好的效果，但这些模型多数仅针对单一监测点进行预测，对于多监测点情况，无法考虑监测点的空间关系。另外，在预测步长方面，目前大部分研究致力于提高煤自燃温度的单步长预测精度，对煤自燃温度的多步长预测研究较少。
煤矿采空区是一个复杂的环境空间，采空区气体是流动的，不同位置的遗煤量也不相同。对采空区沿空侧进行监测时，布置的多个监测点之间具有空间关联性[16]，所以在预测采空区的煤自燃温度时，需要将采空区多个煤自燃监测点作为一个整体进行研究[17-18]。本文将图注意力网络（Graph Attention Networks，GAT）[19]与Informer模型[20]进行融合，提出了一种GAT−Informer模型，并用于采空区煤自燃温度预测，可有效提取采空区多个监测点煤自燃监测数据间的空间关联特征和时间关联特征，提高煤自燃温度多步长预测精度。
1. GAT−Informer模型
GAT−Informer模型由输入层、GAT、Informer模型和输出层4个部分组成，如图1所示。
![]()
图 1 GAT-Informer模型架构Figure 1. Graph attention network（GAT）-Informer model architecture1.1 输入层
采集采空区沿空侧煤柱布置的多个监测点数据，设煤自燃监测数据集合为$ \{ {{\boldsymbol{D}}^1},{{\boldsymbol{D}}^2}, \cdots ,{{\boldsymbol{D}}^M}\} $，其中$ {{\boldsymbol{D}}^m} = \{ {\boldsymbol{D}}_1^m,{\boldsymbol{D}}_2^m,\cdots,{\boldsymbol{D}}_n^m\} $（$ m = 1,2,\cdots,M $，$ M $为监测点数量），$ {\boldsymbol{D}}_t^m $为第$ m $个监测点的第$ t $（$ t = 1,2,\cdots,n $，$ n $为监测数据的时间序列总长度）个时刻特征数据，$ \boldsymbol{D}_t^m= [d_{t1}^m\; \ d_{t2}^m\; \ \cdots\; \ d_{ts}^m] $，$ d_{tf}^m $为第$ m $个监测点的第$ t $个时刻的第$ f $（$ f = 1,2,\cdots,s $，$ s $为指标特征数量）个指标特征值。
采空区环境复杂，设备工作不稳定，采集到的数据有较多的异常值和较大的噪声，会影响数据的预测精度，因此，在煤自燃温度预测前需要对数据进行预处理。采用随机森林回归法[21]对缺失值和异常值处进行插补，通过Savitzky−Golay滤波器[22]进行平滑去噪处理，使用Z−score方法对数据进行标准化，从而重构符合GAT输入要求的特征矩阵集合$ \{ {{\boldsymbol{X}}^1},{{\boldsymbol{X}}^2}, \cdots ,{{\boldsymbol{X}}^M}\} $，其中$ {{\boldsymbol{X}}^m} $为第$ m $个监测点的特征矩阵，$ {{\boldsymbol{X}}^m} \in {{\bf{R}}^{{{n}} \times s}} $。
1.2 GAT
GAT利用注意力机制来捕捉煤自燃监测点之间的关系。通过计算1个监测点与其关联监测点之间的注意力权重，根据权重来更新当前监测点状态，进而对多个煤自燃监测点之间的空间特征进行提取。GAT结构如图2所示。
根据采空区沿空侧煤柱各煤自燃监测点的位置信息，选取1个中心监测点及其所有关联监测点，构造图邻阶矩阵。对于单个图注意力层，模型的输入为$ \{ {{\boldsymbol{X}}^1},{{\boldsymbol{X}}^2}, \cdots ,{{\boldsymbol{X}}^M}\} $，计算关联监测点$ p $（$ p = 1,2, \cdots ,M $）对于中心监测点$ c $的注意力权重$ {e_{cp}} $：
$$ {e_{cp}} = {\boldsymbol{a}}(\,{\boldsymbol{W}} {\boldsymbol{X}}_t^c,{\boldsymbol{W}} {\boldsymbol{X}}_t^p) $$ (1) 式中：$ {\boldsymbol{a}} $为权重向量，用于衡量关联监测点对中心监测点的注意力强度；W为可学习的共享的权重矩阵，$ {\boldsymbol{W}} \in {{\bf{R}}^{F \times F'}} $，$ F $为输入特征维度，$ F' $为输出特征维度；$ {\boldsymbol{X}}_t^c $和$ {\boldsymbol{X}}_t^p $分别为中心监测点$ c $和关联监测点$ p $的$ t $时刻特征矩阵。
