周德炀，张立忠，景 治，杨建国，窦东阳

(1.中国矿业大学 国家煤加工与洁净化工程中心，江苏 徐州 221116；2.国家能源集团宁夏煤业有限责任公司 洗选中心，宁夏 灵武 751400)

随着“工业4.0”的热潮在全世界涌动及“中国制造2025”的提出和实施，越来越多的制造业将智能化制造作为企业前进的方向。目前选煤智能化包括参数或状态的智能化监测[1]、工艺过程的智能化调节、装备状态的智能化诊断[2]、选煤厂的智能化管理等环节已在选煤工艺流程中得到一定应用，但是选煤厂煤质组成无法在线检测成为制约选煤过程自动化和智能化的技术瓶颈[3]。

机器视觉作为智能化发展的一个重要分支，已经在工业智能化的多个领域中得到运用[4]，利用机器视觉通过图像分析获取目标特征信息为煤质组成分析提供了新的解决方向。张泽琳[5]研究了基于机器视觉的煤质快速分析方法；李扬[6]利用机器视觉完成了对动力煤煤质组成的分析。本文主要介绍基于机器视觉的煤质快速分析方法及其在重介选煤中的应用。

1 现有煤质组成分析方法及其不足

在选煤生产调节中，煤质分析的及时性是影响选煤操作控制效果的重要因素[7]。煤质分析不够及时，不利于快速调整选煤过程参数，容易造成分选精度的降低和高价格产品产率的损失。准确快速的煤质分析方法是选煤智能化发展的需要。

用于指导选煤厂生产操作的煤质组成包括煤的粒度组成和密度组成。煤的粒度组成通常通过筛分试验获得。为保证煤样的代表性，颗粒越粗则最少试验用量就越多。按国标GB/T 477—2008《煤炭筛分试验方法 》的规定，对入洗上限达200 mm的浅槽重介入料而言，单个样品的最小重量为2 t。对这些样品进行采样、运输和人工筛分，直到报出数据，最快也得数个小时。煤的密度组成通常由浮沉试验获得。按国标GB/T 478—2008《煤炭浮沉试验方法》对煤样进行浮沉分析，每个样最快也需要半天时间才能报出数据。对与分粒级的浮沉试验，1组试验通常需要4～5 d才能报出结果。

为解决煤质分析的时间滞后问题，国标MT/T 1—2007《商品煤含矸率和限下率的测定方法》中给出了快速浮沉法。该方法规定对最大200 mm粒度的煤采样时，最小采样总质量为1.6 t，并将所采煤样混合、缩分至规定的最小质量后，送至浮沉室。由此可见，该方法从采样到报出结果最快也需半小时左右。值得一提的是，随着选煤厂输煤胶带的加宽加快，运行中的自动采样越来越难，停机采样又影响正常选煤生产，其滞后时长成为适应性控制难以逾越的鸿沟。

选煤生产过程中通常通过煤质快速检测法(快灰法)获取洗选效果。该方法通过将一定重量的样本放入高温箱中灼烧40 min来测量其灰分，大大缩短了时间与人力、物力，但该方法至少也需要2 h才能完成，依然不能做到用更快速的检测来满足对选煤过程的实时监控。

2 基于机器视觉的煤质快速分析

人的视觉系统是人最重要的感知系统，可为人提供70%～80%的外部信息，尤其某些重要信息是其他感知系统所不能提供的。在实际生产中，对于未经分选的原煤，人往往通过眼睛直观地区分出煤和矸石，也能通过眼睛知道单块煤粒的形状和大小。选煤工艺中的人工捡矸就是利用人眼识别矸石。由此可见，利用机器视觉可以实现煤质快速分析。

基于机器视觉的煤质快速分析方法是通过相机拍摄待检测的煤样作为检测样本图片，然后对图片进行图像处理，分割出原煤颗粒区域[8]，提取出颗粒区域的特征信息，通过所提取的特征信息获取原煤的粒级质量分布与煤、矸质量比，得到煤质组成情况。

人工排矸时，人眼通过对原煤表面的颜色和纹理来区分煤和矸石[9]，所以机器视觉可以通过获取图像的颜色和纹理作为识别煤和矸石的特征信息。而煤与矸石的真正区别在于其密度各不相同，由此可采用神经网络技术建立颗粒区域的图像特征与密度间的关系，在实现煤、矸识别的同时，为求解原煤质量提供路径。