对于中心监测点$ c $及其关联监测点$ p $，使用LeakyReLU激活函数对它们之间的注意力权重进行非线性变换，得到归一化处理后的关联监测点$ p $对于中心监测点$ c $的注意力权重$ \alpha_{cp} $：
$$ {\alpha _{cp}} = \frac{{\exp ({\text{Leaky}}{\text{Re}} {\text{LU}}({{\boldsymbol{a}}^{\text{T}}}|{\boldsymbol{W}} {\boldsymbol{X}}_t^c{\text{||}}{\boldsymbol{W}} {\boldsymbol{X}}_t^p|))}}{{\displaystyle\sum\limits_{{p} = 1}^M {\exp ({\text{Leaky}}{\text{Re}} {\text{LU}}({{\boldsymbol{a}}^{\text{T}}}|{\boldsymbol{W}} {\boldsymbol{X}}_t^c||{\boldsymbol{W}} {\boldsymbol{X}}_t^p|))} }} $$ (2) 式中LeakyReLU（·）为LeakyReLU激活函数。
根据计算出的注意力权重$ \alpha _{cp} $，得到中心监测点的特征矩阵：
$$ {\boldsymbol{X}}_t^{c'} = \sigma \,\left(\sum\limits_{p = 1}^M {\alpha_{cp}{\boldsymbol{WX}}_t^p} \right) $$ (3) 在GAT中使用多头注意力机制来增强模型的学习能力，即调用$ G $组相互独立的图注意力层，将各层运算结果进行拼接，将拼接后的结果采用平均操作的方式，更新中心监测点的特征矩阵：
$$ {\boldsymbol{X}}_t^{c'} = \sigma \,\left(\frac{1}{G}\sum\limits_{g = 1}^G {\sum\limits_{p = 1}^M {\alpha _{{{cp}}}^g{{\boldsymbol{W}}^g}{\boldsymbol{X}}_t^p} } \right) $$ (4) 式中$ \alpha_{{cp}}^g $和$ {{\boldsymbol{W}}^g} $分别为第$ g $个图注意力层关联监测点$ p $对于中心监测点$ c $的注意力权重和共享权重矩阵。
最终得到$ n $个时刻中心监测点的新特征矩阵$ {{\boldsymbol{X}}^c}^\prime = [{\boldsymbol{X}}_1^{c'}\;{\boldsymbol{X}}_2^{c'}\;\cdots\;{\boldsymbol{X}}_n^{c'}] $。$ {{\boldsymbol{X}}^c}^\prime $结合了周围有关联的监测点信息，可有效表示空间区域内的煤自燃状态。
1.3 Informer模型
Informer模型接收GAT的输出$ {{\boldsymbol{X}}^c}^\prime $，对数据进行编码，实现对煤自燃温度的预测。Informer模型采用多头概率稀疏自注意力机制，挖掘向量之间的潜在联系，并且可以一次性给出长时间序列的预测结果，有效解决了传统神经网络对长时间序列预测不足导致的误差增大问题。
Informer模型主要由编码器和解码器组成。数据先进入编码器的Embedding层，该层包含3个编码模块，即Embedding编码模块、位置编码模块和时间戳编码模块，各模块分别对输入数据进行编码，将编码后的数据进行拼接，得到编码后的特征矩阵$ {\boldsymbol{X}} $。
将编码后的特征矩阵$ {\boldsymbol{X}} $处理成3个同尺寸矩阵，分别为查询矩阵$ {\boldsymbol{Q}} \in {{\bf{R}}^{{L_Q} \times {{d}}}} $、键矩阵$ {\boldsymbol{K}} \in {{\bf{R}}^{{L_K} \times {{d}}}} $、值矩阵$ {\boldsymbol{V}} \in {{\bf{R}}^{{L_V} \times {{d}}}} $（$ {L_Q} $，$ {L_K} $，$ {L_V} $分别为$ {\boldsymbol{Q}} $，$ {\boldsymbol{K}} $，$ {\boldsymbol{V}} $序列长度，$ d $为序列特征维度）：
$$ \left\{ {\begin{array}{*{20}{c}} {{\boldsymbol{Q}} = {\boldsymbol{X}}{{\boldsymbol{W}}_Q}} \\ {{\boldsymbol{K}} = {\boldsymbol{X}}{{\boldsymbol{W}}_K}} \\ {{\boldsymbol{V}} = {\boldsymbol{X}}{{\boldsymbol{W}}_V}} \end{array}} \right. $$ (5) 式中$ {{\boldsymbol{W}}_Q} $，$ {{\boldsymbol{W}}_K} $，$ {{\boldsymbol{W}}_V} $分别为$ {\boldsymbol{Q}} $，$ {\boldsymbol{K}} $，V的权重矩阵。
通过对键矩阵$ {\boldsymbol{K}} $随机采样，得到采样后的$ {\boldsymbol{\bar K}} $，此时，查询矩阵$ {\boldsymbol{Q}} $的第$ i $行$ {{\boldsymbol{q}}_i} $对应的稀疏性度量值为
$$ \bar {M}({{\boldsymbol{q}}_i},{\boldsymbol{\bar K}}) = \mathop {\max }\limits_j \left\{ \frac{{{{\boldsymbol{q}}_i}{\boldsymbol{\bar k}}_j^{\mathrm{T}}}}{{\sqrt d }}\right\} - \frac{1}{{{L_K}}}\sum\limits_{j = 1}^{{L_K}} {\frac{{{{\boldsymbol{q}}_i}{\boldsymbol{\bar k}}_j^{\mathrm{T}}}}{{\sqrt d }}} $$ (6) 式中$ {{\boldsymbol{\bar k}}_j} $为$ {\boldsymbol{\bar K}} $的第j行。
选取对应稀疏性度量值较高的$ {{\boldsymbol{q}}_i} $，组成新的查询矩阵$ {\boldsymbol{\bar Q}} $，计算概率稀疏自注意力：
$$ { A}({\boldsymbol{Q}},{\boldsymbol{K}},{\boldsymbol{V}}) = {{\mathrm{Softmax}}} \left( {\frac{{{\boldsymbol{\bar Q}}{{\boldsymbol{K}}^{\mathrm{T}}}}}{{\sqrt d }}} \right){\boldsymbol{V}} $$ (7) 为增强模型在长序列数据中捕捉长期依赖关系的能力，同时有效降低计算复杂度，将$ h $个概率稀疏自注意力头head1，head2，···，$ {\text{hea}}{{\text{d}}_{\text{h}}} $进行拼接：
$$ {{{A}}_{\mathrm{M}}}({\boldsymbol{Q,K,V}}) = {\text{Concat}}({\text{hea}}{{\text{d}}_{\text{1}}},{\text{hea}}{{\text{d}}_{\text{2}}}{\text{,}} \cdots ,{\text{hea}}{{\text{d}}_{h}}) $$ (8) 式中：$ {{{A}}_{\mathrm{M}}}({\boldsymbol{Q,K,V}}) $为多头概率稀疏自注意力；$ \text{Concat}(\cdot) $表示拼接操作；$ {\text{hea}}{{\text{d}}_h} = A({{\boldsymbol{Q}}_h},{{\boldsymbol{K}}_{h}},{{\boldsymbol{V}}_{h}}) $，$ {{\boldsymbol{Q}}_h} $，$ {{\boldsymbol{K}}_{h}} $，$ {{\boldsymbol{V}}_{h}} $分别为第h个概率稀疏自注意力头的查询矩阵、键矩阵、值矩阵。
编码器蒸馏层接收第$ J $层经过多头概率稀疏自注意力运算后的输出，该层包含一维卷积和最大池化操作，实现维度压缩。从第$ J $层提取特征传递到第$ J + 1 $层的操作过程为
$$ {\boldsymbol{X}}_{J + 1}^t = {{\mathrm{MaxPool}}} ({{\mathrm{ELU}}} ({{\mathrm{Convld}}} ({[{\boldsymbol{X}}_J^t]_{{\mathrm{AB}}}}))) $$ (9) 式中：$ {\boldsymbol{X}}_{J + 1}^t $为蒸馏后第$ J $+1层$ t $时刻的特征矩阵；$ {{\mathrm{MaxPool}}} ( \cdot ) $为最大池化函数；$ {{\mathrm{ELU}}} ( \cdot ) $为ELU激活函数；$ {{\mathrm{Convld}}} ( \cdot ) $为一维卷积滤波器；$ {\boldsymbol{X}}_J^t $为第$ J $层$ t $时刻的特征矩阵；$ {[\cdot]}_{{\mathrm{AB}}} $表示多头概率稀疏自注意力运算。