为求解原煤的粒度组成，通过原煤颗粒的平面投影面积表征原煤颗粒粒径和体积。

对立方体颗粒，边长等于粒径d，正投影面积S=d2，颗粒体积V=d3。

通过现场采样图片获取颗粒投影面积S和图片对应煤样的粒径与体积，可求出系数α与β。考虑到不同粒度颗粒的形状有一定差异，需对不同粒级的颗粒分别进行分析，得出各粒级的形状系数α和β值，最终获得颗粒平面投影与其粒径及体积之间的关系。

综合上述过程，用图像的颜色、纹理等参数可对原煤颗粒进行煤矸识别、粒度级分类、密度预测、体积预测和质量求解。至此，通过机器视觉可从图片中获得待检测样本的粒度组成分布质量比和密度组成质量比，完成煤质组成分析。其快速分析流程见图1。

图1 基于机器视觉的煤质快速分析流程

与其他煤质分析方法相比，利用机器视觉实现煤质分析的过程中无需人工大量采样，数据获取与分析均由计算机计算得出，方法高效快捷，节省大量人力物力，可实现在线实时检测，完全符合智能化选煤工艺的需求。

3 煤质在线分析在红柳选煤厂的应用

国能集团宁夏煤业公司洗选中心红柳选煤厂位于宁夏灵武市马家滩镇，是宁夏煤业洗选中心的骨干厂。红柳选煤厂水洗系统主要生产工艺为[10]：200～25 mm 块煤重介浅槽分选，25～1 mm末煤重介旋流器主再洗，1～0.1 mm粗煤泥采用螺旋分选机分选，0.1～0 mm细煤泥采用沉降离心机+压滤机回收。为实现选煤智能化，在块煤浅槽主洗系统应用了基于机器视觉的煤质组成分析，实现了煤质组成实时分析，为智能化选煤提供块煤煤质检测结果。

煤质在线分析系统主要由图像采集模块与PC机组成。图像采集模块获得的图片为2 400万像素，每分钟可获取15张图片。PC机分析煤质时选取3张连续图片进行计算，图片为布满煤样无胶带露出，以满足煤质分析的样本需求。

入厂原煤在分选前经准备车间筛分出块煤和末煤，其中小于25 mm的末煤通过重介旋流器分选，大于25 mm的块煤进重介浅槽洗选，洗选的最大粒径为200 mm。为准确获得分选效果，分别在筛分后的原煤(粒径200～25 mm)301号胶带、末煤302号胶带、精煤产品3108号胶带和矸石产品901号胶带上增设相机，作为检测点，用以采样拍摄图片(见图2)。

图2 红柳洗煤厂图像采集点

将相机拍摄的样品图片传输至计算机，通过机器视觉的图像分割技术和特征提取技术获取图片颗粒区域的特征信息，各特征信息分别输入已建立好的密度模型、粒径模型和体积模型，计算求解出图片颗粒区域的粒径和质量，最后得到各胶带上煤质组成，包括精煤产品煤中带矸率和矸石产品中带煤率。

将多组经过煤质分析系统的煤样做人工筛分和浮沉实验，对比各分析结果的误差均值，见表1～表3。

表1 301号原煤胶带的各粒级分析误差均值

表2 302号末煤胶带的各粒级分析误差均值

表3 各胶带煤矸比分析误差均值

系统分析结果与现场验证结果的误差均值在10%以下，可以看到，利用机器视觉实现煤质组成快速分析具有很高的可信度，为智能化选煤发展探索了一条新的技术路线，同时为选煤厂智能化建设提供了参考。

4 结 语

长期以来，选煤厂煤质组成无法在线检测成为制约选煤过程自动化和智能化的技术瓶颈。现有煤质分析方法受制于采样与试验过程的繁琐，耗时耗力巨大，无法满足选煤智能化的需要。基于机器视觉的煤质快速分析法的出现及其在红柳选煤厂智能化建设中的应用表明，这一困扰选煤厂的难题初步得到了解决。通过红柳选煤厂应用煤质组成快速分析的结果可以看出，利用机器视觉实现煤质组成快速分析具有很高的可行性。但要实现更为快速精确的煤质组成分析，仍需要进一步的研究优化。