Informer模型解码器由2个多头自注意力层组成。通过引入生成式解码器和掩码机制，煤自燃温度预测结果只依赖于待预测序列之前的数据。在此机制下，待预测序列的数据会被掩码（置为0），确保模型只关注已知数据部分。解码器的输入$ {\boldsymbol{Y}}_{{\mathrm{de}}}^t $为部分真实值序列$ {\boldsymbol{Y}}_{{\text{token}}}^t $和待预测序列$ {\boldsymbol{Y}}_0^t $的拼接：
$$ {\boldsymbol{Y}}_{{\mathrm{de}}}^t = {{\mathrm{Concat}}} ({\boldsymbol{Y}}_{{\mathrm{token}}}^t,{\boldsymbol{Y}}_0^t)\;\;\;\; {\boldsymbol{Y}}_{{\mathrm{de}}}^t \in {{\bf{R}}^{({L_{{\text{token}}}} + {L_{\mathrm{y}}}) \times {d_{{\text{model}}}}}} $$ (10) 式中：$ {L_{{\text{token}}}} $为待预测序列前一段真实值序列的长度；$ {L_{\text{y}}} $为待预测序列的长度；$ {d_{{\text{model}}}} $为模型特征维度。
编码器与解码器之间通过交叉注意力机制实现信息交互。解码器利用编码器提取的全局特征信息，结合目标序列的上下文依赖关系，构建特征矩阵，将特征矩阵输入全连接层，从而输出煤自燃温度的预测值。
1.4 输出层
输出层对Informer模型输出的煤自燃温度预测值进行反标准化处理，恢复到原始数据尺度，得到最终的煤自燃温度预测结果。
2. 实验与结果分析
2.1 数据来源
为验证GAT−Informer模型在预测煤自燃温度时的准确性，基于陕西某煤矿采空区沿空侧煤柱部署的6个煤自燃监测点的监测数据进行分析。
通过对采空区遗煤煤样程序升温结果进行分析，选取与煤自燃温度有关联关系的5种特征气体（CO，CO2，CH4，O2，C2H4）及N2、湿度和温度，共8种指标特征数据。使用矿用本安型多参数传感器进行数据采集，采集时间为2022−10−11T12:00—2022−10−23T23:55，采集周期为5 min，应采集21 600条数据，每个监测点的数据量为3 600条，实际采集数据21 588条，缺失数据12条。采用箱线图分析数据，确定异常数据6条。使用随机森林回归法对缺失值和异常值处进行插补，再采用Savitzky−Golay滤波器进行平滑去噪处理，预处理后的煤自燃监测温度分布如图3所示。将预处理后的煤自燃监测数据以7∶1∶2的比例划分为训练集、验证集和测试集。
2.2 实验环境
实验硬件配置：Intel（R） Core（TM）i5−6300HQ CPU @ 2.30 GHz，16 GiB内存。实验软件环境：Windows（64位）操作系统，编程语言为Python−3.7，编程平台为PyCharm2018.3.7，集成环境为Anaconda Navigator−1.3.1，深度学习框架为PyTorch1.13.1。
2.3 评价指标
为评估模型性能，选取均方误差（Mean Squared Error，MSE）及平均绝对误差（Mean Absolute Error，MAE）作为评价指标。模型评价指标的大小体现预测值与真实值之间的偏差程度，指标值越小，表明煤自燃温度预测值和真实值越接近，预测结果越准确。
2.4 预测结果分析
实验中分别采用循环神经网络（Recurrent Neural Network, RNN）、LSTM、GRU、Informer和GAT−Informer模型进行煤自燃温度预测。设置历史数据窗口步长为48。
对于监测点1，设置预测煤自燃温度的步长为1，6，12，24和48，各模型在不同步长下的预测结果对比见表1和表2。
表 1 不同步长下各模型的MSETable 1. Mean squared error（MSE） of each model at different steps模型 步长 1 6 12 24 48 RNN 0.0129 0.0433 0.1911 0.4713 0.7708 LSTM 0.0050 0.0250 0.1929 0.4667 1.5659 GRU 0.0088 0.0233 0.2414 0.5087 1.3844 Informer 0.0511 0.2209 0.3250 0.6589 0.6824 GAT−Informer 0.0176 0.1372 0.1878 0.4037 0.4040 表 2 不同步长下各模型的MAETable 2. Mean absolute error（MAE） of each model at different steps模型 步长 1 6 12 24 48 RNN 0.0589 0.1516 0.2939 0.4967 0.6592 LSTM 0.0481 0.1106 0.3102 0.4731 1.0292 GRU 0.0524 0.1045 0.3689 0.5279 0.9279 Informer 0.1707 0.3591 0.4064 0.5837 0.6334 GAT−Informer 0.0907 0.2236 0.2747 0.3929 0.4773 从表1和表2可看出，在步长为1和6时，RNN，LSTM和GRU模型表现出的性能较好，但随着预测的步长增加，GAT−Informer模型不论是在MSE还是MAE上，都取得了最好的预测效果。
为更清晰地对比各模型的煤自燃温度预测效果，针对6个监测点，设置预测的步长为24，不同模型预测结果对比见表3和表4。
表 3 不同监测点下各模型的MSETable 3. MSE of each model under different monitoring points模型 监测点 1 2 3 4 5 6 RNN 0.4713 0.1554 0.2429 0.2746 0.3353 0.4727 LSTM 0.4667 0.1572 0.3925 0.2760 0.3927 0.4834 GRU 0.5087 0.1492 0.3346 0.2806 0.3887 0.6372 Informer 0.6589 0.2235 0.3135 0.3831 0.4700 0.5243 GAT−Informer 0.4037 0.1196 0.1392 0.2596 0.3264 0.4440 表 4 不同监测点下各模型的MAETable 4. MAE of each model under different monitoring points模型 监测点 1 2 3 4 5 6 RNN 0.4967 0.3067 0.3763 0.3685 0.3933 0.4744 LSTM 0.4731 0.2746 0.4609 0.3260 0.3642 0.5145 GRU 0.5279 0.3092 0.3937 0.3635 0.3859 0.5960 Informer 0.5837 0.2709 0.4658 0.4342 0.4847 0.5602 GAT−Informer 0.3929 0.2311 0.2995 0.3017 0.3576 0.4606 从表3和表4可看出，与RNN，LSTM，GRU和Informer模型相比，GAT−Informer模型在6个监测点上均取得了最好的预测效果。
对于6个监测点，预测的步长为24时，GAT−Informer模型相较于RNN，LSTM，GRU和Informer模型在MSE和MAE指标上的降低幅度见表5。
从表5可看出，与RNN，LSTM，GRU和Informer模型相比，GAT−Informer模型MSE分别平均降低了15.70%，22.15%，25.45%，36.49%，MAE分别平均降低了16.01%，14.60%，20.30%，26.27%，表明GAT−Informer模型能有效提高煤自燃温度预测精度。
表 5 各监测点上GAT−Informer模型相较于其他模型在MSE和MAE指标上的降低幅度Table 5. Reduction in MSE and MAE metrics of GAT-Informer model compared with other models at each monitoring point监测点 RNN GRU LSTM Informer MSE
降低
幅度/%MAE
降低
幅度/%MSE
降低
幅度/%MAE
降低
幅度/%MSE
降低
幅度/%MAE
降低
幅度/%MSE
降低
幅度/%MAE
降低
幅度/%1 14.34 20.90 13.50 16.95 20.64 25.57 38.73 32.69 2 23.03 24.65 23.92 15.84 19.84 25.26 46.49 14.69 3 42.69 20.40 64.53 35.02 58.40 23.93 55.60 35.70 4 5.46 18.13 5.94 7.45 7.48 17.00 32.24 30.51 5 2.65 9.07 16.88 1.85 16.02 7.33 30.55 26.22 6 6.07 2.90 8.15 10.48 30.32 22.72 15.32 17.78 GAT−Informer模型在各监测点测试集上预测未来2 h（24个步长）中第1个5 min（1个步长）煤自燃温度的结果如图4所示。可看出GAT−Informer模型的预测曲线变化趋势与真实测量曲线变化趋势大致相同，说明GAT-Informer模型预测精度高。
![]()
图 4 各监测点预测值与真实值对比Figure 4. Comparison between predicted and actual values at each monitoring point为更清晰地展示GAT−Informer模型在煤自燃温度多步长预测的效果，针对监测点6，GAT−Informer模型预测未来24个步长的煤自燃温度结果如图5所示。可看出GAT−Informer模型预测的未来24个步长的煤自燃温度与真实值相差不大，趋势大致相同，煤自燃温度范围为37.4～37.7 ℃，变化幅度较小，说明该模型在对煤自燃温度的多步长预测时具有良好的效果。
![]()
图 5 煤自燃温度多步长预测结果Figure 5. Multi-step prediction results of coal spontaneous combustion temperature3. 结论
1） 基于GAT−Informer的采空区煤自燃温度预测模型通过GAT提取采空区各监测点煤自燃监测数据之间的空间特征关系；将包含空间特征的数据传入Informer模型，利用多头概率稀疏自注意力机制提取数据的长时间依赖特征，捕捉数据变化的时间序列趋势，并通过蒸馏层进一步提取特征；解码器结合编码器提取的全局特征与目标序列的上下文依赖关系，生成特征矩阵并输入到全连接层，经反标准化处理得到煤自燃温度预测结果。
2） 相较于RNN，LSTM，GRU，Informer等单一煤自燃温度预测模型，GAT−Informer模型在预测步长为24时，MSE分别平均降低了15.70%，22.15%，25.45%，36.49%，MAE分别平均降低了16.01%，14.60%，20.30%，26.27%，表明GAT-Informer模型能有效提高煤自燃温度预测精度，适合于采空区多监测点多步长煤自燃温度的预测。
3） 未来将对GAT−Informer模型结构进一步优化，加入多特征融合模型，挖掘指标气体与煤自燃温度之间的关系，进一步提高模型的整体预测精度和泛化性能。
-
![]()
图 1 煤泥水絮凝沉降实验装置
Figure 1. Slime water flocculation and sedimentation experiment device
![]()
图 3 煤泥水沉降过程图像特征变化
Figure 3. Changes in image features of slime water sedimentation process
![]()
图 4 煤泥水沉降过程图像平均灰度变化规律
Figure 4. The average grayscale variation law of images during slime water sedimentation process
![]()
图 5 煤泥水沉降过程平均灰度变化率与沉降速率的相关性
Figure 5. The correlation between the average grayscale change rate and sedimentation rate during slime water sedimentation process
![]()
图 6 不同条件下平均灰度变化率与沉降速率的关联性
Figure 6. The correlation between average grayscale change rate and sedimentation rate under different conditions
-
[1] 党瑞德,张月飞,林喆. 哈尔乌素选煤厂煤泥水絮凝影响因素研究[J]. 煤炭工程,2021,53(增刊1):103-107. DANG Ruide,ZHANG Yuefei,LIN Zhe. Influencing factors of slime water flocculation in Harwusu Coal Preparation Plant[J]. Coal Engineering,2021,53(S1):103-107.
[2] NI Chao,BU Xiangning,XIA Wencheng,et al. Observing slime-coating of fine minerals on the lump coal surface using particle vision and measurement[J]. Powder Technology,2018,339:434-439. DOI: 10.1016/j.powtec.2018.08.034
[3] 宋帅,樊玉萍,马晓敏,等. 煤泥水中煤与不同矿物相互作用的模拟研究[J]. 矿产综合利用,2020(1):168-172,102. DOI: 10.3969/j.issn.1000-6532.2020.01.034 SONG Shuai,FAN Yuping,MA Xiaomin,et al. Simulation study on interaction between coal and different minerals in coal slurry[J]. Multipurpose Utilization of Mineral Resources,2020(1):168-172,102. DOI: 10.3969/j.issn.1000-6532.2020.01.034
[4] 周青松. 浅析煤泥水处理对选煤工艺的影响[J]. 矿业装备,2022(5):18-20. ZHOU Qingsong. Analysis of the impact of coal slurry water treatment on coal preparation process[J]. Mining Equipment,2022(5):18-20.
[5] 韩峰,孔令超,车立润,等. 煤泥水沉降检测控制系统的研究与应用[J]. 煤炭加工与综合利用,2023(1):77-78. DOI: 10.16200/j.cnki.11-2627/td.2023.01.019 HAN Feng,KONG Lingchao,CHE Lirun,et al. Research and application of coal slurry settlement detection and control system[J]. Coal Processing & Comprehensive Utilization,2023(1):77-78. DOI: 10.16200/j.cnki.11-2627/td.2023.01.019
[6] 毛箫瑀,刘令云. 煤泥水处理智能控制研究现状[J]. 选煤技术,2022,50(2):78-85. MAO Xiaoyu,LIU Lingyun. Present status of the research work on intelligent control in slime water treatment[J]. Coal Preparation Technology,2022,50(2):78-85.
[7] 窦红庆,高晓茜,张新明. 选煤厂智能加药设计与应用[J]. 洁净煤技术,2023,29(增刊1):127-130. DOU Hongqing,GAO Xiaoxi,ZHANG Xinming. Design and application of intelligent dosing in coal preparation plant[J]. Clean Coal Technology,2023,29(S1):127-130.
[8] 杨津灵,杨洁明,魏晋宏,等. 基于灰色预测−模糊控制的絮凝剂自动添加系统设计[J]. 太原理工大学学报,2012,43(5):606-609. DOI: 10.3969/j.issn.1007-9432.2012.05.018 YANG Jinling,YANG Jieming,WEI Jinhong,et al. Automatic flocculant adding system based on grey prediction fuzzy control[J]. Journal of Taiyuan University of Technology,2012,43(5):606-609. DOI: 10.3969/j.issn.1007-9432.2012.05.018
[9] 邓建军,张孝逐,林喆,等. 基于光电测量的煤泥水自动加药系统研究[J]. 洁净煤技术,2017,23(2):92-97,102. DOI: 10.13226/j.issn.1006-6772.2017.02.018 DENG Jianjun,ZHANG Xiaozhu,LIN Zhe,et al. Study on the automatic dosing system of coal slurry based on photoelectric measurement[J]. Clean Coal Technology,2017,23(2):92-97,102. DOI: 10.13226/j.issn.1006-6772.2017.02.018
[10] 张明青,刘颀,宋灿灿. 从黏土行为视角认识煤泥水沉降性能[J]. 选煤技术,2021(1):44-49. DOI: 10.16447/j.cnki.cpt.2021.01.005 ZHANG Mingqing,LIU Qi,SONG Cancan. Exploration of coal slurry sedimentation characteristics from the perspective of clay behavior[J]. Coal Preparation Technology,2021(1):44-49. DOI: 10.16447/j.cnki.cpt.2021.01.005
[11] 折小江,刘江,王兰豪. AI视频图像分析在选煤厂智能化中的应用现状与发展趋势[J]. 工矿自动化,2022,48(11):45-53,109. SHE Xiaojiang,LIU Jiang,WANG Lanhao. Application status and prospect of AI video image analysis in intelligent coal preparation plant[J]. Journal of Mine Automation,2022,48(11):45-53,109.
[12] 种亚岗,石晓军,陈锋,等. 机器视觉技术在选煤厂应用的研究现状和进展[J]. 矿山机械,2017,45(7):57-59. DOI: 10.16816/j.cnki.ksjx.2017.07.014 Chong Yagang,SHI Xiaojun,CHEN Feng,et al. Research status and development of application of machine vision technology in coal washery[J]. Mining & Processing Equipment,2017,45(7):57-59. DOI: 10.16816/j.cnki.ksjx.2017.07.014
[13] 薛旭升,杨星云,齐广浩,等. 煤矿带式输送机分拣机器人异物识别与定位系统设计[J]. 工矿自动化,2022,48(12):33-41. XUE Xusheng,YANG Xingyun,QI Guanghao,et al. Design of foreign object recognition and positioning system for sorting robot of coal mine belt conveyor[J]. Journal of Mine Automation,2022,48(12):33-41.
[14] 周德炀,张立忠,景治,等. 基于机器视觉的煤质快速分析法及其应用[J]. 煤炭加工与综合利用,2020(8):78-80. DOI: 10.16200/j.cnki.11-2627/td.2020.08.022 ZHOU Deyang,ZHANG Lizhong,JING Zhi,et al. The quick analysis method and its application of coal quality based on machine vision[J]. Coal Processing & Comprehensive Utilization,2020(8):78-80. DOI: 10.16200/j.cnki.11-2627/td.2020.08.022
[15] 丁泽海. 基于机器视觉的高硫煤煤质分析研究[D]. 徐州:中国矿业大学,2018. DING Zehai. Analysis of high sulfur coal property based on machine vision[D]. Xuzhou:China University of Mining and Technology,2018.
[16] 赵瑞,陆博. 在线图像分析系统在浮选优化控制中的应用[J]. 中国矿业,2019,28(增刊2):214-218. ZHAO Rui,LU Bo. Application of on-line image analysis system in flotation optimization control[J]. China Mining Magazine,2019,28(S2):214-218.
[17] 李强. 基于语义理解的图像检索研究[D]. 天津:天津大学,2016. LI Qiang. A study on image retrieval based on semantic understanding[D]. Tianjin:Tianjin University,2016.
[18] 汪岩,李自强. 基于AI图像处理的煤矸石特征提取及分类方法[J]. 煤炭技术,2023,42(11):231-233. WANG Yan,LI Ziqiang. Feature extraction and classification method of coal gangue based on AI image processing[J]. Coal Technology,2023,42(11):231-233.
[19] LIN Zhe,LI Panting,HOU Dou,et al. Aggregation mechanism of particles:effect of Ca2+ and polyacrylamide on coagulation and flocculation of coal slime water containing illite[J]. Minerals,2017,7(2). DOI: 10.3390/min7020030.
[20] 林喆,杨超,沈正义,等. 高泥化煤泥水的性质及其沉降特性[J]. 煤炭学报,2010,35(2):312-315. DOI: 10.13225/j.cnki.jccs.2010.02.008 LIN Zhe,YANG Chao,SHEN Zhengyi,et al. The properties and sedimentation characteristics of extremely sliming coal slime water[J]. Journal of China Coal Society,2010,35(2):312-315. DOI: 10.13225/j.cnki.jccs.2010.02.008
[21] LIN Zhe,WANG Quanwu,WANG Tuqing,et al. Dynamic floc characteristics of flocculated coal slime water under different agent conditions using particle vision and measurement[J]. Water Environment Research,2020,92(5):706-712. DOI: 10.1002/wer.1261
下载:
计量
- 文章访问数: 128
- HTML全文浏览量: 49
- PDF下载量: 16
